图像降噪方法技术

本发明专利技术公开了一种图像降噪方法，包括：根据获取到的自然图像，以及在已知方差的高斯分布中采样得到的加性噪声，来构造成对的训练数据集与验证数据集，并对训练数据集进行预处理；将卷积神经网络作为Boosting单元，基于SOS算法搭建深度提升框架模型；利用预处理后的训练数据集对深度提升框架模型进行训练，并调整相应的模型参数；利用验证数据集调整训练后的深度提升框架模型的结构超参数与优化超参数；再利用验证数据集对深度提升框架模型进行验证，选出恢复损失最小的模型参数，从而确定最终的深度提升框架模型；利用最终的深度提升框架模型实现图像降噪。采用上述方法可以提高图像降噪性能。

【技术实现步骤摘要】
图像降噪方法
本专利技术涉及数字图像处理
，尤其涉及一种图像降噪方法。
技术介绍
数字图像采集过程中存在复杂的噪声，其中包含电子元器件的热噪声、传感器读取转换噪声、信号传输噪声等。通常，独立同分布的零均值高斯模型v～N(0,σ2)被用来建模这类加性噪声。设图像信号为x，则被噪声污染的图像可表示为y＝x+v。为了减少图像中的噪声，基于图像先验模型的方法被广泛地研究。例如，非局部近似模型(A.Buades,B.Coll,andJ.M.Morel,“Nonlocalimageandmoviedenoising.”inInternationalJournalofComputerVision2008,pp.123-139)，稀疏表达模型(M.Elad,andM.Aharon,“Imagedenoisingviasparseandredundantrepresentationsoverlearneddictionaries.”inIEEETransactionsonImageProcessing2006,pp.3736-3745)，块匹配三维协同滤波BM3D模型(K.Dabov,A.Foi,V.Katkovnik,andK.Egiazarian,“Imagedenoisingbysparse3-dtransform-domaincollaborativefiltering.”inIEEETransactionsonImageProcessing2007,pp.2080-2095)等。然而，这类方法在恢复被较强噪声污染的图像时，恢复结果的鲁棒性较弱。近年来，随着图形处理器性能的提升与并行计算框架的发展，基于学习的方法备受关注。其中，简单的多层感知机(MultipleLayerPerception,MLP)模型取得了与BM3D相近的结果(H.C.Burger,C.J.SchulerandS.Harmeling,“Imagedenoising:Canplainneuralnetworkscompetewithbm3d？”inIEEEConferenceonComputerVisionandPatternRecognition2012,pp.2392-2399)。此外，基于经典模型的提升算法(Boosting)也被引入图像降噪问题。设已恢复的图像为该类方法通过重复提取残差中的图像信号，或去除中的残留噪声，迭代地提升图像恢复性能。Y.Romano提出了一种提升算法的新颖变体(Y.Romano,andM.Elad,“Boostingofimagedenoisingalgorithms.”inSiamJournalonImagingSciences2015,pp.1187-1219)，称为Strengthen-Operate-Subtract(SOS)算法。通过处理增强的信号该算法使信噪比随着迭代逐渐增强，取得了一定的性能提升。然而，基于经典模型的提升算法仍存在较大的性能差距，其优势未被充分挖掘。
技术实现思路
本专利技术的目的是提供一种图像降噪方法，可以提高图像降噪性能。本专利技术的目的是通过以下技术方案实现的：一种图像降噪方法，包括：根据获取到的自然图像，以及在已知方差的高斯分布中采样得到的加性噪声，来构造成对的训练数据集与验证数据集，并对训练数据集进行预处理；将卷积神经网络作为Boosting单元，基于SOS算法搭建深度提升框架模型；利用预处理后的训练数据集对深度提升框架模型进行训练，并调整相应的模型参数；利用验证数据集调整训练后的深度提升框架模型的结构超参数与优化超参数；再利用验证数据集对深度提升框架模型进行验证，选出恢复损失最小的模型参数，从而确定最终的深度提升框架模型；利用最终的深度提升框架模型实现图像降噪。由上述本专利技术提供的技术方案可以看出，将CNN模型引入经典的提升算法，利用深度学习框架优化参数，提高了图像降噪性能。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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，对于本领域的普通技术人员来讲，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他附图。图1为本专利技术实施例提供的一种图像降噪方法的流程图；图2为本专利技术实施例提供的深度提升框架模型的示意图；图3为本专利技术实施例提供的膨胀稠密混合卷积神经网络的示意图；图4为本专利技术实施例提供的一组灰度图像降噪视觉结果对比图；图5为本专利技术实施例提供的另一组灰度图像降噪视觉结果对比图；图6为本专利技术实施例提供的一组图像去块效应视觉结果对比图；图7为本专利技术实施例提供的另一组图像去块效应视觉结果对比图；图8为本专利技术实施例提供的不同设置的深度提升框架在灰度图像降噪任务的性能对比图。具体实施方式下面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。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术的保护范围。本专利技术实施例提供一种图像降噪方法，其用于降低图像恢复中的噪声；如图1所示，其主要包括如下步骤：步骤1、根据获取到的自然图像，以及在已知方差的高斯分布中采样得到的加性噪声，来构造成对的训练数据集与验证数据集，并对训练数据集进行预处理。本步骤主要包括数据集构造与预处理两部分：1、数据集构造。本专利技术实施例中，假设获取到的自然图像为x，在已知方差σ的高斯分布N(0,σ2)中采样得到与x相同分辨率的加性噪声v；然后，将噪声v加入自然图像x，得到带有噪声的自然图像y＝x+v；其中，每一对图像数据中的y作为深度提升框架模型的输入，x作为训练目标；最后，收集若干组配对图像数据{y,x}，以一定比例进行分割，形成成对的训练数据集D与验证数据集V。示例性的，可以将数据以9:1分割成训练数据集D，验证数据集V。2、预处理。对于训练数据集D而言，将其中的每一对图像数据{yD,xD}进行剪裁，得到若干相同分辨率的图像块；再将剪裁yD和xD得到的图像块各自拼接成具有相同数量图像块的图像批，用于随机梯度下降；最后，在图像批内进行随机扩增，包括以下一种或多种方式：90度旋转、180度旋转、270度旋转、左右翻转、上下镜像。步骤2、将卷积神经网络作为Boosting单元，基于SOS算法搭建深度提升框架模型。本专利技术实施例中，所搭建的深度提升框架模型参照文献(Y.Romano,andM.Elad,“Boostingofimagedenoisingalgorithms.”inSiamJournalonImagingSciences2015,pp.1187-1219)的方法实现。该方法中，设原始自然图像为x，独立同分布的加性高斯噪声为v，则带有噪声的图像y可定义为：y＝x+v假设有某种降噪算法S(·)作用于带有噪声的图像，可得恢复的图像定义为：然而，恢复的图像与原始图像x存在误差，定义为u：其中，xr表示未被算法S(·)恢复的图像信号，vr表示残留的噪声。基于经典模型的SOS提升算法可用迭代的公式表达：其中，S(·)表示任意一种经典的图像降噪方法。通过简易的推导，可得：只要存在一个本文档来自技高网...

【技术保护点】
1.一种图像降噪方法，其特征在于，包括：根据获取到的自然图像，以及在已知方差的高斯分布中采样得到的加性噪声，来构造成对的训练数据集与验证数据集，并对训练数据集进行预处理；将卷积神经网络作为Boosting单元，基于SOS算法搭建深度提升框架模型；利用预处理后的训练数据集对深度提升框架模型进行训练，并调整相应的模型参数；利用验证数据集调整训练后的深度提升框架模型的结构超参数与优化超参数；再利用验证数据集对深度提升框架模型进行验证，选出恢复损失最小的模型参数，从而确定最终的深度提升框架模型；利用最终的深度提升框架模型实现图像降噪。

【技术特征摘要】
1.一种图像降噪方法，其特征在于，包括：根据获取到的自然图像，以及在已知方差的高斯分布中采样得到的加性噪声，来构造成对的训练数据集与验证数据集，并对训练数据集进行预处理；将卷积神经网络作为Boosting单元，基于SOS算法搭建深度提升框架模型；利用预处理后的训练数据集对深度提升框架模型进行训练，并调整相应的模型参数；利用验证数据集调整训练后的深度提升框架模型的结构超参数与优化超参数；再利用验证数据集对深度提升框架模型进行验证，选出恢复损失最小的模型参数，从而确定最终的深度提升框架模型；利用最终的深度提升框架模型实现图像降噪。2.根据权利要求1所述的一种图像降噪方法，其特征在于，所述根据获取到的自然图像，以及在已知方差的高斯分布中采样得到的加性噪声，来构造成对的训练数据集与验证数据集包括：假设获取到的自然图像为x，在已知方差σ的高斯分布N(0,σ2)中采样得到与x相同分辨率的加性噪声v；将噪声v加入自然图像x，得到带有噪声的自然图像y＝x+v；其中，每一对图像数据中的y作为深度提升框架模型的输入，x作为训练目标；收集若干组配对图像数据{y,x}，以一定比例进行分割，形成成对的训练数据集D与验证数据集V。3.根据权利要求1或2所述的一种图像降噪方法，其特征在于，所述的预处理操作包括：对于训练数据集D而...

【专利技术属性】
技术研发人员：熊志伟，陈畅，田新梅，吴枫，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽,34