【技术实现步骤摘要】
基于异构残差注意神经网络模型的图像去噪方法及系统
[0001]本专利技术涉及图像去噪
，尤其是涉及一种基于异构残差注意神经网络模型的图像去噪方法及系统。
技术介绍
[0002]随着科技的进步和网络技术的发展，图像处理的应用领域越来越广泛，如：卫星拍摄，机器人视觉，医学图像，电子商务和视频多媒体等。其中，图像恢复任务是图像处理一重大热门技术，也是计算机视觉的经典问题。图像恢复的目的是把受过损伤的图片(比如：模糊的图片，有噪音的图片，有水印的图片)恢复成清晰可辨别的图片。其中，图像恢复任务主要包括图像超分辨，图像去噪和图像去模糊等重要且经典的技术。多年来，一些传统的模型方法，如滤波，稀疏方法，非局部均值算法和非自适应性方法，经常被用于图像恢复，并且取得不错的效果。但是这些传统的模型方法，通常计算比较复杂，还需要手动调参，容易导致模型效率低下。
[0003]现有技术，例如小波变换与CNN结合来处理图像去噪问题、非局部均值与CNN的结合用来解决图像去噪问题以及自监督与CNN结合来移除图像的噪声，虽然以上方法在图像去噪问...
【技术保护点】
【技术特征摘要】
1.一种基于异构残差注意神经网络模型的图像去噪方法，其特征在于，所述基于异构残差注意神经网络模型的图像去噪方法包括：获取待去噪图像和第一图像数据集；构建包括卷积层、ReLU激活函数、多个异构残差注意块和CNN去噪器的异构残差注意神经网络模型；将所述第一图像数据集输入至所述异构残差注意神经网络模型中进行网络训练，获得训练好的异构残差注意神经网络模型；所述训练好的异构残差注意神经网络模型用于对所述待去噪图像进行图像去噪；其中异构残差注意神经网络模型的训练步骤包括：采用所述卷积层和所述ReLU激活函数对所述第一图像数据集进行特征提取，获得全局信息特征图；将所述全局信息特征图通过所述多个异构残差注意块和跳跃连接，获得粗略去噪图像；采用所述CNN去噪器增强所述粗略去噪图像的细节信息，获得残差图像；对所述残差图像和输入的第一图像进行残差操作，获得清晰图像。2.根据权利要求1所述的基于异构残差注意神经网络模型的图像去噪方法，其特征在于，所述获取第一图像数据集，包括：对获取的初始图像数据集进行裁剪，获得裁剪后的图像数据集；通过旋转和翻转对所述裁剪后的图像数据集进行图像增强，获得第一图像数据集。3.根据权利要求2所述的基于异构残差注意神经网络模型的图像去噪方法，其特征在于，所述异构残差注意块包括增强的通道注意力机制和两个轻量级网络，所述将所述全局信息特征图通过所述多个异构残差注意块和跳跃连接，获得粗略去噪图像，包括：将所述全局信息特征图依次经过第一异构残差注意块中的第一轻量级网络、增强的通道注意力机制和第二轻量级网络进行全局信息融合和粗略去噪，获得第一粗略去噪特征图；将所述第一粗略去噪特征图依次经过第二异构残差注意块中的第一轻量级网络、增强的通道注意力机制和第二轻量级网络进行全局信息融合和粗略去噪，获得第二粗略去噪特征图；采用跳跃连接将所述全局信息特征图和所述第二粗略去噪特征图依次经过第三异构残差注意块中的第一轻量级网络、增强的通道注意力机制和第二轻量级网络进行全局信息融合和粗略去噪，获得粗略去噪图像。4.根据权利要求3所述的基于异构残差注意神经网络模型的图像去噪方法，其特征在于，所述轻量级网络包括层归一化、卷积层、深度可分离卷积层和ReLU层，通过如下方式采用轻量级网络进行粗略去噪：对输入轻量级网络的特征图进行层归一化，获得层归一化后的特征图；将所述层归一化后的特征图输入至第一通道的1x1卷积层和3x3深度可分离卷积层，获得第一通道特征图；将所述层归一化后的特征图输入至第二通道的1x1卷积层和3x3深度可分离卷积层，获得第二通道特征图；将所述第一通道特征图和所述第二通道特征图进行融合，获得通道融合特征图；将所述通道融合特征图输入至5x5的卷积层和ReLU层，获得第一卷积特征图；
将所述通道融合特征图输入至3x3的卷积层和ReLU层，获得第二卷积特征图；将所述第一卷积特征图和所述第二卷积特征图进行融合，获得卷积融合特征图；将所述卷积融合特征图输入至1x1卷积层，完成对输入所述轻量级网络的特征图的粗略去噪。5.根据权利要求3所述的基于异构残差注意神经网络模型的图像...
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。