本發明涉及圖像處理技術領域，具體涉及一種基于dncnns改進的圖像降噪方法。

背景技術：

隨著科技進步，新的圖像技術在逐漸推廣，在日常生活中人們對于圖像的要求也越來越高，針對陰天或夜晚等弱光條件下拍攝的圖像具有噪點較多和細節模糊等問題，這個時候就需要把圖像的噪聲去除用來優化圖像。傳統基本做法是對于頻域與空域進行處理或者得到先驗知識確定噪聲類型針對處理，這些基本方法都只針對于特定場景下圖像降噪，對于復雜環境的圖像降噪效果并不明顯，近年來，基于深度學習的圖像降噪技術取得卓越進展，在高級圖像理解任務，比如：圖像分類、目標檢測等方面取得令人矚目的成績。基于深度學習算法的圖像降噪技術成為研究的熱點，常規做法是將圖像數據訓練集噪聲圖像與清晰圖像進行直接訓練，得到權重參數但是修復完成后視覺效果以及圖像質量有待提高。因此技術革新的新型圖像降噪技術是十分有必要的。

技術實現要素：

本發明為了克服以上技術的不足，提供了一種在暗光條件下可以對圖像進行降噪，使圖像噪聲明顯降低，提高圖像信噪比，提升圖像辨識度的基于dncnns改進的圖像降噪方法本發明克服其技術問題所采用的技術方案是：

一種基于dncnns改進的圖像降噪方法，其特征在于，包括如下步驟：

a)將輸入計算機的彩色圖片進行顏色通道轉換，轉換成rgb顏色通道，并將rgb顏色通道進行分離得到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網絡，dncnns網絡為3*3卷積核，dncnns網絡對r通道圖像、g通道圖像以及b通道圖像進行l次卷積處理，提取相關特征數據，每次卷積操作得到一層，得到l個層，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殘差網絡引入步驟b)中的dncnns網絡，將步驟b)中的l層使用densenet殘差網絡連接在一起，每個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)通過公式計算得到損失函數le，其中ihr為原始高分辨率圖像，通過計算損失函數得到優化后的圖像；

f)將優化后的圖像的r通道、g通道和b通道合成rgb圖像。

進一步的，步驟b)中的dncnns網絡采用步長為2的3*3的卷積核對r通道圖像、g通道圖像以及b通道圖像進行卷積處理。

本發明的有益效果是：采用改進后的dncnns網絡結構，與原始網絡相比較將densenet改進殘差網絡引入。將所有層直接連接在一起。在這種新型架構中，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后續層。這些特征映射通過深度級聯聚合，再提升網絡深度同時，也引入低層特征，如像素級特征。多尺度結構往往是為了獲取更大的感受野。最簡單的方法當然是用不同的卷積核，但是大卷積核往往會造成參數和計算量的增大。原始網絡采用將多尺度結構，往往造成原算量巨大，于是在新網路結構中采用小卷積核，多次卷積的的方式，采用這種方法，運行速度快，操作簡單。只需要設置好固定的參數值即可。

附圖說明

圖1為本發明的原理框圖。

具體實施方式

下面結合附圖1對本發明做進一步說明。

一種基于dncnns改進的圖像降噪方法，其特征在于，包括如下步驟：

a)將輸入計算機的彩色圖片進行顏色通道轉換，轉換成rgb顏色通道，并將rgb顏色通道進行分離得到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網絡，dncnns網絡為3*3卷積核，dncnns網絡對r通道圖像、g通道圖像以及b通道圖像進行l次卷積處理，提取相關特征數據，每次卷積操作得到一層，得到l個層，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殘差網絡引入步驟b)中的dncnns網絡，將步驟b)中的l層使用densenet殘差網絡連接在一起，每個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。引入改進殘差網絡densenet，原始dncnns網絡中，假設有l層網絡，但是在densenet中，就會有l(l+1)/2個連接，可以理解為每一層輸入都來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是整個核心思想。一個block包含多個denselayer，其又包括三層：bn、relu和conv。前3層作為一個部分是為了利用1*1conv減少特征圖數量，增加計算量。不同denseblock之間的連接層稱為transitionlayer，每個transitionlayer包含3層：bn，1*1conv和2*2avgpool。

d)獲取使用relu和3*3卷積核對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)在本網絡中參數的初始化采用xavier網絡的學習目標是超分辨率圖像與輸入的低分辨率圖像線性插值的差。其中損失函數部分我們選擇pixel-wiseloss強調的是兩幅圖像之間每個對應像素的匹配。通過pixel-wiseloss訓練的圖片通常會較為平滑。即使輸出圖片具有較高的psnr，視覺效果也并沒有很突出。后期引入圖像銳化以解決過于平滑問題。通過公式計算得到損失函數le，其中ihr為原始高分辨率圖像，通過計算損失函數得到優化后的圖像。le用來估量模型的預測值f(x)與真實值y的不一致程度，它是一個非負實值函數，損失函數越小，模型的魯棒性就越好。

f)將優化后的圖像的r通道、g通道和b通道合成rgb圖像。

首先將彩色圖片進行顏色通道轉換，將圖像分離成rgb顏色通道，轉換完成后，使用改進cnn網絡分別對三個通道中的圖像進行預處理，將三個通道的圖像進行分別優化求解，利用網絡的學習能力充分優化三個通道圖像，最終得到三個圖像通道結果，得到結果后將rgb圖像，轉換完成后再進行顏色通道融合即得到處理后的圖像。

目前在深度網絡方面存在以下幾個問題：1.梯度消失：隨著網絡深度增加，梯度消失問題越來越嚴重，從而造成網絡崩潰。2.無法充分利用低級特征進行操作，對于一個cnn來說，前面的卷積層往往代表著低層特征，如像素級特征。而后面的卷積層往往是高層特征，如語義特征等。與現有技術相比，本發明具有以下優點：1.在以前圖像去噪中，我們常用添加高斯噪聲方法來模擬這種復雜的噪聲分布，難免與實際噪聲分布存在差異，所以在真實噪聲圖像上應用往往效果會有所下降，采用將顏色通道分離的工作，無論是真實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.采用改進后的dncnns網絡結構：(1)與原始網絡相比較將densenet改進殘差網絡引入。將所有層直接連接在一起。在這種新型架構中，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后續層。這些特征映射通過深度級聯聚合，再提升網絡深度同時，也引入低層特征，如像素級特征。(2)多尺度結構往往是為了獲取更大的感受野。最簡單的方法當然是用不同的卷積核，但是大卷積核往往會造成參數和計算量的增大。原始網絡采用將多尺度結構，往往造成原算量巨大，于是在新網路結構中采用小卷積核，多次卷積的的方式，采用這種方法，運行速度快，操作簡單。只需要設置好固定的參數值即可。

優選的，步驟b)中的dncnns網絡采用步長為2的3*3的卷積核對r通道圖像、g通道圖像以及b通道圖像進行卷積處理。

以上所述僅為本發明的較佳實施例，僅用于說明本發明的技術方案，并非用于限定本發明的保護范圍。凡在本發明的精神和原則之內所做的任何修改、等同替換、改進等，均包含在本發明的保護范圍內。

總結

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內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。