[发明专利]基于伪3D自相关网络的真实图像去噪方法

权利要求书

1.一种基于伪3D自相关网络的真实图像去噪方法，其特征在于，包括：

S1、基于一维快速卷积构建伪3D自相关模块，所述伪3D自相关模块用于执行如下操作：

首先，对输入特征图每个位置上的元素，通过一维快速卷积分别提取水平方向、垂直方向和通道方向的自相关特征，完成所有位置的遍历后，分别得到水平方向、垂直方向和通道方向的伪3D自相关特征；其次，对水平方向、垂直方向和通道方向的伪3D自相关特征进行通道级联，再进行自适应特征融合，得到包含空间域自相关信息和通道域自相关信息的全局自相关特征；最后，通过残差连接将所述全局自相关特征与所述输入特征图相加后作为所述伪3D自相关模块的输出；

S2、基于所述伪3D自相关模块，构建伪3D自相关网络；

所述伪3D自相关网络包括从输入到输出端依次连接的浅层特征提取单元、多个串联的伪3D自相关模块和末尾卷积层，还包括从浅层特征提取单元的输出链接至最末一个伪3D自相关模块的输出的第一跳跃连接，以及从原始特征图链接至末尾卷积层的输出的第二跳跃连接；

S3、以L1损失作为优化目标，以峰值信噪比作为网络性能的评判指标，来训练所述伪3D自相关网络；

S4、利用训练好的伪3D自相关网络对输入的真实噪声图像进行去噪，输出去噪后的图像。

2.如权利要求1所述的真实图像去噪方法，其特征在于，所述浅层特征提取单元采用若干个卷积层提取原始特征图的浅层特征。

3.如权利要求2所述的真实图像去噪方法，其特征在于，所述浅层特征提取单元包含3个串联的卷积层，卷积内核的大小依次为3×3、1×1、3×3。

4.如权利要求1所述的真实图像去噪方法，其特征在于，所述末尾卷积层为一个3×3的卷积层，用以自适应调整融合特征。

5.如权利要求1所述的真实图像去噪方法，其特征在于，步骤S3中对所述伪3D自相关网络进行训练时，L1损失函数定义如下：

其中，θ代表所述伪3D自相关网络的所有学习参数；N为训练集的大小，表示训练集包含N对训练图像，每对训练图像包含一张噪声图像及对应的无噪图像F_P3AN表示所述伪3D自相关网络的相应函数，表示噪声图像经过所述伪3D自相关网络进行去噪处理后的输出。

6.如权利要求5所述的真实图像去噪方法，其特征在于，还包括在训练之前先对训练集进行数据增强，所述数据增强包括对训练集中的图像进行90度、180度或270度的随机旋转或水平翻转。

7.如权利要求1所述的真实图像去噪方法，其特征在于，步骤S3中对所述伪3D自相关网络进行训练时，迭代500～1500次之后停止训练，选择峰值信噪比最大时所对应的学习参数，作为伪3D自相关网络的最终网络参数，完成训练。

8.如权利要求1所述的真实图像去噪方法，其特征在于，步骤S3中训练所述伪3D自相关网络所使用的公开数据集包括DIV2K和Flickr2K。

9.如权利要求1所述的真实图像去噪方法，其特征在于，步骤S3中训练所述伪3D自相关网络时，使用自适应学习率的Adam算法进行优化，使用标准参数β₁＝0.9,β₂＝0.999,ε＝10^-8；初始学习率设置为2×10^-4，并在训练过程中周期性地逐渐降低学习率，直至1×10^-6后不再下降。

10.如权利要求1所述的真实图像去噪方法，其特征在于，构建所述伪3D自相关模块和所述伪3D自相关网络时，在Pytorch框架上实现构建；步骤S3中在4块NVIDIA GeForce RTX2080 Ti GPU上训练所述伪3D自相关网络。