基于空洞卷积及自动编解码神经网络的灰度图像降噪方法技术

本发明专利技术公开了一种基于空洞卷积及自动编解码神经网络的灰度图像降噪方法，包括以下步骤：将清晰图像和与清晰图像对应的噪声图像作为一个训练样本，以此构建训练集；构建图像降噪模型，该图像降噪模型包括用于对噪声图像进行特征编码的图像特征编码单元、用于对图像特征编码单元输出的编码特征图进行解码的图像特征解码单元，其中，图像特征编码单元包括特征提取模块和10个编码模块，图像解码单元包括10个解码模块和图像复原模块；利用训练集训练构建的图像降噪模型，获得训练好的图像降噪模型；应用时，将噪声图像输入至训练好的图像降噪模型，经计算输出降噪图像。该灰度图像降噪方法能够快速地去除图像的噪声，提升图像的视觉效果。

Gray Image Denoising Method Based on Hollow Convolution and Automatic Coding and Decoding Neural Network

The invention discloses a gray image denoising method based on hollow convolution and automatic coding and decoding neural network, which includes the following steps: taking clear image and noise image corresponding to clear image as a training sample to construct training set; constructing image denoising model, which includes image feature coding unit for feature coding of noise image The image feature decoding unit for decoding the coded feature map output from the image feature encoding unit includes feature extraction module and 10 encoding module, and the image decoding unit includes 10 decoding module and image restoration module. The training set is used to train the image denoising model to obtain the trained image denoising model. The noise image is input into the trained image denoising model, and the denoising image is calculated and output. The gray image denoising method can quickly remove the noise of the image and improve the visual effect of the image.

【技术实现步骤摘要】
基于空洞卷积及自动编解码神经网络的灰度图像降噪方法
本专利技术属于图像信号处理领域，具体涉及一种基于空洞卷积及自动编解码神经网络的灰度图像降噪方法。
技术介绍
图像是人们获取信息极其重要的来源。在如今的信息时代，随着数码设备的普及，数字图像已成为人们获取信息的重要手段，深入到生产和生活的方方面面，取得了巨大的社会和经济效益。近年来图像处理技术与机器学习、机器视觉等研究领域的结合，更是产生了前所未有的新发展和突破。然而在图像获取、处理、压缩、传输、存储及复制的过程中，不可避免会引入噪声，从而降低图像质量。图像去噪的主要目标是滤除其中的随机噪声，并尽可能地保留图像细节信息。随着科技的发展，图像处理中各个流程对图像质量的要求也不断提高。因此，研究图像去噪算法是十分必要和重要的。图像去噪涉及光学系统、微电子技术、计算机科学、数学分析等诸多领域，是一门综合性极强的基础学科，且在图像处理领域有着极其重要的地位。研究人员提出了大量地去噪算法来消除图中的噪声，并将这个过程称为图像平滑或图像滤波。根据采用的滤波方法，图像滤波可以分为两类：一种称之为线性滤波，是一种最简单的去除图像噪声方式；一种利用原始信号与噪声信号特有的统计特性进行去噪，被称之为非线性滤波。同时，根据滤波存在的信号域，图像去噪可以分为两类：一类为空间域方法，其主要在图像空间域对像素点进行处理；另一类为变换域方法，其在变换域对图像系数进行修正处理，然后经过逆变换得到最终处理后的空域图像。随着现代处理器计算能力和深度学习理论的高速发展，基于神经网络的图像降噪方法作为一种新型的图像去噪方法，已成为热点。与传统滤波器(高斯滤波器、中值滤波器)去噪相比，基于神经网络的图像降噪具有图像更清晰、时间更短等优点。同时，由于神经网络模型本身的可拓展性极强，基于神经网络的去噪方法可以囊括基本所有传统方法的优点：其既可以结合空域与变换域，同时也体现了线性滤波和非线性滤波。尽管深度神经网络方法可以取得更好的效果，但这类方法仍需占用较大的内存和极大的计算资源，难以在实际生活生产过程中运用。因此，如何更高效更简洁地通过构建训练神经网络实现去噪的方法，具有重要的工程实用价值和理论指导意义。
技术实现思路
本专利技术的目的是提供一种基于空洞卷积及自动编解码神经网络的灰度图像降噪方法，该方法能够快速去除图像的噪声，提升图像的视觉效果。为实现上述专利技术目的，本专利技术提供以下技术方案：一种基于空洞卷积及自动编解码神经网络的灰度图像降噪方法，包括以下步骤：将清晰图像和与清晰图像对应的噪声图像作为一个训练样本，以此构建训练集；构建图像降噪模型，该图像降噪模型包括用于对噪声图像进行特征编码的图像特征编码单元、用于对图像特征编码单元输出的编码特征图进行解码的图像特征解码单元，其中，图像特征编码单元包括特征提取模块和10个编码模块，图像解码单元包括10个解码模块和图像复原模块；利用训练集训练构建的图像降噪模型，获得训练好的图像降噪模型；应用时，将噪声图像输入至训练好的图像降噪模型，经计算输出降噪图像。该灰度图像降噪方法具有的有益效果为：本专利技术中图像降噪模型的结构非常简洁，训练好后，参数占用的字节很少，只有0.5M，适用于一些非嵌入型小系统，再者，该灰度图像降噪方法能够快速地去除图像的噪声，提升图像的视觉效果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。图1是实施例提供的图像降噪模型的结构示意图；图2是图1中编码模块的结构示意图；图3是图2中解码模块的结构示意图；图4是实施例提供的构建和训练图像降噪模型的流程图；图5是实施例提供的利用图像降噪模型进行图像降噪的流程图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不限定本专利技术的保护范围。为了实现对图像去噪，本实施例提供一种基于空洞卷积及自动编解码神经网络的灰度图像降噪方法，具体包括图像降噪模型构建和利用该图像降噪模型对噪声图像去噪两个部分。构建图像降噪模型，如图4所示，包括以下过程：首先准备训练集，即采用固定的噪声等级对清晰图像加上高斯噪声，得到与清晰图像对应的噪声图像，并将清晰图像和与清晰图像对应的噪声图像作为一个训练样本，以此构建训练集。为了适应图像降噪模型的输入图像尺寸，采用相同随机步长将清晰图像和与清晰图像对应的噪声图像分割成若干组图像块，以每组图像块作为一个训练样本。具体地，可以将清晰图像和与清晰图像对应的噪声图像分割成40×40的图像块。然后搭建图像降噪模型，该模型由空洞卷积、自动编解码神经网络组成，如图1所示，具体包括用于对噪声图像进行特征编码的图像特征编码单元和用于对图像特征编码单元输出的编码特征图进行解码的图像特征解码单元。其中，图像特征编码单元包括特征提取模块F1和编码模块E1、编码模块E2、…、编码模块E10，具体地，如图2所示，每个特征提取模块包括卷积核大小为3×3、卷积核个数为64的卷积层和激活层；编码模块包括依次连接的降维子模块、特征提取子模块以及的升维子模块，其中，降维子模块和升维子模块均包括一个卷积核为1×1、卷积核个数为32的卷积层CONV，连接卷积层输出的归一化层BN，连接归一化层输出的激活层RELU；特征提取子模块包括一个卷积核为1×1、卷积核个数为32、采用膨胀率为2空洞卷积的卷积层CONV，连接卷积层输出的归一化层BN，连接归一化层输出的激活层RELU。图像特征解码单元包括解码模块D1、解码模块D2、…、解码模块D10以及图像复原模块R1。具体地，如图3所示，每个解码模块包括依次连接的降维子模块、特征提取子模块以及的升维子模块，其中，降维子模块和升维子模块均包括一个卷积核为1×1、卷积核个数为32的反卷积层DECONV，连接反卷积层输出的归一化层BN，连接归一化层输出的激活层；特征提取子模块包括一个卷积核为1×1、卷积核个数为32、采用膨胀率为2空洞卷积的反卷积层DECONV，连接反卷积层输出的归一化层BN，连接归一化层输出的激活层RELU；图像复原模块包括一个卷积核大小为3×3、卷积核个数为64的卷积层。具体地，激活层的激活函数均采用ReLU函数。训练时，利用训练集训练构建的图像降噪模型，获得训练好的图像降噪模型，即训练过程中，失真图像依次经过图像特征编码单元和图像特征解码单元处理后，根据清晰图像计算每个损失计算单元的损失，并对每个损失进行加权叠加得到最终损失，然后利用最终损失反向传播更新网络权重参数。本实施例中，训练集为400张取自BSD500数据集的灰度图片，即对400张图片按照10的固定间隔步长切分成40×40的图像块，总计可以得到238400个图像块，作为训练集。在训练图像降噪模型时，输入层大小为40×40；在进行图像复原操作时，输入层大小为图像的实际尺寸。训练时采用的损失函数为L2损失函数，采用的训练优化器为Adam优化器，初始学习率设置为0.0001。每批次训练数据包括6本文档来自技高网...

【技术保护点】
1.一种基于空洞卷积及自动编解码神经网络的灰度图像降噪方法，包括以下步骤：将清晰图像和与清晰图像对应的噪声图像作为一个训练样本，以此构建训练集；构建图像降噪模型，该图像降噪模型包括用于对噪声图像进行特征编码的图像特征编码单元、用于对图像特征编码单元输出的编码特征图进行解码的图像特征解码单元，其中，图像特征编码单元包括特征提取模块和10个编码模块，图像解码单元包括10个解码模块和图像复原模块；利用训练集训练构建的图像降噪模型，获得训练好的图像降噪模型；应用时，将噪声图像输入至训练好的图像降噪模型，经计算输出降噪图像。

【技术特征摘要】
1.一种基于空洞卷积及自动编解码神经网络的灰度图像降噪方法，包括以下步骤：将清晰图像和与清晰图像对应的噪声图像作为一个训练样本，以此构建训练集；构建图像降噪模型，该图像降噪模型包括用于对噪声图像进行特征编码的图像特征编码单元、用于对图像特征编码单元输出的编码特征图进行解码的图像特征解码单元，其中，图像特征编码单元包括特征提取模块和10个编码模块，图像解码单元包括10个解码模块和图像复原模块；利用训练集训练构建的图像降噪模型，获得训练好的图像降噪模型；应用时，将噪声图像输入至训练好的图像降噪模型，经计算输出降噪图像。2.如权利要求1所述的基于空洞卷积及自动编解码神经网络的灰度图像降噪方法，其特征在于：采用固定的噪声等级对清晰图像加上高斯噪声，得到与清晰图像对应的噪声图像。3.如权利要求1所述的基于空洞卷积及自动编解码神经网络的灰度图像降噪方法，其特征在于：采用相同随机步长将清晰图像和与清晰图像对应的噪声图像分割成若干组图像块，以每组图像块作为一个训练样本。4.如权利要求3所述的基于空洞卷积及自动编解码神经网络的灰度图像降噪方法，其特征在于：将清晰图像和与清晰图像对应的噪声图像分割成40×40的图像块。5.如权利要求1所述的基于空洞卷积及自动编解码神经网络的灰度图像降噪方法，其特征在于：特征提取模块包括卷积核大小为3×3、卷积核个数为64的卷积层和激活层；编码模块包括依次连接的降维子模块...

【专利技术属性】
技术研发人员：陈耀武，李圣昱，周凡，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33