[发明专利]基于局部密度损失的图像去噪方法

说明书

本发明提出一种基于局部密度损失的图像去噪方法，其特征在于：首先，采用全连接神经网络模型对图像像素值缺失的矩阵进行矩阵补全；然后，通过反向传播和梯度下降更新参数，将高斯影响函数进行求导得出高斯密度损失函数，且将高斯密度损失函数用于衡量模型预测的好坏。本发明能够有效地完成矩阵补全，引入局部密度损失函数进行模型预测好坏的衡量，在图像去噪任务上对比其他方法能够具有更加良好的性能，具有较高的实用价值。

技术领域

本发明属于神经网络，矩阵补全和图像去噪技术领域，尤其涉及一种基于局部密度损失的图像去噪方法。

背景技术

图像去噪的研究是计算机视觉领域的重要组成部分。近年来，基于深度学习的去噪方法被成功应用于合成噪声，但对真实噪声的泛化性能较差。真实噪声是指由拍照设备在照明条件差、相机抖动、物体运动、空间像素不对准、颜色亮度不匹配等情况下获取的图像中存在的噪声，具有噪声水平未知、噪声类型多样、噪声分布复杂且难以参数化等特点。而合成噪声是指噪声类型符合某种概率分布，且噪声水平可自主设定，如高斯噪声、椒盐噪声、斑点噪声等。目前，图像去噪方法已广泛应用于遥感图像处理、医学影像分析、人脸和指纹识别等诸多领域。

图像去噪方法主要分为：基于人工特征的传统去噪方法和基于深度学习的去噪方法。基于人工特征的传统图像去噪方法使用离散余弦变换、小波变换等修改变换系数，用平均邻域值计算局部相似性。NLM方法和BM3D方法利用自相似补丁在图像保真度和视觉质量上取得突出效果。基于这两种方法，许多变体方法如SADCT、SAPCA、NLB等方法被提出，这些方法在不同的变换域中寻找自相似补片来补全更多的边缘信息。传统去噪方法对图像特征的编码依赖于原始图像的假设，编码特征在真实图像中匹配度较低，降低了方法在实际应用中的性能和灵活性，且方法的特征提取过程繁琐、费时、计算量大，不适用于处理具有复杂分布的真实噪声。

相对于传统图像去噪方法，基于深度学习的图像去噪方法具有强大的学习能力，不仅可以拟合复杂噪声分布，还节省了计算时间。早期深度学习图像去噪方法使用强化学习技术，如政策梯度和Q-learning训练递归神经网络。但基于强化学习的方法计算量大，搜索效率低。深度学习去噪方法结合跳跃连接、注意力机制、多尺度特征融合等方式提高网络特征表达能力。但这些方法的网络结构较深，容易在训练过程中出现梯度爆炸或弥散问题。近年来，一些采用迁移学习和模型压缩思想的去噪方法，如AINDNet和MPI_DA_CNN把已经训练好的参数转移到新的轻量模型上，从而加快并优化学习效率，有效避免梯度问题的出现。

发明内容

有鉴于此，本发明的目的在于提供一种基于局部密度损失的图像去噪方法，其首先采用全连接神经网络模型对图像像素值缺失的矩阵进行矩阵补全；然后，通过反向传播和梯度下降更新参数，将高斯影响函数进行求导得出高斯密度损失函数，且将密度损失函数用于衡量模型预测的好坏；最后，在常用的图像去噪数据集上进行了广泛的实验。此外，此方法还采用了两个广泛使用的指标，分别是均方根误差和峰值信噪比，来衡量图像像素值矩阵缺失值的恢复精度。本发明能够有效地完成矩阵补全，引入局部密度损失函数进行模型预测好坏的衡量，在图像去噪任务上对比其他方法能够具有更加良好的性能，具有较高的实用价值。

本发明具体采用以下技术方案：

一种基于局部密度损失的图像去噪方法，其特征在于：首先，采用全连接神经网络模型对图像像素值缺失的矩阵进行矩阵补全；然后，通过反向传播和梯度下降更新参数，将高斯影响函数进行求导得出高斯密度损失函数，且将高斯密度损失函数用于衡量模型预测的好坏。

进一步地，采用均方根误差和峰值信噪比衡量图像像素值矩阵缺失值的恢复精度。

以及，一种基于局部密度损失的图像去噪方法，其特征在于，包括以下步骤：

步骤S1：输入一个带有噪声的图像像素值矩阵Y，将整个像素值矩阵的低秩优化问题转换为矩阵补全问题，初始化各问题的相关参数和初始值；