CN110322407A - 基于深度残差网络的图像椒盐噪声去除方法 - Google Patents
基于深度残差网络的图像椒盐噪声去除方法 Download PDFInfo
- Publication number
- CN110322407A CN110322407A CN201910477061.XA CN201910477061A CN110322407A CN 110322407 A CN110322407 A CN 110322407A CN 201910477061 A CN201910477061 A CN 201910477061A CN 110322407 A CN110322407 A CN 110322407A
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- salt
- noise
- res
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000006002 Pepper Substances 0.000 title claims abstract description 23
- 238000005516 engineering process Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 6
- 150000003839 salts Chemical class 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
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
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Vk(k=1,2,3…n),将Vk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Vk';
步骤C012:设训练数据库中噪声图像Vk所对应的原始图像为Uk,用原始图像Uk与预处理后的结果图像Vk'相减并取绝对值,获得残差图Resk,Resk=|Uk-Vk'|;
步骤C013:将残差图Resk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...lend,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Resk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lend层为止,第lend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Θtrain,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Θtrain中以得到一个估计的映射Resk',将去噪后的T’与Resk'相加得到最终的去噪结果:U'=Resk'+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Vk(k=1,2,3…n),将Vk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Vk';
步骤C012:设训练数据库中噪声图像Vk所对应的原始图像为Uk,用原始图像Uk与预处理后的结果图像Vk'相减并取绝对值,获得残差图Resk,Resk=|Uk-Vk'|;
步骤C013:将残差图Resk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...lend,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Resk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lend层为止,第lend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Θtrain,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Θtrain中以得到一个估计的映射Resk',将去噪后的T’与Resk'相加得到最终的去噪结果:U'=Resk'+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Vk(k=1,2,3…n),将Vk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Vk';
步骤C012:设训练数据库中噪声图像Vk所对应的原始图像为Uk,用原始图像Uk与预处理后的结果图像Vk'相减并取绝对值,获得残差图Resk,Resk=|Uk-Vk'|;
步骤C013:将残差图Resk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...lend,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Resk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lend层为止,第lend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Θtrain,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Θtrain中以得到一个估计的映射Resk',将去噪后的T’与Resk'相加得到最终的去噪结果:U'=Resk'+T',保存U'。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910477061.XA CN110322407A (zh) | 2019-06-03 | 2019-06-03 | 基于深度残差网络的图像椒盐噪声去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910477061.XA CN110322407A (zh) | 2019-06-03 | 2019-06-03 | 基于深度残差网络的图像椒盐噪声去除方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110322407A true CN110322407A (zh) | 2019-10-11 |
Family
ID=68119455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910477061.XA Pending CN110322407A (zh) | 2019-06-03 | 2019-06-03 | 基于深度残差网络的图像椒盐噪声去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322407A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643190A (zh) * | 2020-04-27 | 2021-11-12 | 北京金山云网络技术有限公司 | 图像锐化方法和装置 |
CN113902638A (zh) * | 2021-10-08 | 2022-01-07 | 电子科技大学 | 结合卷积神经网络和轻型自适应中值滤波视频降噪方法 |
CN117495711A (zh) * | 2023-12-29 | 2024-02-02 | 深圳智能思创科技有限公司 | 图像标记去除方法、装置、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050080357A (ko) * | 2004-02-09 | 2005-08-12 | 엘지전자 주식회사 | 음향 반향 제거기의 잡음 신호 필터링 방법 |
CN101425176A (zh) * | 2008-12-09 | 2009-05-06 | 中国科学院长春光学精密机械与物理研究所 | 一种基于中值滤波的图像小波去噪方法 |
CN102479383A (zh) * | 2010-11-30 | 2012-05-30 | 上海银晨智能识别科技有限公司 | 椒盐噪声去除方法及装置 |
CN103886557A (zh) * | 2014-03-28 | 2014-06-25 | 北京工业大学 | 一种深度图像的去噪方法 |
CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
CN108564550A (zh) * | 2018-04-25 | 2018-09-21 | Oppo广东移动通信有限公司 | 图像处理方法、装置及终端设备 |
US20180293711A1 (en) * | 2017-04-06 | 2018-10-11 | Disney Enterprises, Inc. | Kernel-predicting convolutional neural networks for denoising |
CN108765322A (zh) * | 2018-05-16 | 2018-11-06 | 上饶师范学院 | 图像去噪方法及装置 |
CN109118435A (zh) * | 2018-06-15 | 2019-01-01 | 广东工业大学 | 一种基于PReLU的深度残差卷积神经网络图像去噪方法 |
CN109658344A (zh) * | 2018-11-12 | 2019-04-19 | 哈尔滨工业大学(深圳) | 基于深度学习的图像去噪方法、装置、设备和存储介质 |
CN109685743A (zh) * | 2018-12-30 | 2019-04-26 | 陕西师范大学 | 基于噪声学习神经网络模型的图像混合噪声消除方法 |
-
2019
- 2019-06-03 CN CN201910477061.XA patent/CN110322407A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050080357A (ko) * | 2004-02-09 | 2005-08-12 | 엘지전자 주식회사 | 음향 반향 제거기의 잡음 신호 필터링 방법 |
CN101425176A (zh) * | 2008-12-09 | 2009-05-06 | 中国科学院长春光学精密机械与物理研究所 | 一种基于中值滤波的图像小波去噪方法 |
CN102479383A (zh) * | 2010-11-30 | 2012-05-30 | 上海银晨智能识别科技有限公司 | 椒盐噪声去除方法及装置 |
CN103886557A (zh) * | 2014-03-28 | 2014-06-25 | 北京工业大学 | 一种深度图像的去噪方法 |
CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
US20180293711A1 (en) * | 2017-04-06 | 2018-10-11 | Disney Enterprises, Inc. | Kernel-predicting convolutional neural networks for denoising |
CN108564550A (zh) * | 2018-04-25 | 2018-09-21 | Oppo广东移动通信有限公司 | 图像处理方法、装置及终端设备 |
CN108765322A (zh) * | 2018-05-16 | 2018-11-06 | 上饶师范学院 | 图像去噪方法及装置 |
CN109118435A (zh) * | 2018-06-15 | 2019-01-01 | 广东工业大学 | 一种基于PReLU的深度残差卷积神经网络图像去噪方法 |
CN109658344A (zh) * | 2018-11-12 | 2019-04-19 | 哈尔滨工业大学(深圳) | 基于深度学习的图像去噪方法、装置、设备和存储介质 |
CN109685743A (zh) * | 2018-12-30 | 2019-04-26 | 陕西师范大学 | 基于噪声学习神经网络模型的图像混合噪声消除方法 |
Non-Patent Citations (10)
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643190A (zh) * | 2020-04-27 | 2021-11-12 | 北京金山云网络技术有限公司 | 图像锐化方法和装置 |
CN113902638A (zh) * | 2021-10-08 | 2022-01-07 | 电子科技大学 | 结合卷积神经网络和轻型自适应中值滤波视频降噪方法 |
CN113902638B (zh) * | 2021-10-08 | 2024-04-09 | 电子科技大学 | 结合卷积神经网络和轻型自适应中值滤波视频降噪方法 |
CN117495711A (zh) * | 2023-12-29 | 2024-02-02 | 深圳智能思创科技有限公司 | 图像标记去除方法、装置、设备及存储介质 |
CN117495711B (zh) * | 2023-12-29 | 2024-03-29 | 深圳智能思创科技有限公司 | 图像标记去除方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782462B (zh) | 一种基于双流特征融合的语义分割方法 | |
WO2023092813A1 (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 | |
CN108537746B (zh) | 一种基于深度卷积网络的模糊可变图像盲复原方法 | |
CN109214990A (zh) | 一种基于Inception模型的深度卷积神经网络图像去噪方法 | |
JP2019067408A (ja) | イメージセグメンテーションのための学習方法及び学習装置、そしてこれを利用したイメージセグメンテーション方法及びイメージセグメンテーション装置 | |
CN105657402B (zh) | 一种深度图恢复方法 | |
CN110322407A (zh) | 基于深度残差网络的图像椒盐噪声去除方法 | |
CN110349103A (zh) | 一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法 | |
CN111192211B (zh) | 一种基于单个深度神经网络的多噪声类型盲去噪方法 | |
CN106408522A (zh) | 一种基于卷积对神经网络的图像去噪方法 | |
JP2019067403A (ja) | イメージセグメンテーションのための学習方法及び学習装置、そしてこれを利用したイメージセグメンテーション方法及びイメージセグメンテーション装置 | |
CN111145123B (zh) | 基于U-Net融合保留细节的图像去噪方法 | |
CN109410149B (zh) | 一种基于并行特征提取的cnn去噪方法 | |
CN112634146B (zh) | 基于多种注意力机制的多通道cnn医学ct图像去噪方法 | |
CN108229290A (zh) | 视频物体分割方法和装置、电子设备、存储介质和程序 | |
CN110009573B (zh) | 模型训练、图像处理方法、装置、电子设备及存储介质 | |
CN110533614B (zh) | 一种结合频域和空域的水下图像增强方法 | |
CN111260591A (zh) | 一种基于注意力机制的图像自适应去噪方法 | |
CN109191389A (zh) | 一种x光图像自适应局部增强方法 | |
CN116152591B (zh) | 模型训练方法、红外小目标检测方法、装置及电子设备 | |
CN109740057A (zh) | 一种基于知识萃取的增强神经网络及信息推荐方法 | |
Paul et al. | Modified convolutional neural network with pseudo-CNN for removing nonlinear noise in digital images | |
CN113284061A (zh) | 一种基于梯度网络的水下图像增强方法 | |
CN109993701A (zh) | 一种基于金字塔结构的深度图超分辨率重建的方法 | |
CN112734649A (zh) | 一种基于轻量级神经网络的图像退化方法及退化系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221101 Address after: Room 2401, 2402, 2407, Floor 24, Block B, No. 6, Yiyang Road, Qixianling, Dalian Hi tech Industrial Park, Liaoning Province, 116000 Applicant after: Dalian Houren Technology Co.,Ltd. Address before: No. 116500, Shahekou Road, Dalian City, Liaoning Province Applicant before: LIAONING NORMAL University |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |
|
RJ01 | Rejection of invention patent application after publication |