一种多尺度互补学习的图像去噪方法及装置

专利主权项内容

1.一种多尺度互补学习的图像去噪方法，其特征在于，包括以下步骤：获取待处理图像；对所述待处理图像进行预处理，得到预处理后的图像；将所述预处理后的图像输入训练好的去噪模型中，得到去噪图像；将所述预处理后的图像输入训练好的去噪模型中，得到去噪图像，包括：对预处理后的图像进行标准化，得到标准化图片的基层和细节层；直接学习标准化图片的细节层的图像细节特征，进行细节特征提取，获得第一图像细节特征；直接学习标准化图片的细节层的噪声分布，间接学习标准化图片的细节层的图像细节特征，进行细节特征提取，获得第二图像细节特征；基于第一图像细节特征和第二图像细节特征进行融合，得到最终的图像细节特征；将所述最终的图像细节特征和所述基层相加，得到最终的去噪图像；直接学习标准化图片的细节层的图像细节特征，进行细节特征提取，获得第一图像细节特征，包括：输入细节层I，使用二维离散余弦变换将I从空间域转换到频率域，生成频率张量；DetailDetail将所述频率张量送入细节特征学习分支得到图像细节特征，所述细节特征学习分支是一个编码-解码的U形结构，包含编码器和解码器；所述编码器用于基于经过余弦离散变换的频率张量，提取频率张量的细节特征，输出固定维度的细节特征图；所述解码器用于基于固定维度的细节特征图，从固定维度的细节特征图中合成所需维度的频率张量；基于所需维度的频率张量，使用二维离散余弦逆变换将特征图从频率域转换到空间域得到第一图像细节特征直接学习标准化图片的细节层的噪声分布，间接学习标准化图片的细节层的图像细节特征，获得第二图像细节特征，包括：使用卷积层增加细节层I的通道数；Detail送入噪声学习分支进行特征提取，得到学习的噪声分布所述噪声学习分支包括6个密集特征提取块，每个块由3对卷积和激活函数ReLU构成；6个密集特征提取块block包括：block1：输入64×80×80大小特征图，输出128×80×80大小特征图；block2-5：输入128×80×80大小特征图，输出128×80×80大小特征图；block6：输入128×80×80大小特征图，输出64×80×80大小特征图；将噪声分布与增加细节层I的通道数后的结果相减，得到特征图，使用卷积层将特征图进行降维至一维，得到第二图像细节特征/>Detail