[发明专利]一种基于双增强残差网络的生物图像去噪方法

权利要求书

1.一种基于双增强残差网络的生物图像去噪方法，是将待去躁的图像输入去噪模型中完成图像去噪，其特征在于所述去噪模型依次按照如下步骤建立：

步骤1：制作训练集

步骤1.1：导入BSD500数据集，加入强度已知的高斯噪声构建图像对，选取N对图像，记为图像集

步骤1.2：对图像集进行切块操作，获得4N个图像块，切块之后的图像大小均为256*256像素，记为训练集

步骤2：将训练集图像数据输入双增强残差网络获取去噪模型

所述双增强残差网络有两个结构相同的第一子网络S₁和第二子网络S₂，第一子网络S₁通过监督注意模块和四个交叉特征融合模块与第二子网络S₂相连接，在第二子网络S₂的前端和后端分别有第一个卷积层Conv_final₁和最后一个卷积层Conv_final₂；所述第一子网络S₁和第二子网络S₂的结构是依次有四个编码块、上下文块和四个解码块，所述四个编码块均由卷积层和残差块构成，所述四个解码块的第一个解码块由偏移块和残差密集块构成，其它三个解码块由转置卷积层、卷积层、偏移块和残差密集块构成，所述残差密集块由四个块构成，前三个块密集跳跃连接后与最后一个块相接，前三个块均由卷积层、实例归一化层和激活函数构成，最后一个块由卷积层和实例归一化层构成；编码块的卷积层与对应的解码块的转置卷积层之间设置长跳跃连接；约定变量iteration_pro为网络循环迭代的次数，设置初始值为0，开始训练；

所述训练按照如下步骤进行：

步骤2.1：将训练集的每个噪声图像块Train_Noisy_P_i经过第一子网络S₁的第一个卷积层，得到初始特征图TN_P_i_f₁；

步骤2.2：将初始特征图TN_P_i_f₁经过第一子网络S₁剩余的一个残差块和三个编码块，分别进行四次下采样，得到的四个编码特征图TN_P_i_f_encoder1、TN_P_i_f_encoder2、TN_P_i_f_encoder3和TN_P_i_f_encoder4；

步骤2.3：将编码特征图TN_P_i_f_encoder4送入第一个子网络S₁的上下文块，得到上下文特征图TN_P_i_f_context1；

步骤2.4：将上下文特征图TN_P_i_f_context1经过第一子网络S₁的四个解码块，分别进行四次上采样，得到四个解码特征图TN_P_i_f_decoder1、TN_P_i_f_decoder2、TN_P_i_f_decoder3、TN_P_i_f_decoder4；

步骤2.5：将解码特征图TN_P_i_f_decoder4经过监督注意模块送入子网络S₂的第一个卷积层Conv_final₁，将第一子网络S₁所得到的四个编码特征图TN_P_i_f_encoder1、TN_P_i_f_encoder2、TN_P_i_f_encoder3和TN_P_i_f_encoder4和四个解码特征图TN_P_i_f_decoder1、TN_P_i_f_decoder2、TN_P_i_f_decoder3、TN_P_i_f_decoder4分别通过各自对应的交叉阶段特征融合模块送入第二子网络S₂对应的四个编码块；

步骤2.6：第二子网络S₂的第一个卷积层Conv_final₁输出特征图TN_P_i_f₂，特征图TN_P_i_f₂依次经过第二子网络S₂的四个编码块、上下文块和四个解码块，得到重构后的特征图TN_P_i_f；

步骤2.7：将重构特征图TN_P_i_f输入到最后一个卷积层Conv_final₂，获得去噪后的图像块Train_Denoised_P_i；

步骤2.8：通过L1 Loss求取网络去噪图像块Train_Denoised_P_i和干净图像块Train_P_i之间的差异，当iteration_pro达到4×10⁵，网络停止训练并保存模型Model.pt；否则反向传播Loss的值，通过优化算法更新参数，循环进行训练步骤。