[发明专利]基于深度残差网络的图像椒盐噪声去除方法

摘要

本发明公开一种基于深度残差网络的图像椒盐噪声去除方法，针对传统深度学习网络中产生梯度丢失的问题，将残差学习网络引入椒盐图像去噪方法中，通过训练图像数据库中噪声图像及噪声图像所对应的原图；噪声图像经过预处理后与原图像共同获得残差图，将残差图输入到神经网络中，逐层计算后输出一套描述残存图与标准图像映射关系的系数组合；利用训练好的系数组合进行去噪并通过学习预处理后的残差值，扩大深度学习网络的层数，进而提高去噪的效果。

主权项

1.一种基于深度残差网络的图像椒盐噪声去除方法，其特征在于按照如下步骤进行：步骤C011：从训练数据库的噪声图像中依次选取n张，记为V_k(k＝1,2,3…n),将V_k中像素值为0或者像素值为255的像素点标记为椒盐噪声，对椒盐噪声采用中值滤波法进行处理，得到预处理后的结果图像V_k'；步骤C012：设训练数据库中噪声图像V_k所对应的原始图像为U_k，用原始图像U_k与预处理后的结果图像V_k'相减并取绝对值，获得残差图Res_k，Res_k＝|U_k‑V_k'|；步骤C013：将残差图Res_k输入到多层深度神经网络中，所述多层深度神经网络依次包括输入层、隐藏层与输出层，约定：l为层数，l＝1,2,3...l_end，为第l层中第k个神经元与第l层中第j个神经元之间的权重，第l层中第j个神经元的激活函数为将残差图Res_k从第1层输入，将第1层的训练参数结果作为第2层输入，第2层的训练参数结果作为第3层的输入，如此重复，将上一层的结果作为下一层的输入，一直到最后l_end层为止，第l_end层输出的一组参数为Θ；步骤C014：约定损失函数为L(Θ)，Θ代表神经网络经过训练得到的参数，通过反向传播法去最小化损失函数，损失函数定义为：R(Θ)表示训练的参数所映射的结果图像，如果损失函数精度小于0.0001或总迭代次数大于500次，则训练结束，保存当前的训练参数，记为Θ_train，退出训练部分，进入步骤C020；否则对损失函数L(Θ)采用随机梯度下降法更新参数1次，进入步骤C014；步骤C020：从待去噪图像数据库中选取一张噪声图像T，将T中像素值为0或者像素值为255的像素点标记为椒盐噪声，对椒盐噪声采用中值滤波法进行处理，得到T’并输入到Θ_train中以得到一个估计的映射Res_k'，将去噪后的T’与Res_k'相加得到最终的去噪结果：U'＝Res_k'+T'，保存U'。