[发明专利]一种基于单个深度神经网络的多噪声类型盲去噪方法

权利要求书

1.一种基于单个深度神经网络的多噪声类型盲去噪方法，包括以下步骤：

基于卷积神经网络构建多任务噪声估计子网络，利用该多任务噪声估计子网络对输入原始噪声图像进行噪声类型估计和噪声水平估计；

其中，所述多任务噪声估计子网络包括卷积神经网络和全连接层，其中，卷积神经网络用于提取原始噪声图像的图像特征，全连接层用于对图像特征进行特征到噪声类型和噪声水平的映射，输出估计的噪声类型和噪声水平；

基于卷积层构建去噪子网络，利用所述去噪子网络对混合图像进行去噪，输出噪声残差图像；其中，混合图像为将多任务噪声估计子网络输出的噪声类型和噪声水平添加到原始噪声图像得到的图像；

所述去噪子网络包括浅层网络、深层网络、点乘操作单元、重建卷积层，其中，浅层网络用于提取混合图像的空域掩膜，深层网络用于提取混合图像的噪声残差特征，点乘操作单元用于对空域掩膜和噪声残差特征通过点乘操作进行结合，并将结合结果输出至重建卷积层，重建卷积层对结合结果进行卷积，生成噪声残差图像；

将噪声残差图像添加到原始噪声图像，获得去噪后图像。

2.如权利要求1所述的基于单个深度神经网络的多噪声类型盲去噪方法，其特征在于，所述浅层网络包括若干个卷积层，所述深层网络包括若干个卷积层，且所述浅层网络包含的卷积层的个数小于所述深层网络的卷积层的个数。

3.如权利要求1所述的基于单个深度神经网络的多噪声类型盲去噪方法，其特征在于，所述浅层网络包括2个卷积层，所述深层 网络包含至少3个卷积层。

4.如权利要求1所述的基于单个深度神经网络的多噪声类型盲去噪方法，其特征在于，所述多任务噪声估计子网络和所述去噪子网络的训练过程为：

首先利用训练样本训练多任务噪声估计子网络，在确定多任务噪声估计子网络参数后，固定多任务噪声估计子网络参数，并连接上去噪子网络，然后利用样本重新对多任务噪声估计子网络和去噪子网络进行训练，以调节去噪子网络参数。

5.如权利要求4所述的基于单个深度神经网络的多噪声类型盲去噪方法，其特征在于，训练多任务噪声估计子网络时，由于是多任务网络，其损失函数ψ₁也包含噪声类型损失和噪声水平损失两部分，其中，选用交叉熵损失函数，选用均方差损失函数，则损失函数ψ₁为：

其中，α为用于调节和的权重。

6.如权利要求4所述的基于单个深度神经网络的多噪声类型盲去噪方法，其特征在于，训练去噪子网络时，选用均方差误差损失函数作为损失函数。

7.如权利要求4所述的基于单个深度神经网络的多噪声类型盲去噪方法，其特征在于，所述训练样本的构建过程为：

选取原始图像，生成随机噪声类型以及噪声水平的噪声，并将噪声添加到原始图像上获得噪声图像，该噪声图像和原始图像构成一个训练样本；

噪声类型包括高斯噪声、随机脉冲噪声、椒盐噪声和泊松噪声。