本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及一種基于dncnns改進(jìn)的圖像降噪方法。

背景技術(shù)：

隨著科技進(jìn)步，新的圖像技術(shù)在逐漸推廣，在日常生活中人們對(duì)于圖像的要求也越來(lái)越高，針對(duì)陰天或夜晚等弱光條件下拍攝的圖像具有噪點(diǎn)較多和細(xì)節(jié)模糊等問(wèn)題，這個(gè)時(shí)候就需要把圖像的噪聲去除用來(lái)優(yōu)化圖像。傳統(tǒng)基本做法是對(duì)于頻域與空域進(jìn)行處理或者得到先驗(yàn)知識(shí)確定噪聲類型針對(duì)處理，這些基本方法都只針對(duì)于特定場(chǎng)景下圖像降噪，對(duì)于復(fù)雜環(huán)境的圖像降噪效果并不明顯，近年來(lái)，基于深度學(xué)習(xí)的圖像降噪技術(shù)取得卓越進(jìn)展，在高級(jí)圖像理解任務(wù)，比如：圖像分類、目標(biāo)檢測(cè)等方面取得令人矚目的成績(jī)。基于深度學(xué)習(xí)算法的圖像降噪技術(shù)成為研究的熱點(diǎn)，常規(guī)做法是將圖像數(shù)據(jù)訓(xùn)練集噪聲圖像與清晰圖像進(jìn)行直接訓(xùn)練，得到權(quán)重參數(shù)但是修復(fù)完成后視覺(jué)效果以及圖像質(zhì)量有待提高。因此技術(shù)革新的新型圖像降噪技術(shù)是十分有必要的。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為了克服以上技術(shù)的不足，提供了一種在暗光條件下可以對(duì)圖像進(jìn)行降噪，使圖像噪聲明顯降低，提高圖像信噪比，提升圖像辨識(shí)度的基于dncnns改進(jìn)的圖像降噪方法本發(fā)明克服其技術(shù)問(wèn)題所采用的技術(shù)方案是：

一種基于dncnns改進(jìn)的圖像降噪方法，其特征在于，包括如下步驟：

a)將輸入計(jì)算機(jī)的彩色圖片進(jìn)行顏色通道轉(zhuǎn)換，轉(zhuǎn)換成rgb顏色通道，并將rgb顏色通道進(jìn)行分離得到r通道圖像、g通道圖像以及b通道圖像；

b)將r通道圖像、g通道圖像以及b通道圖像輸入dncnns網(wǎng)絡(luò)，dncnns網(wǎng)絡(luò)為3*3卷積核，dncnns網(wǎng)絡(luò)對(duì)r通道圖像、g通道圖像以及b通道圖像進(jìn)行l(wèi)次卷積處理，提取相關(guān)特征數(shù)據(jù)，每次卷積操作得到一層，得到l個(gè)層，使用relu及3*3的卷積得到深度為64的特征映射圖像；

c)將densenet殘差網(wǎng)絡(luò)引入步驟b)中的dncnns網(wǎng)絡(luò)，將步驟b)中的l層使用densenet殘差網(wǎng)絡(luò)連接在一起，每個(gè)層的輸入由所有之前層的特征映射組成，得到2w*2h*64的特征圖像，其中w為圖片的寬度，h為圖片的高度；

d)獲取使用relu和3*3卷積核對(duì)2w*2h*64的特征圖像卷積后得到4w*4h*c的特征圖，該特征圖為iest，其中c為圖像深度；

e)通過(guò)公式計(jì)算得到損失函數(shù)le，其中ihr為原始高分辨率圖像，通過(guò)計(jì)算損失函數(shù)得到優(yōu)化后的圖像；

f)將優(yōu)化后的圖像的r通道、g通道和b通道合成rgb圖像。

進(jìn)一步的，步驟b)中的dncnns網(wǎng)絡(luò)采用步長(zhǎng)為2的3*3的卷積核對(duì)r通道圖像、g通道圖像以及b通道圖像進(jìn)行卷積處理。

本發(fā)明的有益效果是：采用改進(jìn)后的dncnns網(wǎng)絡(luò)結(jié)構(gòu)，與原始網(wǎng)絡(luò)相比較將densenet改進(jìn)殘差網(wǎng)絡(luò)引入。將所有層直接連接在一起。在這種新型架構(gòu)中，每層的輸入由所有之前層的特征映射組成，其輸出將傳輸給每個(gè)后續(xù)層。這些特征映射通過(guò)深度級(jí)聯(lián)聚合，再提升網(wǎng)絡(luò)深度同時(shí)，也引入低層特征，如像素級(jí)特征。多尺度結(jié)構(gòu)往往是為了獲取更大的感受野。最簡(jiǎn)單的方法當(dāng)然是用不同的卷積核，但是大卷積核往往會(huì)造成參數(shù)和計(jì)算量的增大。原始網(wǎng)絡(luò)采用將多尺度結(jié)構(gòu)，往往造成原算量巨大，于是在新網(wǎng)路結(jié)構(gòu)中采用小卷積核，多次卷積的的方式，采用這種方法，運(yùn)行速度快，操作簡(jiǎn)單。只需要設(shè)置好固定的參數(shù)值即可。

附圖說(shuō)明

圖1為本發(fā)明的原理框圖。

具體實(shí)施方式

下面結(jié)合附圖1對(duì)本發(fā)明做進(jìn)一步說(shuō)明。

一種基于dncnns改進(jìn)的圖像降噪方法，其特征在于，包括如下步驟：

a)將輸入計(jì)算機(jī)的彩色圖片進(jìn)行顏色通道轉(zhuǎn)換，轉(zhuǎn)換成rgb顏色通道，并將rgb顏色通道進(jìn)行分離得到r通道圖像、g通道圖像以及b通道圖像。

b)將r通道圖像、g通道圖像以及b通道圖像輸入dncnns網(wǎng)絡(luò)，dncnns網(wǎng)絡(luò)為3*3卷積核，dncnns網(wǎng)絡(luò)對(duì)r通道圖像、g通道圖像以及b通道圖像進(jìn)行l(wèi)次卷積處理，提取相關(guān)特征數(shù)據(jù)，每次卷積操作得到一層，得到l個(gè)層，使用relu及3*3的卷積得到深度為64的特征映射圖像。

c)將densenet殘差網(wǎng)絡(luò)引入步驟b)中的dncnns網(wǎng)絡(luò)，將步驟b)中的l層使用densenet殘差網(wǎng)絡(luò)連接在一起，每個(gè)層的輸入由所有之前層的特征映射組成，得到2w*2h*64的特征圖像，其中w為圖片的寬度，h為圖片的高度。引入改進(jìn)殘差網(wǎng)絡(luò)densenet，原始dncnns網(wǎng)絡(luò)中，假設(shè)有l(wèi)層網(wǎng)絡(luò)，但是在densenet中，就會(huì)有l(wèi)(l+1)/2個(gè)連接，可以理解為每一層輸入都來(lái)自前面所有層的輸出。densenet原理公式如下：

x1＝h1([x0,x1,…,xl-1])，其中[x0,x1,…,xl-1]表示將0到l-1層的輸出featuremap做concatenation。concatenation是做通道的合并，呼應(yīng)宣布該inception那樣，h1包括bn、relu和3*3的卷積。

建立建立block疊加，block之間任意兩層間建立前向skipconnection是整個(gè)核心思想。一個(gè)block包含多個(gè)denselayer，其又包括三層：bn、relu和conv。前3層作為一個(gè)部分是為了利用1*1conv減少特征圖數(shù)量，增加計(jì)算量。不同denseblock之間的連接層稱為transitionlayer，每個(gè)transitionlayer包含3層：bn，1*1conv和2*2avgpool。

d)獲取使用relu和3*3卷積核對(duì)2w*2h*64的特征圖像卷積后得到4w*4h*c的特征圖，該特征圖為iest，其中c為圖像深度。

e)在本網(wǎng)絡(luò)中參數(shù)的初始化采用xavier網(wǎng)絡(luò)的學(xué)習(xí)目標(biāo)是超分辨率圖像與輸入的低分辨率圖像線性插值的差。其中損失函數(shù)部分我們選擇pixel-wiseloss強(qiáng)調(diào)的是兩幅圖像之間每個(gè)對(duì)應(yīng)像素的匹配。通過(guò)pixel-wiseloss訓(xùn)練的圖片通常會(huì)較為平滑。即使輸出圖片具有較高的psnr，視覺(jué)效果也并沒(méi)有很突出。后期引入圖像銳化以解決過(guò)于平滑問(wèn)題。通過(guò)公式計(jì)算得到損失函數(shù)le，其中ihr為原始高分辨率圖像，通過(guò)計(jì)算損失函數(shù)得到優(yōu)化后的圖像。le用來(lái)估量模型的預(yù)測(cè)值f(x)與真實(shí)值y的不一致程度，它是一個(gè)非負(fù)實(shí)值函數(shù)，損失函數(shù)越小，模型的魯棒性就越好。

f)將優(yōu)化后的圖像的r通道、g通道和b通道合成rgb圖像。

首先將彩色圖片進(jìn)行顏色通道轉(zhuǎn)換，將圖像分離成rgb顏色通道，轉(zhuǎn)換完成后，使用改進(jìn)cnn網(wǎng)絡(luò)分別對(duì)三個(gè)通道中的圖像進(jìn)行預(yù)處理，將三個(gè)通道的圖像進(jìn)行分別優(yōu)化求解，利用網(wǎng)絡(luò)的學(xué)習(xí)能力充分優(yōu)化三個(gè)通道圖像，最終得到三個(gè)圖像通道結(jié)果，得到結(jié)果后將rgb圖像，轉(zhuǎn)換完成后再進(jìn)行顏色通道融合即得到處理后的圖像。

目前在深度網(wǎng)絡(luò)方面存在以下幾個(gè)問(wèn)題：1.梯度消失：隨著網(wǎng)絡(luò)深度增加，梯度消失問(wèn)題越來(lái)越嚴(yán)重，從而造成網(wǎng)絡(luò)崩潰。2.無(wú)法充分利用低級(jí)特征進(jìn)行操作，對(duì)于一個(gè)cnn來(lái)說(shuō)，前面的卷積層往往代表著低層特征，如像素級(jí)特征。而后面的卷積層往往是高層特征，如語(yǔ)義特征等。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：1.在以前圖像去噪中，我們常用添加高斯噪聲方法來(lái)模擬這種復(fù)雜的噪聲分布，難免與實(shí)際噪聲分布存在差異，所以在真實(shí)噪聲圖像上應(yīng)用往往效果會(huì)有所下降，采用將顏色通道分離的工作，無(wú)論是真實(shí)拍攝的圖像的噪聲去除還是人工添加噪聲模擬噪聲分布，往往都更加方便、有效。2.采用改進(jìn)后的dncnns網(wǎng)絡(luò)結(jié)構(gòu)：(1)與原始網(wǎng)絡(luò)相比較將densenet改進(jìn)殘差網(wǎng)絡(luò)引入。將所有層直接連接在一起。在這種新型架構(gòu)中，每層的輸入由所有之前層的特征映射組成，其輸出將傳輸給每個(gè)后續(xù)層。這些特征映射通過(guò)深度級(jí)聯(lián)聚合，再提升網(wǎng)絡(luò)深度同時(shí)，也引入低層特征，如像素級(jí)特征。(2)多尺度結(jié)構(gòu)往往是為了獲取更大的感受野。最簡(jiǎn)單的方法當(dāng)然是用不同的卷積核，但是大卷積核往往會(huì)造成參數(shù)和計(jì)算量的增大。原始網(wǎng)絡(luò)采用將多尺度結(jié)構(gòu)，往往造成原算量巨大，于是在新網(wǎng)路結(jié)構(gòu)中采用小卷積核，多次卷積的的方式，采用這種方法，運(yùn)行速度快，操作簡(jiǎn)單。只需要設(shè)置好固定的參數(shù)值即可。

優(yōu)選的，步驟b)中的dncnns網(wǎng)絡(luò)采用步長(zhǎng)為2的3*3的卷積核對(duì)r通道圖像、g通道圖像以及b通道圖像進(jìn)行卷積處理。

以上所述僅為本發(fā)明的較佳實(shí)施例，僅用于說(shuō)明本發(fā)明的技術(shù)方案，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)所做的任何修改、等同替換、改進(jìn)等，均包含在本發(fā)明的保護(hù)范圍內(nèi)。

總結(jié)

以上是生活随笔為你收集整理的dncnn图像去噪_一种基于DnCNNs改进的图像降噪方法与流程的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。