[发明专利]基于深度神经网络的乘性噪声去除方法

说明书

技术领域

本发明属于图像处理技术领域，涉及一种图像的乘性噪声去除方法，具体涉及一种基于深度神经网络的乘性噪声去除方法，可应用于图像分类、目标识别、边缘检测等对图像进行去噪预处理的场合。

背景技术

人类获取外部世界信息的80％来源于视觉，随着图像数字化和图像设备的普及，以及计算机技术的快速发展，数字图像也就成为了主要的信息载体，成为了很多科学领域的信息来源。但是在图像采集获取的过程中，由于各方面的原因使得噪声被引入进来，对图像的质量和视觉效果都存在一定的影响。按噪声与图像信号的干扰关系，噪声分为加性噪声和乘性噪声。加性噪声是与图像信号强度不相关的噪声，如运算放大器带来的噪声，这类含噪图像可看成为理想无噪声图像与噪声之和；乘性嗓声是与图像信号强度相关的噪声，是受图像信息本身调制的，如飞点扫描图像中的嗓声。由于乘性噪声在核磁共振、遥感、合成孔径雷达等成像领域广泛存在，提高去噪图像的质量，能进一步提高图像分类、目标识别、边缘检测等处理的准确性，因此，去除乘性噪声在遥感、军事、农业、医学等领域都被证明有着巨大的应用价值。

随着国内外研究人员对乘性噪声去除方法的不断研究，提出了许多针对含有乘性噪声图像去的方法。目前，乘性噪声的去除方法主要有基于变分的去噪方法和基于稀疏表示的去噪方法，并且，由于神经网络可以较好的拟合含噪图像到去噪图像的非线性的映射关系，也有研究人员研究基于神经网络的图像去噪方法。基于变分的方法是利用变分模型经过迭代去噪，该变分模型包含忠诚项和正则项，该方法的收敛速度一般比较慢，而且容易引起阶梯效应。

基于稀疏表示的方法是根据样本训练出字典，然后利用该字典来表示图像，并建立相应的模型，经过迭代进行去噪。基于稀疏表示的方法在视觉质量和峰值信噪比上效果不理想。其中，Huang等人在“Multiplicative noise removal via a learned dictionary,IEEE Trans.Image Process.,2012,21(11):4534-4543.”中，提出了基于稀疏表示的K-SVD方法字典训练的乘性噪声的移除算法(HYM)，HYM模型对去噪图像的峰值信噪比和视觉效果进行了提升。但由于K-SVD利用的是直接从含噪图像中学习原始图像结构信息，从而实现去噪，因此当图像含噪较高时，图像中存在较多的噪声点，含噪图像无法反映原始图像的信息，此时去噪后细节丢失严重，峰值信噪低，视觉效果不理想。

Davide Cozzolino等人在“Fast Adaptive Nonlocal SAR Despeckling，IEEE geoscience and remote sensing letters,2014,2(11):524-528”中，提出了一种快速自适应非局部合成孔径雷达去噪方法，该算法首先对含噪图像进行重叠分块，并进行相似块快速匹配；其次，对相似块进行协同滤波和聚合进行初步的图像去噪；接着对给定范围内的图像块进行三维结构建立并再次滤波；最后，通过图像块恢复出去噪图像。虽然该方法提升了乘性噪声去除的速度，但是由于该方法使用了块匹配操作，去噪速度仍然存在限制，无法实现实时性的效果。

基于神经网络的图像去噪方法能够较好的拟合含噪图像到去噪图像的非线性映射，但是浅层的神经网络对图像的特征的学习不够全面，不能学习到图像中更加细节的结构信息，最终导致去噪图像的峰值信噪比低。

发明内容

本发明的目的在于针对上述现有技术的不足，提出了一种基于深度神经网络的乘性噪声去除方法，旨在提高去噪的速度和去噪图像的峰值信噪比。

本发明的技术思路是：将含噪图像和灰度图像分别作为深度神经网络模型的输入训练样本和输出训练样本，通过深度神经网络模型的训练，拟合含噪图像和灰度图像之间的非线性映射关系，并以这种关系为指导进行含噪的乘性噪声去除，从而提高去噪的速度和去噪图像的峰值信噪比，其具体步骤包括如下：

(1)获取灰度图像集和含噪图像集对于给定的包含N幅干净灰度图像的灰度图像集，将其备份存储作为灰度图像集并利用乘性噪声加噪方法，对灰度图像集进行加噪，得到含噪图像集其中，X_i∈R^L表示第i幅灰度图像，Y_i∈R^L表示第i幅含噪图像，且1≤i≤N，N表示灰度图像集和含噪图像集中图像的数量，L表示灰度图像和含噪图像的像素个数，R^L表示含有L个像素点的图像域；