一种基于全卷积孪生网络的无人机图像去噪方法技术

本发明专利技术涉及一种基于全卷积孪生网络的无人机图像去噪方法，首先使用马氏距离在干净和噪声图像组合中计算出相似块组标签；随后建立全卷积孪生网络进行训练。在去噪场景中，孪生网络输出待去噪图像的相似块组，然后通过高斯混合模型构建具有外部信息和内部信息的混合正交字典。最后使用加权稀疏编码框架求解正交字典重构图像块，随后聚合图像块达到最终去噪。本发明专利技术利用马氏距离和全卷积孪生网络来寻找相似块组，解决了块匹配算法使用欧式距离寻找相似块组时不够准确且忽略图像块结构的问题。

【技术实现步骤摘要】
一种基于全卷积孪生网络的无人机图像去噪方法
本专利技术涉及图像处理
，具体涉及一种基于全卷积孪生网络的无人机图像去噪方法。
技术介绍
无人机具有机动性强，效率高等特点，目前在航拍、农业、灾难救援、电力巡检等领域都有着非常广泛的用途。无人机搭载高精度相机获取地面的图像数据，从而帮助人们实时准确地分析信息。但无人机在拍摄的过程中由于机体的震动，拍摄的图像往往带有噪声，因此如何去除噪声获得真实图像的准确信息成为一个难点。图像去噪是指从被噪声污染的图像中恢复干净图像，是提高高级计算机视觉任务(如分类，检测，分割)性能的基础。针对真实图像去噪问题已经产生了许多成功的算法，如BM3D，WNNM等。这些去噪算法主要是依赖图像内部的自相似性来恢复干净图像。通过在噪声图像块邻域内上寻找相似块组成相似块组来进行协同去噪，但受到噪声的干扰，这些寻找到的相似块组并不能很好地表示干净图像块。通常使用欧式距离来寻找相似块组，这忽略了图像块本身的纹理特征，寻找到的相似块组与目标图像块只在色彩上相似，结构不相似。导致去噪结果往往会出现过平滑现象。所以如何快速寻找到能够准本文档来自技高网...

【技术保护点】
1.一种基于全卷积孪生网络的无人机图像去噪方法，其特征在于，包括以下步骤：/n步骤S1：获取初始图像数据集，并预处理得到训练噪声图像集；/n步骤S2：构建灰度相似块组训练高斯混合模型；/n步骤S3：将训练噪声图像集输入进全卷积孪生网络，获得输出特征图；/n步骤S4：根据每个噪声参考图像块和正负样本标签的位置从特征图中取出对应的通道向量，并使用Adam优化器最小化损失函数；/n步骤S5：重复步骤S3-S4，直至全卷积孪生网络训练完成；/n步骤S6：将待去噪图像输入进全卷积孪生网络得到输出特征图，对于所有的参考块与邻域内的所有图像块进行马氏距离计算，选择前M个图像块作为该参考块的相似块组；/n步骤...

【技术特征摘要】
1.一种基于全卷积孪生网络的无人机图像去噪方法，其特征在于，包括以下步骤：
步骤S1：获取初始图像数据集，并预处理得到训练噪声图像集；
步骤S2：构建灰度相似块组训练高斯混合模型；
步骤S3：将训练噪声图像集输入进全卷积孪生网络，获得输出特征图；
步骤S4：根据每个噪声参考图像块和正负样本标签的位置从特征图中取出对应的通道向量，并使用Adam优化器最小化损失函数；
步骤S5：重复步骤S3-S4，直至全卷积孪生网络训练完成；
步骤S6：将待去噪图像输入进全卷积孪生网络得到输出特征图，对于所有的参考块与邻域内的所有图像块进行马氏距离计算，选择前M个图像块作为该参考块的相似块组；
步骤S7：通过干净相似块组训练高斯混合模型，得到能够表达干净子空间分布的字典信息；
步骤S8：噪声图像块组求出均值并进行均值减法预处理，使用高斯混合模型对噪声图像块组进行子空间分类，对于子空间k结合外部信息和内部信息构建完整的字典信息；
步骤S9：建立稀疏编码框架迭代T次求解正交字典和稀疏系数矩阵：
步骤S10：通过稀疏表示恢复干净图像块组
步骤S11：聚合所有图像块；
步骤S12：重复步骤S6-S11，直至达到迭代次数，输出最终去噪结果。


2.根据权利要求1所述的一种基于全卷积孪生网络的无人机图像去噪方法，其特征在于，所述步骤S1具体为：获取初始图像数据集，在初始图像数据集{y(1),y(2),...,y(m)}上随机三次叠加均值为0标准差为σ的高斯噪声得到训练噪声图像集{x(1),x(2),...,x(m)}。

【专利技术属性】
技术研发人员：陈飞，尤福源，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35