1.一种基于多尺度边缘特征融合的图像去噪方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于多尺度边缘特征融合的图像去噪方法,其特征在于,所述步骤一具体为:数据集由400张180×180像素的灰度图像构建灰度图像样本集和3859张的彩色图像构建彩色图像样本集,分割为50×50像素,400个灰度图像被划分为15200个图像块,3859个彩色图像被划分为1218558个图像块,在图像训练过程中,将训练的图像块随机旋转,分别进行旋转90度、旋转180度、旋转270度、旋转90度并翻转、旋转180度并翻转、旋转270度并翻转和垂直翻转的操作,同时将加性高斯白噪声加入灰度和彩色图像形成密集的高斯白噪声。
3.根据权利要求2所述的一种基于多尺度边缘特征融合的图像去噪方法,其特征在于,训练集为了更加模拟真实世界中的噪声情况,而加入的加性高斯白噪声,通过数据仿真,得出加性高斯白噪声仿真模型用如下公式表示:
4.根据权利要求1所述的一种基于多尺度边缘特征融合的图像去噪方法,其特征在于,步骤二中所述的上层网络msfenet采用了双层网络结构,具体为:上层网络由6层组成,2层的dconv+bn+relu层,2层dconv,以及2层bn+relu;下层网络结构由10层组成,4层的dconv+bn+relu层,3层dconv,以及3层bn+relu,并且在网络中会引入2个跳跃连接,分别是第一层dconv与第五层dconv相连和第一层dconv与第九层dconv相连,其中使用了空洞卷积来增加感受野,空洞率为2,卷积核的大小为3×3;
5.根据权利要求1所述的一种基于多尺度边缘特征融合的图像去噪方法,其特征在于,步骤二中所述的边缘提取网络模型具体为:采用基于canny算子的边缘提取网络,来提取图像的边缘信息,用以增强和保留图像的边缘细节。
6.根据权利要求1所述的一种基于多尺度边缘特征融合的图像去噪方法,其特征在于,步骤三所述的以增强边缘特征的融合网络包含一个conv+bn+relu层、两个conv层和cbam模块。
7.根据权利要求6所述的一种基于多尺度边缘特征融合的图像去噪方法,其特征在于,cbam模块结合了信道注意机制和空间注意机制,能够自适应地关注图像特征的重要通道和空间位置,从而提高模型的表达能力和性能。
8.根据权利要求1所述的一种基于多尺度边缘特征融合的图像去噪方法,其特征在于,步骤四所述的去噪神经网络由17层组成,一个cbr块,4个dcbr块,2个cc块、2个ccc块和2个conv层,其中引入了基于senet的注意力机制和跳跃连接;
9.根据权利要求1所述的一种基于多尺度边缘特征融合的图像去噪方法,其特征在于,步骤五所述损失函数采用对异常值更加敏感的l2范数来调节模型参数,公式为:
10.根据权利要求1所述的一种基于多尺度边缘特征融合的图像去噪方法,其特征在于,学习率根据训练的epoch数量进行动态调整,采用adam算法对损失函数进行了优化。