[发明专利]一种基于特征调制的图像去噪系统

说明书

一种基于特征调制的图像去噪系统，涉及图像处理领域。解决了现有技术中将噪声水平图和噪声图像简单联结后对噪声图像进行去噪的方式，忽略了噪声水平图在后续层的影响，导致噪声图像去噪效果差的问题。本发明考虑用噪声水平图对原始噪声图像去噪进行多层引导，先对原始噪声图像和噪声水平图进行特征提取，获得提取完成的特征图，再对相应的特征图进行多尺度的多级调制，从而获得残差图像特征图，通过残差图像特征图用于实现对原始噪声图像的去噪，整个去噪过程挖掘了原始噪声图像和噪声水平图之间的复杂关系，并对噪声图像特征提取图不断的进行多尺度调制，使得去噪的效果更好。本发明主要用于对噪声图像进行去噪。

技术领域

本发明涉及图像处理领域。

背景技术

图像去噪是底层视觉中一个经典的课题，其目的是从噪声图片中恢复出潜在的干净图像。随着深度学习算法的发展，近年来许多基于卷积神经网络(CNNs)的深度去噪网络被提出。这些基于深度学习的去噪方法与传统的基于模型的方法相比具有更优异的去噪性能。然而，大多数深度去噪网络在处理具有不同噪声水平甚至空间变化的加性高斯白噪声(AWGN)时仍然缺乏灵活性。具体来讲，这些方法通常是非盲的，即对于每个噪声水平需要学习特定的模型。而真实世界中的噪声图像往往对应于不同的噪声水平，因此需要预先训练和储存大量的去噪模型，很显然这样降低了它们在图像去噪任务中的实用性。

此外，还有许多学者提出了若干用于解决非盲图像去噪的灵活性问题的方法。例如：提出了一种快速灵活的基于卷积的去噪网络(FFDNet)。对于给定的一幅具有特定噪声水平的噪声图像，FFDNet只需将噪声图像和其对应的噪声水平图联结(concatenation)作为输入，就可以用一个单独去噪网络来处理不同噪声水平的加性高斯白噪声，我们称这种方法为输入联结方法。这个额外输入的噪声水平图能够帮助实现噪声去除和图像细节保留之间的平衡，使得FFDNet能够更好的应用于一些真实的去噪任务中。

但是，上述方法探索了如何将噪声先验信息结合到图像去噪中，但只是简单地将噪声水平图和噪声图像联结到输入层。一方面，噪声信息并不包含图像的信息，使用卷积运算同时处理噪声信息与图像信息会引入与图像无关的干扰；另一方面，这样的处理机制在挖掘噪声水平和图像信息之间的复杂交互关系上是不足的，在平衡噪声去除和图像细节保留方面有一定的局限性。下面以具体事例来说明上述两方面的不足，具体为：

假设y是带加性高斯白噪声的噪声图像，σ²是噪声方差，x是其对应的干净图像。非盲图像去噪任务就是指在给定噪声图像y和噪声方差σ²的情况下，从y中恢复干净图像x。其中，σ是一个标量，而y是大小为H×W×C的图像(灰度图像C＝1，彩色图像C＝3)。因此，我们将σ拉伸成一个大小为H×W且每个元素都为σ噪声水平图M。拉伸后，噪声水平图M不仅提供了用于调制卷积激活的条件信息，而且可以通过简单地将M(i,j)设置为(i,j)位置处的局部噪声水平，提供一种处理空间变化噪声的方法。因此，灵活非盲图像去噪模型可以写成：

其中Θ表示网络参数。在FFDNet等灵活去噪网络中，通常以y和M的联结作为输入来引入噪声水平图。然而，这种输入级联的方法，在捕获y和M之间复杂相互作用方面的有一定的局限性，导致图像去噪效果不足的问题。因此，以上问题亟需解决。

发明内容

本发明目的是为了解决现有技术中将噪声水平图和噪声图像简单联结后对噪声图像进行去噪的方式，忽略了噪声水平图在后续层的影响，导致噪声图像去噪效果差的问题。本发明提供了一种基于特征调制的图像去噪系统。

一种基于特征调制的图像去噪系统，包括两个特征提取模块、第一残差移位调制模块、处理模块、图像复原模块和减法器；

一个特征提取模块，用于对原始噪声图像进行特征提取获得噪声图像特征提取图，并将获得的噪声图像特征提取图发送至第一残差移位调制模块；