基于多阶段级联互补学习的图像去噪系统及方法技术方案

本发明专利技术公开了一种基于多阶段级联互补学习的图像去噪系统及方法，主要解决现有技术信息利用率低导致图像去噪效果不佳的问题。方案包括：由两个多级预测器、卷积网络层构成的特征增强模块、跨阶段特征融合模块和融合模块构建去噪系统；其中跨阶段特征融合模块包括动态权重分配、多尺度特征融合与混合注意力机制；通过采用噪声和去噪图像预测器的级联结构实现互补学习，采用跨阶段特征融合策略实现噪声阶段和内容阶段之间特征映射的有效集成；设计联合损失函数对构建的系统模型进行训练，并利用训练好的模型对测试集中的噪声图像进行处理，得到去噪图像。本发明专利技术能够提升互补学习去噪方法中的信息利用率，显著改善图像去噪效果。

【技术实现步骤摘要】

本专利技术属于数字图像处理，进一步涉及图像去噪技术，具体为一种基于多阶段级联互补学习的图像去噪系统及方法，可用于目标识别、图像转换及资源勘探。

技术介绍

1、由于环境和人为因素以及传感器的缺陷，使得成像设备在采集、手动编辑和随后传输从成像对象收集的信号时不可避免地会引入噪声。噪声图像会对许多图像处理应用产生不利影响。因此，图像去噪是数字图像处理中的一个重要环节，其目标在于减少或消除图像中的噪声，提高图像的质量和可用性。在图像去噪领域，基于深度学习的图像去噪方法发展迅猛，已经引起了科研人员的广泛关注。深度学习方法可以大致分为两种形式：内容学习和噪声学习。内容学习的是利用深度神经网络直接估计干净图像的内容，从而恢复图像内容；噪声学习涉及估计噪声分量，然后从噪声输入中减去该分量，恢复干净的图像。为了利用内容学习和噪声学习的互补优势，基于互补学习图像去噪的方法被提出来。

2、geng,mufeng等人在文献“content-noise complementary learning formedical image denoising”中提出了一种内容-本文档来自技高网...

【技术保护点】

1.一种基于特征融合互补学习的图像去噪系统，其特征在于，包括：两个预测器、特征增强模块、跨阶段特征融合模块和融合模块；其中两个预测器分别为由N级编码器和N级译码器构成的噪声预测器，以及由M级编码器和M级译码器构成的去噪图像预测器，N小于等于M，且N和M均不小于2；特征增强模块由卷积网络层构成；跨阶段特征融合模块包括动态权重分配、多尺度特征融合与混合注意力机制；融合模块包括空间注意力机制和卷积网络层；

2.根据权利要求1所述的系统，其特征在于：所述一阶段去噪图像，是利用N级编码器提取原始噪声图像中噪声的特征，将其输入至全局特征提取层，再由全局特征提取层输入至N级译码器中的第1级...

【技术特征摘要】

1.一种基于特征融合互补学习的图像去噪系统，其特征在于，包括：两个预测器、特征增强模块、跨阶段特征融合模块和融合模块；其中两个预测器分别为由n级编码器和n级译码器构成的噪声预测器，以及由m级编码器和m级译码器构成的去噪图像预测器，n小于等于m，且n和m均不小于2；特征增强模块由卷积网络层构成；跨阶段特征融合模块包括动态权重分配、多尺度特征融合与混合注意力机制；融合模块包括空间注意力机制和卷积网络层；

2.根据权利要求1所述的系统，其特征在于：所述一阶段去噪图像，是利用n级编码器提取原始噪声图像中噪声的特征，将其输入至全局特征提取层，再由全局特征提取层输入至n级译码器中的第1级译码器，n级译码器的第1级到第n-1级依次输入至其下一级译码器，由第n级译码器输出图像噪声，再用原噪声图像减去该预测器输出的图像噪声得到；所述二阶段去噪图像，是利用m级编码器提取经过特征增强后的噪声图像中图像内容的特征，将其输入至m级译码器的第1级译码器中，m级译码器的第1级到第m-n级的输出直接输入其下一级译码器，第m-n+1级至第m-1级输出通过跨阶段特征融合模块与噪声预测器特征融合后输入其下一级译码器，最终由第m级译码器输出。

3.一种基于多阶段级联互补学...

【专利技术属性】
技术研发人员：王海，赵少博，张敏，霍豫，王晨好，杜培，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：