[发明专利]一种基于深度学习的图像去噪方法及系统

说明书

本发明公开一种基于深度学习的图像去噪方法及系统，方法先构建主神经网络结构和副神经网络结构，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十五卷积层的可训练参数初始值；其次将训练集加噪图像加入赋值后的主神经网络结构，通过前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；根据噪声特征图像确定训练模型；然后将验证集加噪图像输入到训练模型中，输出最终训练去噪模型；最后将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，大大提高了去噪效率和去噪效果。

技术领域

本发明涉及图像去噪技术领域，特别是涉及一种基于深度学习的图像去噪方法及系统。

背景技术

随着信息科学技术的快速发展，人们对目标检测、物体识别、图像检索等研究越来越多，然而对目标检测、物体识别、图像检索等很多应用都要求输入尽可能清晰的数字图像，而数字图像在采集和存储的过程中会因为各种原因被噪声所污染，因此图像去噪是一个十分重要的课题。

目前现有去噪方法包括：采用K-SVD字典训练算法进行去噪，采用TNRD非线性反应扩散算法进行去噪，采用中值滤波进行去噪，采用小波变换进行去噪以及采用BM3D块匹配稀疏三维变换域协作滤波算法进行去噪，其中，采用BM3D块匹配稀疏三维变换域协作滤波算法进行去噪作为当前最优去噪方法，在去噪效果上已经达到了很高的水平。而采用BM3D算法进行去噪是根据噪声图片内部的信息进行去噪，高斯噪声的标准差越大或者光照条件越差，图像的信噪比就越低，图像内部能够利用的有用信息就越少，受到的噪声干扰就越多，从理论上说去噪效果就会越差。当图像内部能够利用的信息变少时，借助外部信息进行去噪就成为了一个自然的想法，因此，学者提出了基于深度学习对于图像去噪方法。

目前基于深度学习的图像去噪方法虽然采用卷积神经网络算法借助图像外部信息解决了传统的去噪方法存因高斯噪声标准差较大、光照较暗的情况下采集的内部可利用的有用信息较少而产生的图像去噪效果差的问题，但此方法仍存在以下区别：1)、本论文在对于训练单一的神经网络模型进行不同标准差的高斯噪声图像去噪时，即使在Matlab(R2015b)环境下，在Intel(R)core(TM)i7-5820K CPU 3.30GHz的PC上和一个Nvidia TitanX GPU下也需要6个小时的训练学习才能得到本实验认为较为理想的训练模型，所以在效率上，需要耗费大量的时间。2)、本论文中的卷积神经网络算法，它的隐藏层使用的激活函数为目前很受欢迎的ReLU修正线性单元函数，虽然采用ReLU函数起到了稀疏激活作用，解决了神经网络训练过程中的梯度弥散问题，同时相比于sigmoid/tanh，ReLU只需要一个阈值就可以得到激活值，而不用去算一大堆复杂的运算，加快了计算速度，加速收敛。但是ReLU函数在神经网络训练的时候表现的很脆弱，很容易死亡，如：一个非常大的梯度流过一个ReLU神经元，更新过参数之后，这个神经元再也不会对任何数据有激活现象了。如果这个情况发生了，那么这个神经元的梯度就永远都会是0，在实际的操作中如果学习率设置的比较大，那么神经网络中40％的神经元都会死亡，使得负轴信息全部丢失，相对来说可利用的信息就会变少，容易受到噪声干扰就越多，进而去噪效果就会越差。

发明内容

本发明的目的是提供一种基于深度学习的图像去噪方法及系统，以提高图像去噪效率和去噪效果。

为实现上述目的，本发明提供一种基于深度学习的图像去噪方法，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；