[发明专利]基于NSST域和Res2Net网络的图像去噪方法

说明书

本发明公开了一种基于NSST域和Res2Net网络的图像去噪方法，步骤1，选取n张图像作为训练样本，对预处理后的图像进行分解得到低频子带图L和高频子带图H；步骤2，将步骤1中得到的低频子带图L进行训练学习，得到低频子带图L'；步骤3，将高频子带图中的其中一幅子带图进行训练学习，得到高频子带图H₁'；步骤4，对步骤1中剩余k‑1个高频子带图依次执行步骤3，得到相应的去噪之后的高频自带图；步骤5，将步骤1中经过NSST分解得到的各个频域子带图经过步骤2～4得到的各自的子带结果取出使用，即得到干净图像。采用该方法解决了现有技术中存在阈值去噪过程中难以确定而使得去噪效果不明显及去噪结果边缘纹理不清晰的问题。

技术领域

本发明属于图像处理方法技术领域，涉及一种基于NSST域和Res2Net网络的图像去噪方法。

背景技术

生活中图像在采集和传输过程中常常因受到各种噪声的干扰和影响，使得图像变得模糊，丢失了图像的一些细节特征，并且给图像后续的进一步处理带来不利，比如图像分割，图像分类等。

去噪是将一幅带有噪声的图像通过设计的方法还原为接近原图的过程。本质上也是一种从损坏的图像中重建原始图像的过程。它的目的是抑制噪声，同时尽可能多地保留图像的结构和边缘纹理信息。它对于摄像机成像、医学成像到视频监控成像处理等各种应用至关重要。因此，抑制这些噪声，改善图像质量是图像分析和识别的重要预处理环节。

发明内容

本发明的目的是提供一种基于NSST域和Res2Net网络的图像去噪方法，采用该方法解决了现有技术中存在阈值去噪过程中难以确定而使得去噪效果不明显及去噪结果边缘纹理不清晰的问题。

本发明所采用的技术方案是，基于NSST域和Res2Net网络的图像去噪方法，具体包括如下步骤：

步骤1，选取n张图像作为训练样本，然后对训练样本中的每张图像进行预处理，对预处理后的图像进行NSST频域分解得到1个低频子带图L和k个高频子带图H；

步骤2，将步骤1中得到的低频子带图L输入到设计好的级联Res2Net网络中进行训练学习，得到预估的去噪之后的低频子带图L'；

步骤3，将步骤1中得到的高频子带图中的其中一幅子带图输入到设计好的与步骤1、2相同的级联的Res2Net网络中进行训练学习，得到预估的去噪之后的高频子带图H₁'；

步骤4，对步骤1中剩余k-1个高频子带图依次执行步骤3，得到相应的去噪之后的高频子带图；

步骤5，将步骤1中经过NSST分解得到的各个频域子带图经过步骤2、3、4得到的各自的子带结果取出使用，即将这些结果图经过NSST逆变换重构得到最终去噪之后的干净图像。

本发明的特点还在于：

步骤1的具体步骤为：

将训练样本中的每张图像随机分割出m×m大小的图像，并对分割后的每张m×m大小的图像进行高斯加噪得到噪声图像，再使用均值滤波对得到的噪声图像进行预去噪，然后对得到的预去噪结果进行NSST变换分解，得到尺寸大小为m×m的一个低频子带图L和若干个高频子带图H。

步骤2具体步骤为：

步骤2.1，设计级联的Res2Net去噪网络，此网络包含三部分：

第一部分是第一层低层特征提取层，包括conv卷积操作和ReLu激活函数；第二部分包含若干个Res2Net残差块，第三部分为位于最后一层的重构层；

步骤2.2，将步骤1中得到的低频子带图L输入到步骤2.1中设计好的级联的Res2Net去噪网络的第一层,进行卷积操作浅层特征提取以获得图像矩阵M₀，将低频子带图L从空间映射转换为特征映射中；