[发明专利]一种基于深度学习的深度图像去噪及增强方法

摘要

本发明公开了一种基于深度学习的深度图像去噪及增强方法，包括：构建深度图像去噪及增强卷积神经网络，该网络由三层卷积单元组成，分别完成输入图像的特征提取，非线性映射以及图像重建的功能。联合地使用深度和视觉图像作为卷积神经网络的输入，其中，对于视觉图先灰度化为灰度图像，将经过图像预处理来增强边缘信息和取出冗余的信息。对于深度图像，按照一定间隔切分为图像块，采取旋转和像素翻转数据扩充的方法增加有效地数据，并丢弃其中的干扰块和冗余块。基于权重图的损耗训练深度图像增强卷积神经网络，自适应地提升网络的学习效率。本方法可以实时地对带噪深度图像进行黑点填充和去噪，并取得很好的视觉效果和深度值恢复效果。

主权项

1.一种基于深度学习的深度图像去噪及增强方法，其特征在于，包括以下步骤：1)选取干净的深度图像及其对应的视觉图像和带噪的深度图像，构建网络训练集，具体步骤如下：1‑1)视觉图像灰度化为灰度图像；1‑2)对灰度图像进行图像预处理后，以干净的深度图像及其对应的灰度图像和带噪的深度图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；1‑3)丢弃训练集中的干扰图像块组；1‑4)对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；1‑5)丢弃冗余的带噪深度图像块；2)构建深度图像增强卷积神经网络，由三层卷积单元组成，其输入为带噪深度图像块和对应的灰度图像块，输出为增强后的深度图像块；3)采用误差反向传播算法训练所述深度图像增强卷积神经网络，并基于权重图计算损耗，从而得到深度图像去噪及增强网络模型；4)将测试集中带噪的深度图像及其对应的视觉图灰度化为灰度图进行图像预处理后，输入到深度图像去噪及增强网络模型，输出去噪及增强后的深度图像。