一种基于算法展开的图像去噪方法技术

本发明专利技术属于计算机视觉领域，特别涉及一种基于算法展开的图像去噪方法。本发明专利技术将低秩矩阵恢复中的截断核范数方法和图像去噪相结合，并将其作为整体框架，将迭代算法的一次完整迭代作为深度展开网络的一个阶段；其次，用所构建的神经网络，即A

【技术实现步骤摘要】
一种基于算法展开的图像去噪方法


[0001]本专利技术属于计算机视觉领域，特别涉及一种基于算法展开的图像去噪方法。

技术介绍

[0002]图像去噪是计算机视觉领域中的一个基本问题，目的是将含有噪声的数字图像恢复成干净图像。人们在采集、数字化和传输图像的过程中，不可避免地受到成像设备和外部环境噪声干扰等影响，从而降低图像的视觉效果，导致所获取的信息不准确，甚至错误。随着计算机视觉、医疗诊断和安全监控等各种领域日新月异的发展，图像去噪因其是大多数数字图像处理的必要预处理步骤而备受关注。
[0003]目前，关于图像去噪的方法主要有几个大类：基于模型驱动的图像去噪方法、基于数据驱动的图像去噪方法和由模型和数据联合驱动的算法展开方法。早期的基于模型驱动的图像去噪方法是根据反映任务本质的数学原理设计的，因此具有高度可解释性。比如加权核范数最小化方法，通过对不同奇异值赋予不同的权重来进行软阈值操作，区别对待奇异值的贡献。马尔可夫随机场通过图结构得到联合概率密度函数，优化直至一定最大循环次数，最终输出近似最优解。但此方法存在比较明显的弊端，除了在求解优化模型时需要花费较高的计算成本之外，比较简单的优化方法往往降噪效果不佳。基于数据驱动的图像去噪方法，例如去噪卷积神经网络，已经取得了良好的去噪效果，但神经网络通常作为一个黑箱来使用，它的弊端在于底层结构的可解释性较弱。基于上述不同类型方法的局限性，由模型和数据联合驱动的算法展开方法诞生了。它将传统迭代算法和神经网络结合起来，将迭代方法的每个步骤展开为网络的一层。传统迭代算法作为展开的整体框架，可提供强可解释性以及理论依据。而神经网络作为一个万能逼近器，自然可以用来逼近传统迭代算法里面难以实现或者计算代价高昂的步骤。为此，本专利技术的观点在于构建一个由模型和数据联合驱动的算法展开网络，用以保证图像去噪具有端到端网络优越的性能和效率，同时又可以使网络具有传统算法的可解释性。

技术实现思路

[0004]针对上述技术问题，本专利技术的目的是提供一种由模型和数据联合驱动的基于算法展开的图像去噪方法。此方法将低秩矩阵恢复中的截断核范数方法和图像去噪方法相结合，并将其作为整体框架；基于算法展开将其中的一个迭代步骤展开为相应的神经网络模块，用神经网络来代替传统迭代算法中难以实现或者计算代价高昂的奇异值分解和奇异值阈值步骤，其他步骤按照网络中常用的操作符来实现。执行网络的一个阶段相当于传统算法的一次迭代，通过网络相当于执行有限次迭代算法，从而形成一个端到端的可训练展开网络。
[0005]为了实现上述目的，本专利技术提供了如下技术方案：
[0006]本专利技术的基本思路为：
[0007]首先，将低秩矩阵恢复中的截断核范数方法和图像去噪相结合，并将其作为整体
框架，如图1所示，将迭代算法的一次完整迭代作为深度展开网络的一个阶段；其次，用所构建的神经网络，即A
‑
net和B
‑
net来学习迭代算法中所需的奇异值算子，解决奇异值分解SVD和奇异值阈值算法SVT在迭代算法中计算代价较高的问题，其中SVD的定义为：对于任意给定的一个矩阵A∈R
m
×
n
，定义矩阵A的SVD为：A＝U∑V
T
，其中，U是一个m
×
m的矩阵，V是一个n
×
n的矩阵，∑是一个除了主对角线上的元素以外全为0的m
×
n矩阵，非零元素称为奇异值。SVT的定义为：SVT
μ
(A)＝Udiag[max(σ
‑
μ),0]V
T
，其中，U是一个m
×
r的矩阵，V是一个r
×
n的矩阵，σ∈R
r
×1是由任意给定的矩阵A∈R
m
×
n
通过SVD生成的，即A＝Udiag(σ)V
T
，阈值参数μ≥0；然后，将观测到的含有噪声的图像和已知噪声作为深度展开网络的输入，从第二个阶段开始，输入为上一阶段的输出，以此将多个阶段连接起来，形成一个端到端的可训练深度展开网络，最后得到去掉噪声的干净图像。
[0008]一种基于算法展开的图像去噪方法，包括如下步骤：
[0009]S1、设置两个由五层卷积堆叠的网络结构相同的神经网络A
‑
net和B
‑
net来代替SVD，同时设置一个代替SVT的神经网络SVT
‑
net；将迭代算法的一次完整迭代作为深度展开网络的一个阶段；
[0010]S2、形成一个端到端的可训练深度展开网络，得到第s阶段的干净图像C
s
和第s阶段预测的噪声N
s
；
[0011]S2.1、深度展开网络包括s(s＝1,2,3
…
S)个阶段，S为迭代次数；
[0012]当s＝1时，将观测到的噪声图像X和已知的噪声N0作为输入；当s≥2时，将观测到的噪声图像X、第s
‑
1阶段输出的干净图像和预测的噪声作为输入；
[0013]S2.2、通过步骤S1设置的神经网络A
‑
net根据公式1生成第s阶段的左奇异值矩阵U
s
，通过步骤S1设置的神经网络B
‑
net根据公式2生成第s阶段的右奇异值矩阵V
s
；
[0014]S2.3、根据截断核范数原理，分别通过公式3和公式4将第s阶段的左奇异值矩阵U
s
和右奇异值矩阵V
s
截断至前r项，获得左奇异值矩阵U
s
的截断矩阵A
s
和右奇异值矩阵V
s
的截断矩阵B
s
；
[0015]S2.4、通过公式5对第s
‑
1阶段的噪声N
s
‑1进行线性变换，并将线性变换结果f
s
作为神经网络SVT
‑
net的输入，通过公式6生成第s阶段的干净图像C
s
；
[0016]S2.5、通过公式7，获得第s阶段预测的噪声N
s
，从而完成一次完整迭代；
[0017]U
s
＝A
‑
net(C
s
‑1)，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式1
[0018]V
s
＝B
‑
net(C
s
‑1)，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式2
[0019]公式1和公式2中，U
s
＝(u1,u2,...,u
m
)∈R
m
×
m
，V
s
＝(v1,v2,...,v
n
)∈R
n
×
n
，R
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于算法展开的图像去噪方法，其特征在于，所述方法包括如下步骤：S1、设置两个由五层卷积堆叠的网络结构相同的神经网络A
‑
net和B
‑
net来代替SVD，同时设置一个代替SVT的神经网络SVT
‑
net；将迭代算法的一次完整迭代作为深度展开网络的一个阶段；S2、形成一个端到端的可训练深度展开网络，得到第s阶段的干净图像C
s
和第s阶段预测的噪声N
s
；S2.1、深度展开网络包括s(s＝1,2,3
…
S)个阶段，S为迭代次数；当s＝1时，将观测到的噪声图像X和已知的噪声N0作为输入；当s≥2时，将观测到的噪声图像X、第s
‑
1阶段输出的干净图像和预测的噪声作为输入；S2.2、通过步骤S1设置的神经网络A
‑
net根据公式1生成第s阶段的左奇异值矩阵U
s
，通过步骤S1设置的神经网络B
‑
net根据公式2生成第s阶段的右奇异值矩阵V
s
；S2.3、根据截断核范数原理，分别通过公式3和公式4将第s阶段的左奇异值矩阵U
s
和右奇异值矩阵V
s
截断至前r项，获得左奇异值矩阵U
s
的截断矩阵A
s
和右奇异值矩阵V
s
的截断矩阵B
s
；S2.4、通过公式5对第s
‑
1阶段的噪声N
s
‑1进行线性变换，并将线性变换结果f
s
作为神经网络SVT
‑
net的输入，通过公式6生成第s阶段的干净图像C
s
；S2.5、通过公式7，获得第s阶段预测的噪声N
s
，从而完成一次完整迭代；U
s
＝A
‑
net(C
s
‑1)，
ꢀꢀꢀꢀꢀꢀꢀꢀ
公式1V
s
＝B
‑
net(C
s
‑1)，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式2公式1和公式2中，U
s
＝(u1,u2,...,u
m
)∈R
m
×
m
，V
s
＝(v1,v2,...,v
n
)∈R
n
×
n
，R
m
×
m
和R
n
×
n
分别表示m
×
m维和n
×
n维的矩阵集合；A
‑
net和B
‑
net为代替SVD的神经网络；当s＝1时，C
s
‑1＝C0代表观测到的噪声图像X；当s≥2时，C
s
‑1为第s
‑
1阶段生成的干净图像；A
s
＝(u1,u2,...,u
r
)
T
∈R
r
×
m
，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式3B
s
＝(v1,v2,...,v
r
)
T
∈R
r
×
n
，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式4公式3和公式4中，A
s
表示第s阶段生成的左奇异值矩阵U
s
的截断矩阵，B
s
表示第s阶段生成的右奇异值矩阵V
s
的截断矩阵；r代表矩阵的秩，通常选择0.1min(m,n)～0.1max(m,n)；s代表阶段数；T表示矩阵的转置；...

【专利技术属性】
技术研发人员：曹飞龙，文成林，宋执环，张清华，
申请(专利权)人：广东石油化工学院，
类型：发明
国别省市：