[发明专利]基于深度学习的图像噪声水平估计方法

摘要

本发明属于计算机图像处理领域，为提出一种基于深度学习的框架，对图像噪声水平进行有效的估计。为实现上述目的，本发明采取以下技术方案基于深度学习的图像噪声水平估计方法，步骤如下步骤1、提出信号相关噪声(SDN)模型步骤2、进行数据预处理；步骤3、构建神经网络结构；骤4、设置好网络的学习率和动量参数，利用深度学习框架caffe训练上述卷积神经网络，直至代价损失减小到一定程度且训练达到迭代最大次数，生成训练模型，代价损失函数选用；步骤5、将有噪声图像输入至训练好的模型中，输出噪声水平函数。本发明主要应用于计算机图像处理。

主权项

一种基于深度学习的图像噪声水平估计方法，其特征是，步骤如下：步骤1、提出信号相关噪声SDN模型：I＝f(LI)IN＝f(LI+ns+nc)+nq其中，I表示理想的无噪声图像，IN表示CCD相机实际得到的噪声图像，f(·)表示相机响应函数，表示依赖于光照强度LI的噪声分量，表示跟信号无关的噪声分量，nq表示量化噪声予以忽略，这里的ns和nc的噪声参数假设为E(ns)＝0,E(nc)＝0,步骤2、进行数据预处理步骤2.1、获取伯克利图像分割BSD500数据集以及在网上下载无噪声的图像作为原始无噪声图像集；步骤2.2、对无噪声图像集利用步骤1提出的噪声模型人工添加噪声，合成带噪声图像，则噪声图像噪声水平函数表示为进一步扩展为：σ(I;f,σs,σc)=E[(IN(f-1(I),f,σs,σc-I)2]]]>其中I表示原始的无噪声图像，IN表示带噪声图像，IN(·)表示噪声合成过程；步骤2.3、将合成的带噪声图像裁剪成256*256大小的图像块，得到60000多个不同噪声水平的图像块作为训练数据，相对应的噪声水平函数样本点作为训练标签；步骤3、构建神经网络结构步骤3.1、噪声图像分别输入三路平行的卷积神经网络之中，三路神经网络的结构分别是(1)卷积层，卷积核大小5*5，—平均池化层，核大小为2*2—卷积层，卷积核大小3*3—平均池化层，核大小为2*2—卷积层，卷积核大小3*3—卷积层，卷积核大小3*3(2)卷积层，卷积核大小7*7—平均池化层，核大小为2*2—卷积层，卷积核大小5*5—平均池化层，核大小为2*2—卷积层，卷积核大小5*5—卷积层，卷积核大小5*5(3)卷积层，卷积核大小9*9—平均池化层，核大小为2*2—卷积层，卷积核大小7*7—平均池化层，核大小为2*2—卷积层，卷积核大小7*7—卷积层，卷积核大小7*7，接下来每路神经网络经过第四个卷积层的输出串联，接下来经过空间金字塔池化层，接着经过两个全连接层输出256噪声水平样本点，拟合得到噪声水平函数曲线；步骤3.2、每一个卷积网络层后面都会跟着一个批量标准化层以及激活函数层，选用参数修正线性单元ReLu为激活函数；步骤4、设置好网络的学习率和动量参数，利用深度学习框架caffe训练上述卷积神经网络，直至代价损失减小到一定程度且训练达到迭代最大次数，生成训练模型。代价损失函数选用L=Σj∈[1,N]12N||pj(Ij,Θ^)-pj||22]]>其中Ij代表训练样本中第j个噪声图像，pj代表相应的噪声水平；步骤5、将有噪声图像输入至训练好的模型中，输出噪声水平函数。