[发明专利]图像去噪方法、装置、电子设备、存储介质

权利要求书

1.一种图像去噪方法，其特征在于，包括：

接收原始图像；

将所述原始图像输入已训练的去噪神经网络以使所述去噪神经网络输出去噪后图像，其中所述去噪神经网络包含编码器和解码器，所述编码器包括与所述解码器连接的至少一个跳跃连接，所述编码器适配于以跨尺度融合方式将所述原始图像编码成隐层表示，所述解码器适配于基于所述至少一个跳跃连接将所述隐层表示解码成所述去噪后图像。

2.根据权利要求1所述的图像去噪方法，其特征在于，还包括：

将预定的图像库划分为训练集和测试集；

以训练集中的图像作为无噪声图像，使用图像处理库在所述无噪声图像中加入噪声以作为所述去噪神经网络的训练数据；

基于所述训练数据训练所述去噪神经网络；

基于所述测试集验证所述去噪神经网络的训练效果。

3.根据权利要求2所述的图像去噪方法，其特征在于，

所述基于所述训练数据训练所述去噪神经网络包括：将结构相似性损失函数和L₁范数损失函数的加权结果，确定为基于所述训练数据训练所述去噪神经网络的损失函数。

4.根据权利要求1所述的图像去噪方法，其特征在于，所述编码器还包括注意力机制模型；

所述以跨尺度融合方式将所述原始图像编码成隐层表示包括：

将所述原始图像输入第一卷积窗口执行第一卷积运算，以获取第一尺度的特征图和不同于所述第一尺度的、第二尺度的特征图；

将第一尺度的特征图输入第二卷积窗口执行第二卷积运算，以获取第二卷积运算后的特征图；

对第二尺度的特征图执行第一最大池化处理，将第一最大池化处理后的特征图输入第三卷积窗口执行第三卷积运算，以获取第三卷积运算后的特征图；

对第二尺度的特征图执行第二最大池化处理，对第二最大池化处理后的特征图执行第三最大池化处理，以获取第三最大池化处理后的特征图；

将第二卷积运算后的特征图、第三卷积运算后的特征图和第三最大池化处理后的特征图输入所述注意力机制模型，以获取所述隐层表示。

5.根据权利要求4所述的图像去噪方法，其特征在于，在将所述原始图像输入第一卷积窗口执行第一卷积运算之前，还包括：

将所述原始图像输入第四卷积窗口以执行第四卷积运算；

将从第四卷积运算后的特征图中提取的共同特征，确定为第一跳跃连接；

所述方法还包括：

将第一卷积运算后的特征图和第一最大池化处理后的特征图的共同特征，确定为第二跳跃连接；

将第二卷积运算后的特征图、第三卷积运算后的特征图和第三最大池化处理后的特征图的共同特征，确定为第三跳跃连接。

6.根据权利要求5所述的图像去噪方法，其特征在于，所述基于所述至少一个跳跃连接将所述隐层表示解码成所述去噪后图像包括：

将所述第三跳跃连接加入所述隐层表示；

将加入所述第三跳跃连接的隐层表示输入第一反卷积窗口执行第一反卷积运算，以获取第一反卷积运算后的特征图；

将所述第二跳跃连接加入所述第一反卷积运算后的特征图；

将加入所述第二跳跃连接的、第一反卷积运算后的特征图输入第二反卷积窗口执行第二反卷积运算，以获取第二反卷积运算后的特征图；

将所述第一跳跃连接加入所述第二反卷积运算后的特征图；

将加入所述第一跳跃连接的、第二反卷积运算后的特征图输入第三反卷积窗口执行第三反卷积运算，以获取所述去噪后图像。

7.一种图像去噪装置，其特征在于，包括：

接收模块，用于接收原始图像；

输入模块，用于将所述原始图像输入已训练的去噪神经网络以使所述去噪神经网络输出去噪后图像，其中所述去噪神经网络包含编码器和解码器，所述编码器包括与所述解码器连接的至少一个跳跃连接，所述编码器适配于以跨尺度融合方式将所述原始图像编码成隐层表示，所述解码器适配于基于所述至少一个跳跃连接将所述隐层表示解码成所述去噪后图像。