一种基于多尺度边缘特征融合的图像去噪方法

本发明涉及图像处理，尤其涉及一种基于多尺度边缘特征融合的图像去噪方法。

背景技术：

0、技术背景

1、图像去噪是指通过对图像进行处理，消除或减少图像中的噪声，以恢复图像的清晰度和细节。噪声是由各种因素引起的图像中的不希望的干扰信号，例如图像传感器的热噪声、光照条件的变化、信号传输或存储过程中的干扰等。这些噪声会导致图像质量下降，降低视觉感知和图像分析的准确性。图像去噪的目标是恢复图像中的清晰细节，减少噪声对图像质量和信息的影响。去噪算法通过分析图像的统计特性、噪声模型以及图像自身的特征，对图像进行滤波或其他处理操作，以抑制或移除噪声成分。去噪算法可以基于传统的滤波技术，如均值滤波、中值滤波、高斯滤波等，也可以基于更复杂的数学模型和机器学习方法，如小波变换、稀疏表示、深度学习等。它在许多领域都有广泛的应用，包括计算机视觉、图像处理、医学成像、摄影和视觉效果等。去噪技术的发展不仅可以提升图像的视觉质量，还能够改善图像分析、目标检测、图像识别等任务的性能，对于提高图像相关应用的效果和可靠性具有重要意义。

2、随着深度学习技术在计算机视觉领域的不断发展和广泛应用，将其应用于图像去噪过程已经成为一种新的解决思路。相较于传统的图像处理算法，深度学习方法通过在训练过程中学习从含噪声图像到干净图像的映射函数，取得了超越传统方法的优异结果。深度学习中的卷积神经网络在图像处理领域具有广泛的应用，其卓越的特征提取能力使其在高级图像任务中取得了巨大成功。当将卷积神经网络应用于图像去噪算法时，它展现出出色的细节恢复性能。因此，进一步研究如何充分利用深度学习技术来解决图像去噪问题变得至关重要。

3、在图像去噪领域，传统的去噪方法中，通常只关注于局部信息的利用，而忽视了图像中的全局结构和上下文信息，并且网络训练过程中可能会出现边缘信息的一定程度丢失。为了解决这些问题，提出一种基于多尺度边缘特征融合的图像去噪方法，旨在以将局部细节信息和全局结构信息相结合，为去噪网络提供更丰富和准确的先验知识，并且保留和增强图像的边缘结构。这种技术背景的创新点在于综合利用了多尺度信息和边缘信息，并整合到去噪网络中，以提供更准确和全面的先验知识。通过这种方法，可以减少边缘等信息的模糊和丢失，增强特征的表示和重用能力，并且有效降低伪影与失真的存在。这进一步提高了去噪结果的质量和鲁棒性。

技术实现思路

1、本发明的目的在于提供种基于多尺度边缘特征融合的图像去噪方法，以解决上述背景技术中提出的问题和达到的效果。

2、本发明目的是这样实现的：一种基于多尺度边缘特征融合的图像去噪方法，其特征在于：该方法包括以下步骤：

3、步骤一、读取数据集，对图像进行数据增强；

4、步骤二、分别搭建多尺度特征提取网络和边缘提取网络模型，多尺度特征提取网络为上层网络，边缘提取网络为下层网络；

5、步骤三、搭建以增强边缘特征的融合网络，其输出作为去噪神经网络的先验知识；

6、步骤四、搭建去噪神经网络，形成图像去噪神经网络模型；

7、步骤五、经过去噪网络得到噪声近似值，最后由需要处理的原图像与噪声相似值相减得到去噪后的图像，并且进行损失函数的计算。

8、优选地，步骤一中所述的数据集由400张180×180像素的灰度图像构建灰度图像样本集和3859张的彩色图像构建彩色图像样本集，根据步幅40切割被分割为50×50像素，400个灰度图像被划分为15200个图像块，3859个彩色图像被划分为1218558个图像块，在图像训练过程中，将训练的图像块随机旋转，分别进行旋转90度、旋转180度、旋转270度、旋转90度并翻转、旋转180度并翻转、旋转270度并翻转和垂直翻转的操作，同时将加性高斯白噪声加入灰度和彩色图像形成密集的高斯白噪声。

9、训练集为了更加模拟真实世界中的噪声情况，而加入的加性高斯白噪声，通过数据仿真，得出加性高斯白噪声仿真模型用如下公式表示：

10、n＝μ+σ*z

11、其中n表示高斯噪声的取值，μ是噪声的均值，σ是噪声的标准差，z是服从标准正态分布(均值为0，标准差为1)的随机变量。

12、优选地，步骤二中所述的上层网络msfenet采用了双层网络结构，具体为：上层网络由6层组成，2层dconv+bn+relu层，2层的dconv层，以及2层bn+relu；下层网络结构由10层组成，4层dconv+bn+relu层，3层的dconv层，以及3层bn+relu，并且在网络中会引入2个跳跃连接，分别是第一层dconv与第五层dconv相连和第一层dconv与第九层dconv相连，其中使用了空洞卷积来增加感受野，空洞率为2，卷积核的大小为3×3；

13、所述dconv+bn+relu分别为：dcov为膨胀卷积、bn为批归一化，relu表示relu激活函数；

14、所述bn+relu分别为：bn为批归一化，relu表示relu激活函数；

15、所述dconv+bn+relu中dconv进行卷积操作提取每个切片的特征，然后通过批归一化和relu激活函数得到整体的上下文信息，从而获取更多的不同尺度的特征。

16、优选地，步骤二中所述的边缘提取网络模型具体为：采用基于canny算子的边缘提取网络，来提取图像的边缘信息，用以增强和保留图像的边缘细节。

17、优选地，步骤三所述的以增强边缘特征的融合网络包含一个conv+relu+bn层、两个conv层和cbam模块。

18、cbam模块结合了信道注意机制和空间注意机制，能够自适应地关注图像特征的重要通道和空间位置，从而提高模型的表达能力和性能。

19、优选地，步骤四所述的去噪神经网络去噪神经网络由17层组成，一个cbr块，4个dcbr块，2个cc块、2个ccc块和2个conv层，其中引入了基于senet的注意力机制和跳跃连接；

20、所述cbr块为:conv+bn+relu；

21、所述dcbr块别为:dconv+bn+relu；

22、所述cc块别为:conv+conv；

23、所述ccc块为:conv+conv+conv。

24、优选地，步骤五中所述的损失函数采用对异常值更加敏感的l2范数来调节模型参数，公式为：

25、

26、其中，即输入的第i个含噪的原始图片减去第i个不含噪的对应图片，得到真实的残差图片，再使用计算得出预测的第i个图片的残差图片，预测值减去真实值，计算l2(mse均方误差)损失函数。

27、优选地，学习率根据训练的epoch数量进行动态调整，采用adam算法对损失函数进行了优化。

28、本发明的有益效果是：本发明将多尺度特征和边缘检测提取的边缘特征进行融合，这种特征融合机制增强了模型的特征重用能力，然后将其作为先验知识输入到去噪网络中，这使得网络能够利用边缘信息和图像结构来引导去噪过程，后通过网络的学习建立起噪声图像到干净图像的准确映射，最终对图像的高斯白噪声进行预测最终将真实图像与网络结构预测的噪声作差最终得到干净的图像。相较于现有技术，本发明的方法通过综合利用多种特征信息和边缘信息，能更有效地消除人工合成噪声。同时，能够更好地保留和恢复图像的结构，提高图像的质量和清晰度。