【技术实现步骤摘要】
一种基于双分支和多尺度特征提取的图像去噪方法
[0001]本专利技术涉及基于深度学习的图像处理
，尤其涉及一种基于双分支和多尺度特征提取的图像去噪方法。
技术介绍
[0002]图像去噪是一个具有挑战性的不适定问题，是图像复原的基本问题之一，在高级视觉任务的预处理中起着重要作用。近年来，图像去噪已广泛用于天气预报、灾难救援、安全监控与医学诊断等多领域。由于图像的获取过程常常受到硬件设备的影响，以致于获取的图像受到噪声的干扰，获取的图像质量比较低，影响人们的视觉效果。
[0003]真实图像去噪是基于真实世界的有噪声的图像，真实世界的含噪图像噪声比较复杂，在真实世界的应用中，图像去噪不仅用作图像分割、图像分类和目标检测等后续任务的预处理步骤环节，还可生成更符合人们视觉效果的图像。
[0004]传统的图像去噪方法通常是基于模型的方法，大部分是结合含噪输入图像的局部或非局部结构得到的先验信息来指导去噪，比如：利用图像的非局部自相似性(NLSS)特性和变换域中的稀疏表示、以及基于块匹配和三维滤波(BM3D)的方法等...
【技术保护点】
【技术特征摘要】
1.一种基于双分支和多尺度特征提取的图像去噪方法，其特征在于，包括：获取并处理原始噪声干扰图像，生成关于图像去噪网络的多尺度输入；构建基于深度学习的多尺度去噪网络，所述多尺度去噪网络包括若干并行的特征提取子网络，在所述特征提取子网络中首先进行相应尺度输入图像的浅层特征提取；在所述特征提取子网络中构建双分支特征提取模块，将所述特征提取子网络的浅层特征提取结果输入至所述双分支特征提取模块中，提取输入图像的深层次特征一；构建监督注意力模块，基于所述监督注意力模块对所述深层次特征一进行监督式的特征增强，提取对抑制噪声干扰有价值的深层次特征二；将所述深层次特征二由低分辨率尺度图像向邻近较高分辨率尺度图像逐级特征融合，输出所述多尺度去噪网络的去噪结果，即降噪后的图像。2.根据权利要求1所述的基于双分支和多尺度特征提取的图像去噪方法，其特征在于，获取并处理所述原始噪声干扰图像，包括：获取原始噪声干扰图像，对所述原始噪声干扰图像进行逐级空间下采样，获得空间分辨率逐渐降低的图像，生成关于图像去噪网络的多尺度输入。3.根据权利要求2所述的基于双分支和多尺度特征提取的图像去噪方法，其特征在于，生成所述关于图像去噪网络的多尺度输入，包括：以所述原始噪声干扰图像为第一尺度图像，即最高分辨率的尺度图像，采用双线性插值的方法顺次进行若干次空间下采样，获得分辨率逐渐降低的第二尺度以及第三尺度图像，生成关于图像去噪网络的多尺度输入图像。4.根据权利要求1所述的基于双分支和多尺度特征提取的图像去噪方法，其特征在于，在所述特征提取子网络中进行相应尺度输入图像的浅层特征提取，包括：在所述特征提取子网络中，以单个3
×
3的深度超参数化卷积替换3
×
3普通卷积，对相应尺度输入图像进行浅层特征提取。5.根据权利要求1所述的基于双分支和多尺度特征提取的图像去噪方法，其特征在于，所述双分支特征提取模块以残差块为基础构建，每个所述特征提取子网络用于对相应尺度的输入图像进行特征提取。6.根据权利要求5所述的基于双分支和多尺度特征提取的图像去噪方法，其特征在于，所述提取输入图像的深层次特征一，包括：将所述特征提取子网络中对应尺度图像的浅层特征提取结果，送入相应的所述双分支特征提取模块中，实现关于相应尺度输入图像的全局与局部特征有效结合的深层次特征提取，获得所述深层次特征一。7.根据权利要求6所述的基于双分支和多尺度特征提取的图像去噪方法，其特征在于，所述实现关于相应尺度输入图像的全局与局部特征有效结合的深层次特征提取，包括：对相应尺度输入图像的浅层特征提取结果基于1
×
1卷积进行像素级的跨通道融合，将跨通道融合后的特征图进行通道均匀分组，获得两组特征图，将分组结果送入两个并行处理分支，其中，第一处理分支进行空间局部特征提取，第二处理分支为基于Restormer模型中的跨通道注意力的Transformer模块进行...
【专利技术属性】
技术研发人员：张朝晖，计姗姗，解滨，王秀青，张姗姗，
申请(专利权)人：河北师范大学，
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。