申请/专利权人：山东师范大学

申请日：2021-09-15

公开（公告）日：2024-04-09

公开（公告）号：CN113837959B

主分类号：G06T5/70

分类号：G06T5/70;G06V10/774;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.01.11#实质审查的生效;2021.12.24#公开

摘要：本发明提供一种图像去噪模型训练方法、图像去噪方法及系统，属于图像处理技术领域，利用训练集训练基础网络模型，得到图像去噪模型；其中，所述训练数据集包括多个图像块对，每一个图像块对均包括第一图像和第二图像，第一图像为含噪声图像，第二图像为无噪声图像；基础网络模型包括并联的第一特征提取通道和第二特征提取通道，第一特征提取通道和所述第二特征提取通道的输出共同连接自注意力机制模块。本发明使用双通道网络结构来同时提取图像不同层次的信息，并且在网络中级联自注意力机制模块，提高了图像去噪效果，不仅能够提取丰富的局部特征，有效减少训练过程中的梯度爆炸和过拟合问题；结合自注意力机制提取局部信息的同时关注全局信息。

主权项：1.一种图像去噪模型训练方法，其特征在于，包括：获取训练数据集，所述训练数据集包括多个图像块对，每一个所述图像块对均包括第一图像和第二图像，所述第一图像为含噪声图像，所述第二图像为无噪声图像；建立基础网络模型，所述基础网络模型包括并联的第一特征提取通道和第二特征提取通道，所述第一特征提取通道和所述第二特征提取通道的输出共同连接自注意力机制模块；利用所述训练数据集对所述基础网络模型进行训练，得到训练好的图像去噪模型，包括：将所述多个图像块对中的第一图像输入所述基础网络模型，获得多个输出图像；根据所述多个输出图像和所述多个图像块对中对应的第二图像，构建损失函数，包括：对所述损失函数的最小值进行优化，获得优化后的网络参数；利用优化后的网络参数对所述基础网络模型进行迭代更新，得到最终训练好的图像去噪模型；采用退化方程对构建的基础网络进行训练；其中，为加性高斯白噪声，为含噪图像，通过网络预测噪声，然后通过来获取干净图像，即去噪声后的图像；因此，结合已有深度卷积神经网络的去噪方法，采用均方误差来训练图像去噪模型，损失函数为： 其中，代表中训练模型的参数，代表个有噪声-干净即无噪声的图像对；损失函数通过Adam优化器恢复潜在的清洁图像。

全文数据：

权利要求：

百度查询： 山东师范大学 图像去噪模型训练方法、图像去噪方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD