[发明专利]一种基于持续性记忆密集网络的图像高效去噪方法

摘要

本发明涉及基于持续性记忆密集网络的图像高效去噪方法，属图像处理领域。本发明首先选取训练集、验证集及测试集，并进行预处理，得到带噪声的退化块与不带噪声的清晰块；通过浅层特征抽取模块、持续性记忆密集网络模块、内层嵌套网络模块和残差求值模块对带噪声的退化块进行处理，得到预估去噪块；使用网络输出的预估去噪块与已知不带噪声的清晰块计算均方误差，以进行损失值度量；从网络末端开始，使用Adam算子求权值梯度值并更新网络参数；待网络收敛后训练终止并获得去噪模型；在训练好的去噪模型输入含高斯噪声图像得到去除噪声的图像。本发明在不破坏原图像纹理边缘信息的情况下，能以较高精度处理自然图像中存在的高斯白噪声。

主权项

1.一种基于持续性记忆密集网络的图像高效去噪方法，其特征在于：包括如下步骤：Step1、选取训练集、验证集及测试集，并对训练集和验证集进行预处理，得到带噪声的退化块与不带噪声的清晰块；Step2、通过浅层特征抽取模块、持续性记忆密集网络模块、内层嵌套网络模块和残差求值模块对带噪声的退化块进行处理，得到预估去噪块；首先使用浅层特征抽取模块对输入图像进行初步噪声特征抽取，随后将抽取所得的信息传递到持续性记忆密集网络模块，由该模块使用残差密集单元的堆叠进行精细噪声特征的提取；经过多个残差密集单元输出的三维组合后，所得信息进一步传递到二通路的内层嵌套网络模块进行特征精细化过程；此时所得到的信息为即为网络的抽取得到的噪声，由浅层特征抽取模块的输出与内层嵌套网络模块的输出值进行相减即可得到预估去噪块；Step3、使用网络输出的预估去噪块与已知不带噪声的清晰块计算均方误差，以进行损失值度量；Step4、从网络末端开始，使用Adam算子求权值梯度值并更新网络参数；Step5、循环步骤Step2‑Step4，待网络收敛后训练终止并获得去噪模型；Step6、在训练好的去噪模型输入含高斯噪声图像得到去除噪声的图像。