[发明专利]一种真实环境下的图像去噪方法

说明书

本发明提供了一种真实环境下的图像去噪方法，包括使用连拍多张并位置矫正生成训练集，再使用域自适应扩充该训练集，最后通过将此训练集用于训练一个噪声注意力生成对抗网络，以此达到对真实环境下的噪声去噪。本发明的方法能够在真实环境未知图像噪声类型的情况下，精确地去除图像中的噪声，作为图像预处理中的去噪过程应用到多种机器视觉领域，特别地，本发明提供了对常用公开测试集的去噪实施实例。

技术领域

本发明涉及图像处理领域，涉及一种真实环境下的图像去噪方法，尤其涉及使用域自适应和噪声注意力生成对抗网络的真实环境下图像去噪方法。

背景技术

图像去噪是图像预处理的重要环节，其对于医疗、航空航天、对象识别等领域有重要的影响。现有的针对图像去噪的算法大部分都基于高斯噪声的先验，即利用高斯噪声模型构建模拟的噪声图像。然而，在现实环境中，噪声的分布并不是简单的高斯分布，其可能是泊松、椒盐等噪声，也可能是多种噪声混合。因此基于高斯先验的去噪方法在真实环境下去噪效果不好。现有的少数针对真实环境下图像的去噪方法主要分为三类：噪声先验无关的传统域变换方法、需要训练集的深度学习方法、无需训练集的非监督深度学习方法。

1、噪声先验无关的域变换方法：不引入噪声类型的先验知识，此方法与噪声类型无关。此类方法先将图像信号由空域变换到频域，之后在频域上将噪声部分的高频信息截断去除，最后再将信号从频域变换回空域。代表方法是BM3D。此类方法存在的问题是算法的效果受噪声强度估算精度影响较大，对于平坦区域去噪效果不好，且对高频纹理信息保留不足。

2、需要训练集的深度学习方法：该类方法主要需要先获取真实环境下噪声图像对应的无噪图像作为训练目标。一般获取无噪图像的方法是：先拍取一张噪声图像，不移动相机，再连续拍300张图像。之后对300张图像做位置对齐，取平均，得到该噪声图像对应的干净图像。获取训练集后，再用于训练去噪神经网络。代表的方法是DnCNN。此类方法的问题是目前开源的训练集太小(仅几十张)，导致训练过拟合，且网络结构的设计没有充分考虑噪声特点。

3、无需训练集的非监督深度学习方法：该类方法的输入为一张噪声图像，输出目标为与该噪声图像同一场景的噪声图像。其认为对于同一场景的不同噪声强度的两张噪声图像组成训练对来训练神经网络后，该神经网络网络能学习到噪声的分布。该类方法的问题是获取同一场景的两张噪声图像有一定困难，同时相对有监督方法，此类方法的去噪效果明显下降。

综上，以上三类方法主要存在以下问题：

1、域转换方法的效果受噪声强度估算精度影响较大，不够鲁棒

2、基于有监督的深度学习方法训练集太小；基于非监督的深度学习方法效果不如有监督的方法。

综合来看，现有的针对真实环境的去噪方法由于受限于噪声强度的预测，造成这些方法的去噪效果不够鲁棒性。同时，由于训练集不足的问题导致模型过拟合。

发明内容

本发明的目的在于提供一种使用域自适应和噪声注意力生成对抗网络的真实环境下的图像去噪方法。

本发明的使用域自适应和噪声注意力生成对抗网络的真实环境下的图像去噪方法，本发明的方法是基于深度学习的方法，包括以下步骤：

1、构建训练集，采集真实环境训练集，获取对应的无噪图像标签；

2、训练噪声注意力网络；

3、训练真实环境去噪网络。

优选的，步骤(1)构建训练集为：在采集真实环境训练集中，对于一个固定场景视角，先拍一次获取噪声图像，之后不移动相机，连拍多次，并以噪声图像为参考图进行位置矫正，最后对多张图像进行平均融合，得到该噪声图像对应的无噪图像。

优选的，使用不同型号的相机与参数配置，在不同的场景下进行上述的采集，可获得步骤(1)构建的训练集。