1.一种基于深度卷积网络的高噪声图像去噪方法,其特征在于:包含以下步骤:步骤S1:数据集的选择;
步骤S2:对选择的数据集进行预处理;
步骤S3:结合图像中的噪声类型,建立对称式扩充卷积残差网络;
步骤S4:将有噪声的图像和其对应的清晰标签图像送入所述的对称式扩充卷积残差网络,得到图像去噪的网络模型;
步骤S5:通过求解最小化损失函数的值,学习到网络模型的最优参数,利用训练好的网络模型对噪声图像进行复原。
2.如权利要求1所述的一种基于深度卷积网络的高噪声图像去噪方法,其特征在于:步骤S2具体包括以下步骤:步骤S21:将数据集内的大小为180*180的无噪声图像作为原始训练集,同时对其进行数据增强,得到128*1600张大小为53*53的样本图像;
步骤S22:创建不同的噪声模型,根据需求对数据集添加不同的噪声。
3.如权利要求2所述的一种基于深度卷积网络的高噪声图像去噪方法,其特征在于:步骤S22具体包括以下步骤:步骤S221:设计三种噪声模型,分别为加性高斯噪声,其中模型参数噪声标准偏差σ∈[0,60];泊松噪声,其中模型参数噪声幅度λ∈[0,60];乘性伯努利噪声,其中用p表示像素的损坏概率,则设定模型参数p∈[0,0.95];
步骤S222:从数据集中选取一张图像送入噪声模型中,即添加噪声分布;
步骤S223:迭代步骤S222得到经过加噪的训练集。
4.如权利要求1所述的一种基于深度卷积网络的高噪声图像去噪方法,其特征在于:步骤S3具体包括以下步骤:步骤S31:使用对称式扩充卷积残差网络。该网络结构在感受野的尺寸大小和网络深度之间进行了权衡,从第一层至倒数第二层均采用的方式是扩充卷积,其扩充因子(扩充因子是由尺寸大小为(2r+1)*(2r+1)的稀疏过滤器构成(r代表网络深度))分别设置为1,2,3,4,
5,4,3,2,1。由于要恢复图像中损坏的像素,增加感受野的区域来获得更多的上下文信息的方式是被广泛使用的方法,而扩充卷积不仅具有扩充感受野的能力,同时也具有经典的3*3卷积优点;
步骤S32:网络模型的最后一层使用卷积核大小为3*3的卷积。具体地,该卷积层通过3*
3*32的c(图像通道数)个卷积核及1*1的步长,实现特征图像的重构并进行输出。
5.如权利要求4所述的一种基于深度卷积网络的高噪声图像去噪方法,其特征在于:步骤S31具体包括以下步骤:步骤S311:在网络中的第一层,使用的扩充率大小为1,卷积核大小为1d*c,卷积核个数为32个,步长设置为1,使用的激活函数为Leakly ReLU(max(0.01x,x))。其中,d代表扩充因子,c代表图像的通道数,x代表输入的特征;
步骤S312:在网络中的第二至五层,使用的扩充率大小分别为2,3,4,5,分别使用2d*32大小的64个卷积核,3d*64大小的128个卷积核,4d*128大小的256个卷积核和5d*256大小的c个卷积核,步长设置为1,使用的激活函数为Leakly ReLU(max(0.01x,x)),在扩充卷积层和激活函数之间使用批量标准化方法;
步骤S313:在网络中的第六至九层,使用的扩充率大小分别为4,3,2,1,分别使用4d*c大小的256个卷积核,3d*256大小的128个卷积核,2d*128大小的64个卷积核,1d*64大小的
32个卷积核,步长设置为1,使用的激活函数为ReLU激活函数。
6.如权利要求5所述的一种基于深度卷积网络的高噪声图像去噪方法,其特征在于:步骤S312具体包括以下步骤:步骤S3121:批量标准化的计算公式如下:
其中,γ和β表示可调参数, 是经过γ和β调参后的Knorm的分布;
步骤S3122:Knorm的定义如下:
2
其中,Knorm表示正则化结果,K表示网络中未经激活的神经元结点,μ和σ分别表示样本的均值和方差,ξ表示极小的非零正数,目的是为了保证分母有意义。该计算过程用在每个卷积层提取的图像特征上,对这些特征数据进行归一化处理,使网络各层可以学习相同的特征数据分布,提高收敛速度和训练效率。
7.如权利要求1所述的一种基于深度卷积网络的高噪声图像去噪方法,其特征在于:骤S5具体包括以下步骤:步骤S51:不同的图像噪声采用不同的Loss函数。加性高斯噪声采用的损失:泊松噪声采用的采用L2损失:
乘性伯努利噪声采用的损失为:
其中,f表示去噪后的图像,X表示清晰标签图像,n表示训练批次的样本数量,w和h表示图像的宽和高,yi表示实际值, 表示网络的预测输出值,v为0或1的随机值;
步骤S52:根据残差学习的过程来训练残差映射,然后计算期望残差图像和预测残差图像之间的MSE(均方误差):其中,P表示干净标签图像,Q表示噪声图像,N表示样本对数量,R表示网络模型预测的噪声图像,w和b分别表示网络的权重参数和偏置项。根据反向传播过程得到每层的误差,根据这些误差调整各层权重参数,完成网络模型的优化;
步骤S53:不断迭代步骤S51和S52,直至网络收敛。