[發明專利]基于偽3D自相關網絡的真實圖像去噪方法

有效

• 申請號: 202110238276.3
• 申請日: 2021-03-04
• 公開（公告）號: CN112862723B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 王好謙;胡小婉
• 申請（專利權）人: 清華大學深圳國際研究生院
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06V10/44;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 深圳新創友知識產權代理有限公司 44223
• 代理人: 江耀純

1.一種基于偽3D自相關網絡的真實圖像去噪方法，其特征在于，包括：

S1、基于一維快速卷積構建偽3D自相關模塊，所述偽3D自相關模塊用于執行如下操作：

首先，對輸入特征圖每個位置上的元素，通過一維快速卷積分別提取水平方向、垂直方向和通道方向的自相關特征，完成所有位置的遍歷后，分別得到水平方向、垂直方向和通道方向的偽3D自相關特征；其次，對水平方向、垂直方向和通道方向的偽3D自相關特征進行通道級聯，再進行自適應特征融合，得到包含空間域自相關信息和通道域自相關信息的全局自相關特征；最后，通過殘差連接將所述全局自相關特征與所述輸入特征圖相加后作為所述偽3D自相關模塊的輸出；

S2、基于所述偽3D自相關模塊，構建偽3D自相關網絡；

所述偽3D自相關網絡包括從輸入到輸出端依次連接的淺層特征提取單元、多個串聯的偽3D自相關模塊和末尾卷積層，還包括從淺層特征提取單元的輸出鏈接至最末一個偽3D自相關模塊的輸出的第一跳躍連接，以及從原始特征圖鏈接至末尾卷積層的輸出的第二跳躍連接；

S3、以L1損失作為優化目標，以峰值信噪比作為網絡性能的評判指標，來訓練所述偽3D自相關網絡；

S4、利用訓練好的偽3D自相關網絡對輸入的真實噪聲圖像進行去噪，輸出去噪后的圖像。

2.如權利要求1所述的真實圖像去噪方法，其特征在于，所述淺層特征提取單元采用若干個卷積層提取原始特征圖的淺層特征。

3.如權利要求2所述的真實圖像去噪方法，其特征在于，所述淺層特征提取單元包含3個串聯的卷積層，卷積內核的大小依次為3×3、1×1、3×3。

4.如權利要求1所述的真實圖像去噪方法，其特征在于，所述末尾卷積層為一個3×3的卷積層，用以自適應調整融合特征。

5.如權利要求1所述的真實圖像去噪方法，其特征在于，步驟S3中對所述偽3D自相關網絡進行訓練時，L1損失函數定義如下：

其中，θ代表所述偽3D自相關網絡的所有學習參數；N為訓練集的大小，表示訓練集包含N對訓練圖像，每對訓練圖像包含一張噪聲圖像及對應的無噪圖像F_P3AN表示所述偽3D自相關網絡的相應函數，表示噪聲圖像經過所述偽3D自相關網絡進行去噪處理后的輸出。

6.如權利要求5所述的真實圖像去噪方法，其特征在于，還包括在訓練之前先對訓練集進行數據增強，所述數據增強包括對訓練集中的圖像進行90度、180度或270度的隨機旋轉或水平翻轉。

7.如權利要求1所述的真實圖像去噪方法，其特征在于，步驟S3中對所述偽3D自相關網絡進行訓練時，迭代500～1500次之后停止訓練，選擇峰值信噪比最大時所對應的學習參數，作為偽3D自相關網絡的最終網絡參數，完成訓練。

8.如權利要求1所述的真實圖像去噪方法，其特征在于，步驟S3中訓練所述偽3D自相關網絡所使用的公開數據集包括DIV2K和Flickr2K。

9.如權利要求1所述的真實圖像去噪方法，其特征在于，步驟S3中訓練所述偽3D自相關網絡時，使用自適應學習率的Adam算法進行優化，使用標準參數β₁＝0.9,β₂＝0.999,ε＝10^-8；初始學習率設置為2×10^-4，并在訓練過程中周期性地逐漸降低學習率，直至1×10^-6后不再下降。

10.如權利要求1所述的真實圖像去噪方法，其特征在于，構建所述偽3D自相關模塊和所述偽3D自相關網絡時，在Pytorch框架上實現構建；步驟S3中在4塊NVIDIA GeForce RTX2080 Ti GPU上訓練所述偽3D自相關網絡。