【技术实现步骤摘要】
一种基于稠密分层网络的图像去噪方法及系统
[0001]本专利技术属于深度学习计算机视觉及图像处理
,具体涉及一种基于稠密分层网络的图像去噪方法及系统。
技术介绍
[0002]图像去噪研究是图像处理的基础和前提,也是对图像进行预处理的重要环节,因此图像去噪是图像处理领域中的重要研究方向。在图像的拍摄和传输过程中,由于设备、环境等因素的干扰会引入不必要的信号,这些干扰信号就是各种噪声。图像去噪的目的就是要去除图像中的噪声,将其恢复成干净的、无噪声的图像,提高图像的质量。
[0003]近年来,深度学习在图像处理领域取得了巨大成功,卷积神经网络(Convolutional Neural Networks,CNN)在图像去噪任务中取得了较大的进展。目前比较流行的是前馈去噪卷积神经网络(Denoising Convolutional Neural Network,DnCNN),其是深度学习中先进的去噪算法,相比与传统的图像去噪算法在峰值信噪比(Peak Signal to Noise Ratio,PSNR)上有明显优势。前馈去噪卷积神经网络可以处理未知噪声水平的高斯去噪。快速灵活去噪网络(Fast and Flexible Denoising Convolutional Neural Networ,FFDNet)使用噪声估计图作为输入,权衡对均匀分布噪声的抑制和细节的保持,从而可应对更加复杂的真实场景。
[0004]虽然目前流行的基于卷积神经网络去噪方法如DnCNN、FFDNet等算法取得了不错的去噪效果, ...
【技术保护点】
【技术特征摘要】
1.一种基于稠密分层网络的图像去噪方法,其特征在于,包括以下步骤:步骤S1.获取训练数据集:采集数据集,对数据集中的图像进行预处理,并随机加入高斯噪声,以此得到含有噪声图像的训练数据集;步骤S2.构造去噪模型:基于U
‑
Net网络,采用稠密连接和局部残差学习构成的噪声提取块代替U
‑
Net网络中的编码层的普通卷积,实现对待去噪声图像的浅层特征提取;在解码层利用boosting策略进行深层的噪声信息增强,在编码层和解码层之间增加注意力机制捕获图像的边缘细节,最后采用全局残差学习构建去噪模型;步骤S3.训练优化去噪模型:采用训练数据集对构建的去噪模型进行训练,用损失函数和优化算法对去噪模型进行优化,不断调整去噪模型的超参数,最后得到训练完成的去噪模型;步骤4.实现待去噪声图像去噪:将待去噪声图像输入到训练完成后的去噪模型中得到噪声图像,将待去噪声图像减去噪声图像后得到纯净的图像。2.根据权利要求1所述的一种基于稠密分层网络的图像去噪方法,其特征在于,所述步骤S1中对数据集中图像进行预处理包括:将数据集中的图像进行裁剪和数据增强,并随机加入高斯噪声得到噪声图,数据增强的方式为将裁剪后的图像随机水平翻转、上下翻转以及逆时针旋转90
°
。3.根据权利要求1所述的一种基于稠密分层网络的图像去噪方法,其特征在于,所述步骤2噪声提取块中包括四个复合卷积层,首先用三个复合卷积层对输入特征图进行处理,每个复合卷积层的输出特征图都会先与输入特征图相加,最后将所有的输出特征图连接到第四个复合卷积层然后将生成的特征图与输入特征图进行局部残差得到输出噪声特征图,所述复合卷积层包括3
×
3卷积层和PreLU函数,每个3
×
3卷积层后紧跟着PreLU函数。4.根据权利要求1所述的一种基于稠密分层网络的图像去噪方法,其特征在于,所述步骤S2中噪声信息增强时产生误差信息,误差信息包括未恢复信息和高频信息,利用两个复合卷积层,以此对未恢复噪声信息进行提取,得到经过提取的噪声图;对高频信息进行特征提取,通过三个复合卷积层,所述三个复合卷积层密集连接,增强捕获信息能力,接着通过3
×
3卷积层和sigmod激活函数来衡量噪声图和高频信息的之间的关系,输出的权重图,其输出的权重图与经过提取的噪声图进行逐点操作,所述逐点操作是将带有加权系数的权重图与恢复噪声图的每个像素点相乘得到加权噪声图像,其中,所述复合卷积层包括3
×
3卷积层和PreLU函数,每个3
×
3卷积层后紧跟着PreLU函数。5.根据权利要求1所述的一种基于稠密分层网络的图像去噪方法,其特征在于,所述步骤S2中增加注意力...
【专利技术属性】
技术研发人员:贾蕴,于轹丹,赵杰,陈国龙,亓克超,江孟梅,
申请(专利权)人:山东工商学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。