本发明涉及图像处理技术领域，具体涉及一种基于dncnns改进的图像降噪方法。

背景技术：

随着科技进步，新的图像技术在逐渐推广，在日常生活中人们对于图像的要求也越来越高，针对阴天或夜晚等弱光条件下拍摄的图像具有噪点较多和细节模糊等问题，这个时候就需要把图像的噪声去除用来优化图像。传统基本做法是对于频域与空域进行处理或者得到先验知识确定噪声类型针对处理，这些基本方法都只针对于特定场景下图像降噪，对于复杂环境的图像降噪效果并不明显，近年来，基于深度学习的图像降噪技术取得卓越进展，在高级图像理解任务，比如：图像分类、目标检测等方面取得令人瞩目的成绩。基于深度学习算法的图像降噪技术成为研究的热点，常规做法是将图像数据训练集噪声图像与清晰图像进行直接训练，得到权重参数但是修复完成后视觉效果以及图像质量有待提高。因此技术革新的新型图像降噪技术是十分有必要的。

技术实现要素：

本发明为了克服以上技术的不足，提供了一种在暗光条件下可以对图像进行降噪，使图像噪声明显降低，提高图像信噪比，提升图像辨识度的基于dncnns改进的图像降噪方法本发明克服其技术问题所采用的技术方案是：

一种基于dncnns改进的图像降噪方法，其特征在于，包括如下步骤：

a)将输入计算机的彩色图片进行颜色通道转换，转换成rgb颜色通道，并将rgb颜色通道进行分离得到r通道图像、g通道图像以及b通道图像；

b)将r通道图像、g通道图像以及b通道图像输入dncnns网络，dncnns网络为3*3卷积核，dncnns网络对r通道图像、g通道图像以及b通道图像进行l次卷积处理，提取相关特征数据，每次卷积操作得到一层，得到l个层，使用relu及3*3的卷积得到深度为64的特征映射图像；

c)将densenet残差网络引入步骤b)中的dncnns网络，将步骤b)中的l层使用densenet残差网络连接在一起，每个层的输入由所有之前层的特征映射组成，得到2w*2h*64的特征图像，其中w为图片的宽度，h为图片的高度；

d)获取使用relu和3*3卷积核对2w*2h*64的特征图像卷积后得到4w*4h*c的特征图，该特征图为iest，其中c为图像深度；

e)通过公式计算得到损失函数le，其中ihr为原始高分辨率图像，通过计算损失函数得到优化后的图像；

f)将优化后的图像的r通道、g通道和b通道合成rgb图像。

进一步的，步骤b)中的dncnns网络采用步长为2的3*3的卷积核对r通道图像、g通道图像以及b通道图像进行卷积处理。

本发明的有益效果是：采用改进后的dncnns网络结构，与原始网络相比较将densenet改进残差网络引入。将所有层直接连接在一起。在这种新型架构中，每层的输入由所有之前层的特征映射组成，其输出将传输给每个后续层。这些特征映射通过深度级联聚合，再提升网络深度同时，也引入低层特征，如像素级特征。多尺度结构往往是为了获取更大的感受野。最简单的方法当然是用不同的卷积核，但是大卷积核往往会造成参数和计算量的增大。原始网络采用将多尺度结构，往往造成原算量巨大，于是在新网路结构中采用小卷积核，多次卷积的的方式，采用这种方法，运行速度快，操作简单。只需要设置好固定的参数值即可。

附图说明

图1为本发明的原理框图。

具体实施方式

下面结合附图1对本发明做进一步说明。

一种基于dncnns改进的图像降噪方法，其特征在于，包括如下步骤：

a)将输入计算机的彩色图片进行颜色通道转换，转换成rgb颜色通道，并将rgb颜色通道进行分离得到r通道图像、g通道图像以及b通道图像。

b)将r通道图像、g通道图像以及b通道图像输入dncnns网络，dncnns网络为3*3卷积核，dncnns网络对r通道图像、g通道图像以及b通道图像进行l次卷积处理，提取相关特征数据，每次卷积操作得到一层，得到l个层，使用relu及3*3的卷积得到深度为64的特征映射图像。

c)将densenet残差网络引入步骤b)中的dncnns网络，将步骤b)中的l层使用densenet残差网络连接在一起，每个层的输入由所有之前层的特征映射组成，得到2w*2h*64的特征图像，其中w为图片的宽度，h为图片的高度。引入改进残差网络densenet，原始dncnns网络中，假设有l层网络，但是在densenet中，就会有l(l+1)/2个连接，可以理解为每一层输入都来自前面所有层的输出。densenet原理公式如下：

x1＝h1([x0,x1,…,xl-1])，其中[x0,x1,…,xl-1]表示将0到l-1层的输出featuremap做concatenation。concatenation是做通道的合并，呼应宣布该inception那样，h1包括bn、relu和3*3的卷积。

建立建立block叠加，block之间任意两层间建立前向skipconnection是整个核心思想。一个block包含多个denselayer，其又包括三层：bn、relu和conv。前3层作为一个部分是为了利用1*1conv减少特征图数量，增加计算量。不同denseblock之间的连接层称为transitionlayer，每个transitionlayer包含3层：bn，1*1conv和2*2avgpool。

d)获取使用relu和3*3卷积核对2w*2h*64的特征图像卷积后得到4w*4h*c的特征图，该特征图为iest，其中c为图像深度。

e)在本网络中参数的初始化采用xavier网络的学习目标是超分辨率图像与输入的低分辨率图像线性插值的差。其中损失函数部分我们选择pixel-wiseloss强调的是两幅图像之间每个对应像素的匹配。通过pixel-wiseloss训练的图片通常会较为平滑。即使输出图片具有较高的psnr，视觉效果也并没有很突出。后期引入图像锐化以解决过于平滑问题。通过公式计算得到损失函数le，其中ihr为原始高分辨率图像，通过计算损失函数得到优化后的图像。le用来估量模型的预测值f(x)与真实值y的不一致程度，它是一个非负实值函数，损失函数越小，模型的鲁棒性就越好。

f)将优化后的图像的r通道、g通道和b通道合成rgb图像。

首先将彩色图片进行颜色通道转换，将图像分离成rgb颜色通道，转换完成后，使用改进cnn网络分别对三个通道中的图像进行预处理，将三个通道的图像进行分别优化求解，利用网络的学习能力充分优化三个通道图像，最终得到三个图像通道结果，得到结果后将rgb图像，转换完成后再进行颜色通道融合即得到处理后的图像。

目前在深度网络方面存在以下几个问题：1.梯度消失：随着网络深度增加，梯度消失问题越来越严重，从而造成网络崩溃。2.无法充分利用低级特征进行操作，对于一个cnn来说，前面的卷积层往往代表着低层特征，如像素级特征。而后面的卷积层往往是高层特征，如语义特征等。与现有技术相比，本发明具有以下优点：1.在以前图像去噪中，我们常用添加高斯噪声方法来模拟这种复杂的噪声分布，难免与实际噪声分布存在差异，所以在真实噪声图像上应用往往效果会有所下降，采用将颜色通道分离的工作，无论是真实拍摄的图像的噪声去除还是人工添加噪声模拟噪声分布，往往都更加方便、有效。2.采用改进后的dncnns网络结构：(1)与原始网络相比较将densenet改进残差网络引入。将所有层直接连接在一起。在这种新型架构中，每层的输入由所有之前层的特征映射组成，其输出将传输给每个后续层。这些特征映射通过深度级联聚合，再提升网络深度同时，也引入低层特征，如像素级特征。(2)多尺度结构往往是为了获取更大的感受野。最简单的方法当然是用不同的卷积核，但是大卷积核往往会造成参数和计算量的增大。原始网络采用将多尺度结构，往往造成原算量巨大，于是在新网路结构中采用小卷积核，多次卷积的的方式，采用这种方法，运行速度快，操作简单。只需要设置好固定的参数值即可。

优选的，步骤b)中的dncnns网络采用步长为2的3*3的卷积核对r通道图像、g通道图像以及b通道图像进行卷积处理。

以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。