文/周利斌 劉茹 陳虎 熊光磊 滕雅欣

高噪聲圖像去噪時，基于深度卷積神經(jīng)網(wǎng)絡(luò)，先求加噪圖像的卷積，進行批量標(biāo)準(zhǔn)化后圖像重構(gòu)并輸出殘差圖像，計算函數(shù)損失值，最后反向更新和迭代，得到理想去噪模型。

圖像特征提取中，根據(jù)Moravec 算子，以上下左右及45°角方向上像素點灰度變化的最小方差點為核心，按圖像設(shè)定閾值作為判斷依據(jù)。讀取當(dāng)前像素顏色，由計算灰度值，并計算4 個方向灰度差平方和的極值，求取特征點。

1 計算機圖像處理的背景及應(yīng)用

在圖像處理過程中，首先進行圖像轉(zhuǎn)化，識別特征點等圖像數(shù)據(jù)信息存儲到計算機中；然后使用各種圖像處理算法處理存儲到計算機中的圖像；最后進行圖像識別，得到圖像中的有用信息，分析處理技術(shù)的好壞直接影響成像質(zhì)量。計算機圖像處理技術(shù)應(yīng)用十分廣泛，準(zhǔn)確度高、再現(xiàn)性好，必將在眾多領(lǐng)域發(fā)揮更加重要的作用。

2 圖像采集系統(tǒng)設(shè)計

較大型圖像采集系統(tǒng)以基于PC 機的圖像視頻采集卡為主；較小型的則以ARM、DSP等嵌入式平臺為主。本文選取SoC 系統(tǒng)芯片，由圖像傳感器SONY IMX323、相機捕捉控制器、ARM9 I2C 控制器、神經(jīng)網(wǎng)絡(luò)加速器以及控制器工作記憶內(nèi)存組成。系統(tǒng)供電后，先利用I2C 模塊使用標(biāo)準(zhǔn) SCCB（Serial Camera Control Bus）協(xié)議對圖像傳感器寄存器進行配置，設(shè)置工作方式；然后打開相機捕捉控制器，采集圖像數(shù)據(jù)信號；最后通過異步FIFO 進行數(shù)據(jù)緩沖，使兩側(cè)數(shù)據(jù)傳輸同步，圖像數(shù)據(jù)便以幀為單位存入工作記憶內(nèi)存。

3 高噪聲圖像去噪算法設(shè)計

圖像采集設(shè)備質(zhì)量、數(shù)據(jù)傳輸環(huán)境等都會影響成像質(zhì)量。成像需有較好分辨度，為此圖像去噪必不可少。本文基于深度卷積神經(jīng)網(wǎng)絡(luò)提出一種高噪聲圖像去噪新思路。

設(shè)輸入層是加噪圖像樣本Y=X+N，X 是原始無噪圖像，N是分布為N(0,σ2)的噪聲圖像，σ 為噪聲標(biāo)準(zhǔn)差，Y 是含噪圖像；輸出層是預(yù)測噪聲圖像R(Y)。

算法具體步驟如下：

（1）求加噪圖像卷積，設(shè)圖像矩陣f

設(shè)平均矩陣g

（2）批量標(biāo)準(zhǔn)化處理，避免卷積后出現(xiàn)網(wǎng)絡(luò)內(nèi)部協(xié)變量轉(zhuǎn)移。樣本均值μ 和方差σ2如下：

正則化Znorm

為保證分母不為零，取ξ 值很小；Z 表示未激活前的神經(jīng)元。加入可調(diào)參數(shù)α 和β，得標(biāo)準(zhǔn)化公式如下：

（3）對批量標(biāo)準(zhǔn)化后的圖像進行圖像重構(gòu)，輸出殘差圖像。

（4）根據(jù)（3）中得到的殘差圖像計算函數(shù)損失值。如式（5）所示。

（5）根據(jù)圖像損失函數(shù)進行反向更新和迭代，得到理想去噪模型。迭代公式如下：

其中ω 為學(xué)習(xí)率，l 為所在層序數(shù)。

4 圖像特征提取算法設(shè)計

圖像處理關(guān)鍵是特征點提取。Moravec 算子以上下左右及45°角方向上像素點灰度變化的最小方差點為核心，根據(jù)圖像設(shè)定閾值作為判斷依據(jù)。該算子的計算簡單迅速，但抗噪能力差。在設(shè)計有高噪聲圖像去噪算法的基礎(chǔ)上，對Moravec 算子進行深度分析，算法具體步驟如下：

（1）設(shè)像素中心（x,y），計算4 個方向灰度差的平方和。

G 為灰度差平方和，k=int(M/2)，M 為像素矩陣，g 各點為灰度值。取G1、G2、G3、G4中最小值為核心點；

（2）將小于設(shè)定閾值的點作為待測點；

（3）選擇待測點中的極值點作為特征點，劃定窗口范圍，在待測點中留下灰度差平方和最大值點，確認該最大值為特征點。

5 評價及改進

本文初步給出了圖像采集、去噪及特征提取算法，減少了計算量，優(yōu)化了圖像邊界的處理。此外，還可以在圖像清晰度、一般模式下的去噪做出改進。