[发明专利]基于深度学习的图像多级去噪方法

说明书

本发明提出了一种图像多级去噪方法，主要解决现有技术存在图像细节丢失和图像降噪效果差的问题。其实现方案是：根据图像多级尺度特征有助于含噪图像恢复为干净图像的特点，在现有的图像采样单元上进行改进构建图像上、下采样模块；利用上、下采样模块构建菱形模块，以提取图像的多级特征；利用菱形模块构建V形子网，以提取图像的浅层特征；利用多个卷积层和V形子网进行不同的组合构成图像多级去噪网络；构建损失函数并对该多级去噪网络进行训练；将待去噪图像输入到中训练好的去噪网络进行处理，输出去噪后的图像。本发明避免了由于过度下采样带来的图像细节信息丢失，保持了图像的多级特征信息，提高了降噪效果，可用于图像的高斯白噪声去噪。

技术领域

本发明属于图像处理技术领域，更进一步涉及一种图像多级去噪方法，可用于图像的高斯白噪声去噪。

背景技术

图像作为人们最常用的信息载体之一，包含着大量的信息，是人们获取信息的重要途径。而图像在获取、传输等过程中常常受到不同程度的噪声的干扰，噪声的存在会导致图像的质量下降，严重的噪声可能淹没图像本身的有用信息，为人们的观察和使用带来不便，同时还会影响图像后续诸如图像分割、目标检测等处理的精度。因此，对图像中噪声的去除是十分有必要的，在去噪的同时尽可能的保留图像的有用信息，是图像去噪的要点也是难点。

随着深度学习技术的发展，国内外的学者已经提出了很多基于深度学习的图像去噪算法，并且相对于传统算法有了更大的改进，取得了较好的去噪效果。Mao等人在其发表的论文“Image Restoration Using Very Deep Convolutional Encoder-DecoderNetworks with Symmetric Skip Connections”中提出了REDnet网络用于图像去噪，REDnet采用了对称的编码-解码结构，用多级图像下采样实现图像编码，用多级图像上采样实现图像解码，每隔固定的下采样层就采用一个跳跃连接层与对应的上采样层相连接。Zhang等人在其发表的论文“Beyond a Gaussian Denoiser:Residual Learning of DeepCNN for Image Denoising”中提出了DnCNN网络用于图像去噪，采用多个卷积、批量归一化和激活函数层堆叠的方式组成网络。这两种方法均在当时取得了图像去噪的良好效果，但它们也存在着一定的问题，REDnet通过对图像的多级采样改变图像的尺寸，即在图像的多级尺度下提取图像特征用于去噪效果的提升，但是图像的过度采样容易丢失图像的细节信息，反而不利于去噪后图像的后续处理；DnCNN在对图像的处理中没有发生图像尺寸的变化，即基于固定的图像尺度，通过加深网络层数来提升网络性能，但是一味的加深网络深度有可能导致网络难以训练甚至梯度消失的问题。

发明内容

本发明的目的在于克服上述已有技术的不足，将基于固定尺度的图像去噪和图像多级特征结合在一起，提出一种基于深度学习的图像多级去噪方法，以减少图像细节的丢失，提高图像的降噪效果。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)构建上采样模块U和下采样模块D：

对图像超分辨重建网络DBPN中上采样、下采样单元进行改进，即在上、下采样单元内部每个具有下采样功能的卷积层和每个具有上采样功能的反卷积层后均添加一个用于进一步提取图像特征的卷积层，构建出上采样模块U和下采样模块D；

(2)构建菱形模块C：

将一个上采样模块U与一个下采样模块D相串联构成上路；

用一个卷积层构成中路；

用一个下采样模块D与一个上采样模块U相串联构成下路；

将所述上、中、下三路并联连接组成菱形模块C；

(3)构建V形子网：

将两个菱形模块C相串联构成一个正常路径；