欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022105724767
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于解耦深度字典学习的图像去噪方法,其特征在于,具体包括如下步骤:步骤1,对图像数据进行预处理;

步骤2,对解耦深度字典学习模型求解并构建包含InputNet、LNM-X、LNM-D、LNM-P、SplitNet的神经网络模型;

步骤3,设置已构建神经网络模型的损耗函数、训练参数;

步骤4,将经过预处理的图像输入步骤3设置好的神经网络模型进行参数训练,得到去噪效果较好的网络模型;

对解耦深度字典学习模型中的结构图像及纹理图像(X、D、P、)进行求解的具体方法包括如下步骤,其中结构图像即为X步骤21:引入辅助变量D

如下式所示,通过快速傅里叶变换有效的求得X

式中,

如下式所示,使用最小二乘法对D

其中vec(·)是向量化算子,

步骤22:构建SplitNet模块;

所述SplitNet模块将噪声级σ作为输入,并预测每个阶段的超参数;所述SplitNet模块由2个卷积层Conv内核大小为1和一个SoftPlus层组成,确保所有超参数都是正的;

步骤23:构建InputNet模块对X、D、P进行初始化

所述InputNet模块将噪声图像Y和噪声级σ作为输出来初始化系数;所述InputNet模块由2个Conv层和ReLU激活函数组成,所述Conv层每个64通道,通过给定输入图像Y,输出初始化系数;

步骤24:构建LNM-X模块、LNM-D模块、LNM-P模块;

对于LNM-X模块的构建,通过所述解耦深度字典学习模型可得X在t阶段的求解如下:其中β

所述LNM-X模块在系数X上学习先验知识,充当隐式正则化器,通过采用U型网络结构以确保LNM-X模块在图像恢复任务中的有效性;所述LNM-X模块由7个块组成,其中前3个块通过卷积对特征图进行下采样,后3个块通过转置卷积对特征图进行向上采样;所述每个块由若干个剩余单元组成,每个剩余单元由2个Conv层组成,具有ReLU激活和跳连接;前4个块中的Conv层分别有64、128、256、512个通道;

对于LNM-D模块的构建,通过所述解耦深度字典学习模型可得D在t阶段的求解如下:其中β

所述LNM-D模块在字典D上学习先验知识;所述LNM-D模块由6个具有ReLU激活的Conv层组成,在最后一个Conv层之后没有ReLU;所述每个Conv层有16个通道,第一个和最后一个单元之间有一个跳过连接;

对于LNM-P模块的构建,通过所述解耦深度字典学习模型可得P在t阶段的求解如下:其中β

所述LNM-P模块在惩罚算子上学习先验知识;所述LNM-P模块由6个具有ReLU激活的Conv层组成,在最后一个Conv层之后没有ReLU;每个Conv层有16个通道,第一个和最后一个单元之间有一个跳过连接;

利用模型驱动的网络对处理完后的图像不同成分,即结构图像和纹理图像做融合;

步骤5,将需要测试的图像输入到步骤4得到的网络模型中,得到去噪后的清晰图像。

2.根据权利要求1所述的一种基于解耦深度字典学习的图像去噪方法,其特征在于,所述步骤1具体如下:收集不同的自然图像数据集进行组合,对图像加上高斯白噪声,然后使用现代变分技术将加噪后的图片分解为结构图像和纹理图像,最后将结构图像和纹理图像分别裁剪为128*128大小的图像块。

3.根据权利要求2所述的一种基于解耦深度字典学习的图像去噪方法,其特征在于,步骤2中所述解耦深度字典学习模型为:其中N表示使用一组N个训练样本对;Y表示一副加噪后的完整图像;下标1和2分别代表结构图像和纹理图像的表示项;X表示图像的系数矩阵;D表示图像的自适应字典;P表示为每部分图像引入的灵敏度解耦算子;λ表示正则化参数;φ表示系数先验;ψ表示正则化项。

4.根据权利要求3所述的一种基于解耦深度字典学习的图像去噪方法,其特征在于,所述步骤3具体如下:使用L1函数作为每级输出的损耗函数,并将最后一个阶段上的损失权重设置为1,对于其他的T-1阶段,设置权重为1/T-1,批量大小设置为32对其进行1e

5.根据权利要求1所述的一种基于解耦深度字典学习的图像去噪方法,其特征在于,所述步骤4具体如下:将处理好的图像作为输入,经过构建好的包含InputNet、LNM-X、LNM-D、LNM-P、SplitNet的神经网络,得到输出的无噪声图像,然后与标签图像做损失计算,通过梯度下降的策略进行参数的训练,最后经过若干轮训练得到去噪效果较好的网络模型;其中,损失函数采用L1损失;优化器采用Adam优化器,学习率初始为1e

6.根据权利要求1-5任一项所述的一种基于解耦深度字典学习的图像去噪方法生成的一种基于解耦深度字典学习的图像去噪系统,其特征在于,包括:图像数据集预处理模块:收集不同的自然图像数据集进行组合,对图像加上高斯白噪声,然后使用现代变分技术将加噪后的图片分解为结构图像和纹理图像,最后将图像裁剪为128*128大小的图像块;

解耦深度字典学习模型求解模块:对解耦深度字典学习模型求解并构建包含InputNet、LNM-X、LNM-D、LNM-P、SplitNet的神经网络模型,利用模型驱动的网络对处理完后的图像不同成分做融合;

处理模块:将经过预处理的图像输入构建好的包含有InputNet、LNM-X、LNM-D、LNM-P、SplitNet的神经网络进行参数训练,得到去噪效果较好的网络模型;并将需要测试的图像输入上述网络模型中,得到去噪后的清晰图像。

7.一种计算机设备,其特征在于,包括存储器、中央处理器图形处理器及计算机程序,其中,所述中央处理器与存储器连接,所述存储器用于储存实现如权利要求1-5任一项所述的图像去噪方法的计算机程序,当计算机设备运行时,所述中央处理器加载并执行所述存储器存储的计算机程序,以使计算机设备实现如权利要求1-5任一项所述的图像去噪方法的各个步骤。