一种基于注意力分配机制的双残差去噪方法技术

本发明专利技术公开了一种基于注意力分配机制的双残差去噪方法，本方法的步骤包括构造训练数据集，对训练数据集进行预处理操作；使用注意力分配机制和双残差网络结构的卷积神经网络构建网络去噪模型；设置网络去噪模型的超参数和损失函数，并对损失函数进行优化；对训练数据集添加不同等级的噪声并进行训练，得到已训练的网络模型；更具已训练的网络模型进行图像去噪，用结构相似性和峰值信噪比指标评估噪声图像，具有提升降噪性能和成像质量的效果。具有提升降噪性能和成像质量的效果。

【技术实现步骤摘要】
一种基于注意力分配机制的双残差去噪方法


[0001]本专利技术涉及计算机视觉和图像处理
，具体涉及一种基于注意力分配机制的双残差去噪方法。

技术介绍

[0002]图像作为数字储存在计算机中，但是由于其在采集、传输过程中受环境、设备、人为因素等影响，不可避免的引入噪声，从而影响图像的可读性，导致图像质量变低，图像的这种现象被成为退化，为了解决这种退化现象，提出了图像去噪技术，去噪是提高图像质量非常重要的方法之一，同时去噪便于后续处理图像的分类、分割及识别等任务。
[0003]图像去噪是图像处理领域中的经典问题，同时也是计算机视觉预处理中的重要步骤。传统图像去噪算法虽然可以较好的实现去噪效果，但是仍存有两个缺点：1.这些方法通常涉及到复杂的优化问题，计算时间较慢。2.多数模型为非凸的，优化调节的过程中需要人工去设置参数，所以难以高效率的获得良好的图像恢复效果。
[0004]近些年来，基于深度学习的图像去噪方法在学术研究中得到了很好的发展，与此同时，深度学习中的注意力机制也在不断完善，结合注意力机制的图像去噪网络仍存有一定的提升本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力分配机制的双残差去噪方法，其特征在于：包括如下步骤：步骤1，对输入的训练图像进行预处理，得到预处理后含有噪声的噪声图像；步骤2，使用含有注意力分配模块的D
‑
Block构建去噪网络模型；步骤3，使用预处理后的噪声图像对去噪网络模型进行训练，并利用损失函数对其进行约束，得到图像去噪网络模型；步骤4，对测试集中的图像添加不同等级的噪声，并使用得到的图像去噪网络模型对测试集进行去噪，得到去噪后的结果图像；步骤5，采用结构相似性和峰值信噪比指标对去噪后的结果图像进行评估。2.根据权利要求1所述的一种基于注意力分配机制的双残差去噪方法，其特征在于：步骤1中对训练数据集进行预处理操作具体如下：步骤1.1，从所述训练数据集中选取训练样本作为原始训练集，其中，所述训练样本中的图像均为尺寸相同的无噪声图像；步骤1.2，将训练数据集中的图像分别按照1倍、0.9倍、0.8倍、0.7倍的缩放，并使用滑动窗口对缩放后的每个图像进行图像块提取；步骤1.3，将提取的图像块进行增广操作。3.根据权利要求1所述的一种基于注意力分配机制的双残差去噪方法，其特征在于：步骤2中构建的去噪网络模型包括卷积操作、ReLU激活函数以及6个D
‑
Block。4.根据权利要求3所述的一种基于注意力分配机制的双残差去噪方法，其特征在于：所述D
‑
Block构成部分包括前端和后端的残差单元、主干分支、掩膜分支、注意力分配模块；其中前端和后端的残差单元均为去掉批归一化层的残差模块，该模块由2个卷积层和两层ReLU激活函数构成；所述主干分支包括一对不同尺寸的卷积核Conv
‑
A和Conv
‑
B，在卷积核Conv
‑
A和卷积核Conv
‑
B之间添加了一组残差连接；所述掩膜分支包括2个Squeeze
‑
Excitation
‑
Block、1个Squeeze
‑
Excitation
‑
Block残差单元、1个卷积层以及1个Sigmoid激活函数，其中Squeeze
‑
Excitation
‑
Block残差单元包括下采样层、Squeeze
‑
Excitation
‑
Block、上采样层以及一组残差连接，下采样层和上采样层分别使用大步长的卷积核和反卷积操作实现，最终由Sigmoid激活函数产生权重，并对主干分支进行特征加权；所述注意力分配模块包...

【专利技术属性】
技术研发人员：尹海涛，邓皓，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：