买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜西南石油大学申请的专利一种基于噪声水平估计的图像降噪方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116167947B 。

龙图腾网通过国家知识产权局官网在2025-05-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310388957.7，技术领域涉及：G06T5/70；该发明授权一种基于噪声水平估计的图像降噪方法是由罗仁泽;罗任权;谭亮;李华督;邓治林;余泓设计研发完成，并于2023-04-13向国家知识产权局提交的专利申请。

本一种基于噪声水平估计的图像降噪方法在说明书摘要公布了：本发明公开了一种基于噪声水平估计的图像降噪的方法，以特征降维与卷积神经网络为基础，本发明的噪声水平估计模块具有估计准确和计算效率高的优点，在先行估计出噪声水平后再进行降噪，克服了常用的FFDNet等模型严重依赖先验参数的问题，并且将FFDNet模型的连续卷积部分替换为了密集连接块，大大提升了模型的特征提取能力。本发明可快速高效地完成图像降噪，具有广泛的应用价值。

本发明授权一种基于噪声水平估计的图像降噪方法在权利要求书中公布了：1.一种基于噪声水平估计的图像降噪方法，其特征包括以下步骤：步骤1：对原始图像数据进行预处理，具体处理方式为：1在图像中加入不同噪声水平的高斯噪声，并将图像调整为n×n的像素大小尺寸；2将预处理后的图像数据集划分为训练集和测试集，以未加噪声的原始数据作为训练目标；步骤2：构建噪声水平估计网络模块，整个噪声水平估计网络由主成分分析降维和卷积神经网络构成，具体处理方式为：1采集原始含噪图像划分为若干大小相同的图像块并进行数字化，得到图像矩阵，并计算特征矩阵的协方差矩阵以及协方差矩阵的特征值；2使用皮尔逊、斯皮尔曼以及肯德尔相关系数指标计算特征值与噪声水平之间的相关性，计算各相关性指标的均方差值来确定权重，方差越大信息量便越多，于是均方差值大的指标被赋予更大的权重；设置特征阈值k，采用主成分分析方法，选取与噪声水平相关性系数最高的k个特征值，相关性系数权重计算公式如下： 式中W1，W2，W3分别为皮尔逊、斯皮尔曼以及肯德尔相关系数的权重；s1，s2，s3分别为皮尔逊、斯皮尔曼以及肯德尔相关系数的标准差；3降维后的图像输入到由1个1×1、m个3×3卷积、m个线性整流激活函数、m-1个池化层以及1个全连接层组成的卷积神经网络，得到估计的噪声水平；步骤3：构建降噪网络模块，具体处理方式为：1构建密集连接模块，整个密集连接模块由3×3卷积、线性整流激活函数构成，模块计算结构如下：x1＝rCon3×3xinx2＝rCon3×3x1+xinxout＝rCon3×3x1+x2式中，xin和xout分别代表模型的输入和输出，r表示进行线性整流激活函数计算操作，Con代表3×3的卷积操作；2整个降噪网络包含n个密集连接模块、一个下采样层以及一个上采样层；步骤4：使用步骤1得到的训练集对步骤2和步骤3搭建好的网络模型进行训练，分别使用交叉熵损失函数和均方根误差损失函数计算两部分的误差构建自适应权重联合损失函数，同时优化两个网络，使用峰值信噪比对网络模型进行客观评估，保存最佳的模型参数；联合损失函数合损失函数公式如下： 其中LN为噪声水平估计网络对应的交叉熵损失函数，LD为降噪网络对应的均方根误差损失函数，M表示给定噪声水平值的类别；当预测的噪声水平与真实噪声水平相同时，pc值取1，否则取0；qc表示预测的噪声水平为c噪声水平时的概率，N为像素点总量，为真实图像，λ为损失函数权重；损失函数权重的选取根据上一轮训练的损失自适应更新，自适应的权重系数使交叉熵损失和均方根误差损失始终相等，以达到平衡网络的作用；权重系数的计算公式如下：λ＝L'NL'NL'D其中λ为当前训练轮次的权重系数，L'N为上一轮训练的噪声估计损失，L'D为上一轮训练的降噪声损失；步骤5：将步骤2估计出的噪声水平重构为噪声映射图，与噪声图像一同输入到步骤4已经训练好的降噪网络中，得到降噪后的图像。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西南石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。