[发明专利]基于多尺度混合注意力残差网络的图像去噪方法及装置

权利要求书

1.一种图像去噪方法，其特征在于，包括如下步骤：

第一步：建立基于多尺度混合注意力残差(MR-MA)网络结构，包括多尺度残差网络模块(MRB)分支和混合注意力网络(MAN)分支，网络通过上半部分的多尺度残差网络模块分支中三种不同像素尺寸大小的卷积核提取多尺度的底层特征信息，并通过下半部分混合注意力网络分支以获得图像非局部混合注意力信息；使用乘法连接将两个分支提取的特征进行融合并加入全局跳跃连接，并在网络最后堆叠多尺度残差网络模块以捕获特征间的不同尺度相关性；在所述第一步中，构建上下两个分支之后，通过乘法连接将多尺度的残差特征和混合注意力特征进行融合，并加入全局跳跃连接以保留原始信息，再加入q个MRB对最终得到的特征图进行多尺度残差融合，以构建完整的网络框架；

第二步：根据多尺度残差网络模块能够提取全局分层特征以及混合注意力机制能够自适应地重新缩放图像的分层特征，利用训练集及各层次特征,预训练出深度多尺度混合注意力残差神经网络,利用网络多尺度的低级别和高级别的特征从分层特征中学习混合的局部和全局注意力信息；

第三步：利用训练好的网络对输入的噪声图像进行去噪,得到输出的高清图像。

2.如权利要求1所述的图像去噪方法，其特征在于：所述第一步具体包括：上半分支的多尺度残差网络模块(MRB)中使用三种不同尺寸大小的卷积核构成的卷积层Conv3、Conv5和Conv7进行不同尺寸的底层特征的提取，并通过ReLU激活层和Conv3卷积调整尺寸和通道大小。

3.如权利要求1或2所述的图像去噪方法，其特征在于：所述第一步具体包括：下半分支的混合注意力网络(MAN)包含混合注意力模块(MAB)，从而提取全局和非全局的注意力特征，在此之后连接m个残差模块(RB)，之后进行下采样以实现全局特征提取，之后连接2m个RB并进行上采样恢复，并通过m个RB将局部和全局的注意力特征进行融合，最终通过Sigmoid层激活。

4.如权利要求1至2任一项所述的图像去噪方法，其特征在于：在所述第二步中，将来自不同深度的多尺度残差网络模块分支的特征映射用作分层特征,通过混合注意力网络分支，将图像通道和空间注意力自适应地重新缩放分层特征。

5.如权利要求1至2任一项所述的图像去噪方法，其特征在于：所述第三步具体包括：对于每一个原始含噪声图像，直接将其输入到训练好的多尺度混合注意力残差网络中，利用训练好的网络提取多层次注意力特征,在网络最终端得到重构后的清晰图像。

6.一种图像去噪装置，包括计算机可读存储介质和处理器，所述计算机可读存储介质存储有可执行程序，其特征在于，所述可执行程序被所述处理器执行时，实现如权利要求1至5任一项所述的图像去噪方法。

7.一种计算机可读存储介质，所述计算机可读存储介质存储有可执行程序，其特征在于，所述可执行程序被处理器执行时，实现如权利要求1至5任一项所述的图像去噪方法。