一种基于多尺度膨胀卷积残差网络的图像去噪方法及系统.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CN110706181A(43)申请公布日2020.01.17(21)申请号201910957331.7(22)申请日2019.10.09(71)申请人中国科学技术大学地址230026安徽省合肥市包河区金寨路96号(72)发明人李東洁金一陈怀安陈恩红竺长安(74)专利代理机构北京集佳知识产权代理有限公司11227代理人古利兰(51)Int.Cl.G06T5/00(2006.01)G06N3/08(2006.01)G06N3/04(2006.01)权利要求书2页说明书8页附图3页(54)发明名称一种基于多尺度膨胀卷积残差网络的图像去噪方法及系统(57)摘要本发明公开了一种基于多尺度膨胀卷积残差网络的图像去噪方法及系统，方法包括：获取训练数据集，并对训练数据集中的图像进行裁剪，得到块图像；搭建网络模型，采用批归一化和残差学习相结合的方式，采用最优的混合膨胀率模式，并引入多尺度结构，得到端到端的图像去噪模型；设置网络模型超参数，选择损失函数和优化方法对所述图像去噪模型进行训练，得到训练好的图像去噪模型；将噪声图片变换处理后输入到训练好的图像去噪模型中，将得到的图片做平均操作后输出去噪后的图片。本发明能够降低网络的参数量同时保证网络的去噪性能，且能够在去除图片噪声的同时保留住图片锋利的边缘和精细的细节信息。CN110706181ACN110706181A权利要求书1/2页1.一种基于多尺度膨胀卷积残差网络的图像去噪方法，其特征在于，包括：获取训练数据集，并对所述训练数据集中的图像进行裁剪，得到块图像；搭建网络模型，采用批归一化和残差学习相结合的方式，采用最优的混合膨胀率模式，并引入多尺度结构，得到端到端的图像去噪模型；设置网络模型超参数，选择损失函数和优化方法对所述图像去噪模型进行训练，得到训练好的图像去噪模型；将噪声图片变换处理后输入到所述训练好的图像去噪模型中，将得到的图片做平均操作后输出去噪后的图片。2.根据权利要求1所述的方法，其特征在于，所述获取训练数据集，并对所述训练数据集中的图像进行裁剪，得到块图像，包括：获取训练数据集，并根据网络的接受域大小对所述训练数据集中的图像进行裁剪，得到块图像。3.根据权利要求1所述的方法，其特征在于，所述设置网络模型超参数，选择损失函数和优化方法对所述图像去噪模型进行训练，得到训练好的图像去噪模型，包括：将所述块图像块按照批量尺寸组合一起作为输入，利用高斯白噪声模拟真实噪声添加到所述图像块上；设置网络模型超参数，设置权值初始化方式，设置网络模型的损失函数；利用随机梯度下降法和反向回传算法训练所述图像去噪模型，得到训练好的图像去噪模型。4.根据权利要求3所述的方法，其特征在于，所述超参数包括：网络模型的学习率、衰减率和训练次数。5.一种基于多尺度膨胀卷积残差网络的图像去噪系统，其特征在于，包括：获取模块，用于获取训练数据集，并对所述训练数据集中的图像进行裁剪，得到块图像；构建模块，用于搭建网络模型，采用批归一化和残差学习相结合的方式，采用最优的混合膨胀率模式，并引入多尺度结构，得到端到端的图像去噪模型；训练模块，用于设置网络模型超参数，选择损失函数和优化方法对所述图像去噪模型进行训练，得到训练好的图像去噪模型；去噪模块，用于将噪声图片变换处理后输入到所述训练好的图像去噪模型中，将得到的图片做平均操作后输出去噪后的图片。6.根据权利要求5所述的系统，其特征在于，所述获取模块在执行获取训练数据集，并对所述训练数据集中的图像进行裁剪，得到块图像时，具体用于：获取训练数据集，并根据网络的接受域大小对所述训练数据集中的图像进行裁剪，得到块图像。7.根据权利要求5所述的系统，其特征在于，所述训练模块在执行设置网络模型超参数，选择损失函数和优化方法对所述图像去噪模型进行训练，得到训练好的图像去噪模型时，具体用于：将所述块图像块按照批量尺寸组合一起作为输入，利用高斯白噪声模拟真实噪声添加到所述图像块上；2CN110706181A权利要求书2/2页设置网络模型超参数，设置权值初始化方式，设置网络模型的损失函数；利用随机梯度下降法和反向回传算法训练所述图像去噪模型，得到训练好的图像去噪模型。8.根据权利要求7所述的系统，其特征在于，所述超参数包括：网络模型的学习率、衰减率和训练次数。3CN110706181A说明书1/8页一种基于多尺度膨胀卷积残差网络的图像去噪方法及系统技术领域[0001]本发明涉及图像去噪技术领域，尤其涉及一种基于多尺度膨胀卷积残差网络的图像去噪方法及系统。背景技术[0002]图像去噪是计算机视觉领域一个经典而又活跃的问题。人们在获取图像的过程中，会由于光照、温度、天气等不可抗拒外部环境噪声的干扰，和电阻、电磁等元器件对