基于增强型深度扩张卷积神经网络的图像去噪方法及系统

本发明属于图像去噪，尤其涉及基于增强型深度扩张卷积神经网络的图像去噪方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、图像去噪是指减少数字图像中噪声的过程，它是一个将含噪声的图像恢复成一幅干净图像的过程。图像去噪的方法有很多种，针对不同的噪声有不同的去噪方法，常见的图像去噪方式分为三大类：基于滤波器的方法、基于模型的方法、基于学习的方法。基于学习的方法侧重于学习有噪声图像到干净图像的潜在映射，可以分为传统的基于学习的方法和基于深度网络的学习方法。

3、近年来，由于基于深度网络的方法比基于滤波、基于模型和传统的基于学习的方法获得了更有前景的去噪结果，它们已成为主流方法。发明人发现，传统的基于注意力机制的去噪方法含有较多缺点，例如算法较复杂，运行起来速度慢而且效果精度较差，计算成本太高等。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了基于增强型深度扩张卷积神经网络的图像去噪方法及系统，通过减少网络的深度，增加网络的宽度，既防止了梯度消失和梯度爆炸，又能提高网络训练的训练速度，提高图像去噪的精度同时减少计算成本，从而更好的提高图像去噪的性能。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、本发明第一方面提供了基于增强型深度扩张卷积神经网络的图像去噪方法。

4、基于增强型深度扩张卷积神经网络的图像去噪方法，包括以下步骤：

5、获取待去噪的原始图像；

6、搭建包含上网络层、下网络层、扩张卷积层三层并联结构的增强型深度扩张卷积神经网络模型；

7、将原始图像输入至增强型深度扩张卷积神经网络模型中，通过上网络层、下网络层和扩张卷积层分别对原始图像进行特征提取，并将提取到的特征进行融合，之后利用注意力层对融合后的特征分配注意力，得到残差图像；

8、将残差图像叠加到原始图像上，得到与原始图像对应的去噪图像。

9、本发明第二方面提供了基于增强型深度扩张卷积神经网络的图像去噪系统。

10、基于增强型深度扩张卷积神经网络的图像去噪系统，包括：

11、原始图像获取模块，被配置为：获取待去噪的原始图像；

12、模型搭建模块，被配置为：搭建包含上网络层、下网络层、扩张卷积层三层并联结构的增强型深度扩张卷积神经网络模型；

13、特征提取模块，被配置为：将原始图像输入至增强型深度扩张卷积神经网络模型中，通过上网络层、下网络层和扩张卷积层分别对原始图像进行特征提取，并将提取到的特征进行融合，之后利用注意力层对融合后的特征分配注意力，得到残差图像；

14、叠加模块，被配置为：将残差图像叠加到原始图像上，得到与原始图像对应的去噪图像。

15、本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于增强型深度扩张卷积神经网络的图像去噪方法中的步骤。

16、本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于增强型深度扩张卷积神经网络的图像去噪方法中的步骤。

17、以上一个或多个技术方案存在以下有益效果：

18、本发明提供了基于增强型深度扩张卷积神经网络的图像去噪方法及系统，提出了一种增强型的网络模型ed-dcnnet，该模型在brdnet的基础上减少了网络的深度，增加网络的宽度，扩大了感受野，能够从环境中提取更多有效特征，从而提高了网络的去噪性能。

19、本发明提出的基于增强型深度扩张卷积神经网络的图像去噪方法及系统，既防止了梯度消失和梯度爆炸，又能提高网络训练的训练速度，提高图像去噪的精度同时减少计算成本，从而更好的提高图像去噪的性能。

20、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.基于增强型深度扩张卷积神经网络的图像去噪方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于增强型深度扩张卷积神经网络的图像去噪方法，其特征在于，增强型深度扩张卷积神经网络模型的搭建过程，具体包括：

3.如权利要求2所述的基于增强型深度扩张卷积神经网络的图像去噪方法，其特征在于，所述上网络由conv+brn+relu和conv两种不同类型的层组成，深度为10，第1～10层为conv+brn+relu，第11层为conv；第一层的大小为c×3×3×64，第2～10层的大小为64×3×3×64，第11层的大小为64×3×3×c。

4.如权利要求2所述的基于增强型深度扩张卷积神经网络的图像去噪方法，其特征在于，下网络由conv+brn+relu和扩展卷积两种不同类型的层组成，深度为10，第1层为conv+brn+relu，第2～8层是扩展卷积，第11层为conv。

5.如权利要求2所述的基于增强型深度扩张卷积神经网络的图像去噪方法，其特征在于，扩张卷积层为10层，第一层由conv+relu+bn组成，第2～10层由dilated conv+bn+relu组成，第11层为conv。

6.如权利要求5所述的基于增强型深度扩张卷积神经网络的图像去噪方法，其特征在于，在卷积算法中，接收域的大小表示为：

7.如权利要求5所述的基于增强型深度扩张卷积神经网络的图像去噪方法，其特征在于，扩张卷积层中，第l层的感受野可以表示为：

8.基于增强型深度扩张卷积神经网络的图像去噪系统，其特征在于：包括：

9.计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于增强型深度扩张卷积神经网络的图像去噪方法中的步骤。

10.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于增强型深度扩张卷积神经网络的图像去噪方法中的步骤。

技术总结
本发明提出基于增强型深度扩张卷积神经网络的图像去噪方法，涉及图像去噪领域。包括获取待去噪的原始图像；搭建包含上网络层、下网络层、扩张卷积层三层并联结构的增强型深度扩张卷积神经网络模型；将原始图像输入增强型深度扩张卷积神经网络模型中，通过上网络层、下网络层和扩张卷积层分别对原始图像进行特征提取，并将提取到的特征进行融合，之后利用注意力层对融合后的特征分配注意力，得到残差图像；将残差图像叠加到原始图像上，得到与原始图像对应的去噪图像。本发明通过减少网络的深度，增加网络的宽度，既防止梯度消失和梯度爆炸，又能提高网络训练的训练速度，提高图像去噪的精度同时减少计算成本，从而更好的提高图像去噪的性能。

技术研发人员：李天平,李萌,冯凯丽,李冠兴
受保护的技术使用者：山东师范大学
技术研发日：
技术公布日：2024/1/13