[发明专利]一种综合多尺度与注意力机制的深度学习图像去噪方法

说明书

本发明公开了一种综合多尺度与注意力机制的深度学习图像去噪方法，提升深度学习模型对图像高斯去噪输出的峰值信噪比和结构相似度。主要包含以下步骤：选取合适的高清晰图像训练集，并且制作对应的噪声图像；搭建深度学习网络模型，结合多尺度机制和注意力机制；使用选择的训练集和搭建的深度学习网络模型，以最小化损失函数为目标进行训练直到损失函数收敛；将测试集中待去噪的图像输入训练好的去噪网络中，得到去噪后的图像。相比于传统去噪方法和现有的深度学习去噪方法，本发明提出的综合多尺度与注意力机制的深度学习去噪方案，在峰值信噪比(PSNR)指标上有了明显的提升。

技术领域

本方案设计图像去噪领域，特别涉及基于深度学习的多尺度和注意力机制。

背景技术

现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像。图像去噪是指减少数字图像中噪声的过程，这是图像处理中一个非常经典的逆问题，以加性高斯白噪声为例，很多早期的方法采用滤波方法直接对图像进行处理，比如均值滤波，中值滤波，维纳滤波等，这些滤波方式较为简单，使得滤波处理后恢复的图像细节较差。

随后出现了BM3D的传统算法，通过在图像中寻找相似块的方法进行滤波。BM3D算法分为基础估计和最终估计两步，每一步都分为相似块分组，协同滤波和聚合三步。多步处理和非局部寻找相似块的操作使得BM3D算法在传统算法处理结果中获得了较高的峰值信噪比。

随着近几年深度学习的发展，已经有越来越多的研究者尝试通过深度学习方式来解决图像去噪问题，其中代表作为DnCNN网络结构，该网络结构使用17个卷积层和Relu层进行叠加，并且添加批标准化模块，实现的效果超过了BM3D等代表性的传统算法，为以后的深度学习解决图像去噪问题提供了重要的借鉴意义。

虽然基于深度学习的图像去噪技术(DnCNN等)相比于传统的图像去噪技术(BM3D，WNNM等)，在PSNR和SSIM指标上有一定的提高，但是针对特定的某些纹理丰富图像仍旧比不过传统方法。而且现有的网络存在网络结构单一，多种机制没有联合使用的缺点。因此提高深度学习在图像去噪的性能是十分重要的。

发明内容

为解决上述技术问题，本发明公开一种综合了多尺度与注意力机制的深度学习图像去噪方案，该方案提高了深度学习在图像去噪中的学习能力，将图像去噪后的PSNR水准提升到了新的高度，并且针对特定纹理丰富的图像进行优化，有效的去除相应的噪声。

为实现上述目的，本发明采用以下技术方案：

包括以下步骤：

1)制作数据集

1a)选取DIV2K共1000张2K分辨率高清晰图片作为训练集干净图像

1b)将干净图像加入高斯白噪声，生成噪声图像，与干净图像形成成对数据集

1c)选取Imagenet中2万张图像作为微调使用

2)搭建深度学习网络模型

2a)使用U-Net作为主体架构，进行三次下采样和三次上采样操作

2b)在U-Net的主体框架中使用一个卷积层学习通道间相关性并且减少通道数，并且使用残差密集块(Residual Dense Block)作为主体网络

2c)下采样的方式使用小波变换(DWT)，上采样的方式使用小波逆变换(IWT)

2d)2a-2c三个步骤形成一个Ugroup结构，为了更加深度的拟合网络，选取2个Ugroup 级联，并且将输出进行叠加(concat)进行特征融合；

2e)将2个Ugroup融合特征通过CBAM注意力机制