[发明专利]基于全局平滑约束先验模型的深度神经网络图像去噪方法

说明书

本发明公开了一种基于全局平滑约束先验模型的深度神经网络图像去噪方法。主要包括以下步骤：利用自然图像的非局部平滑性，构建全局平滑约束先验；根据前一步骤得到的全局平滑约束先验，构造在变换域中求解的图像去噪代价函数；利用基于梯度的方法来最优化前一步骤中构造的代价函数，得到基于全局平滑约束先验模型的图像去噪迭代框架；将迭代框架展开成一种深度神经网络模型；训练构建的深度神经网络模型；将噪声图像作为输入，利用前一步骤训练好的深度神经网络模型得到恢复的高质量图像。本发明所述的方法能够获得很好的去噪效果，是一种有效的图像去噪方法。

技术领域

本发明涉及图像去噪技术，具体涉及一种基于全局平滑约束先验模型的深度神经网络图像去噪方法，属于数字图像处理领域。

背景技术

图像去噪是数字图像处理领域中一个被广泛研究的热点课题，具有十分重要的实际应用价值，其目的是从有噪声的图像y中恢复高质量的图像x，改善图像质量，为后续进一步分析和处理奠定基础。该降质模型可以表示为y＝x+v，其中v一般被假设是标准差为σ的加性高斯白噪声(additive white Gaussian noise，AWGN)。图像去噪是一个典型的病态逆问题。因此，如何利用图像的先验知识来约束求解过程变得尤为关键。

图像去噪方法通常可以分为两类：基于模型的方法和基于学习的方法。基于模型的方法需借助构建复杂的先验模型来约束解空间，降低问题的病态性。此类方法通常能较好地抑制人工痕迹，但是在恢复复杂的图像纹理和结构上往往欠佳。此外，许多基于模型的方法都需要迭代地求解耗时的优化问题，导致其计算复杂度较高。同时，大多数现有的先验模型都是手工设计的，设计一个更复杂的先验来提升去噪性能也是一个巨大的挑战。

基于学习的方法旨在从训练数据中学习噪声和高质量图像样本对之间的非线性映射关系，事实上，该类方法可以视作一种学习先验。近几年，使用深度神经网络的方法在图像去噪领域如雨后春笋般不断涌现，取得了较好的性能，已经逐渐成为基于学习方法中的研究热点。与大多数基于模型的方法相比，它们的重建速度更快，对图像纹理和结构部分能起到更好的恢复效果，但是也容易产生虚假的纹理信息。

发明内容

本发明的目的是利用自然图像的局部平滑性构建一个有效的全局平滑约束先验，并将其应用于图像去噪，得到一种基于全局平滑约束先验模型的图像去噪迭代框架。进一步地，结合深度神经网络强大的学习能力，将该框架展开成一种深度神经网络模型进行图像去噪，使得恢复的高质量图像具有更加精细的结构，并能很好地抑制人工痕迹。

本发明提出的基于全局平滑约束先验模型的深度神经网络图像去噪方法，主要包括以下操作步骤：

(1)利用自然图像的非局部平滑性，构建全局平滑约束先验；

(2)根据步骤(1)得到的全局平滑约束先验，构造在变换域中求解的图像去噪代价函数；

(3)利用基于梯度的方法来最优化步骤(2)中构造的代价函数，得到基于全局平滑约束先验模型的图像去噪迭代框架；

(4)将步骤(3)得到的迭代框架展开成一种深度神经网络模型；

(5)利用训练数据集，以最小化损失函数来训练步骤(4)中构建的深度神经网络模型；

(6)将噪声图像输入到步骤(5)中训练好的深度神经网络模型得到恢复的高质量图像。

附图说明

图1是本发明提出的基于全局平滑约束先验模型的图像去噪迭代框架

图2是本发明提出的基于全局平滑约束先验模型的深度神经网络模型

图3是本发明提出的基于编解码结构的非线性运算模块

图4是本发明提出的多分支残差学习结构