【技术实现步骤摘要】
一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法
本专利技术涉及一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法，属于图像处理和计算机视觉
技术介绍
由于深度学习，特别是卷积神经网络在图像识别等领域的迅速发展，基于深度学习的图像去噪方法也得到了很好的应用，并且得到了与传统方法相近或更好的效果，这也使得许多科研学者进行了研究。2017年，Zhang等提出用较深层的CNN网络实现图像去噪，称为DnCNN网络。为了解决网络层数加深导致的梯度弥散效应，DnCNN并不对图像进行学习，而是以输出与噪声的L2范数作为损失函数来训练网络。DnCNN网络可以看成一个残差学习的过程，这样可以较好的训练网络模型。在该网络中利用了BatchNormalization层，实验表明BN层与残差学习共同使用可以提高模型的性能。DnCNN在不同噪声水平上训练，得到的结果也优于比较经典的算法的去噪效果，如BM3D等。2018年，Zhang等又提出FFDNet，该网络可以看成是DnCNN的后续作品，原理是将噪声水平reshape成图片大小并和噪声图像同时送入网络进行训练，改变下...
【技术保护点】
1.一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法，其特征在于：所述基于深度神经网络和跳跃连接的无干净标签图像去噪方法的具体步骤如下：Step1、选择公用的数据集；Step2、对选择的数据集进行添加噪声处理；Step3、结合图像中的噪声类型，建立U‑Net++深度卷积神经网络；Step4、将有噪声的图像送入所述的U‑Net++深度卷积神经网络，得到图像去噪网络模型；Step5、通过求解最小化损失函数的值，学习到网络模型的最优参数，利用训练好的网络模型来对噪声图像进行复原。
【技术特征摘要】
1.一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法，其特征在于：所述基于深度神经网络和跳跃连接的无干净标签图像去噪方法的具体步骤如下：Step1、选择公用的数据集；Step2、对选择的数据集进行添加噪声处理；Step3、结合图像中的噪声类型，建立U-Net++深度卷积神经网络；Step4、将有噪声的图像送入所述的U-Net++深度卷积神经网络，得到图像去噪网络模型；Step5、通过求解最小化损失函数的值，学习到网络模型的最优参数，利用训练好的网络模型来对噪声图像进行复原。2.根据权利要求1所述的基于深度神经网络和跳跃连接的无干净标签图像去噪方法，其特征在于：所述步骤Step2的具体步骤如下：步骤Step2.1、对数据集中的每一张图像进行选取和裁剪，使计算设备处于可承担的运算环境；步骤Step2.2、创建不同的噪声模型，根据需求对数据集添加不同的噪声。3.根据权利要求2所述的基于深度神经网络和跳跃连接的无干净标签图像去噪方法，其特征在于：所述步骤Step2.2的具体步骤如下：Step2.2.1、设计四种噪声模型，分别为加性高斯噪声、泊松噪声、乘性伯努利噪声、文本噪声；加性高斯噪声，其中模型参数噪声标准偏差σ∈[0，50]；泊松噪声，其中模型参数噪声幅度λ∈[0,50]；乘性伯努利噪声，其中用p表示像素损坏概率则设定p∈[0,0.95]；文本噪声，其中p∈[0,0.5]；Step2.2.2、将从数据集中选取的一张图像送入噪声模型即添加噪声分布，次数为两次，分别得到两张不同的噪声图像，其中一张用作网络模型输入的噪声图像，另一张用作标签图像；Step2.2.3、迭代步骤Step2.2.2得到一组经过加噪的训练集。4.根据权利要求1所述的基于深度神经网络和跳跃连接的无干净标签图像去噪方法，其特征在于：Step3具体包括以下步骤：Step3.1、使用U-Net网络结构改进的U-Net++结构；其中从纵向来看继承了U-Net的编码器-解码器结构；编码器结构通过堆叠组合卷积层和池化层来产生不同尺度的卷积特征，在卷积特征X(m，n)和卷积特征X(m+1，n)之间采用步长为2的池化层使特征图减小为原来的二分之一，其中，m为网络深度，n为水平宽度；解码器结构通过邻近插值法和一个2*2的卷积层代替反卷积，好处是不会像反卷积丢失过多的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。