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: 2022101088940
申请人: 南京邮电大学
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:

1.一种基于注意力分配机制的双残差去噪方法,其特征在于:包括如下步骤:步骤1,对输入的训练图像进行预处理,得到预处理后含有噪声的噪声图像;

步骤2,使用含有注意力分配模块的D-Block构建去噪网络模型;

所述去噪网络模型包括卷积操作、ReLU激活函数以及6个D-Block;所述D-Block构成部分包括前端和后端的残差单元、主干分支、掩膜分支、注意力分配模块;

其中前端和后端的残差单元均为去掉批归一化层的残差模块,该模块由2个卷积层和两层ReLU激活函数构成;

所述主干分支包括一对不同尺寸的卷积核Conv-A和Conv-B,在卷积核Conv-A和卷积核Conv-B之间添加了一组残差连接;

所述掩膜分支包括2个Squeeze-Excitation-Block、1个Squeeze-Excitation-Block残差单元、1个卷积层以及1个Sigmoid激活函数,其中Squeeze-Excitation-Block残差单元包括下采样层、Squeeze-Excitation-Block、上采样层以及一组残差连接,下采样层和上采样层分别使用大步长的卷积核和反卷积操作实现,最终由Sigmoid激活函数产生权重,并对主干分支进行特征加权;

所述注意力分配模块包括空间注意力模块、通道注意力模块,所述空间注意力模块包括两个池化层和空间主线,两个所述池化层分别为最大池化层和平均池化层,特征图经过最大池化操作和平均池化操作后拼接成一个大特征图,先经过卷积层卷积操作后由Sigmoid激活函数对其产生出空间上的权重,并对空间主线进行空间特征加权并输入到通道注意力模块,所述通道注意力模块包括平均池化层、多层感知器和Softmax激活函数;

所述空间注意力模块的运算公式如下:

;

式中,为sigmoid激活函数,为卷积核大小为i的卷积操作,Cat为Concatenate拼接操作,和分别为经过平均池化处理后的特征图和经过最大池化处理后的特征图;

通道间注意力模块的运算公式如下:

;

式中, 和分别为多层感知器的权重,和分别为多层感知器的偏置;

由注意力分配模块产生的权重与网络中的注意力分支和非注意力分支进行相乘运算,表示为:;

式中,注意力的分配过程,和分别代表注意力分支、非注意力分支,和分别代表由注意力分配模块产生的动态权重;

步骤3,使用预处理后的噪声图像对去噪网络模型进行训练,并利用损失函数对其进行约束,得到图像去噪网络模型;

步骤4,对测试集中的图像添加不同等级的噪声,并使用得到的图像去噪网络模型对测试集进行去噪,得到去噪后的结果图像;

步骤5,采用结构相似性和峰值信噪比指标对去噪后的结果图像进行评估。

2.根据权利要求1所述的一种基于注意力分配机制的双残差去噪方法,其特征在于:步骤1中对训练数据集进行预处理操作具体如下:步骤1.1,从所述训练数据集中选取训练样本作为原始训练集,其中,所述训练样本中的图像均为尺寸相同的无噪声图像;

步骤1.2,将训练数据集中的图像分别按照1倍、0.9倍、0.8倍、0.7倍的缩放,并使用滑动窗口对缩放后的每个图像进行图像块提取;

步骤1.3,将提取的图像块进行增广操作。

3.根据权利要求1所述的一种基于注意力分配机制的双残差去噪方法,其特征在于:步骤3中的所述去噪网络模型的超参数包括批大小、初始学习率、迭代次数、学习率衰减策略,所述损失函数为均方差误差,表达式如下:;

式中:网络模型参数,为网络学习到的残差图像,为噪声图像,代表干净图像,为训练样本数。

4.根据权利要求1所述的一种基于注意力分配机制的双残差去噪方法,其特征在于:步骤4的具体操作步骤如下:步骤4.1,将测试集中的图像分别添加噪声等级为15、25、50的高斯白噪声,得到噪声训练图像;

步骤4.2,将噪声训练图像输入到去噪网络模型中进行训练,从而得到训练好的去噪网络模型,并按照每20epoch对其进行保存。

5.根据权利要求1所述的一种基于注意力分配机制的双残差去噪方法,其特征在于:步骤4中测试集包括Set12、BSD68灰度数据集。