CN115829870A - 一种基于可变尺度滤波的图像去噪方法 - Google Patents
一种基于可变尺度滤波的图像去噪方法 Download PDFInfo
- Publication number
- CN115829870A CN115829870A CN202211557431.9A CN202211557431A CN115829870A CN 115829870 A CN115829870 A CN 115829870A CN 202211557431 A CN202211557431 A CN 202211557431A CN 115829870 A CN115829870 A CN 115829870A
- Authority
- CN
- China
- Prior art keywords
- noise
- filtering
- picture
- kernel
- clear
- 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.)
- Withdrawn
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 235000002566 Capsicum Nutrition 0.000 description 3
- 239000006002 Pepper Substances 0.000 description 3
- 241000722363 Piper Species 0.000 description 3
- 235000016761 Piper aduncum Nutrition 0.000 description 3
- 235000017804 Piper guineense Nutrition 0.000 description 3
- 235000008184 Piper nigrum Nutrition 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于可变尺度滤波的图像去噪方法,首先进行数据集制作;再构建基于可变尺度滤波的图像去噪网络模型;通过获取的数据集训练图像去噪网络模型。最后经过训练的网络模型接收需要进行去噪处理的图片,完成去噪处理后将图片输出。本发明设计了滤波核尺寸估计分支,并在此基础上设计逐像素点滤波,实现数字图像去噪;通过滤波核尺寸估计模块可以动态改变滤波核的有效滤波范围。本发明创新的提出了一种基于可变尺度滤波的图像去噪模型,该模型将基于可变尺度滤波的图像去噪方法用卷积网络表示,取得了令人满意的数字图像去噪效果。
Description
技术领域
本发明涉及一种基于可变尺度滤波的图像去噪方法,尤其涉及基于深度学习技术的图像去噪效果处理领域。
背景技术
大多数图像处理应用都涉及去噪,这是其最广泛的应用之一。图像去噪的目的是通过去除不需要的噪声,尽可能地恢复原始图像的细节。数字图像容易受到各种噪声的影响,影响图像质量。常见的噪声类型包括脉冲噪声和椒盐噪声。去除椒盐噪声一般采用中值滤波算法,但是中值滤波算法在处理方差较大的噪声时会损坏原始数字图像的边缘或细节信息,从而会间接的引入其他噪声。另外,不同的噪声类型所需要的滤波算法是不同的。
随着深度学习技术在图像处理领域的快速发展,研究人员提出了一系列基于深度卷积神经网络的图像去噪模型,端到端的网络模型能应对多种常见的噪声,还能处理一些细节损失。另外,研究人员提出用深度卷积搭建滤波模型来效仿数字滤波过程,但是不同的滤波核尺寸在处理图片噪声时会呈现出部分区域去噪效果好,而部分区域同类型噪声依然存在的现象,例如尺寸为11*11的滤波核和尺寸为5*5的滤波核在处理同一区域的椒盐噪声时,其结果往往是不同的。因此,本专利提出了一种基于可变尺度滤波的图像去噪算法,用于对数字图片进行去噪。
发明内容
针对上述的基于传统数字滤波方法针对单一噪声类型,针对复合噪声效率不高;而基于深度学习模型的固定尺寸滤波核去噪算法,对不同类型的噪声适应性不强的问题,本发明提出了一种基于可变尺度滤波的图像去噪方法,用于对数字图片进行去噪。
实现步骤:本发明提出了一种基于可变尺度滤波的图像去噪方法,其基本步骤为:
步骤1:数据集制作;
建立步骤2中网络训练需要的图像数据集。
步骤2:构建基于可变尺度滤波的图像去噪网络模型;
步骤3:通过步骤1获取的数据集训练图像去噪网络模型;
步骤4:经过训练的网络模型接收需要进行去噪处理的图片,完成去噪处理后将图片输出。
进一步的,步骤1具体方法如下:
下载公开数据集NYUv2数据集,原始NYUv2数据集包含30000张不同场景的清晰图片。对数据集中所有的清晰图片添加均值为0,方差为15的高斯噪声来生成与清晰图片对应的噪声图片。经过噪声处理,数据集包含30000组不同场景的图片,每一组图片包含两张图像,即分别为带有噪点的噪声图片Inoise和原始的清晰图片Iclear。其中噪声图片Inoise作为网络模型训练过程中的输入图像数据,而原始的清晰图片Iclear作为网络模型训练过程中的用于与模型预测图像Ipred进行对比的参考图像。
进一步的,步骤2具体方法如下:
步骤2.1:基于可变尺度滤波的图像去噪任务理论建模。
假设输入是一张带有噪点的噪声图片Inoise。其次,利用可变尺度滤波算法对噪声图片Inoise进行可变尺度滤波核f估计。最后,利用估计的可变尺度滤波核对噪声图片Inoise进行逐点滤波,得到所需要的经过去噪处理的清晰图片Iclear。
基于可变尺度滤波的图像去噪任务的理论模型可以用公式表示为:
Inoise=Iclear+N (1)
Iclear=Inoise-N (2)
Iclear=VF(Inoise) (3)
其中N表示图片具有的未知类型的噪声,图像去噪需要估计噪声分布N并在像素域去除图片噪声;VF表示可变尺度滤波算法,对输入噪声图片Inoise应用可变尺度滤波算法,从而得到清晰图片Iclear,具体表示为:
其中表示对清晰图片Iclear中坐标为(i,j)的像素点进行邻域采样,k表示对坐标(i,j)像素点的采样尺寸,(m,n)表示坐标(i,j)像素点对应的邻域像素点,K表示人工设定的滤波核尺寸的最大阈值,f(i,j)表示VF可变尺度滤波算法在坐标(i,j)像素点预测的滤波核,F表示使用预测的滤波核进行逐点滤波。
步骤2.2:构建基于可变尺度滤波的图像去噪网络模型。
网络模型包含滤波核尺寸估计分支,滤波核参数估计分支和滤波去噪分支。
滤波核尺寸估计分支用于动态估计有效滤波范围k,用于对后续滤波核估计进行尺寸限制。滤波核参数估计分支的输入包含滤波核尺寸估计分支输出的滤波范围k,用于生成去噪所需要的可变尺度滤波核f。滤波去噪分支的输入由滤波核参数估计分支的输出和噪声图片Inoise组成,对输入的噪声图片Inoise应用估计的可变尺度滤波核f进行去噪得到需要的清晰图片Iclear。
进一步的,各个分支具体结构需要利用残差块进行特征提取,其具体结构如下:残差块的输入特征图Xres依次经过2个卷积核数量为64,卷积核大小为3*3的卷积层后得到输出特征图X′res。最后将输出X′res和输入Xres逐元素相加,得到残差模块的最终输出特征图Xres-out。其中所有的卷积层后都连接一个ReLU非线性激活函数。
1)滤波核尺寸估计分支具体结构:输入噪声图片Inoise首先经过1个卷积核数量为64,卷积核大小为3*3的卷积层后得到浅层尺寸特征信息浅层尺寸特征信息经过N1个残差块后得到深层尺寸信息深层尺寸信息依次经过1个卷积核数量为K2,卷积核大小为3*3的卷积层,以及符号激活函数Sign后得到初始的估计滤波核尺寸特征信息再对估计滤波核尺寸特征信息参数进行二值化处理,并将非0值沿着通道维度进行排序,得到最终的估计滤波核尺寸特征信息其中
2)滤波核参数估计分支具体结构:输入噪声图片Inoise首先经过1个卷积核数量为64,卷积核大小为3*3的卷积层后得到浅层参数特征信息浅层参数输出特征信息经过N2个残差块后得到深层参数信息深层参数特征信息经过1个卷积核数量为K2,卷积核大小为3*3的卷积层后得到初始的估计滤波核参数特征信息将滤波核尺寸估计分支的输出的滤波核尺寸特征信息与估计滤波核参数特征信息进行点乘,得到最终的可变尺度滤波核f。其中
3)滤波去噪分支具体结构:滤波去噪分支的输入包含噪声图片Inoise和滤波核参数估计分支估计的可变尺度滤波核f。根据公式(4)、(5)利用可变尺度滤波核f对噪声图片Inoise进行逐点滤波,得到需要的清晰图片Iclear。
完整网络的具体结构如下:
网络模型包含滤波核尺寸估计分支,滤波核参数估计分支和滤波去噪分支。网络的初始输入为1生成的噪声图片Inoise;噪声图片Inoise一方面会经过滤波核尺寸估计分支和滤波核参数估计分支得到估计的可变尺度滤波核f,另一方面作为滤波去噪分支的输入,等待去噪处理。其中滤波核尺寸估计分支的输出会辅助滤波核参数估计分支进行滤波核估计,而估计的可变尺度滤波核f的最大尺寸为将噪声图片Inoise和可变尺度滤波核f共同输入到滤波去噪分支,对噪声图片Inoise应用逐通道卷积处理,而逐通道卷积处理使用的卷积核为可变尺度滤波核f,噪声图片Inoise经过可变尺度滤波核f处理得到所需要的清晰图片Iclear。
进一步的,步骤3具体方法如下:
网络模型的训练方式为:首先输入步骤1中制作的噪声图片Inoise;然后,通过设计的滤波核尺寸估计分支和滤波核参数估计分支得到估计的滤波核f;其次,利用估计的滤波核f对噪声图片Inoise进行滤波处理,得到所需要的经过去噪处理的图片Ipred;最后,利用损失函数不断优化模型输出的经过去噪处理的图片Ipred,使其逐渐相似于步骤1构建的数据集中的真实的清晰图片Iclear。
训练过程中,损失函数L采用L1函数,提高模型输出图片Ipred与对比图片Iclear之间的结构相似性,并利用深度学习的反向传播,不断减小模型输出预测图片Ipred和参考图片Iclear之间的差异,从而实现网络模型输出的预测图片Ipred的优化,其具体表示为:
L=L1(Ipred,Iclear)
进一步的,步骤4具体方法如下:
首先,加载由步骤3训练完成的网络模型权重,更新模型中的参数。其次,将需要进行去噪处理的图片作为输入数据传入到网络模型中,输入数据依次经过滤波核尺寸估计分支,滤波核参数估计分支和滤波去噪分支,得到经过去噪处理的模型输出图片Ipred。
本发明有益效果如下:
1.创新的提出了一种基于可变尺度滤波的图像去噪方法,该方法设计滤波核尺寸估计分支,并在此基础上设计逐像素点滤波,实现数字图像去噪。
2.创新的提出了基于深度学习的滤波核尺寸估计分支,该模块可以动态改变滤波核的有效滤波范围。
3.创新的提出了一种基于可变尺度滤波的图像去噪模型,该模型将基于可变尺度滤波的图像去噪方法用卷积网络表示,取得了令人满意的数字图像去噪效果。
附图说明:
图1为本发明的方法流程示意图;
图2为基于可变尺度滤波的图像去噪流程图;
图3为基于可变尺度滤波的图像去噪网络结构图。
具体实施方式:
为了使本发明的目的、技术方案及优点更加清楚明白,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仅用以解释本发明,并不用于限定本发明。
本发明首先进行以下定义及说明:
Inoise:噪声图片
Iclear:真实的清晰图片
Ipred:去噪网络模型的输出图片
f:滤波核参数估计分支估计的可变尺度滤波核
如图1-3所示,本发明提出了一种基于可变尺度滤波的图像去噪方法,其基本步骤为:
步骤1:数据集制作;
建立步骤2中网络训练需要的图像数据集。下载公开数据集NYUv2数据集,原始NYUv2数据集包含30000张不同场景的清晰图片。对数据集中所有的清晰图片添加均值为0,方差为15的高斯噪声来生成与清晰图片对应的噪声图片。经过噪声处理,数据集包含30000组不同场景的图片,每一组图片包含两张图像,即分别为带有噪点的噪声图片Inoise和原始的清晰图片Iclear。其中噪声图片Inoise作为网络模型训练过程中的输入图像数据,而原始的清晰图片Iclear作为网络模型训练过程中的用于与模型预测图像Ipred进行对比的参考图像。
步骤2:构建基于可变尺度滤波的图像去噪网络模型;
步骤2.1:基于可变尺度滤波的图像去噪任务理论建模。
假设输入是一张带有噪点的噪声图片Inoise。其次,利用可变尺度滤波算法对噪声图片Inoise进行可变尺度滤波核f估计。最后,利用估计的可变尺度滤波核对噪声图片Inoise进行逐点滤波,得到所需要的经过去噪处理的清晰图片Iclear。
基于可变尺度滤波的图像去噪任务的理论模型可以用公式表示为:
Inoise=Iclear+N (1)
Iclear=Inoise-N (2)
Iclear=VF(Inoise) (3)
其中N表示图片具有的未知类型的噪声,图像去噪需要估计噪声分布N并在像素域去除图片噪声;VF表示可变尺度滤波算法,对输入噪声图片Inoise应用可变尺度滤波算法,从而得到清晰图片Iclear,具体表示为:
其中表示对清晰图片Iclear中坐标为(i,j)的像素点进行邻域采样,k表示对坐标(i,j)像素点的采样尺寸,(m,n)表示坐标(i,j)像素点对应的邻域像素点,K表示人工设定的滤波核尺寸的最大阈值,f(i,j)表示VF可变尺度滤波算法在坐标(i,j)像素点预测的滤波核,F表示使用预测的滤波核进行逐点滤波。
步骤2.2:构建基于可变尺度滤波的图像去噪网络模型。
网络模型包含滤波核尺寸估计分支,滤波核参数估计分支和滤波去噪分支。
滤波核尺寸估计分支用于动态估计有效滤波范围k,用于对后续滤波核估计进行尺寸限制。滤波核参数估计分支的输入包含滤波核尺寸估计分支输出的滤波范围k,用于生成去噪所需要的可变尺度滤波核f。滤波去噪分支的输入由滤波核参数估计分支的输出和噪声图片Inoise组成,对输入的噪声图片Inoise应用估计的可变尺度滤波核f进行去噪得到需要的清晰图片Iclear。
各个分支具体结构需要利用残差块进行特征提取,其具体结构如下:残差块的输入特征图Xres依次经过2个卷积核数量为64,卷积核大小为3*3的卷积层后得到输出特征图X′res。最后将输出X′res和输入Xres逐元素相加,得到残差模块的最终输出特征图Xres-out。其中所有的卷积层后都连接一个ReLU非线性激活函数。
此外,本专利提出的基于可变尺度滤波的图像去噪算方法在统一尺度上进行处理,故预先定义输入噪声图片Inoise的尺寸为高H*宽W*通道3。后续处理过程中,各个阶段的特征图的空间分辨率均为高H*宽W。
1)滤波核尺寸估计分支具体结构:输入噪声图片Inoise首先经过1个卷积核数量为64,卷积核大小为3*3的卷积层后得到浅层尺寸特征信息浅层尺寸特征信息经过N1个残差块后得到深层尺寸信息深层尺寸信息依次经过1个卷积核数量为K2,卷积核大小为3*3的卷积层,以及符号激活函数Sign后得到初始的估计滤波核尺寸特征信息再对估计滤波核尺寸特征信息参数进行二值化处理,并将非0值沿着通道维度进行排序,得到最终的估计滤波核尺寸特征信息其中
2)滤波核参数估计分支具体结构:输入噪声图片Inoise首先经过1个卷积核数量为64,卷积核大小为3*3的卷积层后得到浅层参数特征信息浅层参数输出特征信息经过N2个残差块后得到深层参数信息深层参数特征信息经过1个卷积核数量为K2,卷积核大小为3*3的卷积层后得到初始的估计滤波核参数特征信息将滤波核尺寸估计分支的输出的滤波核尺寸特征信息与估计滤波核参数特征信息行点乘,得到最终的可变尺度滤波核f。其中
3)滤波去噪分支具体结构:滤波去噪分支的输入包含噪声图片Inoise和滤波核参数估计分支估计的可变尺度滤波核f。根据公式(4)、(5)利用可变尺度滤波核f对噪声图片Inoise进行逐点滤波,得到需要的清晰图片Iclear。
完整网络的具体结构如下:
网络模型包含滤波核尺寸估计分支,滤波核参数估计分支和滤波去噪分支。网络的初始输入为1生成的噪声图片Inoise;噪声图片Inoise一方面会经过滤波核尺寸估计分支和滤波核参数估计分支得到估计的可变尺度滤波核f,另一方面作为滤波去噪分支的输入,等待去噪处理。其中滤波核尺寸估计分支的输出会辅助滤波核参数估计分支进行滤波核估计,而估计的可变尺度滤波核f的最大尺寸为将噪声图片Inoise和可变尺度滤波核f共同输入到滤波去噪分支,对噪声图片Inoise应用逐通道卷积处理,而逐通道卷积处理使用的卷积核为可变尺度滤波核f,噪声图片Inoise经过可变尺度滤波核f处理得到所需要的清晰图片Iclear。
步骤3:通过步骤1获取的数据集训练图像去噪网络模型;
网络模型的训练方式为:首先输入步骤1中制作的噪声图片Inoise;然后,通过设计的滤波核尺寸估计分支和滤波核参数估计分支得到估计的滤波核f;其次,利用估计的滤波核f对噪声图片Inoise进行滤波处理,得到所需要的经过去噪处理的图片Ipred;最后,利用损失函数不断优化模型输出的经过去噪处理的图片Ipred,使其逐渐相似于步骤1构建的数据集中的真实的清晰图片Iclear。
训练过程中,损失函数L采用L1函数,提高模型输出图片Ipred与对比图片Iclear之间的结构相似性,并利用深度学习的反向传播,不断减小模型输出预测图片Ipred和参考图片Iclear之间的差异,从而实现网络模型输出的预测图片Ipred的优化,其具体表示为:
L=L1(Ipred,Iclear)
步骤4:经过训练的网络模型接收需要进行去噪处理的图片,完成去噪处理后将图片输出;
首先,加载由步骤3训练完成的网络模型权重,更新模型中的参数。其次,将需要进行去噪处理的图片作为输入数据传入到网络模型中,输入数据依次经过滤波核尺寸估计分支,滤波核参数估计分支和滤波去噪分支,得到经过去噪处理的模型输出图片Ipred。
以上内容是结合具体/优选的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,在不脱离本发明构思的前提下,其还可以对这些已描述的实施方式做出若干替代或变型,而这些替代或变型方式都应当视为属于本发明的保护范围。
本发明未详细说明部分属于本领域技术人员公知技术。
Claims (6)
1.一种基于可变尺度滤波的图像去噪方法,其特征在于,步骤如下:
步骤1:数据集制作;
建立步骤2中网络训练需要的图像数据集;
步骤2:构建基于可变尺度滤波的图像去噪网络模型;
步骤3:通过步骤1获取的数据集训练图像去噪网络模型;
步骤4:经过训练的网络模型接收需要进行去噪处理的图片,完成去噪处理后将图片输出。
2.根据权利要求1所述的一种基于可变尺度滤波的图像去噪方法,其特征在于,步骤1具体方法如下:
下载公开数据集NYUv2数据集,原始NYUv2数据集包含30000张不同场景的清晰图片;对数据集中所有的清晰图片添加均值为0,方差为15的高斯噪声来生成与清晰图片对应的噪声图片;经过噪声处理,数据集包含30000组不同场景的图片,每一组图片包含两张图像,即分别为带有噪点的噪声图片Inoise和原始的清晰图片Iclear;其中噪声图片Inoise作为网络模型训练过程中的输入图像数据,而原始的清晰图片Iclear作为网络模型训练过程中的用于与模型预测图像Ipred进行对比的参考图像。
3.根据权利要求2所述的一种基于可变尺度滤波的图像去噪方法,其特征在于,步骤2具体方法如下:
步骤2.1:基于可变尺度滤波的图像去噪任务理论建模;
假设输入是一张带有噪点的噪声图片Inoise;其次,利用可变尺度滤波算法对噪声图片Inoise进行可变尺度滤波核f估计;最后,利用估计的可变尺度滤波核对噪声图片Inoise进行逐点滤波,得到所需要的经过去噪处理的清晰图片Iclear;
基于可变尺度滤波的图像去噪任务的理论模型可以用公式表示为:
Inoise=Iclear+N (1)
Iclear=Inoise-N (2)
Iclear=VF(Inoise) (3)
其中N表示图片具有的未知类型的噪声,图像去噪需要估计噪声分布N并在像素域去除图片噪声;VF表示可变尺度滤波算法,对输入噪声图片Inoise应用可变尺度滤波算法,从而得到清晰图片Iclear,具体表示为:
其中表示对清晰图片Iclear中坐标为(i,j)的像素点进行邻域采样,k表示对坐标(i,j)像素点的采样尺寸,(m,n)表示坐标(i,j)像素点对应的邻域像素点,K表示人工设定的滤波核尺寸的最大阈值,f(i,j)表示VF可变尺度滤波算法在坐标(i,j)像素点预测的滤波核,F表示使用预测的滤波核进行逐点滤波;
步骤2.2:构建基于可变尺度滤波的图像去噪网络模型;
网络模型包含滤波核尺寸估计分支,滤波核参数估计分支和滤波去噪分支;
滤波核尺寸估计分支用于动态估计有效滤波范围k,用于对后续滤波核估计进行尺寸限制;滤波核参数估计分支的输入包含滤波核尺寸估计分支输出的滤波范围k,用于生成去噪所需要的可变尺度滤波核f;滤波去噪分支的输入由滤波核参数估计分支的输出和噪声图片Inoise组成,对输入的噪声图片Inoise应用估计的可变尺度滤波核f进行去噪得到需要的清晰图片Iclear。
4.根据权利要求3所述的一种基于可变尺度滤波的图像去噪方法,其特征在于,各个分支具体结构需要利用残差块进行特征提取,其具体结构如下:残差块的输入特征图Xres依次经过2个卷积核数量为64,卷积核大小为3*3的卷积层后得到输出特征图X'res;最后将输出X'res和输入Xres逐元素相加,得到残差模块的最终输出特征图Xres-out;其中所有的卷积层后都连接一个ReLU非线性激活函数;
1)滤波核尺寸估计分支具体结构:输入噪声图片Inoise首先经过1个卷积核数量为64,卷积核大小为3*3的卷积层后得到浅层尺寸特征信息浅层尺寸特征信息经过N1个残差块后得到深层尺寸信息深层尺寸信息依次经过1个卷积核数量为K2,卷积核大小为3*3的卷积层,以及符号激活函数Sign后得到初始的估计滤波核尺寸特征信息再对估计滤波核尺寸特征信息参数进行二值化处理,并将非0值沿着通道维度进行排序,得到最终的估计滤波核尺寸特征信息其中
2)滤波核参数估计分支具体结构:输入噪声图片Inoise首先经过1个卷积核数量为64,卷积核大小为3*3的卷积层后得到浅层参数特征信息浅层参数输出特征信息经过N2个残差块后得到深层参数信息深层参数特征信息经过1个卷积核数量为K2,卷积核大小为3*3的卷积层后得到初始的估计滤波核参数特征信息将滤波核尺寸估计分支的输出的滤波核尺寸特征信息与估计滤波核参数特征信息进行点乘,得到最终的可变尺度滤波核f。其中
3)滤波去噪分支具体结构:滤波去噪分支的输入包含噪声图片Inoise和滤波核参数估计分支估计的可变尺度滤波核f;根据公式(4)、(5)利用可变尺度滤波核f对噪声图片Inoise进行逐点滤波,得到需要的清晰图片Iclear;
完整网络的具体结构如下:
5.根据权利要求3或4所述的一种基于可变尺度滤波的图像去噪方法,其特征在于,步骤3具体方法如下:
网络模型的训练方式为:首先输入步骤1中制作的噪声图片Inoise;然后,通过设计的滤波核尺寸估计分支和滤波核参数估计分支得到估计的滤波核f;其次,利用估计的滤波核f对噪声图片Inoise进行滤波处理,得到所需要的经过去噪处理的图片Ipred;最后,利用损失函数不断优化模型输出的经过去噪处理的图片Ipred,使其逐渐相似于步骤1构建的数据集中的真实的清晰图片Iclear;
训练过程中,损失函数L采用L1函数,提高模型输出图片Ipred与对比图片Iclear之间的结构相似性,并利用深度学习的反向传播,不断减小模型输出预测图片Ipred和参考图片Iclear之间的差异,从而实现网络模型输出的预测图片Ipred的优化,其具体表示为:
L=L1(Ipred,Iclear)。
6.根据权利要求5所述的一种基于可变尺度滤波的图像去噪方法,其特征在于,步骤4具体方法如下:
首先,加载由步骤3训练完成的网络模型权重,更新模型中的参数;其次,将需要进行去噪处理的图片作为输入数据传入到网络模型中,输入数据依次经过滤波核尺寸估计分支,滤波核参数估计分支和滤波去噪分支,得到经过去噪处理的模型输出图片Ipred。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211557431.9A CN115829870A (zh) | 2022-12-06 | 2022-12-06 | 一种基于可变尺度滤波的图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211557431.9A CN115829870A (zh) | 2022-12-06 | 2022-12-06 | 一种基于可变尺度滤波的图像去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115829870A true CN115829870A (zh) | 2023-03-21 |
Family
ID=85544268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211557431.9A Withdrawn CN115829870A (zh) | 2022-12-06 | 2022-12-06 | 一种基于可变尺度滤波的图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115829870A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883370A (zh) * | 2023-07-18 | 2023-10-13 | 西藏净微检测技术有限公司 | 一种农产品外观质量检测系统 |
-
2022
- 2022-12-06 CN CN202211557431.9A patent/CN115829870A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883370A (zh) * | 2023-07-18 | 2023-10-13 | 西藏净微检测技术有限公司 | 一种农产品外观质量检测系统 |
CN116883370B (zh) * | 2023-07-18 | 2024-02-20 | 西藏净微检测技术有限公司 | 一种农产品外观质量检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859147B (zh) | 一种基于生成对抗网络噪声建模的真实图像去噪方法 | |
CN110599409B (zh) | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 | |
CN108229525B (zh) | 神经网络训练及图像处理方法、装置、电子设备和存储介质 | |
CN110276726B (zh) | 一种基于多通道网络先验信息引导的图像去模糊方法 | |
CN108765330B (zh) | 基于全局和局部先验联合约束的图像去噪方法和装置 | |
CN108416753B (zh) | 一种基于非参数化交替方向乘子法的图像去噪算法 | |
CN111028163A (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 | |
CN110533614B (zh) | 一种结合频域和空域的水下图像增强方法 | |
CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
CN110992295B (zh) | 基于小波-red卷积神经网络的低剂量ct重建方法 | |
CN110782406B (zh) | 一种基于信息蒸馏网络的图像去噪方法及装置 | |
CN111738954B (zh) | 一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法 | |
CN112132758A (zh) | 基于非对称光学系统点扩散函数模型的图像复原方法 | |
CN112991199A (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
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 | |
CN115829870A (zh) | 一种基于可变尺度滤波的图像去噪方法 | |
CN112991198A (zh) | 一种基于噪声建模的盲去噪方法 | |
Patil et al. | Bilateral filter for image denoising | |
CN114862711B (zh) | 基于双重互补先验约束的低照度图像增强与去噪方法 | |
CN111145103A (zh) | 基于细节保留神经网络模型的蒙特卡洛去噪方法 | |
CN113012067B (zh) | 基于Retinex理论和端到端深度网络的水下图像复原方法 | |
CN111986114B (zh) | 一种基于自监督约束的双尺度图像盲去噪方法及系统 | |
CN113888405A (zh) | 基于分簇自适应膨胀卷积神经网络的去噪去马赛克方法 | |
Tanaka et al. | Locally adaptive learning for translation-variant MRF image priors | |
Zheng et al. | Regularization parameter selection for total variation model based on local spectral response |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230321 |