[发明专利]一种基于并行特征提取的CNN去噪方法有效
| 申请号： | 201811323811.X | 申请日： | 2018-11-08 |
| 公开（公告）号： | CN109410149B | 公开（公告）日： | 2019-12-31 |
| 发明（设计）人： | 赵佰亭;贾晓芬;郭永存;黄友锐;柴华荣 | 申请（专利权）人： | 安徽理工大学 |
| 主分类号： | G06T5/00 | 分类号： | G06T5/00;G06N3/04 |
| 代理公司： | 61237 西安知诚思迈知识产权代理事务所(普通合伙) | 代理人： | 麦春明 |
| 地址： | 232001 *** | 国省代码： | 安徽;34 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开一种基于并行特征提取的CNN去噪方法，包括六步：步骤一，搭建并行特征提取的CNN去噪网络模型；步骤二，初始化CNN去噪网络模型的训练参数；步骤三、构建训练集；步骤四，设计损失函数，并以最小化损失函数为目标来训练CNN去噪网络模型，得到CNN去噪模型；步骤五，将噪声图像作为CNN去噪模型的输入，其输出即为网络模型学习到的噪声信息；步骤六，用噪声图像减去步骤五学习到的噪声信息，即可得到去噪后的干净图像。本发明能较彻底的去除噪声，能很好的保留图像的纹理信息，且显著提高客观指标PSNR和SSIM。 | ||
| 搜索关键词： | 去噪 网络模型 并行特征 损失函数 噪声图像 噪声信息 图像 客观指标 纹理信息 训练参数 初始化 训练集 最小化 减去 构建 去除 噪声 输出 学习 保留 | ||
【主权项】：
1.一种基于并行特征提取的CNN去噪方法，其特征在于，具体按照以下步骤进行：/n步骤一，搭建并行特征提取的CNN去噪网络模型；/n步骤二，初始化CNN去噪网络模型的训练参数；/n步骤三、构建训练集；/n步骤四，设计损失函数，并以最小化损失函数为目标来训练CNN去噪网络模型，得到CNN去噪模型；/n步骤五，将噪声图像作为CNN去噪模型的输入，其输出即为网络模型学习到的噪声信息；/n步骤六，用噪声图像减去步骤五学习到的噪声信息，即可得到去噪后的干净图像；/n所述步骤一中，搭建的并行特征提取的CNN去噪网络模型包含5个特征提取模块MPFE，它是一个两路并行的网络，一边是3×3串联5×5的卷积核，另一边是5×5串联3×3的卷积核，最后将两路进行特征融合，MPFE的数学模型为，/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于安徽理工大学，未经安徽理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811323811.X/，转载请声明来源钻瓜专利网。
