华院论文 | 基于自编码卷积神经网络的图像去噪算法

【摘要】为了实现更高效的图像去噪，提出一种新的自编码卷积神经网络图像去噪算法。新算法改变了卷积层的激活函数和整个网络跳跃连接的方式，并在学习率的选取上有了一定改进。新模型结构设计简单，卷积网络层数更少。数值实验表明，新模型比原模型运行时间更少、视觉效果更好、峰值信噪比更大。 关键词：图像去噪、卷积神经网络、人工智能、机器学习 中图分类号：TP391.4    文献标志码：A　 文章编号:1674-232X(2021) 01-0095-07

作者：杜渺勇1，于祥雨2，周浩1，韩丹夫1

近年来，深度学习在实际问题处理中发挥了巨大作用。从医学、视觉心理学，再到安全检查、数字通信技术等，图像能够帮助人类观察对象，并为之采取正确的行动【1】。传统上，已经有许多经典的图像处理方法，例如滤波方法、偏微分方程方法和小波分析方法等【2】。随着大数据和人工智能领域的发展，图像数据规模呈指数型增长，如何将图像处理与深度学习相结合是研究者们的关注热点【3-5】。

图像复原是计算机视觉处理的一个经典问题【6-7】。简而言之，图像复原就是将一张损坏的图像恢复成它的原始状态。目前，深度神经网络展现了它在图像处理方面优良的性能，包括图像复原、图像分类和语义分割等。

Jain和Seung在2007年首先提出了深度神经网络的图像去噪方法【8】。他们在训练神经网络时采取了逐层训练的方法，使网络更加快速地收敛。文献【9】提出堆叠稀疏去噪自编码去噪器，并将其用于图像的去噪和复原工作，但是其网络层数较浅。文献【10】提出了一种新的自编码卷积神经网络的框架，但是由于有维度收缩和维度放大等操作，图像的细节信息容易被破坏。文献【11】根据细胞神经网络（cellular neural networks, CNN）处理图像的优良性能，提出了更深层次的卷积神经网络框架。这个框架不需要使用图像的先验信息，而是直接以端到端的方式学习，并且使用了卷积与反卷积映射。由于深层网络难以训练，这个框架也引入了多层跳跃连接，进而获得较好的去噪效果。

1. 卷积自动编码器的模型介绍

堆叠自编码神经网络是最初的用于图像去噪的深度神经网络【7】，它通过一次只对一层进行无监督的预训练，来最小化相对于输入的重构误差。一旦所有层都经过了预训练之后，网络就会进入微调阶段。Xie等结合稀疏编码和自编码深度神经网络【9】，提出了新的网络用于图像去噪和图像复原等任务。其主要思想是提出了正则化的稀疏诱导项，以提高网络的性能。深度级联网络（deep cascade network, DNC）是一种用于图像超分辨率的多层协同局部自动编码网络【12】。它将纹理高频增强后的图像块输入到网络中，来抑制噪声，并协调重叠部分的相容性。Dong等提出了对称的自编码网络，并且增加跳跃连接【11】。

本文通过改进文献【11】的激活函数、跳跃连接和学习率，只需要更少的隐藏层就能达到文献【11】的去噪效果，并且训练时间和测试时间均有所减少。与文献【11】相比，本文在原有神经网络结构上还引入加权系数的思想，即跳跃连接不是直接将卷积层与反卷积层相加，而是在卷积层和反卷积层之前添加权重系数，实验结果显示峰值信噪比也有所增高。

２. 新的方法

2.1 模型综述

图像去噪是对含有噪声的图像进行处理，并估计原始图像的过程．这个问题可以被描述为

                      Ｙ(i , j)＝ Ｘ(i , j)＋η(i , j) ，     （１）

其中，Y(i , j)表示噪声图像，X(i , j)表示原始图像，η(i , j)表示加性噪声。原始图像在加性噪声的干扰下，退化为噪声图像。由此，图像去噪的过程也可以表述为获得原始图像估计值Ｆ(i , j)的过程。Ｘ(i , j)和Ｆ(i , j)的偏差越小，图像去噪效果越好。

本文将均方误差作为损失