一种基于双树四元小波与深度学习的图像去噪方法及系统技术方案

本发明专利技术涉及一种基于双树四元小波与深度学习的图像去噪方法及系统。该方法包括：构建去噪网络模型；利用训练数据集，采用Adam优化算法，训练所述去噪网络模型，确定训练后的去噪网络模型；利用测试数据集对训练后的去噪网络模型进行测试。本发明专利技术在提高噪声图像去噪效率的同时，提高去噪效果。提高去噪效果。提高去噪效果。

【技术实现步骤摘要】
一种基于双树四元小波与深度学习的图像去噪方法及系统


[0001]本专利技术涉及图像去噪领域，特别是涉及一种基于双树四元小波与深度学习的图像去噪方法及系统。

技术介绍

[0002]神经网络与深度学习领域的迅速崛起，带动了计算机视觉领域的蓬勃发展作为计算机视觉领域的底层任务，图像去噪被广泛运用于各个计算机视觉任务领域，越来越多的高级视觉任务需要更加高质量的清晰图像，因此图像去噪任务是一个十分重要的研究课题。
[0003]目前的去噪算法主要包括两个方面：一个方面是传统的图像去噪算法，如K
‑
SVD算法(一种十分经典的字典学习算法)，BM3D(3维块匹配滤波算法)，使用均值滤波算法完成去噪任务，使用中值滤波算法完成去噪任务，使用小波变换完成去噪任务。另一方面是基于深度学习的去噪方法，为了通过模型处理多个低级任务，提出了一种由卷积，批量归一化，校正线性单元和残差学习组成的D
‑
CNN(前馈去噪卷积神经网络)；CBDnet(卷积盲去噪网络)，通过两个子网络去除给定的真实噪声图像中的噪声，一个子网络估计真实噪声图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双树四元小波与深度学习的图像去噪方法，其特征在于，包括：构建去噪网络模型；所述去噪网络模型包括：一个3*3卷积层、递归连接的四个残差双注意力机制模块；所述残差双注意力机制模块包括：八个双重注意力机制单元、一个3*3卷积层以及残差单元；所述双重注意力机制单元包括：一个3*3卷积层、PReLU激活函数、一个3*3卷积层依次连接，并同时连接通道注意力机制块和空间注意力机制块；所述通道注意力机制块用于利用卷积特征通道间的相关性；所述空间注意力机制块用于利用特征的空间关系；利用训练数据集，采用Adam优化算法，训练所述去噪网络模型，确定训练后的去噪网络模型；利用测试数据集对训练后的去噪网络模型进行测试。2.根据权利要求1所述的一种基于双树四元小波与深度学习的图像去噪方法，其特征在于，所述利用训练数据集，采用Adam优化算法，训练所述去噪网络模型，确定训练后的去噪网络模型，具体包括：获取初始图像；将所述初始图像转换为raw图片，并在raw图片中注入噪声，进而将注入噪声后的raw图片转换为RGB图片；对所述RGB图片进行双树四元小波分解，得到幅值图和相位图；对所述幅值图和相位图分别进行数据增强处理，得到幅值图数据集和相位图数据集；所述幅值图数据集和相位图数据集为训练数据集；利用所述幅值图数据集和所述相位图数据集分别对所述去噪网络模型中的参数进行训练；根据网络训练反向传播过程中目标损失函数数值判断是否达到收敛的指定迭代训练的轮数；若达到，则将经过训练好的去噪网络模型的幅值图与相位图，进行双树四元小波逆变换，得到去噪图像，并保存最终的网络模型参数，得到训练后的去噪网络模型；若未达到，则返回所述根据目标损失函数数值判断是否达到收敛的指定迭代训练的轮数的步骤。3.根据权利要求1所述的一种基于双树四元小波与深度学习的图像去噪方法，其特征在于，所述对所述幅值图和相位图分别进行数据增强处理，得到幅值图数据集和相位图数据集，具体包括：对所述幅值图和相位图分别进行随机裁剪、不同角度翻转以及补光处理。4.根据权利要求1所述的一种基于双树四元小波与深度学习的图像去噪方法，其特征在于，所述通道注意力机制块首先进行压缩操作，以便对空间全局上下文进行编码；所述压缩操作是通过在特征图上应用全局平均池化和全局最大池化，将池化的结果进行拼接，用一个3*3卷积层、PReLU激活函数、3*3卷积层进行特征校准，再通过Sigmoid激活函数得到各特征图所占权重比例，最终使用残差得到通道注意力机制块的输出。5.根据权利要求1所述的一种基于双树四元小波与深度学习的图像去噪方法，其特征在于，所述空间注意力机制块利用特征图之间的空间关系并计算空间关注图，为了生成空间关注图，首先沿着通道维度对特征图进行全局平均池...

【专利技术属性】
技术研发人员：盖杉，郝志伟，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：