【技术实现步骤摘要】
本专利技术涉及一种多尺度互补学习的图像去噪方法及装置，属于图像处理。
技术介绍
1、图像去噪旨在从受噪声干扰的退化图像中尽可能恢复原始的真实图像，它是计算机低层视觉任务中的热门研究课题，如今它运用在多个现实领域，例如灾害救援，医疗诊断以及天气预测等。目前，研究人员探索了各种图像去噪方法，其中典型的传统图像去噪方法包括非局部均值和小波变换。虽然传统去噪方法能获得良好的去噪效果，但是它依赖于图像先验信息以及普适性不强。
2、随着硬件发展，深度学习在图像去噪领域得到了广泛的运用。相较于传统图像去噪方法，基于深度学习的图像去噪方法具有强大的学习能力，不仅可以拟合复杂的噪声分布，还节省了计算时间。经典的卷积神经网络(cnn, convolutional neural network)包括dncnn(denoising convolutional neural network)和ffdnet(fast and flexibledenoising convolutional neural network)等。为了进一步优化神经网络的去噪性能，研究人员在网络中引入了注意力机制，各种卷积的变形以及不断的加深网络层数，例如最深的residual network(resnet)有152层；将空洞卷积与普通卷积相结合的增强卷积网络ecndnet(enhanced convolutional neural denoising network)，扩大了网络的感受野。
3、然而，目前图像去噪方法存在一些缺陷：
4、大部分去
5、随着网络层数的不断加深，网络的计算量变大，并且容易产生大量的冗余图像信息，削弱了不同网络层之间特征的互补性，导致不能获得好的去噪效果。
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足，提出一个细节特征和噪声分布双分支多尺度互补学习的图像去噪方法，该方法通过融合来自不同尺度的特征，利用更有区分度的特征，来获得更可靠的空间信息，从而使去噪后的图像更多的保留原图的特征，取得了好的去噪效果。
2、为达到上述目的，本专利技术是采用下述技术方案实现的：
3、第一方面，本专利技术提供了一种多尺度互补学习的图像去噪方法，包括以下步骤：
4、获取待处理图像；
5、对所述待处理图像进行预处理，得到预处理后的图像；
6、将所述预处理后的图像输入训练好的去噪模型中，得到最终的去噪图像；
7、所述将所述预处理后的图像输入训练好的去噪模型中，得到最终的去噪图像，包括：
8、对预处理后的图像进行标准化，得到标准化图片的基层和细节层；
9、直接学习标准化图片的细节层的图像细节特征，进行细节特征提取，获得第一图像细节特征；
10、直接学习标准化图片的细节层的噪声分布，间接学习标准化图片的细节层的图像细节特征，进行细节特征提取，获得第二图像细节特征；
11、基于第一图像细节特征和第二图像细节特征进行融合，得到最终的图像细节特征；
12、将所述最终的图像细节特征和所述基层相加，得到最终的去噪图像。
13、进一步的，所述去噪模型包括：
14、低通滤波器，用于对预处理后的图像进行标准化，得到标准化图片的基层和细节层；
15、细节特征学习分支，用于基于标准化图片的细节层，直接学习图像细节特征，进行细节特征提取，获得第一图像细节特征；采用u型网络结构，包含编码器和解码器；编码器包括resnet-50的stage1-3，每层设置多尺度减法模块进行层与层之间特征的互补学习，解码器包含上采样和密集特征融合块；
16、噪声学习分支，用于基于标准化图片的细节层，直接学习噪声分布而间接学习图像细节特征，进行细节特征提取，获得第二图像细节特征，由密集特征提取块构成；
17、融合模块，用于融合两个学习分支的输出，得到最终的图像细节特征；
18、输出模块，用于将最终的图像细节特征与基层相加，得到最终的去噪图像。
19、进一步的，对所述待处理图像进行预处理，得到预处理后的图像，包括：
20、将输入的待处理图像 i c的大小裁剪为预设尺寸；
21、添加不同水平的噪声分布 n，得到预处理后的图像。
22、进一步的，对预处理后的图像进行标准化，得到标准化图片的基层和细节层，包括：
23、将噪声图像 i n分为基层 i base和细节层 i detail，其中噪声分布 n在细节层 i detail中，将细节层 i detail和噪声分布 n相减得到图像细节特征，
24、在第一个维度拼接图像细节特征和噪声分布 n得到目标图像对；
25、对细节层 i detail和基层 i base进行图像增强操作，得到标准化图片的基层和细节层。
26、进一步的，直接学习标准化图片的细节层的图像细节特征，进行细节特征提取，获得第一图像细节特征，包括：
27、输入细节层 i detail，使用二维离散余弦变换将细节层 i detail从空间域转换到频率域，生成频率张量；
28、将所述频率张量送入细节特征学习分支得到图像细节特征，所述细节特征学习分支是一个编码-解码的u形结构，包含编码器和解码器；
29、所述编码器用于基于经过余弦离散变换的频率张量，提取频率张量的细节特征，输出固定维度的细节特征图；
30、所述解码器用于基于固定维度的细节特征图，从固定维度的细节特征图中合成所需维度的频率张量；
31、基于所需维度的频率张量，使用二维离散余弦逆变换将特征图从频率域转换到空间域得到第一图像细节特征。
32、进一步的，直接学习标准化图片的细节层的噪声分布，间接学习标准化图片的细节层的图像细节特征，进行细节特征提取，本文档来自技高网...
【技术保护点】
1.一种多尺度互补学习的图像去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多尺度互补学习的图像去噪方法，其特征在于，所述去噪模型包括：
3.根据权利要求1所述的多尺度互补学习的图像去噪方法，其特征在于，对所述待处理图像进行预处理，得到预处理后的图像，包括：
4.根据权利要求1所述的多尺度互补学习的图像去噪方法，其特征在于，对预处理后的图像进行标准化，得到标准化图片的基层和细节层，包括：
5.根据权利要求1所述的多尺度互补学习的图像去噪方法，其特征在于，
6.根据权利要求1所述的多尺度互补学习的图像去噪方法，其特征在于，直接学习标准化图片的细节层的噪声分布，间接学习标准化图片的细节层的图像细节特征，进行细节特征提取，获得第二图像细节特征，包括：
7.根据权利要求1所述的多尺度互补学习的图像去噪方法，其特征在于，基于第一图像细节特征和第二图像细节特征进行融合，得到最终的图像细节特征，包括：
8.根据权利要求1所述的多尺度互补学习的图像去噪方法，其特征在于，所述去噪模型的损失函数包括：<...
【技术特征摘要】
1.一种多尺度互补学习的图像去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多尺度互补学习的图像去噪方法，其特征在于，所述去噪模型包括：
3.根据权利要求1所述的多尺度互补学习的图像去噪方法，其特征在于，对所述待处理图像进行预处理，得到预处理后的图像，包括：
4.根据权利要求1所述的多尺度互补学习的图像去噪方法，其特征在于，对预处理后的图像进行标准化，得到标准化图片的基层和细节层，包括：
5.根据权利要求1所述的多尺度互补学习的图像去噪方法，其特征在于，
6.根据权利要求1所述的多尺度互补学习的图...
【专利技术属性】
技术研发人员：江结林，史明月，刘西应，陈亚当，赵英男，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。