一种基于改进的自适应神经网络的图像去噪方法技术

本发明专利技术公开了一种基于改进的自适应神经网络的图像去噪方法，首先，收集无噪声的图片和被噪声污染过的图片形成数据集，并对数据集进行预处理；其次，搭建并训练Cycle‑GAN网络，并在Cycle‑GAN网络后连接U型神经网络,将整体的网络命名为Cycle‑GAN‑Unet网络；对搭建完成的网络进行训练；将卷积神经网络的损失函数同Cycle‑GAN的损失函数相加；最后，将整个训练好网络的输出使用滤波器进行最后的去噪得到去噪的图像。本发明专利技术训练数据的图像不需要一一对应的标注，只需要一组无噪图像和一组有噪图像即可，最终训练好的系统就可对新输入的有噪声图像进行降噪输出无噪图像，并且相比于单独的Cycle‑GAN网络有更好的降噪能力。

【技术实现步骤摘要】
一种基于改进的自适应神经网络的图像去噪方法
本专利技术专利属于计算机视觉领域，具体涉及一种基于改进的自适应神经网络的图像去噪方法。
技术介绍
图像处理一直计算机领域热门的研究话题，而图像的去噪则是前提条件，我们需要获得清晰的图片以方便下一步的操作。近年来，神经网络的兴起给人工智能界注入了全新的活力，神经网络强大的拟合能力几乎可以拟合任何复杂到原来都不能想象的函数。而在计算机视觉领域，卷积神经网络的提出更是奠基性的，它提取图像特征的能力是目前没有别的方法能及的，相比于传统的图像处理例如滤波器的去噪方法，神经网络有着更强的普适性，一个网络可以应对各种滤波，这正是因为神经网络能拟合复杂的函数，一个函数产生噪声从通常来说是因为引入了一个未知的退化函数和加性噪声，而神经网络的强大就能无线逼近这样的退化函数，这是传统滤波器不能比的。上海联影医疗科技有限公司在其申请的专利文献“一种图像降噪的方法和装置”(专利申请号201210588033.3，授权公告号103903227B)设计了一种基于加权平均值的平滑处理，他对这样的方法做了进一步的后续处理，使得图像处理结果不仅仅像平均值处理那么简单，他还引入了权重图像，基于权重图像可以在原平均值图像的基础上进行更有效的处理和降噪，使得效果更加好。但是可以看出这样的人工设定的传统方法也是基于人的直觉和经验来做出的调整，效果上的确有所改善，但是实际上的噪声是千变万化的，无论手工设计多少的改进都无法应对复杂的场景，多噪声的混合一定会让这种方法出现瑕疵。
技术实现思路
专利技术目的：本专利技术为了解决传统图像去噪方法不能应对复杂噪声提出一种基于改进的自适应神经网络的图像去噪方法，面对被多种噪声混合污染的图像，也有很好的去噪效果。技术方案：本专利技术所述的一种基于改进的自适应神经网络的图像去噪方法，包括如下步骤：(1)收集无噪声的图片和被噪声污染过的图片分别形成数据集，并对数据集进行预处理；(2)搭建并训练Cycle-GAN网络：需要搭建两个生成网络两个判别网络，一个生成网络和一个判别网络组成一个GAN网络，一个GAN网络用来把数据A映射到数据B，另一个GAN网络把数据B映射回数据A，两个GAN网络结构相同；(3)搭建卷积U型神经网络：在由数据A映射到数据B的GAN网络后面连接一个采用U型网络设计的神经网络；(4)先对Cycle-GAN部分进行训练，设置一个alpha阈值，当训练超过一定步数还无法达到网络进行自适应调整，增加残差块；当训练达到目标要求后，Cycle-GAN网络训练好，再将U型网络的损失函数加到Cycle-GAN网络的后面形成总损失函数进行联合训练，将加入U型网络的网络命名为Cycle-GAN-Unet网络，给予U型网络损失函数较小权重，通常可选取1e-3甚至更小；(5)设定一个beta阈值，对于一个新的带噪图片，若图片处理结果的损失函数值超过beta阈值则使用传统滤波器进行最后的修正；若损失函数没超过阈值则不再用传统滤波器处理。进一步地，步骤(1)所述的预处理主要对数据集进行增强及归一化处理。进一步地，所述步骤(2)包括以下步骤：(22)生成网络中包括一个conv1卷积层，conv2卷积层，conv3卷积层，N个残差块，N的个数由模型自适应改变，初值设为3，上限为9个残差块，transposeconv1转置卷积层，transposeconv2转置卷积层，conv4卷积层，conv5卷积层；(22)采用残差模块将深一层的特征与浅层特征融合，同时加深网络深度而不出现梯度消失的现象，使得网络更加的强大和可训练，其主要由以下几层组成：res_conv1卷积层，res_conv2卷积层，然后和未经这两层卷积的输入直接进行通道的拼接；(23)判别网络包括conv1卷积层，conv2卷积层，conv3卷积层，conv4卷积层，conv5卷积层；(24)参数设置方面：生成网络的conv1和conv5卷积核为7*7大小，conv4卷积核为1*1，conv2,conv3卷积核大小都为3*3，步长为2，transposeconv1,transposeconv2卷积核大小为4*4，步长为2；输出通道数上，conv1,conv2,conv3,conv4,conv5分别为64，128，256，64，3；transposeconv1,transposeconv2为128，64；残差模块res_conv1,resconv2卷积核为3*3，通道数都为256；生成网络所有卷积核大小都选择4*4，通道数分别为64，128，256，512，1，并且除了conv5所有卷积层步长都为2；(25)生成网络中的除了conv5卷积层，其它卷积层包括残差快中的卷积层除了包含卷积以外，后面接着InstanceNormalization归一化层和ReLU激活层，conv5卷积层则是后面接着InstanceNormalization归一化层和Tanh激活层；判别网络除了conv5卷积层，其余卷积层除了普通卷积后面都接着InstanceNormalization归一化层和LeakyReLU激活层，超参数设置为0.2，conv5卷积层则除了卷积没有额外的层。进一步地，所述步骤(3)包括以下步骤：(31)U型网络包含conv1卷积层，conv2卷积层，conv3卷积层，conv4卷积层，conv5卷积层，conv6卷积层，conv7卷积层，conv8卷积层，conv9卷积层，conv10卷积层，conv11卷积层，conv12卷积层，conv13卷积层，conv14卷积层，transposeconv1转置卷积层，conv15卷积层，conv16卷积层，transposeconv2转置卷积层，conv17卷积层，conv18卷积层，transposeconv3转置卷积层，conv19卷积层，conv20卷积层，transposeconv4转置卷积层，conv21卷积层，conv22卷积层，conv23卷积层；(32)跳跃连接部分，conv2卷积层的输出通道拼接到transposeconv4转置卷积层的输出上，conv5卷积层的输出通道拼接到transposeconv3转置卷积层的输出上，conv8卷积层的输出通道拼接到transposeconv2转置卷积层的输出上，conv11卷积层的输出通道拼接到transposeconv1转置卷积层的输出上；(33)参数部分，conv1，conv2，conv4，conv5，conv7，conv8，conv10，conv11，conv13，conv14，conv16，conv17，conv19，conv20，conv22，conv23，conv25，conv26卷积层卷积核大小都为3*3，输出通道数分别为64，64，128，128，256，256，512，512，1024，1024，512，512，256，256，128，128，64，64；conv27卷积层卷积核大小为1*1，输出通道数为原图通道数本文档来自技高网...

【技术保护点】
1.一种基于改进的自适应神经网络的图像去噪方法，其特征在于，包括以下步骤：/n(1)收集无噪声的图片和被噪声污染过的图片分别形成数据集，并对数据集进行预处理；/n(2)搭建并训练Cycle-GAN网络：需要搭建两个生成网络两个判别网络，一个生成网络和一个判别网络组成一个GAN网络，一个GAN网络用来把数据A映射到数据B，另一个GAN网络把数据B映射回数据A，两个GAN网络结构相同；/n(3)搭建卷积U型神经网络：在由数据A映射到数据B的GAN网络后面连接一个采用U型网络设计的神经网络；/n(4)先对Cycle-GAN部分进行训练，设置一个alpha阈值，当训练超过一定步数还无法达到网络进行自适应调整，增加残差块；当训练达到目标要求后，Cycle-GAN网络训练好，再将U型网络的损失函数加到Cycle-GAN网络的后面形成总损失函数进行联合训练，将加入U型网络的网络命名为Cycle-GAN-Unet网络，给予U型网络损失函数较小权重，通常可选取1e-3甚至更小；/n(5)设定一个beta阈值，对于一个新的带噪图片，若图片处理结果的损失函数值超过beta阈值则使用传统滤波器进行最后的修正；若损失函数没超过阈值则不再用传统滤波器处理。/n...

【技术特征摘要】
1.一种基于改进的自适应神经网络的图像去噪方法，其特征在于，包括以下步骤：
(1)收集无噪声的图片和被噪声污染过的图片分别形成数据集，并对数据集进行预处理；
(2)搭建并训练Cycle-GAN网络：需要搭建两个生成网络两个判别网络，一个生成网络和一个判别网络组成一个GAN网络，一个GAN网络用来把数据A映射到数据B，另一个GAN网络把数据B映射回数据A，两个GAN网络结构相同；
(3)搭建卷积U型神经网络：在由数据A映射到数据B的GAN网络后面连接一个采用U型网络设计的神经网络；
(4)先对Cycle-GAN部分进行训练，设置一个alpha阈值，当训练超过一定步数还无法达到网络进行自适应调整，增加残差块；当训练达到目标要求后，Cycle-GAN网络训练好，再将U型网络的损失函数加到Cycle-GAN网络的后面形成总损失函数进行联合训练，将加入U型网络的网络命名为Cycle-GAN-Unet网络，给予U型网络损失函数较小权重，通常可选取1e-3甚至更小；
(5)设定一个beta阈值，对于一个新的带噪图片，若图片处理结果的损失函数值超过beta阈值则使用传统滤波器进行最后的修正；若损失函数没超过阈值则不再用传统滤波器处理。


2.根据权利要求1所述的一种基于改进的自适应神经网络的图像去噪方法，其特征在于，步骤(1)所述的预处理主要对数据集进行增强及归一化处理。


3.根据权利要求1所述的一种基于改进的自适应神经网络的图像去噪方法，其特征在于，所述步骤(2)包括以下步骤：
(21)生成网络中包括一个conv1卷积层，conv2卷积层，conv3卷积层，N个残差块，N的个数由模型自适应改变，初值设为3，上限为9个残差块，transposeconv1转置卷积层，transposeconv2转置卷积层，conv4卷积层，conv5卷积层；
(22)采用残差模块将深一层的特征与浅层特征融合，同时加深网络深度而不出现梯度消失的现象，使得网络更加的强大和可训练，其主要由以下几层组成：res_conv1卷积层，res_conv2卷积层，然后和未经这两层卷积的输入直接进行通道的拼接；
(23)判别网络包括conv1卷积层，conv2卷积层，conv3卷积层，conv4卷积层，conv5卷积层；
(24)参数设置方面：生成网络的conv1和conv5卷积核为7*7大小，conv4卷积核为1*1，conv2,conv3卷积核大小都为3*3，步长为2，transposeconv1,transposeconv2卷积核大小为4*4，步长为2；输出通道数上，conv1,conv2,conv3,conv4,conv5分别为64，128，256，64，3；transposeconv1,transposeconv2为128，64；残差模块res_conv1,resconv2卷积核为3*3，通道数都为256；生成网络所有卷积核大小都选择4*4，通道数分别为64，128，256，512，1，并且除了conv5所有卷积层步长都为2；
(25)生成网络中的除了conv5卷积层，其它卷积层包括残差快中的卷积层除了包含卷积以外，后面接着InstanceNormalization归一化层和ReLU激活层，conv5卷积层则是后面接着InstanceNormalization归一化层和Tanh激活层；判别网络除了conv5卷积层，其余卷积层除了普通卷积后面都接着InstanceNormalization归一化层和LeakyReLU激活层，超参数设置为...

【专利技术属性】
技术研发人员：岳炜翔，王敏，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32