[发明专利]一种基于双增强残差网络的生物图像去噪方法

说明书

本发明公开一种基于双增强残差网络的生物图像去噪方法，含有两个相同结构的子网络组成，每个子网络均通过编码‑解码的层次结构，对特征进行降尺度和升尺度，使得GPU能够产生更大的感受野；在编码过程中，采用卷积层进行下采样获取图像信息，并叠加残差块对特征进行初步提取；解码过程中，利用转置卷积的上采样特征能力，同时叠加残差密集块，提取深层次特征，恢复图像细节；在两个子网络中，分别在卷积层和转置卷积层之间增加跳跃连接，两个子网络之间监督注意模块和四个交叉特征融合模块相连，这些连接有助于传递图像细节信息，加深网络的同时提高恢复性能。

技术领域

本发明涉及一种图像去噪方法，尤其是一种基于双增强残差网络的生物图像去噪方法。

背景技术

数字图像在采集和传输的过程中，会因为噪声而导致图像退化。对于生物数据集，噪声可能来自细胞周期和生命史变化等内源性的生物学因素，也可能来自于样品制备和仪器变化等外源性的技术因素，混合的噪声会导致生物图像出现边缘不清晰、细节特征模糊等现象，影响推断潜在过程时的准确性。

传统的去噪方法虽能在一定程度上消除噪声，但在复原过程中通常难以保留图像的细节特征。随着深度学习技术在图像处理领域的不断发展，提出了许多利用卷积神经网络提高图像去噪性能的方法，如通过堆叠网络的层数来丰富神经网络的功能，但随着网络深度的不断增加，训练模型会出现退化问题。另外，网络的深度特征与输出要保持一样的分辨率，则去噪网络在网络层数、参数数量等方面会收到GPU内存限制。

发明内容

本发明为了解决现有技术所存在的上述问题，提出了一种基于双增强残差网络的生物图像去噪方法。

本发明的技术解决方案是：一种基于双增强残差网络的生物图像去噪方法，是将待去噪的图像输入去噪模型中完成图像去噪，其特征在于所述去噪模型依次按照如下步骤建立：

步骤1：制作训练集

步骤1.1：导入BSD500数据集，加入强度已知的高斯噪声构建图像对，选取N对图像，记为图像集

步骤1.2：对图像集进行切块操作，获得4N个图像块，切块之后的图像大小均为256*256像素，记为训练集

步骤2：将训练集图像数据输入双增强残差网络获取去噪模型

所述双增强残差网络有两个结构相同的第一子网络S₁和第二子网络S₂，第一子网络S₁通过监督注意模块和四个交叉特征融合模块与第二子网络S₂相连接，在第二子网络S₂的前端和后端分别有第一个卷积层Conv_final₁和最后一个卷积层Conv_final₂；所述第一子网络S₁和第二子网络S₂的结构是依次有四个编码块、上下文块和四个解码块，所述四个编码块均由卷积层和残差块构成，所述四个解码块的第一个解码块由偏移块和残差密集块构成，其它三个解码块由转置卷积层、卷积层、偏移块和残差密集块构成，所述残差密集块由四个块构成，前三个块密集跳跃连接后与最后一个块相接，前三个块均由卷积层、实例归一化层和激活函数构成，最后一个块由卷积层和实例归一化层构成；编码块的卷积层与对应的解码块的转置卷积层之间设置长跳跃连接；约定变量iteration_pro为网络循环迭代的次数，设置初始值为0，开始训练；

所述训练按照如下步骤进行：

步骤2.1：将训练集的每个噪声图像块Train_Noisy_P_i经过第一子网络S₁的第一个卷积层，得到初始特征图TN_P_i_f₁；