一种基于多尺度混合注意力的太赫兹图像去噪方法技术

本发明专利技术公开了一种基于多尺度混合注意力的太赫兹图像去噪方法，包括：获取含噪的太赫兹图像；构建与太赫兹图像分辨率相同的噪声水平图；将太赫兹图像作为噪声图像，与构建的噪声水平图输入到训练好的去噪模型中，输出最终的去噪图像；去噪模型包括依次连接的输入特征图融合处理单元、特征提取单元和监督去噪单元，其中：输入特征图融合处理单元用于融合输入的噪声图像和噪声水平图，特征提取单元学习深层和浅层的多尺度特征信息，监督去噪单元进行自适应监督图像去噪与增强图像细节，得到阶段恢复的去噪图像和噪声预测图；对噪声预测图进行均衡处理得到的去噪图像。本发明专利技术解决了传统太赫兹成像系统成像质量差、高频细节少、噪声严重等问题。声严重等问题。声严重等问题。

【技术实现步骤摘要】
一种基于多尺度混合注意力的太赫兹图像去噪方法


[0001]本专利技术涉及太赫兹成像领域,具体涉及一种基于多尺度混合注意力的太赫兹图像去噪方法。

技术介绍

[0002]太赫兹(THz)成像技术是利用频率范围为0.1～10THz(THz＝10
12
HZ)射线照射目标物，通过目标物的回波信号进行探测处理，实现成像。太赫兹成像技术已被证明是测量拥有远红外特性介质的一种强有力的光谱测量技术,可以穿透衣服、陶瓷等绝缘材料，测量半导体、超导体、液体和气体，对金属材料具有强反射性，同时相比于传统的X射线扫描，太赫兹射线不会对生物组织造成伤害，因此在安检、生物医学、品质检测、艺术品鉴定等方向具有广泛的应用前景。
[0003]但另一方面,太赫兹成像系统的低分辨率一直是其应用于无损检测或其他领域的巨大障碍，提高太赫兹图像质量成为当前国内外新的研究热点。通过图像处理方法对太赫兹波成像图像的去噪和增强成为克服太赫兹波成像发展障碍最经济和实用的方法。传统的去噪方法如滤波器、小波变换等空间和变换域去噪算法很难满足太赫兹去噪图像的高质量和实时性要求。相对于传统图像去噪方法，基于深度学习的图像去噪方法具有强大的学习能力，不仅可以拟合复杂噪声分布，还节省了计算时间，因此使用深度学习在太赫兹图像去噪领域有很好的应用前景。

技术实现思路

[0004]本专利技术提供了一种基于多尺度混合注意力的太赫兹图像去噪方法，用以解决传统太赫兹成像系统成像质量差、高频细节少、噪声严重的问题。
[0005]为了实现上述任务，本专利技术采用以下技术方案：
[0006]一种基于多尺度混合注意力的太赫兹图像去噪方法，包括：
[0007]获取含噪的太赫兹图像；
[0008]构建与所述太赫兹图像分辨率相同的噪声水平图；
[0009]将所述太赫兹图像作为噪声图像，与构建的噪声水平图输入到训练好的去噪模型中，输出最终的去噪图像；
[0010]所述去噪模型包括依次连接的输入特征图融合处理单元、特征提取单元和监督去噪单元，其中：
[0011]输入特征图融合处理单元用于融合输入的噪声图像和噪声水平图，同时进行通道调整，得到第一特征图；特征提取单元用于针对第一特征图学习深层和浅层的多尺度特征信息，得到第二特征图；监督去噪单元用于根据所述第二特征图以及噪声图像进行自适应监督图像去噪与增强图像细节，得到阶段恢复的去噪图像和噪声预测图；对噪声预测图进行均衡处理得到所述的去噪图像。
[0012]进一步地，所述输入特征图融合处理单元用于融合输入的噪声图像和噪声水平
图，同时进行通道调整，得到第一特征图，包括：
[0013]将噪声图像、与噪声图像分辨率相同的噪声水平图输入到特征融合处理单元；其中，所述噪声水平图是由设定的噪声水平拉伸成的噪声水平映射；
[0014]将噪声图像与噪声水平图进行拼接融合得到输入特征图，之后通过一个卷积层对输入特征图提升维度信息，得到第一特征图。
[0015]进一步地，所述特征提取单元用于针对第一特征图学习深层和浅层的多尺度特征信息，得到第二特征图，包括：
[0016]第一步，对第一特征图进行两次编码，得到编码特征图I
j
(j＝1,2)；
[0017]第二步，利用级联密集块FLC Block0对第一特征图I0进行特征学习，得到特征学习后的强化图利用级联密集块FLC Block1、FLC Block2分别对编码特征图I
j
(j＝1,2)进行特征学习，得到特征学习后的强化图对级联密集块FLC Block2输出的强化图进行解码重构，得到解码特征图
[0018]第三步，将解码重构的特征图与级联密集块FLC Block1输出的强化图一起经过解码注意力模块输出凸显局部特征的注意力增强特征图I
A
；
[0019]注意力增强特征图I
A
经过一个卷积块处理后，输出特征图I
B
；
[0020]特征图I
B
再经过另一个解码单元进行解码，解码后的特征图与经过级联密集块FLC Block0输出的强化图通过另一个解码注意力模块后，再经过卷积块处理后输出即为特征提取单元最终输出的第二特征图。
[0021]进一步地，所述对第一特征图进行两次编码，得到编码特征图，包括：
[0022]待编码的第一特征图I0并联经过4个步长为2、扩张率分别为1、2、4、8的空洞卷积以及1个池化块操作构成的5层金字塔结构；其中，所述的池化块操作包括平均池化和一个卷积层；金字塔的每一层再分别通过带泄露修正线性单元激活后相融合，得到多尺度融合特征图，最后经过一个卷积层恢复通道特征，得到编码特征图I
j
。
[0023]进一步地，所述第二步中的级联密集块FLC Block0、FLC Block1、 FLC Block2中残差密集块的数量依次递减；
[0024]在每一个残差密集块中，输入的特征图依次通过3个基本块RDB并经过缩放系数β的缩放后与输入的特征图叠加输出；其中基本块的输入M1首先经过一个卷积层和一个非线性激活层输出M2，M2与M1按通道数叠加后经过一个卷积层和一个非线性激活层后输出M3，再将M3、M2与M1按通道数叠加经过一个卷积层和一个非线性激活层LeakyReLU后输出M4，按相同操作得到M5；M5、M4、 M3、M2与M1按通道数叠加后经过卷积恢复与M1相同的通道数，并经过缩放系数β的缩放后与M1叠加输出，完成一个基础块的处理；随后，处理后的特征图被传入后续的其他基础块进行相同的处理。
[0025]进一步地，将解码重构的特征图与级联密集块FLC Block1输出的强化图一起经过解码注意力模块输出凸显局部特征的注意力增强特征图I
A
，包括：和分别经过卷积层和批量归一化后融合，融合后的特征图依次经过线性整流层、卷积层、批量归一化和Sigmod层得到注意力权值分布，最后将注意力权值分布与作乘并与叠加后输出注意力增强特征图I
A
。
[0026]进一步地，特征提取单元输出的第二特征图与噪声图像S
i
为监督注意力模块的输入，的第二特征图经过卷积层降维得到残差图像I
S
，将I
S
加入到噪声图像S
i
，得到阶段恢复的去噪图像即第三特征图作为去噪模型的输出用于预估损失；第三特征图经过一个卷积层与Sigmod激活后得到注意力权重，将注意力权重的分布与第二特征图经过一个卷积层处理后的结果作乘引导特征路径，得到注意力分布的特征图，最后将注意力分布的特征图与第二特征图叠加输出注意增强特征图I
SAM
；
[0027]最后，注意力增强特征图I
SAM
经过一个卷积块处理后得到噪声预测图M
P
， M
P
作为第四特征图与第三特征图一起由监督去噪单元输出。
[0028]进一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度混合注意力的太赫兹图像去噪方法，其特征在于，包括：获取含噪的太赫兹图像；构建与所述太赫兹图像分辨率相同的噪声水平图；将所述太赫兹图像作为噪声图像，与构建的噪声水平图输入到训练好的去噪模型中，输出最终的去噪图像；所述去噪模型包括依次连接的输入特征图融合处理单元、特征提取单元和监督去噪单元，其中：输入特征图融合处理单元用于融合输入的噪声图像和噪声水平图，同时进行通道调整，得到第一特征图；特征提取单元用于针对第一特征图学习深层和浅层的多尺度特征信息，得到第二特征图；监督去噪单元用于根据所述第二特征图以及噪声图像进行自适应监督图像去噪与增强图像细节，得到阶段恢复的去噪图像和噪声预测图；对噪声预测图进行均衡处理得到所述的去噪图像。2.根据权利要求1所述的基于多尺度混合注意力的太赫兹图像去噪方法，其特征在于，所述输入特征图融合处理单元用于融合输入的噪声图像和噪声水平图，同时进行通道调整，得到第一特征图，包括：将噪声图像、与噪声图像分辨率相同的噪声水平图输入到特征融合处理单元；其中，所述噪声水平图是由设定的噪声水平拉伸成的噪声水平映射；将噪声图像与噪声水平图进行拼接融合得到输入特征图，之后通过一个卷积层对输入特征图提升维度信息，得到第一特征图。3.根据权利要求1所述的基于多尺度混合注意力的太赫兹图像去噪方法，其特征在于，所述特征提取单元用于针对第一特征图学习深层和浅层的多尺度特征信息，得到第二特征图，包括：第一步，对第一特征图进行两次编码，得到编码特征图I
j
(j＝1,2)；第二步，利用级联密集块FLC Block0对第一特征图I0进行特征学习，得到特征学习后的强化图利用级联密集块FLC Block1、FLC Block2分别对编码特征图I
j
(j＝1,2)进行特征学习，得到特征学习后的强化图对级联密集块FLC Block2输出的强化图进行解码重构，得到解码特征图第三步，将解码重构的特征图与级联密集块FLC Block1输出的强化图一起经过解码注意力模块输出凸显局部特征的注意力增强特征图I
A
；注意力增强特征图I
A
经过一个卷积块处理后，输出特征图I
B
；特征图I
B
再经过另一个解码单元进行解码，解码后的特征图与经过级联密集块FLC Block0输出的强化图通过另一个解码注意力模块后，再经过卷积块处理后输出即为特征提取单元最终输出的第二特征图。4.根据权利要求3所述的基于多尺度混合注意力的太赫兹图像去噪方法，其特征在于，所述对第一特征图进行两次编码，得到编码特征图，包括：待编码的第一特征图I0并联经过4个步长为2、扩张率分别为1、2、4、8的空洞卷积以及1个池化块操作构成的5层金字塔结构；其中，所述的池化块操作包括平均池化和一个卷积
层；金字塔的每一层再分别通过带泄露修正线性单元激活后相融合，得到多尺度融合特征图，最后经过一个卷积层恢复通道特征，得到编码特征图I
j
。5.根据权利要求3所述的基于多尺度混合注意力的太赫兹图像去噪方法，其特征在于，所述第二步中的级联密集块FLC Block0、FLC Block1、FLC...

【专利技术属性】
技术研发人员：吴衡，胡新瑞，赵艮平，程良伦，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：