一种基于Inception模型的深度卷积神经网络图像去噪方法技术

本发明专利技术涉及图像处理的技术领域，更具体地，涉及一种基于Inception模型的深度卷积神经网络图像去噪方法，包括：选取数据集，对数据进行预处理；搭建含一层Inception模型的训练网络；设置网络求解参数，选择合适的监督框架；最优设定网络结构参数，并使用求得的网络进行去噪。本发明专利技术的基于Inception模型的深度卷积神经网络图像去噪方法，以深度卷积神经网络为基础，结合高斯白噪声模拟未知的真实噪音和含Inception模型的网络能在保持原有的去噪效果的基础上降低参数量；通过数据扩张的方式，使训练数据的内容更丰富，保证神经网络能够学习到图像分布或噪声的内部结构；通过引入残差结构，使得网络更容易收敛，且效果最佳。

A Deep Convolution Neural Network Image Denoising Method Based on Inception Model

The invention relates to the technical field of image processing, and more specifically, to an image denoising method based on Inception model of deep convolution neural network, which includes: selecting data sets, preprocessing data, building a training network with a layer of Inception model, setting network solution parameters, selecting appropriate monitoring framework, optimizing network structure parameters, and using them to obtain. Network denoising. The method of image denoising based on Inception model of deep convolution neural network in the present invention is based on deep convolution neural network and simulates unknown real noise with Gauss white noise, and the network with Inception model can reduce the parameter amount while maintaining the original denoising effect. By means of data expansion, the content of training data is enriched and the neural network can be guaranteed. Enough to learn the internal structure of image distribution or noise; by introducing residual structure, the network is easier to converge, and the effect is the best.

【技术实现步骤摘要】
一种基于Inception模型的深度卷积神经网络图像去噪方法
本专利技术涉及图像处理的
，更具体地，涉及一种基于Inception模型的深度卷积神经网络图像去噪方法。
技术介绍
随着数字革命的深入，数字图像已经成为人们生活中不可或缺的部分。在获取图像的过程中，因为成像系统的局限，使得采集的图像往往带有噪声；比如，因成像系统电子元器件内部电阻阻值会受温度影响而产生的热噪声；遥感卫星影像，因为太空电磁干扰而产生的随机噪声。在噪声强度达到一定程度的情况下，图像质量会严重下降。这给后续的信息传播和图像处理造成困难。因此，图像去噪技术是计算机视觉领域必不可少的研究课题，是相关图像算法预处理的必备过程。针对不同图像的特点和噪声的规律，图像去噪的目前解决方案主要分为：传统的去噪方法和深度神经网络的去噪方法。非局部算法中的BM3D充分利用自然图像中的自相似性，有较好的去噪效果；但是，当图像噪声强度增大时，图像内部能够利用的有用信息减少，根据噪声内部的信息进行去噪的BM3D方法的去噪效果就会变差。基于深度学习模型的图像去噪，区别于传统的图像去噪技术，是根据设置网络参数，针对特定的噪声类型和噪声强本文档来自技高网...

【技术保护点】
1.一种基于Inception模型的深度卷积神经网络图像去噪方法，其特征在于，包括以下步骤：S1.在源图像集中选择数据集，对数据集中的数据进行预处理得到用作输入的含噪灰度图像；S2.搭建设有Inception模型层的深度卷积神经网络并进行训练，以步骤S1中所述的含噪灰度图像作为输入，采用高斯白噪声模拟真实噪声，经所述深度卷积神经网络去噪，输出为去噪图像；S3.将步骤S2中所述的去噪图像和实际清晰图像输入到监督框架中，求得去噪图像与实际清晰图像的差距，并通过反向迭代算法优化步骤S2所述深度卷积神经网络以减小损失函数；S4.将含噪灰度图像输入到经高斯白噪声训练得到的深度卷积神经网络中，输出得到去噪...

【技术特征摘要】
1.一种基于Inception模型的深度卷积神经网络图像去噪方法，其特征在于，包括以下步骤：S1.在源图像集中选择数据集，对数据集中的数据进行预处理得到用作输入的含噪灰度图像；S2.搭建设有Inception模型层的深度卷积神经网络并进行训练，以步骤S1中所述的含噪灰度图像作为输入，采用高斯白噪声模拟真实噪声，经所述深度卷积神经网络去噪，输出为去噪图像；S3.将步骤S2中所述的去噪图像和实际清晰图像输入到监督框架中，求得去噪图像与实际清晰图像的差距，并通过反向迭代算法优化步骤S2所述深度卷积神经网络以减小损失函数；S4.将含噪灰度图像输入到经高斯白噪声训练得到的深度卷积神经网络中，输出得到去噪图像。2.根据权利要求1所述的基于Inception模型的深度卷积神经网络图像去噪方法，其特征在于，步骤S1所述含噪灰度图像的分析方法包括以下步骤：S11.选取伯克利图像分割数据集和分支所提供的图像数据；S12.根据随机数算法在源图像集合中抽取图片，并将每次抽取的图片随机截取为分辨率更小的训练图像作为训练集；S13.从步骤S12中所述的训练集中选取图片作为测试图像，并将测试图像转化为YCbCr格式，Y通道在经过归一化处理后，用作输入的含噪灰度图像。3.根据权利要求2所述的基于Inception模型的深度卷积神经网络图像去噪方法，其特征在于，步骤S12、步骤S13中所述的训练集包括训练过程中随机对训练图像进行不同角度的旋转和翻转得到的扩张训练图像。4.根据权利要求1所述的基于Inception模型的深度卷积神经网络图像去噪方法，其特征在于，步骤S2中所述Inception模型层按四种学习路径将输入分成相同的四份，所述学习路径包括1x1卷积层、1x1卷积层-3x3卷积层、1x1卷积层-5x5卷积层以及最大池化层-1x1卷积层。5.根据权利要求1所述的基于Inception模型的深度卷积神经网络图像去噪方法，其特征在于，步骤S2中所述的深度卷积神经网络包括平均池化层以及不同卷积尺寸的第一层、第二层、第三层，所述第一层、第二层、第三层均采用带参数的修正线性单元，每个卷积核和池化层的输出经过激活函数非线性处理后输出作为下一次的输入。6....

【专利技术属性】
技术研发人员：李敏，叶鼎，章国豪，刘怡俊，胡晓敏，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44