[發明專利]一種基于深度學習注意力機制的圖像去噪方法及裝置

在審

• 申請號: 202110542395.8
• 申請日: 2021-05-18
• 公開（公告）號: CN113191983A
• 公開（公告）日: 2021-07-30
• 發明（設計）人: 薛江波;張鈺;梁就
• 申請（專利權）人: 陜西師范大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/11;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 李鵬威

本發明公開了一種基于深度學習注意力機制的圖像去噪方法及裝置，獲取訓練數據集，對訓練數據集中的圖像進行裁剪，得到圖像塊訓練數據集；根據圖像塊訓練數據集，采用批量歸一化、殘差學習和稠密連接相結合的方式，并引入Mish激活函數和通道注意力機制，構建得到端到端的圖像去噪模型；設置端到端的圖像去噪模型的超參數，采用損失函數和優化器并設置訓練終止條件后對端到端的圖像去噪模型進行訓練，得到訓練完成的圖像去噪模型；將待去噪的圖像輸入到訓練完成的圖像去噪模型中，用待去噪的圖像減去去噪模型輸出的噪聲圖像后得到去噪后的圖像。本發明一方面降低網絡參數量的同時提升圖像去噪的性能，另一方面降低模型實際使用的難度。

技術領域

本發明屬于深度學習計算機視覺以及圖像去噪技術領域，具體涉及一種基于深度學習注意力機制的圖像去噪方法及裝置。

背景技術

圖像去噪已成為圖像處理中的基礎部分，在很多圖像處理技術中都會將圖像去噪作為預處理部分。生活中有著豐富的圖像素材，然而在這些素材的獲取過程中經常會受到各種因素的干擾從而使得最終得到的圖像存在各種噪聲(總體分為外部噪聲和內部噪聲兩大類)。而在一些領域，例如醫學領域、航空航天領域對于圖像清晰度有著較高要求，圖像中的噪聲會令人們無法準確判斷圖像中原有的信息，從而給人們的工作帶來難以預料的困難，給經濟社會帶來不可估量的損失。

在生活中，用于成像的設備種類非常多，給人們的生活帶來了極大的方便。但是在成像的過程中往往會受到噪聲的影響，從而影響最終的成像效果。這些噪聲產生的原因主要分為兩大類：外部噪聲和內部噪聲。外部噪聲主要指成像系統外部干擾，主要是電磁波或經過電源流進系統內部而產生的噪聲，如大功率電器，異常氣象等原因引起的。內部噪聲及系統內部原因引起的噪聲，根據成因又可以分為四種：1)由光和點的基本性質引起的散粒噪聲、熱噪聲、光量子噪聲等；2)由于成像設備的機械運動產生的噪聲；3)由于成像設備本身材料引起的噪聲；4)成像設備內部電路所引起的噪聲等。這些噪聲對最終的成像都產生了不同程度的影響，從而進一步影響從圖像中獲取信息，因此在實際應用中，非常有必要對圖像噪聲進行特殊處理，盡可能保持圖像原有信息并減少噪聲。近年來由于人工智能的興起以及計算機硬件技術的進步，基于深度學習的圖像處理技術也得到了飛速發展。相比于傳統去噪算法，基于深度學習的去噪算法性能提升巨大，算法設計也相對簡單。目前比較流行的方法包括DnCNN、FFDNet等，雖然這些算法取得了不錯的去噪效果，然而這些方法一方面模型的參數量較大，另一方面使用時針對不同噪聲圖像需要不同的配置，在使用中不夠靈活，這給實際應用帶來了一定程度的困難，因此如何高效、靈活的進行圖像去噪是一項亟待解決的問題。

發明內容

針對現有技術中存在的問題，本發明提供了一種基于深度學習注意力機制的圖像去噪方法及裝置，其目的在于一方面降低網絡參數量的同時提升圖像去噪的性能，另一方面降低模型實際使用的難度。

為了解決上述技術問題，本發明通過以下技術方案予以實現：

一種基于深度學習注意力機制的圖像去噪方法，包括：

獲取訓練數據集，對所述訓練數據集中的圖像進行裁剪，得到圖像塊訓練數據集；

根據所述圖像塊訓練數據集，采用批量歸一化、殘差學習和稠密連接相結合的方式，并引入Mish激活函數和通道注意力機制，構建得到端到端的圖像去噪模型；

設置所述端到端的圖像去噪模型的超參數，采用損失函數和優化器并設置訓練終止條件后對所述端到端的圖像去噪模型進行訓練，得到訓練完成的圖像去噪模型；

將待去噪的圖像輸入到所述訓練完成的圖像去噪模型中，得到去噪模型輸出的噪聲圖像，用所述待去噪的圖像減去所述去噪模型輸出的噪聲圖像后得到去噪后的圖像。

進一步地，所述獲取訓練數據集，對所述訓練數據集中的圖像進行裁剪，得到圖像塊訓練數據集，具體如下：