CN103971342A - 一种基于卷积神经网络的图像噪点检测方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的图像噪点检测方法，其通过收集样本图像并根据噪点类型进行人工标注分类，并将这些样本图像输入卷积神经网络系统进行分类模型的训练，且在分类过程中还将分类错误的样本图像块收集起来进行重新学习分类，由此通过人工和机器配合的方式进行标注分类噪点，实现有监督的学习，提高了卷积神经网络的学习精度，从而在进行图像噪点检测时，可直接采用训练好的最佳分类模型进行噪点分类，检测结果更准确。

Description

一种基于卷积神经网络的图像噪点检测方法

技术领域

本发明涉及一种图像处理方法，特别是一种基于卷积神经网络的图像噪点检测方法。

背景技术

通常的去噪算法需要一个输入参数，即噪点强度；为了能够达到自动去噪，需要自动的估计噪点强度；现有的算法通常假定了噪点类型，如高斯白噪点、椒盐噪点、蓝噪点；而实际的传感器产生的噪点并不符合这些统计规律，故这类估计噪点强度的算法所起的作用是有限的。

发明内容

本发明为解决上述问题，提供了一种基于卷积神经网络的图像噪点检测方法，检测结果更准确。

为实现上述目的，本发明采用的技术方案为：

一种基于卷积神经网络的图像噪点检测方法，其特征在于，包括以下步骤：

10.收集样本图像并根据噪点类型进行人工标注分类；

20.将分类好的样本图像进行归一化处理，并输入卷积神经网络系统进行分类模型的训练；

30.系统在样本图像的目标区域进行随机采集样本图像块，并进行噪点分类；

40.将分类错误的样本图像块收集起来并依次执行步骤10及步骤20，直到超过预期结果时定为所述步骤20所训练出来的分类模型为最佳分类模型；

50.获取待检测图像，并在其目标区域进行随机采集待检测图像块，将采集到的待检测图像块采用最佳分类模型进行噪点分类，得到待检测图像的噪点类型。

优选的，所述的噪点类型包括：多彩噪、中彩噪、低彩噪、高灰度噪、中灰度噪、低灰度噪、无噪点。

优选的，所述步骤20中将分类好的样本图像进行归一化处理，主要是对所有样本图像进行平均颜色值的计算，然后将所有样本图像的颜色值都减去该平均颜色值得到归一化后的样本图像。

优选的，所述的步骤50中将采集到的待检测图像块采用最佳分类模型进行噪点分类，主要是将待检测图像块放入卷积神经网络系统中进行计算该待检测图像块每一种噪点类型的概率，并选择概率最大的噪点类型作为该待检测图像块的噪点类型。

本发明的有益效果是：

本发明的一种基于卷积神经网络的图像噪点检测方法，其通过收集样本图像并根据噪点类型进行人工标注分类，并将这些样本图像输入卷积神经网络系统进行分类模型的训练，且在分类过程中还将分类错误的样本图像块收集起来进行重新学习分类，由此通过人工和机器配合的方式进行标注分类噪点，实现有监督的学习，提高了卷积神经网络的学习精度，从而在进行图像噪点检测时，可直接采用训练好的最佳分类模型进行噪点分类，检测结果更准确。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明一种基于卷积神经网络的图像噪点检测方法的流程简图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明的一种基于卷积神经网络的图像噪点检测方法，其包括以下步骤：

10.收集样本图像并根据噪点类型进行人工标注分类；

20.将分类好的样本图像进行归一化处理，并输入卷积神经网络系统进行分类模型的训练；

30.系统在样本图像的目标区域进行随机采集样本图像块，并进行噪点分类；

40.将分类错误的样本图像块收集起来并依次执行步骤10及步骤20，直到超过预期结果时定为所述步骤20所训练出来的分类模型为最佳分类模型；这里的预期结果是指噪点检测的准确率达到预设值，本实施例中优选的预设值为90％。

50.获取待检测图像，并在其目标区域进行随机采集待检测图像块，将采集到的待检测图像块采用最佳分类模型进行噪点分类，得到待检测图像的噪点类型。

优选的，所述的噪点类型包括：多彩噪、中彩噪、低彩噪、高灰度噪、中灰度噪、低灰度噪、无噪点。

优选的，所述步骤20中将分类好的样本图像进行归一化处理，主要是对所有样本图像进行平均颜色值的计算，然后将所有样本图像的颜色值都减去该平均颜色值得到归一化后的样本图像。

所述的步骤20中将分类好的样本图像输入卷积神经网络系统进行分类模型的训练，主要是对分类好的样本图像进行随机采集样本图像块，得到带有分类标签的样本图像块并带入卷积神经网络系统进行学习；并且，将分类错误的样本图像收集起来重新进行标注，即，对于系统自动分类的噪点类型与人工分类的噪点类型不一致时，表示人工标注错误或者系统分类错误，需重新进行人工标注并调整网络结构，再将重新标注后的样本图像再次进行训练学习，如此重复“训练->调整网络结构->再训练”的过程直到分类正确为止。

本实施例中网格结构顺序为输入层->K个小组层->全连接层->SoftMax层，其中K大于等于1；小组层包括卷积层、激活层、下采样层、归一化层；卷积层、激活层、下采样层、归一化层中每个层的核大小以及输出大小都是可以进行任意调节的，并且每个层都有一个输入且产生一个输出，每一层的输出作为下一层的输入。

其中，输入层的输入大小为Height x Weight x Channel，其中Weight、Height为输入层图像的宽和高，Channel为输入层图像的颜色通道；由于本发明使用GPU硬件实现的原因，Weight＝Height；输入图像的channel只能为1或者3。

卷积层：

1)核的大小必须是奇数，且不大于该层输入的宽或者高；

2)中间表示通过卷积层时不改变宽和高，通道数可变可不变；理论上可以为任意正整数，由于本发明使用GPU硬件实现的原因，这里为16的倍数。

激活层：

1)激活层不改变卷积层表示的宽、高或者通道数；

2)激活层所使用的激活函数包括但不限于以下函数类型：

f(x)＝1/(1+e^-x)

f(x)＝a*tanh(b*x)，a，b为任意非零实数

f(x)＝max(0，x)

f(x)＝min(a，max(0，x))

f(x)＝log(1+e^x)

f(x)＝|x|

f(x)＝x²

$f\left(x\right)=\sqrt{x}$

f(x)＝ax+b

3)激活层跟在卷积层或者全连接之后。

下采样层：

1)下采样层不改变中间表示的通道数；

2)下采样层对图像的缩小比即为核的大小：即核为mxn的下采样层会造成中间表示缩小为上一层的(1/m)x(1/n)，理论上m和n可为任意自然数，由于本发明使用GPU硬件实现的原因，m＝n。例如，15x15x32通过3x3的下采样后，变成5x5x32；15x15x32通过5x5的下采样后，变成3x3x32；但是15x15x32不能进行2x2的下采样，因为15不能被2整除；并不是说，输入尺寸必须是2的次幂，即16、32、64等，输入尺寸只要保证能被所有下采样层采样即可。

归一化层：

1)归一化层不改变中间表示的任何尺寸；

2)归一化层不是必须的，可要可不要，添加归一化层通常会提高精度并增加计算量；是否添加归一化层，要看添加后实际提升的精度和损失的速度。

一般的组合是：卷积->激活->下采样->归一化。

以下情况特殊：

1)添加归一化层对精度提升较小却增大了很多运算量时，取消归一化层，即采用以下组合：卷积->激活->下采样；

2)归一化层提前，效果基本相同，即采用以下组合：卷积->激活->归一化->下采样。

3)取消下采样层：卷积->激活；或者卷积->激活->归一化；下采样本质是为了增加鲁棒性，同时顺便有减少后续层的运算量的作用；一个网络中通常会有几层下采样，但并不是所有的“卷积->激活”后面都要跟下采样。

全连接层：

1)通过全连接层后的中间表示会变成1维的，不再是3维的；

2)全连接的输出可以任意；

3)一旦进过全连接，就无法进行卷积、下采样或归一化；

4)全连接后面可以接激活层，或者继续接全连接。

SoftMax层：

接在全连接层之后，作用是把全连接产生的实值变成[0，1]之间的概率。

本发明最后使用的网络结构如表1所示。

表1卷积神经网络结构

层数	类型	核大小	输出大小	注解
					1	输入层		32x32x3

2	卷积层	5x5	32x32x32
					3	激活层		32x32x32
4	下采样层	2x2	16x16x32	f(x)＝x2
					5	归一化层		16x16x32	使用局部归一化
6	卷积层	5x5	16x16x16
					7	激活层		16x16x16
8	下采样层	2x2	8x8x16	f(x)＝|x|
					9	归一化层		8x8x16	使用局部归一化
10	全连接层		7个数据
					11	SoftMax层		7个数据

所述的步骤50中将采集到的待检测图像块采用最佳分类模型进行噪点分类，主要是将待检测图像块放入卷积神经网络系统中进行计算该待检测图像块每一种噪点类型的概率，并选择概率最大的噪点类型作为该待检测图像块的噪点类型。具体主要是通过在待检测图像中的目标区域进行随机采样，放入神经网络的输入层，进行全连接后，在最后的SoftMax层得到每一种标签的概率，即在区间[0，1]中的实值；本实施例中根据噪点类型分为：多彩噪、中彩噪、低彩噪、高灰度噪、中灰度噪、低灰度噪、无噪点，共7种类型的噪点标签，即7个数据，这7个数据的和等于1；然后，将得到的每个待检测图像块的标签的概率进行平均，得到待检测图像块的标签的概率，选择概率最大的标签作为该待检测图像块的噪点类型的标签。步骤30中系统在样本图像的目标区域进行随机采集样本图像块并进行噪点分类，其噪点类型的判断方法与上述类似。

上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (4)

1.一种基于卷积神经网络的图像噪点检测方法，其特征在于，包括以下步骤：

10.收集样本图像并根据噪点类型进行人工标注分类；

20.将分类好的样本图像进行归一化处理，并输入卷积神经网络系统进行分类模型的训练；

30.系统在样本图像的目标区域进行随机采集样本图像块，并进行噪点分类；

40.将分类错误的样本图像块收集起来并依次执行步骤10及步骤20，直到超过预期结果时定为所述步骤20所训练出来的分类模型为最佳分类模型；

50.获取待检测图像，并在其目标区域进行随机采集待检测图像块，将采集到的待检测图像块采用最佳分类模型进行噪点分类，得到待检测图像的噪点类型。

2.根据权利要求1所述的一种基于卷积神经网络的图像噪点检测方法，其特征在于：所述的噪点类型包括：多彩噪、中彩噪、低彩噪、高灰度噪、中灰度噪、低灰度噪、无噪点。

3.根据权利要求1所述的一种基于卷积神经网络的图像噪点检测方法，其特征在于：所述步骤20中将分类好的样本图像进行归一化处理，主要是对所有样本图像进行平均颜色值的计算，然后将所有样本图像的颜色值都减去该平均颜色值得到归一化后的样本图像。

4.根据权利要求1所述的一种基于卷积神经网络的图像噪点检测方法，其特征在于：所述的步骤50中将采集到的待检测图像块采用最佳分类模型进行噪点分类，主要是将待检测图像块放入卷积神经网络系统中进行计算该待检测图像块每一种噪点类型的概率，并选择概率最大的噪点类型作为该待检测图像块的噪点类型。