[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

说明书

本发明公开了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；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。该方法能够充分利用多尺度信息，在去除噪声的同时最大程度保留图像原有信息。

技术领域

本发明属于图像信号处理领域，具体涉及一种基于多尺度并行门控神经网络的图像降噪方法。

背景技术

图像是人们获取信息极其重要的来源。在如今的信息时代，随着数码设备的普及，数字图像已成为人们获取信息的重要手段，深入到生产和生活的方方面面，取得了巨大的社会和经济效益。

数字图像处理是通过计算机对图像进行降噪、增强、复原、分割等处理的方法和技术。20世纪后期到现在，各个应用领域对数字图像处理提出越来越高的要求，促进了该项技术的迅猛发展。然而在图像获取、处理、压缩、传输、存储及复制的过程中，不可避免会引入噪声，而噪声的存在会使图像本身的细节受到影响，不利于高层次的图像分析和理解。如何在清除图像中存在噪声的同时不损害有用的信息，是图像降噪中的首要目标。

图像降噪涉及光学系统、微电子技术、计算机科学、数学分析等诸多领域，是一门综合性极强的基础学科，且在图像处理领域有着极其重要的地位。传统的图像降噪方法根据滤波的信号域，可以分为三类：一类为空间域方法，其主要在图像空间域对像素点进行处理；一类为频域方法，其主要在图像频率域对像素点进行处理；另一类为变换域方法，其在变换域对图像系数进行修正处理，然后经过逆变换得到最终处理后的空域图像；

随着现代处理器计算能力和深度学习理论的高速发展，基于神经网络的图像降噪方法作为一种新型的图像降噪方法，已成为热点。与传统滤波器(高斯滤波器、中值滤波器)去噪相比，基于神经网络的图像降噪具有图像更清晰、时间更短等优点。尽管深度神经网络方法可以取得更好的效果，但这类方法目前仍存在一些缺点。比如，目前常见的深度网络模型往往采用单一的流模型，不能很好地利用多尺度信息，从而降噪得到的结果往往会丢失很早重要的细节。因此，如何更高效更简洁地通过构建训练一个能利用多尺度信息对图像实现去噪的神经网络方法，具有重要的工程实用价值和理论指导意义。

发明内容

本发明的目的是提供一种基于多尺度并行门控神经网络的图像降噪方法，该方法能够充分利用多尺度信息，在去除噪声的同时最大程度保留图像原有信息。

为实现上述发明目的，本发明提供以下技术方案：

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；

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。

优选地，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。

具体地，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。