【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 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
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
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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。