[发明专利]一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法

说明书

本发明涉及一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法，属图像处理和计算机视觉领域。本发明通过对公共数据集的噪声处理，即对清晰的图像数据集添加各类噪声；接着构建一个高效率和高性能的深度卷积神经网络，该网络采用的完全对称的结构，各个卷积层采用跳跃连接的方式将浅层特征和深层特征进行结合；然后将下采样结合所得到的特征经过上采样和卷积，得到预测的清晰图像；最后通过求解最小化损失函数的值，学习模型中最优参数；最终利用训练好的网络模型对噪声图像进行去噪。本发明不需要输入噪声图像对应的清晰图像标签，但是可以达到与输入清晰图像标签训练时相当的效果水平，且显著提高了噪声图像的清晰程度。

技术领域

本发明涉及一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法，属于图像处理和计算机视觉技术领域。

背景技术

由于深度学习，特别是卷积神经网络在图像识别等领域的迅速发展，基于深度学习的图像去噪方法也得到了很好的应用，并且得到了与传统方法相近或更好的效果，这也使得许多科研学者进行了研究。2017年，Zhang等提出用较深层的CNN网络实现图像去噪，称为DnCNN网络。为了解决网络层数加深导致的梯度弥散效应，DnCNN并不对图像进行学习，而是以输出与噪声的L2范数作为损失函数来训练网络。DnCNN网络可以看成一个残差学习的过程，这样可以较好的训练网络模型。在该网络中利用了Batch Normalization层，实验表明BN层与残差学习共同使用可以提高模型的性能。DnCNN在不同噪声水平上训练，得到的结果也优于比较经典的算法的去噪效果，如BM3D等。2018年，Zhang等又提出FFDNet，该网络可以看成是DnCNN的后续作品，原理是将噪声水平reshape成图片大小并和噪声图像同时送入网络进行训练，改变下采样方式，提升通道数，这样不仅提升了训练速度，还使得网络更加灵活。

然而利用深度学习方法进行图像去噪的时候，通常需要大量的训练图像的样本对，即带噪声的图片和去噪后的清晰图片，然而去噪后的清晰图片往往很难获得。面对这样的问题，提出是否存在一种基于深度学习但不需要清晰图像做标签的去噪方法的疑问，即输入输出都是带有噪声的图像对网络进行训练。

发明内容

针对现有的基于深度学习的降噪方法存在着网络层数深，参数量大，时间性能低，训练时占用大量计算资源的不足，本发明提供了一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法，能显著改善以上问题，并取得不错的降噪效果，对比传统方法降噪效果有显著提升。

本发明的技术方案是：一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法，所述基于深度神经网络和跳跃连接的无干净标签图像去噪方法的具体步骤如下：

Step1、选择公用的数据集；

Step2、对选择的数据集进行添加噪声处理；

Step3、结合图像中的噪声类型，建立U-Net++深度卷积神经网络；

Step4、将有噪声的图像送入所述的U-Net++深度卷积神经网络，得到图像去噪网络模型；

Step5、通过求解最小化损失函数的值，学习到网络模型的最优参数，利用训练好的网络模型来对噪声图像进行复原。

进一步地，所述步骤Step2的具体步骤如下：

步骤Step2.1、对数据集中的每一张图像进行选取和裁剪，使计算设备处于可承担的运算环境；

步骤Step2.2、创建不同的噪声模型，根据需求对数据集添加不同的噪声。

进一步地，所述步骤Step2.2的具体步骤如下：