The classification and denoising of image noise based on deep

该算法主要由两部分组成噪声分类网络和图像去噪网络。这个算法不是针对含有某一种噪声的噪声图像进行去噪。在进行去噪之前，首先经过一个噪声分类网络，判断出输入图像中噪声的种类(可能含有一种噪声，可能同时含有多种噪声)。根据噪声的类型，用特定的去除某种噪声的网络进行图像去噪处理（每一种都要单独训练一个去噪网络）。算法流程如下。

接下来分步骤进行介绍

1.数据预处理

首先是对数据进行处理，生成含有特定形式噪声的图像数据。本文选择公开的数据集MNIST，Cifar-10和BSD500来训练和测试网络。

最后生成四个噪声数据集：含有一种噪声，含有两种噪声，含有多种噪声（三或四种），以及将以上三个数据集组合到一起。

2.分类网络

该模型的结构以及各层的参数如上所示。
损失函数

3.去噪网络

去噪模型的结构如图。Conv是卷积层，LRelu是非线性激励函数；BN是batch normalization。该网络层数根据batch_size确定。
输入的噪声图像可以看作$y = x + v$y=x+v。其中，$x$x是无噪声图片，$v$v是噪声。在这里也是把图像噪声看作加性噪声。
一些传统的图像去噪方法都是直接设计一个映射函数$F(y) = x$F(y)=x，直接输出去噪后的图像。在深度学习里，我们进行残差映射$R(y) \approx v$R(y)≈v，然后$x = y - R(y)$x=y−R(y)，得到去噪后的图像。采用残差学习的好处是，当网络层数很深时，能够加快训练速度。
损失函数定义如下：

实验与分析

分类

在这里，选择了三个其它的基于深度学习的分类模型：LeNet,AlexNet,VGG16。噪声类别分类准确度如下

可以看出，这个模型的效果还是不错的，尤其是在多噪声混合的情况下。

去噪

该模型对灰度图和彩图去噪分别进行了实验，注意，需要分别训练灰色图像去噪和彩色图像去噪网络。在对灰色图像去噪时，效果很好。但是在对彩色图像去噪时，只有高斯噪声去噪模型效果比较好。
所以，在对含有非高斯噪声的彩色图像进行去噪时，本文做了一个实验，在文中称作$\textbf{RGBSM}(SM\;means\;split-merge)$RGBSM(SMmeanssplit−merge)。该方法对彩色图像三通道分别用灰度图的去噪模型进行处理，然后再合并生成去噪后的彩色图。

可以看出，$\textbf{RGBSM}(SM\;means\;split-merge)$RGBSM(SMmeanssplit−merge)方法与直接对彩色图像进行去噪相比，去噪效果有了较大的提升。

从上图可以直观的看出，灰度图的去噪效果较好，对于彩色图像，去噪后效果很差，甚至降低的图像的质量。

在使用$\textbf{RGBSM}$RGBSM方法后，去噪效果有较大的改善。观察图b，去噪后的图像看着很清晰，但仔细看，一些细节都被平滑了。在c图中，去噪后一些位置还产生一些比较亮的色块。