一种基于轻量U型结构网络的图像去噪方法技术

本发明专利技术提供一种基于轻量U型结构网络的图像去噪方法，包括以下步骤：S1：提取待去噪图像的浅层特征；S2：利用轻量U型结构网络对浅层特征进行特征学习；轻量U型结构网络包括编码端、解码端和增强自注意力模块；其中，编码器和解码器分别由单个局部残差模块组成，形成多级局部残差模块对浅层特征进行多层次特征学习和局部信息提取；增强自注意力模块位于最底层，用于建模全局语义信息；S3：将增强自注意力模块输出的特征和各解码器输出的特征进行融合；S4：根据融合后的特征重构得到去噪后的图像。本发明专利技术提供一种基于轻量U型结构网络的图像去噪方法，解决了目前基于卷积神经网络的图像去噪技术无法同时适用于合成噪声和真实噪声的问题。问题。问题。

【技术实现步骤摘要】
一种基于轻量U型结构网络的图像去噪方法


[0001]本专利技术涉及图像去噪的
，更具体的，涉及一种基于轻量U型结构网络的图像去噪方法。

技术介绍

[0002]当今社会，人们对于照片、视频等图像获取需求的增长，远远超过数字图像成像技术取得的进步，数字图像已经成为人们获取、处理和分析信息的重要手段。图像和视频在传递信息时比语言和文字更加生动形象，无论是在工作还是生活中，人们都迫切的希望获取更加高清的图像。
[0003]但由于成像系统和设备的不完善，以及光照等外界因素的影响，数字图像在形成、传输和存储过程中都会引入不同类型的噪声，比如暗光条件和传感器温度过高都会给图像带来很强的噪声，即使尽量补偿光照、使用高性能的传感器进行成像，也无法避免图像在传输过程中受到噪声的污染。噪声会严重降低图像的清晰度，模糊视觉，严重影响了人们从图像中识别、获取有用的信息。此外，被噪声污染的图像也阻碍了人们进一步的图像处理任务。
[0004]噪声在图像上常表现为引起较强视觉效果的孤立像素点或像素块。一般来说，噪声信号与研究对象不相关，以无用的信息形式出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量U型结构网络的图像去噪方法，其特征在于，包括以下步骤：S1：提取待去噪图像的浅层特征；S2：利用轻量U型结构网络对浅层特征进行特征学习；所述轻量U型结构网络包括编码端、解码端和增强自注意力模块；其中，编码端的各个编码器和解码端的各个解码器分别由单个局部残差模块组成，形成多级局部残差模块对浅层特征进行多层次特征学习和局部信息提取；所述增强自注意力模块位于轻量U型结构网络的最底层，用于建模全局语义信息；S3：将增强自注意力模块输出的特征和各解码器输出的特征进行融合；S4：根据融合后的特征重构得到去噪后的图像。2.根据权利要求1所述的一种基于轻量U型结构网络的图像去噪方法，其特征在于，通过3
×
3卷积和ReLU非线性激活函数提取待去噪图像的浅层特征F
e
：其中，σ(
·
)表示ReLU非线性激活函数；表示3
×
3卷积；I
l
表示待去噪图像。3.根据权利要求1所述的一种基于轻量U型结构网络的图像去噪方法，其特征在于，在编码端，相邻局部残差模块间通过步幅为2的4
×
4卷积进行特征下采样；在解码端，相邻局部残差模块间通过步幅为2的2
×
2的转置卷积进行特征上采样，编码端的局部残差模块输出的特征通过跳跃连接传输到解码器端的局部残差模块。4.根据权利要求1所述的一种基于轻量U型结构网络的图像去噪方法，其特征在于，每个局部残差模块由若干个局部动态增强模块组成；在所述局部动态增强模块中，通过层归一化、1x1卷积和3x3深度卷积来编码空间上下文，编码后得到的特征流入非线性门控单元进行特征选择；流经非线性门控单元后的特征再通过全维度动态卷积单元分别获得空间、通道、卷积核维度的注意力来对特征进行高效建模，建模后的特征经过1
×
1卷积后和一个可训练的张量进行通道级相乘。5.根据权利要求4所述的一种基于轻量U型结构网络的图像去噪方法，其特征在于，所述全维度动态卷积单元包括全局平均池化操作、全连接层、ReLU激活函数和四分支的全连接层和Softmax激活函数。6.根据权利要求1所述的一种基于轻量U型结构网络的图像去噪方法，其特征在于，所述增强自注意力模块采用多深度卷积头转置注意力单元和非线性门控单元作为自注意力和前向反馈网络的主要组成部分；在所述增强自注意力模块中，首先由层归一化和多深度卷积头转置注意力单元来编码全局上下文，再通过层归一化、1
×
1卷积、3
×
3深度可分离卷积、非线性门控单元和1
×
1卷积编码局部上下文信息；其中，多深度卷积头转置注意力单元通过三分支1
×
1卷积和3
×
3深度可分离卷积先编码局部信息，并生成quer...

【专利技术属性】
技术研发人员：蔡念，张旭，张欢，何兆泉，孙世鹏，陈健，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：