[发明专利]基于NSST域和Res2Net网络的图像去噪方法在审
申请号: | 202110727841.2 | 申请日: | 2021-06-29 |
公开(公告)号: | CN113379643A | 公开(公告)日: | 2021-09-10 |
发明(设计)人: | 刘晶;董玉;杨慧 | 申请(专利权)人: | 西安理工大学 |
主分类号: | G06T5/00 | 分类号: | G06T5/00;G06N3/04;G06N3/08 |
代理公司: | 西安弘理专利事务所 61214 | 代理人: | 曾庆喜 |
地址: | 710048 陕*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 nsst res2net 网络 图像 方法 | ||
1.基于NSST域和Res2Net网络的图像去噪方法,其特征在于:具体包括如下步骤:
步骤1,选取n张图像作为训练样本,然后对训练样本中的每张图像进行预处理,对预处理后的图像进行NSST频域分解得到1个低频子带图L和k个高频子带图H;
步骤2,将步骤1中得到的低频子带图L输入到设计好的级联Res2Net网络中进行训练学习,得到预估的去噪之后的低频子带图L';
步骤3,将步骤1中得到的高频子带图中的其中一幅子带图输入到设计好的与步骤1、2相同的级联的Res2Net网络中进行训练学习,得到预估的去噪之后的高频子带图H1';
步骤4,对步骤1中剩余k-1个高频子带图依次执行步骤3,得到相应的去噪之后的高频子带图;
步骤5,将步骤1中经过NSST分解得到的各个频域子带图经过步骤2、3、4得到的各自的子带结果取出使用,即将这些结果图经过NSST逆变换重构得到最终去噪之后的干净图像。
2.根据权利要求1所述的基于NSST域和Res2Net网络的图像去噪方法,其特征在于:所述步骤1的具体步骤为:
将训练样本中的每张图像随机分割出m×m大小的图像,并对分割后的每张m×m大小的图像进行高斯加噪得到噪声图像,再使用均值滤波对得到的噪声图像进行预去噪,然后对得到的预去噪结果进行NSST变换分解,得到尺寸大小为m×m的一个低频子带图L和若干个高频子带图H。
3.根据权利要求1所述的基于NSST域和Res2Net网络的图像去噪方法,其特征在于:所述步骤2具体步骤为:
步骤2.1,设计级联的Res2Net去噪网络,此网络包含三部分:
第一部分是第一层低层特征提取层,包括conv卷积操作和ReLu激活函数;第二部分包含若干个Res2Net残差块,第三部分为位于最后一层的重构层;
步骤2.2,将步骤1中得到的低频子带图L输入到步骤2.1中设计好的级联的Res2Net去噪网络的第一层,进行卷积操作浅层特征提取以获得图像矩阵M0,将低频子带图L从空间映射转换为特征映射中;
步骤2.3,将步骤2.2中获得的图像矩阵M0输入到设计好的级联的Res2Net去噪网络中的第二部分,即中间具有若干层相同结构且依次连接的残差块进行深层的特征映射获得映射后的图像矩阵依次为M1、M2,M3,...,Mx,其中x表示网络的第x个Res2Net残差块;
步骤2.4,将步骤2.3中从多个Res2Net残差模块中一层一层进行特征映射获得的图像矩阵M1,M2,M3,...,Mx进行特征融合得到结果Mr;
步骤2.5,将步骤2.3中的结果Mr输入到Res2Net去噪网络的最后一层重构层进行卷积操作,将图像矩阵M0和Mr进行残差和卷积操作得到结果Mc,将图像矩阵Mc从特征映射转换到空间映射,即学习最终去噪后的低频子带图L′;
步骤2.6,设定如下公式(1)所示的损失函数:
式中,W和H分别表示图像的宽度和长度,Kl表示第l个输入子带图,表示输入子带图经过网络训练输出对应子带图在(i,j)处的预测像素值,表示Kl对应干净图像分解的子带图在(i,j)处的像素值,L表示图像的最大灰度等级;
步骤2.7,通过步骤2.6设定的损失函数对低频子带图L进行训练,经过若干次迭代,当损失函数值达到最小时,得到最佳的低频子带图L'。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安理工大学,未经西安理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110727841.2/1.html,转载请声明来源钻瓜专利网。