[发明专利]一种基于多尺度膨胀卷积残差网络的图像去噪方法及系统

权利要求书

1.一种基于多尺度膨胀卷积残差网络的图像去噪方法，其特征在于，包括：

获取训练数据集，并对所述训练数据集中的图像进行裁剪，得到块图像；

搭建网络模型，采用批归一化和残差学习相结合的方式，采用最优的混合膨胀率模式，并引入多尺度结构，得到端到端的图像去噪模型；

所述网络模型具体为：

第一层：将输入图像input分别与32个3×3、32个5×5、64个7×7的滤波器卷积操作得到的图片进行归一化处理，将处理后的图片按照通道连接在一起后与64个1×1的滤波器卷积，然后进行非线性激活得到图像out1；

第二层：将图像out1分别与32个膨胀率为1的3×3、64个膨胀率为2的3×3、32个膨胀率为3的3×3的滤波器卷积操作得到的图片进行归一化处理，将处理后的图片按照通道连接在一起后与64个1×1的滤波器卷积，然后进行非线性激活得到图像out2；

第三层：将图像out2与64个膨胀率为7的3×3的滤波器卷积操作得到的图片进行归一化处理，然后进行非线性激活得到图像out3；

第四层：将图像out3与64个3×3的滤波器卷积操作得到的图片进行归一化处理，然后进行非线性激活得到图像out4；

第五层：将图像out4与64个膨胀率为2的3×3的滤波器卷积操作得到的图片与out2按照通道连接在一起后进行归一化处理，将处理后的图片进行非线性激活得到图像out5；

第六层：将图像out5与64个膨胀率为7的3×3的滤波器卷积操作得到的图片与out1按照通道连接在一起后进行归一化处理，将处理后的图片进行非线性激活得到图像out6；

第七层：将图像out6与1个3×3的滤波器卷积操作得到的图像时学习到的噪声图像，将输入图像input减去学习到的图像得到的图像output作为输出；

设置网络模型超参数，选择损失函数和优化方法对所述图像去噪模型进行训练，得到训练好的图像去噪模型；

将噪声图片变换处理后输入到所述训练好的图像去噪模型中，将得到的图片做平均操作后输出去噪后的图片。

2.根据权利要求1所述的方法，其特征在于，所述获取训练数据集，并对所述训练数据集中的图像进行裁剪，得到块图像，包括：

获取训练数据集，并根据网络的接受域大小对所述训练数据集中的图像进行裁剪，得到块图像。

3.根据权利要求1所述的方法，其特征在于，所述设置网络模型超参数，选择损失函数和优化方法对所述图像去噪模型进行训练，得到训练好的图像去噪模型，包括：

将所述块图像块按照批量尺寸组合一起作为输入，利用高斯白噪声模拟真实噪声添加到所述图像块上；

设置网络模型超参数，设置权值初始化方式，设置网络模型的损失函数；

利用随机梯度下降法和反向回传算法训练所述图像去噪模型，得到训练好的图像去噪模型。

4.根据权利要求3所述的方法，其特征在于，所述超参数包括：网络模型的学习率、衰减率和训练次数。