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: 2023104347903
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:

1.一种基于动态注意力的密集型LSTM残差网络去噪方法,其特征在于:包括如下步骤:步骤S1,构造训练数据集,并对所述数据集进行预处理操作;

步骤S2,建立动态注意力机制和密集型LSTM残差网络构成的去噪网络模型;步骤S2中,去噪网络模型由卷积、LReLU以及8个动态注意力模块构成,其中动态注意力模块包括前端和后端的残差单元、非注意力分支、注意力分支和权重分配分支,并在动态注意力模块内部采用LSTM结构,网络模型内部所用卷积核大小为3×3和5×5;

步骤S3,设置去噪网络模型的超参数和损失函数;

步骤S4,对训练数据集添加不同等级的噪声,并对网络进行训练,得到训练后的去噪网络模型;

步骤S5,输入测试集到训练后的去噪网络模型,得到去噪后图像,并用结构相似性和峰值信噪比评估噪声图像;将通过评估的去噪网络模型投入使用,输入待处理图像,输出去噪后的图像。

2.根据权利要求1所述的一种基于动态注意力的密集型LSTM残差网络去噪方法,其特征在于:步骤S1中,对训练数据集进行预处理操作包括如下步骤:S1.1),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;

S1.2),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,并滑动固定大小的分割窗口,将缩放后的每个图像进行图像块的提取;

S1.3),将分割后的图像进行增广操作,所述的增广操作的方法包括:对图像进行上下翻转、90°旋转、180°旋转、270°旋转、上下翻转后90°旋转、上下翻转后180°旋转、上下翻转后270°旋转。

3.根据权利要求2所述的一种基于动态注意力的密集型LSTM残差网络去噪方法,其特征在于:所述前端和后端的残差单元为残差模块,该模块由2个卷积核大小为3×3的卷积层和LReLU激活函数构成,设Y为输入,数学表达式如下:X0=ψ(W2*ψ(W1*Y+b1)+b2)

上式中W1和W2表示输出通道为64的3×3卷积层,b1和b2为偏置,ψ表示LReLU激活函数,X0表示提取的浅层特征;

定义Xi-1表示动态注意力模块的输入;前端特征提取部分由1个残差模块和LReLU激活函数组成,对应的数学表达式为:式中表示E残差模块;接着,将分别输入注意力分支、非注意分支。

4.根据权利要求2所述的一种基于动态注意力的密集型LSTM残差网络去噪方法,其特征在于:所述非注意力分支由2个残差单元、1个LSTM模块组成主干网络,其中残差单元包含1个3×3卷积层和1个5×5卷积层,LSTM模块由残差模块、LSTM单元、卷积层和注意力掩模层组成的循环网络结构;LSTM单元数学表达式如下it=σ(Wxi*Xt+Whi*Ht-1+Wci⊙Ct-1+bi)

ft=σ(Wxf*Xt+Whf*Ht-1+Wcf⊙Ct-1+bf)

Ct=ft⊙Ct-1+it⊙tanh(Wxc*Xt+Whc*Ht-1+bc)ot=σ(Wxo*Xt+Who*Ht-1+Wco⊙Ct+bo)

Ht=ot⊙tanh(Ct)

其中LSTM由输入门it、遗忘门ft、输出门ot、长时记忆状态Ct和短时记忆状态Ht组成;σ和tanh分别表示Sigmoid激活函数和Tanh激活函数,Wjk表示从j到k卷积操作,⊙表示矩阵点乘,bj表示第j单元的激活值;Xt表示由残差模块获得的特征图,Ct对送到下一个LSTM的特征进行编码,Ht作为当前的LSTM单元输出,并输入一下LSTM单元。

5.根据权利要求2所述的一种基于动态注意力的密集型LSTM残差网络去噪方法,其特征在于:所述注意力分支由主干网络Bi和掩模部分Mi组成,表示为:上式中Fatt表示注意力分支,i表示第i个动态注意力模块,主干网络Bi包含2个残差模块,掩模部分Mi包含空洞卷积、通道注意力模块、下采样操作、上采样操作以及Sigmoid函数。

6.根据权利要求2所述的一种基于动态注意力的密集型LSTM残差网络去噪方法,其特征在于:所述权重分配分支由空间注意力模块、通道注意力模块构成,其中空间注意力模块包括了一对最大池化操作和平均池化操作,特征图分别经过两种池化操作后拼接成一个大特征图,之后由Sigmoid激活函数得到空间上的权重,并输入到通道注意力模块;通道注意力模块由平均池化层、两层线性层和Softmax激活函数构成,最终将产出动态注意力权重分布用于非注意分支和注意力分支。

7.根据权利要求2所述的一种基于动态注意力的密集型LSTM残差网络去噪方法,其特征在于:步骤S3中,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;损失函数为均方差误差,其数学表达式为:式中,Θ为动态注意力机制的密集型LSTM残差网络参数,R(yi;Θ)为网络学习到的残差图像,yi为噪声图像,xi代表干净图像,N为训练样本数;采用Train400数据集作为训练数据集,设置网络超参数,每个轮次随机提取40个尺寸为128×128的图像块作为样本,并采用Adam优化器进行训练,初始学习率设为1×10-4,每10轮学习率下降0.2倍,网络共计训练100轮。

8.根据权利要求7所述的一种基于动态注意力的密集型LSTM残差网络去噪方法,其特征在于:在步骤S4中,去噪网络模型的训练方法为:S4.1),将原始数据训练集中的图像分别添加噪声等级为15、25、50的高斯白噪声;

S4.2),将加入噪声的训练图像输入到所述网络模型中进行训练,从而得到训练好的去噪网络模型,并对其进行保存。

9.根据权利要求8所述的一种基于动态注意力的密集型LSTM残差网络去噪方法,其特征在于:步骤S5中,结构相似性的计算公式为:其中x和y为两幅图像,为均值;为方差;σxy是x和y的协方差;d1=(k1L)2,d2=(k2L)2,L是像素的动态范围;k1=0.01,k2=0.03;

峰值信噪比的计算公式为:

式中:x(i,j)和y(i,j)分别代表了初始图像x(i,j)和去噪后的图像y(i,j)中相对应位置的像素值,Q表示图像中最大灰度值。