一种基于改进空间注意力的图像降噪方法技术

本发明专利技术公布了一种基于改进空间注意力的图像降噪方法，首先是将原图像和与相应噪声图像作为一个训练样本，以此构建训练样本集；接着构建图像降噪模型，该图像降噪模型包括用于对噪声图像进行局部特征提取的基础特征层、用于对噪声图像空间特征信息提取的空间注意力层，其中，基础特征层共13层，基础特征层包括卷积特征提取模块，空间注意力层共2层，包括传统空间注意力提取模块和额外空间域信息提取模块；然后利用训练集训练构建的图像降噪模型，获得训练好的图像降噪模型；最后应用时，将噪声图像输入到训练好的图像降噪模型，计算输出相应的降噪图像。本发明专利技术在空间注意层中添加了一个额外的池化操作，有效提取了内部噪声图像的空间信息。的空间信息。的空间信息。

【技术实现步骤摘要】
一种基于改进空间注意力的图像降噪方法


[0001]本专利技术涉及图像降噪
，特别涉及一种基于改进空间注意力的图像降噪方法。

技术介绍

[0002]图像去噪是指从一个有噪声的图像中恢复一个干净的图像。它是一种典型的低级计算机视觉任务，在遥感图像、医学图像等许多领域得到了广泛的应用。图像去噪任务大致可分为四类：加性高斯白噪声去噪问题，混合噪声图像去噪问题，盲噪声去噪问题，真实图像去噪。从实用性角度来说，越接近于真实的噪声情况，其研究越具有实际意义。
[0003]基于图像退化模型的图像去噪方法有多种，如传统的空间域处理、频域处理、基于块匹配的三维滤波方法、小波去噪算法、基于字典的方法、主成分分析算法、全变分方法等。虽然这些方法在图像去噪方面取得了良好的性能，但仍存在一些挑战：(1)手动选择参数，(2)模型的优化算法比较复杂。
[0004]由于具有较强的自适应学习能力，深度学习方法已成为图像去噪的主要技术，在保持图像的局部细节和纹理方面都取得了良好的效果。随着AlexNet在图像中的成功应用，许多研究人员提出了一些基于CNN的图像去噪方法。这些方法提高了去噪的性能，但仍存在一些缺陷，如较深的网络和复杂的结构导致计算成本较高，而且从更深的网络中提取的信息可能并不总是有效的。

技术实现思路

[0005]本专利技术为了弥补现有技术的不足，提供了一种基于改进空间注意力的图像降噪方法，该方法可以快速去除图像的高斯噪声，提升图像的视觉效果。
[0006]本专利技术是通过如下技术方案实现的：<br/>[0007]一种基于改进空间注意力的图像降噪方法，包括以下步骤：
[0008]步骤1：将原图像和与相应噪声图像作为一个训练样本，以此构建训练样本集；
[0009]步骤2：构建图像降噪模型，该图像降噪模型包括用于对噪声图像进行局部特征提取的基础特征层、用于对噪声图像空间特征信息提取的空间注意力层，其中，基础特征层共13层，基础特征层包括卷积特征提取模块，空间注意力层共2层，包括传统空间注意力提取模块和额外空间域信息提取模块；
[0010]步骤3：利用训练集训练构建的图像降噪模型，获得训练好的图像降噪模型；
[0011]步骤4：应用时，将噪声图像输入到训练好的图像降噪模型，计算输出相应的降噪图像。
[0012]进一步的，步骤2中，基础特征层由两组核大小为3的卷积层组成，基础特征层保持通道数为64，在输入端和最后一个ReLU函数之间添加了短跳过连接。
[0013]进一步的，步骤2中，空间注意力层分为两部分：第一部分是两组空间特征提取模块，第二部分是一组空间域信息提取模块。
[0014]进一步的，第一部分传统空间注意力提取模块计算所有通道的平均值和最大值以获得两组信息，然后对这两组信息进行卷积以获得空间注意力信息，该部分的卷积核大小为3
×
3内核，激活函数使用ReLU函数；第二部分额外空间域信息提取模块提取了张量在各自通道中的局部平面位置的特征，为了得到局部平均值的矩阵，令每个局部窗口的大小为8
×
8，并计算每个窗口内的平均值，这个过程重写为，
[0015]E
21 ＝ P(X)，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0016]其中P是核大小为8的池化函数，X是输入矩阵，由于E
21
的大小不等于输入X的大小，使用最近的插值函数N来调整矩阵E
21
的大小，即
[0017]E
22 ＝ N(E
21
)，
ꢀꢀꢀꢀꢀꢀ
(2)
[0018]通过方程(1)和(2)，得到了矩阵E
22
，然后利用ReLU函数后的卷积层将64个特征映射转换为1个通道作为额外的空间信息，因此，得到了两组空间信息，接下来，连接两个空间信息和输入特征X，为了与底层连接，使用卷积层将通道从66转换到64，最后，得到了改进注意力层的输出。
[0019]进一步的，步骤3中，训练过程中，噪声图像依次经过卷积层、基础特征层和空间注意力层处理后，根据噪声图像计算损失，然后利用损失反向传播更新神经网络权重参数。
[0020]进一步的，在训练图像降噪模型时，输入层大小为64
×
64；在进行图像复原操作时，输入层大小为图像的实际尺寸；训练时采用的损失函数为L2损失函数，采用的训练优化器为Adam优化器，在灰度图像去噪任务中，将学习速率的初始值设置为10
‑3；在彩色图像去噪任务中，学习率初始值为10
‑4；对训练集的图像进行预处理，对灰色图像，每批次训练数据包括1000个40
×
40的图像块，对彩色图像，每批次训练数据包括128个40
×
40的图像块，训练数据通过前向传播计算与清晰图像的L2损失，然后通过该损失反向传播更新模型参数，训练100个批次后，将模型参数保存。
[0021]进一步的，步骤4中，将噪声图像输入至训练好的图像降噪模型中，加载保存好的模型参数，向前传递计算，输出复原后的无噪声图像。
[0022]与现在的技术相比较，本专利技术具有以下优势：
[0023]1.本专利技术在空间注意层中添加了一个额外的池化操作，有效提取了内部噪声图像的空间信息。
[0024]2.本专利技术所提出的神经网络架构是轻量级的。网络的深度较小，网络架构只包括基础特征提取层和空间注意力层。
[0025]3.本专利技术神经网络的空间注意层数明显低于基础特征提取层数，降低了计算成本，提高了图像去噪的性能。
附图说明
[0026]下面结合附图对本专利技术作进一步的说明。
[0027]图1改进空间注意力的图像降噪网络模型；
[0028]图2构建和训练图像降噪模型的流程图；
[0029]图3利用图像降噪模型进行图像降噪的流程图；
[0030]图4灰色图像降噪效果图；
[0031]图5不同数据集图像降噪的PSNR和SSIM平均值；
[0032]图6彩色图像降噪效果图。
具体实施方式
[0033]下面结合附图和具体实施例对本专利技术作进一步详细说明。
[0034]实施例1：
[0035]本专利技术提供一种基于改进空间注意力的图像降噪方法，具体包括图像降噪模型构建和利用该模型对噪声图像去噪两个部分。
[0036]构建图像降噪模型，如图1所示，主要包括以下步骤：
[0037]步骤1：准备训练样本集，在原始图像上增加高斯噪声，得到原始图像对应的噪声图像，将原始图像和与对应噪声图像作为一个训练样本，以此构建训练样本集。
[0038]将灰色图像和彩色图像，以及对应噪声图像分割成180*180的图像块，每组图像块组成一个训练样本。
[0039]步骤2：搭建图像降噪模型，该模型由卷积层、基础特征层、改进空间注意力层组成，如图1所示，具体包括用于对噪声图像进行局部特征提取的基础特征模块和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进空间注意力的图像降噪方法，其特征在于，包括以下步骤：步骤1：将原图像和与相应噪声图像作为一个训练样本，以此构建训练样本集；步骤2：构建图像降噪模型，该图像降噪模型包括用于对噪声图像进行局部特征提取的基础特征层、用于对噪声图像空间特征信息提取的空间注意力层，其中，基础特征层共13层，基础特征层包括卷积特征提取模块，空间注意力层共2层，包括传统空间注意力提取模块和额外空间域信息提取模块；步骤3：利用训练集训练构建的图像降噪模型，获得训练好的图像降噪模型；步骤4：应用时，将噪声图像输入到训练好的图像降噪模型，计算输出相应的降噪图像。2.根据权利要求1所述的一种基于改进空间注意力的图像降噪方法，其特征在于，步骤2中，基础特征层由两组核大小为3的卷积层组成，基础特征层保持通道数为64，在输入端和最后一个ReLU函数之间添加了短跳过连接。3.根据权利要求1所述的一种基于改进空间注意力的图像降噪方法，其特征在于，步骤2中，空间注意力层分为两部分：第一部分是两组空间特征提取模块，第二部分是一组空间域信息提取模块。4.根据权利要求3所述的一种基于改进空间注意力的图像降噪方法，其特征在于，第一部分传统空间注意力提取模块计算所有通道的平均值和最大值以获得两组信息，然后对这两组信息进行卷积以获得空间注意力信息，该部分的卷积核大小为3
×
3内核，激活函数使用ReLU函数；第二部分额外空间域信息提取模块提取了张量在各自通道中的局部平面位置的特征，为了得到局部平均值的矩阵，令每个局部窗口的大小为8
×
8，并计算每个窗口内的平均值，这个过程重写为，E
21 ＝ P(X)，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中P是核大小为8的池化函数，X是输入矩阵，由于E
21
的大小不等于输入X的大小，使用最近的插值函数N来调...

【专利技术属性】
技术研发人员：孟凡云，庞丽萍，吕佳佳，韩志，
申请(专利权)人：青岛理工大学，
类型：发明
国别省市：