CN111028159B - 一种图像条带噪声抑制方法及系统 - Google Patents
一种图像条带噪声抑制方法及系统 Download PDFInfo
- Publication number
- CN111028159B CN111028159B CN201911007240.3A CN201911007240A CN111028159B CN 111028159 B CN111028159 B CN 111028159B CN 201911007240 A CN201911007240 A CN 201911007240A CN 111028159 B CN111028159 B CN 111028159B
- Authority
- CN
- China
- Prior art keywords
- noise
- image
- training
- information
- neural network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000001629 suppression Effects 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims description 133
- 238000013528 artificial neural network Methods 0.000 claims description 75
- 238000000605 extraction Methods 0.000 claims description 73
- 238000012360 testing method Methods 0.000 claims description 64
- 230000009466 transformation Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明属于雷达技术领域，具体涉及一种图像条带噪声抑制方法及系统，本发明通过在训练噪声图像进入噪声信息特征提取神经网络前在多个方向上计算梯度以提取出噪声信息，然后与训练噪声图像结合在一起送入噪声信息特征提取神经网络，通过这种方式突出了训练噪声图像中的噪声信息，通过将噪声信息与训练噪声图像进行合并，使得噪声信息特征提取神经网络可以更好的学习噪声信息特征，使校正后图像更好的恢复真实图像中的细节信息。
Description
技术领域
本发明属于雷达技术领域，具体涉及一种图像条带噪声抑制方法及系统。
背景技术
条带噪声在星载、机载红外焦平面探测器成像中是一种很普遍的现象。由于红外焦平面阵列中每个探测元的响应和读出电路增益不尽相同，由此导致红外焦平面阵列探测器对同一信号的响应输出参差不齐，进而使得所获取的红外图像中夹杂着大量的条带噪声。条带噪声湮没了真实图像中的细节信息，大大降低了成像信噪比，也致使探测器的温度分辨率下降，进而影响到后续的目标检测和识别。因此，还需利用图像处理方法对红外焦平面探测器所获取的图像进行后处理以恢复真实场景中的细节信息。
图像条带噪声现行的去除方法主要有：基于先验信息的传统去噪方法和利用卷积神经网络的去噪方法。传统去噪方法包括例如LRSID法(Y.Chang，L.Yan,T.Wu,andS.Zhong，“Remote sensing image stripe noise removal:From image decompositionperspective，”IEEE Trans.Geosci.Remote Sens.，Vol，54，No，12，pp.7018–7031，Dec.2016.)、单项全变分法，根据条带噪声的特点和原始数据的先验信息对噪声图像进行处理。传统去噪方法可以有效抑制低噪声强度的条带噪声，但计算量小，遇到高强度密集条带噪声任务便不尽人意。利用卷积神经网络的方法例如SNRCNN方法(X.Kuang，X，Sui，Q.Chen，and G.Gu，“Single infrared image stripe noise removal using deepconvolutional networks，”IEEE Photon.J.，Vol.9，No.4，Aug.2017Art.No.3900913.)以及ICSRN方法(Xiao P，Guo Y，Zhuang P.“Removing Stripe Noise From Infrared CloudImages via Deep Convolutional Networks”，IEEE Photonics Journal，Vol.10，No.4，pp.1-14，2018.)卷积神经网络利用一定的模型对输入图片进行特征提取，而后根据学习到的噪声特征对图片进行去噪处理，相比传统方法，深度学习方法取得了优秀的去条带噪声效果，可以应付高强度密集条带噪声，但与此同时输出图像会出现过平滑的情况，还是会失去一些真实图像中的细节信息。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种图像条带噪声抑制方法及系统。本发明要解决的技术问题通过以下技术方案实现：
一种图像条带噪声抑制方法，包括：
获取训练图像及测试图像；
对所述训练图像进行修正操作得到训练样本图像；
根据所述测试图像得到测试噪声图像，并根据所述训练样本图像得到训练噪声图像；
构建多方向梯度噪声提取层；
构建噪声信息特征提取神经网络；
将所述训练噪声图像带入多方向梯度噪声提取层进行噪声信息提取及噪声信息合并操作，得到合并噪声图像；
初始化所述噪声信息特征提取神经网络的参数信息得到初始化后噪声信息特征提取神经网络与初始参数信息；
将所述合并噪声图像输入所述初始化后噪声信息特征提取神经网络得到噪声参数；
根据所述噪声参数和所述训练噪声图像得到去噪后训练图像；
根据所述去噪后训练图像和所述训练样本图像得到补偿参数；
根据所述补偿参数更新所述初始参数信息得到更新参数信息和更新后噪声信息特征提取神经网络；
根据所述更新后噪声信息特征提取神经网络和所述多方向梯度噪声提取层得到条带噪声抑制神经网络；
根据所述条带噪声抑制神经网络对所述测试噪声图像进行降噪处理得到去噪测试图像。
在本发明的一个实施例中，对所述训练图像进行修正操作得到训练样本图像，包括：
对所述训练图像进行旋转和缩放操作得到图像参数相同的训练样本图像。
在本发明的一个实施例中，根据所述训练样本图像得到训练噪声图像，包括：
对所述训练样本图像添加随机条带噪声得到训练噪声图像。
在本发明的一个实施例中，根据所述测试图像得到测试噪声图像，包括：
对所述测试图像集添加指定条带噪声得到测试噪声图像。
在本发明的一个实施例中，将所述训练噪声图像带入多方向梯度噪声提取层进行噪声信息提取及噪声信息合并操作得到合并噪声图像，包括：
计算所述训练噪声图像上所有像素点的8邻域像素方位梯度；
根据所有所述像素点的8邻域像素方位梯度得到噪声信息；
对所述噪声信息和所述训练噪声图像进行噪声信息合并操作得到合并噪声图像。
在本发明的一个实施例中，将所述合并噪声图像输入所述初始化后噪声信息特征提取神经网络得到噪声参数，包括：
对所述合并噪声图像进行卷积操作，得到噪声特征；
对所述噪声特征进行非线性变换得到噪声参数。
本发明还提供了一种图像条带噪声抑制系统，包括：
数据获取模块，用于获取训练图像及测试图像；
修正模块，用于对所述训练图像进行修正操作得到训练样本图像；
噪声添加模块，根据所述测试图像得到测试噪声图像，并根据所述训练样本图像得到训练噪声图像；
多方向梯度噪声提取层构建模块，用于构建多方向梯度噪声提取层；
噪声信息特征提取神经网络构建模块，用于构建噪声信息特征提取神经网络；
噪声合并模块，用于将所述训练噪声图像带入多方向梯度噪声提取层进行噪声信息提取及噪声信息合并操作得到合并噪声图像；
神经网络初始化模块，用于初始化所述噪声信息特征提取神经网络的参数信息得到初始化后噪声信息特征提取神经网络与初始参数信息；
噪声参数获取模块，用于将所述合并噪声图像输入所述初始化后噪声信息特征提取神经网络得到噪声参数；
去噪模块，用于根据所述噪声参数和所述训练噪声图像得到去噪后训练图像；
补偿参数获取模块，用于根据所述去噪后训练图像和所述训练样本图像得到补偿参数；
神经网络更新模块，用于根据所述补偿参数更新所述初始参数信息，得到更新参数信息和更新后噪声信息特征提取神经网络；
条带噪声抑制神经网络构建模块，用于根据所述更新后噪声信息特征提取神经网络和所述多方向梯度噪声提取层得到条带噪声抑制神经网络；
测试噪声图像降噪模块，用于根据所述条带噪声抑制神经网络对所述测试噪声图像进行降噪处理得到去噪测试图像。
在本发明的一个实施例中，所述数据获取模块包括：
训练图像获取单元，用于获取训练图像；
测试图像获取单元，用于获取测试图像。
在本发明的一个实施例中，所述噪声合并模块包括：
像素方位梯度计算单元，用于计算所述训练噪声图像上所有像素点的8邻域像素方位梯度；
噪声信息获取单元，用于根据所有所述像素点的8邻域像素方位梯度得到噪声信息；
噪声图像合并单元，用于对所述噪声信息和所述训练噪声图像进行噪声信息合并操作，得到合并噪声图像。
在本发明的一个实施例中，所述噪声参数获取模块包括：
卷积单元，用于对所述合并噪声图像进行卷积操作得到噪声特征；
非线性变换单元，用于对所述噪声特征进行非线性变换得到噪声参数。
本发明的有益效果：
本发明通过在训练噪声图像进入噪声信息特征提取神经网络前在多个方向上计算梯度以提取出噪声信息，然后与训练噪声图像结合在一起送入噪声信息特征提取神经网络，通过这种方式突出了训练噪声图像中的噪声信息，通过将噪声信息与训练噪声图像进行合并，使得噪声信息特征提取神经网络可以更好的学习噪声信息特征，使校正后图像更好的恢复真实图像中的细节信息。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种图像条带噪声抑制方法的流程示意图；
图2是本发明实施例提供的一种图像条带噪声抑制方法的网络结构图；
图3是本发明实施例提供的一种图像条带噪声抑制方法中训练噪声图像8邻域像素的示意图；
图4是本发明实施例提供的一种图像条带噪声抑制方法训练噪声图像；
图5是本发明实施例提供的一种图像条带噪声抑制方法对比实验中经LRSID方法进行噪声抑制后的图像；
图6是本发明实施例提供的一种图像条带噪声抑制方法对比实验中经ICSRN方法进行噪声抑制后的图像；
图7是本发明实施例提供的一种图像条带噪声抑制方法进行噪声抑制后的图像；
图8是本发明实施例提供的一种图像条带噪声抑制系统的结构框图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
请参见图1，图1是本发明实施例提供的一种图像条带噪声抑制方法的流程示意图，包括：
获取训练图像及测试图像；
对所述训练图像进行修正操作得到训练样本图像；
根据所述测试图像得到测试噪声图像，并根据所述训练样本图像得到训练噪声图像；
构建多方向梯度噪声提取层；
构建噪声信息特征提取神经网络；
将所述训练噪声图像带入多方向梯度噪声提取层进行噪声信息提取及噪声信息合并操作，得到合并噪声图像；
初始化所述噪声信息特征提取神经网络的参数信息得到初始化后噪声信息特征提取神经网络与初始参数信息；
将所述合并噪声图像输入所述初始化后噪声信息特征提取神经网络得到噪声参数；
根据所述噪声参数和所述训练噪声图像得到去噪后训练图像；
根据所述去噪后训练图像和所述训练样本图像得到补偿参数；
根据所述补偿参数更新所述初始参数信息得到更新参数信息和更新后噪声信息特征提取神经网络；
根据所述更新后噪声信息特征提取神经网络和所述多方向梯度噪声提取层得到条带噪声抑制神经网络；
根据所述条带噪声抑制神经网络对所述测试噪声图像进行降噪处理得到去噪测试图像。
具体的，请参见图2，图2是本发明实施例提供的一种图像条带噪声抑制方法的网络结构图，伯克利图像分割数据集500(Berkeley Segmentation Data Set andBenchmarks 500，简称：BSDS500)作为训练原始数据集；将训练原始数据集中的训练图像经修正操作后的到训练样本图像。
此外，图像处理标准测试数据集set12作为测试原始数据集，从原始数据集中获取到测试图像。
本发明通过在训练噪声图像进入噪声信息特征提取神经网络前在多个方向上计算梯度以提取出噪声信息，然后与训练噪声图像结合在一起送入噪声信息特征提取神经网络，通过这种方式突出了训练噪声图像中的噪声信息，通过将噪声信息与训练噪声图像进行合并，使得噪声信息特征提取神经网络可以更好的学习噪声信息特征，使校正后图像更好的恢复真实图像中的细节信息。
在本发明的一个实施例中，对所述训练图像进行修正操作得到训练样本图像，包括：
对所述训练图像进行旋转和缩放操作得到图像参数相同的训练样本图像。
具体的，修正操作将训练图像通过剪裁等手段截取为35×35像素的24万6千张图像参数相同的训练样本图像。
在本发明的一个实施例中，根据所述训练样本图像得到训练噪声图像，包括：
对所述训练样本图像添加随机条带噪声得到训练噪声图像。、
具体的，本发明在训练样本图像上随机添加均值为0，标准差为0～0.25强度的条带噪声，得到训练噪声图像，学习不同强度条带噪声的特征，以获得更好的去噪效果，本实施例中训练时使用两张NVIDIA GTX1080Ti显卡进行训练，每一回合训练噪声图像数据的批次大小设置为64。
在本发明的一个实施例中，根据所述测试图像得到测试噪声图像，包括：
对所述测试图像集添加指定条带噪声，得到测试噪声图像。
在本发明的一个实施例中，将所述训练噪声图像带入多方向梯度噪声提取层进行噪声信息提取及噪声信息合并操作，得到合并噪声图像，包括：
计算所述训练噪声图像上所有像素点的8邻域像素方位梯度；
根据所有所述像素点的8邻域像素方位梯度得到噪声信息；
对所述噪声信息和所述训练噪声图像进行噪声信息合并操作得到合并噪声图像。
具体的，请参见图3，图3是本发明实施例提供的一种图像条带噪声抑制方法中训练噪声图像8邻域像素的示意图，计算训练噪声图像中所有像素点的8领域像素方向梯度，从任意像素点左上角开始8领域像素方向梯度顺时针依次表示为DU、XL、AD、YU、YD、AU、XR、AU，其中：
XL＝x-x2；XR＝x-x7；YU＝x-x4；YD＝x-x5；DU＝x-x1；DD＝x-x8；AU＝x-x6；AD＝x-x3；
-表示像素点的像素值相减操作，x表示训练噪声图像中的任意像素点，x1、x2、x3、x4、x5、x6、x7、x8为x像素点的8邻域像素；将整张测试噪声图像分别沿DU、XL、AD、YU、YD、AU、XR、AU方向移动单位像素点长度得到移动后的8张图像，再用测试噪声图像分别与移动后的8张图像张量相减得到测试噪声图像的8个方向梯度，将得到的8个方向梯度按照通道方向拼接成一个张量，得到噪声信息；再将提取到的噪声信息与训练噪声图像按照通道方向拼接成一个张量，作为后续噪声信息特征提取神经网络的输入。
在本发明的一个实施例中，将所述合并噪声图像输入所述初始化后噪声信息特征提取神经网络得到噪声参数，包括：
对所述合并噪声图像进行卷积操作得到噪声特征；
对所述噪声特征进行非线性变换得到噪声参数。
进一步地，计算损失函数loss公式表示如下：
其中，||·||F为Frobenius范数，α为可训练参数，G(Yi；α)为权重为α时条带噪声抑制神经网络的输出，Ni＝Yi-Xi，Xi为第i张训练样本图像，Yi为第i张由Xi加噪声后的训练噪声图像，Ni为第i张训练样本图像所加噪声信息。
具体的，loss损失函数可以来评价条带噪声抑制神经网络的输出G(Yi；α)和训练样本图像Xi之间的误差，并利用此误差指导噪声信息特征提取神经网络中卷积操作时卷积核的权重修正过程。
具体的，合并噪声图像输入噪声信息特征提取神经网络后，需要对合并噪声图像进行卷积操作以及非线性变换操作；为提取出更多噪声信息，需要进行多次卷积，并且每次卷积结束后都需要进行非线性变换操作，卷积的对象为上一级的输出。
更进一步地，卷积时卷积核维度为H×W×M，其中，M为卷积输入张量通道数，卷积核个数为F，填充值为P，步长值为S，偏置值为B；卷积操作时，每次输入张量取H×W×M维度的特征与F个卷积核进行点积，每次得到一个维度为1×1×F的输出特征，在水平方向和垂直方向以步长S遍历整个输入张量重复点积计算，最终得到维度为Ho×Wo×F的输出特征；卷积操作的过程可以用公式表示为y＝ωx+B，w为卷积核权重张量，x为卷积输入张量，y为卷积输出张量；在本实施例中，依次进行了9次卷积及非线性变换操作，在进行第一次卷积时卷积核维度设置为7×7×9，卷积核个数设置为64，步长值设置为1，填充值设置为3进行补0操作使卷积层输出张量大小与输入张量保持一致，偏置值设置为0；中间七次卷积，卷积核维度设置为7×7×64，卷积核个数设置为64，步长值设置为1，填充值设置为3，偏置值设置为0；最后一次卷积，卷积核维度设置为7×7×64，卷积核个数设置为1，步长值设置为1，填充值设置为3，偏置值设置为0；非线性校正操作的激活函数设置修正线性单元Relu为f(x)＝max(0,x)，f(x)为函数输出，x为函数输入，第九次卷积并非线性变换操作后的结果为噪声信息特征提取神经网络的输出结果，即噪声参数。
请参见图8，图8是本发明实施例提供的一种图像条带噪声抑制系统的结构框图，包括：
数据获取模块，用于获取训练图像及测试图像；
修正模块，用于对所述训练图像进行修正操作得到训练样本图像；
噪声添加模块，根据所述测试图像得到测试噪声图像，并根据所述训练样本图像得到训练噪声图像；
多方向梯度噪声提取层构建模块，用于构建多方向梯度噪声提取层；
噪声信息特征提取神经网络构建模块，用于构建噪声信息特征提取神经网络；
噪声合并模块，用于将所述训练噪声图像带入多方向梯度噪声提取层进行噪声信息提取及噪声信息合并操作得到合并噪声图像；
神经网络初始化模块，用于初始化所述噪声信息特征提取神经网络的参数信息，得到初始化后噪声信息特征提取神经网络与初始参数信息；
噪声参数获取模块，用于将所述合并噪声图像输入所述初始化后噪声信息特征提取神经网络得到噪声参数；
去噪模块，用于根据所述噪声参数和所述训练噪声图像得到去噪后训练图像；
补偿参数获取模块，用于根据所述去噪后训练图像和所述训练样本图像得到补偿参数；
神经网络更新模块，用于根据所述补偿参数更新所述初始参数信息得到更新参数信息和更新后噪声信息特征提取神经网络；
条带噪声抑制神经网络构建模块，用于根据所述更新后噪声信息特征提取神经网络和所述多方向梯度噪声提取层得到条带噪声抑制神经网络；
测试噪声图像降噪模块，用于根据所述条带噪声抑制神经网络对所述测试噪声图像进行降噪处理得到去噪测试图像。
在本发明的一个实施例中，所述数据获取模块包括：
训练图像获取单元，用于获取训练图像；
测试图像获取单元，用于获取测试图像。
在本发明的一个实施例中，所述噪声合并模块包括：
像素方位梯度计算单元，用于计算所述训练噪声图像上所有像素点的8邻域像素方位梯度；
噪声信息获取单元，用于根据所述所有像素点的8邻域像素方位梯度得到噪声信息；
噪声图像合并单元，用于对所述噪声信息和所述训练噪声图像进行噪声信息合并操作，得到合并噪声图像。
在本发明的一个实施例中，所述噪声参数获取模块包括：
卷积单元，用于对所述合并噪声图像进行卷积操作得到噪声特征；
非线性变换单元，用于对所述噪声特征进行非线性变换得到噪声参数。
在本发明的一个实施例中，所述噪声参数获取模块包括：
卷积单元，用于对所述合并噪声图像进行卷积操作得到噪声特征；
非线性变换单元，用于对所述噪声特征进行非线性变换得到噪声参数。
本发明的效果可以通过一下仿真实验进一步说明：
请参见图4、图5、图6和图7，图4是本发明实施例提供的一种图像条带噪声抑制方法训练噪声图像，图5是本发明实施例提供的一种图像条带噪声抑制方法对比实验中经LRSID方法进行噪声抑制后的图像，图6是本发明实施例提供的一种图像条带噪声抑制方法对比实验中经ICSRN方法进行噪声抑制后的图像，图7是本发明实施例提供的一种图像条带噪声抑制方法进行噪声抑制后的图像，在噪声的强度为0.1(单一变量)的条件下，通过峰值信噪比PSNR和结构相似度SSIM分别评估LRSID法和ICSRN法以及本发明的条带噪声抑制效果，实验对比效果见下表：
由上表可见，本发明方法在相同强度条带噪声条件下，去噪测试图像PSNR值明显高于另外两种方法结果，说明经本发明处理后的图像与测试图像对比有着更好的图像相似度，像素点间的误差更小，可以更好的还原真实测试噪声图像中的边缘细节信息，不会出现明显的过平滑现象，去条带噪声效果好。
同时本发明在相同强度条带噪声条件下，去噪测试图像SSIM值也要明显高于其他两种方法结果，说明经本发明设计方法处理后的图像与测试图像对比有着更好的结构相似性，比另外两种方法在亮度和对比度以及结构三个方面更好的还原了测试噪声图像。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种图像条带噪声抑制方法，其特征在于，包括：
获取训练图像及测试图像；
对所述训练图像进行修正操作得到训练样本图像；
根据所述测试图像得到测试噪声图像，并根据所述训练样本图像得到训练噪声图像；
构建多方向梯度噪声提取层；
构建噪声信息特征提取神经网络；
将所述训练噪声图像带入多方向梯度噪声提取层进行噪声信息提取及噪声信息合并操作，得到合并噪声图像；
初始化所述噪声信息特征提取神经网络的参数信息得到初始化后噪声信息特征提取神经网络与初始参数信息；
将所述合并噪声图像输入所述初始化后噪声信息特征提取神经网络得到噪声参数；
根据所述噪声参数和所述训练噪声图像得到去噪后训练图像；
根据所述去噪后训练图像和所述训练样本图像得到补偿参数；
根据所述补偿参数更新所述初始参数信息得到更新参数信息和更新后噪声信息特征提取神经网络；
根据所述更新后噪声信息特征提取神经网络和所述多方向梯度噪声提取层得到条带噪声抑制神经网络；
根据所述条带噪声抑制神经网络对所述测试噪声图像进行降噪处理得到去噪测试图像。
2.根据权利要求1所述的图像条带噪声抑制方法，其特征在于，对所述训练图像进行修正操作得到训练样本图像，包括：
对所述训练图像进行旋转和缩放操作，得到图像参数相同的训练样本图像。
3.根据权利要求1所述的图像条带噪声抑制方法，其特征在于，根据所述训练样本图像得到训练噪声图像，包括：
对所述训练样本图像添加随机条带噪声得到训练噪声图像。
4.根据权利要求1所述的图像条带噪声抑制方法，其特征在于，根据所述测试图像得到测试噪声图像，包括：
对所述测试图像集添加指定条带噪声得到测试噪声图像。
5.根据权利要求1所述的图像条带噪声抑制方法，其特征在于，将所述训练噪声图像带入多方向梯度噪声提取层进行噪声信息提取及噪声信息合并操作，得到合并噪声图像，包括：
计算所述训练噪声图像上所有像素点的8邻域像素方位梯度；
根据所有所述像素点的8邻域像素方位梯度得到噪声信息；
对所述噪声信息和所述训练噪声图像进行噪声信息合并操作得到合并噪声图像。
6.根据权利要求1所述的图像条带噪声抑制方法，其特征在于，将所述合并噪声图像输入所述初始化后噪声信息特征提取神经网络得到噪声参数，包括：
对所述合并噪声图像进行卷积操作，得到噪声特征；
对所述噪声特征进行非线性变换得到噪声参数。
7.一种图像条带噪声抑制系统，其特征在于，包括：
数据获取模块，用于获取训练图像及测试图像；
修正模块，用于对所述训练图像进行修正操作得到训练样本图像；
噪声添加模块，根据所述测试图像得到测试噪声图像，并根据所述训练样本图像得到训练噪声图像；
多方向梯度噪声提取层构建模块，用于构建多方向梯度噪声提取层；
噪声信息特征提取神经网络构建模块，用于构建噪声信息特征提取神经网络；
噪声合并模块，用于将所述训练噪声图像带入多方向梯度噪声提取层进行噪声信息提取及噪声信息合并操作得到合并噪声图像；
神经网络初始化模块，用于初始化所述噪声信息特征提取神经网络的参数信息，得到初始化后噪声信息特征提取神经网络与初始参数信息；
噪声参数获取模块，用于将所述合并噪声图像输入所述初始化后噪声信息特征提取神经网络得到噪声参数；
去噪模块，用于根据所述噪声参数和所述训练噪声图像得到去噪后训练图像；
补偿参数获取模块，用于根据所述去噪后训练图像和所述训练样本图像得到补偿参数；
神经网络更新模块，用于根据所述补偿参数更新所述初始参数信息得到更新参数信息和更新后噪声信息特征提取神经网络；
条带噪声抑制神经网络构建模块，用于根据所述更新后噪声信息特征提取神经网络和所述多方向梯度噪声提取层得到条带噪声抑制神经网络；
测试噪声图像降噪模块，用于根据所述条带噪声抑制神经网络对所述测试噪声图像进行降噪处理得到去噪测试图像。
8.根据权利要求7所述的图像条带噪声抑制系统，其特征在于，所述数据获取模块包括：
训练图像获取单元，用于获取训练图像；
测试图像获取单元，用于获取测试图像。
9.根据权利要求7所述的图像条带噪声抑制系统，其特征在于，所述噪声合并模块包括：
像素方位梯度计算单元，用于计算所述训练噪声图像上所有像素点的8邻域像素方位梯度；
噪声信息获取单元，用于根据所有所述像素点的8邻域像素方位梯度得到噪声信息；
噪声图像合并单元，用于对所述噪声信息和所述训练噪声图像进行噪声信息合并操作得到合并噪声图像。
10.根据权利要求7所述的图像条带噪声抑制系统，其特征在于，所述噪声参数获取模块包括：
卷积单元，用于对所述合并噪声图像进行卷积操作得到噪声特征；
非线性变换单元，用于对所述噪声特征进行非线性变换得到噪声参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911007240.3A CN111028159B (zh) | 2019-10-22 | 2019-10-22 | 一种图像条带噪声抑制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911007240.3A CN111028159B (zh) | 2019-10-22 | 2019-10-22 | 一种图像条带噪声抑制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111028159A CN111028159A (zh) | 2020-04-17 |
| CN111028159B true CN111028159B (zh) | 2023-04-18 |
Family
ID=70201489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911007240.3A Active CN111028159B (zh) | 2019-10-22 | 2019-10-22 | 一种图像条带噪声抑制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111028159B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114241467A (zh) * | 2021-12-21 | 2022-03-25 | 北京有竹居网络技术有限公司 | 一种文本识别方法及其相关设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10726525B2 (en) * | 2017-09-26 | 2020-07-28 | Samsung Electronics Co., Ltd. | Image denoising neural network architecture and method of training the same |
| CN109816599B (zh) * | 2018-12-07 | 2020-12-29 | 西安电子科技大学 | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 |
| CN110009575B (zh) * | 2019-02-25 | 2021-03-19 | 西安电子科技大学 | 基于稀疏表示的红外图像条带噪声抑制方法 |
-
2019
- 2019-10-22 CN CN201911007240.3A patent/CN111028159B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111028159A (zh) | 2020-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108133465B (zh) | 基于空谱加权tv的非凸低秩松弛的高光谱图像恢复方法 | |
| Chierchia et al. | A nonlocal structure tensor-based approach for multicomponent image recovery problems | |
| Wang et al. | Enhancing low light videos by exploring high sensitivity camera noise | |
| Cai | Variational image segmentation model coupled with image restoration achievements | |
| US20150235350A1 (en) | Method for Image Denoising | |
| Valsesia et al. | Permutation invariance and uncertainty in multitemporal image super-resolution | |
| Ahmed et al. | Comparative analysis of a deep convolutional neural network for source camera identification | |
| CN106447632B (zh) | 一种基于稀疏表示的raw图像去噪方法 | |
| Du et al. | A bandwise noise model combined with low-rank matrix factorization for hyperspectral image denoising | |
| Ding et al. | U 2 D 2 Net: Unsupervised unified image dehazing and denoising network for single hazy image enhancement | |
| Feng et al. | URNet: A U-Net based residual network for image dehazing | |
| Chen et al. | Robust Kronecker product video denoising based on fractional-order total variation model | |
| Liu et al. | Infrared and visible image fusion and denoising via ℓ2− ℓp norm minimization | |
| Zhang et al. | Deep motion blur removal using noisy/blurry image pairs | |
| Kuang et al. | An adaptive rank-sparsity K-SVD algorithm for image sequence denoising | |
| Kumar et al. | Enhancing scene perception using a multispectral fusion of visible–near‐infrared image pair | |
| Zhang et al. | Single image dehazing based on bright channel prior model and saliency analysis strategy | |
| Priego et al. | 4DCAF: A temporal approach for denoising hyperspectral image sequences | |
| CN111028159B (zh) | 一种图像条带噪声抑制方法及系统 | |
| Wang et al. | Tuning-free plug-and-play hyperspectral image deconvolution with deep priors | |
| Kandula et al. | Illumination-adaptive unpaired low-light enhancement | |
| Zhang et al. | Deep joint neural model for single image haze removal and color correction | |
| Yeh et al. | Rain streak removal based on non-negative matrix factorization | |
| Jung et al. | Multispectral fusion of rgb and nir images using weighted least squares and convolution neural networks | |
| Banerjee et al. | Bacterial foraging-fuzzy synergism based image Dehazing |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |