[发明专利]多尺度融合并行稠密残差卷积神经网络图像去噪方法

权利要求书

1.多尺度融合并行稠密残差卷积神经网络图像去噪方法，其特征在于，具体按照以下步骤实施：

步骤1、构造训练数据集，并对数据进行预处理操作，得到数量充足的训练数据集；

步骤2、搭建网络框架，使用稠密残差块和多尺度特征融合块结合并行卷积神经网络的方式构建网络主体，对网络的最终输出结果与网络输入端使用残差学习策略，搭建网络框架完成；

步骤3、设置步骤2中所搭建网络框架的超参数、损失函数，选择网络优化算法优化损失函数；

步骤4、训练构建的网络，根据步骤3设置的网络超参数、损失函数以及选择的网络优化算法对噪声图像数据集进行训练，得到与其对应的已训练网络模型；

步骤5、对步骤4中的已训练网络模型进行去噪测试实验，并用峰值信噪比和结构相似性指数度量去噪测试图像，说明网络性能；

所述步骤2具体包括以下步骤：

步骤2.1、使用两个深度不同的网络分支作为网络主体，每个网络分支使用不同数量的稠密残差块，稠密残差块的数量代表网络的深度；对于每个网络分支来说，使用跳远连接将浅层图像信息和深层图像信息组合起来，以获得不同尺度的图像信息，然后将两个网络分支的输出进一步组合起来；稠密残差块由卷积层构成，卷积层由64个大小为3*3的卷积核组成，其中卷积核的数量由硬件内存大小决定；卷积层中激活函数采用线性整流函数，并且每个卷积层加入批量归一化操作；至此，网络主体构建完成；

步骤2.2、将步骤2.1构建的网络主体中加入多尺度特征融合块，即在两个网络分支的末尾处的图像特征图后加入多尺度特征融合块，多尺度特征融合块中具有不同尺度卷积核的卷积组，将卷积组做卷积操作后得到的结果进行组合，随后对两个网络分支进行合并操作得到输出的图像特征图；

步骤2.3、将步骤2.2中两个网络分支合并操作后的结果连接一个稠密残差块和多尺度特征融合块，稠密残差块和多尺度特征融合块中的卷积层由64个大小为3*3的卷积核组成，激活函数采用线性整流函数，并且加入批量归一化操作，得到网络的输出；

步骤2.4、网络采用残差学习策略，此时网络学习到的为残差，将步骤2.3中得到的输出结果与网络的输入做相减操作，得到最终去噪图像，至此，网络框架搭建完成。

2.根据权利要求1所述的多尺度融合并行稠密残差卷积神经网络图像去噪方法，其特征在于，所述步骤1具体包括以下步骤：

步骤1.1、训练数据集包括加噪图像数据集和与其相对应的原始图像数据集，通过已有资源选取原始图像数据集，加噪图像数据集制作方法为：对原始图像数据集加入标准差范围为σ＝[m,n]的高斯白噪声，其中m,n均为正整数；设置噪声步长s，其中s为正整数，可以得到组不同标准差的加噪图像，最终可得到组加噪图像数据集；将一组加噪图像数据集和一组与其相对应的原始图像数据集称为一组训练数据集，共得到组训练数据集；

步骤1.2、对步骤1.1得到的组训练数据集进行预处理操作，将训练数据集中的每张图像进行0.7，0.8，0.9，1倍的缩放，根据训练数据集中图像的大小，选择适合尺度的滑动窗口进行平移操作，即完成对图像的小块分割得到若干个小块图像，以提高网络训练性能；紧接着对每个小块图像进行90°旋转、180°旋转、270°旋转和上下翻转的增广操作，从而得到数量充足的训练数据集，训练数据集中的加噪图像数据集为网络的输入图像。

3.根据权利要求1所述的多尺度融合并行稠密残差卷积神经网络图像去噪方法，其特征在于，所述步骤3具体包括以下步骤：

步骤3.1、将网络训练集中的图像分批次输入到步骤2中所搭建的网络框架中，根据硬件内存条件设置合适的批次大小，设置网络框架的超参数，设置初始学习速率为0.001，设定迭代一定次数后将学习速率减少1/10，迭代一次意味着将网络训练集中的图像学习一遍；

步骤3.2、步骤2所搭建的网络框架采用残差学习策略，设置网络训练的损失函数为：

其中，N为原始图像数据集中原始图像的数目，x_i和y_i分别表示原始图像数据集中的原始图像与对应的加噪图像数据集中加噪图像，θ为当前网络的参数数值，F(y_i；θ)为加噪图像输入到网络后得到的残差图像；

步骤3.3、根据步骤3.2设定的网络损失函数，优化算法使用自适应时刻估计算法，通过引入随时间变化的学习速率与衰减量来不断优化步骤3.2中的损失函数。

4.根据权利要求2所述的多尺度融合并行稠密残差卷积神经网络图像去噪方法，其特征在于，所述步骤5具体包括以下步骤：

步骤5.1、选取测试图像，其不在网络训练集中，对测试图像加入标准差范围为σ＝[m,n]的高斯白噪声，其中m,n均为正整数；设置噪声步长s，其中s为正整数，得到张不同标准差的加噪测试图像；

步骤5.2、将步骤5.1中得到的加噪测试图像对应地输入到步骤4得到的已训练网络模型中，进而获得网络的输出图像，即去噪测试图像；

步骤5.3、为了说明网络性能，用峰值信噪比和结构相似性指数度量步骤5.2中获得的去噪测试图像，其中PSNR指标的基准为：20dB以上，PSNR越大表示图像去噪效果更好；SSIM指标的取值范围为[0,1]，其值越大表示图像越接近原始图像。