[发明专利]一种基于深度残差网络的真实图像盲去噪方法

说明书

本发明提出了一种基于深度残差网络的真实图像盲去噪方法。通过图像数据集选取RGB空间清晰图像集，通过空间变换构建RGB空间图像组集；通过多个相机拍摄多个场景下的图像，针对每个相机每个场景下真实清晰图像和真实含噪图像构建真实图像组构建真实图像组集；随机选取RGB空间图像组集中多组RGB空间图像组与真实图像组集中多组真实图像组构建图像训练集通过预处理得到预处理后图像训练集，将RGB空间图像组集中剩余的RGB空间图像组与真实图像组集中剩余的真实图像组构建图像测试集；通过预处理后图像训练集作为输入构建图像去噪残差卷积神经网络，结合残差学习和批归一化策略训练神经网络并对图像测试集去噪。本发明的优点为收敛速度快，去噪效果好。

技术领域

本发明属于数字图像处理和计算机视觉领域，具体涉及一种基于深度残差网络的真实图像盲去噪方法。

背景技术

图像去噪是数字图像处理和计算机视觉中一个重要的研究领域。图像去噪的目的在于改善图像质量，更好地还原图像所携带的信息，为图像的进一步分析和理解提供基础。

目前，传统的去噪算法主要有滤波法、非局部法和稀疏表示法，虽然这些算法取得了一定效果，但是去噪任务中仍存在一些问题：该类算法通常都需要提前设定噪声模型，算法去噪效果与采用的噪声模型有极大的相关性。一种去噪算法，对其设计时使用的噪声类型效果显著，而对其他类型噪声去除效果欠佳，通常不同类型的噪声需采取不同的方法才能获得较好的去除效果。但是，由于加噪过程的随机性以及对自然图像先验知识的缺乏，我们很难为去噪问题找到一个理想的解析方法，这也制约了传统方法图像去噪效果的进一步提升。

近年来，深度学习尤其是卷积神经网络在语音、图像、自然语言等领域取得了显著进展。研究发现，对于图像去噪这种复杂度很高的多维回归问题，深层的非线性神经网络是一个非常好的模型。去噪问题的关键在于利用好噪声图像提供的信息推测出原始图像的信息，基于深度学习进行图像去噪的核心内容就是将深度神经网络强大的表达能力和图像去噪问题的特性结合起来。与传统去噪方法相比，深度学习使用无监督学习，训练过程中样本没有标签，该学习方法无需人工干预，可以在固定模式的图像去噪(比如高斯白噪声)问题上取得更高的评价指标(PSNR和SSIM)值，图像质量上也会有一定的提升。

经过对现有技术的文献检索发现，中国公开专利“一种基于深度学习的深度图像去噪及增强方法”(公开号CN105825484A，公开日为2016.08.03)通过构建由三层卷积单元组成的深度图像去噪及增强卷积神经网络进行图像去噪及增强，然而此专利的图像去噪效果和效率都可以进一步提高，其具体的不足之处是：此专利只采用3层的网络结构，其非线性的特征表示能力和图像重构能力有限；此专利的训练数据是清晰图像和人工加噪的含噪图像，没有包含真实含噪图像，对真实含噪图像去噪效果较差；此专利的网络训练过程中得到重建的是清晰图像的低频信息，而没有直接对高频噪声进行特异性重建，模型不易收敛，图像的去噪效果不佳。

发明内容

本发明的目的在于克服现有技术的不足，公开一种基于深度残差网络的真实图像盲去噪方法。

本发明采用的技术方案是：

一种基于深度残差网络的真实图像盲去噪方法，其包括以下步骤：

步骤1：通过图像数据集选取RGB空间清晰图像集，通过空间变换得到RGB空间含噪图像集，通过RGB空间清晰图像集和RGB空间含噪图像集构建RGB空间图像组集；

步骤2：通过多个相机拍摄多个场景下的图像，针对每个相机每个场景下真实清晰图像和真实含噪图像构建真实图像组，通过多个相机拍摄多场景下的真实图像组构建真实图像组集；

步骤3：随机选取RGB空间图像组集中多组RGB空间图像组与真实图像组集中多组真实图像组构建图像训练集，将RGB空间图像组集中剩余的RGB空间图像组与真实图像组集中剩余的真实图像组构建图像测试集，将图像训练集中图像进行预处理得到预处理后图像训练集；