[发明专利]一种基于多尺度和注意力机制的遥感影像降噪方法及系统

权利要求书

1.一种基于多尺度和注意力机制的遥感影像降噪方法，其特征在于：包括以下步骤：

步骤1：获取初始遥感影像，并将其作为样本；

步骤2：对所述初始遥感影像进行预处理，所述预处理至少包括噪声添加，其中，在所述初始遥感影像上添加噪声后得到噪声影像；

步骤3：构建基于多尺度和注意力机制的遥感影像深度降噪模型，并利用所述初始遥感影像及其对应的噪声影像进行模型训练；

其中，所述遥感影像深度降噪模型为U型结构，其至少包括编码结构、解码结构以及跳跃连接结构，所述编码结构和所述解码结构中均设有基于多头自注意力模块的局部窗口增强模块，所述跳跃连接结构将所述编码结构中每一层局部窗口增强模块的输出连接到所述解码结构中对应一层的局部窗口增强模块；

步骤4：将待降噪的遥感影像输入训练后的所述遥感影像深度降噪模型，将输出结果与所述待降噪的遥感影像进行像素级别的相加，得到降噪后的遥感影像。

2.根据权利要求1所述的遥感影像降噪方法，其特征在于：第l层的所述局部窗口增强模块中基于窗口的所述多头自注意力模块的数据处理表示为：

X’_l＝WMSA(LN(X_l-1))+X_l-1

式中，X’_l为多头自注意力模块的输出，WMSA为基于窗口的多头自注意力模块算法表达，LN表示层归一化，X_l-1表示第l-1层的输出作为第l层的所述局部窗口增强模块的输入；

其中，针对任一层次，所述多头自注意力模块的数据处理过程为：

首先，将输入当前层次的二维特征图X∈R^C×H×W裁剪成N个窗口大小为M×M的非重叠窗口，C、H、W是当前层次的二维特征图X的通道数、高度和宽度，N、M为正整数；

X＝{X¹，X²，...，X^N}，N＝HW/M²

其次，对每个窗口i进行扁平化和转置操作，得到特征R表示特征图；

然后将每个特征输入多个自注意力模块；

其中，若自注意力模块编号为k，自注意力模块的输入维度为d_k＝C/k，计算非重叠窗口中的第k个自注意力模块可定义为：

其中，SoftMax是归一化指数函数，B是相对位置偏移，Q、K、V表示Query，Key和Value的映射矩阵，T为矩阵转置符号，分别表示第k个自注意力模块的Query，Key和Value的映射矩阵，是第k个自注意力模块的输出；

所有自注意力模块{1，2，...，k}的输出连接后经过线性映射，再与输入特征X进行残差连接，获得最终结果X′。

3.根据权利要求1所述的遥感影像降噪方法，其特征在于：所述局部窗口增强模块由基于窗口的多头自注意力模块和局部增强前馈网络模块构成，所述多头自注意力模块的输出作为所述局部增强前馈网络模块的输入，第l层对应的所述局部增强前馈网络模块的数据处理表示为：

X_l＝LeFF(LN(X’_l))+X’_l

其中，LN表示层归一化，X_l为局部增强前馈网络模块的输出，X’_l为多头自注意力模块的输出，LeFF为局部增强前馈网络模块的算法表达。

4.根据权利要求1所述的遥感影像降噪方法，其特征在于：编码结构中局部窗口增强模块的输出特征图作为所述跳跃连接结构的输入，然后对所述特征图进行卷积操作后，分别进行空间注意力和通道注意力提取特征，空间注意力和通道注意力的输出与输入进行残差连接并融合，再进行一次卷积；最后将卷积后的特征图与跳跃连接结构的输入进行残差连接，得到跳跃连接结构的输出结果。