[发明专利]一种基于深度学习的图像去噪方法及系统

摘要

本发明公开一种基于深度学习的图像去噪方法及系统，方法先构建主神经网络结构和副神经网络结构，采用迁移学习方法将副神经网络结构中的第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值分别赋值到主神经网络结构中的第一卷积层的可训练参数初始值和第十五卷积层的可训练参数初始值；其次将训练集加噪图像加入赋值后的主神经网络结构，通过前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；根据噪声特征图像确定训练模型；然后将验证集加噪图像输入到训练模型中，输出最终训练去噪模型；最后将测试集加噪图像加入最终训练去噪模型进行测试，获得去噪图像，大大提高了去噪效率和去噪效果。

主权项

1.一种基于深度学习的图像去噪方法，其特征在于，所述方法包括：构建主神经网络结构和副神经网络结构；确定主神经网络结构的训练集加噪图像、主神经网络结构的验证集加噪图像和主神经网络结构的测试集加噪图像；根据副神经网络结构进行参数初始化训练，确定副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值；采用迁移学习方法将副神经网络结构中的第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值分别赋值到主神经网络结构中的第一卷积层的可训练参数初始值和第十五卷积层的可训练参数初始值；将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；根据所述噪声特征图像确定训练模型；将所述主神经网络结构的验证集加噪图像输入到训练模型中，采用前向传播算法确定图像峰值信噪比；判断所述图像峰值信噪比是否小于设定图像峰值信噪比阈值；如果小于设定图像峰值信噪比阈值，则执行所述将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；如果大于等于设定峰值信噪比阈值，则训练结束，输出最终训练去噪模型；将所述主神经网络结构的测试集加噪图像加入最终训练去噪模型进行测试，获得去噪图像。