[发明专利]基于通道和空间注意力的真实噪声盲去噪网络系统及方法

说明书

一种基于通道和空间注意力的真实噪声盲去噪网络系统及方法，该盲去噪网络系统包括加权特征提取模块，其通过自适应地调整通道重要性来提取待处理图像更具有判别性的像素特征；多路径残差密集模块，其提取有利于学习更具有判别性的像素特征复杂像素分布的多尺度特征并兼顾图像局部和全局细节信息的多层次特征；以及多尺度特征融合模块，其通过自适应加权融合多尺度特征和多层次特征以突出特征的空间和通道差异性，得到盲去噪后的图像。该网络模型能显著提高真实噪声图像的去噪性能，在真实图像去噪任务中具有更大的实际应用价值。

技术领域

本发明涉及图像去噪领域，具体涉及一种基于通道和空间注意力的真实噪声盲去噪网络系统及方法。

背景技术

图像去噪是低维视觉中的一项重要任务，也是一种不可或缺的图像预处理方法，其目的是从噪声图像中移除噪声从而恢复出一幅干净的图像。目前基于卷积神经网络(Convolutional neural network，CNN)的去噪方法表现尤其突出，但它们大多采用加性高斯白噪声(Add White Gaussian Noise，AWGN)来模拟真实噪声。而真实噪声来源广泛且远比AWGN复杂，且基于CNN的去噪方法的性能依赖于仿真采用的噪声(AWGN)与真实噪声的像素分布之间的匹配度，因此在AWGN图像去噪上表现良好的算法却在真实噪声图像上表现很差。

目前，已有一些去噪算法利用图像分布特征获得不错的性能，但仍存在以下三个问题：第一，所有通道特征均被同等对待，没有根据其重要性进行调整；第二，固定的感受野不能充分提取丰富的层次空间特征；第三，特征融合方式单一，如简单的像素相加和通道拼接，忽略了尺度特征的空间和通道特异性。

发明内容

有鉴于此，本发明的主要目的之一在于提出一种基于通道和空间注意力的真实噪声盲去噪网络系统及方法，以期至少部分地解决上述技术问题中的至少之一。

为了实现上述目的，作为本发明的一个方面，提供了一种基于通道和空间注意力的真实噪声盲去噪网络系统，包括：

加权特征提取模块，其通过自适应地调整通道重要性来提取待处理图像更具有判别性的像素特征；

多路径残差密集模块，其提取有利于学习更具有判别性的像素特征复杂像素分布的多尺度特征并兼顾图像局部和全局细节信息的多层次特征；以及

多尺度特征融合模块，其通过自适应加权融合多尺度特征和多层次特征以突出特征的空间和通道差异性，得到盲去噪后的图像。

作为本发明的另一个方面，还提供了一种建立盲去噪网络系统的方法，包括：

(1)输入待处理图像到如上所述的盲去噪网络；

(2)利用加权特征提取模块提取具有判别性的像素特征；

(3)将所述像素特征与待处理图像进行通道拼接形成一个两通道的特征图，以避免底层特征的丢失；

(4)所述两通道的特征图进入多路径残差密集模块获得多尺度特征和多层次特征；

(5)再利用多尺度特征融合模块以自适应加权融合多尺度特征，以突出特征的空间和通道差异性；

(6)输出预测到的干净图像；

(7)计算干净图像与预测到的干净图像之间的最小绝对值误差；

(8)重复步骤(1)至(7)以降低网络损失为目的来调整网络参数，使该网络性能达到最优，得到的最优网络模型即为所述盲去噪网络系统。

基于上述技术方案可知，本发明的基于通道和空间注意力的真实噪声盲去噪网络系统及方法相对于现有技术至少具有以下优势之一：