一种基于随机重排和无标签模型的隐式图像盲去噪方法技术

本发明专利技术公开了一种基于随机重排和无标签模型的隐式图像盲去噪方法，包括以下步骤：首先，利用图像高频信号滤波器提取带噪图像的低频图像，接着用带噪图像减去低频图像以获取高频信号，并对高频信号进行预处理；其次，通过隐式噪声模型提取高频信号生成同类型的噪声信号，利用生成的的噪声信号构建带噪图像数据；最后，将带噪图像数据训练基于神经网络盲去噪模型，利用训练好的基于神经网络盲去噪模型对图像进行去噪处理。图像进行去噪处理。图像进行去噪处理。

【技术实现步骤摘要】
一种基于随机重排和无标签模型的隐式图像盲去噪方法


[0001]本专利技术属于底层图像信号处理的噪声图像盲去噪领域，具体涉及一种基于随机重排和无标签模型的隐式图像盲去噪方法。

技术介绍

[0002]随着社会生活水平的提高和科学技术的高速发展，消费者们对照相的要求越来越高，传统的照相已经无法满足广大消费者了，于是出现了各式各样的照片润色程序。在很多可以进行照片润色的应用程序中，人们通常想要自拍照更清晰的同时保留头发等细节。然而，由于环境条件的多样性和传感器的不确定性等多重因素使得图像的噪声信息并不总是有用。例如，夜晚户外拍照通常会由于光线条件较差产生更高水平的噪声。同样，网络共享的图像往往会缺少摄像头信息，这就使得不知道噪声的类型。为了通过减少附加噪声，从其噪声观测中恢复给定的清晰图像，就必须对摄像和许多计算机视觉任务进行图像去噪。
[0003]图像去噪是为了提高人类可视体验移除图像噪声的任务。图像去噪已经研究了几十年，由于传统的图像去噪方法大多把标准差作为噪声评估的参考，因此只有极少数的方法是针对图像盲去噪。但事实上，相同标准差的噪声，其类型并不一定也相同。例如，用iPhone拍出来的图片，就因为环境的多样性、传感器的不确定性导致不知道它的噪声信息是怎样的。因此，图像盲去噪方法的研究具有深远意义。
[0004]随着深度神经网络进入人们的视线，基于鉴别学习的方法，如从噪声建模到盲图像去噪、学习深度卷积神经网络去噪进行图像恢复等被提出，尽管这些方法并不完美，但它们提供了在具有带噪与无噪的训练图像对的情况下卓越的去噪方案。然而，在现实世界中，无噪的图像对往往难以获得，而带噪的图像却很容易就可以在网络上获取，提出的技术可以直接从带噪图像中提取噪声模型并用于生成带噪和无噪的训练数据对。与本专利技术方法相似的是，基于对抗生成式网络的盲去噪器(GCBD)提出了一种新的GAN噪声模型架构，可以通过构造训练数据对以实现更为精确的图像恢复。基于“零次学习”的超分辨率(ZSSR)进一步证明了该模型本身能够从有限数量的真实样本中学习有价值的知识，通过建立一个鲁棒的真实噪声采样和建模框架，而不是拟合人工产生的噪声，来探索图像盲去噪。
[0005]由于卷积神经网络的学习能力和能够从网络中获取大量的训练数据，基于判别式学习的图像去噪方法取得了各种公共用途图像去噪数据集(含有有噪声的图像和其相应的无噪声图像)的最佳结果。然而，在日常生活中，如果没有经过小心谨慎的预处理和后处理，是难以收集到理想的无噪声图像的。其次，额外的先验和人类知识在去除给定的噪声图像中的噪声上起着至关重要的作用，这些先验和知识在一定程度上限制了现有方法的建模能力。这些存在的障碍如何构造这样成对的图像训练数据是需要解决的问题。在涉及无标签学习时，生成对抗网络成为了一种流行趋势。中山大学J.Chen等人在其论文“基于盲图像去噪与生成对抗网络的噪声建模”中提出一种事先不知道噪声的概率模型，实现对图像中的噪声消除，通过GAN对噪声分布进行建模，获得建立的模型生成噪声样本，与干净的图像构成训练数据集，训练网络实现盲去噪。然而，如果没有正确的指导，通过GAN生成的图像往往
由于视觉上的观感不佳和细节上的错误导致PSNR和SSIM较低使得去噪性能降低。

技术实现思路

[0006]本专利技术目的在于提出一种基于随机重排和无标签模型的隐式图像盲去噪方法和无标签图像盲去噪框架，为了实现图像盲去噪，本专利技术能够直接从噪声图像中提取隐式噪声模型，并将其施加于无噪声图像从而成大量的带噪图像，构造出可用于训练神经网络的带噪与无噪图像对，最后用构造的图像对训练基于神经网络的图像去噪器。与很多需要明确建模噪声的传统图像去噪方法相比，本专利技术在隐式嵌入给定噪声图像的噪声模型上取得了进步，能够促进在图像相关应用上的图像数据感知。
[0007]本专利技术至少通过如下技术方案之一实现。
[0008]一种基于随机重排和无标签模型的隐式图像盲去噪方法，包括以下步骤：利用图像高频信号滤波器提取带噪图像的低频图像，接着用带噪图像减去低频图像以获取高频信号，并对高频信号进行预处理；
[0009]通过隐式噪声模型提取高频信号生成同类型的噪声信号，利用生成的的噪声信号构建带噪图像数据；
[0010]将带噪图像数据训练基于神经网络盲去噪模型，利用训练好的基于神经网络盲去噪模型对图像进行去噪处理。
[0011]进一步地，通过以下公式获取高频信号h：
[0012][0013]其中n表示具有先验的P
j*
的纯噪声，o表示包括噪声信息和图像细节信息的高频信息，表示操作数的空间共存。
[0014]进一步地，对高频信号进行预处理包括：
[0015]使用空间变换f将高频信号h中带有噪声信息和图像细节信息的高频信息o进行打乱，从而得到无纹理细节的纯噪声，记为o
’
：
[0016]将空间变换函数f(.)应用于高频信号h，即：
[0017][0018]其中，h
’
表示多种混合噪声信号；将n
’
视为纯噪声n，即：
[0019][0020]检索到多种混合噪声信号h
’
后，将多种混合噪声信号h
’
添加到干净图像x
c
中，构造噪声图像x
h
’
，
[0021][0022]其中x
c
代表随机的一张无噪图像；
[0023]由于多种混合噪声信号h
’
是局部的o
’
或纯噪声n，构造两对图像，得到θ去噪器，通过最小化从噪声图像中去除纯噪声n和o
’
[0024][0025]其中θ是去噪网络的参数，P
j*
是原始噪声先验，P
j
′
是图像纹理经过空间打乱后形成的新的噪声的先验，P
^j
代表混合噪声信号h
’
的噪声先验。
[0026]进一步地，空间变换f满足以下两个要求：
[0027](1)f(n)＝n
’
；其中具有先验的P
j*
的纯噪声n和n
’
服从相同的分布P
j*
；其中f(n)表示空间变换函数，n
’
表示输入噪声信号n经过空间变换后的结果，P
j*
表示图像的原始噪声分布；
[0028](2)f(o)＝o
’
，其中o表示包括噪声信息和图像细节信息的高频信息，o
’
表示从P
j
’
采样的噪声类型；f(o)表示空间变换函数，o
’
表示高频信号o经过空间变换后的结果，P
i
’
表示的o
’
噪声分布。
[0029]进一步地，带噪图像数据的构建是将生成的的噪声信号添加到干净的图像中，形成成对的训练数据。
[0030]进一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，包括以下步骤：利用图像高频信号滤波器提取带噪图像的低频图像，接着用带噪图像减去低频图像以获取高频信号，并对高频信号进行预处理；通过隐式噪声模型提取高频信号生成同类型的噪声信号，利用生成的的噪声信号构建带噪图像数据；将带噪图像数据训练基于神经网络盲去噪模型，利用训练好的基于神经网络盲去噪模型对图像进行去噪处理。2.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，通过以下公式获取高频信号h：其中n表示具有先验的P
j*
的纯噪声，o表示包括噪声信息和图像细节信息的高频信息，表示操作数的空间共存。3.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，对高频信号进行预处理包括：使用空间变换f将高频信号h中带有噪声信息和图像细节信息的高频信息o进行打乱，从而得到无纹理细节的纯噪声，记为o
’
：将空间变换函数f(
·
)应用于高频信号h，即：其中，h
’
表示多种混合噪声信号；将n
’
视为纯噪声n，即：检索到多种混合噪声信号h
’
后，将多种混合噪声信号h
’
添加到干净图像x
c
中，构造噪声图像x
h
’
，其中x
c
代表随机的一张无噪图像；由于多种混合噪声信号h
’
是局部的o
’
或纯噪声n，构造两对图像，得到θ去噪器，通过最小化从噪声图像中去除纯噪声n和o
’
其中θ是去噪网络的参数，P
j*
是原始噪声先验，P
j
′
是图像纹理经过空间打乱后形成的新的噪声的先验，P^
j
代表混合噪声信号h
’
的噪声先验。4.根据权利要求3所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，空间变换f满足以下两个要求：(1)f(n)＝n
’
；其中具有先验的P
j*
的纯噪声n和n

【专利技术属性】
技术研发人员：聂琳，徐丽莉，康文雄，施煜锴，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：