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！

申请/专利权人：西安理工大学

摘要：本发明公开了一种基于NSST域和Res2Net网络的图像去噪方法，步骤1，选取n张图像作为训练样本，对预处理后的图像进行分解得到低频子带图L和高频子带图H；步骤2，将步骤1中得到的低频子带图L进行训练学习，得到低频子带图L'；步骤3，将高频子带图中的其中一幅子带图进行训练学习，得到高频子带图H1'；步骤4，对步骤1中剩余k‑1个高频子带图依次执行步骤3，得到相应的去噪之后的高频自带图；步骤5，将步骤1中经过NSST分解得到的各个频域子带图经过步骤2～4得到的各自的子带结果取出使用，即得到干净图像。采用该方法解决了现有技术中存在阈值去噪过程中难以确定而使得去噪效果不明显及去噪结果边缘纹理不清晰的问题。

主权项：1.基于NSST域和Res2Net网络的图像去噪方法，其特征在于：具体包括如下步骤：步骤1，选取n张图像作为训练样本，然后对训练样本中的每张图像进行预处理，对预处理后的图像进行NSST频域分解得到1个低频子带图L和k个高频子带图H；步骤2，将步骤1中得到的低频子带图L输入到设计好的级联Res2Net网络中进行训练学习，得到预估的去噪之后的低频子带图L'；所述步骤2具体步骤为：步骤2.1，设计级联的Res2Net去噪网络，此网络包含三部分：第一部分是第一层低层特征提取层，包括conv卷积操作和ReLu激活函数；第二部分包含若干个Res2Net残差块，第三部分为位于最后一层的重构层；其中每一个残差块是由两个部分组成，第一部分是恒等映射通过短跳跃连接进行残差学习，第二部分是由多个相同的卷积层部分构成进行深层的特征学习，具体由conv卷积操作特征提取，ReLu激活操作进行非线性映射，BN归一化处理这三步构成，在卷积层与卷积层内部添加残差块，即上一层卷积得到的结果输入到下一层时，需要记录上一层得到的结果通道数n，根据通道数平均分组，分为s组，每一组特征通道数为A，记做n＝s×A，再对平均分的组除第一组外进行卷积操作，每一组进行卷积操作时需要将上一组的卷积结果和本组的特征进行残差连接，直到所有组完成对应卷积操作，将这些组进行特征融合得到结果，将其结果输入到下一个卷积层即可，第三部分是最后一层重构层；步骤2.2，将步骤1中得到的低频子带图L输入到步骤2.1中设计好的级联的Res2Net去噪网络的第一层,进行卷积操作浅层特征提取以获得图像矩阵M0，将低频子带图L从空间映射转换为特征映射中步骤2.3，将步骤2.2中获得的图像矩阵M0输入到设计好的级联的Res2Net去噪网络中的第二部分，即中间具有若干层相同结构且依次连接的残差块进行深层的特征映射获得映射后的图像矩阵依次为M1、M2，M3，...，Mx，其中x表示网络的第x个Res2Net残差块；步骤2.4，将步骤2.3中从多个Res2Net残差块中一层一层进行特征映射获得的图像矩阵M1，M2，M3，...，Mx进行特征融合得到结果Mr；步骤2.5，将步骤2.3中的结果Mr输入到Res2Net去噪网络的最后一层重构层进行卷积操作，将图像矩阵M0和Mr进行残差和卷积操作得到结果Mc，将图像矩阵Mc从特征映射转换到空间映射，即学习最终去噪后的低频子带图L′；步骤2.6，设定如下公式1所示的损失函数： 式中，W和H分别表示图像的宽度和长度，Kl表示第l个输入子带图，表示输入子带图经过网络训练输出对应子带图在i,j处的预测像素值，表示Kl对应干净图像分解的子带图在i,j处的像素值；步骤2.7，通过步骤2.6设定的损失函数对低频子带图L进行训练，经过若干次迭代，当损失函数值达到最小时，得到最佳的低频子带图L'；步骤3，将步骤1中得到的高频子带图中的其中一幅子带图输入到设计好的与步骤2相同的级联的Res2Net网络中进行训练学习，得到预估的去噪之后的高频子带图H1'；步骤4，对步骤1中剩余k-1个高频子带图依次执行步骤3，得到相应的去噪之后的高频子带图；步骤5，将步骤1中经过NSST分解得到的各个频域子带图经过步骤2、3、4得到的各自的子带结果取出使用，即将这些结果图经过NSST逆变换重构得到最终去噪之后的干净图像。

全文数据：

权利要求：

百度查询： 西安理工大学 基于NSST域和Res2Net网络的图像去噪方法