基于深度学习Relu和通道相关性注意力的图像去噪方法技术

本发明专利技术公开了一种基于深度学习Relu和通道相关性注意力的图像去噪方法，解决了现有技术中去噪模型效率低的问题，以及去噪后图像边缘轮廓信息被过度平滑和纹理信息丢失的问题。本发明专利技术的实现步骤如下：设计Relu激活层和通道相关性注意力层，分别用来构建多偏置Relu双分支模块和通道相关性注意力模块，通过多偏置Relu双分支模块和通道相关性注意力模块构建多路Unet去噪网络；利用生成的训练集训练多路Unet去噪网络；对图像进行去噪。本发明专利技术能够较好地整合有用特征，提高模型的去噪效率，较好地保持去噪后图像中的边缘轮廓信息和纹理信息。息。息。

【技术实现步骤摘要】
基于深度学习Relu和通道相关性注意力的图像去噪方法


[0001]本专利技术属于图像处理
，更进一步涉及图像恢复
中的一种基于深度学习Relu和通道相关性注意力的图像去噪方法。本专利技术可用于图像去噪，在去除图像噪声信息的同时，恢复出更多的图像原始信息。

技术介绍

[0002]图像去噪是图像处理的基本任务之一，在现实生活中有着重要的用途，包括有老旧照片和视频恢复、夜间手机拍摄算法和夜间自动驾驶。图像在采集和传输的过程中不可避免的会产生噪声，尤其是在夜间光线不足的情况下，曝光时间不足会导致图像中含有大量的噪声。目前的图像去噪方法主要分为两类：一类是传统图像去噪方法，该方法主要是在空间域和变换域对图像进行去噪处理；另一类是基于深度学习图像去噪方法，该方法是利用卷积神经网络对图像进行去噪。
[0003]Syed Waqas Zamir等人在其发表的论文“Multi
‑
Stage Progressive Image Restoration”(Published as a conference paper at CV本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习Relu和通道相关性注意力的图像去噪方法，其特征在于，设计Relu激活层和通道相关性注意力层，分别用来构建多偏置Relu双分支模块和通道相关性注意力模块；该方法的具体步骤包括如下：步骤1，构建多偏置Relu双分支模块：步骤1.1，搭建一个上分支电路，其结构依次串联为：层归一化层，卷积核大小为1*1的第一卷积层，卷积核大小为3*3的深度可分离卷积层，采用Relu激活层并联组成的多偏置激活组，卷积核大小为1*1的第二卷积层；步骤1.2，搭建一个下分支电路，其结构依次串联为：层归一化层，卷积核大小为1*1的第一卷积层，卷积核大小为5*5的深度可分离卷积层，采用Relu激活层并联组成的多偏置激活组，卷积核大小为1*1的第二卷积层；步骤1.3，将上、下分支电路的输入端并联后再与加法器相连，将上、下分支电路的输出端与矩阵乘法器相连后，再依次与卷积核大小为1*1的卷积层、加法器串联，组成多偏置Relu双分支模块；步骤2，构建通道相关性注意力模块：搭建一个包括三个分支的通道相关性注意力模块，第一个分支与第二个分支分别连接乘法器后再与第三个分支相连，其中，第一个分支是由层归一化层，卷积核大小为1*1的卷积层，卷积核大小为3*3的深度可分离卷积层，Relu激活层，通道相关性注意力层依次串联组成；第二个分支是由Relu激活层与通道相关性注意力层的输出端相连组成；第三个分支是由归一化层的输入端与加法器相连组成；所述通道相关性注意力层实现过程依次为：对Relu激活层输出结果计算通道维度的余弦相似度矩阵，逐行对余弦相似度矩阵的像素值进行softmax，再逐行用余弦相似度矩阵像素值次最大值替换像素值最大值，再逐行将余弦相似度矩阵像素值小于该行均值的像素值置0；步骤3，构建多路Unet去噪网络：步骤3.1，搭建难去噪子网HardNet、易去噪子网EasyNet和主干去噪子网BackboneNet三个子网，每个子网由五个分支组成，其中，第一个分支是由卷积核大小为3*3的第一卷积层，第一级下采样模块，第二级下采样模块，第三级下采样模块，第一级上采样模块，第二级上采样模块，第三级上采样模块，卷积核大小为3*3的第二卷积层依次串联组成；第二个分支是由第一级下采样模块的输出端连接第三级上采样模块的输入端组成；第三个分支是由第二级下采样模块的输出端连接第二级上采样模块的输入端组成；第四个分支是由第一卷积层和第二卷积层串连组成；第五个分支是由第一卷积层的输入端和第二卷积层的输出端分别连接加法器；第一至第三级上采样模块的结构相同，均由像素重组上采样层PixelUnshuffle、多偏置Relu双分支模块和通道相关性注意力模块依次串联组成；第一至第三级下采样模块的结构相同，均由像素重组下采样层PixelUnshuffle、多偏置Relu双分支模块和通道相关性注意力模块依次串联组成；步骤3.2，将难去噪子网HardNet和易去噪子网EasyNet输入端并联，再将两个子网的输出端和主干去噪子网BackboneNet的输入端相连，组成多路Unet去噪网络；步骤4，生成训练集：
步骤4.1，选取至少300对图像，每对图像由一张真实噪声图像和一张人工标...

【专利技术属性】
技术研发人员：张静，张治成，曾繁玉，贾佳，李云松，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：