基于迁移学习的图像去噪方法、系统、设备及介质技术方案

本公开公开了基于迁移学习的图像去噪方法、系统、设备及介质，获取待去噪的图像；将待去噪的图像输入到预先训练好的基于迁移学习的去噪神经网络中进行处理，所述基于迁移学习的去噪神经网络，包括：主降噪网络和噪声分布信息提取网络；噪声分布信息提取网络用于提取随机噪声分布特征；将随机噪声分布特征进行预处理后，作为主降噪网络每个残差模块的动态归一化参数，把随机噪声分布特征迁移到主去噪网络的数据特征中，加速主网络的收敛速度；利用动态归一化参数对主降噪网络每个残差模块提取的图像特征进行归一化处理，主降噪网络输出纯噪声图像；将纯噪声图像与待去噪的图像进行差值处理，得到去噪后的图像。

Image denoising method, system, equipment and media based on migration learning

【技术实现步骤摘要】
基于迁移学习的图像去噪方法、系统、设备及介质
本公开涉及图像处理
，特别是涉及基于迁移学习的图像去噪方法、系统、设备及介质。
技术介绍
本部分的陈述仅仅是提到了与本公开相关的
技术介绍
，并不必然构成现有技术。在实现本公开的过程中，专利技术人发现现有技术中存在以下技术问题：目前，随着社会的发展以及科技的日益进步，电脑、ipad、手机等电子产品越来越普及，人们期待从高清的图像中获得更好的感知信息，但是电子设备采集图像信息期间，经常由于不良光照或是高温会引起传感器的噪声，最终导致呈现的图像夹杂不必要的噪声。这些加噪的图像需要经过图像降噪，恢复的高清图像会应用到社会与生活的方方面面。图像去噪的复原工作应用在社会生活的多个方面，手机摄像头以及专业相机拍摄的图片存在信道依赖的噪声和高斯噪声的综合噪声，射线管电视机或是显示器存在高斯噪声和椒盐噪声等多种噪声。目前，日常生活对摄像头和显示器的依赖不言而喻，对于目标识别和物体检测数据前期处理、城市社区视频安防、刑事案件取证、交通超速拍照等等，图像去噪复原具有十分重要的意义。自深本文档来自技高网...

【技术保护点】
1.基于迁移学习的图像去噪方法，其特征是，包括：/n获取待去噪的图像；/n将待去噪的图像输入到预先训练好的基于迁移学习的去噪神经网络中进行处理，所述基于迁移学习的去噪神经网络，包括：主降噪网络和噪声分布信息提取网络；/n噪声分布信息提取网络用于提取随机噪声分布特征；将随机噪声分布特征进行预处理后，作为主降噪网络每个残差模块的动态归一化参数，把随机噪声分布特征迁移到主去噪网络的数据特征中，加速主网络的收敛速度；利用动态归一化参数对主降噪网络每个残差模块提取的图像特征进行归一化处理，主降噪网络输出纯噪声图像；/n将纯噪声图像与待去噪的图像进行差值处理，得到去噪后的图像。/n

【技术特征摘要】
1.基于迁移学习的图像去噪方法，其特征是，包括：
获取待去噪的图像；
将待去噪的图像输入到预先训练好的基于迁移学习的去噪神经网络中进行处理，所述基于迁移学习的去噪神经网络，包括：主降噪网络和噪声分布信息提取网络；
噪声分布信息提取网络用于提取随机噪声分布特征；将随机噪声分布特征进行预处理后，作为主降噪网络每个残差模块的动态归一化参数，把随机噪声分布特征迁移到主去噪网络的数据特征中，加速主网络的收敛速度；利用动态归一化参数对主降噪网络每个残差模块提取的图像特征进行归一化处理，主降噪网络输出纯噪声图像；
将纯噪声图像与待去噪的图像进行差值处理，得到去噪后的图像。


2.如权利要求1所述的方法，其特征是，
所述主降噪网络，包括：依次连接的第一卷积层、第二卷积层、第一下采样层、第三卷积层、第二下采样层、第四卷积层、第一残差模块、第二残差模块、第三残差模块、第四残差模块、第五残差模块、第一上采样层、concat拼接层、第五卷积层、第二上采样层、第六卷积层和第七卷积层。


3.如权利要求1所述的方法，其特征是，
所述噪声分布信息提取网络，包括：第八卷积层、第九卷积层、第三下采样层、第四下采样层、第五下采样层、第六下采样层、第十卷积层、第十一卷积层、第十二卷积层、第十三卷积层、第十四卷积层、第一全连接层、第二全连接层、第三全连接层、第四全连接层、第五全连接层、第六全连接层、第七全连接层、第八全连接层、第九全连接层和第十全连接层。


4.如权利要求2所述的方法，其特征是，
所述第一卷积层，用于对待去噪图像进行特征提取，获取第一特征图；提取特征图大小为256*256*32；
所述第二卷积层，用于对第一特征图进行特征提取，获取第二特征图；提取特征图大小为256*256*32；
所述第一下采样层，用于对第二特征图进行下采样处理，获取第三特征图；
所述第三卷积层，用于对第三特征图进行特征提取，获取第四特征图；提取特征图大小为128*128*64；
所述第二下采样层，用于对第四特征图进行下采样处理，获取第五特征图；
所述第四卷积层，用于对第五特征图进行特征提取，获取第六特征图；提取特征图大小为64*64*128；
所述第一残差模块，用于利用噪声分布信息提取网络提供的第一归一化参数，对第六特征图进行残差处理，获取第七特征图；
所述第二残差模块，用于利用噪声分布信息提取网络提供的第二归一化参数，对第七特征图进行残差处理，获取第八特征图；
所述第三残差模块，用于利用噪声分布信息提取网络提供的第三归一化参数，对第八特征图进行残差处理，获取第九特征图；
所述第四残差模块，用于利用噪声分布信息提取网络提供的第四归一化参数，对第九特征图进行残差处理处理，获取第十特征图；
所述第五残差模块，用于利用噪声分布信息提取网络提供的第五归一化参数，对第十特征图进行残差处理处理，获取第十一特征图；
所述第一上采样层，用于对第十一特征图进行上采样处理，获取第十二特征图；
concat拼接层，用于将第三卷积层输出的第四特征图与第一上采样层输出的第十二特征图进行拼接，得到第十三特征图；
所述第五卷积层，用于对第十三特征图进行卷积处理，获取第十四特征图；
所述第二上采样层，用于对第十四特征图进行上采样处理，获取第十五特征图；
所述第六卷积层，用于对第十五特征图进行卷积处理，获取第十六特征图；
所述第七卷积层，用于对第十六特征图进行卷积处理，获取纯噪声图像。


5.如权利要求3所述的方法，其特征是，
所述第八卷积层，用于对随机生成的噪声图像进行...

【专利技术属性】
技术研发人员：杨飞，郎济莹，王维颂，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37