本发明涉及图像去噪,尤其涉及一种图像去噪方法、系统、设备及存储介质。
背景技术:
1、随着多媒体技术的发展,数字图像在航天航空,卫星遥感,安全监控等领域发挥重要作用。然而受环境光照、量化误差、设备约束等因素限制,图像在采集过程中不可避免地被噪声污染,严重影响后续对图像的处理与分析。因此,图像去噪技术具有非常重要的研究意义。
2、目前,图像去噪技术主要分为:传统图像去噪技术和基于神经网络的图像去噪技术。
3、传统图像去噪技术根据处理方式可进一步分为空间域方法和变换域方法两类,其中空间域方法直接对图像像素值进行处理实现去噪,而变换域方法则通过域转化方式将图像变换到新特征空间进行降噪处理。然而,这些方法一般对干净图像和噪声进行先验假定,不适用于噪声类型复杂多样的真实场景,难以实现高质量的去噪效果。
4、基于神经网络的图像去噪技术利用神经网络强大的建模和拟合能力,直接从大规模数据中学习噪声图像到干净图像的映射关系。目前,具备全局交互、动态权重和位置表示能力的transformer(变换器)网络在图像去噪任务上占据领先地位,但是仅在空间或通道一个维度上使用自注意力机制,未能充分提取特征将噪声和图像原有信息分离,限制了复原图像(去噪后的图像)的质量。
技术实现思路
1、本发明的目的是提供一种图像去噪方法、系统、设备及存储介质,可以实现在滤除图像噪声的同时保留住图像锐利的边缘和精细的纹理结构,从而保证了复原图像的质量。
2、本发明的目的是通过以下技术方案实现的:
3、一种图像去噪方法,包括:
4、通过输入层对输入图像进行卷积,再通过编码器对卷积后的输入图像进行多尺度特征图的提取,所述编码器包括依次设置的多个编码层,每一编码层设有双注意力transformer模块,并通过下采样输出相应尺度的特征图;其中,transformer模块表示变换器模块;
5、通过基于双注意力transformer模块实现的瓶颈层从编码器输出的特征图中提取包含高级语义信息的特征;其中,高级语义信息是指除去颜色、几何与纹理信息以外的信息;编码器输出的特征图是指最后一个编码层输出的特征图;
6、通过解码器利用编码器提取的多尺度特征图以及瓶颈层的输出,获得解码输出特征图;所述解码器包括依次设置的多个解码层,每一解码层设有双注意力transformer模块,双注意力transformer模块的输出特征图即为所属解码层的输出特征图,第一个解码层的输入包括:瓶颈层的输出以及最后一个编码层中未经过下采样的特征图,之后每一个解码层的输入包括:上一个解码层的输出特征图以及相应编码层中未经过下采样的特征图,最后一个解码层的输出特征图即为解码输出特征图;
7、通过输出层将所述解码输出特征图进行卷积获得残差图,再结合所述输入图像获得去噪后的图像。
8、一种图像去噪系统,包括:由输入层、编码器、瓶颈层、解码器与输出层组成的图像去噪模型;其中,
9、输入层对输入图像进行卷积,再通过编码器对卷积后的输入图像进行多尺度特征图的提取,所述编码器包括依次设置的多个编码层,每一编码层设有双注意力transformer模块,并通过下采样输出相应尺度的特征图;其中,transformer模块表示变换器模块;
10、基于双注意力transformer模块实现的瓶颈层从编码器输出的特征图中提取包含高级语义信息的特征;其中,高级语义信息是指除去颜色、几何与纹理信息以外的信息;编码器输出的特征图是指最后一个编码层输出的特征图;
11、解码器利用编码器提取的多尺度特征图以及瓶颈层的输出,获得解码输出特征图;所述解码器包括依次设置的多个解码层,每一解码层设有双注意力transformer模块,双注意力transformer模块的输出特征图即为所属解码层的输出特征图,第一个解码层的输入包括:瓶颈层的输出以及最后一个编码层中未经过下采样的特征图,之后每一个解码层的输入包括:上一个解码层的输出特征图以及相应编码层中未经过下采样的特征图,最后一个解码层的输出特征图即为解码输出特征图;
12、输出层将所述解码输出特征图进行卷积获得残差图,再结合所述输入图像获得去噪后的图像。
13、一种处理设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;
14、其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现前述的方法。
15、一种可读存储介质,存储有计算机程序,其特征在于,当计算机程序被处理器执行时实现前述的方法。
16、由上述本发明提供的技术方案可以看出,通过使用双注意力transformer模块在空间和通道维度上充分挖掘图像特征,提高网络对图像纹理和结构的重建和增强效果,保证了复原图像(去噪后的图像)的质量。经过图像去噪处理的图像有助于在图像识别,检测和分割等高级计算机视觉任务中发挥更好的成效。
1.一种图像去噪方法,其特征在于,包括:
2.根据权利要求1所述的一种图像去噪方法,其特征在于,每一编码层中包括:多个堆叠设置的双注意力transformer模块与下采样层;其中,最后一个双注意力transformer模块的输出特征图输入至下采样层,以及经卷积前馈网络处理后输入至相应的解码层;下采样层负责对最后一个双注意力transformer模块的输出特征图进行下采样输出相应尺度的特征图,并作为所属编码层的输出特征图。
3.根据权利要求1所述的一种图像去噪方法,其特征在于,每一解码层中包括:上采样层、拼接模块以及多个堆叠设置的双注意力transformer模块;
4.根据权利要求1~3任一项所述的一种图像去噪方法,其特征在于,所述双注意力transformer模块包括:空间自注意力模块,通道自注意力模块,以及设置于空间自注意力模块与通道自注意力模块之间与设置于通道自注意力模块输出端的卷积前馈网络;
5.根据权利要求4所述的一种图像去噪方法,其特征在于,所述空间自注意力模块中的处理流程包括:
6.根据权利要求4所述的一种图像去噪方法,其特征在于,所述通道自注意力模块中的处理流程包括:
7.根据权利要求1所述的一种图像去噪方法,其特征在于,所述输入层、编码器、瓶颈层、解码器与输出层组成图像去噪模型;所述图像去噪模型通过训练数据集进行训练,训练数据集中包含多个图像对,每一图像对包含噪声图像与干净图像,所述干净图像是指不含噪声的图像;
8.一种图像去噪系统,其特征在于,基于权利要求1~7任一项所述的方法实现,该系统包括:由输入层、编码器、瓶颈层、解码器与输出层组成的图像去噪模型;其中,
9.一种处理设备,其特征在于,包括:一个或多个处理器;存储器,用于存储一个或多个程序;
10.一种可读存储介质,存储有计算机程序,其特征在于,当计算机程序被处理器执行时实现如权利要求1~7任一项所述的方法。