1.一种结合无噪图像和噪声图像的联合去噪训练方法,其特征在于,包括以下步骤:S1. 图像去噪模型的训练:
使用无噪图像和对应的噪声图像作为训练数据对图像去噪模型进行训练;
S2. 数据增强:
对输入图像进行多种增强操作,增强操作包括旋转、翻转、裁剪、颜色变化中的至少一种,并将增强后的输入图像再输入到图像去噪模型进行训练,增加图像去噪模型的鲁棒性和泛化能力;
S3. 在模型训练过程中,使用混合损失函数对网络进行优化;
该混合损失函数由两部分组成:一是由去噪后的噪声图像与真实干净图像的像素级损失构成的第一损失函数;二是由去噪后的无噪图像和真实干净图像的像素级损失构成的第二损失函数;
S4. 在训练过程中实施动态优化策略:
根据当前的去噪效果,动态调整模型的学习率,以进一步提高模型的收敛速度和去噪性能;
S5. 模型优化过程中采用自适应优化器对参数进行更新:每次训练迭代后,通过验证集性能指标监控模型性能;当验证集性能指标在多次迭代后趋于稳定且不再显著提升时,或者达到预设的训练轮次,训练过程终止。
2.根据权利要求1所述的一种结合无噪图像和噪声图像的联合去噪训练方法,其特征在于,步骤S1中,所述训练过程以无噪图像和添加了随机高斯噪声的噪声图像数据为输入,并以对应的真实干净图像作为标签,通过监督学习方式对图像去噪模型进行优化。
3.根据权利要求1所述的一种结合无噪图像和噪声图像的联合去噪训练方法,其特征在于,步骤S1中,所述图像去噪模型是名为SUNet的图像去噪模型;
SUNet是将Swin Transformer与UNet架构结合的一种图像去噪模型;该模型由三个模块组成:浅层特征提取模块、UNet特征提取模块和图像重建模块;
浅层特征提取模块:
该模块通过一个3×3 卷积层对输入图像的特征维度进行调整,并提取图像的低层次特征;该过程可以用以下公式表示:;
其中,表示待去噪图像,H和W分别表示图像的高和宽,3表示图像的通道数;表示浅层特征提取层,即通过卷积操作对图像进行特征提取的过程;
表示浅层特征,C 表示浅层特征的通道数;
UNet特征提取模块:
该模块采用作为主体的编码器-解码器(encoder-decoder)结构;其中,编码器通过多个 Swin Transformer 块及下采样层逐步降低图像空间分辨率,并提取深层特征;解码器则通过多个 Swin Transformer 块及上采样层逐步恢复图像的空间分辨率,同时结合跳跃连接保留浅层特征信息;
图像重建模块
该模块使用3×3 卷积层,基于深层特征生成去噪后的图像;最终图像重建的过程通过以下公式进行表示:;
其中,表示模型的最终输出,H和W分别表示图像的高和宽,3表示图像的通道数;表示图像重建层,即通过卷积操作从深层特征中重建出去噪后的图像。
4.根据权利要求1所述的一种结合无噪图像和噪声图像的联合去噪训练方法,其特征在于,步骤S2中,所述数据增强操作包括图像的旋转角度、对比度调整、亮度变化及随机裁剪,增强后的图像用于进一步提升模型的泛化能力。
5.根据权利要求1所述的一种结合无噪图像和噪声图像的联合去噪训练方法,其特征在于,步骤S3中,所述的混合损失函数由第一损失函数与第二损失函数共同构成:第一损失函数:将噪声图像输入图像去噪模型中生成的去噪图像,再结合真实干净图像的像素值计算第一损失值:;
其中,为模型输出的去噪后的噪声图像,为真实干净图像;指L1范数运算,即计算图像在每个像素位置上的绝对误差,并将所有这些误差加和,得到图像损失值;
第二损失函数:将无噪图像输入所述模型中生成的去噪图像,再结合所述真实干净图像的像素值计算第二损失:;
其中,为去噪后的无噪图像,为真实干净图像;
混合损失函数的表达式为:
+;
其中,和是超参数,用于控制两部分损失函数的权重。
6.根据权利要求1所述的一种结合无噪图像和噪声图像的联合去噪训练方法,其特征在于,步骤S4中,所述动态优化策略是指根据模型在训练过程中的去噪效果调整学习率;
首先采用热身阶段(Warm-up)策略;在热身阶段,学习率从逐渐增加,直到达到预设的目标学习率,并保持该值直到热身阶段结束,学习率调整公式为:;
其中,是当前训练轮t步的学习率,表示热身阶段结束时的目标学习率,是热身阶段开始时的学习率;是热身阶段的总训练轮数;
在热身阶段结束后,学习率进入余弦退火阶段,学习率随着训练的进行按照余弦函数的方式逐渐减小;余弦退火策略的学习率调整公式为:;
其中,是当前训练轮次t步的学习率,为训练过程中的最小学习率,是热身阶段结束时的目标学习率;是总的训练轮数,是热身阶段的总训练轮数。
7.根据权利要求1所述的一种结合无噪图像和噪声图像的联合去噪训练方法,其特征在于,步骤S5中,所述自适应优化器为Adam优化器,采用动态调整学习率的方式,结合权重衰减策略,进一步提高模型的训练效率和去噪效果,Adam优化器的更新公式如下:;
其中,为当前训练轮次t步的模型参数, 为当前学习率,和为梯度的一阶和二阶矩估计,为防止除零错误的极小常数;
一阶矩估计和二阶矩估计的更新规则如下:
;
;
;
其中,为训练轮次为t时,损失函数相对于模型参数的梯度; 和为一阶和二阶矩估计的衰减率超参数。