[发明专利]基于多尺度与注意力机制的CT图像盲去噪方法

说明书

本发明公开了基于多尺度与注意力机制的CT图像盲去噪方法，具体包括以下步骤：步骤一、特征融合；步骤二、权重分配；步骤三、去噪处理；步骤四、对比筛除；本发明涉及图像处理技术领域。该基于多尺度与注意力机制的CT图像盲去噪方法，利用注意力机制进行权重重分配，输出关键细节特征表达更充分的特征图，为噪音级别的认证提供帮助，且通过不同级别噪音的采样处理，实现不同级别噪音特征图的有效收集，在对待去噪CT图像进行去噪处理时，能够精准有效的检索出对应级别的噪音，进而选择与之适配的去噪模型，保证去噪后CT图像的清晰度，配合残差网络的设置，有效降低图像特征集的训练负担，为CT图像去噪的鲁棒性提供良好保障。

技术领域

本发明涉及图像处理技术领域，具体为基于多尺度与注意力机制的CT图像盲去噪方法。

背景技术

现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像，图像去噪就是指减少数字图像中噪声的过程。

医学CT图像大多数为灰度图像，边界模糊，具有噪声，对比度差，因此传统特征表示方法很难捕捉到其特征的细微差异，同一组织对于不同病人、不同模态、不同成像设备来说其影像存在一定差异，甚至同一模态不同帧之间也可能存在差异。

常规的医学CT图像采用机器学习的图像去噪进行去噪，这类方法的目标是使用噪声和清晰图像配对的训练数据集进行训练来学习潜在的噪声模型，目前的方法需要针对不同噪声级别来训练不同的去噪模型，其中针对不同噪声级别的认定较为简陋，无法有效识别出对应的噪声级别，往往无法精准的选择对应的去噪模型进行去噪处理，导致最终的CT图像去噪效果较差。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了基于多尺度与注意力机制的CT图像盲去噪方法，解决了针对不同噪声级别的认定较为简陋，无法有效识别出对应的噪声级别，往往无法精准的选择对应的去噪模型进行去噪处理，导致最终的CT图像去噪效果较差的问题。

(二)技术方案

为实现上述目的，本发明提供了如下技术方案：基于多尺度与注意力机制的CT图像盲去噪方法，具体包括以下步骤：

步骤一、特征融合：通过特征融合单元对不同的带指定级别噪声的CT图像放大不同尺度的倍数后进行采样处理，获得不同尺度倍数下的细节特征和噪音信息，随后对不同尺度倍数下的带级别噪声的CT图像采样分别进行特征融合处理，获得不同的特征图；

步骤二、权重分配：权重分配单元引入基于通道的注意力机制，步骤一中不同的特征图通过不同的通道传输到权重分配单元中，过程中，利用NLM算法中对不同通道之间特征图的相似度进行计算，随后根据相似度对不同通道进行权重重分配，经过归一化指数函数计算得到输入特征图对应的通道，实现注意力重分配，同时引入残差网络对图像特征进行噪声图像的图像特征提取，构建针对指定级别噪声的图像特征集；

步骤三、去噪处理：通过去噪处理单元集成针对指定噪音的去噪方式，结合步骤二中的指定级别噪音对应的图像特征集，构建指定级别噪音与对应盲去噪方式的映射关系；

步骤四、对比筛除：向对比筛除单元中输入待处理带噪声CT图像，经过步骤一和步骤二的处理后，得到待处理带噪声CT图像的图像特征，与步骤二中图像特征集中的图像特征进行相似度对比，确定对应级别的噪声，根据步骤三中建立的映射关系，选择对应的盲去噪方式，实现待处理带噪声CT图像的盲去噪处理。

通过采用上述技术方案，利用注意力机制进行权重重分配，输出关键细节特征表达更充分的特征图，进而为噪音级别的认证提供帮助，且通过不同级别噪音的采样处理，实现不同级别噪音特征图的有效收集，进而在对待去噪CT图像进行去噪处理时，能够精准有效的检索出对应级别的噪音，进而选择与之适配的去噪模型，保证去噪后CT图像的清晰度，并且配合残差网络的设置，有效降低图像特征集的训练负担，为CT图像去噪的鲁棒性提供良好保障。