基于多尺度卷積神經(jīng)網(wǎng)絡的圖像去噪方法研究

湯勇峰

(江蘇省徐州醫(yī)藥高等職業(yè)學校，江蘇 徐州 221116)

0 引言

去噪作為圖像處理過程中不可或缺的步驟，其去噪效果直接關系到圖像質(zhì)量。自然環(huán)境、攝像機自身誤差等因素的干擾，獲取的圖像會存在噪聲，當噪聲達到一定數(shù)值時，會影響圖像的清晰度，因此，根據(jù)圖像質(zhì)量要求，需要對圖像進行去噪處理，降低圖像峰值信噪比。由于國內(nèi)圖像去噪技術起步比較晚，該方面技術與理論還有所欠缺，技術水平比較低，相關研究理論也不是特別豐富，因此有必要對圖像去噪進行持續(xù)探究?，F(xiàn)有的去噪思路主要包括兩種，第一是基于平滑濾波，該思路是在20世紀80年代被提出的，其主要是利用濾波器對圖像進行平滑濾波處理，以傅里葉變換理論作為理論依據(jù)，該方法的特點是去噪速度快；第二是基于稀疏表達，該思路是在基于平滑濾波圖像去噪理論基礎上，經(jīng)過優(yōu)化與改善提出的，根據(jù)圖像的稀疏性對其噪聲進行約束，該方法的特點為操作簡單，但是圖像噪聲多數(shù)情況下無法被稀疏化，因此去噪效果比較差?，F(xiàn)有的去噪理論比較落后，隨著圖像質(zhì)量要求的不斷提高，傳統(tǒng)方法在實際應用中難以達到要求，去噪后圖像的峰值信噪比仍然比較低，為此提出此次研究，為圖像去噪提供參考依據(jù)。

1 基于多尺度卷積神經(jīng)網(wǎng)絡的圖像去噪方法設計

應用多尺度卷積神經(jīng)網(wǎng)絡技術實現(xiàn)圖像去噪，該方法主要分為3個部分，第一根據(jù)圖像去噪需求建立多尺度卷積神經(jīng)網(wǎng)絡去噪模型，該模型由去噪模塊與邊緣模塊兩部分組成；第二利用損失函數(shù)對模型進行訓練學習，降低殘差；第三融合殘差學習與批量化標準，利用訓練好的多尺度卷積神經(jīng)網(wǎng)絡模型對圖像進行去噪處理，其具體去噪流程如圖1所示。

圖1 圖像去噪流程

由多尺度卷積神經(jīng)網(wǎng)絡去噪模型對原始噪聲圖像進行生成，由邊緣模塊對噪聲圖像邊緣特征進行提取與融合，再通過模型損失學習重建損失，確定噪聲真值，從而去除圖像中的噪聲，下文將對該去噪方法進行詳細說明。

1.1 建立多尺度卷積神經(jīng)網(wǎng)絡去噪模型

利用多尺度卷積神經(jīng)網(wǎng)絡技術建立去噪模型，模型包括去噪模塊與邊緣模塊兩部分，以多尺度卷積神經(jīng)網(wǎng)絡為架構(gòu)，去噪模塊主要用于生成含噪圖像，對噪聲圖像進行描述，在多尺度卷積神經(jīng)網(wǎng)絡中去噪模型屬于前饋神經(jīng)網(wǎng)絡，通過上采樣與下采樣將原始圖像的每個像素塊放入水平列陣中，生成像素為原始圖像像素一半的噪聲圖像[1]。去噪模塊由卷積層、中間層和輸出層3部分組成，根據(jù)實際情況確定參數(shù)，其中包括各個層的數(shù)量、核尺寸、步數(shù)等，去噪模塊利用加性白高斯噪聲生成噪聲圖像，其用公式表示為：

Y=X+K

(1)

公式(1)中，Y表示噪聲模塊生成的噪聲圖像；X表示圖像加性白高斯噪聲；K表示原始含噪圖像[2]。在多尺度卷積神經(jīng)網(wǎng)絡中邊緣模塊屬于末端神經(jīng)網(wǎng)絡，結(jié)構(gòu)設計為多特征融合網(wǎng)絡結(jié)構(gòu)，由卷積層和最大池化層組成，架構(gòu)輸出是經(jīng)過殘差訓練學習以及卷積計算得到的圖像邊緣噪聲特征，邊緣模塊中每隔兩個卷積層連接一個最大池化層，經(jīng)過池化層池化處理，可以將圖像寬高變?yōu)樯弦浑A段的一半，經(jīng)過多尺度卷積計算，輸出圖像噪聲真值，為圖像去噪提供依據(jù)。

1.2 模型訓練

上文建立的模型是通過預先對圖像數(shù)據(jù)樣本不斷學習，確定模型參數(shù)，減少去噪誤差，利用殘差學習法對模型進行訓練，其學習過程用公式表示為：

(2)

公式(2)中，R表示期望去噪值與實際去噪值之間的均方誤差，實際為代價函數(shù)；N表示待去噪的圖像數(shù)據(jù)樣本數(shù)量；Yi表示實際去噪值；Yj表示期望去噪值；k表示模型學習參數(shù)[3]。利用尋優(yōu)迭代算法對代價函數(shù)進行求解，計算出期望噪聲圖像與原始噪聲圖像之間的均方誤差最小值，其計算公式為：

(3)

公式(3)中，α表示模型的學習率；l表示學習參數(shù)所在多尺度卷積神經(jīng)網(wǎng)絡去噪模型的層序數(shù)；c表示模型目標損失函數(shù)[4]。利用上述公式對模型進行迭代計算，直到期望噪聲圖像與原始噪聲圖像之間的均方誤差為零，輸出此時參數(shù)k數(shù)值，對去噪模型參數(shù)進行調(diào)整，從而實現(xiàn)對去噪模型的訓練學習。

1.3 圖像平滑去噪

利用訓練后的模型對噪聲圖像進行去噪處理，向模型輸入原始圖像，經(jīng)過下采樣與上采樣，在去噪模塊中對原始圖像批量標準化，其公式為：

Z=γZi+β

(4)

公式(4)中，Z表示批量標準化函數(shù)；γ與β均為可調(diào)參數(shù)；Zi表示經(jīng)過參數(shù)調(diào)整后的圖像像素分布。經(jīng)過批量標準化后圖像經(jīng)過公式(1)生成，生成的噪聲圖像為Yn[5]。噪聲圖像進入邊緣模塊，在卷積層與池化層中利用邊緣損失函數(shù)對圖像特征進行分析，其計算公式為：

Yn(w,c)=lge+e-(x+ε)

(5)

公式(5)中，Yn(w,c)表示邊緣損失函數(shù)；w表示在第i個卷積層中提取到的前幾層的權(quán)重；c表示去噪模型訓練權(quán)重；e+表示在第i個卷積層中噪聲圖像Yn真實標簽在任意一像素點處的邊緣值；e-表示在第i個卷積層中噪聲圖像Yn真實標簽在任意一像素點處的非邊緣值；x表示不同輸出邊緣圖與邊緣真值之間的熵損失；ε表示模型在噪聲圖像Yn任意一處的邊緣噪聲預測值[6]。利用上述公式對圖像進行多尺度卷積計算，獲取到噪聲圖像的噪聲真值，在此基礎上對邊緣損失進行重建，其公式表示為：

(6)

公式(6)中，A表示重建損失函數(shù)；m表示去噪模型訓練圖像樣本數(shù)量；Fd表示網(wǎng)絡估計的噪聲殘差值；a表示圖像噪聲水平圖；q表示圖像邊緣噪聲真值圖[7]。根據(jù)重建的圖像損失，對噪聲圖像去噪，其去噪公式為：

(7)

公式(7)中，y表示去噪處理后的圖像；δ表示具有白高斯噪聲等級的數(shù)據(jù)保真項；xz表示圖像噪聲值；x表示圖像噪聲真值；μ表示圖像先驗相關的正則化項；ρ表示邊緣模塊在不同尺度的側(cè)輸出邊緣圖。利用上述公式對圖像進行平滑，從而降低圖像信噪比。

2 實驗論證分析

實驗以某圖像數(shù)據(jù)集為實驗對象，該數(shù)據(jù)集中圖像包含人物圖像、建筑圖像、農(nóng)作物圖像等，數(shù)據(jù)集大小為12.36 GB，圖像大小為481×321，像素為750×450，共包含1 000幅圖像，其中300幅圖像為訓練樣本，700幅圖像為驗證樣本。圖像數(shù)據(jù)用于信息識別，對圖像質(zhì)量要求較高，利用傳統(tǒng)與本次設計兩種方法對該圖像集中數(shù)據(jù)樣本去噪。根據(jù)該圖像實際情況，建立去噪模型，其參數(shù)如表1所示。

將去噪模型批處理大小設定為112，模型訓練次數(shù)為100次，迭代學習率為0.01，經(jīng)過100次后終止訓練，參數(shù)k值設定為1.5。實驗共分為7組，每組實驗去噪圖像數(shù)據(jù)樣本100個，去噪處理完成后，從每組實驗中隨機抽取1張圖像，記錄該圖像峰值信噪比，將峰值信噪比作為檢驗兩種方法去噪效果的指標，并使用電子表格對數(shù)據(jù)進行記錄，具體情況如表2所示。

表1 多尺度卷積神經(jīng)網(wǎng)絡模型參數(shù)

表2 不同去噪方法在圖像數(shù)據(jù)下的峰值信噪比/dB

通過對表中數(shù)據(jù)分析可以得出以下結(jié)論：應用設計方法去噪后圖像峰值信噪比最大為45.09 dB，最小峰值信噪比為36.48 dB，高于最小限值，說明設計方法圖像去噪效果較好；應用傳統(tǒng)方法去噪后圖像峰值信噪比最大為15.69 dB，最小峰值信噪比為10.69 dB，不僅低于設計方法，而且遠遠低于最小限值，因此實驗結(jié)果證明，本設計在去噪效果方面設計方法優(yōu)于傳統(tǒng)方法，更適用于圖像去噪，此次設計方法具有良好的可行性與可靠性。

3 結(jié)語

此次結(jié)合個人經(jīng)驗以及查閱的文獻資料，將多尺度卷積神經(jīng)網(wǎng)絡技術與圖像處理融合，提出了一個新的圖像去噪思路，此次研究有助于多尺度卷積神經(jīng)網(wǎng)絡技術的應用推廣，有助于提高該方面技術水平，同時還有助于提高圖像質(zhì)量，提高圖像清晰度，具有良好的現(xiàn)實意義。但是由于此次研究時間有限，且該方法尚未在實際中進行大量應用，在某些方面可能存在一些不足之處，今后仍會對該課題進行深層次探究，為實際操作提供有力的理論依據(jù)。