【CN110020684A】一种基于残差卷积自编码网络的图像去噪方法【专利】

(19)中华人民共和国国家知识产权局

(12)发明专利申请

(10)申请公布号 (43)申请公布日 (21)申请号 201910276255.3

(22)申请日 2019.04.08

(71)申请人 西南石油大学

地址 610500 四川省成都市新都区新都大

道8号

(72)发明人 罗仁泽　王瑞杰　张可　李阳阳　

马磊　袁杉杉　吕沁　

(51)Int.Cl.

G06K 9/62(2006.01)

G06N 3/04(2006.01)

G06T 5/00(2006.01)

(54)发明名称

一种基于残差卷积自编码网络的图像去噪

方法

(57)摘要

本发明公开了一种基于残差卷积自编码网

络的图像去噪方法，为了克服传统浅层线性结构

特征提取能力有限，现有基于深度学习的图像去

噪模型存在泛化能力弱等问题。以残差块、批归

一化层和自编码器组成的残差卷积自编码块为

基本去噪网络结构，提出了多功能去噪残差卷积

自编码神经网络。本发明公开的图像去噪方法，

在保持较高去噪质量和去噪精度的同时，不仅拥

有盲去噪能力，还能去除与训练集类型不相同的

噪声。权利要求书2页 说明书5页 附图2页CN 110020684 A 2019.07.16

C N 110020684

A

1.一种基于残差卷积自编码网络的图像去噪方法，其特征在于包括如下步骤：

步骤1、将预处理后的原图和对应含噪声的图像作为训练集和测试集，具体步骤如下：

(1)将m*m像素的三通道原图预处理为单通道灰度图像，并对图像进行切割；

(2)将预处理切割后的灰度图像加入相应噪声；

(3)将原图的灰度图像及其对应的加噪图像作为一组数据，以原图像的灰度图像作为标签，制作训练集和测试集；

步骤2、构建残差卷积自编码块，主结构由n+2层卷积层组成，恒等映射部分由卷积自编码结构组成，残差卷积自编码块输出为：

x n+2＝f(x)+x cae

x cae 为输入x经过卷积自编码器提取的潜在特征，f(x)为输入x经过n+2层卷积层输出的结果，n为大于1的正整数，其中，主结构第1层卷积核大小为1*1，激活函数为Swish；第2到第n+1层结构相同，均添加批归一化层，卷积核大小为3*3，激活函数为Relu；第n+2层卷积核大小为1*1，激活函数为Swish；

其中Relu激活函数为：

Swish激活函数为：

式中β为x的缩放参数，β>0；

步骤3、网络结构主要由步骤2提出的残差卷积自编码块组成，网络共(n+2)*a+8层，a为大于2的正整数，第一层是一个用来降维的卷积层，中间层由残差卷积自编码块和残差卷积块组成，最后一层为一个全连接层；

步骤4、将步骤1预处理后的训练集，通过列队输入到步骤3搭建的网络模型中，采用误差反向传播，并以均方误差损失函数来衡量真实值与预测值的距离，通过数据集的每次迭代，使用梯度下降来调整神经元之间的权重以降低代价函数，进而优化网络，并以定量的峰值信噪比和定性的视觉感受判断网络去噪效果，初次保存网络模型的各个参数；

均方误差损失函数为：

式中，y i 为通过列队读入的标签数据，z i 为输出去噪后的数据，均方误差越小代表去噪后的数据与标签数据越接近，网络准确率越高；

峰值信噪比公式为：

其中M MSE 是原图和处理图像之间的均方误差，PSNR数值越大表示失真越小；

步骤5、将步骤1预处理后的测试集，输入到步骤4优化训练好的网络模型中，并通过定

权　利　要　求　书1/2页2CN 110020684 A