一种基于卷积导向图滤波的去噪方法技术

本发明专利技术公开了一种基于卷积导向图滤波的去噪方法，属于图像恢复、去噪技术领域。所述方法是将卷积神经网络的去噪方法和导向图滤波的去噪方法相结合，通过利用低复杂度的卷积神经网络去除图像边缘的毛刺噪声，再利用导向图滤波的方法通过调整平滑参数对平坦区域的块噪声进行有效去除，可以更好的保护边缘纹理；两者结合的去噪模型不仅降低了卷积神经网络的复杂度，还使去噪性能更加广泛，在保证去噪结果清晰度的情况下，可以同时去除平坦区域的块噪声和边缘区域的毛刺噪声。

【技术实现步骤摘要】
一种基于卷积导向图滤波的去噪方法
本专利技术涉及图像处理
，尤其涉及基于卷积导向图滤波的去噪方法。
技术介绍
图像去噪是非常重要的一个图像预处理环节，图像去噪是利用各种技术手段对噪声进行滤除工作，以提升图像的质量，使图像能够表达出原始图像的更多信息，为后续的图像处理工作提供一定的帮助。图像噪声来源广泛，不同的噪声类型会影响到噪声图像的恢复工作。因此，针对不同的噪声需要不同的去噪方法才能达到最优效果。导向滤波是一种保边滤波，能够在平滑图像的同时保护物体边缘信息不丢失，并广泛应用于图像的降噪、边缘羽化、图像增强、抠图等图像处理中。与双边滤波相比，导向滤波对图像中物体边缘信息的保护力度更强，不会出现梯度反转的现象（表现为颜色异常的彩边），且时间复杂度更低。目前，深度学习对图像去噪已经得到了广泛的应用，并且去噪效果表现优异，随着深度学习在计算机视觉领域中的飞速发展，越来越多的去噪算法基于神经网络进行研究实验，并得到了更优异的性能。深度学习技术因为其强大的学习能力，可通过大量数据训练实现端到端的自学习过程而十分适合应用于图像去噪。但是，目前的技术局限性在于，（1）用卷积神经网络进行图像去噪时，若网络层数太多，过于复杂，虽有较好的去噪效果，但是会导致边缘过于平滑；若网络结构简单，则会导致去噪不充分，部分区域会导致“蜡像感”严重。（2）导向图滤波可以达到保边滤波的效果，在平坦区域达到类似于均值滤波的去噪效果，从而较好的去除在平坦区域视频压缩造成的块噪声，但是对于边缘部分的毛刺噪声却无法去除。本专利技术基于以往深度学习和导向滤波去噪的相关研究成果进行思考总结，提出泛化能力更强的去噪模型，从而获得更清晰真实的去噪结果。
技术实现思路
由于现有方法存在上述问题，本专利技术实施例提出一种基于卷积导向图滤波的去噪方法。具体地，本专利技术提供了以下技术方案，包括：步骤11在高清图像中加入块噪声和毛刺噪声得到第一图像。步骤12将所述第一图像输入CNN去噪网络得到第二图像。步骤13根据所述第一图像和所述第二图像，对所述第一图像进行导向滤波得到第三图像。具体地，以所述第二图像为导向图，第一图像为待滤波图，得到导向滤波系数，根据所述导向滤波系数，对第一图像进行导向滤波。步骤14根据所述第三图像与所述高清图像计算loss，得到CNN去噪网络模型参数。步骤15获取待去噪图像，输入所述已确定参数的CNN去噪网络进行去噪，得到第四图像。步骤16根据所述待去噪图像和第四图像，对所述待去噪图像进行导向滤波，输出导向滤波去噪后的图像。具体地，以所述待去噪图像作为待滤波图，所述第四图像为导向图，得到导向滤波系数。然后根据所述导向滤波系数，对所述待去噪图像进行导向滤波。本专利技术的核心思想在于将卷积神经网络去噪和导向图滤波去噪的方法相结合，形成优势互补。由以上技术方案可知，本专利技术有以下有益效果：（1）将卷积神经网络结合导向滤波一起训练确定卷积神经网络参数使得卷积神经网络只需关注去除边缘区域的毛刺噪声，简化了卷积神经网络的复杂度；（2）结合卷积神经网络与导向滤波对待去噪图像进行去噪既能去除平坦区域的块噪声又能去除边缘区域的毛刺噪声，该去噪模型的去噪性能更加广泛。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，下面将对实施例或现有技术描述中所需要使用的附图做简单的介绍，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说，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。图1表示本专利技术实施例基于卷积导向图滤波的去噪方法的流程示意图。图2表示本专利技术实施例训练CNN模型的流程示意图。图3表示本专利技术实施例训练CNN模型时通过下采样快速确定导向滤波系数的流程示意图。图4表示本专利技术实施例基于卷积导向图滤波模型去噪过程中通过下采样快速确定导向滤波系数的流程示意图。具体实施方式下面结合附图，对本专利技术的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。图1示出了本专利技术实施例提供的基于卷积导向图滤波的去噪方法的流程示意图，如图1所示，本专利技术实施例提供的基于卷积导向图滤波的去噪方法，具体包括如下内容：步骤101在高清图像中加入块噪声和毛刺噪声，得到第一图像E。可选地，所述第一图像可以是图片，也可以是视频中的图像帧。步骤102根据所述第一图像E，得到CNN去噪网络去噪后的第二图像E'。步骤103根据所述第一图像E以及所述CNN去噪网络去噪后的第二图像E'，对第一图像E进行导向滤波。具体地，作为一种实现方式，该步骤103具体可以包括：以所述第一图像E作为待滤波图，所述CNN去噪后的第二图像E'作为导向图进行均值滤波，得到滤波后的图像meanE和meanE'其中，r为滤波半径，设有M×N个像素点，同样的也有M×N个像素点，x,y=0,1,2,...,N-1；S是以（x,y）点为中心的领域的集合，M是S内总坐标数。计算近似的方差图其中var表示方差，cov表示协方差，corr表示关系系数。计算滤波系数k和m其中，为控制平滑度的正则化参数，该参数可以控制模型的去噪强度。在使用该去噪模型时，控制平滑度的正则化参数值比训练阶段设置的参数值低两个数量级效果更好。根据所述导向滤波系数k和m对所述第一图像E进行导向滤波处理，输出第三图像E''，可以通过以下公式表示滤波过程：。可选地，为了降低计算复杂度，提高计算效率，作为另一种实现方式，如图3所示，步骤102-103可改进为：将所述第一图像E作为第一分辨率图像进行下采样处理，得到第二分辨率图像Esub。将所述第二分辨率图像Esub输入所述CNN去噪网络，输出CNN去噪网络去噪后的图像Esub'。根据所述第二分辨率图像Esub和所述第二分辨率CNN去噪网络去噪后的图像Esub'，得到导向滤波系数ksub和msub。具体地，所述得到导向图滤波系数ksub和msub，包括：以所述第二分辨率图像Esub作为待滤波图，所述第二分辨率CNN去噪网络去噪后的图像Esub'作为导向图进行均值滤波，得到滤波后的图像和其中，r为滤波半径，设有M×N个像素点，同样的也有M×N个像素点，x,y=0,1,2,...,N-1；S是以（x,y）点为中心的领域的集合，M是S内总坐标数。计算近似的方差图其中var表示方差，cov表示协方差，corr表示关系系数。计算滤波系数ksub和msub其中，为控制平滑度的正则化参本文档来自技高网...

【技术保护点】
1.一种基于卷积导向图滤波的去噪方法，其特征在于，包括以下步骤：/n步骤1 在高清图像中加入块噪声和毛刺噪声得到第一图像；/n步骤2 将所述第一图像输入CNN去噪网络得到第二图像；/n步骤3 根据所述第一图像和所述第二图像，对所述第一图像进行导向滤波得到第三图像；/n步骤4 根据所述第三图像与所述高清图像计算loss，得到CNN去噪网络模型参数；/n步骤5 获取待去噪图像，输入所述已确定参数的CNN去噪网络进行去噪，得到经CNN去噪网络去噪后的第四图像；/n步骤6 根据所述待去噪图像和第四图像，对所述待去噪图像进行导向滤波，输出滤波去噪后的图像。/n

【技术特征摘要】
20201020 CN 20201112398101.一种基于卷积导向图滤波的去噪方法，其特征在于，包括以下步骤：
步骤1在高清图像中加入块噪声和毛刺噪声得到第一图像；
步骤2将所述第一图像输入CNN去噪网络得到第二图像；
步骤3根据所述第一图像和所述第二图像，对所述第一图像进行导向滤波得到第三图像；
步骤4根据所述第三图像与所述高清图像计算loss，得到CNN去噪网络模型参数；
步骤5获取待去噪图像，输入所述已确定参数的CNN去噪网络进行去噪，得到经CNN去噪网络去噪后的第四图像；
步骤6根据所述待去噪图像和第四图像，对所述待去噪图像进行导向滤波，输出滤波去噪后的...

【专利技术属性】
技术研发人员：孙作潇，陈宇，王明琛，刘宇新，朱政，
申请(专利权)人：杭州微帧信息科技有限公司，
类型：发明
国别省市：浙江;33