[发明专利]一种基于深度学习的图像去噪方法及系统

权利要求书

1.一种基于深度学习的图像去噪方法，其特征在于，所述方法包括：

构建主神经网络结构和副神经网络结构；

确定主神经网络结构的训练集加噪图像、主神经网络结构的验证集加噪图像和主神经网络结构的测试集加噪图像；

根据副神经网络结构进行参数初始化训练，确定副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值；

采用迁移学习方法将副神经网络结构中的第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值分别赋值到主神经网络结构中的第一卷积层的可训练参数初始值和第十四卷积层的可训练参数初始值；

将所述主神经网络结构的训练集加噪图像输入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图像进行图像特征提取、训练和学习，获得噪声特征图像；

根据所述噪声特征图像确定训练模型；

将所述主神经网络结构的验证集加噪图像输入到训练模型中，采用前向传播算法确定图像峰值信噪比；

判断所述图像峰值信噪比是否小于设定图像峰值信噪比阈值；如果小于设定图像峰值信噪比阈值，则执行所述将所述主神经网络结构的训练集加噪图像输入赋值后的主神经网络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图像进行图像特征提取、训练和学习，获得噪声特征图像；如果大于等于设定峰值信噪比阈值，则训练结束，输出最终训练去噪模型；

将所述主神经网络结构的测试集加噪图像加入最终训练去噪模型进行测试，获得去噪图像。

2.根据权利要求1所述的基于深度学习的图像去噪方法，其特征在于，所述确定主神经网络结构的训练集加噪图像，具体包括：

从图像数据库中选取第一数量的图像；

对第一数量的图像进行图像增强处理，获得第一数量增强图像；

对第一数量增强图像依次进行随机裁剪、不同角度翻转、补光以及加入高斯噪声，获得第二数量的第一加噪图像；所述第一加噪图像的大小为100×100；

将第二数量的第一加噪图像作为主神经网络的训练集加噪图像。

3.根据权利要求1所述的基于深度学习的图像去噪方法，其特征在于，所述确定主神经网络结构的验证集加噪图像，具体包括：

从图像数据库中选取第三数量的图像；

对第三数量的图像进行裁剪，获得第三数量的第一裁剪图像；

对第三数量的第一裁剪图像加入高斯噪声，获得第三数量的第二加噪图像；所述第二加噪图像的大小为100×100；

将第三数量的第二加噪图像作为主神经网络的验证集加噪图像。

4.根据权利要求1所述的基于深度学习的图像去噪方法，其特征在于，所述确定主神经网络结构的测试集加噪图像，具体包括：

从图像数据库中选取第四数量的图像；

对第四数量的图像进行四周加中心裁剪，获得第四数量的第二裁剪图像；

对第四数量的第二裁剪图像加入高斯噪声，获得第四数量的第三加噪图像；所述第三加噪图像的大小为100×100；

将第四数量的第三加噪图像作为主神经网络的测试集加噪图像。

5.根据权利要求1所述的基于深度学习的图像去噪方法，其特征在于，所述根据副神经网络结构进行参数初始化训练，确定副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值，具体包括：

从图像数据库中选取第五数量的图像；

对第五数量的图像加入高斯噪声，获得第五数量的第四加噪图像；

将第五数量的第四加噪图像作为副神经网络结构的测试集加噪图像；

将副神经网络结构的测试集加噪图像加入副神经网络结构，采用随机梯度下降算法进行图像特征提取和训练，获得副神经网络结构中第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值；所述可训练参数初始值包括部分权重初始值和偏置初始值。