基于多视角的卷积神经网络的图像去噪方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110503608A(43)申请公布日2019.11.26(21)申请号201910632475.5(22)申请日2019.07.13(71)申请人贵州大学地址550025贵州省贵阳市花溪区贵州大学北校区科学技术处(72)发明人徐勇孙利雷(74)专利代理机构贵阳中新专利商标事务所52100代理人李亮程新敏(51)Int.Cl.G06T5/00(2006.01)权利要求书1页说明书4页附图4页(54)发明名称基于多视角的卷积神经网络的图像去噪方法(57)摘要本发明公开了一种基于多视角的卷积神经网络的图像去噪方法。本发明用INBN技术代替了BN来加快去噪网络的收敛；该方法能有效地补就BN的不足和加快网络收敛，能处理真实噪声图像、盲噪声以及高斯噪声。本发明仅仅用20层的网络来进行去噪，减少网络的计算代价。此外，本发明用一种新的技术GF技术来更好把线性数据变换为非线性的数据；用Smooth函数来更好地训练去噪模型。此外，它采用多视角的特征融合来增强网络性能。本发明对于现实中灾难救援、航空探险与医疗诊病具有重要意义。CN110503608ACN110503608A权利要求书1/1页1.一种基于多视角的卷积神经网络的图像去噪方法，其特征在于，包含如下步骤进行：1)将原图像用FFT算法提取特征后，再进行图像重构，将重构后图像与原图像分块后共同作为去噪网络的输入；2)重构后图像与原图像分块经过去噪网络，将FFT对应的网络输出与原图像对应网络输出进行相加后，输出去噪的干净图像。2.根据权利要求1所述的基于多视角的卷积神经网络的图像去噪方法，其特征在于：所述的去噪网络有19层组成，第1层由卷积层和ReLU组成的；第2-18层由卷积层，INBN和GF函数组成，第19层由卷积层组成；经过去噪网络处理，将得到的FFT对应的网络输出与原图像对应网络输出进行相加后，作为第19层卷积层的输入。3.根据权利要求1所述的基于多视角的卷积神经网络的图像去噪方法，其特征在于：所述的网络的输入大小为256×1×40×40，输出大小为256×1×40×40，卷积大小为3×3，其中256×1×40×40代表batchsize为256，输出通道为1，高度和宽度为40。4.根据权利要求2所述的基于多视角的卷积神经网络的图像去噪方法，其特征在于：所述的INBN层是一个卷积层的通道一半经过IN，另一半经过BN之后再通过+操作合并到一起；其中IN的表示如式(1)：式(1)中，μ为平均值，σ是标准差，ε是常数，H是高度W是深度；BN的表示如式(2)所示：(2)代表平均值(3)代表方差(4)代表归一化(5)代表数据重构。5.根据权利要求2所述的基于多视角的卷积神经网络的图像去噪方法，其特征在于：所述的GF函数为GF(x)＝ReLU(x)×Tanh(x)，其中ReLU为φ(x)＝max(0,x)，ReLU的作用就是把线性转化的数据为非线性的数据。其中，tanh(x)为6.根据权利要求2所述的基于多视角的卷积神经网络的图像去噪方法，其特征在于：使用Smooth函数作为目标函数来训练去噪模型，Smooth函数如式(6)所示：2CN110503608A说明书1/4页基于多视角的卷积神经网络的图像去噪方法技术领域[0001]本发明涉及图像处理技术领域，尤其是基于多视角的卷积神经网络的图像去噪方法。背景技术[0002]数字图像设备已经被广泛地应用到多个领域，如疾病诊断、个人身份识别以及灾难救援。而图像设备在拍摄照片常常遭到相机抖动、低光、雨天雾天等影响，这导致拍摄出来的照片不清晰，图像去噪技术就是把这些不清楚图像还原到高度清晰的图像，这个过程称为可逆过程，它去噪主要依靠的方法为y＝x+μ，其中y是噪声图像，x是复原到的干净图像，μ是噪声。从贝叶斯的角度来看，先验知识对于图像去噪是关键的，同时一些学者在这个方面已经做了很多工作，如稀疏方法对于图像去噪任务有很好的鲁棒性。用非逻辑自适应性来优化稀疏方法并应用在去噪任务上。字典学习被用来去除噪声，也能有效地减少计算代价。全变分正则化方法能使图像变得更加平滑，这有利于恢复干净的图像。此外，马尔科夫、加权核范数最小化和3维的块匹配过滤器方法是主流的去噪方法。虽然这些方法在图像去噪上已经取得了很好性能，但是这些方法仍然面临着以下挑战：[0003](1)这些方法需要人为手动设置参数来获得最优的性能；[0004](2)这些方法需要在测试阶段需要复杂的优化算法，这大大增加这些方法的计算代价；[0005](3)这种方法只能针对一种情况训练一个模型来解决这个问题，如噪声级别为25的高斯噪声，它们只能有一个模型来解决这个问题，生活中噪声图像是复杂的，这大大限制它们的应用范围。[0006]近年来，