一种基于并行特征提取的CNN去噪方法技术

本发明专利技术公开一种基于并行特征提取的CNN去噪方法，包括六步：步骤一，搭建并行特征提取的CNN去噪网络模型；步骤二，初始化CNN去噪网络模型的训练参数；步骤三、构建训练集；步骤四，设计损失函数，并以最小化损失函数为目标来训练CNN去噪网络模型，得到CNN去噪模型；步骤五，将噪声图像作为CNN去噪模型的输入，其输出即为网络模型学习到的噪声信息；步骤六，用噪声图像减去步骤五学习到的噪声信息，即可得到去噪后的干净图像。本发明专利技术能较彻底的去除噪声，能很好的保留图像的纹理信息，且显著提高客观指标PSNR和SSIM。

A CNN Denoising Method Based on Parallel Feature Extraction

The invention discloses a CNN denoising method based on parallel feature extraction, which includes six steps: step 1, building a CNN denoising network model for parallel feature extraction; step 2, initializing training parameters of CNN denoising network model; step 3, building training set; step 4, designing loss function, and training CNN denoising network model with minimizing loss function as the goal, so as to obtain CNN denoising. Noise model; Step 5, the noise image is taken as the input of CNN denoising model, and its output is the noise information learned by the network model; Step 6, the noise information learned by step 5 is subtracted from the noise image, and the clean image after denoising can be obtained. The invention can thoroughly remove noise, preserve the texture information of the image, and significantly improve the objective indicators PSNR and SSM.

【技术实现步骤摘要】
一种基于并行特征提取的CNN去噪方法
本专利技术涉及图像去噪领域，尤其涉及一种基于并行特征提取的CNN去噪方法。
技术介绍
现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像。图像去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息，作为一种重要的预处理手段，人们对图像去噪算法进行了广泛的研究。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。现有的去噪算法，有的在低维信号图像处理中取得较好的效果，却不适用于高维信号图像处理；或者去噪效果较好，却丢失部分图像边缘信息；或者致力于研究检测图像边缘信息，保留图像细节，却未在全局范围内滤波，也没有考虑到自然图像块与块之间的联系性。因此现有方法整体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CNN-LMS图像噪声的智能滤波方法及系统”(专利号：201810128238.0)，公开了一种通过在LMS自适应滤波系统中嵌入CNN智能控制模型，调节LMS自适应滤波系统参数，对图像噪声进行滤波或抑制，以去除图像噪声获取滤波图像的方法。专利“一种基于压缩型卷积神经网络的图像去噪方法”(专利号：201710286383.7)，公开了一种将原始的去噪卷积神经网络的卷积层替换成了经由低秩矩阵分解压缩后的卷积层，并进行图像去噪的方法。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)，公开了一种基于ReLU卷积神经网络模型的实时去噪方法。它们与本专利技术设计不同之处在于：(1)本专利技术中设计了两路并行的MPFE特征提取模块。(2)本专利技术使用密集连接将底层提取的特征前向传递到更高层。(3)本专利技术将底层提取的特征和MPFE特征提取模块提前的不同尺度的特征融合，从而使提取到的特征最大程度的表征图像信息。本专利技术与“一种CNN-LMS图像噪声的智能滤波方法及系统”、“一种基于ReLU卷积神经网络的图像去噪方法”和“一种基于ReLU卷积神经网络的图像去噪方法”相比，其优点为：(1)本专利技术在每个卷积层之前进行了补零操作，保证不改变图像的大小，能够尽可能的保留图像的边缘信息。(2)本专利技术使用了5个特征提取模块MPFE，它是一个两路并行的网络，分别使用不同的卷积核提取不同的特征，便于实现高质量去噪。(3)本专利技术使用密集连接将不同深度提出的图像特征连接在一起，经过特征融合和后，保证网络充分利用图像的各种特征学习输入和输出之间的映射关系。本专利技术的目的在于提供一种高质量的图像去噪方法，在去噪的同时尽可能的保留图像的边缘信息和细节信息。
技术实现思路
为解决现有技术的不足，本专利技术的目的在于提供一种基于多尺度并行CNN的图像去噪方法，以提高图像的去噪效果。本专利技术涉及一种基于并行特征提取的CNN去噪方法，其特征在于，具体按照以下步骤进行：步骤一，搭建并行特征提取的CNN去噪网络模型；步骤二，初始化CNN去噪网络模型的训练参数；步骤三、构建训练集；步骤四，设计损失函数，并以最小化损失函数为目标来训练CNN去噪网络模型，得到CNN去噪模型；步骤五，将噪声图像作为CNN去噪模型的输入，其输出即为网络模型学习到的噪声信息；步骤六，用噪声图像减去步骤五学习到的噪声信息，即可得到去噪后的干净图像。进一步的，所述的一种基于并行特征提取的CNN去噪方法，其特征在于，所述步骤一中，搭建的并行特征提取的CNN去噪网络模型包含5个特征提取模块MPFE，它是一个两路并行的网络，一边是3×3串联5×5的卷积核，另一边是5×5串联3×3的卷积核，最后将两路进行特征融合，MPFE的数学模型为，其中n＝1,2,...,5，ω和b分别代表权重和偏置，上标表示所在的层数，下标代表卷积核大小，d表示输入通道，MPnI和MPnO表示第n个MPFE的输入和输出，[MPnI,A2,B2]表示特征的串联操作。进一步的，所述的一种基于并行特征提取的CNN去噪方法，其特征在于，所述搭建的并行特征提取的CNN去噪网络模型包含的5个特征提取模块MPFE中，第一个和第二个MPFE的输入的数学模型为，其中上下标的含义与公式(1)中的相同。进一步的，所述的一种基于并行特征提取的CNN去噪方法，其特征在于，所述步骤一中，搭建的并行特征提取的CNN去噪网络模型包含22个卷积层，卷积核的大小为3×3或1×1，其中3×3卷积核后面均有一个激活函数为ReLU的激活层，CNN去噪网络模型的数学模型为，其中上下标的含义与公式(1)中的相同。进一步的，所述的一种基于并行特征提取的CNN去噪方法，其特征在于，所述步骤二中，CNN去噪网络模型的训练参数具体设置为：共训练75代，使用Adam作为优化器，学习效率的初始值设置为0.001，每隔10代下降一半，每一代中的batch_size设置为64，steps_per_epoch设置为2000。进一步的，所述的一种基于并行特征提取的CNN去噪方法，其特征在于，所述步骤三中，训练集的构建方法为，对400幅180×180的标准灰度图像随机加入确定浓度的高斯噪声后；按照步长10将标准图像裁剪成多张40×40的图像块；再对每一个图像块进行上下翻转、任意角度的旋转等操作，最后得到23.84万幅图像块，形成训练集。进一步的，所述的一种基于并行特征提取的CNN去噪方法，其特征在于，所述步骤四中，设计的损失函数为，其中Yi和分别表示第i幅噪声图像对应的理想干净图像和估计出的干净图像，ω和b分别代表权重和偏置。本专利技术相对于现有技术取得了以下技术效果：(1)本专利技术在每个卷积层之前进行了补零操作，保证不改变图像的大小，能够尽可能的保留图像的边缘信息。(2)本专利技术使用了5个特征提取模块MPFE，它是一个两路并行的网络，分别使用不同的卷积核提取不同的特征，便于实现高质量去噪。(3)本专利技术使用密集连接将不同深度提出的图像特征连接在一起，经过特征融合和后，保证网络充分利用图像的各种特征学习输入和输出之间的映射关系。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术的去噪流程图；图2是特征提取模块MPFE的结构图；图3是基于并行特征提取的CNN去噪网络模型图；图4是6种广泛使用的测试图像；图5是本专利技术及现有去噪方法的去噪结果图；其中(a)标准图像，(b)噪声图像/14.14dB，(c)BM3D的结果/29.85dB，(d)WNNM的结果/30.28dB，(e)EPLL的结果/29.08dB，(f)TNRD的结果/29.53dB，(g)MLP的结果/29.94dB，(h)DnCNN-S的结果/30.36dB，(i)本专利技术的结果/30.59dB。具体实施方式下面将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本文档来自技高网...

【技术保护点】
1.一种基于并行特征提取的CNN去噪方法，其特征在于，具体按照以下步骤进行：步骤一，搭建并行特征提取的CNN去噪网络模型；步骤二，初始化CNN去噪网络模型的训练参数；步骤三、构建训练集；步骤四，设计损失函数，并以最小化损失函数为目标来训练CNN去噪网络模型，得到CNN去噪模型；步骤五，将噪声图像作为CNN去噪模型的输入，其输出即为网络模型学习到的噪声信息；步骤六，用噪声图像减去步骤五学习到的噪声信息，即可得到去噪后的干净图像。

【技术特征摘要】
1.一种基于并行特征提取的CNN去噪方法，其特征在于，具体按照以下步骤进行：步骤一，搭建并行特征提取的CNN去噪网络模型；步骤二，初始化CNN去噪网络模型的训练参数；步骤三、构建训练集；步骤四，设计损失函数，并以最小化损失函数为目标来训练CNN去噪网络模型，得到CNN去噪模型；步骤五，将噪声图像作为CNN去噪模型的输入，其输出即为网络模型学习到的噪声信息；步骤六，用噪声图像减去步骤五学习到的噪声信息，即可得到去噪后的干净图像。2.根据权利要求1所述的一种基于并行特征提取的CNN去噪方法，其特征在于，所述步骤一中，搭建的并行特征提取的CNN去噪网络模型包含5个特征提取模块MPFE，它是一个两路并行的网络，一边是3×3串联5×5的卷积核，另一边是5×5串联3×3的卷积核，最后将两路进行特征融合，MPFE的数学模型为，其中n＝1,2,...,5，ω和b分别代表权重和偏置，上标表示所在的层数，下标代表卷积核大小，d表示输入通道，MPnI和MPnO表示第n个MPFE的输入和输出，...

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