一种基于残差卷积自编码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CN110020684A(43)申请公布日2019.07.16(21)申请号201910276255.3(22)申请日2019.04.08(71)申请人西南石油大学地址610500四川省成都市新都区新都大道8号(72)发明人罗仁泽王瑞杰张可李阳阳马磊袁杉杉吕沁(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06T5/00(2006.01)权利要求书2页说明书5页附图2页(54)发明名称一种基于残差卷积自编码网络的图像去噪方法(57)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。CN110020684ACN110020684A权利要求书1/2页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：xn+2＝f(x)+xcaexcae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，yi为通过列队读入的标签数据，zi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MMSE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2CN110020684A权利要求书2/2页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。3CN110020684A说明书1/5页一种基于残差卷积自编码网络的图像去噪方法技术领域[0001]本发明涉及深度学习技术领域，具体涉及图像去噪中的一种基于残差卷积自编码网络的图像去噪方法。背景技术[0002]传统的图像去噪模型可分为基于空间域、变换域、稀疏表示以及自然统计四大类。其中具有代表性的方法有：基于空间域的中值滤波法，此方法忽略了每个像素自身的特点，去噪后图像将会出现较为严重的模糊现象；基于变换域的BLS-GSM，此方法在去噪的同时能保留一部分图像原有的信息；基于稀疏表示法的NLSC，此方法去噪计算时间较长；基于自然统计的BM3D，此方法只能滤除某种特定的噪声。[0003]为了克服传统去噪模型的局限性，基于深度学习的非线性、深度的图像去噪模型被大量提出。其中基于自编码(Auto-encoder，AE)网络、卷积神经网络(ConvolutionalNeuralNetwork，CNN)、生成对抗网络(GenerativeAdversarialNetworks，GAN)广泛应用于图像去噪领域。基于自编码网络的DCAENN，可以有效地去除胸部X线图像的噪声，但只能去除已知的噪声，不具有泛化能力；基于栈式稀疏去噪自编码网络的SSDA