The invention discloses an image denoising method based on depth learning, builds a neural network image denoising model, chooses training set and sets training parameters; according to the neural network image denoising model and training parameters, takes the least square difference function as loss function, and applies it in the model training process to form a neural network image denoising model of depth learning; and processes the neural network image denoising model to be processed. The image is input into the denoising model of the neural network image, and the denoised image is output. According to the distribution degree of noise, the corresponding weight is introduced into the network model. In order to prevent the gradient disappearing or gradient explosion, the residual learning process is introduced, and the features obtained through the convolution layer are normalized in the form of LN horizontal normalization to unify the distribution of data. The data are stored in the same range and the convergence speed of the network is accelerated. It can be widely used in image task processing of low-level vision such as Gauss noise, real image noise and super-resolution.
【技术实现步骤摘要】
基于深度学习的图像去噪方法、装置、设备和存储介质
本专利技术涉及模式识别与计算机视觉领域,尤其是一种基于深度学习的图像去噪方法、装置、设备和存储介质。
技术介绍
随着互联网迅速发展,图像处理已经被广泛应用到航空探索、大气监控、医疗诊病以及公安侦查等领域。其中图像去噪是图像处理问题的重要组成部分,它一般是通过y=x+v模型来复原图像,y是噪声图像,x是无噪声图像,v是噪声图像,从贝叶斯角度来看,先验是很重要对于图像去噪。例如:自适应方法和稀疏方法结合能很好地进行图像去噪和减少图像去噪的运算量,例如BM3D方法利用把2维图像转为3维数组和利用稀疏方法来处理3维数据的噪声,而增加梯度直方图方法也是处理图像去噪很有效的方法。虽然以上方法已经获得很好性能,但是它们需要手动调参来获得最优结果,同时它们需要用复杂的优化算法来提高去噪性能。深度学习技术因为GPU和较强的自学习能力已经成为图像去噪关键技术之一,同时也能解决上述方法不足,但是已有的深度学习方法在高斯噪声图像去噪的方面性能较好,但是这些方法对于真实的噪声图像是无效的,因此需要提出一种基于噪声权值的卷积神经网络的图像去噪方法是很有意义的。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本专利技术的目的是提供一种能够作用于真实噪声图像的基于深度学习的图像去噪方法、装置、设备和存储介质。本专利技术所采用的技术方案是:第一方面,本专利技术提供一种基于深度学习的图像去噪方法,包括步骤:搭建神经网络图像去噪模型,所述神经网络图像去噪模型由多个卷积层和多种激活函数构成;选取训练集,并设置所述神经 ...
【技术保护点】
1.一种基于深度学习的图像去噪方法,其特征在于,包括步骤:搭建神经网络图像去噪模型,所述神经网络图像去噪模型由多个卷积层和多种激活函数构成;选取训练集,并设置所述神经网络图像去噪模型的训练参数;根据所述神经网络图像去噪模型及其训练参数,以最小平方差函数作为损失函数并应用于所述神经网络图像去噪模型进行模型训练,形成深度学习的神经网络图像去噪模型;将待处理的图像输入到所述神经网络图像去噪模型,输出去噪后的无噪声图像;所述神经网络图像去噪模型的结构中包括一层去噪图像的权重层。
【技术特征摘要】
1.一种基于深度学习的图像去噪方法,其特征在于,包括步骤:搭建神经网络图像去噪模型,所述神经网络图像去噪模型由多个卷积层和多种激活函数构成;选取训练集,并设置所述神经网络图像去噪模型的训练参数;根据所述神经网络图像去噪模型及其训练参数,以最小平方差函数作为损失函数并应用于所述神经网络图像去噪模型进行模型训练,形成深度学习的神经网络图像去噪模型;将待处理的图像输入到所述神经网络图像去噪模型,输出去噪后的无噪声图像;所述神经网络图像去噪模型的结构中包括一层去噪图像的权重层。2.根据权利要求1所述的一种基于深度学习的图像去噪方法,其特征在于,还包括对所述待处理的图像进行预处理,所述预处理具体步骤为:扩充待处理图像样本;对所述扩充后的待处理图像样本进行重叠分块;所述扩充待处理图像样本具体为:将待处理图像样本缩小到原来的1/2、1/3和1/4,再利用双三次插值方法,将缩小的图像扩大到和原来图像一样的大小,将一幅待处理图像样本扩展成具有相关性的4副不同的图像样本。3.根据权利要求1所述的一种基于深度学习的图像去噪方法,其特征在于,所述神经网络图像去噪模型为19层网络,其中第2层至第16层采用LN横向规范化形式,所述LN具体是将经过卷积层得到特征进行归一化来统一数据的分布。4.根据权利要求3所述的一种基于深度学习的图像去噪方法,其特征在于,所述神经网络图像去噪模型中第17层为去噪图像的权重,所述权重即根据噪声的分布程度确定的相应的权重。5.根据权利要求3所述的一种基于深度学习的图像去噪方法,其特征在于,所述神经网络图像去噪模型中包括残差学习过程,具...
【专利技术属性】
技术研发人员:田春伟,徐勇,文杰,吴坚,刘川意,
申请(专利权)人:哈尔滨工业大学深圳,深圳云安宝科技有限公司,
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。