基于深度学习的图像噪声水平估计方法技术

本发明专利技术属于计算机图像处理领域，为提出一种基于深度学习的框架，对图像噪声水平进行有效的估计。为实现上述目的，本发明专利技术采取以下技术方案：基于深度学习的图像噪声水平估计方法，步骤如下：步骤1、提出信号相关噪声(SDN)模型：步骤2、进行数据预处理；步骤3、构建神经网络结构；骤4、设置好网络的学习率和动量参数，利用深度学习框架caffe训练上述卷积神经网络，直至代价损失减小到一定程度且训练达到迭代最大次数，生成训练模型，代价损失函数选用；步骤5、将有噪声图像输入至训练好的模型中，输出噪声水平函数。本发明专利技术主要应用于计算机图像处理。

Image noise level estimation method based on deep learning

The invention belongs to the field of computer image processing. In order to propose a framework based on deep learning, the image noise level is effectively estimated. To achieve the above purpose, the present invention adopts the following technical scheme: the method of image noise level estimation based on depth learning. Steps are as follows: Step 1, signal correlation noise (SDN) model: Step 2, data preprocessing; step 3, construction of neural network structure; sudden 4, set up the learning rate and momentum parameters of the network We use the depth learning framework Caffe to train the convolution neural network, until the cost loss is reduced to a certain degree and the training reaches the maximum number of iterations. The training model is generated and the cost loss function is selected. Step 5, the noise image is input into the trained model, and the output noise level function is output. The invention is mainly applied to computer image processing.

【技术实现步骤摘要】
基于深度学习的图像噪声水平估计方法
本专利技术属于计算机图像处理领域，涉及电荷耦合器件噪声水平估计和卷积神经网络。具体讲，通过卷积神经网络提取图像特征，学习信号相关噪声分布，建立端到端的噪声图像和相应噪声水平函数之间的映射关系。
技术介绍
电荷耦合器件(Charge-coupledDevice，CCD)，作为数码相机的核心器件，在成像过程中会产生复杂的噪声。这种噪声并不是简单的加性高斯白噪声(AdditiveGaussianWhiteNoise，AWGN)，而是一种严重依赖于信号强度的噪声(Signal-dependentNoise，SDN)。获知CCD(电荷耦合器件)的噪声水平不仅可以用来评价图像传感器的质量，还可以用来调整许多计算机视觉算法的参数，因此准确估计CCD的噪声水平函数具有重要意义。常见的噪声估计算法都是针对高斯白噪声设计，对于这种依赖于信号的噪声并不适用。因此研究并提出一种有效的方法对CCD图像进行噪声估计，显得尤为迫切且更有价值。近年来，随着深度学习技术的不断发展，越来越多的被用于图像处理领域，且获得了较好的效果。利用卷积神经网络学习图像噪声分布，为CCD噪声水平估本文档来自技高网...

【技术保护点】
一种基于深度学习的图像噪声水平估计方法，其特征是，步骤如下：步骤1、提出信号相关噪声SDN模型：I＝f(LI)IN＝f(LI+ns+nc)+nq其中，I表示理想的无噪声图像，IN表示CCD相机实际得到的噪声图像，f(·)表示相机响应函数，

【技术特征摘要】
1.一种基于深度学习的图像噪声水平估计方法，其特征是，步骤如下：步骤1、提出信号相关噪声SDN模型：I＝f(LI)IN＝f(LI+ns+nc)+nq其中，I表示理想的无噪声图像，IN表示CCD相机实际得到的噪声图像，f(·)表示相机响应函数，表示依赖于光照强度LI的噪声分量，表示跟信号无关的噪声分量，nq表示量化噪声予以忽略，这里的ns和nc的噪声参数假设为E(ns)＝0,E(nc)＝0,步骤2、进行数据预处理步骤2.1、获取伯克利图像分割BSD500数据集以及在网上下载无噪声的图像作为原始无噪声图像集；步骤2.2、对无噪声图像集利用步骤1提出的噪声模型人工添加噪声，合成带噪声图像，则噪声图像噪声水平函数表示为进一步扩展为：其中I表示原始的无噪声图像，IN表示带噪声图像，IN(·)表示噪声合成过程；步骤2.3、将合成的带噪声图像裁剪成256*256大小的图像块，得到60000多个不同噪声水平的图像块作为训练数据，相对应的噪声水平函数样本点作为训练标签；步骤3、构建神经网络结构步骤3.1、噪声图像分别输入三路平行的卷积神经网络之中，三路神经网络的结构分别是(1)卷积层，卷积核大小5*5，—平均池化层，核大小为2*2—卷积层，卷积核大小3*3—平均池化层，核大小为2*2—卷积层，卷积核大小3*3—卷积层，卷积核大小3*3(2)卷积层，卷积核大小7*7—平均...

【专利技术属性】
技术研发人员：杨敬钰，刘鑫，宋晓林，李坤，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12