【技术实现步骤摘要】
基于多尺度动态特征聚合的图像摩尔纹噪声去除方法
[0001]本专利技术涉及图像去噪复原
,尤其涉及一种基于多尺度动态特征聚合的图像摩尔纹噪声去除方法。
技术介绍
[0002]电子屏幕是一种广泛存在的信息媒介,用于将计算机的视觉信息传递给用户。为了即时记录和分享信息,通过软件或者智能手机等便携式相机抓拍屏幕上呈现的内容已经成为了常见情况。但是,这类捕获的屏幕图像往往会受到摩尔纹噪音的影响,从而降低其视觉质量。摩尔纹噪音区别于常见的高斯噪音、椒盐噪音等由传感器等元器件工作中引入的噪音,是由于相机的滤色器阵列(CFA)和屏幕的LCD子像素之间广泛存在的频率混叠产生的。在表现形式上,摩尔纹噪音整体会呈现是条状、涟漪、波纹等多尺度的形状,并伴随着空间变化的颜色失真,严重降低了图像质量。此外,在扫描仪和印刷中,摩尔纹也是一个常见的问题。去摩尔纹技术可以帮助减少噪点和干扰,提高扫描和印刷的清晰度和细节。在医学影像中,CT扫描、MRI和数字X光常常产生不想要的摩尔纹干扰,影响影像质量和诊断结果。去摩尔纹技术可以提高影像质量和可读性,有助于医学影像的准确分析和诊断。因此,图像去除摩尔纹噪音具有很大的实际意义。
[0003]图像去摩尔纹噪音方式分为两大类:第一类为预处理,通过在拍摄设备中添加特殊的光学滤镜或镜片,并调整屏幕设置,更改其色温、亮度等,从而减弱摩尔纹;第二类方式为后处理,通过特定算法消除图像中的摩尔纹噪声。鉴于抓拍屏幕内容的便捷性和即时性,以及去摩尔纹的普遍需求和经济性,将第二类去摩尔纹噪音方式以软件的方式嵌入 ...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度动态特征聚合的图像摩尔纹噪声去除方法,其特征在于,包括以下步骤:选择去摩尔纹噪音数据集,根据所述去摩尔纹噪音数据集的性质生成训练使用的图像对;分别构造残差密集块、尺度特征提取融合模块和主旁路动态编码模块,将所述残差密集块和所述尺度特征提取融合模块融合为组合模块,并对所述组合模块采用跳跃连接,所述主旁路动态编码模块结构采用残差连接,所述组合模块与所述主旁路动态编码模块按照预设方式耦合,构成深度卷积神经网络;将所述图像对中带摩尔纹噪音图像输入所述深度卷积神经网络,输出去摩尔纹噪音图像;计算所述去摩尔纹噪音图像与所述图像对中的清晰图像之间的损失函数,并对所述深度卷积神经网络进行训练;从所述去摩尔纹噪音数据集中选择测试集,将所述测试集中带摩尔纹噪音图像输入训练好的所述深度卷积神经网络,输出对应的去摩尔纹噪音图像。2.如权利要求1所述的基于多尺度动态特征聚合的图像摩尔纹噪声去除方法,其特征在于,所述残差密集块包括m层卷积层,前m
‑
1层的卷积层包括对应尺度通道数量的滤波器和激活函数,第m层的卷积层包括对应尺度通道数量的滤波器,其中,第1层的卷积层的输入为所述图像对,其他层的卷积层的输入为前一层卷积层的输出和所述图像对沿尺度通道维度的拼接,第m层卷积层输出的第一输出值输入到所述尺度特征提取融合模块的输入端。3.如权利要求2所述的基于多尺度动态特征聚合的图像摩尔纹噪声去除方法,其特征在于,所述尺度特征提取融合模块包括n个参数共享的空洞卷积层,各个所述空洞卷积层采用相同的卷积参数,以及采用不同的空洞系数,所述空洞卷积层利用卷积操作捕捉不同尺度大小但形状相似的尺度特征信息,然后将所述尺度特征信息与所述第一输出值沿通道维度拼接,使用1
×
1卷积将不同尺度的所述尺度特征信息进行初步融合并使用激活函数,然后对初步融合的所述尺度特征信息使用通道注意力机制,最后再次使用1
×
1卷积和激活函数完成最终的信息融合,输出第二输出值。4.如权利要求3所述的基于多尺度动态特征聚合的图像摩尔纹噪声去除方法,其特征在于,所述尺度特征提取融合模块输出的所述第二输出值与所述图像对相加,得到最终输出,所述最终输出输入到所述主旁路动态编码模块。5.如权利要求4所述的基于多尺度动态特征聚合的图像摩尔纹噪声去除方法,其特征在于,所述主旁路动态编码模块包括依次堆叠的S个动态编码模块,以及分别耦合在所述动态编码模块前后级的卷积层,每个所述动态编码模块均包括主路和旁路,对于前S
‑
1个所述动态编码模块,每条所述主路均包括一个主路卷积层,以及耦合在主路卷积层后的一个主路DDF模块,每条所述旁路均包括一个旁路卷积层,以及耦合在旁路卷积层后的一个旁路DDF模块,第S个所述动态编码模块的主路包括一个主路卷积层,以及耦合在主路卷积层后的一个主路DDF模块,第S个所述动态编码模块的旁路仅包括一个卷积层,前级的主路DDF和模块和旁路DDF模块分别与后级的主路卷积层和旁路卷积层耦合。6.如权利要求5所述的基于多尺度动态特征聚合的图像摩尔纹噪声去除方法,其特征在于,对于任意的前S
‑
1个所述动态编码模块,同一所述动态编码模块的旁路卷积层还与主
路DDF模块耦合。7.如权利要求1所述的基于多尺度动态特征聚合的图像摩尔纹噪声去除方法,其特征在于,所述深度卷积神经网络包括t层尺度,所述组合模块包括第一组合模块和第二组合模块,每一层尺度均包括依次耦合的第一组合模块、主旁路动态编码模块、第二组合模块和一个...
【专利技术属性】
技术研发人员:许若涛,韦志宇,雷正华,邱云中,
申请(专利权)人:人工智能与数字经济广东省实验室广州,
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。