[发明专利]一种图像盲去噪系统

说明书

本发明涉及一种图像盲去噪系统，包括：盲去噪网络模块，用于去除输入图像的噪声，盲去噪网络模块使用预训练模型直接对带噪图像进行重构以减少生成最佳重构图像所需的迭代次数。采用具有跳跃连接的编码器‑解码器结构，仅使用高斯白噪声作为网络输入，使用带噪图像作为参考图像，使用均方误差作为损失函数；盲图像质量评估网络模块，用于对经过盲去噪网络模块重建的噪声图像进行评估，并决定何时终止盲去噪网络模块的迭代过程，选取评分最高的重构图像作为最终的去噪图像。

技术领域

本发明是关于一种图像盲去噪系统，属于计算机视觉处理技术领域。

背景技术

对真实噪声图像的盲去噪是一个十分重要的课题，相比去除加性高斯白噪声更具挑战性和实际意义。实现盲去噪的方法包括了基于传统图像处理的方法和基于卷积神经网络的方法。Noise Clinic(NC)是一种传统的盲去噪算法，该算法首先估计图像的噪声模型，然后通过多尺度自适应的非局部贝叶斯算法进行去噪。Neat Image(NI)是由ABSoft发行的一款软件，它可以消除在高感光度设置下拍摄的低光照片中出现的噪点。实验表明这些方法在去除真实带噪图像上仍具有一定的局限性。另一方面，到目前为止，仅有少量的研究者开展了基于卷积神经网络(CNN)的盲去噪方法。Ulyanov D等人(Deep image prior，Ulyanov D et.al.，Proceedings of the IEEE Conference on Computer Vision andPattern Recognition.9446-9454，2018)提出了深度图像先验(DIP)算法，该方法使用参数随机初始化的卷积神经网络，以高斯白噪声作为输入，通过数千次迭代操作即可实现对真实图像的盲去噪。然而，该方法需要进行数千次迭代重建，且无法确定网络重建干净的图像所需的迭代次数，必须手动终止迭代过程。

发明内容

针对上述现有技术的不足，本发明的目的是提供一种图像盲去噪系统，通过迁移学习来优化DIP方法，通过盲图像质量评估来确定DIP方法所需的迭代次数并减少生成最佳重构图像所需的迭代次数。

为实现上述目的，本发明提供了一种图像盲去噪系统，包括：盲去噪网络模块，用于去除输入图像的噪声，盲去噪网络模块包括预训练模型，根据迁移学习方法，将在预训练模型中经过多轮迭代后得到的包含了去噪图像信息的恢复图像的网络权重直接对噪声图像进行重建；盲图像质量评估网络模块，用于对经过盲去噪网络模块重建的噪声图像进行评估，并决定何时终止盲去噪网络模块的迭代过程，选取评分最高的重构图像作为最终的去噪图像。

进一步，在预训练模型中，盲去噪网络模块在每轮迭代中均生成一张重建图像，盲图像质量评估网络模块采用基本的分类结构估算重建图像的最佳质量，来决定何时终止盲去噪网络模块的迭代过程。

进一步，盲图像质量评估网络模块连接低通滤波器，将盲图像质量评估网络模块估算的重建图像的质量得分通过低通滤波器进行滤波，从而获得质量最佳的去噪图像。

进一步，盲去噪网络模块采用具有跳跃连接的编码器-解码器网络结构，损失函数采用的是均方误差。

进一步，使用真实噪声数据集通过盲去噪网络模块生成经过重建的噪声图像，并计算出经过重建的噪声图像的峰值信噪比，将峰值信噪比转换为直方图的分布作为盲图像质量评估网络模块的重建图像质量分数。

进一步，重建图像质量分数可以表示为这里s_i表示第i个分数区间，N表示分数区间个数，表示图像质量分数和落入第i个区间的概率，为了将峰值信噪比转换为对应的质量分数分布，每个重构图像的峰值信噪比可以线性转换为μ，转换公式如下：

其中，min(PSNR)和max(PSNR)分别表示所有重构图像中最小和最大的峰值信噪比，并建立以μ为均值，方差σ＝1.5，采样点个数为M的正态分布。