[发明专利]一种基于随机重排和无标签模型的隐式图像盲去噪方法

权利要求书

1.一种基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，包括以下步骤：

利用图像高频信号滤波器提取带噪图像的低频图像，接着用带噪图像减去低频图像以获取高频信号，并对高频信号进行预处理；

通过隐式噪声模型提取高频信号生成同类型的噪声信号，利用生成的的噪声信号构建带噪图像数据；

将带噪图像数据训练基于神经网络盲去噪模型，利用训练好的基于神经网络盲去噪模型对图像进行去噪处理。

2.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，通过以下公式获取高频信号h：

其中n表示具有先验的P_j*的纯噪声，o表示包括噪声信息和图像细节信息的高频信息，表示操作数的空间共存。

3.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，对高频信号进行预处理包括：

使用空间变换f将高频信号h中带有噪声信息和图像细节信息的高频信息o进行打乱，从而得到无纹理细节的纯噪声，记为o’：

将空间变换函数f(·)应用于高频信号h，即：

其中，h’表示多种混合噪声信号；将n’视为纯噪声n，即：

检索到多种混合噪声信号h’后，将多种混合噪声信号h’添加到干净图像x_c中，构造噪声图像x_h’，

其中x_c代表随机的一张无噪图像；

由于多种混合噪声信号h’是局部的o’或纯噪声n，构造两对图像，得到θ去噪器，通过最小化从噪声图像中去除纯噪声n和o’

其中θ是去噪网络的参数，P_j*是原始噪声先验，P_j′是图像纹理经过空间打乱后形成的新的噪声的先验，P^_j代表混合噪声信号h’的噪声先验。

4.根据权利要求3所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，空间变换f满足以下两个要求：

(1)f(n)＝n’；其中具有先验的P_j*的纯噪声n和n’服从相同的分布P_j*；其中f(n)表示空间变换函数，n’表示输入噪声信号n经过空间变换后的结果，P_j*表示图像的原始噪声分布；

(2)f(o)＝o’，其中o表示包括噪声信息和图像细节信息的高频信息，o’表示从P_j’采样的噪声类型；f(o)表示空间变换函数，o’表示高频信号o经过空间变换后的结果，P_j’表示的o’噪声分布。

5.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，带噪图像数据的构建是将生成的的噪声信号添加到干净的图像中，形成成对的训练数据。

6.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，所述基于神经网络盲去噪模型采用DnCNN-B网络IRCNN。

7.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，所述基于神经网络盲去噪模型采用IRCNN网络。

8.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，基于神经网络盲去噪模型的损失函数为：

其中表示N个成对的有噪声的和干净的训练图像，x_n表示带噪图像，x_c表示x_n对应的干净图像，l(θ)表示参数为θ时的损失函数，||·||²表示平方差。

9.根据权利要求1所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，基于神经网络盲去噪模型的损失函数为L1距离。

10.根据权利要求1～9任一项所述的基于随机重排和无标签模型的隐式图像盲去噪方法，其特征在于，对于合成噪声的去除，采用高斯高通滤波器提取高频信号h：

h＝x_n-GaussianBlur(x_n，σ_b)

其中σ_b是高斯模糊滤波器的标准差，x_n表示有噪声的图像。