【技术实现步骤摘要】
本专利技术属于图像数据降噪处理，具体涉及一种cis图像数据降噪方法。
技术介绍
1、接触式图像传感器(contact image sensor，cis)，用在扫描仪中，是将感光单元紧密排列，直接收集被扫描稿件反射的光线信息，cis具有结构简单、抗震性能好、控制简单、无需预热以及生产成本低等特点。当cis工作时，led光源阵列发出的光线直射到待扫描物体表面，从其表面反射回的光线经自聚焦棒状透镜阵列聚焦，成像在光电传感器阵列上(一般是mos器件)，被转化为电荷存储起来。不同位置的光强不同，导致不同位置的传感器单元(即cis的像素)接收到的光强不一样。经过一系列处理后，这些电荷信号被转化为数字信号，形成图像数据。但是在cis在超低照度下有非常大的噪声，包括读噪声、热噪声、暗噪声、散粒噪声等等，噪声的组成和分布都非常复杂，图像信号掺杂在噪声中非常微弱，在此情况下传统的图像降噪算法降噪效果非常有限，同时传统的降噪算法过度依赖相似图像块的降噪，极弱光下对于运动物体或者运动场景几乎无能为力，更无法胜任超低照度的动态场景。
技术实现思路
1、针对上述不足，本专利技术公开了一种cis图像数据降噪方法，设计专门的视频降噪深度卷积神经网络来进行视频降噪，从而提升降噪效果、加快视频处理速度等。
2、本专利技术是采用如下技术方案实现的：
3、一种cis图像数据降噪方法，其包括以下步骤：
4、(1)将cis传感器收集夜间视频图像数据，并且将所述夜间视频图像数据进行中值滤波处
5、(2)将经过步骤(1)处理的夜间视频图像数据分成训练集、验证集和测试集三个部分；
6、(3)构建深度卷积神经网络，所述深度卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，所述深度卷积神经网络的激活函数包括relu、sigmoid、tanh中的任意一种或两种；将经过步骤(2)处理的训练集中数据进行归一化处理后输入至输入层进行深度卷积神经网络的训练，并且采用结构相似性指数(ssim)来衡量预测图像与真实无噪图像之间的差异；通过反向传播和梯度下降多次迭代训练模型直至收敛；
7、所述ssim的计算公式如下：ssim(iclean,inoisy)＝(2μiμj+c1)(2σij+c2)/(μi2+μj2+c1)(σi2+σj2+c2)，其中iclean和inoisy分别是原始无噪声图像和添加噪声后的图像；μi和μj分别是iclean和inoisy的均值，σi2和σj2分别是iclean和inoisy的方差，σij是iclean和inoisy的协方差，c1和c2是常数，用于避免除以零和保持稳定性；
8、(4)利用步骤(1)中得到的测试集，并采用峰值信噪比(psnr)对步骤(3)中的训练模型进行评估；将步骤(1)中得到的验证集输入至训练模型中处理并进行评估，根据评估结果调整网络层数和滤波器数量，得到最优的深度卷积神经网络模型；
9、所述psnr的计算公式如下：psnr＝10log10(l2/mse)，其中l是图像的最大可能灰度值，mse是均方误差；
10、(5)应用步骤(4)中得到的最优的深度卷积神经网络模型对cis图像数据进行降噪处理，先按照步骤(1)中所述方法对cis图像数据进行中值滤波处理，再使用深度卷积神经网络模型进行处理得到降噪后的图像数据。
11、进一步的，步骤(2)中所述的训练集、验证集和测试集的数据比例为7:1:2。
12、进一步的，步骤(1)中，将所述夜间视频图像数据进行锐化处理，所述锐化处理采用的是sobel锐化和prewitt锐化中的任意一种方法；
13、所述sobel锐化采用的公式为：sobel(i)＝∑i,jgx×ii,j+gy×ii,j，其中i是原始图像，gx和gy是水平和垂直方向的sobel算子；
14、所述prewitt锐化采用的公式为：prewitt(i)＝∑i,jpx×ii,j+py×ii,j，其中i是原始图像，px和py是水平和垂直方向的prewitt算子。
15、进一步的，步骤(1)中所述滤波窗口的大小为3×3。
16、进一步的，步骤(3)中所述深度卷积神经网络还包括优化器，所述优化器用于调整网络中的权重，以最小化损失函数，所述优化器为动量优化器、adagrad优化器和adam优化器中的任意一种。
17、进一步的，步骤(3)中所述归一化处理将图像像素值调整到0～1的范围内。
18、进一步的，对经过步骤(4)处理得到的深度卷积神经网络模型，采用onnx工具进行层裁剪。
19、本技术方案与现有技术相比较具有以下有益效果：
20、1、本专利技术针对在cis在超低照度下采集图像大噪声以及噪声的组成和分布非常复杂的问题，基于深度卷积神经网络构建处理模型，并且结合中值滤波处理技术得到适合cis夜视图像降噪处理的方法，其可以精确的评估噪声的分布，提取图像中的微弱信号，并融合前后帧的图像信号对本帧图像进行加强，同时本专利技术可以更精确的估计物体和场景的运动，避免传统降噪带来的运动模糊问题，从而实现清晰的极弱光成像。从而提升降噪效果、加快视频处理速度等。
21、2、本专利技术先采用中值滤波处理夜视图像数据，去除部分椒盐噪声和热噪声，然后再用深度卷积神经网络进行全面的降噪处理，不仅能够提高降噪效果，而且可以减少深度卷积神经网络的处理时间。
22、3、本专利技术采用sobel锐化或prewitt锐化对采集的图像数据进行处理后，再进行降噪处理，对图像数据锐化可以增强图像中的边缘和细节，使得这些结构在降噪处理中更容易被保留，而且通过增强图像中的有用信号，锐化可以在一定程度上提高图像的信噪比，有助于降噪算法更有效地分离信号和噪声，从而在去除噪声的同时保留更多的图像细节，并且可以帮助降噪算法更快地收敛，减少算法所需的迭代次数，从而提高处理效率。
本文档来自技高网...【技术保护点】
1.一种CIS图像数据降噪方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的CIS图像数据降噪方法，其特征在于：步骤(1)中所述的训练集、验证集和测试集的数据比例为7:1:2。
3.根据权利要求1所述的CIS图像数据降噪方法，其特征在于：步骤(1)中，将所述夜间视频图像数据进行锐化处理，所述锐化处理采用的是Sobel锐化和Prewitt锐化中的任意一种方法；
4.根据权利要求1所述的CIS图像数据降噪方法，其特征在于：步骤(1)中所述滤波窗口的大小为3×3。
5.根据权利要求1所述的CIS图像数据降噪方法，其特征在于：步骤(3)中所述深度卷积神经网络还包括优化器，所述优化器用于调整网络中的权重，以最小化损失函数，所述优化器为动量优化器、Adagrad优化器和Adam优化器中的任意一种。
6.根据权利要求1所述的CIS图像数据降噪方法，其特征在于：步骤(3)中所述归一化处理将图像像素值调整到0～1的范围内。
7.根据权利要求1所述的CIS图像数据降噪方法，其特征在于：对经过步骤(4)处理得到的深度卷积神
...【技术特征摘要】
1.一种cis图像数据降噪方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的cis图像数据降噪方法，其特征在于：步骤(1)中所述的训练集、验证集和测试集的数据比例为7:1:2。
3.根据权利要求1所述的cis图像数据降噪方法，其特征在于：步骤(1)中，将所述夜间视频图像数据进行锐化处理，所述锐化处理采用的是sobel锐化和prewitt锐化中的任意一种方法；
4.根据权利要求1所述的cis图像数据降噪方法，其特征在于：步骤(1)中所述滤波窗口的大小为3×3。
【专利技术属性】
技术研发人员：刘治业，许开驰，王志虎，
申请(专利权)人：柳州治业科技有限公司，
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。