一种像素级零样本高效图像去噪方法技术

本发明专利技术属于图像去噪技术领域，提供一种像素级零样本高效图像去噪方法。本发明专利技术通过从多个非局部相似块中选择中心像素来构建一个“像素库”张量，然后可以通过从像素库中随机采样像素为每个位置生成多个训练样本，也称为“伪实例”。通过利用像素级随机采样，Pixel2Pixel可获得大量的训练伪实例，打破了依赖特定训练数据的限制，降低了噪声的空间相关性。由于所提方法不需要关于噪声分布的精确先验知识和干净训练图像，因此适用于各种噪声类型和不同噪声水平。广泛的实验表明，Pixel2Pixel在各种类型的噪声上均优于现有方法。本发明专利技术充分利用图像数据的非局部自相似性来生成训练样本，仅使用输入的噪声图像，并采用高效轻量的卷积神经网络架构实现高效图像去噪。

【技术实现步骤摘要】

本专利技术属于图像去噪，具体涉及一种像素级零样本高效图像去噪方法。

技术介绍

1、近年来，基于深度学习的方法在图像去噪领域占据主导地位，其性能卓越。其中，有监督方法表现出最佳性能，依赖于大量的图像对进行神经网络的监督训练。然而，这些有监督方法面临着显著的挑战。它们需要大量的噪声-干净或噪声-噪声图像对进行训练。收集和标注这些数据通常是非常耗时的。为了缓解这个问题，自监督图像去噪方法逐渐兴起。这些方法利用图像中固有的自监督约束，而无需真实信号或相同场景的额外噪声图像即可进行监督学习。

2、为了摆脱对特定训练数据的过度依赖，前沿零样本去噪方法包括dip、self2self和zs-n2n。这些方法通常包括两个主要步骤：仅从噪声输入中创建训练数据对，然后设计网络进行训练。几乎所有基于无监督深度学习的方法(包括自监督和零样本方法)都基于一个共同假设，即图像中的噪声在像素级别上是独立的。然而，由于图像信号处理器的影响，现实世界中的噪声在空间上是相关的。这些方法均忽视了这种相关性，导致在处理真实世界噪声图像时性能下降。此外，在根据观察噪声样本图像生成噪声训练本文档来自技高网...

【技术保护点】

1.一种像素级零样本高效图像去噪方法，所述方法对于带噪声图像y∈Rh×w×c中的每个像素，围绕它构建一个局部块；利用图像的非局部自相似性，在足够大的窗口内搜索最相似的M个非局部块；从中提取中心像素，得到当前位置一个相似像素集合；对于所有位置，最终形成一个尺寸为h×w×c×M的“像素库”张量；通过在图像的空间范围内进行逐像素随机采样，可以创建Mhw个不同伪实例用于训练网络；如此大量的伪实例可以有效防止网络过拟合；对于网络训练，每次迭代都从像素库中采样一对伪实例作为网络的输入和输出，减少噪声的空间相关性，将高效去噪与强大的泛化能力无缝融合。

2.根据权利要求1所述一种像素级零样本...

【技术特征摘要】

1.一种像素级零样本高效图像去噪方法，所述方法对于带噪声图像y∈rh×w×c中的每个像素，围绕它构建一个局部块；利用图像的非局部自相似性，在足够大的窗口内搜索最相似的m个非局部块；从中提取中心像素，得到当前位置一个相似像素集合；对于所有位置，最终形成一个尺寸为h×w×c×m的“像素库”张量；通过在图像的空间范围内进行逐像素随机采样，可以创建mhw个不同伪实例用于训练网络；如此大量的伪实例可以有效防止网络过拟合；对于网络训练，每次迭代都从像素库中采样一对伪实例作为网络的输入和输出，减少噪声的空间相关性，将高效去噪与强大的泛化能力无缝融合。

2.根据权利要求1所述一种像素级零样本高效图像去噪方法，其特征在于，所述方法包括以下步骤：

3.根据权利...

【专利技术属性】
技术研发人员：江俊君，马清，周雄，刘贤明，马佳义，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：