CN111028163B - 一种基于卷积神经网络的联合图像去噪与弱光增强方法 - Google Patents
一种基于卷积神经网络的联合图像去噪与弱光增强方法 Download PDFInfo
- Publication number
- CN111028163B CN111028163B CN201911186575.6A CN201911186575A CN111028163B CN 111028163 B CN111028163 B CN 111028163B CN 201911186575 A CN201911186575 A CN 201911186575A CN 111028163 B CN111028163 B CN 111028163B
- Authority
- CN
- China
- Prior art keywords
- image
- convolution
- layer
- denoising
- training
- 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 50
- 238000013527 convolutional neural network Methods 0.000 title claims description 20
- 238000012549 training Methods 0.000 claims abstract description 49
- 230000000694 effects Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 13
- 230000002708 enhancing effect Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000005286 illumination Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000003623 enhancer Substances 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 66
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10004—Still image; Photographic 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)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于CNN的弱光图像去噪与增强模型，结合了类似自编码器结构在细节重构与残差学习在深层网络模型上优势，通过对原始清晰无噪声图像降亮度值并增加噪声信号，得到弱光和噪声训练数据集。利用损失函数，训练一个图像去噪增强器，对批量图像进行去噪与弱光增强。通过与其他4种方法的对比，本发明模型在BSD68数据集的PSNR和SSIM值可同时达到25.23dB和0.927，取得优异的效果。最后，采集自然暗光条件下的图像(含多种噪声)，用预训练模型去噪与对比度增强，结果表明本发明所提出模型对自然暗光场景的图像恢复的PSNR和SSIM达到14.03dB和0.423，对比度增强效果明显。
Description
技术领域
本发明属于图像处理领域，具体涉及一种基于卷积神经网络的联合图像去噪与弱光增强方法，能够解决弱光含噪声图像的对比度增强和去噪问题。
背景技术
图像质量提升是图像领域研究的重要任务，高质量图像为图像后续处理过程提供保障。然而，受到诸如图像采集系统的误差、特殊的拍摄环境等因素的影响，往往不能直接获取清晰的、高对比度的图像。在图像质量的影响因素中，噪声和光照是两个主要影响因素，噪声较大的图像会产生模糊、局部细节不清晰等，而较弱或较强光照则影响图像对比度，造成图像前景与背景难以区分等。因此，同时实现图像去噪和弱光增强具有重要的研究价值和应用前景。
对于图像对比度增强，基于直方图均衡化(Histogram equalization，HE)方法应用广泛，通过对单个像素值的重新计算与变换以提升图像对比度，这对于前景与背景差异不大的图像有着较好的表现能力，但却会伴随图像产生伪影。对于图像去噪，三维块匹配(Block-matching and 3D filtering，BM3D)及其改进方法在含高斯噪声图像去噪方面表现优异，然而其对于图像盲去噪表现却不理想。在实际图像质量提高过程中，由于增强对比度的同时伴随着噪声信号的扩大，而去除噪声信号的同时往往会将弱光图像特征变得模糊，因此导致联合图像去噪与弱光照增强方面不能表现出良好的效果。近几年来，随着人工智能技术的快速发展，基于深度学习的方法在图像领域表现了突出的性能，包括图像识别与分类等，在图像去噪与弱光增强方面也取得了前所未有的成就。
联合图像去噪与对比度增强：(1)Li等人提出一种联合去噪增强框架，设计基于去噪卷积神经网络(Denoise Convolutional Neural Network，DnCNN)的算法与改进大气散射模型分别实现图像去噪与图像对比度增强，该方法有较强的去噪与对比度恢复能力；(2)Lin等人采用BM3D滤波器和带结构滤波器自适应地提取出平滑的基层与一阶微分图像层，并将两部分图像结合得到一个无噪声、保留细节的正常光照图像。然而以上两种深度学习方法在光照增强方面通常会产生过增强，即弱光图像被过度放大而显得不真实；(3)Kin等人提出一种基于深度自编码的弱光图像增强(Low-Light Net，LLNet)方法，通过构建一个堆叠式深度去噪自编码器以自适应地实现图像去噪和亮化处理，但是该方法对自然场景下弱光图像增强与噪声抑制有很大的限制。
发明内容
在数字图像处理过程中，在同一个任务中去噪与图像增强任务并不是分开进行的。图像去噪的过程对图像局部特征有影响，同时图像增强也会客观的增强了噪声。由于图像的增强并不是明确的增强到某一指定值，即允许图像亮度值在某一个微小的变化范围中，这不会对图像质量产生很大的影响，但峰值信噪比(Peak Signal to Noise Ratio，PSNR)值却会有巨大差异，同时考虑到弱光条件下潜在噪声的影响，所以应把图像去噪作为首要任务。
为了达到上述目的，本发明提供的技术方案是：一种基于卷积神经网络(Convolutional Neural Network，CNN)的联合图像去噪与弱光增强方法，包括如下步骤：
步骤1，设计残差学习卷积神经网络模型，该模型包括1个预处理模块与4个去噪增强模块和最后单通道输出部分；
其中，预处理模块包括两个分支，其中一个分支包括依次连接的4个卷积层，另一个分支包括一个卷积层，然后将两个分支的输出结果进行合并作为预处理模块的输出，每个卷积层之后连接一个激活层；
去噪增强模块包括自编码器和残差连接，自编码器包括8个处理层依次连接，分别是卷积层C1、池化层S1、卷积层C2、池化层S2、卷积层C3、上采样层U1、卷积层C4和上采样层U2，其中第一个卷积层C1和最后一个上采样层U2、第二个卷积层C2和倒数第二个上采样层U1、第二个池化层S2和第三个卷积层C3对应尺度跳跃连接，残差学习是对自编码器输出部分和经过卷积层C5、卷积层C6的结果直接相加，最后经过一个激活层；
步骤2，数据集选取与预处理，并设置该网络模型超参数与训练参数；
步骤3，根据设置的网络结构训练网络，端到端的从噪声弱光图像学习到去噪正常光照图像；
步骤4，将测试图像输入到训练好的网络模型中，得到去噪增强之后的图像。
进一步的，步骤1中所述预处理模块中的每一个卷积层的卷积核大小都是3×3，卷积核的个数是64，步长为1。
进一步的，步骤1中所述去噪增强模块中的卷积层C1、卷积层C2、卷积层C3、卷积层C4、卷积层C5、卷积层C6，其卷积核大小都是3×3，卷积核的个数是64，步长为1；池化层S1、池化层S2采用最大池化，步长为2；上采样层U1中卷积核大小为3×3，卷积核的个数是64，步长为1，上采样层U2中卷积核大小为3×3，卷积核的个数是64，步长为2。
进一步的，步骤2的具体实现方式如下，
选取在图像去噪增强领域常用的BSD500数据集总共500张不含噪声清晰的图像作为训练集中需要学习的图像，然后将这些图像通过添加噪声和光照变换的方式生成相应的噪声弱光数据集，图像预处理时通过滑窗法以61×61大小的窗口每隔一定像素截取原图ROI区域；其中，输入图像是分辨率为61×61大小分辨率的单通道图像，卷积填充方式选择为“VALID”，在训练过程中，每个周期训练5000个批次，每个批次含有16张61×61大小尺寸图像，以及对应的16张相同大小的干净正常光照图像，学习率选择为0.001，另外通过设置学习率的衰减速率为0.5，训练达到30个周期时学习率降低到10-7次方以保证学习到一个较好的效果。
进一步的，步骤3中训练网络时，反向传播过程中以最小化损失函数l为目标训练网络模型参数，具体实现方式如下；
设Itrain和Iorigin是一个训练数据对，Itrain是噪声弱光图像，Iorigin是原始无噪声的正常光照图像，Itrain通过不断缩小与Iorigin的差距来训练网络参数W和b；因此对训练图像Itrain∈R3，在反向传播过程中以最小化损失函数l更新网络模型参数，同时l2-norm作为正则化项以防止模型出现过拟合，损失函数的计算公式如下：
l2正则化项表达式为：
其中ls损失表达式如下：
其中，W和b分别表示训练权重和偏置，Iorigin表示原始图像，n表示每一个批次训练图像数量，i表示第i张图像；(x,y)表示图像i对应像素点坐标，σx 2与σy 2分别表示图像i对应像素点(x,y)方差，μx与μy分别表示x和y的协方差，C1，C2分别为常数。
与现有技术相比，本发明的优点和有益效果：本发明提出了一种基于CNN的弱光图像去噪与增强模型，结合了类似自编码器结构在细节重构与残差学习在深层网络模型上优势，通过对原始清晰无噪声图像降亮度值并增加噪声信号，得到弱光和噪声训练数据集。利用损失函数，训练一个图像去噪增强器，对批量图像进行去噪与弱光增强。通过与其他4种方法的对比，本发明模型在BSD68数据集的PSNR和结构相似性(Structural SimilarityIndex，SSIM)值可同时达到25.23dB和0.927，取得优异的效果。最后，采集自然暗光条件下的图像(含多种噪声)，用预训练模型去噪与对比度增强，结果表明本发明所提出模型对自然暗光场景的图像恢复的PSNR和SSIM达到14.03dB和0.423，对比度增强效果明显。
附图说明
图1为本发明流程图。
图2为本发明整体框架图。
图3为本发明实施例设计的残差学习卷积神经网络模型图。
图4为本发明预去噪模块处理流程图。
图5为自然弱光场景图像的实验对比图，其中左侧为正常光照图像，(a)自然弱光与增强后图像对比图，(b)局部细节图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
本发明基于卷积神经网络模型实现弱光图像去噪增强，通过残差学习和自编码器结构的特征有效的提高了图像的增强和去噪能力，模型对输入的弱光噪声图像经过一系列卷积、池化等过程最终学习到一个不含噪声的正常光照图像，然后利用学习好的模型参数可以进行其他图像的去噪增强测试。
如图1所示，本发明提出了一种基于卷积神经网络的联合图像去噪与弱光增强方法，包括以下步骤：
S1：设计残差学习卷积神经网络模型，该模型包括一个预处理模块与4个去噪增强模块和最后单通道输出部分，激活层采用Relu函数。
本发明设计的残差学习卷积神经网络模型是由一个预处理模块和4个去噪增强模块构成，预处理模块包括两个分支，其中一个分支包括依次连接的4个卷积层，另一个分支包括一个卷积层，然后将两个分支的输出结果进行合并作为预处理模块的输出，每一个卷积层的卷积核大小都是3×3，卷积层之后会接着一个激活层。分通道卷积作为图像预处理是利用图像特征差距，既能够提取图像特征又不失图像本身特征的全局信息，可以起到很好的预处理效果，采用3×3卷积既减少了计算量又能够快速提取图像特征。去噪增强模块包括自编码器和残差连接，自编码器包括8个处理层依次连接，分别是卷积层C1、池化层S1、卷积层C2、池化层S2、卷积层C3、上采样层U1、卷积层C4和上采样层U2，其中第一个卷积层C1和最后一个上采样层U2、第二个卷积层C2和倒数第二个上采样层U1、第二个池化层S2和第三个卷积层C3对应尺度跳跃连接，残差学习是对自编码器输出部分和经过双层卷积结构(即卷积层C5、C6)直接相加，最后经过一个激活层。上采样过程保证了输入输出前后图像尺寸不变，并且去噪自编码器在编解码的过程中可以有效去除图像噪声，最后两层卷积层通过残差学习的方式连接，恢复了图像局部细节，同时利用了跳跃连接解决了图像反向传播过程中的梯度消失问题，从而跟更好的重构出了不含噪声的正常光照图像另外，模型中每一个卷积层都会有一个激活层，本模型激活层采用Relu函数，不仅有效保留了神经元特征，而且避免了反向传播过程中的梯度爆炸问题。考虑到单通道灰度图像的特征形式，除了网络最后一层使用一个卷积核输出一个单通道图像，其余各层都是用64个卷积核来提取图像特征，
图2表示模型整体框架，首先，该模型通过一个卷积层将输入特征均匀化，然后通过一个分支结构对图像中噪声信号预处理，再通过四个弱光增强与去噪部分的处理，最后运用单核卷积操作重构出不含噪声的正常光照图像作为模型的输出。
黑色虚线框内表示局部模型结构图。对于输入图像，图像预处理首先分别进行不同卷积核尺寸和层数的卷积操作，然后将两部分特征图叠加以凸显弱光背景下的噪声信号，最后通过单层卷积将特征图输出以实现预去噪处理，有利于对潜在噪声信号的去除。因残差学习在深层CNN中可以有效的学习到弱光特征，本文所设计的图像弱光增强去噪部分是由去噪自编码器结构与残差学习单元组成，自编码器单元在编码解码过程中去除图像噪声，跳跃连接让局部感受野更多的连接原始图像的像素点，可有效恢复预去噪网络中被破坏的局部细节。因残差学习与跳跃连接解决了深层次网络结构在反向传播过程中梯度消失问题，从而更好地重构出原始图像。
考虑到单通道灰度图像的特征形式，除了网络最后一层使用一个卷积核输出一个单通道图像，其余各层都是用64个卷积核来提取图像特征。由于原始图像尺寸过大，且大小不一，为了优化训练过程，选择每一批次输入图像尺寸为61pixels×61pixels，产生方式是在数据集预处理的过程中，设置步长为5pixels，通过61pixels×61pixels大小的滑动窗口在原始图像中产生含有重叠像素的小尺寸图像。训练过程中，每个周期训练5000个批次，每个批次含有16张小尺寸图像。预处理模块与去噪增强模块的具体结构如表1和表2所示。
表1预处理模块结构
表2去噪与增强模块结构
本发明充分利用了去噪自编码器和残差学习的优势，通过选择合适的卷积层和卷积核尺寸以及连接方式保证了模型对不同噪声水平的学习能力，也避免了训练过程中的梯度爆炸、梯度消失和计算量过大等问题。
S2：数据集选取与预处理，并设置该模型网络超参数与训练参数：
本发明选取在图像去噪增强领域常用的BSD500数据集总共500张不含噪声清晰的图像作为训练集中需要学习的图像，然后将这些图像通过添加噪声和光照变换的方式生成相应的噪声弱光数据集，图像预处理时通过滑窗法以61×61大小的窗口每隔一定像素截取原图ROI区域，通过这种方式扩充了数据集提高了模型的泛化能力，下图所示为网络参数的设置，输入图像是分辨率为61×61大小分辨率的单通道图像，另外还需要对模型的学习率和每次训练的图像块数量等超参数设置，为保证卷积前后图像的尺寸一致，卷积填充方式选择为“VALID”。在训练过程中，每个周期训练5000个批次，每个批次含有16张61×61大小尺寸图像，以及对应的16张相同大小的干净正常光照图像，学习率选择为0.001(根据具体训练图像块数量和训练时间选择)，另外通过设置学习率的衰减速率为0.5(根据具体的训练速度和准确率调整)，训练达到30个周期时学习率降低到10-7，可以保证学习到一个较好的效果，另外通过选择部分数量(一般是10-30幅相同大小图像)作为测试集，在每一个训练周期结束对之前训练的模型进行效果预测，并进行微调。
S3：根据设置的网络结构训练网络，端到端的从噪声弱光图像学习到去噪正常光照图像，其中反向传播过程中最小化损失函数为目标训练模型参数；
在训练过程中，含噪声弱光照的图像既要求去除图像噪声信号，又要使得图像像素值提升到正常光照水平。考虑到在这两个因素中，光照条件往往可以在一个较小波动范围中不会对图像质量有很大的影响，而噪声值波动往往会严重影响PSNR值，这会使得模型在训练过程产生错误判断，因此对训练图像Itrain∈R3，在反向传播过程中以最小化损失函数l更新模型参数，同时l2-norm作为正则化项以防止模型出现过拟合，Itrain和Iorigin是一个训练数据对，Itrain是噪声弱光图像，Iorigin是原始无噪声的正常光照图像，Itrain通过不断缩小与Iorigin的差距来训练网络参数W和b。损失函数l的计算公式如下：
l2正则化项表达式为：
其中ls损失表达式如下：
其中，W和b分别表示训练权重和偏置，Iorigin表示原始图像，n表示每一个批次训练图像数量，i表示第i张图像，(x,y)表示图像i对应像素点坐标(包括一张图像上每一个像素点坐标)，σx 2与σx 2分别表示图像i对应像素点(x,y)方差，μx与μy分别表示x和y的协方差，C1，C2分别为常数。本文算法实施中，C1、C2值分别为0.001，1/40。
S4：将测试图像输入到训练好的网络模型中，可得到去噪增强之后的图像。
图5表示自然弱光场景图像的实验对比图。自然场景下采集的图像受多种因素的影响，不仅含有很多种噪声信号、前后景对比度较低，而且局部细节模糊、特征不明显等。为进一步论证本文所提出方法的可靠性，实验中采集自然条件下正常光照与弱光的试验台图像，图5中a行表示自然弱光图像与预训练模型预测图，去噪和增强之后图像的PSNR和SSIM值达到14.03dB、0.423，图像对比度有了明显的提高，对部分噪声有一定的抑制效果，表明本文所提出的深度CNN模型对自然场景的图像恢复有一定的表现能力。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (4)
1.一种基于卷积神经网络的联合图像去噪与弱光增强方法，其特征在于，包括如下步骤：
步骤1，设计残差学习卷积神经网络模型，该模型包括1个预处理模块与4个去噪增强模块和最后单通道输出部分；
其中，预处理模块包括两个分支，其中一个分支包括依次连接的4个卷积层，另一个分支包括一个卷积层，然后将两个分支的输出结果进行合并作为预处理模块的输出，每个卷积层之后连接一个激活层；
去噪增强模块包括自编码器和残差连接，自编码器包括8个处理层依次连接，分别是卷积层C1、池化层S1、卷积层C2、池化层S2、卷积层C3、上采样层U1、卷积层C4和上采样层U2，其中第一个卷积层C1和最后一个上采样层U2、第二个卷积层C2和倒数第二个上采样层U1、第二个池化层S2和第三个卷积层C3对应尺度跳跃连接，残差学习是对自编码器输出部分和经过卷积层C5、卷积层C6的结果直接相加，最后经过一个激活层；
步骤2，数据集选取与预处理，并设置该网络模型超参数与训练参数；
步骤3，根据设置的网络结构训练网络，端到端的从噪声弱光图像学习到去噪正常光照图像；
步骤3中训练网络时，反向传播过程中以最小化损失函数l为目标训练网络模型参数，具体实现方式如下；
设Itrain和Iorigin是一个训练数据对，Itrain是噪声弱光图像，Iorigin是原始无噪声的正常光照图像，Itrain通过不断缩小与Iorigin的差距来训练网络参数W和b；因此对训练图像Itrain∈R3，在反向传播过程中以最小化损失函数l更新网络模型参数，同时l2-norm作为正则化项以防止模型出现过拟合，损失函数的计算公式如下：
l2正则化项表达式为：
其中ls损失表达式如下：
其中，W和b分别表示训练权重和偏置，Iorigin表示原始图像，n表示每一个批次训练图像数量，i表示第i张图像；(x,y)表示图像i对应像素点坐标，σx 2与σy 2分别表示图像i对应像素点(x,y)方差，μx与μy分别表示x和y的协方差，C1，C2分别为常数；
步骤4，将测试图像输入到训练好的网络模型中，得到去噪增强之后的图像。
2.如权利要求1所述的一种基于卷积神经网络的联合图像去噪与弱光增强方法，其特征在于：步骤1中所述预处理模块中的每一个卷积层的卷积核大小都是3×3，卷积核的个数是64，步长为1。
3.如权利要求1所述的一种基于卷积神经网络的联合图像去噪与弱光增强方法，其特征在于：步骤1中所述去噪增强模块中的卷积层C1、卷积层C2、卷积层C3、卷积层C4、卷积层C5、卷积层C6，其卷积核大小都是3×3，卷积核的个数是64，步长为1；池化层S1、池化层S2采用最大池化，步长为2；上采样层U1中卷积核大小为3×3，卷积核的个数是64，步长为1，上采样层U2中卷积核大小为3×3，卷积核的个数是64，步长为2。
4.如权利要求1所述的一种基于卷积神经网络的联合图像去噪与弱光增强方法，其特征在于：步骤2的具体实现方式如下，
选取在图像去噪增强领域常用的BSD500数据集总共500张不含噪声清晰的图像作为训练集中需要学习的图像，然后将这些图像通过添加噪声和光照变换的方式生成相应的噪声弱光数据集，图像预处理时通过滑窗法以61×61大小的窗口每隔一定像素截取原图ROI区域；其中，输入图像是分辨率为61×61大小分辨率的单通道图像，卷积填充方式选择为“VALID”，在训练过程中，每个周期训练5000个批次，每个批次含有16张61×61大小尺寸图像，以及对应的16张相同大小的干净正常光照图像，学习率选择为0.001，另外通过设置学习率的衰减速率为0.5，训练达到30个周期时学习率降低到10-7，以保证学习到一个较好的效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911186575.6A CN111028163B (zh) | 2019-11-28 | 2019-11-28 | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911186575.6A CN111028163B (zh) | 2019-11-28 | 2019-11-28 | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111028163A CN111028163A (zh) | 2020-04-17 |
| CN111028163B true CN111028163B (zh) | 2024-02-27 |
Family
ID=70206983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911186575.6A Active CN111028163B (zh) | 2019-11-28 | 2019-11-28 | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111028163B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11540798B2 (en) | 2019-08-30 | 2023-01-03 | The Research Foundation For The State University Of New York | Dilated convolutional neural network system and method for positron emission tomography (PET) image denoising |
| CN112053291B (zh) * | 2020-07-20 | 2023-04-18 | 清华大学 | 基于深度学习的弱光视频降噪方法及装置 |
| CN111932471B (zh) * | 2020-07-24 | 2022-07-19 | 山西大学 | 用于低照度图像增强的双路曝光度融合网络模型及方法 |
| CN112150338B (zh) * | 2020-09-21 | 2023-12-05 | 清华大学 | 一种神经网络模型图像水印的去除方法 |
| CN112132768A (zh) * | 2020-09-30 | 2020-12-25 | 西京学院 | 一种基于多降噪器联合优化降噪的mri图像降噪方法 |
| CN112617850B (zh) * | 2021-01-04 | 2022-08-30 | 苏州大学 | 心电信号的早搏心拍检测系统 |
| WO2022178834A1 (zh) * | 2021-02-26 | 2022-09-01 | 深圳市大疆创新科技有限公司 | 一种图像处理的方法和装置 |
| CN112991227B (zh) * | 2021-04-15 | 2022-09-09 | 中国人民解放军国防科技大学 | 基于U-net++网络的弱光图像增强方法和装置 |
| CN112926555B (zh) * | 2021-04-28 | 2022-07-26 | 南京邮电大学 | 一种基于自编码器数据增强的小样本无源行为感知方法 |
| CN113012153A (zh) * | 2021-04-30 | 2021-06-22 | 武汉纺织大学 | 一种铝型材瑕疵检测方法 |
| CN113643202B (zh) * | 2021-07-29 | 2024-07-12 | 南京景曜智能科技有限公司 | 一种基于噪声注意力图指导的微光图像增强方法 |
| CN114004761B (zh) * | 2021-10-29 | 2024-07-02 | 福州大学 | 一种融合深度学习夜视增强与滤波降噪的图像优化方法 |
| CN114331967A (zh) * | 2021-12-02 | 2022-04-12 | 稀科视科技(珠海)有限公司 | 一种视觉采集图像品检方法及系统 |
| CN114494047B (zh) * | 2022-01-11 | 2024-04-02 | 辽宁师范大学 | 一种基于双增强残差网络的生物图像去噪方法 |
| CN114663307B (zh) * | 2022-03-22 | 2023-07-04 | 哈尔滨工业大学 | 基于不确定性网络的集成图像去噪系统 |
| CN114972061B (zh) * | 2022-04-04 | 2024-05-31 | 北京理工大学 | 一种暗光视频去噪增强方法及系统 |
| CN115063434B (zh) * | 2022-05-12 | 2024-06-04 | 北京理工大学 | 一种基于特征去噪的低弱光图像实例分割方法及系统 |
| CN115829868B (zh) * | 2022-11-28 | 2023-10-03 | 三亚学院 | 基于光照与噪声残差图的水下暗光图像增强方法 |
| CN117495700B (zh) * | 2023-09-22 | 2024-08-16 | 深圳光现科技有限公司 | 一种光器件接收信号处理方法 |
| CN117575943B (zh) * | 2023-12-13 | 2024-07-19 | 四川新视创伟超高清科技有限公司 | 一种对比度增强与降噪相结合的4k暗光图像增强方法 |
| CN117952869B (zh) * | 2024-03-27 | 2024-06-18 | 西南石油大学 | 一种基于弱光图像增强的钻井液岩屑计数方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204467A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于级联残差神经网络的图像去噪方法 |
| CN107784654A (zh) * | 2016-08-26 | 2018-03-09 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置及全卷积网络系统 |
| CN108447036A (zh) * | 2018-03-23 | 2018-08-24 | 北京大学 | 一种基于卷积神经网络的低光照图像增强方法 |
| CN108876737A (zh) * | 2018-06-06 | 2018-11-23 | 武汉大学 | 一种联合残差学习和结构相似度的图像去噪方法 |
| CN109087269A (zh) * | 2018-08-21 | 2018-12-25 | 厦门美图之家科技有限公司 | 弱光图像增强方法及装置 |
| CN109410129A (zh) * | 2018-09-28 | 2019-03-01 | 大连理工大学 | 一种低光照图像场景理解的方法 |
| CN109614996A (zh) * | 2018-11-28 | 2019-04-12 | 桂林电子科技大学 | 基于生成对抗网络的弱可见光与红外图像融合的识别方法 |
| 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 |
| CN109785252A (zh) * | 2018-12-25 | 2019-05-21 | 山西大学 | 基于多尺度残差密集网络夜间图像增强方法 |
| CN110020684A (zh) * | 2019-04-08 | 2019-07-16 | 西南石油大学 | 一种基于残差卷积自编码网络的图像去噪方法 |
| CN110163815A (zh) * | 2019-04-22 | 2019-08-23 | 桂林电子科技大学 | 基于多阶段变分自编码器的低照度还原方法 |
| CN110232661A (zh) * | 2019-05-03 | 2019-09-13 | 天津大学 | 基于Retinex和卷积神经网络的低光照彩色图像增强方法 |
| CN110288555A (zh) * | 2019-07-02 | 2019-09-27 | 桂林电子科技大学 | 一种基于改进的胶囊网络的低照度增强方法 |
| KR20190119548A (ko) * | 2019-10-02 | 2019-10-22 | 엘지전자 주식회사 | 이미지 노이즈 처리방법 및 처리장치 |
| CN110458844A (zh) * | 2019-07-22 | 2019-11-15 | 大连理工大学 | 一种低光照场景的语义分割方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9888240B2 (en) * | 2013-04-29 | 2018-02-06 | Apple Inc. | Video processors for preserving detail in low-light scenes |
| US9460505B2 (en) * | 2013-08-22 | 2016-10-04 | Digimarc Corporation | Detection of weak specks from imagery |
-
2019
- 2019-11-28 CN CN201911186575.6A patent/CN111028163B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204467A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于级联残差神经网络的图像去噪方法 |
| CN107784654A (zh) * | 2016-08-26 | 2018-03-09 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置及全卷积网络系统 |
| CN108447036A (zh) * | 2018-03-23 | 2018-08-24 | 北京大学 | 一种基于卷积神经网络的低光照图像增强方法 |
| CN108876737A (zh) * | 2018-06-06 | 2018-11-23 | 武汉大学 | 一种联合残差学习和结构相似度的图像去噪方法 |
| CN109087269A (zh) * | 2018-08-21 | 2018-12-25 | 厦门美图之家科技有限公司 | 弱光图像增强方法及装置 |
| CN109410129A (zh) * | 2018-09-28 | 2019-03-01 | 大连理工大学 | 一种低光照图像场景理解的方法 |
| CN109614996A (zh) * | 2018-11-28 | 2019-04-12 | 桂林电子科技大学 | 基于生成对抗网络的弱可见光与红外图像融合的识别方法 |
| CN109785252A (zh) * | 2018-12-25 | 2019-05-21 | 山西大学 | 基于多尺度残差密集网络夜间图像增强方法 |
| 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 |
| CN110020684A (zh) * | 2019-04-08 | 2019-07-16 | 西南石油大学 | 一种基于残差卷积自编码网络的图像去噪方法 |
| CN110163815A (zh) * | 2019-04-22 | 2019-08-23 | 桂林电子科技大学 | 基于多阶段变分自编码器的低照度还原方法 |
| CN110232661A (zh) * | 2019-05-03 | 2019-09-13 | 天津大学 | 基于Retinex和卷积神经网络的低光照彩色图像增强方法 |
| CN110288555A (zh) * | 2019-07-02 | 2019-09-27 | 桂林电子科技大学 | 一种基于改进的胶囊网络的低照度增强方法 |
| CN110458844A (zh) * | 2019-07-22 | 2019-11-15 | 大连理工大学 | 一种低光照场景的语义分割方法 |
| KR20190119548A (ko) * | 2019-10-02 | 2019-10-22 | 엘지전자 주식회사 | 이미지 노이즈 처리방법 및 처리장치 |
Non-Patent Citations (7)
| Title |
|---|
| LightenNet: A Convolutional Neural Network for weakly illuminated image enhancement;Chongyi Li et al;Pattern Recognition Letters;20180331;第104卷;15-22 * |
| 刘超，等.超低照度下微光图像增强神经网络损失函数设计分析.国防科技大学学报.2018,(第04期),67-73. * |
| 刘超，等.超低照度下微光图像的深度卷积自编码网络复原.光学精密工程.2018,(第04期),951-961. * |
| 基于卷积神经网络的实时环境光遮蔽计算;郭雨潇等;计算机应用研究;20180412(第06期);289-292+302 * |
| 多尺度卷积神经网络的噪声模糊图像盲复原;刘鹏飞等;红外与激光工程;20190408(第04期);300-308 * |
| 结合深度残差学习和感知损失的图像去噪;吴从中等;中国图象图形学报;20181016(第10期);55-63 * |
| 陈清江，等.一种基于信息保留网络的图像去噪算法.应用光学.2019,(第03期),440-446. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111028163A (zh) | 2020-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111028163B (zh) | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 | |
| CN114140353B (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 | |
| Dong et al. | Deep spatial–spectral representation learning for hyperspectral image denoising | |
| CN111539879B (zh) | 基于深度学习的视频盲去噪方法及装置 | |
| CN111127336B (zh) | 一种基于自适应选择模块的图像信号处理方法 | |
| CN111028177B (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
| Wang et al. | MAGAN: Unsupervised low-light image enhancement guided by mixed-attention | |
| CN112270654A (zh) | 基于多通道gan的图像去噪方法 | |
| CN112164011A (zh) | 基于自适应残差与递归交叉注意力的运动图像去模糊方法 | |
| Min et al. | Blind deblurring via a novel recursive deep CNN improved by wavelet transform | |
| CN114219722A (zh) | 一种利用时频域层级处理的低光照图像增强方法 | |
| CN116051428A (zh) | 一种基于深度学习的联合去噪与超分的低光照图像增强方法 | |
| CN115170410A (zh) | 融合小波变换和注意力机制的图像增强方法及装置 | |
| CN116012243A (zh) | 面向真实场景的暗光图像增强去噪方法、系统和存储介质 | |
| CN114723630A (zh) | 基于空洞双残差多尺度深度网络的图像去模糊方法及系统 | |
| CN114202460B (zh) | 面对不同损伤图像的超分辨率高清重建方法和系统及设备 | |
| CN117422653A (zh) | 一种基于权重共享和迭代数据优化的低光照图像增强方法 | |
| CN114155161B (zh) | 图像去噪方法、装置、电子设备与存储介质 | |
| CN115272072A (zh) | 一种基于多特征图像融合的水下图像超分辨率方法 | |
| CN117911302A (zh) | 一种基于条件扩散模型的水下低照度图像增强方法 | |
| CN116645281A (zh) | 一种基于多阶段拉普拉斯特征融合的微光图像增强方法 | |
| CN116452431A (zh) | 基于多分支渐进式深度网络的弱光图像增强方法 | |
| Xu et al. | Deep residual convolutional network for natural image denoising and brightness enhancement | |
| CN115018717A (zh) | 一种改进Retinex-Net低照度及暗视觉图像增强方法 | |
| CN113362241A (zh) | 一种结合高低频分解和两级融合策略的深度图去噪方法 |
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 |