基于深度神经网络的乘性噪声去除方法技术

本发明专利技术提出了一种基于深度神经网络的乘性噪声去除方法，主要解决现有技术去除图像乘性噪声时峰值信噪比低和速度慢的问题。其技术关键是通过训练深度神经网络来拟合含噪图像和灰度图像之间的非线性映射关系，用于乘性噪声的去除，包括：获取灰度图像集

A multiplicative noise removal method based on deep neural network

The present invention proposes a method of multiplicative noise removal based on deep neural network, which mainly solves the problem of low peak signal to noise ratio and slow speed when the existing technology removes image multiplicative noise. The key of technology is to fit the nonlinear mapping relationship between noisy and gray images by training deep neural network, which is used for removing multiplicative noise, including obtaining grayscale image set.

【技术实现步骤摘要】
基于深度神经网络的乘性噪声去除方法
本专利技术属于图像处理
，涉及一种图像的乘性噪声去除方法，具体涉及一种基于深度神经网络的乘性噪声去除方法，可应用于图像分类、目标识别、边缘检测等对图像进行去噪预处理的场合。
技术介绍
人类获取外部世界信息的80％来源于视觉，随着图像数字化和图像设备的普及，以及计算机技术的快速发展，数字图像也就成为了主要的信息载体，成为了很多科学领域的信息来源。但是在图像采集获取的过程中，由于各方面的原因使得噪声被引入进来，对图像的质量和视觉效果都存在一定的影响。按噪声与图像信号的干扰关系，噪声分为加性噪声和乘性噪声。加性噪声是与图像信号强度不相关的噪声，如运算放大器带来的噪声，这类含噪图像可看成为理想无噪声图像与噪声之和；乘性嗓声是与图像信号强度相关的噪声，是受图像信息本身调制的，如飞点扫描图像中的嗓声。由于乘性噪声在核磁共振、遥感、合成孔径雷达等成像领域广泛存在，提高去噪图像的质量，能进一步提高图像分类、目标识别、边缘检测等处理的准确性，因此，去除乘性噪声在遥感、军事、农业、医学等领域都被证明有着巨大的应用价值。随着国内外研究人员对乘性噪声去除方法的不断研本文档来自技高网...

【技术保护点】
一种基于深度神经网络的乘性噪声去除方法，其特征在于，包括如下步骤：(1)获取灰度图像集

【技术特征摘要】
1.一种基于深度神经网络的乘性噪声去除方法，其特征在于，包括如下步骤：(1)获取灰度图像集和含噪图像集对于给定的包含N幅干净灰度图像的灰度图像集，将其备份存储作为灰度图像集并利用乘性噪声加噪方法，对灰度图像集进行加噪，得到含噪图像集其中，Xi∈RL表示第i幅灰度图像，Yi∈RL表示第i幅含噪图像，且1≤i≤N，N表示灰度图像集和含噪图像集中图像的数量，L表示灰度图像和含噪图像的像素个数，RL表示含有L个像素点的图像域；(2)构建深度神经网络模型：确定深度神经网络输入层节点数、输出层节点数、隐藏层数、隐藏层节点数、学习速率η、激活函数f(z)和初始化各层的权值W(t)及偏置b(t)，其中，t表示深度神经网络的层数标号，且t＝1,2,···,n-1，n表示深度神经网络的总层数；(3)训练深度神经网络模型：利用灰度图像集和含噪图像集对深度神经网络模型各层的权值W(t)及偏置b(t)进行训练，得到训练好的深度神经网络模型：(3a)从含噪图像集中随机选取一个含噪图像yi作为输入训练样本，同时从灰度图像集中对应选取一个灰度图像xi作为输出训练样本；(3b)计算深度神经网络各层的激活值：将输入训练样本输入到深度神经网络模型中，采用前向传播方法，计算深度神经网络各层的激活值，其中：第1层的激活值为：a(1)＝yi，第t'＝2,3,···,n层的激活值为：a(t')＝f(W(t'-1)a(t'-1)+b(t'-1))，其中，t'表示深度神经网络的层标号，f(·)表示Sigmoid激活函数，W(t'-1)和b(t'-1)分别表示第t'-1层的权值和偏置，a(t')表示第t'层的激活值，a(t'-1)表示第t'-1层的激活值；(3c)计算深度神经网络各层的学习误差：将输出训练样本输入到深度神经网络模型中，采用误差反向传播方法，计算深度神经网络各层的学习误差，其中：第n层的学习误差为：δ(n)＝xi-a(n)，第t”＝n-1,n-2,···,2层的学习误差为：δ(t”)＝((W(t”))Tδ(t”+1)).*f'(W(t...

【专利技术属性】
技术研发人员：董伟生，王佩瑶，袁明，石光明，赵光辉，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61