一种基于特征增强网络和GRU网络的图像去噪方法技术

本发明专利技术提供一种基于特征增强网络和GRU网络的图像去噪方法，采集不含噪声的图像和被不同程度噪声污染过的图像分别形成数据集；对获取的数据集进行预处理；搭建一个特征增强网络、一个基干网络、两层不同的GRU网络及一个重建网络，并依次连接形成初始去噪模型；设置训练最大轮数、收敛阈值和训练所需的其他超参数；调整并准备好训练数据集和测试数据集，开始对初始去噪模型进行端到端的训练；初始去噪模型在训练时输入的是带噪声的图像，输出的是去噪后的图像；损失函数收敛并达到最大训练轮次后，模型训练完毕；对训练完毕的模型进行保存，形成图像去噪模型；使用保存的模型进行图像去噪。该方法能显著的提高模型的去噪性能。该方法能显著的提高模型的去噪性能。该方法能显著的提高模型的去噪性能。

【技术实现步骤摘要】
一种基于特征增强网络和GRU网络的图像去噪方法


[0001]本专利技术属于计算机视觉
，具体是一种基于特征增强网络和GRU网络的图像去噪方法。

技术介绍

[0002]图像是一种非常重要的信息载体，其中蕴含了丰富的数据，但是图像很容易受到噪声的污染而丢失细节。噪声的存在会影响图像的质量，尤其是在实际的应用场景中，真实的噪声往往更加复杂，其对图像质量的危害通常更大，即使只有少量的噪声存在都有可能会带来较为严重的影响，因而，去除噪声得到高质量图像是十分必要的，也一直是计算机视觉领域中的一个重要任务。
[0003]传统的数字图像去噪技术主要可以分为两类：基于滤波器的方法和基于数学模型的方法。基于滤波器的方法常见于数字图像处理领域中，主要包括均值滤波、中值滤波、维纳滤波等技术。基于数学模型的方法旨在对自然图像和噪声的分布进行建模，主要包括非局部相似性模型、稀疏模型、梯度模型等。传统的方法尽管可以取得一定的去噪效果，但是大多存在以下三个缺点：在噪声水平较高污染较严重的情况下去噪性能会显著下降；需要手动调节参数，迭代过程比较复杂；去噪过程中对图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征增强网络和GRU网络的图像去噪方法，其特征在于，包括以下步骤：步骤一:数据获取；采集不含噪声的图像和被不同程度噪声污染过的图像分别形成数据集，完成模型训练所需数据集的构建；步骤二:数据预处理；对获取的数据集进行预处理，以使其得到扩充和增强；步骤三:模型构建；搭建一个特征增强网络、一个基干网络、两层不同的GRU网络及一个重建网络，并依次连接形成初始去噪模型；特征增强网络命名为EBlock，其包括4个膨胀因子为2的空洞卷积层，1个卷积核大小为1的卷积层，1个卷积核大小为3的卷积层，1个卷积核大小为5的卷积层，1个卷积核大小为7的卷积层，1个通道融合层，1个编码层和1个解码层；其中，4个空洞卷积层均结合批归一化和ReLU激活函数，4个不同卷积核的卷积层均结合批归一化和PReLU激活函数，且4个空洞卷积层分别和4个不同卷积核的卷积层构成4个分支网络，且4个分支网络、1个通道融合层、1个编码层和1个解码层依次连接；基干网络中包括1个卷积和ReLU激活层，16个卷积层、批归一化层和PReLU激活层的组合，且其依次连接；同时，在基干网络的输入和输出之间设置了全局残差连接；两层GRU网络的构建基于卷积GRU，分别命名为ConvGRU1和ConvGRU2，且ConvGRU1和ConvGRU2依次连接，GRU层结合了ReLU激活函数，Sigmoid激活函数，Tanh激活函数，Concatenation，逐像素加法和逐像素乘法运算，GRU网络将之前的输入视为先前隐藏状态，通过更新门和重置门将两者进行特征融合，以实现更精细的特征选择；其中，ConvGRU1的卷积核大小是3，ConvGRU2的卷积核大小是5；重建网络包含1个卷积层，1个减法运算，其中，卷积层用于将GRU层输出的64通道特征图转换到与原始的噪声图像相同的通道，其输出是模型学习到的噪声信息，减法运算用于将原始输入的噪声图像作为先验传入，并使用原始图像减去噪声信息得到干净图像；步骤四:模型训练；S41：设置训练最大轮数、收敛阈值和训练所需的其他超参数；S42：调整并准备好训练数据集和测试数据集，开始对初始...

【专利技术属性】
技术研发人员：郭丽丽，王琦栋，丁世飞，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：