[发明专利]一种基于宽卷积神经网络的图像去噪方法

权利要求书

1.一种基于宽卷积神经网络的图像去噪方法，其特征在于，具体包括以下步骤实施；

步骤1，构建网络WCNN；

步骤2，训练网络WCNN；

步骤2.1，设置包含训练集，验证集和测试集的数据集；

步骤2.2，设置训练WCNN网络的参数；

步骤2.3，设置网络WCNN的训练平台。

2.根据权利要求1所述的一种基于宽卷积神经网络的图像去噪方法，其特征在于，所述步骤1中构建的网络WCNN包含10个子网，分别为ResNet1、ResNet2、ResNet3、ResNet4、ResNet5、ResNet6、UNet1、UNet2、UNet3和DenseNet1；通过图像经小波三层分解获得十个小波子带，十个小波子带分别为HH1、LH1、HL1、HH2、LH2、HL2、HH3、LH3、HL3和LL3，10个子网对应分别负责学习图像的十个小波子带的特征映射。

3.根据权利要求2所述的一种基于宽卷积神经网络的图像去噪方法，其特征在于，所述步骤1中构建的网络WCNN中每个子网的具体步骤为：

步骤1.1，首先设计ResNet1、ResNet2、ResNet3、ResNet4、ResNet5、ResNet6六个子网；这六个子网对应负责训练小波第一层和第二层分解得到的HH1，LH1，HL1，HH2，LH2，HL2精细子带；采用ResNet结构，利用残差学习直接估计噪声，通过跳接估计去噪后小波子带；其中ResNet1、ResNet2、和ResNet3三个子网由6个标准卷积层组成，ResNet4、ResNet5和ResNet6由8个标准卷积层组成；

步骤1.2，然后设计UNet1、UNet2和UNet3三个子网；这三个子网负责训练小波第三层分解得到的HH3，LH3，HL3精细子带，采用UNet结构，共有6个卷积层，其中4个是由扩展卷积和标准卷积操作得到的卷积构成混合卷积层；

步骤1.3，再设计DenseNet子网；它负责训练小波第三层分解得到的LL3粗糙子带，采用DenseNet结构，由4个包含3层卷积的稠密块组成；

步骤1.4，设计每个子网的损失函数；

步骤1.5，经过每个子网处理过的十个小波子带，在每个子带的损失函数都达到最优值时，进行小波逆变换，获得细节清晰且干净的图像。

4.根据权利要求3所述的一种基于宽卷积神经网络的图像去噪方法，其特征在于，所述步骤1.4具体为：

步骤1.4.1，小波变换粗子带的损耗函数采用均方误差度量MSE_l；

其中x(i，j)和y(i，j)分别表示估计的图像和相应的，净图像的小波系数值，c、w和h分别表示输入子带对的信道、宽度和高度；

步骤1.4.2，计算小波变换精细子带的损耗函数，在均方误差度量指标(1)式中引入权重因子δ和调整因子β，计算精细子带的损耗函数MSE_h如下：

其中，权重因子δ由下式计算：

这里的ave表，每个精细子带的小波系数的平均值，每个子带系数平均值ave由式(4)计算获得，调整因子β由式(5)计算得到：

其中，σ表示噪声强度。

5.根据权利要求4所述的一种基于宽卷积神经网络的图像去噪方法，其特征在于，在所述步骤1.4中当噪声级增加时，子带中的噪声的振幅增大并且可能大于子带系数的平均值；为了防止这些大于子带系数平均值的噪声系数被增强，使用调整因子β来干预；如果噪声级的方差σ在45以上，那么子带系数值不小于平均值的1.2倍，才被认为是图像细节系数，赋予一个δ＝1.1的权重；从而抑制了小于平均值1.2倍的系数，而这些系数被认为表示的是噪声信息；每个精细子带的ave是不同的，它与每个子带的噪声系数和特征系数密切相关。

6.根据权利要求1所述的一种基于宽卷积神经网络的图像去噪方法，其特征在于，所述步骤2.1中训练集由数据集DIV2K的800幅图像，数据集BSD的200幅图像，以及数据集WED中的4744幅图像构成。