一种基于深度学习的图像去噪方法及系统
有权
阅读授权文献
Image denoising method and system based on deep learning
申请号：201810227380.0 申请日：2018-03-20
CN201810227380
CN108416755A
微信扫码查看/分享专利
|
摘要：本发明公开一种基于深度学习的图像去噪方法及系统，方法先构建主神经网络结构和副神经网络结构，采用迁移学习方法将副神经网络结构中的第一卷积层的可训练参数初始值和第五卷积层的可训练参数初始值分别赋值到主神经网络结构中的第一卷积层的可训练参数初始值和第十五卷积层的可训练参数初始值；其次将训练集加噪图像加入赋值后的主神经网络结构，通过前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪声特征图像；根据噪声特征图像确定训练模型；然后将验证集加噪图像输入到训练模型中，输出最终训练去噪模型；最后将测试集加噪图像加入最终训练去噪模型进行测试，获得去噪图像，大大提高了去噪效率和去噪效果。 |
|---|---|
| Abstract： The invention discloses an image denoising method and system based on deep learning. The image denoising method based on deep learning includes the steps: constructing a main neural network structureand an auxiliary neural network structure, respectively assigning the trainable parameter initial value of the first convolutional layer and the trainable parameter initial value of the fifth convolutional layer in the auxiliary neural network structure to the trainable parameter initial value of the first convolutional layer and the trainable parameter initial value of the 15th convolutional layer in the main neural network structure; adding a training set noise adding image into the main neural network structure after assignment, and obtaining a noise characteristic image by performing imagecharacteristic extraction, training and learning on the input training set noise adding image through a forward propagation algorithm; according to the noise characteristic image, determining a training model; inputting a verification set noise adding image into the training model, and outputting a final training denoising model; and adding a test set noise adding image into the final training denoising model to test, and obtaining a denoised image, thus greatly improving the denoising efficiency and the denoising effect. | |
| 申请人： 南昌航空大学 | |
| Applicant： UNIV NANCHANG HANGKONG | |
| 地址： 330000 江西省南昌市丰和南********(隐藏) | |
| 发明(设计)人： 盖杉 鲍中运 | |
| Inventor： GE SHAN; BAO ZHONGYUN | |
| 主分类号： G06T5/00(2006.01)I | |
| 分类号： G06T5/00(2006.01)I G06T7/11(2017.01)I | |
|
- 法律状态
| 2020-06-30 | 授权 |
| 2018-09-11 | 实质审查的生效IPC(主分类):G06T 5/00申请日:20180320 |
| 2018-08-17 | 公开 |
注：本法律状态信息仅供参考，即时准确的法律状态信息须到国家知识产权局办理专利登记簿副本。
- 其他信息
| 主权项 | 1.一种基于深度学习的图像去噪方法，其特征在于，所述方法包括： 构建主神经网络结构和副神经网络结构； 确定主神经网络结构的训练集加噪图像、主神经网络结构的验证集加噪图像和主神经 网络结构的测试集加噪图像； 根据副神经网络结构进行参数初始化训练，确定副神经网络结构中第一卷积层的可训 练参数初始值和第五卷积层的可训练参数初始值； 采用迁移学习方法将副神经网络结构中的第一卷积层的可训练参数初始值和第五卷 积层的可训练参数初始值分别赋值到主神经网络结构中的第一卷积层的可训练参数初始 值和第十五卷积层的可训练参数初始值； 将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网络结构，通过卷积神 经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、训练和学习，获得噪 声特征图像； 根据所述噪声特征图像确定训练模型； 将所述主神经网络结构的验证集加噪图像输入到训练模型中，采用前向传播算法确定 图像峰值信噪比； 判断所述图像峰值信噪比是否小于设定图像峰值信噪比阈值；如果小于设定图像峰值 信噪比阈值，则执行所述将所述主神经网络结构的训练集加噪图像加入赋值后的主神经网 络结构，通过卷积神经网络的前向传播算法对输入的训练集加噪图片进行图像特征提取、 训练和学习，获得噪声特征图像；如果大于等于设定峰值信噪比阈值，则训练结束，输出最 终训练去噪模型； 将所述主神经网络结构的测试集加噪图像加入最终训练去噪模型进行测试，获得去噪 图像。 |
||||||||||||||||||
| 公开号 | 108416755A | ||||||||||||||||||
| 公开日 | 2018-08-17 | ||||||||||||||||||
| 专利代理机构 | 北京高沃律师事务所 11569 | ||||||||||||||||||
| 代理人 | 王戈 | ||||||||||||||||||
| 颁证日 | |||||||||||||||||||
| 优先权 |
|
||||||||||||||||||
| 国际申请 | |||||||||||||||||||
| 国际公布 | |||||||||||||||||||
| 进入国家日期 | |||||||||||||||||||
- 专利对比文献
| 类型 | 阶段 | 文献号 | 公开日期 | 涉及权利要求项 | 相关页数 |
| A | SEA | CN106204468A | 20161207 | 1-10 | 全文 |
| A | SEA | CN106408522A | 20170215 | 1-10 | 全文 |
| A | SEA | US2017286803A1 | 20171005 | 1-10 | 全文 |
| A | SEA | CN107644401A | 20180130 | 1-10 | 全文 |
| A | SEA | CN107689034A | 20180213 | 1-10 | 全文 |
| A | SEA | US2007031237A1 | 20070208 | 1-10 | 全文 |
| A | SEA | CN105844331A | 20160810 | 1-10 | 全文 |
| A | SEA | CN106709875A | 20170524 | 1-10 | 全文 |
| A | SEA | JP2018022473A | 20180208 | 1-10 | 全文 |
| A | SEA | CN107730497A | 20180223 | 1-10 | 全文 |
注：不保证该信息的有效性、完整性、准确性，以上信息也不具有任何效力，仅供参考。使用前请另行委托专业机构进一步查核，使用该信息的一切后果由用户自行负责。
Ｘ：单独影响权利要求的新颖性或创造性的文件；
Ｙ：与检索报告中其他 Ｙ类文件组合后影响权利要求的创造性的文件；
Ａ：背景技术文件，即反映权利要求的部分技术特征或者有关的现有技术的文件；
Ｒ：任何单位或个人在申请日向专利局提交的、属于同样的发明创造的专利或专利申请文件；
Ｐ：中间文件，其公开日在申请的申请日与所要求的优先权日之间的文件，或会导致需核实该申请优先权的文件；
Ｅ：单独影响权利要求新颖性的抵触申请文件。
Ｙ：与检索报告中其他 Ｙ类文件组合后影响权利要求的创造性的文件；
Ａ：背景技术文件，即反映权利要求的部分技术特征或者有关的现有技术的文件；
Ｒ：任何单位或个人在申请日向专利局提交的、属于同样的发明创造的专利或专利申请文件；
Ｐ：中间文件，其公开日在申请的申请日与所要求的优先权日之间的文件，或会导致需核实该申请优先权的文件；
Ｅ：单独影响权利要求新颖性的抵触申请文件。
- 期刊对比文献
| 类型 | 阶段 | 期刊文摘名称 | 作者 | 标题 | 涉及权利要求项 | 相关页数 |
| A | SEA | 《IEEE Transactions on Image Processing》 | Zhang et al. | Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising | 1-10 | 第3142-3155页 |
| ZHANG ET AL.: "Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 | ||||||
| A | SEA | 《Proceedings of International Conference》 | Jain V et al | Natural image denoising with convolutional | 1-10 | 第769-776页 |
| JAIN V ET AL: "Natural image denoising with convolutional", 《PROCEEDINGS OF INTERNATIONAL CONFERENCE》 | ||||||
| A | SEA | 《中国优秀硕士学位论文全文数据库 信息科技辑》 | 吴洋威 | 基于深度学习的图像去噪算法 | 1-10 | 第I138-820页 |
| 吴洋威: "基于深度学习的图像去噪算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 | ||||||
| A | SEA | 《计算机研究与发展》 | 周彧聪 等 | 互补学习：一种面向图像应用和噪声标注的深度神经网络训练方法 | 1-10 | 第2649-2659页 |
| 周彧聪 等: "互补学习：一种面向图像应用和噪声标注的深度神经网络训练方法", 《计算机研究与发展》 | ||||||
| A | SEA | 《IEEE》 | Weiyue Wang et al. | Self-paced cross-modality tranfer learning for efficient road segmentation | 1-10 | 第1394-1401页 |
| WEIYUE WANG ET AL.: "Self-paced cross-modality tranfer learning for efficient road segmentation", 《IEEE》 | ||||||
- 书籍对比文献
| 类型 | 阶段 | 书名 | 作者 | 标题 | 涉及权利要求项 | 相关页数 |
- 附加信息
