[发明专利]一种基于残差卷积自编码网络的图像去噪方法

摘要

本发明公开了一种基于残差卷积自编码网络的图像去噪方法，为了克服传统浅层线性结构特征提取能力有限，现有基于深度学习的图像去噪模型存在泛化能力弱等问题。以残差块、批归一化层和自编码器组成的残差卷积自编码块为基本去噪网络结构，提出了多功能去噪残差卷积自编码神经网络。本发明公开的图像去噪方法，在保持较高去噪质量和去噪精度的同时，不仅拥有盲去噪能力，还能去除与训练集类型不相同的噪声。

主权项

1.一种基于残差卷积自编码网络的图像去噪方法，其特征在于包括如下步骤：步骤1、将预处理后的原图和对应含噪声的图像作为训练集和测试集，具体步骤如下：(1)将m*m像素的三通道原图预处理为单通道灰度图像，并对图像进行切割；(2)将预处理切割后的灰度图像加入相应噪声；(3)将原图的灰度图像及其对应的加噪图像作为一组数据，以原图像的灰度图像作为标签，制作训练集和测试集；步骤2、构建残差卷积自编码块，主结构由n+2层卷积层组成，恒等映射部分由卷积自编码结构组成，残差卷积自编码块输出为：x_n+2＝f(x)+x_caex_cae为输入x经过卷积自编码器提取的潜在特征，f(x)为输入x经过n+2层卷积层输出的结果，n为大于1的正整数，其中，主结构第1层卷积核大小为1*1，激活函数为Swish；第2到第n+1层结构相同，均添加批归一化层，卷积核大小为3*3，激活函数为Relu；第n+2层卷积核大小为1*1，激活函数为Swish；其中Relu激活函数为：Swish激活函数为：式中β为x的缩放参数，β>0；步骤3、网络结构主要由步骤2提出的残差卷积自编码块组成，网络共(n+2)*a+8层，a为大于2的正整数，第一层是一个用来降维的卷积层，中间层由残差卷积自编码块和残差卷积块组成，最后一层为一个全连接层；步骤4、将步骤1预处理后的训练集，通过列队输入到步骤3搭建的网络模型中，采用误差反向传播，并以均方误差损失函数来衡量真实值与预测值的距离，通过数据集的每次迭代，使用梯度下降来调整神经元之间的权重以降低代价函数，进而优化网络，并以定量的峰值信噪比和定性的视觉感受判断网络去噪效果，初次保存网络模型的各个参数；均方误差损失函数为：式中，y_i为通过列队读入的标签数据，z_i为输出去噪后的数据，均方误差越小代表去噪后的数据与标签数据越接近，网络准确率越高；峰值信噪比公式为：其中M_MSE是原图和处理图像之间的均方误差，PSNR数值越大表示失真越小；步骤5、将步骤1预处理后的测试集，输入到步骤4优化训练好的网络模型中，并通过定量的峰值信噪比和定性的视觉感受判断网络去噪效果，若不符合去噪要求返回步骤4继续训练或调参后训练网络，若符合要求停止迭代，保存最终网络模型；步骤6、利用保存的最终网络模型去除图像噪声，输出去噪图像。