【技术实现步骤摘要】
本专利技术涉及降噪相关，尤其涉及基于小波分解与交叉窗口former结构的双解码器降噪算法。
技术介绍
1、噪声是指不希望出现的杂音、干扰声或不规则的声音，物理学上，噪声指一切不规则的信号(不一定要是声音)，比如电磁噪声，热噪声，无线电传输时的噪声，激光器噪声，光纤通信噪声，照相机拍摄图片时画面的噪声等，在图像噪声中，噪声可能来自多个方面，例如图像获取过程中传感器材料属性、工作环境、电子元器件和电路结构等的影响，也可能来自图像信号传输过程中传输介质和记录设备等的不完善，还可能在图像处理的某些环节中引入，图像噪声是影响图像质量的重要因素之一，对于图像去噪的研究和应用对于提高图像处理的效果和精度具有重要意义，所以就特别需要基于小波分解与交叉窗口former结构的双解码器降噪算法。
2、虽然早期的基于传统的机器学习的方法，取得了显著的进展，但是精度不够高，在降噪过程中通常带来一些细节上的模糊，甚至为了达到降噪目的带来新的噪声，现有的基于深度学习的方法，在一些细节上过度光滑，导致降噪后的结果失真，针对一些特殊分布的噪声又无法呈现较好的降噪效果。
技术实现思路
1、本专利技术的目的在于提供基于小波分解与交叉窗口former结构的双解码器降噪算法，以解决上述
技术介绍
中提出的现有的机器学习的方法，取得了显著的进展，但是精度不够高，在降噪过程中通常带来一些细节上的模糊，甚至为了达到降噪目的带来新的噪声，现有的基于深度学习的方法，在一些细节上过度光滑，导致降噪后的结果失真，针对一些特殊分布
2、为实现上述目的，本专利技术提供基于小波分解与交叉窗口former结构的双解码器降噪算法，该算法包括图像金字塔生成结构以及小波分解特征提取结构、former模型结构、特征采样注意力特征融合模块结构和噪声解码器模块。
3、优选的，所述图像金字塔生成结构包含个使用不同的卷积层单元图像编码结构，每个卷积单元层均包括卷积层、激活层、批归一化层。
4、优选的，所述小波分解特征提取结构包含个级联的d小波分解结构，以及用于融合小波变换分解结果的全连接层。
5、优选的，所述former模型结构包括个乘卷积层，一个重叠窗口多头注意力结构。
6、优选的，采用基于小波分解与交叉窗口former结构的双解码器降噪算法进行训练时，采用以下步骤：
7、步骤s1：将待降噪的图像数据文件raw格式转换为32位浮点数据格式；
8、步骤s2：构建图像金字塔：将步骤s1得到的数据进行多尺度分解，生成不同尺度的图像集合，形成图像金字塔；
9、步骤s3：将步骤s2中得到的图像金字塔结构，分别对每层进行编码得到编码后的特征图像金字塔结构；
10、步骤s4：将步骤s1得到的图像送入4层卷积层中逐次进行特征编码与下采样，每层卷积层由3乘3卷积核以及最大池化层构成；
11、步骤s5：将步骤s4得到的每层编码分别使用由小波分解和former特征提取结构进行特征解码，小波分解能够在不同方向上提取图像的细节和纹理信息，为模型提供有效的频谱信息，交叉窗口former特征提取结构可以自适应地学习全局语言特征信息，为模型提供有效的语义信息；
12、步骤s6：对步骤s5得到的4层特征解码结果，使用特征采样注意力机制模块进行特征融合，得到4层特征融合结果；
13、步骤s7：将步骤s4得到的4层卷积层中，选取最后一层的特征编码，将其与步骤s2得到的图像金字塔最后一层的图像做差，得到深层噪声特征图；
14、步骤s8：将步骤s6得到的4层特征融合结果与步骤s2的图像金字塔对应做差，得到拉普拉斯特征金字塔；
15、步骤s9：将步骤s8得到的拉普拉斯特征金字塔逐层叠加，第i层通过插值方法进行上采样，并与i-1层特征进行通道上的叠加，并使用噪声解码层进行特征解码，得到噪声特征图；
16、步骤s10：将步骤s6得到的特征融合结果，逐次进行上采用和通道拼接，得到细节特征图，将步骤s9得到的噪声特征图与细节特征图，将原图与噪声特征图做差后在通道上与细节特征图叠加；
17、步骤s11：将步骤s10得到的叠加特征图与步骤s9的噪声特征图分别通过一个3乘3的卷积层后将通道降为1后，进行输出降噪后的图像以及一张噪声图像；
18、步骤s12：将步骤s11中得到的降噪后的图像和噪声图像分别与对应的原始图像以及所加噪声计算均方误差；
19、步骤s13：将步骤s12所得的两个均方误差通过模型梯度进行反向传导，完成训练。
20、优选的，所述模型的训练过程，包括：
21、(1)生成训练样本数据集，训练样本数据集包含样本图像，样本图像的大小与待降噪的图像数据文件raw的图像的大小一致，训练样本数据采用真实观测数据或模拟数据；
22、(2)对训练样本数据集进行加噪以及低质量化处理；
23、(3)数据集的样本图像总数量为216张，并保证噪声分布的平衡性；
24、(4)将训练样本送入模型中，并按照权利要求5步骤s1-s13进行处理，将步骤s11得到的降噪后图和噪声图分别与对应的加噪前图片以及所加噪声计算均方误差；
25、(5)对(4)得到的两个均方误差取均值，并反向传播所计算的梯度；
26、(6)重复(4)－(5)共100轮次。
27、优选的，所述特征采样注意力特征融合模块结构，依次包括个并联的卷积结构，一个全局平均池化层，以及个并联的线性全连接层。
28、优选的，所述噪声解码器模块共层每层包括一个乘卷积结构，一个批量归一化层，一个激活函数层。
29、与现有技术相比，本专利技术的有益效果是：该基于小波分解与交叉窗口former结构的双解码器降噪算法，利用图像金字塔提取多尺度特征，提高了对信号的感知能力，通过多尺度分解，可以获取图像在不同尺度下的特征信息，从而更全面地感知信号，小波分解能够有效地提取图像的特征，提高了模型的表达能力，小波变换可以捕捉到图像在不同尺度、不同频域、不同方向上的细节和纹理信息，为模型提供了丰富的特征表示，提高了模型的表达能力，基于交叉窗口的former特征提取结构的深度学习模型能够自适应地学习全局语义信息，提高了细节细化和保留的能力，并且不同的特征提取器可以有效地学习不同分布的数据，利用采样自注意力机制可以很好地融合不同特征提取器的特征结构图，增强了模型对不同数据分布，局部区域，全局区域的关注度，双解码器可以将复杂的降噪任务解耦为细节强化任务和噪声分解任务，且由于两个任务之间相互互补，因此在解码器中仅需要针对一个解码器进行复杂的计算，对另一个解码器仅需要做计算量较低的计算即可，相比于单一解码器，双解码器仅增加了可微的计算代价即可增加模型的收敛速度与模型精度，能够自适应地学习不同尺度下不同噪声分布和图像细节的特征表示，从而更准确地做到噪声分解和细节强化等问题。...
【技术保护点】
1.基于小波分解与交叉窗口former结构的双解码器降噪算法，该算法包括图像金字塔生成结构以及小波分解特征提取结构、Former模型结构、特征采样注意力特征融合模块结构和噪声解码器模块。
2.根据权利要求1所述的基于小波分解与交叉窗口former结构的双解码器降噪算法，其特征在于：所述图像金字塔生成结构包含5个使用不同的卷积层单元图像编码结构，每个卷积单元层均包括卷积层、激活层、批归一化层。
3.根据权利要求1所述的基于小波分解与交叉窗口former结构的双解码器降噪算法，其特征在于：所述小波分解特征提取结构包含4个级联的2D小波分解结构，以及用于融合小波变换分解结果的全连接层。
4.根据权利要求1所述的基于小波分解与交叉窗口former结构的双解码器降噪算法，其特征在于：所述Former模型结构包括2个3乘3卷积层，一个重叠窗口多头注意力结构。
5.根据权利要求3-4所述的基于小波分解与交叉窗口former结构的双解码器降噪算法，其特征在于：采用基于小波分解与交叉窗口former结构的双解码器降噪算法进行训练时，采用以下步骤：p>
6.根据权利要求5所述的基于小波分解与交叉窗口former结构的双解码器降噪算法，其特征在于：所述模型的训练过程，包括：
7.根据权利要求1所述的基于小波分解与交叉窗口former结构的双解码器降噪算法，其特征在于：所述特征采样注意力特征融合模块结构，依次包括2个并联的卷积结构，一个全局平均池化层，以及2个并联的线性全连接层。
8.根据权利要求1所述的基于小波分解与交叉窗口former结构的双解码器降噪算法，其特征在于：所述噪声解码器模块共4层每层包括一个3乘3卷积结构，一个批量归一化层，一个激活函数层。
...【技术特征摘要】
1.基于小波分解与交叉窗口former结构的双解码器降噪算法，该算法包括图像金字塔生成结构以及小波分解特征提取结构、former模型结构、特征采样注意力特征融合模块结构和噪声解码器模块。
2.根据权利要求1所述的基于小波分解与交叉窗口former结构的双解码器降噪算法，其特征在于：所述图像金字塔生成结构包含5个使用不同的卷积层单元图像编码结构，每个卷积单元层均包括卷积层、激活层、批归一化层。
3.根据权利要求1所述的基于小波分解与交叉窗口former结构的双解码器降噪算法，其特征在于：所述小波分解特征提取结构包含4个级联的2d小波分解结构，以及用于融合小波变换分解结果的全连接层。
4.根据权利要求1所述的基于小波分解与交叉窗口former结构的双解码器降噪算法，其特征在于：所述former模型结构包括2个3乘3卷积层，一个重...
【专利技术属性】
技术研发人员：李俊霖，柯王林，孙佳敏，范毅，刘金池，
申请(专利权)人：深圳市菲森科技有限公司，
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。