[发明专利]一种基于多尺度并行门控神经网络的图像降噪方法

权利要求书

1.一种基于多尺度并行门控神经网络的图像降噪方法，包括以下步骤：

将清晰图像和与清晰图像对应的噪声图像作为一个训练样本，以此构建训练集；

构造图像降噪网络，该图像降噪网络包括用于提取图像特征的特征提取单元、用于对提取的图像特征进行逐步降噪的降噪处理单元、以及用于对降噪后的特征进行融合的特征重建单元；其中，降噪处理单元包含7个依次连接的多尺度门控模块，其中，多尺度门控模块包括：

第一路并行处理子模块，包括至少两个依次连接的第一处理组，每个第一处理组包括通道数为64、卷积核为3×3的卷积层、连接卷积层输出的归一化层，连接归一化层输出的激活层，输入为特征提取单元输出的图像特征或多尺度门控模块的第一路输出，输出为64通道的特征图；

第二路并行处理子模块，包括通道数为128、卷积核为3×3的卷积层，连接卷积层输出的激活层，其输入为2个特征提取单元输出的图像特征按照通道数拼接形成的特征图，或多尺度门控模块的第一路输出与多尺度门控模块的第二路输出按照通道数拼接形成的特征图；输出为64通道的特征图；

第三路并行处理子模块，包括至少两个依次连接的第三处理组，每个第三处理组包括通道数为64、卷积核为3×3的空洞卷积层、连接空洞卷积层输出的归一化层，连接归一化层输出的激活层，输入为特征提取单元输出的图像特征或多尺度门控模块的第二路输出，输出为64通道的特征图；

第一叠加操作，将第一路并行处理子模块输出的64通道的特征图与第二路并行处理子模块输出的64通道的特征图按照对应位置叠加，输出64通道的特征图；

第二叠加操作，将第二路并行处理子模块输出的64通道的特征图与第三路并行处理子模块输出的64通道的特征图按照对应位置叠加，输出64通道的特征图；

第一路门控模块，包括通道数为64、卷积核为3×3的卷积层、连接卷积层输出的激活层，其输入为第一叠加操作输出的64通道的特征图，其输出仍为64通道的特征图；

第二路门控模块，包括通道数为64、卷积核为3×3的卷积层、连接卷积层输出的激活层，其输入为第二叠加操作输出的64通道的特征图，其输出仍为64通道的特征图；

第一融合操作，对第二路门控模块输出的64通道的特征图和第一叠加操作输出的64通道的特征图按照对应位置相乘，输出64通道的特征图，作为多尺度门控模块的第一路输出；

第二融合操作，对第一路门控模块输出的64通道的特征图和第二叠加操作输出的64通道的特征图按照对应位置相乘，输出64通道的特征图，作为多尺度门控模块的第二路输出；

利用训练集训练图像降噪网络，获得图像降噪模型；

应用时，将噪声图像输入至图像降噪模型中，经计算输出降噪图像。

2.如权利要求1所述的基于多尺度并行门控神经网络的图像降噪方法，其特征在于：

采用相同随机步长将清晰图像和与清晰图像对应的噪声图像分割成若干组大小为40×40的图像块，以每组图像块作为一个训练样本。

3.如权利要求1所述的基于多尺度并行门控神经网络的图像降噪方法，其特征在于：

特征提取单元包含通道数为64、卷积核大小为3×3的卷积层和激活层，对输入的噪声图像块进行特征提取，输出图像特征；

特征重建单元包含通道数为64、卷积核大小为3×3的卷积层，对降噪处理单元的两路输出进行融合，输出降噪后的图像。

4.如权利要求1或3所述的基于多尺度并行门控神经网络的图像降噪方法，其特征在于：

激活层的激活函数均采用ReLU函数。

5.如权利要求4所述的基于多尺度并行门控神经网络的图像降噪方法，其特征在于：

训练过程中，噪声图像依次经过图像降噪网络处理后，根据清晰图像计算图像降噪网络的最终损失，然后利用最终损失反向传播更新网络权重参数。