基于卷积神经网络的图像真实噪声去除系统技术方案

基于卷积神经网络的图像真实噪声去除系统，属于图像去噪领域，解决了现有基于卷积神经网络的图像去噪方法对于图像真实噪声的去除效果不理想的问题。本发明专利技术所述的基于卷积神经网络的图像真实噪声去除系统，先通过图像真实噪声水平估计子网络估计待去噪图像的真实噪声等级值，再通过图像噪声去除子网络，并根据待去噪图像的真实噪声等级估计值对待去噪图像的真实噪声进行去除。与现有基于卷积神经网络的图像去噪方法相比，本发明专利技术所述的基于卷积神经网络的图像真实噪声去除系统因引入了真实噪声等级估计环节而具有更好的图像真实噪声去除效果。

【技术实现步骤摘要】
基于卷积神经网络的图像真实噪声去除系统
本专利技术涉及一种图像去噪系统，属于图像去噪领域。
技术介绍
图像去噪是计算机视觉和图像处理领域的一项基本问题。在人们通过图像采集设备获取图像的过程中，由于图像采集设备的自身物理约束以及外界光环境的限制，使得采集到的图像中不可避免地存在噪声，进而影响成像质量。为此，现有的图像采集设备均采用图像去噪技术来提高自身的成像质量。然而，由于图像真实噪声具有成分复杂性和来源多样性的特点，以及每个图像采集设备的真实噪声模型都有所差异，使得图像真实噪声去除的难度较大。近年来，学者们尝试将卷积神经网络应用于图像去噪领域，并在高斯白噪声的去除上取得了比现有基于三维块匹配的图像去噪方法和基于加权核范数最小化的图像去噪方法更好的效果。然而，由于图像真实噪声的复杂度远大于高斯白噪声的复杂度，使得现有基于卷积神经网络的图像去噪方法对于图像真实噪声的去除效果并不理想。
技术实现思路
本专利技术为解决现有基于卷积神经网络的图像去噪方法对于图像真实噪声的去除效果不理想的问题，提出了一种基于卷积神经网络的图像真实噪声去除系统。本专利技术所述的基于卷积神经网络的图像真实噪声去除系统包括图像真实噪声水平估计子网络和图像噪声去除子网络；图像真实噪声水平估计子网络和图像噪声去除子网络均基于卷积神经网络实现；图像真实噪声水平估计子网络将待去噪图像作为其输入，输出该图像的真实噪声等级估计值；图像噪声去除子网络将待去噪图像及其真实噪声等级估计值作为其输入，输出去噪后图像。作为优选的是，图像真实噪声水平估计子网络为前向浅层卷积神经网络。作为优选的是，图像真实噪声水平估计子网络包括卷积层C1～卷积层C5；卷积层C1用于对待去噪图像依次进行第一卷积操作和激活操作；卷积层C2用于对卷积层C1的输出结果依次进行第二卷积操作和激活操作；卷积层C3用于对卷积层C2的输出结果依次进行第三卷积操作和激活操作；卷积层C4用于对卷积层C3的输出结果依次进行第四卷积操作和激活操作；卷积层C5用于对卷积层C4的输出结果依次进行第五卷积操作和激活操作；卷积层C5的输出结果为待去噪图像的真实噪声等级估计值；第一卷积操作和第五卷积操作均为96个3×3、步长为1的卷积操作；第二卷积操作～第四卷积操作均为1024个3×3、步长为1的卷积操作；激活操作采用ReLU函数。作为优选的是，图像噪声去除子网络为U型卷积神经网络。作为优选的是，图像噪声去除子网络包括卷积层C6～卷积层C23、卷积层D1、卷积层D2、反卷积层U1、反卷积层U2和残差层R；卷积层C6用于对待去噪图像及其真实噪声等级估计值进行第六卷积操作和激活操作；卷积层C7用于对卷积层C6的输出结果依次进行第七卷积操作和激活操作；卷积层C8用于对卷积层C7的输出结果依次进行第八卷积操作和激活操作；卷积层D1用于对卷积层C8的输出结果进行第一下采样操作；卷积层C9用于对卷积层D1的输出结果依次进行第九卷积操作和激活操作；卷积层C10用于对卷积层C9的输出结果依次进行第十卷积操作和激活操作；卷积层C11用于对卷积层C10的输出结果依次进行第十一卷积操作和激活操作；卷积层D2用于对卷积层C11的输出结果进行第二下采样操作；卷积层C12用于对卷积层D2的输出结果依次进行第十二卷积操作和激活操作；卷积层C13用于对卷积层C12的输出结果依次进行第十三卷积操作和激活操作；卷积层C14用于对卷积层C13的输出结果依次进行第十四卷积操作和激活操作；卷积层C15用于对卷积层C14的输出结果依次进行第十五卷积操作和激活操作；卷积层C16用于对卷积层C15的输出结果依次进行第十六卷积操作和激活操作；卷积层C17用于对卷积层C16的输出结果依次进行第十七卷积操作和激活操作；反卷积层U1用于对卷积层C17的输出结果进行第一上采样操作；卷积层C18用于对卷积层C11的输出结果与反卷积层U1的输出结果的加和结果依次进行第十八卷积操作和激活操作；卷积层C19用于对卷积层C18的输出结果依次进行第十九卷积操作和激活操作；卷积层C20用于对卷积层C19的输出结果依次进行第二十卷积操作和激活操作；反卷积层U2用于对卷积层C20的输出结果进行第二上采样操作；卷积层C21用于对卷积层C8的输出结果与反卷积层U2的输出结果的加和结果依次进行第二十一卷积操作和激活操作；卷积层C22用于对卷积层C21的输出结果依次进行第二十二卷积操作和激活操作；卷积层C23用于对卷积层C22的输出结果进行第二十三卷积操作；残差层R用于对待去噪图像与卷积层C23的输出结果进行加和操作；残差层R的输出结果为去噪后图像；第六卷积操作为384个3×3、步长为1的卷积操作；第七卷积操作、第八卷积操作、第二十一卷积操作和第二十二卷积操作均为4096个3×3、步长为1的卷积操作；第九卷积操作～第十一卷积操作和第十八卷积操作～第二十卷积操作均为16384个3×3、步长为1的卷积操作；第十二卷积操作～第十七卷积操作均为65536个3×3、步长为1的卷积操作；第二十三卷积操作为192个3×3、步长为1的卷积操作；第一下采样操作为8192个3×3、步长为2的卷积操作；第二下采样操作为32768个3×3、步长为2的卷积操作；第一上采样操作为32768个3×3、步长为2的反卷积操作；第二上采样操作为8192个3×3、步长为2的反卷积操作；激活操作采用ReLU函数。作为优选的是，所述图像真实噪声去除系统还包括训练子网络；训练子网络包括训练图像生成环节，训练图像生成环节基于输入的高清图像生成带有仿真真实噪声的训练图像，训练图像用于训练图像真实噪声水平估计子网络和图像噪声去除子网络；训练网络还包括图像真实噪声水平估计损失重建环节，图像真实噪声水平估计损失重建环节通过重建图像真实噪声水平估计损失来约束图像真实噪声水平估计子网络学习；训练网络还包括图像去噪损失重建环节，图像去噪损失重建环节通过重建图像去噪损失来约束图像噪声去除子网络学习；训练网络还包括交替训练环节，交替训练环节交替采用带有真实噪声的自然图像和带有仿真真实噪声的训练图像来训练图像真实噪声水平估计子网络和图像噪声去除子网络。作为优选的是，训练图像生成环节基于图像真实噪声仿真模型实现；图像真实噪声仿真模型定义为：y＝f(M-1(M(L+n(L))))式中，y为带有仿真真实噪声的训练图像，f为相机响应曲线，M-1表示将图像从Bayer图像转换为sRGB图像，M表示将图像从sRGB图像转换为Bayer图像，L为照度，n(L)为添加信号依赖的噪声；L＝f-1(x)，式中，x为输入的高清图像；n(L)＝ns(L)+nc，式中，ns(L)为信号相关噪声，nc为信号无关噪声；ns(L)采用方差为的AWGN模型建模，nc采用方差为的AWGN模型建模。作为优选的是，图像真实噪声水平估计损失重建环节基于非对称的图像真实噪声水平估计损失函数实现；图像真实噪声水平估计损失函数Lasy定义为：式中，σ(yi)为图像真实噪声等级估计值，为图像真实噪声等级值，α为惩罚系数；当时，0＜α＜0.5；当时，0.5＜α＜1；Ie<0表示当e＜0时，I＝1，否则I＝0。作为优选的是，训练子网络采用Adam优化算法对图像真实噪声水平估计子网络和图像噪声去除子本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的图像真实噪声去除系统，其特征在于，所述图像真实噪声去除系统包括图像真实噪声水平估计子网络和图像噪声去除子网络；图像真实噪声水平估计子网络和图像噪声去除子网络均基于卷积神经网络实现；图像真实噪声水平估计子网络将待去噪图像作为其输入，输出该图像的真实噪声等级估计值；图像噪声去除子网络将待去噪图像及其真实噪声等级估计值作为其输入，输出去噪后图像。

【技术特征摘要】
1.基于卷积神经网络的图像真实噪声去除系统，其特征在于，所述图像真实噪声去除系统包括图像真实噪声水平估计子网络和图像噪声去除子网络；图像真实噪声水平估计子网络和图像噪声去除子网络均基于卷积神经网络实现；图像真实噪声水平估计子网络将待去噪图像作为其输入，输出该图像的真实噪声等级估计值；图像噪声去除子网络将待去噪图像及其真实噪声等级估计值作为其输入，输出去噪后图像。2.如权利要求1所述的基于卷积神经网络的图像真实噪声去除系统，其特征在于，图像真实噪声水平估计子网络为前向浅层卷积神经网络。3.如权利要求2所述的基于卷积神经网络的图像真实噪声去除系统，其特征在于，图像真实噪声水平估计子网络包括卷积层C1～卷积层C5；卷积层C1用于对待去噪图像依次进行第一卷积操作和激活操作；卷积层C2用于对卷积层C1的输出结果依次进行第二卷积操作和激活操作；卷积层C3用于对卷积层C2的输出结果依次进行第三卷积操作和激活操作；卷积层C4用于对卷积层C3的输出结果依次进行第四卷积操作和激活操作；卷积层C5用于对卷积层C4的输出结果依次进行第五卷积操作和激活操作；卷积层C5的输出结果为待去噪图像的真实噪声等级估计值；第一卷积操作和第五卷积操作均为96个3×3、步长为1的卷积操作；第二卷积操作～第四卷积操作均为1024个3×3、步长为1的卷积操作；激活操作采用ReLU函数。4.如权利要求3所述的基于卷积神经网络的图像真实噪声去除系统，其特征在于，图像噪声去除子网络为U型卷积神经网络。5.如权利要求4所述的基于卷积神经网络的图像真实噪声去除系统，其特征在于，图像噪声去除子网络包括卷积层C6～卷积层C23、卷积层D1、卷积层D2、反卷积层U1、反卷积层U2和残差层R；卷积层C6用于对待去噪图像及其真实噪声等级估计值进行第六卷积操作和激活操作；卷积层C7用于对卷积层C6的输出结果依次进行第七卷积操作和激活操作；卷积层C8用于对卷积层C7的输出结果依次进行第八卷积操作和激活操作；卷积层D1用于对卷积层C8的输出结果进行第一下采样操作；卷积层C9用于对卷积层D1的输出结果依次进行第九卷积操作和激活操作；卷积层C10用于对卷积层C9的输出结果依次进行第十卷积操作和激活操作；卷积层C11用于对卷积层C10的输出结果依次进行第十一卷积操作和激活操作；卷积层D2用于对卷积层C11的输出结果进行第二下采样操作；卷积层C12用于对卷积层D2的输出结果依次进行第十二卷积操作和激活操作；卷积层C13用于对卷积层C12的输出结果依次进行第十三卷积操作和激活操作；卷积层C14用于对卷积层C13的输出结果依次进行第十四卷积操作和激活操作；卷积层C15用于对卷积层C14的输出结果依次进行第十五卷积操作和激活操作；卷积层C16用于对卷积层C15的输出结果依次进行第十六卷积操作和激活操作；卷积层C17用于对卷积层C16的输出结果依次进行第十七卷积操作和激活操作；反卷积层U1用于对卷积层C17的输出结果进行第一上采样操作；卷积层C18用于对卷积层C11的输出结果与反卷积层U1的输出结果的加和结果依次进行第十八卷积操作和激活操作；卷积层C19用于对卷积层C18的输出结果依次进行第十九卷积操作和激活操作；卷积层C20用于对卷积层C19的输出结果依次进行第二十卷积操作和激活操作；反卷积层U2用于对卷积层C20的输出结果进行第二上采样操作；卷积层C21用于对卷积层C8的输出结果与反卷积层U2的输出结果的加和结果依次进行第二十一卷积操作和激活操作；卷积层C22用于对卷积层C21的输出结果依次进...

【专利技术属性】
技术研发人员：左旺孟，果实，闫子飞，张凯，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23