技术摘要：
一种基于DnCNNs改进的图像降噪方法，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  全部
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。 3 CN 111612709 A 说　明　书 2/3 页 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。