CN110322407A - 基于深度残差网络的图像椒盐噪声去除方法 - Google Patents

Abstract

本发明公开一种基于深度残差网络的图像椒盐噪声去除方法，针对传统深度学习网络中产生梯度丢失的问题，将残差学习网络引入椒盐图像去噪方法中，通过训练图像数据库中噪声图像及噪声图像所对应的原图；噪声图像经过预处理后与原图像共同获得残差图，将残差图输入到神经网络中，逐层计算后输出一套描述残存图与标准图像映射关系的系数组合；利用训练好的系数组合进行去噪并通过学习预处理后的残差值，扩大深度学习网络的层数，进而提高去噪的效果。

Description

基于深度残差网络的图像椒盐噪声去除方法

技术领域：

本发明涉及一种图像椒盐噪声去除方法，尤其是一种基于深度学习的图像椒盐噪声去除方法。

背景技术：

椒盐噪声是图像在采集、传输与存储环境过程中常见的污染噪声之一。由于椒盐噪声往往以0或者255的极值呈现且不具备常见的概率分布规律，因此现有方法只能依靠中值滤波等统计性工具去除。但图像被高强度椒盐噪声污染后，中值滤波并不能有效搜索到足够的修复信息，修复的效果往往不尽如人意。近年来，由于深度学习方法在大量数据训练参数模型时具有更高的准确性，因此基于深度学习的图像去噪方法不断发展。但是深度网络在向更深，更宽发展的过程中遇到了障碍，即随着网络深度的增加，精准度开始饱和，然后迅速下降，残差网络是解决这一类问题的有效解决途径。但是，迄今为止并没有关于基于深度残差网络的图像椒盐噪声去除方法的相关报道。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种基于深度学习的图像椒盐噪声去除方法。

本发明的技术解决方案是：一种基于深度残差网络的图像椒盐噪声去除方法，其特征在于按照如下步骤进行：

步骤C011：从训练数据库的噪声图像中依次选取n张，记为V_k(k＝1,2,3…n),将V_k中像素值为0或者像素值为255的像素点标记为椒盐噪声，对椒盐噪声采用中值滤波法进行处理，得到预处理后的结果图像V_k'；

步骤C012：设训练数据库中噪声图像V_k所对应的原始图像为U_k，用原始图像U_k与预处理后的结果图像V_k'相减并取绝对值，获得残差图Res_k，Res_k＝|U_k-V_k'|；

步骤C013：将残差图Res_k输入到多层深度神经网络中，所述多层深度神经网络依次包括输入层、隐藏层与输出层，约定：l为层数，l＝1,2,3...l_end，为第l层中第k个神经元与第l层中第j个神经元之间的权重，第l层中第j个神经元的激活函数为将残差图Res_k从第1层输入，将第1层的训练参数结果作为第2层输入，第2层的训练参数结果作为第3层的输入，如此重复，将上一层的结果作为下一层的输入，一直到最后l_end层为止，第l_end层输出的一组参数为Θ；

步骤C014：约定损失函数为L(Θ)，Θ代表神经网络经过训练得到的参数，通过反向传播法去最小化损失函数，损失函数定义为：R(Θ)表示训练的参数所映射的结果图像，如果损失函数精度小于0.0001或总迭代次数大于500次，则训练结束，保存当前的训练参数，记为Θ_train，退出训练部分，进入步骤C020；否则对损失函数L(Θ)采用随机梯度下降法更新参数1次，进入步骤C014；

步骤C020：从待去噪图像数据库中选取一张噪声图像T，将T中像素值为0或者像素值为255的像素点标记为椒盐噪声，对椒盐噪声采用中值滤波法进行处理，得到T’并输入到Θ_train中以得到一个估计的映射Res_k'，将去噪后的T’与Res_k'相加得到最终的去噪结果：U'＝Res_k'+T'，保存U'。

本发明针对传统深度学习网络中产生梯度丢失的问题，将残差学习网络引入椒盐图像去噪方法中，通过训练图像数据库中噪声图像及噪声图像所对应的原图；噪声图像经过预处理后与原图像共同获得残差图，将残差图输入到神经网络中，逐层计算后输出一套描述残存图与标准图像映射关系的系数组合；利用训练好的系数组合进行去噪并通过学习预处理后的残差值，扩大深度学习网络的层数，进而提高去噪的效果。

附图说明

图1是本发明实施例测试图像原图。

图2是本发明实施例去除噪声后的图像。

图3是传统经典去噪方法的结果图。

具体实施方式

本发明的基于深度残差网络的图像椒盐噪声去除方法，按照如下步骤进行：

步骤C011：从训练数据库的噪声图像中依次选取n张，记为V_k(k＝1,2,3…n),将V_k中像素值为0或者像素值为255的像素点标记为椒盐噪声，对椒盐噪声采用中值滤波法进行处理，得到预处理后的结果图像V_k'；

步骤C012：设训练数据库中噪声图像V_k所对应的原始图像为U_k，用原始图像U_k与预处理后的结果图像V_k'相减并取绝对值，获得残差图Res_k，Res_k＝|U_k-V_k'|；

步骤C013：将残差图Res_k输入到多层深度神经网络中，所述多层深度神经网络依次包括输入层、隐藏层与输出层，约定：l为层数，l＝1,2,3...l_end，为第l层中第k个神经元与第l层中第j个神经元之间的权重，第l层中第j个神经元的激活函数为将残差图Res_k从第1层输入，将第1层的训练参数结果作为第2层输入，第2层的训练参数结果作为第3层的输入，如此重复，将上一层的结果作为下一层的输入，一直到最后l_end层为止，第l_end层输出的一组参数为Θ；

步骤C014：约定损失函数为L(Θ)，Θ代表神经网络经过训练得到的参数，通过反向传播法去最小化损失函数，损失函数定义为：R(Θ)表示训练的参数所映射的结果图像，如果损失函数精度小于0.0001或总迭代次数大于500次，则训练结束，保存当前的训练参数，记为Θ_train，退出训练部分，进入步骤C020；否则对损失函数L(Θ)采用随机梯度下降法更新参数1次，进入步骤C014；

步骤C020：从待去噪图像数据库中选取一张如图1所示的噪声图像T，将T中像素值为0或者像素值为255的像素点标记为椒盐噪声，对椒盐噪声采用中值滤波法进行处理，得到T’并输入到Θ_train中以得到一个估计的映射Res_k'，将去噪后的T’与Res_k'相加得到最终的去噪结果：U'＝Res_k'+T'，保存U'，即图2所示除噪声后的图像。

通过表1可以看出，本发明较经典去噪算法非局部均值有了较大的提高。

表1本发明与其他算法对比

Claims (1)

1.一种基于深度残差网络的图像椒盐噪声去除方法，其特征在于按照如下步骤进行：

步骤C011：从训练数据库的噪声图像中依次选取n张，记为V_k(k＝1,2,3…n),将V_k中像素值为0或者像素值为255的像素点标记为椒盐噪声，对椒盐噪声采用中值滤波法进行处理，得到预处理后的结果图像V_k'；

步骤C012：设训练数据库中噪声图像V_k所对应的原始图像为U_k，用原始图像U_k与预处理后的结果图像V_k'相减并取绝对值，获得残差图Res_k，Res_k＝|U_k-V_k'|；

步骤C013：将残差图Res_k输入到多层深度神经网络中，所述多层深度神经网络依次包括输入层、隐藏层与输出层，约定：l为层数，l＝1,2,3...l_end，为第l层中第k个神经元与第l层中第j个神经元之间的权重，第l层中第j个神经元的激活函数为将残差图Res_k从第1层输入，将第1层的训练参数结果作为第2层输入，第2层的训练参数结果作为第3层的输入，如此重复，将上一层的结果作为下一层的输入，一直到最后l_end层为止，第l_end层输出的一组参数为Θ；

步骤C014：约定损失函数为L(Θ)，Θ代表神经网络经过训练得到的参数，通过反向传播法去最小化损失函数，损失函数定义为：R(Θ)表示训练的参数所映射的结果图像，如果损失函数精度小于0.0001或总迭代次数大于500次，则训练结束，保存当前的训练参数，记为Θ_train，退出训练部分，进入步骤C020；否则对损失函数L(Θ)采用随机梯度下降法更新参数1次，进入步骤C014；

步骤C020：从待去噪图像数据库中选取一张噪声图像T，将T中像素值为0或者像素值为255的像素点标记为椒盐噪声，对椒盐噪声采用中值滤波法进行处理，得到T’并输入到Θ_train中以得到一个估计的映射Res_k'，将去噪后的T’与Res_k'相加得到最终的去噪结果：U'＝Res_k'+T'，保存U'。