【技术实现步骤摘要】
本专利技术涉及图像增强领域，尤其涉及一种基于去噪自解码网络的图像去噪方法及系统。
技术介绍
1、数字图像是融媒体时代最重要的信息载体之一，但图像在产生、传输过程中，由于信道特性，会不可避免地受到噪声的干扰，对后续的诸多图像处理任务产生影响。因此，图像去噪的研究具有重要的意义。
2、早期的通信工程中，存在诸多传统方法去除噪声，例如基于线性、非线性滤波器的调制解调方法等。然而，传统的基于调制解调的去噪方法会极大增加带宽，降低信息的传输速率，且去噪效果有限。
3、随着机器学习、深度学习的发展，许多基于卷积神经网络的去噪算法相继被提出。dncnn基于残差神经网络构建去噪模型，相比传统滤波算法取得了更好的去噪性能。在此基础上，rdn将多个残差块叠加，实现浅层特征和深层特征的充分复用，提高了残差神经网络的特征利用效率。但这些方法均是基于纯数据驱动，将卷积神经网络当作一个黑匣子使用，没有可解释性较强的数学模型作支撑。随着对噪声分布研究的不断深入，guo等人提出cbdnet，通过训练网络估计噪声分布，再将此分布与噪声图像一起放入...
【技术保护点】
1.一种基于去噪自解码网络的图像去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于去噪自解码网络的图像去噪方法，其特征在于：步骤1中，对噪声图像进行预处理，包括噪声图像的归一化，所述归一化利用尺度放缩归一化将样本数据全部放缩到相同尺度下，且关于0对称分布，具体归一化函数为：
3.根据权利要求1所述的一种基于去噪自解码网络的图像去噪方法，其特征在于：步骤2中，所述迭代步数生成模块，首先基于残差神经网络对与预处理后的噪声图像进行特征提取，然后经过线性层和归一化层得到不同迭代步数的概率序列，将概率序列的最大值对应的序列位置索引作为
【技术特征摘要】
1.一种基于去噪自解码网络的图像去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于去噪自解码网络的图像去噪方法，其特征在于：步骤1中，对噪声图像进行预处理，包括噪声图像的归一化，所述归一化利用尺度放缩归一化将样本数据全部放缩到相同尺度下，且关于0对称分布，具体归一化函数为：
3.根据权利要求1所述的一种基于去噪自解码网络的图像去噪方法，其特征在于：步骤2中，所述迭代步数生成模块，首先基于残差神经网络对与预处理后的噪声图像进行特征提取，然后经过线性层和归一化层得到不同迭代步数的概率序列，将概率序列的最大值对应的序列位置索引作为迭代步数输出。
4.根据权利要求1所述的一种基于去噪自解码网络的图像去噪方法，其特征在于：步骤2中，下采样层用于降低维度，便于卷积层进行特征提取，上采样层用于恢复维度，确保噪声生成模块的生成与输入维度相同；下采样层、卷积层和上采样层均由4个基本网络结构组成，其中，基本网络结构包括2个残差块、1个自注意力层，上采样层中还包括一个上采样函数，上采样函数由一个卷积和一个2倍的upsample函数组成，通过插值算法进行上...
【专利技术属性】
技术研发人员：归子涵，刘瑨玮，袁程浩，杨光义，贺威，
申请(专利权)人：武汉大学，
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。