[发明专利]一种基于三段子网络表示的泊松去噪方法

说明书

本发明提供了一种基于三段子网络表示的泊松去噪方法，包括以下步骤：步骤(a)：像素值全为1的输入图像经过卷积处理后与经过两个卷积算子的含噪图像相加，得到中间处理图像1；步骤(b)：将中间处理图像1经过一个无batch normalization层的resnet模块处理后，得到中间处理图像2；步骤(c)：对步骤(b)进一步使用两个卷积后，与像素值为1的图相加，得到最终结果；本发明继承和扩展了传统方差稳定变换方案的结构和优势，通过网络设计和监督学习的方法，利用三个子网络处理非线性学习映射，网络的拓宽大大提高了去噪性能；与传统的迭代去噪方法相比，本发明具有更好的去噪性能，特别是在低信噪比的情况下图像恢复效果更加优越。

技术领域

本发明涉及光电子器件技术领域，具体为一种基于三段子网络表示的泊松去噪方法。

背景技术

图像去噪是图像处理中的基本问题，目标是从含噪的观测图像估计出理想图像，通常这是一个不适定的反问题，大量文献对该问题进行了深入的研究，不过主要针对的是加性高斯白噪声，然而在光量子计数成像系统中，如CCD固态光电检测器阵列、天文成像、计算X射线成像(CR)、荧光共焦显微成像等等，获取的图像往往受到量子噪声的污染。

由于光具有量子特效，到达光电检测器表面的量子数目存在统计涨落，因此，图像监测具有颗粒性，这种颗粒性造成了图像对比度的变小以及对图像细节信息的遮盖，我们对这种因为光量子而造成的测量不确定性成为图像的泊松噪声。在光子限制的情况下，通常会产生泊松噪声。在生物医学成像、夜视和天文学等应用中，由泊松噪声引起的信号退化是一种常见现象。因此，泊松噪声对于图像的分类和识别等后续处理尤为重要。但与加性高斯噪声不同，泊松噪声是一种乘性噪声，不满足简单加性原理且噪声强度与方差是信号依赖的。噪声信号依赖于图像本身，即与信号相关的特征。具体来说，假设f是观测到的服从泊松分布的噪声污染图像，则离散概率为：

其中无噪声图像u代表分布的平均值，i代表像素值。通常来讲，每个像素的信噪比(即峰值)为因此，在观察到的图像中，较低的信号强度意味着较强的噪声。图像中的噪声功率通常由图像的最大值来度量，称为峰值。

统计上，亮度大的像素受到更多的干扰，因此去除泊松噪声是一个困难的任务。去除泊松噪声的一个经典方法是对观测数据在空域或变换域(如小波)进行方差稳定变换，例如Anscombe、HaarFisz、CVS变换等等，变换后各数据为近似同方差的高斯分布，从而转化为一般的高斯去噪问题。诸多算法如维纳滤波、小波阈值收缩均可应用于该问题，最后经反VS变换可获得最终的去噪数据。不过，只有当光子数逐渐变多时，VS变换后数据才渐进趋于高斯分布，并不适用于低光量子数情形，如X-Ray、Gamma射线数据，同时VS变换为非线性变换，不利于分析与优化去噪算法的性能。

实际应用需要更为有效的泊松去噪方法，无需进行方差稳定变换预处理，能够直接分析泊松数据。对含噪图像的小波变换系数进行与泊松噪声统计特性相适应的阈值操作，可避免方差稳定变换。为此，针对泊松噪声的统计特性，Kolaczyk修正了原先针对高斯噪声的小波系数阈值策略，不过在低光子数情形下仍然不是很有效。随后Kolaczyk提出了另外一种算法，通过统计假设检验(hypothesis-testing)策略，可预先设定误检率，对Haar小波系数一致性(重要性)进行判别，并进行相应的阈值操作。进一步将该方法拓展到双正交Haar小波，可形成更为光滑的去噪图像。另一类方法是在多尺度Bayesian框架下处理泊松噪声。Bayesian方法的优点是在去噪过程中可结合关于理想图像的先验知识，同时利用多尺度分析可简化去噪问题，得到了学者们的认可。

以上方法均有其可取之处，但普遍存在的不足之处是不能很好地处理低信噪比下的图像恢复。

发明内容

本发明的目的在于提供一种基于三段子网络表示的泊松去噪方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于三段子网络表示的泊松去噪方法，包括以下步骤：