一种基于可变形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CN113744156A(43)申请公布日2021.12.03(21)申请号202111039510.6(22)申请日2021.09.06(71)申请人中南大学地址410083湖南省长沙市岳麓区麓山南路932号(72)发明人肖景钰田春伟章成源张师超(74)专利代理机构长沙七源专利代理事务所(普通合伙)43214代理人刘亚兰张勇(51)Int.Cl.G06T5/00(2006.01)G06N3/04(2006.01)权利要求书2页说明书6页附图4页(54)发明名称一种基于可变形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可变形卷积神经网络的图像去噪方法，所述方法包括构建可变形卷积神经网络模型，构建完成的可变形卷积神经网络模型包括两个子网络模型，分别为用于图像去噪的第一网络模型，以及用于辅助第一网络模型进行图像去噪的第二网络模型。然后再训练构建完成的可变形卷积神经网络模型，最后利用训练完成的可变形卷积神经网络模型进行图像去噪。本发明公开的图像去噪方法有效改进了目前基于神经网络的去噪方法中存在的图像失真或去噪效果不良的问题。CN113744156ACN113744156A权利要求书1/2页1.一种基于可变形卷积神经网络的图像去噪方法，其特征在于，所述图像去噪方法包括如下步骤：步骤S1、构建可变形卷积神经网络模型；构建完成的可变形卷积神经网络模型包括两个子网络模型，分别为用于图像去噪的第一网络模型，以及用于辅助第一网络模型进行图像去噪的第二网络模型；步骤S2、训练构建完成的可变形卷积神经网络模型；步骤S3、利用训练完成的可变形卷积神经网络模型进行图像去噪；将需要去噪的噪声图像输入训练后的可变形卷积神经网络模型，由可变形卷积神经网络模型输出去噪后的干净图像。2.根据权利要求1所述的图像去噪方法，其特征在于，所述步骤S2包括：步骤S21、获取样本数据集；在原始干净图像数据集中添加模拟噪声数据集得到模拟噪声图像集，所述模拟噪声图像集为第一样本数据集；所述模拟噪声图像集镜像翻转后的数据集为第二样本数据集；步骤S22、输入样本数据集；将第一样本数据集作为第一网络模型的输入，将第二样本数据集作为第二网络模型的输入；步骤S23、融合特征图；将第二网络模型训练后输出的特征图作为辅助特征图，与第一网络模型以注意力的方式融合；将所述辅助特征图作为权重，与第一网络模型中的特征图点乘；步骤S24、输出模拟干净图像；融合后的特征图经第一网络模型继续训练后作为准确噪声，模拟噪声图像除去所述准确噪声，输出为模拟干净图像。步骤S25、反馈与优化；比对第一网络模型输出的模拟干净图像与步骤S21中的原始干净图像，计算模拟干净图像与原始干净图像的差别，将所述差别量化成数值损失；调整参数继续训练可变形卷积神经网络模型，直至所述数值损失降到最小值。3.根据权利要求2所述的图像去噪方法，其特征在于，所述第一网络模型包括17个处理层：第1处理层包括普通卷积模块和激活模块；第2、4、6、8、10、12、14、16处理层包括可变形卷积模块、自适应归一化模块和激活模块；第3、5、7、9、11、13处理层包括普通卷积模块、批归一化模块和激活模块；第15、17处理层包括普通卷积模块。4.根据权利要求3所述的图像去噪方法，其特征在于，所述第一网络模型中的可变形卷积模块与普通卷积模块的卷积核均为3*3；第1处理层的输入通道为1，输出通道为64；其余处理层的输入、输出通道均为64。5.根据权利要求3所述的图像去噪方法，其特征在于，所述第一网络模型在第15处理层后、第16层前设有融合模块，所述融合模块用于完成步骤S23。6.根据权利要求5所述的图像去噪方法，其特征在于，所述第一网络模型在第17处理层后设有残差处理模块，用于对经过第17处理层训练后的特征图进行残差处理。2CN113744156A权利要求书2/2页7.根据权利要求2所述的图像去噪方法，其特征在于，所述第二网络模型包括16个处理层：第1处理层包括普通卷积模块和激活模块；第2‑14处理层包括普通卷积模块、批归一化模块和激活模块；第15、16处理层包括普通卷积模块。8.根据权利要求7所述的图像去噪方法，其特征在于，所述第二网络模型中，第1～14处理层的普通卷积模块的卷积核大小为3*3；第15、16处理层中的普通卷积模块的卷积核大小为1*1；第1处理层的输入通道为1，输出通道为64；其余处理层的输入、输出通道均为64。9.根据权利要求7所述的图像去噪方法，其特征在于，所述第二网络模型在第15处理层后、第16处理层前设有残差处理模块，用于对经过第15处理层训练后的特征图进行残差处理。10.根据权利要求9所述的图像去噪方法，其特征在于，所述第二网络模型在残差处