【技术实现步骤摘要】
一种软注意力机制的深度全卷积神经网络图像去噪方法
本专利技术涉及人工智能
，具体涉及到深度全卷积网络图像去噪领域。
技术介绍
图像去噪的方法总体可以分成两类：变换域方法和空间域方法。傅里叶变换是最早的变换域图像去噪方法，随后，小波变换、多小波、脊波、曲波和剪切波等都用来进行图像去噪。空间域方法是使用最为广泛的一类图像去噪方法，均值滤波、中值滤波、高斯滤波都是常用的图像去噪方法。2005年，Buades等人提出了非局部均值方法，充分使用了自然图像中图像块的自相似性对图像进行复原。1965年与1977年，Gabor和Jain分别将图像去噪与类似的物理变换进行类比，提出了偏微分方程去噪方法。2006年，Elad采用稀疏表示的方法构建超完备字典对图像进行去噪。2009年，Jain等采用卷积网络进行图像去噪。2012年，Burger提出了多层感知模型进行图像去噪。2017年，ZhangKai等人提出了深度残差卷积网络进行去噪，并取得很好的性能。2018年，Isogawa等提出了一种带有可变阈值激活函数卷积网络去噪方法，通过训练一...
【技术保护点】
1.一种软注意力机制的深度全卷积神经网络图像去噪方法，其特征在于：包括以下步骤：/nS1.对图像进行裁剪，添加噪声形成目标图像，根据目标图像生成训练数据集；/nS2.创建深度全卷积神经网络，将所述目标图像和对应的噪声标准差输入所述深度全卷积神经网络中，通过反向传播过程进行训练、学习，生成噪声图像，确立基于软注意力机制的深度全卷积神经网络模型；/nS3.将所述将带有噪声图像，基于软注意力机制的深度全卷积神经网络模型进行图像去噪处理。/n
【技术特征摘要】
1.一种软注意力机制的深度全卷积神经网络图像去噪方法，其特征在于：包括以下步骤：
S1.对图像进行裁剪，添加噪声形成目标图像，根据目标图像生成训练数据集；
S2.创建深度全卷积神经网络，将所述目标图像和对应的噪声标准差输入所述深度全卷积神经网络中，通过反向传播过程进行训练、学习，生成噪声图像，确立基于软注意力机制的深度全卷积神经网络模型；
S3.将所述将带有噪声图像，基于软注意力机制的深度全卷积神经网络模型进行图像去噪处理。
2.根据权利要求1所述一种软注意力机制的深度全卷积神经网络图像去噪方法，其特征在于：
所述S1包括：对所述图像进行裁剪，生成大小相等的图像块，并对图像块添加噪声，形成不带噪声和带有噪声的图像对，所述图像对为所述目标图像。
3.根据权利要求1所述一种软注意力机制的深度全卷积神经网络图像去噪方法，其特征在于：
所述S2包括：创建下采样模块、上采样模块、软注意力模块、CRBP单元、Conv+BN+Relu单元；
所述下采样模块采用滑动跳跃卷积方法实现；
所述上采样模块采用反卷积滤波方法实现；
在上采样之后采用对称跳跃处理，在对称跳跃过程中融合软注意力机制。
4.根据权利要求3所述一种软注意力机制的深度全卷积神经网络图像去噪方法,其特征在于：
所述软注意力机制模块，通过MaxPooling技术将每个channel压缩为一个channel值，将所述channel值作为输入，构建一个全连接网络，形成所述软注意力机制模块。
5.根据权利要求4所述一种软注意力机制的深度全卷积神经网络图像去噪方法，其特征在于：
所述全连接网络包括：线性单元、Dropout结构、Relu激活函数、Sigmoid激活函数；
所述全连接网络包含了三个隐藏层：
第一隐藏层包括第一线性单元、第一Dropout结构、第一Relu激活函数；
第二隐藏层包括第二线性单元、第二Dropout结构、第二Relu激活函数；
第三隐藏层包括第三线性单元、Sigmoid激活函数。
6.根据权利要求3所述一种软注意力机制的深度全卷积神经网络图像去噪方法,其特征在于：
所述CRBP单元包括三个所述Conv+BN+Relu单元；
所述Conv+BN+Relu单元表示分别经过卷积、BatchNomalization和Relu激活的过程单元。
7.一种软注意力机制的深度全卷积神经网络图像去噪系统,其特征在于：包括：Conv+Relu单元、第一CRBP单元、第二CRBP单元、第一下采样、第二下采样、第一Conv+BN+Relu单元、第二Conv+BN+Relu单元、第三C...
【专利技术属性】
技术研发人员：宋晓，王义，陈凯，崔勇，柴旭东，侯宝存，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。