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 ...
【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
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。