The invention discloses an image denoising method based on neural network, including: obtaining the high photometric image and low photometric image of the scene, generating the first neural network model, and using the first neural network model to denoise the low photometric image, and get the low photometric image after the denoising; the high photometric map is made. The image database is formed by image and de-noising low photometric image, and the training image database is used to train the neural network model to generate the second neural network model for image denoising, and the image is treated as the input of the second neural network model, and the corresponding clean image is obtained after processing. In addition, an image denoising system based on neural network is also disclosed. The above neural network based image denoising method and system can process images with real noise information, which has practical application significance.
【技术实现步骤摘要】
一种基于神经网络的图像去噪方法和系统
本专利技术涉及数学图像处理与模式识别领域,尤其涉及一种基于神经网络的图像去噪方法和系统。
技术介绍
使用模式识别的方法对噪声图像进行过滤处理后得到噪声图像对应的噪声,再利用图像像素点对应关系,从噪声图像中分离出对应的噪声即可得到对应的干净图像。在传统的图像去噪声处理中,包括CNN(ConvolutionNeuralNetwork卷积神经网络)在内的模式识别方法具有重要应用,但用于构建这些卷积神经网络的训练图像数据库多为包含人造噪声的图像数据库,因而只能处理人工合成的噪声,对实际噪声图像几乎没有效果。考虑到现实生活中的噪声是多边的,而非传统高斯噪声或泊松噪声,现有技术中也提出了一种图像去噪声方法,将对真实场景直接捕获得到的图像作为训练图像数据库。虽然利用上述训练图像数据库构建的卷积神经网络在图像去噪处理时可以对实际噪声进行处理,但在实际应用中,经处理后得到的干净图像仍不具有高质量特性。可见,现有技术的图像去噪声方法不能达到良好的去噪效果。
技术实现思路
为了解决上述技术问题,本专利技术的目的是提供一种基于神经网络的图像去噪方法,包括:获取场景的高感光度图像和低感光度图像;生成第一神经网络模型,并利用第一神经网络模型对低感光度图像进行去噪处理,得到去噪后的低感光度图像;将高感光度图像和去噪后的低感光度图像构成训练图像数据库,并利用训练图像数据库训练神经网络模型,生成用于图像去噪的第二神经网络模型;将待处理图像作为第二神经网络模型的输入,经处理后得到对应的干净图像。进一步地,第一神经网络模型包括20个处理层,其中:第1~17处理 ...
【技术保护点】
1.一种基于神经网络的图像去噪方法,其特征在于,包括:获取场景的高感光度图像和低感光度图像;生成第一神经网络模型,并利用所述第一神经网络模型对所述低感光度图像进行去噪处理,得到去噪后的低感光度图像;将所述高感光度图像和所述去噪后的低感光度图像构成训练图像数据库,并利用所述训练图像数据库训练神经网络模型,生成用于图像去噪的第二神经网络模型;将待处理图像作为所述第二神经网络模型的输入,经处理后得到对应的干净图像。
【技术特征摘要】
1.一种基于神经网络的图像去噪方法,其特征在于,包括:获取场景的高感光度图像和低感光度图像;生成第一神经网络模型,并利用所述第一神经网络模型对所述低感光度图像进行去噪处理,得到去噪后的低感光度图像;将所述高感光度图像和所述去噪后的低感光度图像构成训练图像数据库,并利用所述训练图像数据库训练神经网络模型,生成用于图像去噪的第二神经网络模型;将待处理图像作为所述第二神经网络模型的输入,经处理后得到对应的干净图像。2.根据权利要求1所述的图像去噪方法,其特征在于,所述第一神经网络模型包括20个处理层,其中:第1~17处理层每层的操作包括卷积、BN和激活,第18处理层的操作包括卷积和激活,第19处理层的操作包括卷积、BN和激活,第20处理层的操作为卷积;其中,所述激活采用的激活函数为Sigmoid,卷积过滤器的大小为3×3。3.根据权利要求2所述的图像去噪方法,其特征在于,利用RENOIR数据库训练所述第一神经网络模型,并把损失函数取得最小值时作为所述第一神经网络模型形成的标志。4.根据权利要求1所述的图像去噪方法,其特征在于,所述第二神经网络模型包括25个处理层,其中:第1、2处理层每层的操作包括卷积和激活,第3~22处理层每层的操作包括卷积、BN和激活,第23、24处理层每层的操作包括卷积和激活,第25处理层的操作为卷积;其中,所述激活采用的激活函数为Tanh。5.根据权利要求1所述的图像去噪方法,其特征在于,所述第二神经网络模型的输入还包括噪声水平映射;其中,所述噪声水平映射的计算公式为:x'为噪声,y为待处理图像,x为待处理图像对应的干净图像,l为噪声水平映射,λ为参数,为与图像先验相关的正则项。6.根据权利要求5所述的图像去噪方法,其特征在于,在所述将所述高感光度图像和所述去噪后的低感光度图像构成训练图像数据库,并利用所述训练图像数据库训练神经网络模型,生成用于图像去噪的第二神经网络模型的步骤之后,还包括:对所述待处理图像进行下采样得到子噪声图像;相应地,将所述子噪声图像和所述噪声水平映射作为所述第二神经网络模型的输入,经处理后得到对应的...
【专利技术属性】
技术研发人员:田春伟,徐勇,
申请(专利权)人:哈尔滨工业大学深圳研究生院,
类型:发明
国别省市:广东,44
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。