一种基于随机重排和无标签模型的隐式图像盲去噪方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115482162A(43)申请公布日2022.12.16(21)申请号202211076019.5G06N3/08(2006.01)(22)申请日2022.09.02(71)申请人华南理工大学地址510640广东省广州市天河区五山路381号申请人广东工业大学(72)发明人聂琳徐丽莉康文雄施煜锴(74)专利代理机构广州粤高专利商标代理有限公司44102专利代理师黄月莹(51)Int.Cl.G06T5/00(2006.01)G06T5/20(2006.01)G06T5/50(2006.01)G06N3/04(2006.01)权利要求书2页说明书9页附图2页(54)发明名称一种基于随机重排和无标签模型的隐式图像盲去噪方法(57)摘要本发明公开了一种基于随机重排和无标签模型的隐式图像盲去噪方法，包括以下步骤：首先，利用图像高频信号滤波器提取带噪图像的低频图像，接着用带噪图像减去低频图像以获取高频信号，并对高频信号进行预处理；其次，通过隐式噪声模型提取高频信号生成同类型的噪声信号，利用生成的的噪声信号构建带噪图像数据；最后，将带噪图像数据训练基于神经网络盲去噪模型，利用训练好的基于神经网络盲去噪模型对图像进行去噪处理。CN115482162ACN115482162A权利要求书1/2页1.一种基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，包括以下步骤：利用图像高频信号滤波器提取带噪图像的低频图像，接着用带噪图像减去低频图像以获取高频信号，并对高频信号进行预处理；通过隐式噪声模型提取高频信号生成同类型的噪声信号，利用生成的的噪声信号构建带噪图像数据；将带噪图像数据训练基于神经网络盲去噪模型，利用训练好的基于神经网络盲去噪模型对图像进行去噪处理。2.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，通过以下公式获取高频信号h：其中n表示具有先验的Pj*的纯噪声，o表示包括噪声信息和图像细节信息的高频信息，表示操作数的空间共存。3.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，对高频信号进行预处理包括：使用空间变换f将高频信号h中带有噪声信息和图像细节信息的高频信息o进行打乱，从而得到无纹理细节的纯噪声，记为o’：将空间变换函数f(·)应用于高频信号h，即：其中，h’表示多种混合噪声信号；将n’视为纯噪声n，即：检索到多种混合噪声信号h’后，将多种混合噪声信号h’添加到干净图像xc中，构造噪声图像xh’，其中xc代表随机的一张无噪图像；由于多种混合噪声信号h’是局部的o’或纯噪声n，构造两对图像，得到θ去噪器，通过最小化从噪声图像中去除纯噪声n和o’其中θ是去噪网络的参数，Pj*是原始噪声先验，Pj′是图像纹理经过空间打乱后形成的新的噪声的先验，P^j代表混合噪声信号h’的噪声先验。4.根据权利要求3所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，空间变换f满足以下两个要求：(1)f(n)＝n’；其中具有先验的Pj*的纯噪声n和n’服从相同的分布Pj*；其中f(n)表示空间变换函数，n’表示输入噪声信号n经过空间变换后的结果，Pj*表示图像的原始噪声分布；(2)f(o)＝o’，其中o表示包括噪声信息和图像细节信息的高频信息，o’表示从Pj’采样的噪声类型；f(o)表示空间变换函数，o’表示高频信号o经过空间变换后的结果，Pj’表示的o’噪声分布。2CN115482162A权利要求书2/2页5.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，带噪图像数据的构建是将生成的的噪声信号添加到干净的图像中，形成成对的训练数据。6.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，所述基于神经网络盲去噪模型采用DnCNN‑B网络IRCNN。7.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，所述基于神经网络盲去噪模型采用IRCNN网络。8.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，基于神经网络盲去噪模型的损失函数为：其中表示N个成对的有噪声的和干净的训练图像，xn表示带噪图像，xc表示2xn对应的干净图像，l(θ)表示参数为θ时的损失函数，||·||表示平方差。9.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，基于神经网络盲去噪模型的损失函数为L1距离。10.根据权利要求1～9任一项所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，对于合成噪声的去除，采用高斯高通滤波器提取高频信号h：h＝xn‑GaussianBlur(xn，σb)其中σ