[发明专利]一种具有细节信息学习能力的图像去噪方法

说明书

本发明公开了一种具有细节信息学习能力的图像去噪方法，包括以下步骤：1）构建具有细节信息学习能力的图像去噪模型；2）使用该图像去噪模型对噪声图像进行去噪，获得干净图片；3）所述图像去噪模型先将噪声从噪声图像中分离，接着所述图像去噪模型从分离的噪声中学习丢失的图像细节信息；4）最后，所述图像去噪模型将学习的图像细节信息补充入干净图片，获得最终的去噪后的清晰图像。本发明提供一种新的图像去噪方法，能够有效地避免了光晕，振铃和马赛克效应，以及模糊和伪影现象，表现具有竞争力的去噪效果以及良好的视觉效果，同时还具有很强的泛化能力，可在超声图像，激光图像等真实图像去噪任务中表现出先进的去噪性能。

技术领域

本发明涉及机器视觉的图像处理技术领域，具体是指一种具有细节信息学习能力的图像去噪方法。

背景技术

图像去噪的目的是从噪声图像中去除噪声并使图像清晰。近年来，图像去噪方法主要有传统的图像先验法和深度学习法。其中，传统的图像先验方法的去噪性能取决于研究者的先验知识，如非局部自相似模型和稀疏模型。基于深度学习，效果较突出的是张等人提出的DnCNN(Denoising noise CNN)。该网络利用残差学习策略成功地避免了光晕，振铃和马赛克效应。Chen等人利用数量固定的梯度下降推断步骤，提出了一个可学习的非线性反应扩散(Trainable NonlinearReaction Diffusion，TNRD)去噪模型。该模型在捕获图像结构特征时局限于特定形式的先验信息。Cha等人提出了一种自适应的全卷积图像去噪网络。该网络使用了一种基于上下文关系的像素点映射的方法保留了比TNRD更多的图像细节信息，但极易出现伪影现象。Chen等人基于生成对抗网络提出了一种盲目去噪模型。这个模型由于具有用于区分噪声图像和去噪后的图像的对抗网络，可克服伪影现象，但对抗网络容易生成错误的图像细节信息。为了加强网络顶层特征的图像细节表达能力，Mao等人提出了编码—解码卷积去噪网络。该网络通过编码卷积层和解码反卷积层之间的跳线连接结构，提高了由顶到底的梯度传播效率，还在一定程度上缓解了特征传播过程中严重缺失细节信息的问题。

传统的图像先验方法，有两个明显的缺点。第一，去噪后的图像难以保留图像细节信息，从而容易产生模糊的视觉效果和伪影现象。第二，由研究人员的先验知识设计的模型难以充分有效地获得噪声图像中干净部分的特征。基于深度学习，着重于尽量减少去噪时图像细节的丢失，而从未考虑如何学习已经丢失的图像细节，仍然不能有效的解决图像细节信息的缺失问题。

发明内容

针对现有技术的不足，本发明的目的在于提供一种能够有效地对图像细节进行学习，成功地避免了光晕，振铃和马赛克效应，以及模糊和伪影现象，表现具有竞争力的去噪效果以及良好的视觉效果，同时还具有很强的泛化能力，可在超声图像，激光图像等真实图像去噪任务中表现出先进的去噪性能的图像去噪方法。

为了实现上述目的，本发明通过下述技术方案实现：一种具有细节信息学习能力的图像去噪方法，包括以下步骤：

(1)构建具有细节信息学习能力的图像去噪模型；

(2)使用该图像去噪模型对噪声图像进行去噪，获得干净图片；

(3)所述图像去噪模型先将噪声从噪声图像中分离，接着所述图像去噪模型从分离的噪声中学习丢失的图像细节信息；

(4)最后，所述图像去噪模型将学习的图像细节信息补充入干净图片，获得最终的去噪后的清晰图像。

为更好的实现本发明的图像去噪方法，进一步地，所述步骤(1)中，具有细节信息学习能力的图像去噪模型的具体构建过程如下：

(1.1)分析用于图像细节学习的最小化问题并根据残差卷积神经网络，构建能够体现图像细节表征能力的残差单元RU；

(1.2)利用残差单元RU对噪声特征映射n进行建模，构建噪声特征映射产生块NGB，所述噪声特征映射产生块NGB将噪声从噪声图像中分离；