一种基于自监督学习的卷积神经网络图像去噪方法技术

本申请涉及一种基于自监督学习的卷积神经网络图像去噪方法。所述方法包括：获取有噪图像样本和预先构建的图像去噪模型；将有噪图像样本分别输入噪声去除模型和噪声估计模型，得到预测无噪图像和预测噪声；根据有噪图像样本、预测噪声和预测无噪图像的像素方差以及预测噪声的逐像素协方差，得到方差损失函数，根据方差损失函数、预先构建的均值损失函数、预先构建的数据损失函数和预先构建的增强损失函数，构建模型损失函数；优化图像去噪模型的模型损失函数得到训练好的图像去噪模型，采用训练好的图像去噪模型进行图像去噪。采用本方法不需要收集有噪图像对应的无噪图像，在去除噪声的同时更好保留了原始图像细节信息。噪声的同时更好保留了原始图像细节信息。噪声的同时更好保留了原始图像细节信息。

【技术实现步骤摘要】
一种基于自监督学习的卷积神经网络图像去噪方法


[0001]本申请涉及计算机视觉和模式识别
，特别是涉及一种基于自监督学习的卷积神经网络图像去噪方法。

技术介绍

[0002]图像去噪是计算机视觉和模式识别领域中具有重要理论价值和广阔应用前景的基础问题。传统的图像处理和机器学习方法解决了图像去噪中的部分问题，尤其对于高斯白噪声取得了较好的去除效果。
[0003]近年来，基于深度神经网络的图像去噪方法由于大幅提升了去噪效果，受到研究者和工业界的关注。现有的基于深度神经的图像去噪方法大多为有监督的方法，需要大量的有噪
‑
无噪图像对来训练模型。而真实场景中，由于场景目标运动、光照变化、相机晃动等原因，有噪图像对应的标签——无噪图像难于收集。因此，真实场景中有噪图像对应的无噪图像难于收集的问题亟待解决。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种基于自监督学习的卷积神经网络图像去噪方法。
[0005]一种基于自监督学习的卷积神经网络图像去噪方法，所述方法包括：
[0006]获取有噪图像样本和预先构建的图像去噪模型；所述图像去噪模型包括噪声去除模型和噪声估计模型；
[0007]将所述有噪图像样本分别输入所述噪声去除模型和所述噪声估计模型，得到预测无噪图像和预测噪声；
[0008]根据所述有噪图像样本、所述预测噪声和所述预测无噪图像的像素方差以及所述预测噪声的逐像素协方差，得到方差损失函数，根据所述方差损失函数、预先构建的均值损失函数、预先构建的数据损失函数和预先构建的增强损失函数，构建模型损失函数；
[0009]优化所述图像去噪模型的模型损失函数得到训练好的图像去噪模型，采用所述训练好的图像去噪模型进行图像去噪。
[0010]在其中一个实施例中，还包括：根据所述有噪图像样本、所述预测噪声和所述预测无噪图像的像素方差以及所述预测噪声的逐像素协方差，得到方差损失函数为：
[0011][0012]其中，L
var
为方差损失函数，为第k个有噪图像样本的像素方差，为预测噪声的像素方差，φ为噪声估计模型中待学习的参数，
为预测无噪图像的像素方差，θ为噪声去除模型中待学习的参数，为逐像素协方差，为第k个有噪图像样本，k＝1,
…
,B，B为有噪图像样本集合中的样本数量，为预测无噪图像，为预测噪声。
[0013]在其中一个实施例中，还包括：根据所述有噪图像样本和所述预测无噪图像各个通道的均值，得到均值损失函数为：
[0014][0015]其中，L
mean
为均值损失函数，mean(
·
)表示计算输入图像各通道的均值，‖
·
‖2表示计算2
‑
范数，为第k个有噪图像样本，k＝1,
…
,B，B为有噪图像样本集合中的样本数量，为预测无噪图像，θ为噪声去除模型中待学习的参数。
[0016]在其中一个实施例中，还包括：根据预测无噪图像与预测噪声的和以及输入的有噪图像样本，得到数据损失函数为：
[0017][0018]其中，L
data
为数据损失函数，为第k个有噪图像样本，k＝1,
…
,B，B为有噪图像样本集合中的样本数量，为预测无噪图像，为预测噪声，φ为噪声估计模型中待学习的参数，θ为噪声去除模型中待学习的参数。
[0019]在其中一个实施例中，还包括：根据所述预测噪声和所述预测无噪图像，构建模拟噪声图像；根据去噪后的所述模拟噪声图像和所述预测无噪图像，构建增强损失函数为：
[0020][0021]其中，为第i个增强损失函数，为模拟有噪图像，为模拟有噪图像，α和β为随机生成的系数，为第k个有噪图像样本，k＝1,
…
,B，B为有噪图像样本集合中的样本数量，为预测无噪图像，为预测噪声，φ为噪声估计模型中待学习的参数，θ为噪声去除模型中待学习的参数。
[0022]在其中一个实施例中，还包括：所述模型损失函数为：
[0023][0024]其中，L为模型损失函数，L
mean
为均值损失函数，L
var
为方差损失函数，L
data
为数据损失函数，为第i个增强损失函数。
[0025]在其中一个实施例中，还包括：所述噪声去除模型包括多层卷积层和非线性限制性单元，所述噪声估计模型包括多层卷积层和非线性限制性单元。
[0026]一种基于自监督学习的卷积神经网络图像去噪装置，所述装置包括：
[0027]获取有噪图像样本和预先构建的图像去噪模型；所述图像去噪模型包括噪声去除
模型和噪声估计模型；
[0028]将所述有噪图像样本分别输入所述噪声去除模型和所述噪声估计模型，得到预测无噪图像和预测噪声；
[0029]根据所述有噪图像样本、所述预测噪声和所述预测无噪图像的像素方差以及所述预测噪声的逐像素协方差，得到方差损失函数，根据所述方差损失函数、预先构建的均值损失函数、预先构建的数据损失函数和预先构建的增强损失函数，构建模型损失函数；
[0030]优化所述图像去噪模型的模型损失函数得到训练好的图像去噪模型，采用所述训练好的图像去噪模型进行图像去噪。
[0031]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0032]获取有噪图像样本和预先构建的图像去噪模型；所述图像去噪模型包括噪声去除模型和噪声估计模型；
[0033]将所述有噪图像样本分别输入所述噪声去除模型和所述噪声估计模型，得到预测无噪图像和预测噪声；
[0034]根据所述有噪图像样本、所述预测噪声和所述预测无噪图像的像素方差以及所述预测噪声的逐像素协方差，得到方差损失函数，根据所述方差损失函数、预先构建的均值损失函数、预先构建的数据损失函数和预先构建的增强损失函数，构建模型损失函数；
[0035]优化所述图像去噪模型的模型损失函数得到训练好的图像去噪模型，采用所述训练好的图像去噪模型进行图像去噪。
[0036]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0037]获取有噪图像样本和预先构建的图像去噪模型；所述图像去噪模型包括噪声去除模型和噪声估计模型；
[0038]将所述有噪图像样本分别输入所述噪声去除模型和所述噪声估计模型，得到预测无噪图像和预测噪声；
[0039]根据所述有噪图像样本、所述预测噪声和所述预测无噪图像的像素方差以及所述预测噪声的逐像素协方差，得到方差损失函数，根据所述方差损失函数、预先构建的均值损失函数、预先构建的数据损失函数和预先构建的增强损失函数，构建模型损失函数；
[0040]优化所述图像去噪模型的模型损失函数得到训练好的图像去噪模型，采用所述训练好的图像去噪模型进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督学习的卷积神经网络图像去噪方法，其特征在于，所述方法包括：获取有噪图像样本和预先构建的图像去噪模型；所述图像去噪模型包括噪声去除模型和噪声估计模型；将所述有噪图像样本分别输入所述噪声去除模型和所述噪声估计模型，得到预测无噪图像和预测噪声；根据所述有噪图像样本、所述预测噪声和所述预测无噪图像的像素方差以及所述预测噪声的逐像素协方差，得到方差损失函数，根据所述方差损失函数、预先构建的均值损失函数、预先构建的数据损失函数和预先构建的增强损失函数，构建模型损失函数；优化所述图像去噪模型的模型损失函数得到训练好的图像去噪模型，采用所述训练好的图像去噪模型进行图像去噪。2.根据权利要求1所述的方法，其特征在于，根据所述有噪图像样本、所述预测噪声和所述预测无噪图像的像素方差以及所述预测噪声的逐像素协方差，得到方差损失函数包括：根据所述有噪图像样本、所述预测噪声和所述预测无噪图像的像素方差以及所述预测噪声的逐像素协方差，得到方差损失函数为：其中，L
var
为方差损失函数，为第k个有噪图像样本的像素方差，为预测噪声的像素方差，φ为噪声估计模型中待学习的参数，为预测无噪图像的像素方差，θ为噪声去除模型中待学习的参数，为逐像素协方差，为第k个有噪图像样本，k＝1，...，B，B为有噪图像样本集合中的样本数量，为预测无噪图像，为预测噪声。3.根据权利要求1所述的方法，其特征在于，构建均值损失函数的步骤，包括：根据所述有噪图像样本和所述预测无噪图像各个通道的均值，得到均值损失函数为：其中，L
mean
为均值损失函数，mean(
·
)表示计算输入图像各通道的均值，||
·
||2表示计算2
‑
范数，为第k个有噪图像样本，k＝1，...，B，B为有噪图像样本集合中的样本数量，为预测无噪图像，θ为噪声去除模型中待学习的参数。4.根据权利要求1所述的方法，其特征在于，构建数据损失函数的步骤，包括：根据预测无噪图像与预测噪声的和以及输入的有噪图像样本，得到数据损失函数为：
其中，L
data
为数据损失函数，为第k个有噪图像样本，k＝1，...，B，B为有噪图像...

【专利技术属性】
技术研发人员：谭瀚霖，颜深，刘煜，张茂军，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：