一种基于卷积神经网络自压缩的图像降噪方法及系统技术方案

本发明专利技术公开了一种基于卷积神经网络自压缩的图像降噪方法及系统，其中，所述图像降噪方法包括：将待降噪图像输入第一神经网络模型中；采用所述第一神经网络模型中的卷积层对所述待降噪图像进行神经网络隐式信息提取处理，获取待降噪图像的图像轮廓信息；采用所述第一神经网络模型中的降维采样层对所述轮廓图像信息进行降维采样处理，最后输出底层输出图像；将所述底层输出图像输入第二神经网络模型中；在所述第二神经网络模型中对所述底层输出图像进行图像升采样处理，并在所述图像升采样处理过程中同时采用最相邻像素点进行插值处理，输出复原降噪图像；将最后输出的复原降噪图像作为降噪图像。在本发明专利技术实施例中，可以保证图像降噪质量和高效性。

A method and system for image denoising based on self compression of convolution neural network

The invention discloses a system and a method of image denoising and compression based on self convolution neural network which includes the image denoising method to denoise image input: the first neural network model; the first layer of the convolution neural network model on the denoising image extraction processing neural network implicit information the outline of the image information to be obtained, the image denoising using dimensionality reduction; the first neural network model of sampling layer of the contour image information to reduce the dimensions of sample processing, the final output of the underlying output image; the image input second output of the underlying neural network model; in the second model of neural network the underlying output image up sampling processing, and up sampling process while using the adjacent pixel interpolation in the image transmission The restoration and de-noised image is restored, and the last restored denoising image is used as the denoising image. In the embodiment of the invention, the quality and efficiency of the image denoising can be guaranteed.

【技术实现步骤摘要】
一种基于卷积神经网络自压缩的图像降噪方法及系统
本专利技术涉及图像处理
，尤其涉及一种基于卷积神经网络自压缩的图像降噪方法及系统。
技术介绍
当今社会，由于计算机视觉的研发越发流行，各种的图像处理的算法如图像识别、图像分类的需求也急剧上升。但是作为计算机图像处理的输入，一副图像的好坏很大程度上会影响后期的算法运算。而一副图像的好坏是由其图像上存在的噪音点说导致的，因此如何将图像上的噪音点进行降低甚至进行消除成为了一个非常热门的课题但是现存的图像去噪或降噪技术并非十分完美，算法复杂度，有效性，耗时都仍然处于一个急需优化的水平。极大的图像需求量需要更完善更丰富的技术支持才能得以填补，但是当前的技术模型却无法在短时间内完成大规模的图像降噪，更无法科学合理的将图像上的噪音点较高质量的去除，从而无法满足计算机视觉后序算法处理识别的功能。因此，在这种情况下，希望有一种技术，能在短时间内高效合理的将图像上的噪音点去除，并在多种噪音的存在下都能保持较高的鲁棒性，从而克服上述的问题。
技术实现思路
本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于卷积神经网络自压缩的图像降噪方法及系统，可以保证图像降噪质量和高效性。为了解决上述技术问题，本专利技术实施例提供了一种基于卷积神经网络自压缩的图像降噪方法，其特征在于，所述图像降噪方法包括：将待降噪图像输入第一神经网络模型中；采用所述第一神经网络模型中的卷积层对所述待降噪图像进行神经网络隐式信息提取处理，获取待降噪图像的图像轮廓信息；采用所述第一神经网络模型中的降维采样层对所述轮廓图像信息进行降维采样处理，判断降维采样处理后输出的图像轮廓信息是否为底层输出图像，若否，则返回上一步骤，若是，则进行下一步骤；将所述底层输出图像输入第二神经网络模型中；在所述第二神经网络模型中对所述底层输出图像进行图像升采样处理，并在所述图像升采样处理过程中同时采用最相邻像素点进行插值处理，输出复原降噪图像；判断所述复原降噪图像是否恢复至原图像大小，若否，则返回上一步，若是，则将所述复原降噪图像作为降噪图像。优选地，所述第一神经网络模型为21层的神经网络层次架构，其中所述21层的神经网络层次架构分别由16个卷积层和5个降维采样层组成。优选地，所述采用所述第一神经网络模型中的卷积层对所述待降噪图像进行神经网络隐式信息提取处理，包括：采用所述第一神经网络模型中的卷积层对所述待降噪图像进行图像基本信息的神经网络隐式信息提取处理，获取待降噪图像的图像轮廓信息；所述图像基本信息包括待降噪图像的高度信息、待降噪图像的宽度信息、待降噪图像的元素内容信息；所述图像轮廓信息包括待降噪图像的边框轮廓信息、待降噪图像的元素内容轮廓信息。优选地，所述采用所述第一神经网络模型中的降维采样层对所述轮廓图像信息进行降维采样处理，包括：将所述第一神经网络模型中的降维采样层调整为最大降维采样设置；将所述轮廓图像信息通过设置为最大降维采样的所述第一神经网络模型中的降维采样层进行降维采样处理，输出降维采样处理后的图像轮廓信息。优选地，所述判断降维采样处理后输出的图像信息是否为底层输出图像，包括：判断所述降维采样处理后输出的图像信息的大小是否在为14*14，若是，则为底层输出图像，若否，则不是底层输出图像。优选地，所述在所述第二神经网络模型中进行图像升采样处理，并在所述图像升采样处理过程中同时采用最相邻像素点进行插值处理，输出复原降噪图像，包括：对所述底层输出图像在所述第二神经网络模型中进行图像升采样放大处理，获取复原降噪图像；在进行图像升采样放大处理过程中，并行对升采样放大处理过程中的所述底层输出图像进行最相邻像素点插值处理。优选地，所述对升采样放大处理过程中的所述底层输出图像进行最相邻像素点插值处理，包括：将升采样放大处理过程中的所述底层输出图像中的待修复像素点最邻近像素点的灰度值赋予待修复像素点进行插值修复处理，获取待修复像素点的像素灰度值修复结果。另外，本专利技术实施例还提供了一种基于卷积神经网络自压缩的图像降噪系统，所述图像降噪系统包括：第一输入模块：用于将待降噪图像输入第一神经网络模型中；信息提取模块：用于采用所述第一神经网络模型中的卷积层对所述待降噪图像进行神经网络隐式信息提取处理，获取待降噪图像的图像轮廓信息；降维处理模块：采用所述第一神经网络模型中的降维采样层对所述轮廓图像信息进行降维采样处理，判断降维采样处理后输出的图像轮廓信息是否为底层输出图像，若否，则返回上一步骤，若是，则进行下一步骤；第二输入模块：用于将所述底层输出图像输入第二神经网络模型中；升采样插值模块：用于在所述第二神经网络模型中对所述底层输出图像进行图像升采样处理，并在所述图像升采样处理过程中同时采用最相邻像素点进行插值处理，输出复原降噪图像；判断模块：用于判断所述复原降噪图像是否恢复至原图像大小，若否，则返回上一步，若是，则将所述复原降噪图像作为降噪图像。优选地，所述降维处理模块包括：设置单元，用于将所述第一神经网络模型中的降维采样层调整为最大降维采样设置；降维采样处理单元：用于将所述轮廓图像信息通过设置为最大降维采样的所述第一神经网络模型中的降维采样层进行降维采样处理，输出降维采样处理后的图像轮廓信息。判断单元：用于判断降维采样处理后输出的图像轮廓信息是否为底层输出图像。优选地，所述升采样插值模块包括：升采样单元：用于对所述底层输出图像在所述第二神经网络模型中进行图像升采样放大处理，获取复原降噪图像；插值单元：用于在进行图像升采样放大处理过程中，并行对升采样放大处理过程中的所述底层输出图像进行最相邻像素点插值处理。在本专利技术实施例中，解决当前存在的算法面对显示生活中噪音种类不唯一所导致的鲁棒性不强的问题，能够适应多种不同条件下的图片，并能够以更强的适应性进行图像的降噪过程；还能够保持一种线性的时间复杂度，耗时和运算量只会与需要处理的图像数量有关，与图像的其他因素(如图像的大小，类型)无关；从而保证了算法的高效性，满足计算机视觉后序算法处理识别的要求。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作简单地介绍，显而易见的，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的前提下，还可以根据这些附图获得其它的附图。图1是本专利技术实施例中的基于卷积神经网络自压缩的图像降噪方法的方法流程示意图；图2是本专利技术实施例中的基于卷积神经网络自压缩的图像降噪系统的系统结构组成示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。图1是本专利技术实施例中的基于卷积神经网络自压缩的图像降噪方法的方法流程示意图，如图1所示，所述图像降噪方法包括：S11：将待降噪图像输入第一神经网络模型中；S12：采用所述第一神经网络模型中的卷积层对所述待降噪图像进行神经网络隐式信息提取处理，获取待降噪图像的图像轮廓信息；S13：采用所述第一神经网络模型中的降维采样层对本文档来自技高网...

【技术保护点】
一种基于卷积神经网络自压缩的图像降噪方法，其特征在于，所述图像降噪方法包括：将待降噪图像输入第一神经网络模型中；采用所述第一神经网络模型中的卷积层对所述待降噪图像进行神经网络隐式信息提取处理，获取待降噪图像的图像轮廓信息；采用所述第一神经网络模型中的降维采样层对所述轮廓图像信息进行降维采样处理，判断降维采样处理后输出的图像轮廓信息是否为底层输出图像，若否，则返回上一步骤，若是，则进行下一步骤；将所述底层输出图像输入第二神经网络模型中；在所述第二神经网络模型中对所述底层输出图像进行图像升采样处理，并在所述图像升采样处理过程中同时采用最相邻像素点进行插值处理，输出复原降噪图像；判断所述复原降噪图像是否恢复至原图像大小，若否，则返回上一步，若是，则将所述复原降噪图像作为降噪图像。

【技术特征摘要】
1.一种基于卷积神经网络自压缩的图像降噪方法，其特征在于，所述图像降噪方法包括：将待降噪图像输入第一神经网络模型中；采用所述第一神经网络模型中的卷积层对所述待降噪图像进行神经网络隐式信息提取处理，获取待降噪图像的图像轮廓信息；采用所述第一神经网络模型中的降维采样层对所述轮廓图像信息进行降维采样处理，判断降维采样处理后输出的图像轮廓信息是否为底层输出图像，若否，则返回上一步骤，若是，则进行下一步骤；将所述底层输出图像输入第二神经网络模型中；在所述第二神经网络模型中对所述底层输出图像进行图像升采样处理，并在所述图像升采样处理过程中同时采用最相邻像素点进行插值处理，输出复原降噪图像；判断所述复原降噪图像是否恢复至原图像大小，若否，则返回上一步，若是，则将所述复原降噪图像作为降噪图像。2.根据权利要求1所述的基于卷积神经网络自压缩的图像降噪方法，其特征在于，所述第一神经网络模型为21层的神经网络层次架构，其中所述21层的神经网络层次架构分别由16个卷积层和5个降维采样层组成。3.根据权利要求1所述的基于卷积神经网络自压缩的图像降噪方法，其特征在于，所述采用所述第一神经网络模型中的卷积层对所述待降噪图像进行神经网络隐式信息提取处理，包括：采用所述第一神经网络模型中的卷积层对所述待降噪图像进行图像基本信息的神经网络隐式信息提取处理，获取待降噪图像的图像轮廓信息；所述图像基本信息包括待降噪图像的高度信息、待降噪图像的宽度信息、待降噪图像的元素内容信息；所述图像轮廓信息包括待降噪图像的边框轮廓信息、待降噪图像的元素内容轮廓信息。4.根据权利要求1所述的基于卷积神经网络自压缩的图像降噪方法，其特征在于，所述采用所述第一神经网络模型中的降维采样层对所述轮廓图像信息进行降维采样处理，包括：将所述第一神经网络模型中的降维采样层调整为最大降维采样设置；将所述轮廓图像信息通过设置为最大降维采样的所述第一神经网络模型中的降维采样层进行降维采样处理，输出降维采样处理后的图像轮廓信息。5.根据权利要求1所述的基于卷积神经网络自压缩的图像降噪方法，其特征在于，所述判断降维采样处理后输出的图像信息是否为底层输出图像，包括：判断所述降维采样处理后输出的图像信息的大小是否在为14*14，若是，则为底层输出图像，若否，则不是底层输出图像。6.根据权利要求1所述的基于卷积神经网络自压缩的图像降噪方法，其特征在于，所述在所述第二神经网络模型中进行图像升采样处理，并在所...

【专利技术属性】
技术研发人员：胡建国，商家煜，许瑶婷，李仕仁，
申请(专利权)人：广州智慧城市发展研究院，中山大学，
类型：发明
国别省市：广东,44