[发明专利]基于噪声学习神经网络模型的图像混合噪声消除方法

说明书

基于噪声学习神经网络模型的图像混合噪声消除方法，由构建训练模型数据集、噪声学习神经网络模型构建、噪声学习神经网络模型训练及初始参数的确定、对混合噪声图像进行去噪四部分组成。本发明通过构建训练模型数据集对噪声学习神经网络模型进行训练，通过第一噪声特征抽取单元提取混合噪声的特征，利用中间层的噪声特征强化模块和第一正则化单元增强混合噪声的特征，在第二噪声特征抽取单元产生预测的噪声残差图像；将带有混合噪声的测试图像输入到噪声学习神经网络模型中，输出残差图像，用带有混合噪声的图像减去残差图像可得到清晰的图像。本发明具有自适应能力高，泛化能力强，测试时间短等优点，可用于图像的混合噪声消除。

技术领域

本发明属于图像处理领域，具体涉及一种基于噪声学习神经网络模型的图像混合噪声消除方法。

背景技术

在图像成像过程中，由于传感器温度和环境的低照度会使采集到的图像中包含混合噪声。噪声的引入，不仅降低了图像的质量，而且会严重影响图像的高级视觉处理任务。因此，消去图像中包含的混合噪声是一个基本而又重要的步骤。近年来，许多学者提出了不同的方法来消除图像中包含的混合噪声，如何更好地保留图像的边缘、纹理等信息，成为图像去噪中的重要研究内容。

一种加权编码与稀疏非局部正则化方法被提出来实现消去混合噪声。在该方法中，将重加权l₂范数引入到最小平方的式子中，可以同时处理高斯噪声和脉冲噪声的混合噪声。但是，其中心化稀疏约束过于严格，没有考虑到相似图像块之间的差异；Lichen Liu提出了一种加权联合稀疏表示模型来抑制混合噪声，但由于字典学习采用了贪婪算法，计算成本较高。Tao Huang提出了一种Laplacian混合模型和非局部低秩正则化模型，实现了良好的混合噪声去除效果。然而，这种方法非常耗时，涉及到复杂的优化过程，并需要人工设置模型的参数。

上述的这些混合噪声去噪方法共同的缺点是：其一，都使用到了稀疏表示模型和基于图像块的方法，需要手动设置模型参数，并涉及到复杂的模型优化过程；其二，对图像消去混合噪声的时间长，其三，需要对异常点噪声像素的位置进行检测，严重影响去噪的效果。

发明内容

本发明所要解决的主要技术问题在于克服上述现有方法的缺陷，提供一种不需要异常点检测，自适应能力高，泛化能力强，测试时间短的基于噪声学习神经网络模型的图像混合噪声消除方法。

解决上述技术问题所采用的技术方案由下述步骤组成：

(1)构建模型训练数据集

灰度图像数据集为X，根据图像分辨率的大小，将图像数据集X中每张图像分割成像素为p×p的图像块，将图像块进行数据增强后构成图像块数据集PX1，对数据集PX1中的图像块加入混合噪声，得到混合噪声图像块集合NPX2，用混合噪声图像块集合NPX2中的图像块减去图像块集合PX1中的对应的图像块，得到只含有混合噪声的残差图像块，所有的残差图像块构成残差图像块数据集NPY，则(NPX2,NPY)组成用于监督训练的数据集；

(2)噪声学习神经网络模型构建

噪声学习神经网络模型的第一层为第一噪声特征抽取单元，中间层由N∈[5，16]个集成层串联组成，集成层由噪声特征强化模块和第一正则化单元构成，最后一层为第二噪声特征抽取单元，所述的第一噪声特征抽取单元将混合噪声图像块集合NPX2作为输入，所述的噪声特征强化模块用于强化和传递提取的噪声特征，所述的第一正则化单元用于加速和稳定训练过程，所述的第二噪声特征抽取单元用于产生预测的残差图像块；

所述的噪声特征强化模块由第一空洞卷积单元、第二正则化单元、带泄露线性整流单元、第二空洞卷积单元、第三正则化单元、指数映射单元、特征融合单元构成，第一空洞卷积单元的输出分两支，一支输出到第二正则化单元，另一支输出到特征融合单元，第二正则化单元输出到带泄露线性整流单元，带泄露线性整流单元输出到第二空洞卷积单元，第二空洞卷积单元输出到第三正则化单元，第三正则化单元输出到指数映射单元，指数映射单元输出到特征融合单元；