一种基于自监督约束的双尺度图像盲去噪方法及系统技术方案

本发明专利技术涉及一种基于自监督约束的双尺度图像盲去噪方法及系统。该方法包括：根据小尺度的噪声图像和大尺度的噪声图像，构建双尺度的边缘保持自监督约束、双尺度的背景一致性自监督约束和双尺度的结构相似性注意力自监督约束，以各自监督约束为约束条件，根据小尺度的噪声图像数据集和大尺度的噪声图像数据集训练盲去噪网络，通过训练后的盲去噪网络实现噪声图像的自监督去噪。

【技术实现步骤摘要】
一种基于自监督约束的双尺度图像盲去噪方法及系统
本专利技术涉及图像去噪
，特别是涉及一种基于自监督约束的双尺度图像盲去噪方法及系统。
技术介绍
人们观测到的图像大多都是通过数字成像设备获取的，在成像的过程中由于外部光线和设备内部元器件的干扰，原始清晰图像在传输和压缩的过程中容易遭受噪声的退化，导致观测到的图像往往是噪声图像。因此，图像去噪算法成为当前的一个重要的研究热点。目前的图像去噪算法主要分为两大类，一类是基于图像先验的传统去噪方法，另一类是基于深度学习的图像去噪方法。传统去噪方法主要涉及到结构自相似性、稀疏表示、字典编码以及马尔科夫随机场等图像先验知识，它们致力于处理特定的加性高斯白噪声，严重依赖于给定的噪声强度，对于未知噪声强度的真实图像泛化性能较差。基于深度学习的图像去噪方法作为目前主流的图像去噪方法已经缓解了传统去噪方法的不足。在给定合成/真实噪声数据集的条件下，基于深度学习的图像去噪方法通过设计合理的卷积神经网络学习噪声的内在统计特性，最终达到去除噪声的目的。
技术实现思路
基于此，本专利技术的目本文档来自技高网...

【技术保护点】
1.一种基于自监督约束的双尺度图像盲去噪方法，其特征在于，所述方法包括：/n获取噪声图像数据集；/n在所述数据集的各噪声图像上随机裁剪设定数量以及设定尺寸的大尺度噪声图像，所述大尺度噪声图像构成大尺度噪声图像数据集；/n对各大尺度噪声图像进行设定尺度的下采样得到小尺度噪声图像，所述小尺度噪声图像构成小尺度噪声图像数据集；/n根据所述小尺度噪声图像和小尺度去噪图像的梯度和均方误差构建小尺度的边缘保持自监督约束；根据所述大尺度噪声图像和大尺度去噪图像的梯度和均方误差构建大尺度的边缘保持自监督约束；/n根据所述小尺度噪声图像和重建的小尺度噪声图像的背景一致性构建小尺度的背景一致性自监督约束；根据所述...

【技术特征摘要】
1.一种基于自监督约束的双尺度图像盲去噪方法，其特征在于，所述方法包括：
获取噪声图像数据集；
在所述数据集的各噪声图像上随机裁剪设定数量以及设定尺寸的大尺度噪声图像，所述大尺度噪声图像构成大尺度噪声图像数据集；
对各大尺度噪声图像进行设定尺度的下采样得到小尺度噪声图像，所述小尺度噪声图像构成小尺度噪声图像数据集；
根据所述小尺度噪声图像和小尺度去噪图像的梯度和均方误差构建小尺度的边缘保持自监督约束；根据所述大尺度噪声图像和大尺度去噪图像的梯度和均方误差构建大尺度的边缘保持自监督约束；
根据所述小尺度噪声图像和重建的小尺度噪声图像的背景一致性构建小尺度的背景一致性自监督约束；根据所述大尺度噪声图像和重建的大尺度噪声图像的背景一致性构建大尺度的背景一致性自监督约束；
根据所述小尺度噪声图像和所述小尺度去噪图像的结构相似性构建小尺度的结构相似性注意力自监督约束；根据所述大尺度噪声图像和所述大尺度去噪图像的结构相似性构建大尺度的结构相似性注意力自监督约束；
采用所述大尺度噪声图像数据集和所述小尺度噪声图像数据集，以所述小尺度的边缘保持自监督约束、所述大尺度的边缘保持自监督约束、所述小尺度的背景一致性自监督约束、所述大尺度的背景一致性自监督约束、所述小尺度的结构相似性注意力自监督约束和所述大尺度的结构相似性注意力自监督约束为约束条件，以所述小尺度噪声图像作为盲去噪网络的第一次输入，小尺度去噪图像作为所述盲去噪网络的第一次输出，合并图像作为所述盲去噪网络的第二次输入，大尺度去噪图像为所述盲去噪网络的第二次输出，训练所述盲去噪网络；所述合并图像为所述小尺度去噪图像的放大图和与所述小尺度噪声图像对应的大尺度噪声图像合并后的图像；所述放大图为所述小尺度去噪图像进行所述设定尺度的上采样确定的；
根据训练后的所述盲去噪网络对待去噪的图像进行去噪。


2.根据权利要求1所述的基于自监督约束的双尺度图像盲去噪方法，其特征在于，所述盲去噪网络包括噪声估计子网络和非盲去噪子网络；所述训练盲去噪网络具体包括：
以所述小尺度噪声图像作为噪声估计子网络的第一次输入，所述小尺度噪声图像的噪声强度图和第一去噪图像作为所述噪声估计子网络的第一次输出，所述噪声估计子网络的第一次输出作为非盲去噪子网络的第一次输入，所述小尺度去噪图像作为所述非盲去噪子网络的第一次输出，所述合并图像作为所述噪声估计子网络的第二次输入，所述合并图像的噪声强度图和第二去噪图像作为所述噪声估计子网络的第二次输出，所述噪声估计子网络的第二次输出作为所述非盲去噪子网络的第二次输入，所述大尺度去噪图像为所述非盲去噪子网络的第二次输出；
所述第一去噪图像为所述小尺度噪声图像去除噪声强度后的图像；所述第二去噪图像为所述合并图像去除噪声强度后的图像。


3.根据权利要求1所述的基于自监督约束的双尺度图像盲去噪方法，其特征在于，所述小尺度的边缘保持自监督约束的表达式为其中，表示所述小尺度去噪图像，表示所述小尺度噪声图像，表示沿水平方向的梯度算子，表示垂直方向的梯度算子，λ表示第一平滑参数和α表示第二平滑参数，ε为常数；
所述大尺度的边缘保持自监督约束的表达式为其中，表示所述大尺度去噪图像，表示所述大尺度噪声图像。


4.根据权利要求2所述的基于自监督约束的双尺度图像盲去噪方法，其特征在于，所述小尺度背景一致性自监督约束的表达式为其中，表示所述小尺度噪声图像，表示所述小尺度去噪图像，表示所述第一噪声强度图，表示重建的小尺度噪声图像，表示对进行高斯模糊操作，表示对进行高斯模糊操作，σ表示进行高斯模糊操作的尺度；
所述大尺度背景一致性自监督约束的表达式为其中，表示所述大尺度噪声图像，表示所述大尺度去噪图像，表示所述第二噪声强度图，表示重建的大尺度噪声图像，表示对进行高斯模糊操作，表示对进行高斯模糊操作。


5.根据权利要求4所述的基于自监督约束的双尺度图像盲去噪方法，其特征在于，所述小尺度结构相似性注意力自监督约束的表达式为所述大尺度结构相似性注意力自监督约束的表达式为其中，表示小尺度结构相似性注意力图谱与所述小尺度噪声图像相乘，表示小尺度结构相似性注意力图谱与所述重建的小尺度噪声图像相乘，表示大尺度结构相似性注意力图谱与所述大尺度噪声图像相乘，表示大尺度结构相似性注意力图谱与所述重建的大尺度噪声图像相乘，为小尺度噪声图像对通过结构相似性度量函数生成的结构相似性图谱后进行高斯变换确定的，为大尺度噪声图像对通过结构相似性度量函数生成的结构相似性图谱后进行高斯变换确定的。


6.一种基于自监督约束的双尺度图像盲去噪系统，其特征在于，所述系统包括：
数据集获取模块，用于获...

【专利技术属性】
技术研发人员：潘金山，王迪，唐金辉，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32