一种基于多尺度并行CNN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CN109003240A(43)申请公布日2018.12.14(21)申请号201810777558.9(22)申请日2018.07.16(71)申请人安徽理工大学地址232001安徽省淮南市泰丰大街168号(72)发明人贾晓芬柴华荣郭永存黄友锐赵佰亭凌六一马天兵(51)Int.Cl.G06T5/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)G06T5/50(2006.01)权利要求书2页说明书7页附图3页(54)发明名称一种基于多尺度并行CNN的图像去噪方法(57)摘要本发明公开一种基于多尺度并行CNN的图像去噪方法，包括五步。步骤一，搭建多尺度并行卷积神经网络模型，其中只有卷积层和激活层，同时加入了残差学习；步骤二，设置多尺度并行卷积神经网络模型的训练参数；步骤三，选取训练集，并对选取的训练图像进行裁剪、翻转等操作，以增强训练集的数量；步骤四，选取均方误差作为损失函数，并以最小化损失函数来训练多尺度并行卷积神经网络模型，得到图像去噪模型；步骤五，将任意大小的噪声图像输入到图像去噪模型，输出即为去噪后的干净图像。本发明在去噪的同时能尽可能的保留图像的边缘信息和细节信息，能提高图像的结构相似性，获得高质量去噪图像。CN109003240ACN109003240A权利要求书1/2页1.一种基于多尺度并行CNN的图像去噪方法，其特征在于，具体按照以下步骤进行：步骤一，搭建多尺度并行卷积神经网络模型；步骤二，设置多尺度并行卷积神经网络模型的训练参数；步骤三、构建训练集；步骤四，选取均方误差作为损失函数，并以最小化损失函数来训练多尺度并行卷积神经网络模型，得到图像去噪模型；步骤五，将噪声图像输入到图像去噪模型，其输出即为去噪后的干净图像。2.根据权利要求1所述的一种基于多尺度并行CNN的图像去噪方法，其特征在于，所述步骤一中，多尺度并行卷积神经网络模型包括卷积层和激活层，激活层的激活函数均是RELU函数，引入残差学习保证多尺度并行卷积神经网络学习的是图像中的噪声。3.根据权利要求1所述的一种基于多尺度并行CNN的图像去噪方法，其特征在于，所述步骤一中，多尺度并行卷积神经网络模型包括五个部分，分别为，(1)输入噪声图像；(2)特征融合；(3)并行结构；(4)融合；(5)输出干净图像。4.根据权利要求3所述的一种基于多尺度并行CNN的图像去噪方法，其特征在于，所述(2)中，特征融合的步骤为，步骤一，输入经过一个卷积核为1×1的卷积、激活层得到输出4-1；输入经过一个卷积核为1×1的卷积、激活层和一个卷积核为3×3的卷积、激活层得到输出4-2；输入经过一个卷积核为1×1的卷积、激活层和一个卷积核为5×5的卷积、激活层得到输出4-3；输入经过一个卷积核为7×7的卷积、激活层得到输出4-4；步骤二，将输出4-1、输出4-2、输出4-3和输出4-4进行特征融合，特征融合的结果将作为并行结构的输入。5.根据权利要求3所述的一种基于多尺度并行CNN的图像去噪方法，其特征在于，所述(3)中，并行结构包括深通道卷积层和浅通道卷积层，其中，深通道卷积层包括跳跃链接和25个卷积层，卷积核都是3×3，分成六段，第一段有一个卷积层，一个激活层，三个卷积、激活层和一个卷积层，第二到五段均包含一个激活层，四个卷积、激活层和一个卷积层，第六段有一个激活层；第一段的第一个卷积层的输出5-0和第一段的输出融合得到5-1，5-1作为第二段的输入得到输出5-2，5-0和5-2融合作为第三段的输入得到输出5-3，5-0和5-3融合作为第四段的输入得到输出5-4，5-0和5-4融合作为第五段的输入得到输出5-5，5-0和5-5融合作为第六段输入得到深通道卷积层的输出；浅通道卷积层包括跳跃链接和7层卷积层，卷积核都是3×3，分成两段，第一段包括一个卷积层，一个激活层，五个卷积、激活层，和一个卷积层，第二段有一个激活层；第一段的第一个卷积层的输出融合最后一个卷积层的输出后，输入第二段得到浅通道卷积层的输出。6.根据权利要求3所述的一种基于多尺度并行CNN的图像去噪方法，其特征在于，所述(4)中，融合的方法为，将权利要求5所述的深通道卷积层和浅通道卷积层的输出融合后，经2CN109003240A权利要求书2/2页过一个卷积核为3×3×128的卷积、激活层和一个卷积核为3×3的卷积层得到尺度并行卷积神经网络模型学习的图像噪声。7.根据权利要求1所述的一种基于多尺度并行CNN的图像去噪方法，其特征在于，所述步骤二中，多尺度并行卷积神经网络模型训练参数的具体设置为：图像深度设置为1，Adam优化器的学习效率设为0.001，卷积层的padding设置为“SAME”，输入模型的图