[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

说明书

本发明公开了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，方法包括：获取训练数据集，并对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；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。本发明能够降低网络的参数量同时保证网络的去噪性能，且能够在去除图片噪声的同时保留住图片锋利的边缘和精细的细节信息。

技术领域

本发明涉及图像去噪技术领域，尤其涉及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。

背景技术

图像去噪是计算机视觉领域一个经典而又活跃的问题。人们在获取图像的过程中，会由于光照、温度、天气等不可抗拒外部环境噪声的干扰，和电阻、电磁等元器件对于成像设备的影响，导致图像在数字化和成像过程中产生噪声，从而影响图像质量，进而影响后期的图像传播和图像处理，如动作识别、图像分割等。因此，图像去噪技术具有非常重要的研究意义。

针对不同图像自身的特点以及噪声的规律，目前，图像去噪算法主要分为：传统去噪算法和基于深度神经网络的去噪算法。传统去噪算法主要分为：稀疏模型、梯度模型、马尔可夫随机场模型和非局部自相似模型。其中最流行的是基于非局部自相似模型的方法，像BM3D、WNNM等。这种方法可以利用到图像的自相似性信息，获得了较好的去噪效果。然而，这些方法在测试的过程中涉及复杂的优化问题，这给实际应用带来了困难。而且，当图像的自相似性低的时候会产生过平滑的结果。基于深度神经网络的去噪算法，可以利用神经网络强大的非线性建模能力，通过设置合适的网络结构，可以利用图像数据集来优化网络参数，从而学习到图像的噪声特征，进而去除图片中的噪声。目前，最流行的方法包括DnCNN、Ffdnet等，，虽然这些方法取得了不错的去噪效果，然而这些方法通常是以牺牲参数量为代价来提升去噪性能的，这给实际应用带来了困难。

因此，如何有效的对图像进行去噪，是一项亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种基于多尺度膨胀卷积残差网络的图像去噪方法，能够降低网络的参数量同时保证网络的去噪性能，且能够在去除图片噪声的同时保留住图片锋利的边缘和精细的细节信息。

本发明提供了一种基于多尺度膨胀卷积残差网络的图像去噪方法，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；

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。

优选地，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。

优选地，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。