[发明专利]一种基于深度卷积神经网络去除泊松噪声的方法

摘要

本发明中提出的一种基于深度卷积神经网络去除泊松噪声的方法，其主要内容包括：网络架构、训练网络、监督框架、去除泊松噪声，其过程为，以噪声灰度图像作为输入，通过深度卷积神经网络DeNet，在每一层上均用3×3的卷积核对上一层输出进行卷积，然后提取最后一个通道与输入图像组合预测原图的清晰图像，产生对原始清晰图像的估计，最终输出所得清晰图像。本发明突破了对数据模型的依赖，易于通过训练适应某种数据类型，此外，高度可并行化可在GPU上进行快速运算，使得能够更快速得到更精确的图像，推动了医学和天文等领域后续工作的研究和发展。

主权项

1.一种基于深度卷积神经网络去除泊松噪声的方法，其特征在于，主要包括：(一)构建去除泊松噪声深度卷积神经网络架构，具体包括：该网络架构用于去除泊松噪声，将被泊松噪声污染的图像恢复成清晰图像，网络估计噪声图像与清晰图像之间有差异，以达到超分辨率为目的，其权重梯度通过后面的层和直接从损失函数传播到每一层，DeNet网络接收噪声灰度图像作为输入，产生对原始清晰图像的估计；DeNet网络包括20个卷积层，其中前18层使用非线性修正线性单元(ReLU)，最后两层完全保持线性；在每一层上，利用64个尺寸为3×3的卷积核在上一层输出上以步长为1做卷积，前63个输出通道用于计算后续步骤，而最后一个通道被提取出来直接与输入图像组合来预测清晰输出，这些提取层被视为负噪声成分，因为它们的和抵销了噪声；(二)基于峰值利用Adam优化器进行网络训练，具体包括：首先构建数据集，在采用数据流图用于数值计算的开源软件库中执行DeNet网络，对5000幅图像做240K次迭代训练，选择64个尺寸为128×128的图像块，将图像块转换为YCbCr，Y通道作为输入灰度图像，在经过峰值缩放并偏移；为扩张数据同时实现随机噪声，在训练过程中，对训练图像进行随机裁剪并翻转垂直轴得到新的图像块；使用自适应矩估计优化器训练，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，学习率为α＝10^‑4，β₁＝0.9，β₂＝0.999和∈＝10^‑8，分别训练不同峰值的独立网络；为避免卷积在图像块的边界产生伪图像，在训练期间使用损失在图像块的中心部分裁减了外部的21个像素，在测试时，将使用对称映射的21个像素在其通过网络传递之前用于填充图像，然后裁剪回原来的大小输出最终结果；优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳；(三)构建分类感知去噪器微调数据进行泊松去噪，具体包括：为泊松去噪而构建，使网络具备固有灵活性可对特定数据进行微调，此框架使用语义类作为先验，即限制为特定语义类，其中分类感知是通过训练而得，自动扩展到任何类型或数量的类，选择人脸去噪以获得个人清晰照片集合，一个潜在训练的同时另一个深度网络对噪声图像进行自动分类；通过深度卷积神经网络DeNet，以噪声灰度图像作为输入，每一层均用3×3的卷积核对上一层输出进行卷积，然后提取最后一个通道与输入图像组合预测原图的清晰图像，产生对原始清晰图像的估计，最终输出所得清晰图像。