[发明专利]一种基于压缩神经网络的图像去噪方法

说明书

本发明公开了一种基于压缩神经网络的图像去噪方法。首先将噪声图像进行分块来降低训练模型的代价，随后经过压缩神经网络进行图像去噪，增强机制、空洞卷积融合到所发明的去噪网络中提高去噪的性能，最后利用全局残差操作得到干净的图像。去噪网络由增强块和压缩块组成。增强块包括子网络、一个卷积层及激活函数、空洞卷积及激活函数，二个子网络通过Concat操作被连接到一起，增强捕获特征的鲁棒性，之后经过卷积层和激活函数对上述提取的特征信息进行继续学习。压缩块是用来压缩网络的参数和减少模型的训练代价。压缩模块包括卷积及激活函数、普通的卷积及激活函数和卷积层。这里的空洞卷积能提高去噪网络的性能。

技术领域

本发明涉及低水平视觉与深度学习领域，尤其涉及一种基于压缩神经网络的图像去噪方法。

背景技术

随着互联网技术、大数据技术的发展，硬件芯片的升级，人工智能技术在图像处理上有越来越多的广泛的应用，如：医学上CT，无人机灾难救援，月球探测，天气预测以及大众娱乐。其中，这些应用需要相机捕获图像，而在恶劣的天气(如：沙尘暴、雨天、黑天)以及相机抖动等状况下所拍出照片是不清楚，恢复这类图像的技术叫做图像去噪方法。随着图像处理单元GPU的出现，深度学习技术被广泛地应用到图像去噪上，如：2016年提出的深度去噪网络CNN利用卷积，ReLU和BN来得到干净的图像。2019年提出的MWCNN通过小波和UnNet来训练去噪网络；2019年提出的BRDNet利用BRN和残差等来对真实噪声图像进行去噪并取得良好的效果。通过以上研究说明，深度CNN是非常适合处理去噪任务的。

发明内容

为了有效地解决以上问题，本发明提出了一种压缩神经网络的图像去噪方法。本发明有较少参数和好的性能，同时本发明在其他低水平视觉任务如图像超分辨上也适用。此外，本发明在军用、民用和医用等都有广泛地应用。因此，本发明有良好现实应用前景和强的理论研究意义。

其实现过程如下：

(1)将噪声图像分块成大小为57×57子噪声图像，并将这些子噪声图像作为去噪网络的输入；

(2)将这些子噪声图像经过CNDN网络得到干净图像；

(3)上述的CNDN网络一共有增强块和压缩块；其中增强块有2个相同9层的子网络组成：1-3层为卷积和Tanh，4-9层为空洞卷积和Sigmoid，通过一个Concat将二个子网络连接到一起并作为第10层的输入，第10层包括卷积和ReLU，之后第10层输出作为压缩块的输入；压缩块由10层组成：1-8层1×1卷积和激活函数PReLU，第9层为普通的卷积默认为3×3和激活函数ReLU，第10层为卷积层，输出的是去除噪声的干净图像；

上述涉及的空洞卷积利用扩大感知来捕获更多上下文信息并减少网络的深度；上述所涉及的CNDN中不同激活函数能增大网络的差异性并提高去噪的性能；压缩块中的1×1卷积能去除CNDN没用的参数，这能提高网络去噪的效率；

(4)利用全局的残差技术把获得噪声从噪声图像中得到干净的图像。

附图说明

附图1：本发明的整体流程；

附图2：CNDN的网络结构图；

附图3：给出的噪声图像；

附图4：噪声图像块；

附图5：网络预测的噪声映射；

附图6：CNDN得到的干净图像块；

附图7：一张噪声图像；

附图8：去噪网络预测噪声映射；

附图9：CNDN得到的干净图像。

具体实施方式

为了解决以上问题，本发明提出的以下解决方法：