[发明专利]基于注意力机制的无人机全景图像去噪方法

权利要求书

1.一种基于注意力机制的无人机全景图像去噪方法，其特征在于，其包括：

卷积神经网络编解码器结构，包含编码器和解码器，编码器包含五个卷积单元，对图像进行卷积和激活操作，完成图像特征提取，池化操作减少了参数量，解码器包含四个卷积单元，通过对图像进行反卷积，进行特征上采样并逐步恢复图像尺寸，然后再重复卷积和激活操作，逐步复原去噪图像；

深度可分离卷积，包含深度卷积和逐点卷积，深度卷积对输入特征图的每一通道使用一个卷积核进行卷积，然后将所有卷积的结果进行通道堆叠。逐点卷积根据卷积核的个数调整特征图的通道数，并更好地融合通道之间的联系；

通道注意力模块，包括平均池化、最大池化、共享MLP、特征图求和、激活和特征图乘积，通过对输入的特征图进行最大池化和平均池化计算，并输入一个共享MLP，得到两个带有权值的特征图并求和，最后将这个带有权值的特征图和原特征图相乘，给特征图在通道上赋予权重；

具有多尺度跳跃连接的残差注意力模块，包括一个普通卷积、残差连接和一个通道注意力模块，通过将输入的特征图进行一次普通卷积，并输入一个通道注意力模块，得到的结果与输入征图进行残差连接，最后与解码器的特征图进行多尺度的通道堆叠。

2.一种基于注意力机制的无人机全景图像去噪方法，其特征在于，其包括以下步骤：

步骤一，调整无人机上全景相机的参数至合适数值，采集并保存原始全景图像；

步骤二，对采集的全景图像进行噪声提取，将提取的噪声加入其它干净的数据集中形成噪声图像，进行噪声图像和对应干净参考图像的配对，构建针对全景图像去噪的训练图像数据集；

步骤三，将原始全景图像进行直方图均衡化和伽马校正，调节原始全景图像的亮度和对比度，得到亮度和对比对校正后的全景图像；

步骤四，将亮度和对比度校正后的全景图像进行色彩校正，得到色彩校正后的图像，完成全部全景图像预处理工作；

步骤五，构建基于注意力机制的卷积神经编解码网络和损失函数，将训练全景图像以批的方式导入去噪网络中，优化损失函数，进行监督学习训练；

步骤六，去噪测试流程是将经预处理的全景图像输入训练好的去噪网络中，输出去噪后的全景图像。

3.如权利要求1所述的基于注意力机制的无人机全景图像去噪方法，其特征在于，所述编解码器使用深度可分离卷积进行卷积运算，减少模型运算过程所需的参数量，加快模型运算速度；通道注意力模块位于编码器之后，解码器之前；残差注意力模块用于连接编码器和解码器的特征图，残差注意力模块的结果经过不同倍率的下采样，在通道上连接不同尺度的特征图。

4.如权利要求2所述的基于注意力机制的无人机全景图像去噪方法，其特征在于，所述复杂光照环境包括微弱的可见光和过曝的可见光。

5.如权利要求2所述的基于注意力机制的无人机全景图像去噪方法，其特征在于，所述噪声提取用来生成训练数据集，训练数据集以批的方式进行输入。

6.如权利要求2所述的基于注意力机制的无人机全景图像去噪方法，其特征在于，所述图像预处理操作包含了图像增强和色彩校正处理。

7.如权利要求2所述的基于注意力机制的无人机全景图像去噪方法，其特征在于，所述训练包括前向传播和反向传播运算。前向传播运算按照网络层设置计算每一层的特征图，反向传播运算根据最终的特征图和目标图像的损失函数值，计算梯度并反向更新之前卷积层的参数。

8.如权利要求2所述的基于注意力机制的无人机全景图像去噪方法，其特征在于，所述去噪测试流程是通过输入预处理好待去噪的全景图像，通过调用已经训练好的模型和参数配置文件，在GPU上并行计算直接输出去噪后的全景图像。

9.如权利要求6所述的基于注意力机制的无人机全景图像去噪方法，其特征在于，所述噪声提取通过选出图像中平滑区域，减去区域的图像均值得到噪声图块。

10.如权利要求7所述的基于注意力机制的无人机全景图像去噪方法，其特征在于，所述图像增强通过直方图均衡化和伽马校正控制图像过暗或者过曝，色彩校正采用灰度世界法。