[发明专利]基于多视角的卷积神经网络的图像去噪方法

说明书

本发明公开了一种基于多视角的卷积神经网络的图像去噪方法。本发明用INBN技术代替了BN来加快去噪网络的收敛；该方法能有效地补就BN的不足和加快网络收敛，能处理真实噪声图像、盲噪声以及高斯噪声。本发明仅仅用20层的网络来进行去噪，减少网络的计算代价。此外，本发明用一种新的技术GF技术来更好把线性数据变换为非线性的数据；用Smooth函数来更好地训练去噪模型。此外，它采用多视角的特征融合来增强网络性能。本发明对于现实中灾难救援、航空探险与医疗诊病具有重要意义。

技术领域

本发明涉及图像处理技术领域，尤其是基于多视角的卷积神经网络的图像去噪方法。

背景技术

数字图像设备已经被广泛地应用到多个领域，如疾病诊断、个人身份识别以及灾难救援。而图像设备在拍摄照片常常遭到相机抖动、低光、雨天雾天等影响，这导致拍摄出来的照片不清晰，图像去噪技术就是把这些不清楚图像还原到高度清晰的图像，这个过程称为可逆过程，它去噪主要依靠的方法为y＝x+μ，其中y是噪声图像，x是复原到的干净图像，μ是噪声。从贝叶斯的角度来看，先验知识对于图像去噪是关键的，同时一些学者在这个方面已经做了很多工作，如稀疏方法对于图像去噪任务有很好的鲁棒性。用非逻辑自适应性来优化稀疏方法并应用在去噪任务上。字典学习被用来去除噪声，也能有效地减少计算代价。全变分正则化方法能使图像变得更加平滑，这有利于恢复干净的图像。此外，马尔科夫、加权核范数最小化和3维的块匹配过滤器方法是主流的去噪方法。虽然这些方法在图像去噪上已经取得了很好性能，但是这些方法仍然面临着以下挑战：

(1)这些方法需要人为手动设置参数来获得最优的性能；

(2)这些方法需要在测试阶段需要复杂的优化算法，这大大增加这些方法的计算代价；

(3)这种方法只能针对一种情况训练一个模型来解决这个问题，如噪声级别为25的高斯噪声，它们只能有一个模型来解决这个问题，生活中噪声图像是复杂的，这大大限制它们的应用范围。

近年来，深度学习由于图像处理单元(Graphic Processing Unit,GPU)和大数据的原因变得越来越受欢迎。其中卷积神经网络(Convolutional Neural Network)是典型的深度学习技术，它又称为越来越流行的原因有如下几点：

(1)CNN的结构是end-to-end连接，它是非常灵活的，它可以针对任务的特性来设定结构；

(2)CNN能依靠基本的插件来实现正则化，其基本的插件包括线性修正单元(Rectifier Linear Unit,ReLU)和卷积层(Convolution,Conv)；

(3)CNN依靠GPU来进行并行计算，大大地提高运行效率。

CNN由于具有强大的自学习能力，它不需要手动调参，同时它依靠GPU能快速处理图像，故它也是一种很有效的处理图像复原方法，如：SRCNN网络利用三层进行处理超分辨任务。虽然它在超分辨任务上比传统方法好，但当网络深度超过三层性能就会下降，故此方法缺少灵活性。随后，CNN在图像去噪上也取得突破性的进展，如DnCNN首次将CNN用到图像去噪，并用一个模型来处理多个任务:高斯去噪，超分辨以及恢复压缩图像。FFDNet用噪声映射和噪声图像一同作为去噪网络的输入，该方法有效地处理盲噪声。IRCNN首次将优化算法和判别方法结合在一起，该方法在处理真实噪声具有一定意义。MLWC将空间域特征与CNN结合来解决超分辨与去噪等任务。何凯明提出反复利用+操作来提升图像去噪的性能。以上这些方法都在图像去噪方面取得一定进展，但是仍然有以下挑战尚未解决：

(1)以上大部分方法使用BN技术，而BN技术很依赖batch的大小，当batch大时，BN技术性能比较好；当batch比较小的时候，BN技术性能下降。因此BN技术没有很好的鲁棒性；

(2)以上所涉及到方法不能用一个模型处理真实噪声、高斯噪声以及盲噪声等多个任务；