[发明专利]一种基于增强Transformer的图像盲去噪方法及系统

权利要求书

1.一种基于增强Transformer的图像盲去噪方法，其特征在于，包括以下步骤：

S1、将噪声图像分割为若干图像块；

S2、构建基于增强Transformer的去噪网络，通过残差学习操作、连接操作和注意力机制等操作融合去噪网络中的卷积层、动态卷积层和增强Transformer模块的特征；

S3、将S1中分割后的噪声图像块输入步骤S2构建好的去噪网络中，获得去噪网络输出的图像块，把同一张图像的图像块拼接起来，得到一张干净图像。

2.根据权利要求1所述的基于增强Transformer的图像盲去噪方法，其特征在于，步骤S2中去噪网络包括8层结构，具体为：

第1层、第2层和第3层均由卷积层和激活函数ReLU组成；第4层和第5层均由动态卷积层和激活函数ReLU组成；第6层为增强Transformer模块，第7层由卷积层和激活函数ReLU组成；第8层由卷积层组成；其中，第1层和第8层卷积层中的卷积核大小为3×3，第2层、第3层和第7层卷积层中的卷积核大小为5×5；第3层、第5层和第6层的输出通过残差学习操作、连接操作、注意力机制等操作进行特征融合后，作为第7层的输入。

3.根据权利要求2所述的基于增强Transformer的图像盲去噪方法，其特征在于，动态卷积层具体为：

先通过池化操作将输入特征从C×M×M压缩至C×1×1，再通过两个1×1的卷积层将C×1×1大小的特征压缩至4×1×1，C表示特征的通道数，再通过SoftMax函数计算出4个权重；随后，通过4个卷积核乘以对应的权重求和，得到最终的卷积核，即为动态卷积层的卷积核；动态卷积层的卷积操作和卷积层的卷积操作相同，具体如下：

w₁,w₂,w₃,w₄＝softmax(con_1×1(ReLU((conv_1×1(P(input_dynamic)))))

K_dynamic＝w₁K_comm1+w₂K_comm2+w₃K_comm3+w₄K_comm4

Out_dynamic＝f_dynamic(input_dynamic)

其中，w₁,w₂,w₃,w₄分别为四个卷积核对应的权重，K_dynamic为动态卷积核；input_dynamic为输入特征，Out_dynamic为输出特征；P(*)为池化操作；Conv_1×1(*)为1×1的卷积层，ReLU(*)为ReLU激活函数，softmax(*)为SoftMax函数，K_comm1,K_comm2,K_comm3,K_comm4分别表示四个卷积核；f_dynamic表示卷积操作。

4.根据权利要求2所述的基于增强Transformer的图像盲去噪方法，其特征在于，增强Transformer模块包括编码器Block1和解码器Block2，编码器Block1和解码器Block2均设置5层；增强Transformer模块的输入和第1层、第2层以、第3层及第4层编码器Block1的输出通过残差学习操作进行特征融合，融合后的特征作为第5层编码器的输入；第5层编码器Block1的输出作为第1层解码器Block2的输入；此外，第5层编码器Block1的输出还以Memory的方式输入到所有解码器Block2中。