一种基于卷积神经网络自压缩的图像降噪方法及系统.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CN107808365A(43)申请公布日2018.03.16(21)申请号201710915162.1(22)申请日2017.09.30(71)申请人广州智慧城市发展研究院地址510800广东省广州市天贵路88号A座6楼申请人中山大学(72)发明人胡建国商家煜许瑶婷李仕仁(51)Int.Cl.G06T5/00(2006.01)G06T7/13(2017.01)G06T3/40(2006.01)G06N3/04(2006.01)权利要求书2页说明书7页附图2页(54)发明名称一种基于卷积神经网络自压缩的图像降噪方法及系统(57)摘要本发明公开了一种基于卷积神经网络自压缩的图像降噪方法及系统，其中，所述图像降噪方法包括：将待降噪图像输入第一神经网络模型中；采用所述第一神经网络模型中的卷积层对所述待降噪图像进行神经网络隐式信息提取处理，获取待降噪图像的图像轮廓信息；采用所述第一神经网络模型中的降维采样层对所述轮廓图像信息进行降维采样处理，最后输出底层输出图像；将所述底层输出图像输入第二神经网络模型中；在所述第二神经网络模型中对所述底层输出图像进行图像升采样处理，并在所述图像升采样处理过程中同时采用最相邻像素点进行插值处理，输出复原降噪图像；将最后输出的复原降噪图像作为降噪图像。在本发明实施例中，可以保证图像降噪质量和高效性。CN107808365ACN107808365A权利要求书1/2页1.一种基于卷积神经网络自压缩的图像降噪方法，其特征在于，所述图像降噪方法包括：将待降噪图像输入第一神经网络模型中；采用所述第一神经网络模型中的卷积层对所述待降噪图像进行神经网络隐式信息提取处理，获取待降噪图像的图像轮廓信息；采用所述第一神经网络模型中的降维采样层对所述轮廓图像信息进行降维采样处理，判断降维采样处理后输出的图像轮廓信息是否为底层输出图像，若否，则返回上一步骤，若是，则进行下一步骤；将所述底层输出图像输入第二神经网络模型中；在所述第二神经网络模型中对所述底层输出图像进行图像升采样处理，并在所述图像升采样处理过程中同时采用最相邻像素点进行插值处理，输出复原降噪图像；判断所述复原降噪图像是否恢复至原图像大小，若否，则返回上一步，若是，则将所述复原降噪图像作为降噪图像。2.根据权利要求1所述的基于卷积神经网络自压缩的图像降噪方法，其特征在于，所述第一神经网络模型为21层的神经网络层次架构，其中所述21层的神经网络层次架构分别由16个卷积层和5个降维采样层组成。3.根据权利要求1所述的基于卷积神经网络自压缩的图像降噪方法，其特征在于，所述采用所述第一神经网络模型中的卷积层对所述待降噪图像进行神经网络隐式信息提取处理，包括：采用所述第一神经网络模型中的卷积层对所述待降噪图像进行图像基本信息的神经网络隐式信息提取处理，获取待降噪图像的图像轮廓信息；所述图像基本信息包括待降噪图像的高度信息、待降噪图像的宽度信息、待降噪图像的元素内容信息；所述图像轮廓信息包括待降噪图像的边框轮廓信息、待降噪图像的元素内容轮廓信息。4.根据权利要求1所述的基于卷积神经网络自压缩的图像降噪方法，其特征在于，所述采用所述第一神经网络模型中的降维采样层对所述轮廓图像信息进行降维采样处理，包括：将所述第一神经网络模型中的降维采样层调整为最大降维采样设置；将所述轮廓图像信息通过设置为最大降维采样的所述第一神经网络模型中的降维采样层进行降维采样处理，输出降维采样处理后的图像轮廓信息。5.根据权利要求1所述的基于卷积神经网络自压缩的图像降噪方法，其特征在于，所述判断降维采样处理后输出的图像信息是否为底层输出图像，包括：判断所述降维采样处理后输出的图像信息的大小是否在为14*14，若是，则为底层输出图像，若否，则不是底层输出图像。6.根据权利要求1所述的基于卷积神经网络自压缩的图像降噪方法，其特征在于，所述在所述第二神经网络模型中进行图像升采样处理，并在所述图像升采样处理过程中同时采用最相邻像素点进行插值处理，输出复原降噪图像，包括：对所述底层输出图像在所述第二神经网络模型中进行图像升采样放大处理，获取复原2CN107808365A权利要求书2/2页降噪图像；在进行图像升采样放大处理过程中，并行对升采样放大处理过程中的所述底层输出图像进行最相邻像素点插值处理。7.根据权利要求6所述的基于卷积神经网络自压缩的图像降噪方法，其特征在于，所述对升采样放大处理过程中的所述底层输出图像进行最相邻像素点插值处理，包括：将升采样放大处理过程中的所述底层输出图像中的待修复像素点最邻近像素点的灰度值赋予待修复像素点进行插值修复处理，获取待修复像素点的像素灰度值修复结果。8.一种基于卷积神经网络自压缩的图像降噪系统，其特征在于，