dncnn图像去噪_基于强化学习的图像去噪方法与流程

本发明属于图像处理技术领域，涉及一种基于机器学习技术，采用强化学习去除图像噪声的方法。

背景技术：

随着计算机技术的发展，人们对于图像质量的要求越来越高。但是，由于环境或拍摄设备等因素，能够获得图像通常含有不同程度的噪音，这直接影响了后续应用的效率和正确率，因此，图像去噪技术具有很大的意义。

噪声可分为加性噪声和乘性噪声。近年来，去除图片中的噪音提高图片质量成为了视觉领域常见的内容。去噪的方法也可以分为两类：基于传统的数字图像处理方法；基于深度学习的方法。均值滤波、中值滤波、非局部均值滤波等都是经典的传统数字图像处理的去噪方法。但是，由于这些方法有一定的局限性，处理效果较差，效率较低，目前，更多采用的是基于深度学习的方法来去除噪声。jain[1]等人于2008年提出用cnn处理自然图像的去噪问题，避免了马尔可夫模型在概率学习和推断过程中计算困难的问题，降低了计算的复杂度；xie等人[2]于2012年利用栈式去噪自编码器进行图像去噪，模型中的网络结构使用多层全连接网络；mao等人[3]于2016年提出了深度的卷积编码解码网络应用于图像去噪，其中编码和解码结构对称，并且每隔几层就存在一条编码卷积层和解码卷积层之间的连接，解决了梯度弥散等问题。zhang等人[4]2017年提出的dncnn，采用残差学习策略，并加入批归一化方法。

虽然基于深度学习的去噪方法的效果有了很大的提高，但是他们的泛化性能较差，只能处理特定类型的噪声。

[1]jainv,sebastians.naturalimaginedenoisingwithconv