[发明专利]一种基于Inception模型的深度卷积神经网络图像去噪方法

权利要求书

1.一种基于Inception模型的深度卷积神经网络图像去噪方法，其特征在于，包括以下步骤：

S1.在源图像集中选择数据集，对数据集中的数据进行预处理得到用作输入的含噪灰度图像；

S2.搭建设有Inception模型层的深度卷积神经网络并进行训练，以步骤S1中所述的含噪灰度图像作为输入，采用高斯白噪声模拟真实噪声，经所述深度卷积神经网络去噪，输出为去噪图像；

S3.将步骤S2中所述的去噪图像和实际清晰图像输入到监督框架中，求得去噪图像与实际清晰图像的差距，并通过反向迭代算法优化步骤S2所述深度卷积神经网络以减小损失函数；

S4.将含噪灰度图像输入到经高斯白噪声训练得到的深度卷积神经网络中，输出得到去噪图像。

2.根据权利要求1所述的基于Inception模型的深度卷积神经网络图像去噪方法，其特征在于，步骤S1所述含噪灰度图像的分析方法包括以下步骤：

S11.选取伯克利图像分割数据集和分支所提供的图像数据；

S12.根据随机数算法在源图像集合中抽取图片，并将每次抽取的图片随机截取为分辨率更小的训练图像作为训练集；

S13.从步骤S12中所述的训练集中选取图片作为测试图像，并将测试图像转化为YCbCr格式，Y通道在经过归一化处理后，用作输入的含噪灰度图像。

3.根据权利要求2所述的基于Inception模型的深度卷积神经网络图像去噪方法，其特征在于，步骤S12、步骤S13中所述的训练集包括训练过程中随机对训练图像进行不同角度的旋转和翻转得到的扩张训练图像。

4.根据权利要求1所述的基于Inception模型的深度卷积神经网络图像去噪方法，其特征在于，步骤S2中所述Inception模型层按四种学习路径将输入分成相同的四份，所述学习路径包括1x1卷积层、1x1卷积层-3x3卷积层、1x1卷积层-5x5卷积层以及最大池化层-1x1卷积层。

5.根据权利要求1所述的基于Inception模型的深度卷积神经网络图像去噪方法，其特征在于，步骤S2中所述的深度卷积神经网络包括平均池化层以及不同卷积尺寸的第一层、第二层、第三层，所述第一层、第二层、第三层均采用带参数的修正线性单元，每个卷积核和池化层的输出经过激活函数非线性处理后输出作为下一次的输入。

6.根据权利要求5所述的基于Inception模型的深度卷积神经网络图像去噪方法，其特征在于，所述卷积层的卷积尺寸分别为1x1、3x3、5x5，所述每种尺寸的卷积层之前加有1x1的卷积核做非线性映射，所述平均池化核的尺寸为3x3，所述深度卷积神经网络各层结构的运算包括以下步骤：

S21.将步骤S1中所述含噪灰度图像输入到第一层，基于Inception模型，对同一个输出分别进行1x1、3x3、5x5和平均池化的处理，得到的处理结果以特征图的形式作为第二层的输入；

S22.第二层包括32个1x1的卷积核，将步骤S21输入的特征图做一次非线性变换，通过反向迭代函数让经过非线性变换的特征图组合出噪声的内部结构，并作为第三层的输入；

S23.第三层使用1个5x5的卷积核组合步骤S22中第二层输出的所有特征，求解噪声的内在分布并输出；

S24.将步骤S23第三层的输出和含噪灰度图像的直接输入相加，组成残差结构，并输入到步骤S3所述的监督框架中。

7.根据权利要求1至6任一项所述的基于Inception模型的深度卷积神经网络图像去噪方法，其特征在于，步骤S3中所述监督框架包括使用不同等级的高斯白噪声对深度卷积神经网络进行优化训练的自适应矩估计优化器。

8.根据权利要求7所述的基于Inception模型的深度卷积神经网络图像去噪方法，其特征在于，所述自适应矩估计优化器利用梯度的一阶矩估计和二阶矩估计动态调整参数的学习率。