一种基于多尺度并行CNN的图像去噪方法技术

本发明专利技术公开一种基于多尺度并行CNN的图像去噪方法，包括五步。步骤一，搭建多尺度并行卷积神经网络模型，其中只有卷积层和激活层，同时加入了残差学习；步骤二，设置多尺度并行卷积神经网络模型的训练参数；步骤三，选取训练集，并对选取的训练图像进行裁剪、翻转等操作，以增强训练集的数量；步骤四，选取均方误差作为损失函数，并以最小化损失函数来训练多尺度并行卷积神经网络模型，得到图像去噪模型；步骤五，将任意大小的噪声图像输入到图像去噪模型，输出即为去噪后的干净图像。本发明专利技术在去噪的同时能尽可能的保留图像的边缘信息和细节信息，能提高图像的结构相似性，获得高质量去噪图像。

【技术实现步骤摘要】
一种基于多尺度并行CNN的图像去噪方法
本专利技术涉及计算机视觉与数字图像处理领域，尤其涉及一种基于多尺度并行CNN的图像去噪方法。
技术介绍
由于在采集图像的过程中会不可避免地受周围环境、设备、人为因素等影响，得到的总是有噪声的图像，噪声使图像的质量变差，从而影响了图片的可读性以及对图像的后续处理。图像去噪的任务就是把噪声从图像中去除，以减少噪声对图像的影响。目前图像去噪的经典方法有很多，但大致可以分为两类，一类是基于空间域滤波，如均值滤波、中值滤波等等；另一类是基于变换域滤波，如高斯尺度混合模型中的贝叶斯最小二乘法。这些局部滤波方法既没有在全局范围内滤波，也没有考虑到自然图像块与块之间的联系性，因此获得的去噪效果不尽人意。为了解决传统去噪方法存在的问题，神经网络被用于图像去噪。专利“一种基于ReLU卷积神经网络的图像去噪方法”(专利号：201610482594.3)，公开了一种实时去噪方法。图1是该专利的卷积神经网络模型，它与本专利技术设计不同之处在于：(1)本专利技术使用了多尺度提取层。(2)本专利技术设计的网络学习的是噪声，而不是潜在的干净图像。(3)本专利技术使用了卷积神经本文档来自技高网...

【技术保护点】
1.一种基于多尺度并行CNN的图像去噪方法，其特征在于，具体按照以下步骤进行：步骤一，搭建多尺度并行卷积神经网络模型；步骤二，设置多尺度并行卷积神经网络模型的训练参数；步骤三、构建训练集；步骤四，选取均方误差作为损失函数，并以最小化损失函数来训练多尺度并行卷积神经网络模型，得到图像去噪模型；步骤五，将噪声图像输入到图像去噪模型，其输出即为去噪后的干净图像。

【技术特征摘要】
1.一种基于多尺度并行CNN的图像去噪方法，其特征在于，具体按照以下步骤进行：步骤一，搭建多尺度并行卷积神经网络模型；步骤二，设置多尺度并行卷积神经网络模型的训练参数；步骤三、构建训练集；步骤四，选取均方误差作为损失函数，并以最小化损失函数来训练多尺度并行卷积神经网络模型，得到图像去噪模型；步骤五，将噪声图像输入到图像去噪模型，其输出即为去噪后的干净图像。2.根据权利要求1所述的一种基于多尺度并行CNN的图像去噪方法，其特征在于，所述步骤一中，多尺度并行卷积神经网络模型包括卷积层和激活层，激活层的激活函数均是RELU函数，引入残差学习保证多尺度并行卷积神经网络学习的是图像中的噪声。3.根据权利要求1所述的一种基于多尺度并行CNN的图像去噪方法，其特征在于，所述步骤一中，多尺度并行卷积神经网络模型包括五个部分，分别为，(1)输入噪声图像；(2)特征融合；(3)并行结构；(4)融合；(5)输出干净图像。4.根据权利要求3所述的一种基于多尺度并行CNN的图像去噪方法，其特征在于，所述(2)中，特征融合的步骤为，步骤一，输入经过一个卷积核为1×1的卷积、激活层得到输出4-1；输入经过一个卷积核为1×1的卷积、激活层和一个卷积核为3×3的卷积、激活层得到输出4-2；输入经过一个卷积核为1×1的卷积、激活层和一个卷积核为5×5的卷积、激活层得到输出4-3；输入经过一个卷积核为7×7的卷积、激活层得到输出4-4；步骤二，将输出4-1、输出4-2、输出4-3和输出4-4进行特征融合，特征融合的结果将作为并行结构的输入。5.根据权利要求3所述的一种基于多尺度并行CNN的图像去噪方法，其特征在于，所述(3)中，并行结构包括深通道卷积层和浅通道卷积层，其中，深通道卷积层包括跳跃链接和25个卷积层，卷积核都是3×3，分成六段，第一段有一个卷积层，一个激活层，三个卷积、激活层和一个卷积层，第二到五段均包含一个激活层，四个卷积、激活层...

【专利技术属性】
技术研发人员：贾晓芬，柴华荣，郭永存，黄友锐，赵佰亭，凌六一，马天兵，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：安徽,34