[发明专利]一种基于密集连接卷积的暗光图像去噪方法

说明书

本发明涉及一种基于密集连接卷积的暗光图像去噪方法，包括以下步骤：构建密集连接去噪卷积神经网络模型，并对其进行训练；获取待处理图像，并对所述待处理图像进行预处理，得到目标待处理图像；通过训练好的密集连接去噪卷积神经网络模型对目标待处理图像进行处理，得到去噪图像。本发明实现了即使在处理暗光或者逆光场景下的图像时，也能保留大量图像细节信息，得到高质量的去噪图像，达到良好的去噪效果。

技术领域

本发明涉及数字图像处理技术领域，特别是一种基于密集连接卷积的暗光图像去噪方法。

背景技术

图像噪声是指存在于图像数据中不必要的或者多余的干扰信息，噪声的存在严重影响了图像的质量，降噪显得尤为重要。

现有的图像去噪方法，普遍利用图像的局部信息来平滑处理，或者把图像分成一定大小的块，根据图像块之间的相似性，把具有相似结构的二维图像块组合在一起形成三维数组，然后用联合滤波的方法对这些三维数组进行处理，通过逆变换，把处理后的结果返回到原图像中，从而得到去噪后的图像。

然而这两种图像去噪方法在处理暗光或者逆光场景下的图像时，往往使图像丢失了很多细节信息，不能得到高质量的去噪图像，不能达到良好的去噪效果。

发明内容

有鉴于此，本发明的目的是提出一种基于密集连接卷积的暗光图像去噪方法，实现了即使在处理暗光或者逆光场景下的图像时，也能保留大量图像细节信息，得到高质量的去噪图像，达到良好的去噪效果。

本发明采用以下方案实现：一种基于密集连接卷积的暗光图像去噪方法，包括以下步骤：

构建密集连接去噪卷积神经网络模型，并对其进行训练；

获取待处理图像，并对所述待处理图像进行预处理，得到目标待处理图像；

通过训练好的密集连接去噪卷积神经网络模型对目标待处理图像进行处理，得到去噪图像。

进一步地，所述构建密集连接去噪卷积神经网络模型具体为：所述密集连接去噪卷积神经网络模型包括八个密集连接卷积块，将四通道图像作为网络的输入，进行多个密集连接卷积块的处理；其中，前四个块中，每进行一个块，再进行一次下采样，后四个块中，先和前面同一尺寸的结果连接进行一个上采样，再进入块处理；最后输出3通道RGB图像。

进一步地，每个密集连接卷积块包括四个卷积层，每个卷积层通过在块内跳跃连接到之后的每个卷积层，最后一个卷积层为1*1卷积层，该1*1卷积层的输出与块的输入相加得到当前密集连接卷积块的输出。

较佳的，不同尺寸的块组合是从输入块的尺寸每次下采样为1/2倍，最后再每次上采样为2倍，直到回到输入的尺寸，在相同尺寸块中，前面的块的输出连接到后面的块。

进一步地，所述密集连接去噪卷积神经网络模型的训练具体为：

构造实验训练数据集，该数据集包括多组曝光图像，每一组曝光图像包括同一场景的短曝光图像以及长曝光图像；利用构造好的密集连接卷积神经网络模型对实验训练数据集进行训练，其中令损失函数为网络输出结果与长曝光图像的差值绝对值的平均值，训练的目标为损失函数最小。

进一步地，所述对所述待处理图像进行预处理具体为：

将所述待处理图像处理成多个单颜色通道图像；

将所述多个单颜色通道图像进行拼接，得到目标待处理图像。

进一步地，所述通过训练好的密集连接去噪卷积神经网络模型对目标待处理图像进行处理，得到去噪图像具体为：所述神经网络模型通过一些密集连接卷积，对图像进行不同尺度上的处理，输出去除噪声后的图像。