一种基于卷积对神经网络的图像去噪方法技术

本发明专利技术公开了一种基于卷积对神经网络的图像去噪方法，包括以下步骤：搭建卷积对神经网络模型，所述卷积对神经网络模型包括多个卷积对和相应的激活层；选取训练集，并设置所述卷积对神经网络模型的训练参数；根据所述卷积对神经网络模型及其训练参数，以最小化损失函数为目标训练所述卷积对神经网络模型形成图像去噪神经网络模型；将待处理的图像输入到所述图像去噪神经网络模型，输出去噪后的图像。本发明专利技术公开的基于卷积对神经网络的图像去噪方法，极大地增强神经网络的学习能力，建立起噪声图像到干净图像的准确映射，可以实现实时去噪。

【技术实现步骤摘要】

本专利技术涉及计算机视觉与数字图像处理领域，尤其涉及一种基于卷积对神经网络的图像去噪方法。
技术介绍
图像去噪，是计算机视觉和图像处理的一个经典且根本的问题，是解决很多相关问题的预处理必备过程，它的目的是从有噪声的图像y中恢复潜在的干净的图像x，该过程可表示为：y＝x+n，其中，n通常被认为是加性高斯白噪声(AdditiveWhiteGaussian,AWG)，这是一个典型的病态的线性的逆问题。为了解决这个问题，早期的很多方法都是通过局部滤波来解决的，譬如高斯滤波、中值滤波、双边滤波等，这些局部滤波方法既没有在全局范围内滤波，也没有考虑到自然图像块与块之间的联系性，因此获得的去噪效果不尽人意。随着非局部自相似(NonlocalSelf-Similarity,NSS)概念的提出，更多的有效的去噪方法被提出。其中最早且最有影响力的方法是非局部均值(NonlocalMeans,NLM)去噪算法，它的主要思想是在一个全局范围内滑动的搜索框里寻找NSS块，通过欧氏距离来估计块与块之间的相关性，并用权重来表示，则图像块的每个像素值通过权重平均来计算。之后，将NSS引入变换域中，诞生了另外一个重要的方法叫三维块匹配(Block-matchingand3Dfiltering,BM3D)算法，先是建立一个3D的立方的NSS图像块，然后在稀疏的3D变换域中对图像块进行协同滤波。除了在变换域中建模，另外一种常用的去噪方法是求解低秩矩阵，其中有代表性的方法是加权核范数最小化(WeightedNuclearNormMinimize,WNNM)，它是利用NSS噪声图像块来求解决定核范数的权重，进而通过奇异值分解等步骤获得潜在的低秩矩阵，即为去噪后的干净图像。然而，低秩的过程并不能完全去除噪声，所以去噪效果并没有那么好；另外时间复杂度很高，并不适合实际需要实时去噪的场合。
技术实现思路
为解决上述技术问题，本专利技术公开了一种基于卷积对神经网络的图像去噪方法，极大地增强神经网络的学习能力，建立起噪声图像到干净图像的准确映射，可以实现实时去噪。为实现上述目的，本专利技术采用以下技术方案：本专利技术公开了一种基于卷积对神经网络的图像去噪方法，包括以下步骤：S1：搭建卷积对神经网络模型，所述卷积对神经网络模型包括多个卷积对和相应的激活层；S2：选取训练集，并设置所述卷积对神经网络模型的训练参数；S3：根据所述卷积对神经网络模型及其训练参数，以最小化损失函数为目标训练所述卷积对神经网络模型形成图像去噪神经网络模型；S4：将待处理的图像输入到所述图像去噪神经网络模型，输出去噪后的图像。优选地，步骤S1中的所述卷积对是由一个卷积核大于1×1的卷积层和一个卷积核为1×1的卷积层组成。优选地，卷积核大于1×1的卷积层的卷积核大小为3×3、5×5、7×7、9×9或11×11。优选地，步骤S1中搭建的所述卷积对神经网络模型中在多个所述卷积对后还添加一个1×1的卷积层和相应的激活层。优选地，所述卷积对神经网络模型包括3个卷积对和一个1×1的卷积层、以及每个卷积层后相应的激活层，其中3个卷积对中的第一个卷积对由卷积核大小分别为11×11和1×1的两层卷积层组成，第二个卷积对和第三个卷积对均由卷积核大小分别为5×5和1×1的两层卷积层组成。优选地，所述训练集包括多张噪声图像和相应的干净图像，步骤S2还包括：将所述噪声图像分割成38×38的噪声图像块，将所述干净图像分割成20×20的干净图像块。优选地，步骤S3中的损失函数L(θ)为均方误差函数：其中，MSE为均方误差，Xi、Yi分别为选取的所述训练集中的图像的噪声图像块和干净图像块，θ表示权重；n表示图像块的个数；F函数表示训练出的噪声图像到干净图像的映射。优选地，步骤S3中在训练所述卷积对神经网络模型过程中，所述卷积对神经网络模型的权重的初始值由高斯随机函数生成，最小化损失函数采用Adam优化方法。优选地，步骤S3中的所述图像去噪神经网络模型是根据最小化损失函数获得的卷积层的权重来建立的。优选地，步骤S2中所述训练集中选取包含多种噪声方差的多张图像，步骤S3中对多种噪声方差的多张图像分别训练所述卷积对神经网络模型形成多种对应的噪声方差下的所述图像去噪神经网络模型，步骤S4中将待处理的图像输入到相应的噪声方差下的所述图像去噪神经网络模型，输出去噪后的图像。与现有技术相比，本专利技术的有益效果在于：本专利技术的图像去噪方法基于深度网络的学习，通过引入卷积对，极大地增强神经网络的学习能力，建立起噪声图像到干净图像的准确映射，可以实现实时去噪；将图像去噪过程分为模型训练过程和去噪过程，能够显著提高图像去噪的峰值信噪比(PSNR)和视觉效果，减少去噪时间，应用在图像处理方面的预处理过程和独立的图像去噪领域，能有效地提升图像去噪的效率和质量。在进一步的方案中，本专利技术搭建的卷积对神经网络模型中的卷积对选用合适大小的卷积核的卷积层，使得不需要引入池化层就能够便于训练并有足够的能力获得很好的去噪效果，从而避免因为引入池化层使得参数减少而导致的模型不精确、效果变差等问题。在更进一步的方案中，本专利技术针对多种不同的噪声方差训练卷积对神经网络模型形成对应的噪声方差下的图像去噪神经网络模型，并通过与待处理的图像相对应的噪声方差下的图像去噪神经网络模型对待处理的图像进行去噪，去噪速度快。附图说明图1是本专利技术优选实施例的基于卷积对神经网络的图像去噪方法的流程图；图2是本专利技术优选实施例的卷积对神经网络模型的内部构造示意图。具体实施方式下面对照附图并结合优选的实施方式对本专利技术作进一步说明。本专利技术的基于卷积对神经网络的图像去噪方法，通过引入卷积对的神经网络，引入卷积层和激活层，借助卷积层的学习能力和激活层的筛选能力获取好的特征，极大地增强神经网络的学习能力，准确地学习出从噪声图像到干净图像的映射以建立起输入到输出的映射，从而能够通过学习到的映射进行干净图像的预测和估计。如图1所示，本专利技术的优选实施例的基于卷积对神经网络的图像去噪方法，包括以下步骤：S1：搭建卷积对神经网络模型，所述卷积对神经网络模型包括多个卷积对和相应的激活层；如图2所示，本专利技术优选实施例的卷积对神经网络模型包括3个卷积对、1个1×1的卷积层和每个卷积层后的激活层；每个卷积对可以由一个大于1×1的卷积层(卷积核的大小可以是3×3、5×5、7×7、9×9或11×11)和一个1×1的卷积层组成，在本实施例中，第一个卷积对由卷积核大小分别为11×11和1×1的两层卷积层组成，第二个和第三个卷积对都是由卷积核大小分别为5×5和1×1的两层卷积层组成。其中卷积核大小为11×11和5×5的卷积层有很好的提取特征的效果，参数不多使得计算量不大，方便实现；卷积核大小为1×1的卷积层在网络的最后可以增强提取的有效特征，从而增加网络的训练参数能力。其中，本实施例中每个卷积层后的激活层选用双曲正切函数(tanh函数)。通过本专利技术优选实施例中建立的卷积对神经网络模型中选取的卷积层的总层数和卷积核大小，在保证神经网络的能力的基础上，避免了在训练过程中出现梯度爆炸、过拟合和计算复杂度等问题；使得在训练本专利技术优选实施例中的卷积对神经网络模型时，不需引入池化层，就能够便于训练并有足够的能力获得很好的去噪本文档来自技高网...

【技术保护点】
一种基于卷积对神经网络的图像去噪方法，其特征在于，包括以下步骤：S1：搭建卷积对神经网络模型，所述卷积对神经网络模型包括多个卷积对和相应的激活层；S2：选取训练集，并设置所述卷积对神经网络模型的训练参数；S3：根据所述卷积对神经网络模型及其训练参数，以最小化损失函数为目标训练所述卷积对神经网络模型形成图像去噪神经网络模型；S4：将待处理的图像输入到所述图像去噪神经网络模型，输出去噪后的图像。

【技术特征摘要】
1.一种基于卷积对神经网络的图像去噪方法，其特征在于，包括以下步骤：S1：搭建卷积对神经网络模型，所述卷积对神经网络模型包括多个卷积对和相应的激活层；S2：选取训练集，并设置所述卷积对神经网络模型的训练参数；S3：根据所述卷积对神经网络模型及其训练参数，以最小化损失函数为目标训练所述卷积对神经网络模型形成图像去噪神经网络模型；S4：将待处理的图像输入到所述图像去噪神经网络模型，输出去噪后的图像。2.根据权利要求1所述的图像去噪方法，其特征在于，步骤S1中的所述卷积对是由一个卷积核大于1×1的卷积层和一个卷积核为1×1的卷积层组成。3.根据权利要求2所述的图像去噪方法，其特征在于，卷积核大于1×1的卷积层的卷积核大小为3×3、5×5、7×7、9×9或11×11。4.根据权利要求1至3任一项所述的图像去噪方法，其特征在于，步骤S1中搭建的所述卷积对神经网络模型中在多个所述卷积对后还添加一个1×1的卷积层和相应的激活层。5.根据权利要求4所述的图像去噪方法，其特征在于，所述卷积对神经网络模型包括3个卷积对和一个1×1的卷积层、以及每个卷积层后相应的激活层，其中3个卷积对中的第一个卷积对由卷积核大小分别为11×11和1×1的两层卷积层组成，第二个卷积对和第三个卷积对均由卷积核大小分别为5×5和1×1的两层卷积层组成。6.根据权利要求5所述的图像去噪方法，其特...

【专利技术属性】
技术研发人员：张永兵，孙露露，王好谦，王兴政，李莉华，戴琼海，
申请(专利权)人：深圳市未来媒体技术研究院，清华大学深圳研究生院，
类型：发明
国别省市：广东;44