汤勇峰

(江苏省徐州医药高等职业学校，江苏 徐州 221116)

0 引言

去噪作为图像处理过程中不可或缺的步骤，其去噪效果直接关系到图像质量。自然环境、摄像机自身误差等因素的干扰，获取的图像会存在噪声，当噪声达到一定数值时，会影响图像的清晰度，因此，根据图像质量要求，需要对图像进行去噪处理，降低图像峰值信噪比。由于国内图像去噪技术起步比较晚，该方面技术与理论还有所欠缺，技术水平比较低，相关研究理论也不是特别丰富，因此有必要对图像去噪进行持续探究。现有的去噪思路主要包括两种，第一是基于平滑滤波，该思路是在20世纪80年代被提出的，其主要是利用滤波器对图像进行平滑滤波处理，以傅里叶变换理论作为理论依据，该方法的特点是去噪速度快；第二是基于稀疏表达，该思路是在基于平滑滤波图像去噪理论基础上，经过优化与改善提出的，根据图像的稀疏性对其噪声进行约束，该方法的特点为操作简单，但是图像噪声多数情况下无法被稀疏化，因此去噪效果比较差。现有的去噪理论比较落后，随着图像质量要求的不断提高，传统方法在实际应用中难以达到要求，去噪后图像的峰值信噪比仍然比较低，为此提出此次研究，为图像去噪提供参考依据。

1 基于多尺度卷积神经网络的图像去噪方法设计

应用多尺度卷积神经网络技术实现图像去噪，该方法主要分为3个部分，第一根据图像去噪需求建立多尺度卷积神经网络去噪模型，该模型由去噪模块与边缘模块两部分组成；第二利用损失函数对模型进行训练学习，降低残差；第三融合残差学习与批量化标准，利用训练好的多尺度卷积神经网络模型对图像进行去噪处理，其具体去噪流程如图1所示。

图1 图像去噪流程

由多尺度卷积神经网络去噪模型对原始噪声图像进行生成，由边缘模块对噪声图像边缘特征进行提取与融合，再通过模型损失学习重建损失，确定噪声真值，从而去除图像中的噪声，下文将对该去噪方法进行详细说明。

1.1 建立多尺度卷积神经网络去噪模型

利用多尺度卷积神经网络技术建立去噪模型，模型包括去噪模块与边缘模块两部分，以多尺度卷积神经网络为架构，去噪模块主要用于生成含噪图像，对噪声图像进行描述，在多尺度卷积神经网络中去噪模型属于前馈神经网络，通过上采样与下采样将原始图像的每个像素块放入水平列阵中，生成像素为原始图像像素一半的噪声图像[1]。去噪模块由卷积层、中间层和输出层3部分组成，根据实际情况确定参数，其中包括各个层的数量、核尺寸、步数等，去噪模块利用加性白高斯噪声生成噪声图像，其用公式表示为：

Y=X+K

(1)

公式(1)中，Y表示噪声模块生成的噪声图像；X表示图像加性白高斯噪声；K表示原始含噪图像[2]。在多尺度卷积神经网络中边缘模块属于末端神经网络，结构设计为多特征融合网络结构，由卷积层和最大池化层组成，架构输出是经过残差训练学习以及卷积计算得到的图像边缘噪声特征，边缘模块中每隔两个卷积层连接一个最大池化层，经过池化层池化处理，可以将图像宽高变为上一阶段的一半，经过多尺度卷积计算，输出图像噪声真值，为图像去噪提供依据。

1.2 模型训练

上文建立的模型是通过预先对图像数据样本不断学习，确定模型参数，减少去噪误差，利用残差学习法对模型进行训练，其学习过程用公式表示为：

(2)

公式(2)中，R表示期望去噪值与实际去噪值之间的均方误差，实际为代价函数；N表示待去噪的图像数据样本数量；Yi表示实际去噪值；Yj表示期望去噪值；k表示模型学习参数[3]。利用寻优迭代算法对代价函数进行求解，计算出期望噪声图像与原始噪声图像之间的均方误差最小值，其计算公式为：

(3)

公式(3)中，α表示模型的学习率；l表示学习参数所在多尺度卷积神经网络去噪模型的层序数；c表示模型目标损失函数[4]。利用上述公式对模型进行迭代计算，直到期望噪声图像与原始噪声图像之间的均方误差为零，输出此时参数k数值，对去噪模型参数进行调整，从而实现对去噪模型的训练学习。

1.3 图像平滑去噪

利用训练后的模型对噪声图像进行去噪处理，向模型输入原始图像，经过下采样与上采样，在去噪模块中对原始图像批量标准化，其公式为：

Z=γZi+β

(4)

公式(4)中，Z表示批量标准化函数；γ与β均为可调参数；Zi表示经过参数调整后的图像像素分布。经过批量标准化后图像经过公式(1)生成，生成的噪声图像为Yn[5]。噪声图像进入边缘模块，在卷积层与池化层中利用边缘损失函数对图像特征进行分析，其计算公式为：

Yn(w,c)=lge+e-(x+ε)

(5)

公式(5)中，Yn(w,c)表示边缘损失函数；w表示在第i个卷积层中提取到的前几层的权重；c表示去噪模型训练权重；e+表示在第i个卷积层中噪声图像Yn真实标签在任意一像素点处的边缘值；e-表示在第i个卷积层中噪声图像Yn真实标签在任意一像素点处的非边缘值；x表示不同输出边缘图与边缘真值之间的熵损失；ε表示模型在噪声图像Yn任意一处的边缘噪声预测值[6]。利用上述公式对图像进行多尺度卷积计算，获取到噪声图像的噪声真值，在此基础上对边缘损失进行重建，其公式表示为：

(6)

公式(6)中，A表示重建损失函数；m表示去噪模型训练图像样本数量；Fd表示网络估计的噪声残差值；a表示图像噪声水平图；q表示图像边缘噪声真值图[7]。根据重建的图像损失，对噪声图像去噪，其去噪公式为：

(7)

公式(7)中，y表示去噪处理后的图像；δ表示具有白高斯噪声等级的数据保真项；xz表示图像噪声值；x表示图像噪声真值；μ表示图像先验相关的正则化项；ρ表示边缘模块在不同尺度的侧输出边缘图。利用上述公式对图像进行平滑，从而降低图像信噪比。

2 实验论证分析

实验以某图像数据集为实验对象，该数据集中图像包含人物图像、建筑图像、农作物图像等，数据集大小为12.36 GB，图像大小为481×321，像素为750×450，共包含1 000幅图像，其中300幅图像为训练样本，700幅图像为验证样本。图像数据用于信息识别，对图像质量要求较高，利用传统与本次设计两种方法对该图像集中数据样本去噪。根据该图像实际情况，建立去噪模型，其参数如表1所示。

将去噪模型批处理大小设定为112，模型训练次数为100次，迭代学习率为0.01，经过100次后终止训练，参数k值设定为1.5。实验共分为7组，每组实验去噪图像数据样本100个，去噪处理完成后，从每组实验中随机抽取1张图像，记录该图像峰值信噪比，将峰值信噪比作为检验两种方法去噪效果的指标，并使用电子表格对数据进行记录，具体情况如表2所示。

表1 多尺度卷积神经网络模型参数

表2 不同去噪方法在图像数据下的峰值信噪比/dB

通过对表中数据分析可以得出以下结论：应用设计方法去噪后图像峰值信噪比最大为45.09 dB，最小峰值信噪比为36.48 dB，高于最小限值，说明设计方法图像去噪效果较好；应用传统方法去噪后图像峰值信噪比最大为15.69 dB，最小峰值信噪比为10.69 dB，不仅低于设计方法，而且远远低于最小限值，因此实验结果证明，本设计在去噪效果方面设计方法优于传统方法，更适用于图像去噪，此次设计方法具有良好的可行性与可靠性。

3 结语

此次结合个人经验以及查阅的文献资料，将多尺度卷积神经网络技术与图像处理融合，提出了一个新的图像去噪思路，此次研究有助于多尺度卷积神经网络技术的应用推广，有助于提高该方面技术水平，同时还有助于提高图像质量，提高图像清晰度，具有良好的现实意义。但是由于此次研究时间有限，且该方法尚未在实际中进行大量应用，在某些方面可能存在一些不足之处，今后仍会对该课题进行深层次探究，为实际操作提供有力的理论依据。