一种基于神经网络的图像去噪方法和系统技术方案

本发明专利技术公开了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。此外，还公开了一种基于神经网络的图像去噪系统。上述基于神经网络的图像去噪方法和系统能处理具有真实噪声信息的图像，具有现实的应用意义。

An image denoising method and system based on Neural Network

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，激活采用的激活函数为Sigmoid，卷积过滤器的大小为3×3。进一步地，利用RENOIR数据库训练第一神经网络模型，并把损失函数取得最小值时作为第一神经网络模型形成的标志。进一步地，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，激活采用的激活函数为Tanh。进一步地，第二神经网络模型的输入还包括噪声水平映射；其中，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。进一步地，在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的步骤之后，还包括：对待处理图像进行下采样得到子噪声图像；相应地，将子噪声图像和噪声水平映射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。本专利技术的目的是还提供一种基于神经网络的图像去噪系统，包括：图像获取模块，用于获取场景的高感光度图像和低感光度图像；第一模型生成及工作模块，用于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；第二模型生成模块，用于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；第二模型工作模块，用于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，激活采用的激活函数为Sigmoid，卷积过滤器的大小为3×3。进一步地，利用RENOIR数据库训练第一神经网络模型，并把损失函数取得最小值时作为第一神经网络模型形成的标志。进一步地，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，激活采用的激活函数为Tanh。进一步地，第二神经网络模型的输入还包括噪声水平映射；其中，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。进一步地，在第二模型生成模块之后，还包括：图像下采样模块，用于对待处理图像进行下采样得到子噪声图像；相应地，在第二模型工作模块中，第二神经网络模型的输入为子噪声图像和噪声水平映射。本专利技术的有益效果为：由上述技术方案可知，将捕获得到的低感光度图像经由第一神经网络模型作进一步的去噪处理后，可得到在理论值上更接近零噪声的干净图像，基于本技术方案的噪声图像和干净图像构成的训练图像数据库包含更准确的噪声信息。进而，利用上述训练图像数据库构建生成的第二神经网络模型对输入的待处理图像处理后能得到更高质量的干净图像。在进一步的技术方案中，使用第二神经网络模型对待处理图像进行去噪处理时，输入第二神经网络模型的同时包括待处理图像和用于表示不同范围内噪声及盲噪声的噪声水平映射，克服了现有技术中只能处理具有一定范围内噪声水平的待处理图像的缺陷，因而，本图像去噪方法和系统具有更高的普适性以及灵活性。附图说明下面结合附图对本专利技术的具体实施方式作进一步说明：图1是一个实施例中一种基于神经网络的图像去噪方法的流程示意图；图2是一个实施例中第一神经网络的结构示意图；图3是一个实施例中第二神经网络的结构示意图；图4是一个实施例中第二神经网络的工作示意图；图5是另一个实施例中一种基于神经网络的图像去噪方法的流程示意图；图6是一个实施例中一种基于神经网络的图像去噪系统的结构示意图。具体实施方式需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。鉴于此，特提出一种基于神经网络的图像去噪方法，参见图1是一个实施例中一种基于神经网络的图像去噪方法的流程示意图，包括：S110、获取场景的高感光度图像和低感光度图像。更改相机设置，用不同感光度ISO和曝光时间捕获同一场景得到两幅分辨率和亮度不同的图像，分别为高感光度图像和低感光度图像。感光度是胶片对光线的化学反应速度，在胶片时代，指的就是胶片对光的敏感程度。对于不同感光度的图像，感光度值越大，经处理后含有的粗微粒越多，即图像中含有的噪声较多，称为高噪声图像；相应地，感光度值越小，经处理后含有的粗微粒越少，即图像中含有的噪声较少，称为低噪声图像。再对若干不同场景执行相同上述操作得到不同场景的高感光度图像和低感光度图像。S130、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。捕获的图像包括高感光度图像和低感光度图像，若将高感光度图像视为噪声图像，相应地，低感光度图像可视为干净图像。但由于现实环境中不同背景、灯光都会影响图像捕获的效果，直接捕获得到的低感光度图像仍含有部分噪声，不能视为真正的干净图像。在本步骤中，还包括对每个场景的低感光度图像作进一步的去噪处理。具体地，将低感光度图本文档来自技高网...

【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