欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021114146259
申请人: 苏州大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于通道注意力的Swin‑Transformer图像去噪方法,其特征在于,包括如下步骤:

步骤S1:获取原始高清图片数据集,对原始高清图片数据集进行预处理,得到用于去噪网络模型训练的有噪图像和高清图像的训练数据集;

步骤S2:将有噪图像输入至去噪网络模型中的浅层特征提取网络中提取特征信息,得到浅层特征图;

步骤S3:将所述浅层特征图作为去噪网络模型中的深层特征提取网络的输入,进行特征提取后得到深层特征图,所述深层特征提取网络包括多个CARSTB模块和一个卷积层,其中,CARSTB模块包括一个残差块和若干个通道注意力Swin‑Transformer层,通道注意力Swin‑Transformer层通过在Swin‑Transformer层中的每个MSA和MLP模块中分别加入通道注意力模块而得到;CARSTB模块对浅层特征图进行特征信息的提取并对提取的信息进行重要性区分后,通过卷积层后得到深层特征图;

步骤S4:将浅层特征图和深层特征图进行特征融合,得到重建图像;

步骤S5:利用损失函数约束重建图像与高清图像之间的差异,不断调整去噪网络模型的参数,直到去噪网络模型收敛,完成去噪网络模型的训练。

2.根据权利要求1所述的一种基于通道注意力的Swin‑Transformer图像去噪方法,其特征在于,步骤1中,所述对原始高清图像添加噪声并进行预处理,得到多对用于去噪网络模型的有噪图像和高清图像的训练数据集的方法为:对原始高清图像添加高斯噪声,生成含有噪图像和高清图像,将所有图像从RGB颜色空间转换到YCbCr颜色空间,仅保留图像YCbCr中的Y通道,并进一步对图像进行包括旋转、翻转、缩小的操作进行数据扩充。

3.根据权利要求2所述的一种基于通道注意力的Swin‑Transformer图像去噪方法,其特征在于,采用双三次插值法对数据集中的图像缩小为原来的0.5和0.7倍。

4.根据权利要求1所述的一种基于通道注意力的Swin‑Transformer图像去噪方法,其特征在于,步骤S2中,所述将有噪图像输入至去噪网络模型中的浅层特征提取网络中提取特征信息,得到浅层特征图的方法为:将有噪图像输入至一个3x3深度卷积层,得到浅层特征图。

5.根据权利要求1所述的一种基于通道注意力的Swin‑Transformer图像去噪方法,其特征在于,步骤S3中,所述深层特征提取网络中的一个卷积层为3x3卷积层。

6.根据权利要求1所述的一种基于通道注意力的Swin‑Transformer图像去噪方法,其特征在于,步骤S5中,所述损失函数为:其中 表示重建图像I中的第i行第j列的像素值,I(i,j)表示高清图像I中的第i行第j列的像素值,M和N分别表示图像的宽度和高度,B代表输入数据集的批次大小,ε是Charbonnier惩罚系数。

7.根据权利要求1所述的一种基于通道注意力的Swin‑Transformer图像去噪方法,其特征在于,步骤S5后,还包括:对测试集中的有噪图像与对应的重建图像进行峰值信噪比指标的评估。

8.根据权利要求1所述的一种基于通道注意力的Swin‑Transformer图像去噪方法,其特征在于,所述峰值信噪比指标的评估公式为:其中MSE表示均方误差,n代表图像的色彩深度。

9.根据权利要求1所述的一种基于通道注意力的Swin‑Transformer图像去噪方法,其特征在于,所述MSE为:

其中 表示重建图像I中的第i行第j列的像素值,I(i,j)表示高清图像I中的第i行第j列的像素值,M和N分别表示图像的宽度和高度。

10.一种基于通道注意力的Swin‑Transformer图像去噪系统,其特征在于,包括:数据准备模块,用于获取原始高清图片数据集,对原始高清图片数据集进行预处理,得到用于去噪网络模型训练的有噪图像和高清图像的训练数据集;

浅层特征提取模块,用于将有噪图像输入至去噪网络模型中的浅层特征提取网络中提取特征信息,得到浅层特征图;

深层特征提取模块,用于将所述浅层特征图作为去噪网络模型中的深层特征提取网络的输入,进行特征提取后得到深层特征图,所述深层特征提取网络包括多个CARSTB模块和一个卷积层,其中,CARSTB模块包括一个残差块和若干个通道注意力Swin‑Transformer层,通道注意力Swin‑Transformer层通过在Swin‑Transformer层中的每个MSA和MLP模块中分别加入通道注意力模块而得到;CARSTB模块对浅层特征图进行特征信息的提取并对提取的信息进行重要性区分后,通过卷积层后得到深层特征图;

图像重建模块,用于将浅层特征图和深层特征图进行特征融合,得到重建图像;

训练模块,用于利用损失函数约束重建图像与高清图像之间的差异,不断调整去噪网络模型的参数,直到去噪网络模型收敛,完成去噪网络模型的训练。