【技术实现步骤摘要】
基于空间自适应自监督学习的图像去噪方法
[0001]本专利技术涉及一种图像去噪方法,属于图像复原
技术介绍
[0002]图像去噪是底层视觉和图像处理领域的一个基本问题。随着深度学习的发展,深度神经网络成为主流的去噪方法。现有的图像去噪方法又分为有监督去噪方法和自监督去噪方法。
[0003]然而,有监督去噪方法中的深度神经网络在使用前需经过大量成对数据(噪声图
‑
清晰图)训练,采集这样的数据对需要固定的拍摄环境和复杂的拍摄过程,费时费力。此外,不同的相机型号和光照条件下噪声分布也不同,每款相机的去噪模型都需要针对性地采集数据,采集数据的代价很高。
[0004]而自监督图像去噪方法在训练阶段仅使用噪声图像,由于待去噪的噪声图像本身即可用于训练,此类方法避免了训练数据采集的问题。但是,目前的自监督去噪方法适用的噪声类型仍局限于仿真噪声和空间无关噪声,其对仿真噪声和空间无关噪声两种类型的噪声去噪效果好,而对于空间相关噪声去除任务上去噪效果较差,因此,以上问题亟需解决。
技术实现思路
[0005]本专利技术目的是为了解决现有自监督图像去噪方法存在对空间相关噪声去噪效果差的问题,本专利技术提供了一种基于空间自适应自监督学习的图像去噪方法。
[0006]基于空间自适应自监督学习的图像去噪方法,该方法包括如下过程:
[0007]步骤一、对噪声图像y进行区域特征提取,获得平坦区域监督图像和纹理区域监督图像
[0008]步骤二、利用区域判别模块对平坦区域 ...
【技术保护点】
【技术特征摘要】
1.基于空间自适应自监督学习的图像去噪方法,其特征在于,该方法包括如下过程:步骤一、对噪声图像y进行区域特征提取,获得平坦区域监督图像和纹理区域监督图像步骤二、利用区域判别模块对平坦区域监督图像中每个像素点所在空间位置坐标(i,j)处的平坦度自适应系数α(i,j)进行识别,从而确定平坦区域监督图像的平坦度自适应系数矩阵α;步骤三、利用噪声图像y、平坦区域监督图像纹理区域监督图像以及平坦度自适应系数矩阵α对去噪模块进行训练,使得去噪模块以自监督学习的方式进行参数更新,获得训练后的去噪模块;步骤四、利用训练后的去噪模块对待去噪图像进行去噪。2.根据权利要求1所述的基于空间自适应自监督学习的图像去噪方法,其特征在于,步骤一中,获得平坦区域监督图像的方式为:通过平坦区域监督提取模块对噪声图像y进行平坦区域进行特征提取,获得平坦区域监督图像3.根据权利要求2所述的基于空间自适应自监督学习的图像去噪方法,其特征在于,平坦区域监督提取模块包括方向感受野模块、特征平移模块和特征融合模块;方向感受野模块,用于提取噪声图像y的上、下、左、右四个方向的感受野,得到上、下、左、右四个方向感受野的特征图;特征平移模块,用于对上、下、左、右四个方向感受野的特征图进行平移,得到平移后的特征图,且平移后的特征图中每个像素点所在位置处的感受野中不包括该像素点周围9
×
9区域内的像素;特征融合模块,用于融合平移后的特征图,得到平坦区域的监督图像且平坦区域的监督图像中每个像素点所在位置处的感受野中在该像素点周围9
×
9区域内形成盲邻域。4.根据权利要求1所述的基于空间自适应自监督学习的图像去噪方法,其特征在于,步骤一中,获得纹理区域监督图像的方式为:通过纹理区域监督提取模块对噪声图像y进行纹理区域特征提取,获得纹理区域监督图像5.根据权利要求4所述的基于空间自适应自监督学习的图像去噪方法,其特征在于,纹理区域监督提取模块包括1个3
×
3卷积模块、N个1
×
1卷积模块和1个图像输出卷积模块,其中,N个1
×
1卷积模块分别定义为第1个至第N个1
×
1卷积模块,N为整数,且5≤N≤40;3
×
3卷积模块的卷积核大小为3
×
3;1
×
1卷积模块的卷积核大小为1
×
1;图像输出卷积模块的卷积核大小为1
×
1;3
×
3卷积模块,用于对噪声图像y进行图像特征提取;第1个1
×
1卷积模块,用于对3
×
3卷积模块提取的图像特征再次进行图像特征提取;第m个1
...
【专利技术属性】
技术研发人员:左旺孟,李俊义,张志路,刘晓禹,
申请(专利权)人:哈尔滨工业大学,
类型:发明
国别省市:
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。