[发明专利]基于多尺度选择反馈网络的真实图像去噪方法

权利要求书

1.一种基于多尺度选择反馈网络的真实图像去噪方法，其特征在于，包括：

S1、构建用于提取多个感受野尺度特征的多尺度选择模块；

S2、基于多尺度选择模块构建多尺度选择反馈网络，所述多尺度选择反馈网络从输入端到输出端依次包括浅层特征提取单元、多个串联的多尺度选择模块、图像重建单元和退化模型；

S3、针对图像去噪过程构建两项对偶任务，一项为从原始噪声图像预测无噪图像，另一项为从预测的无噪图像退化到噪声图像；然后利用所述多尺度选择反馈网络在多个时间步中反复执行所述两项对偶任务，进行多级迭代；其中，图像重建单元的输出为所述预测的无噪图像，所述预测的无噪图像经由所述退化模型，输出退化的噪声图像；并且，在迭代执行所述两项对偶任务的过程中，将上一时间步中深层的多尺度选择模块输出的高层级语义信息有选择地反馈至下一时间步中浅层的多尺度选择模块的输入端；

S4、通过迭代执行所述两项对偶任务，来训练所述多尺度选择反馈网络；其中，训练集中的数据对由原始噪声图像与对应的无噪标签构成，训练过程以最小化对偶损失为优化目标，以峰值信噪比作为网络性能的评判指标；所述对偶损失包含两个部分：预测的无噪图像与对应的无噪标签之间的差异，以及退化的噪声图像与原始噪声图像之间的差异；

S5、将待去噪的噪声图像输入训练好的多尺度选择反馈网络中进行去噪，输出去噪后的图像。

2.如权利要求1所述的真实图像去噪方法，其特征在于，所述多尺度选择模块包括由输入端到输出端依次连接的特征提取单元、特征压缩单元、特征重要性概率分配单元、特征校准单元和融合输出单元；

所述特征提取单元采用若干个并列的卷积层分别提取输入图像的特征，再进行融合，得到第一输出特征；所述第一输出特征经过所述特征压缩单元完成特征压缩之后，分别输出至若干个并列的特征重要性概率分配单元；若干个特征重要性概率分配单元对应输出的若干个特征分别进入若干个特征校准单元，以与所述若干个并列的卷积层的输出一一对应相乘，输出若干个校准后的特征；最后通过所述融合输出单元将所述若干个校准后的特征进行融合，作为所述多尺度选择模块的输出。

3.如权利要求2所述的真实图像去噪方法，其特征在于，在所述多尺度选择模块中，所述特征提取单元包括三个并列的卷积层，卷积核大小分别为3×3、5×5、7×7；所述特征压缩单元包括依次串联的全局平均池化、1×1卷积和LeakyReLU激活层；所述特征重要性概率分配单元包括串联的1×1卷积和Softmax层。

4.如权利要求1所述的真实图像去噪方法，其特征在于，所述浅层特征提取单元采用若干个卷积层提取原始噪声图像的浅层特征。

5.如权利要求4所述的真实图像去噪方法，其特征在于，所述浅层特征提取单元包含两个串联的卷积层，卷积内核的大小依次为3×3、1×1。

6.如权利要求1所述的真实图像去噪方法，其特征在于，所述图像重建单元包括由输入端至输出端依次连接的3×3卷积、1×1卷积、链接至原始噪声图像的跳跃连接。

7.如权利要求1所述的真实图像去噪方法，其特征在于，步骤S3中所述将上一时间步中深层的多尺度选择模块输出的高层级语义信息有选择地反馈至下一时间步中浅层的多尺度选择模块的输入端，是采用将上一时间步的后M个多尺度选择模块的输出反馈到当前时间步的前M个多尺度选择模块的输入的选择性反馈机制来实现；其中，m表示多尺度选择反馈网络中串联的多尺度选择模块的数量；

所述选择性反馈机制采用特征选择模块和特征融合模块实现，从第二个时间步的迭代开始：在前M个多尺度选择模块的输入端各增加一个所述特征融合模块，同时每个特征融合模块还分别连接一个所述特征选择模块，并将上一时间步的后M个多尺度选择模块的输出都传入每个特征选择模块，每个特征选择模块都将上一时间步后M个多尺度选择模块输出的高层级语义信息在通道方向上进行融合，然后再进行主成分分析以提取特征主成分，并传输至对应的特征融合模块，以通过特征融合模块将当前时间步的低层级特征与包含上一时间步的高层级语义信息的特征进行融合，作为当前时间步的前M个多尺度选择模块的输入。