基于增强型深度扩张卷积神经网络的图像去噪方法及系统技术方案

本发明专利技术提出基于增强型深度扩张卷积神经网络的图像去噪方法，涉及图像去噪领域。包括获取待去噪的原始图像；搭建包含上网络层、下网络层、扩张卷积层三层并联结构的增强型深度扩张卷积神经网络模型；将原始图像输入增强型深度扩张卷积神经网络模型中，通过上网络层、下网络层和扩张卷积层分别对原始图像进行特征提取，并将提取到的特征进行融合，之后利用注意力层对融合后的特征分配注意力，得到残差图像；将残差图像叠加到原始图像上，得到与原始图像对应的去噪图像。本发明专利技术通过减少网络的深度，增加网络的宽度，既防止梯度消失和梯度爆炸，又能提高网络训练的训练速度，提高图像去噪的精度同时减少计算成本，从而更好的提高图像去噪的性能。图像去噪的性能。图像去噪的性能。

【技术实现步骤摘要】
基于增强型深度扩张卷积神经网络的图像去噪方法及系统


[0001]本专利技术属于图像去噪
，尤其涉及基于增强型深度扩张卷积神经网络的图像去噪方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]图像去噪是指减少数字图像中噪声的过程，它是一个将含噪声的图像恢复成一幅干净图像的过程。图像去噪的方法有很多种，针对不同的噪声有不同的去噪方法，常见的图像去噪方式分为三大类：基于滤波器的方法、基于模型的方法、基于学习的方法。基于学习的方法侧重于学习有噪声图像到干净图像的潜在映射，可以分为传统的基于学习的方法和基于深度网络的学习方法。
[0004]近年来，由于基于深度网络的方法比基于滤波、基于模型和传统的基于学习的方法获得了更有前景的去噪结果，它们已成为主流方法。专利技术人发现，传统的基于注意力机制的去噪方法含有较多缺点，例如算法较复杂，运行起来速度慢而且效果精度较差，计算成本太高等。

技术实现思路

[0005]为克服上述现有技术的不足，本专利技术提供了基于增强型深度扩张卷积神经网络的图像去噪方法及系统，通过减少网络的深度，增加网络的宽度，既防止了梯度消失和梯度爆炸，又能提高网络训练的训练速度，提高图像去噪的精度同时减少计算成本，从而更好的提高图像去噪的性能。
[0006]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
[0007]本专利技术第一方面提供了基于增强型深度扩张卷积神经网络的图像去噪方法。
[0008]基于增强型深度扩张卷积神经网络的图像去噪方法，包括以下步骤：
[0009]获取待去噪的原始图像；
[0010]搭建包含上网络层、下网络层、扩张卷积层三层并联结构的增强型深度扩张卷积神经网络模型；
[0011]将原始图像输入至增强型深度扩张卷积神经网络模型中，通过上网络层、下网络层和扩张卷积层分别对原始图像进行特征提取，并将提取到的特征进行融合，之后利用注意力层对融合后的特征分配注意力，得到残差图像；
[0012]将残差图像叠加到原始图像上，得到与原始图像对应的去噪图像。
[0013]本专利技术第二方面提供了基于增强型深度扩张卷积神经网络的图像去噪系统。
[0014]基于增强型深度扩张卷积神经网络的图像去噪系统，包括：
[0015]原始图像获取模块，被配置为：获取待去噪的原始图像；
[0016]模型搭建模块，被配置为：搭建包含上网络层、下网络层、扩张卷积层三层并联结
构的增强型深度扩张卷积神经网络模型；
[0017]特征提取模块，被配置为：将原始图像输入至增强型深度扩张卷积神经网络模型中，通过上网络层、下网络层和扩张卷积层分别对原始图像进行特征提取，并将提取到的特征进行融合，之后利用注意力层对融合后的特征分配注意力，得到残差图像；
[0018]叠加模块，被配置为：将残差图像叠加到原始图像上，得到与原始图像对应的去噪图像。
[0019]本专利技术第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的基于增强型深度扩张卷积神经网络的图像去噪方法中的步骤。
[0020]本专利技术第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的基于增强型深度扩张卷积神经网络的图像去噪方法中的步骤。
[0021]以上一个或多个技术方案存在以下有益效果：
[0022]本专利技术提供了基于增强型深度扩张卷积神经网络的图像去噪方法及系统，提出了一种增强型的网络模型ED
‑
DCNNet，该模型在BRDNet的基础上减少了网络的深度，增加网络的宽度，扩大了感受野，能够从环境中提取更多有效特征，从而提高了网络的去噪性能。
[0023]本专利技术提出的基于增强型深度扩张卷积神经网络的图像去噪方法及系统，既防止了梯度消失和梯度爆炸，又能提高网络训练的训练速度，提高图像去噪的精度同时减少计算成本，从而更好的提高图像去噪的性能。
[0024]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0025]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0026]图1为第一个实施例的方法流程图。
[0027]图2为增强型深度扩张卷积神经网络整体架构图。
[0028]图3为上网络层和下网络层结构图。
[0029]图4为扩张卷积层结构图。
[0030]图5(a)为采用本专利技术ED
‑
DCNNet模型去噪后的效果图。
[0031]图5(b)为采用FFDNet模型去噪后的效果图。
[0032]图5(c)为PSNR值为18.35db时的噪声图像。
[0033]图5(d)为PSNR值为35db时原图像。
[0034]图6为第二个实施例的系统结构图。
具体实施方式
[0035]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0036]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。
[0037]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0038]本专利技术提出的总体思路：
[0039]许多用于图像去噪训练的去噪模型通常层数较多，结构较复杂，在模型训练中花费的时间较长且训练速度较慢，输出的图像精度较低。为了提高训练速度，更好的改善输出的图像的精度，本专利技术提出了一种增强型的网络模型ED
‑
DCNNet，该模型在BRDNet的基础上减少了网络深度，拓宽了网络宽度，同时增加了注意力机制。因此，该系统通过增加了一层子网络从而增加了网络的宽度，扩大了感受野，使其能够从环境中提取更多有效特征，从而提高了网络的去噪性能。
[0040]实施例一
[0041]本实施例公开了基于增强型深度扩张卷积神经网络的图像去噪方法。
[0042]如图1所示，基于增强型深度扩张卷积神经网络的图像去噪方法，包括以下步骤：
[0043]获取待去噪的原始图像；
[0044]搭建包含上网络层、下网络层、扩张卷积层三层并联结构的增强型深度扩张卷积神经网络模型；
[0045]将原始图像输入至增强型深度扩张卷积神经网络模型中，通过上网络层、下网络层和扩张卷积层分别对原始图像进行特征提取，并将提取到的特征进行融合，之后利用注意力层对融合后的特征分配注意力，得到残差图像；
[0046]将残差图像叠加到原始图像上，得到与原始图像对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于增强型深度扩张卷积神经网络的图像去噪方法，其特征在于，包括以下步骤：获取待去噪的原始图像；搭建包含上网络层、下网络层、扩张卷积层三层并联结构的增强型深度扩张卷积神经网络模型；将原始图像输入至增强型深度扩张卷积神经网络模型中，通过上网络层、下网络层和扩张卷积层分别对原始图像进行特征提取，并将提取到的特征进行融合，之后利用注意力层对融合后的特征分配注意力，得到残差图像；将残差图像叠加到原始图像上，得到与原始图像对应的去噪图像。2.如权利要求1所述的基于增强型深度扩张卷积神经网络的图像去噪方法，其特征在于，增强型深度扩张卷积神经网络模型的搭建过程，具体包括：在BRDNet网络的基础上，将上网络和下网络的深度由17层缩减到10层，同时增加一个具有扩张卷积的网络结构，构成包含上网络层、下网络层、扩张卷积层的三层并联结构，对特征进行提取；在三层并联结构之后设置一个融合层，对三层并联结构提取的特征进行融合；在融合层之后连接一个CA注意力层；在CA注意力层之后连接一个卷积层，得到增强型深度扩张卷积神经网络模型。3.如权利要求2所述的基于增强型深度扩张卷积神经网络的图像去噪方法，其特征在于，所述上网络由Conv+BRN+ReLU和Conv两种不同类型的层组成，深度为10，第1～10层为Conv+BRN+ReLU，第11层为Conv；第一层的大小为c
×3×3×
64，第2～10层的大小为64
×3×3×
64，第11层的大小为64
×3×3×
c。4.如权利要求2所述的基于增强型深度扩张卷积神经网络的图像去噪方法，其特征在于，下网络由Conv+BRN+ReLU和扩展卷积两种不同类型的层组成，深度为10，第1层为Conv+BRN+ReLU，第2～8层是扩展卷积，第11层为Conv。5.如权利要求2所述的基于增强型深度扩张卷积神经网络的图像去噪方法，其...

【专利技术属性】
技术研发人员：李天平，李萌，冯凯丽，李冠兴，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：