[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

说明书

本发明公开了多尺度融合并行稠密残差卷积神经网络图像去噪方法，具体为：步骤1、构造训练数据集，得到数量充足的训练数据集；步骤2、搭建网络框架；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。该方法在在消除噪声的同时能够保留更多的图像轮廓和纹理信息。

技术领域

本发明属于图像处理方法技术领域，具体涉及一种多尺度融合并行稠密残差卷积神经网络图像去噪方法。

背景技术

在数字信息时代的今天，随着计算机技术和数字化设备普及的发展，对视觉信息的有效处理成为一个很重要的课题。多媒体信息很大一部分由图像的视觉信息组成，但是在图像信息获取或者传输的过程中，会不可避免的受到一些不可抗拒因素的影响，例如光照、天气、光强和传输设备等的影响，得到含噪声的模糊图像，会极大地影响了图像的质量。含噪的图像会对后续的识别操作带来很大的影响，减弱了图像的可读性能。因此，图像去噪技术在图像处理领域中占据十分重要的地位，具有很大的研究意义。根据图像的自身相关性，通常情况下图像去噪主要分为两大类：一类是空间滤波去噪，另一类是频率域滤波去噪。上述方法在某些方面存在各自的缺陷：

对于空间滤波去噪来说，虽然可以有效的抑制噪声，但是会造成图像轮廓和纹理信息的丢失，造成图像的边缘过于平滑。例如均值滤波和中值滤波方法，在处理较低噪声强度时去噪能力较理想，但是在处理较高噪声强度时它们的去噪性能却急剧下降。

对于频率域滤波去噪来说，虽然较空间滤波去噪效果较好，但是也会模糊图像的边缘信息，另外也会损失一部分图像的高频信息，而高频信息为图像的纹理信息，因此去噪图像存在瑕疵。小波去噪方法在图像去噪方面表现较好，但是依赖于选择合适的小波基函数，因此需要大量的经验工作。

另外，非局部自相似模型(NSS)，稀疏模型和梯度下降模型，其中表现优越性能的有：基于块匹配的3D滤波(BM3D)去噪方法，K奇异值分解方法以及贝叶斯最小二乘去噪方法等在图像去噪方面都取得了不错的效果，但是存在以下缺陷：首先上述方法的优化算法很复杂，在进行测试时十分耗时，很难在短时间内完成去噪工作；另外上述方法依赖于人为操作，有很强的不确定性。

目前深度学习发展迅速，在很多领域取得了十分显著的发展，如语音、图像、识别等。多层感知机网络、栈式稀疏去噪自编码网络、深度置信神经网络网络等逐渐应用在图像去噪领域中。随后卷积神经网络被广泛的应用在图像去噪中，其具有权值共享和局部感知的特点，相比于其他神经网络具有更少的可调参数，具有较低的学习复杂度，另外，卷积神经网络具有高度不变性。因此，结合上述有特点，提出一种改进的多尺度融合并行稠密残差卷积神经网络图像去噪算法。

发明内容

本发明的目的是提供一种多尺度融合并行稠密残差卷积神经网络图像去噪方法，该方法在消除噪声的同时能够保留更多的图像轮廓和纹理信息。

本发明所采用的技术方案是，多尺度融合并行稠密残差卷积神经网络图像去噪方法，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；