[发明专利]一种基于掩模学习的图像噪声抑制方法

权利要求书

1.一种基于掩模学习的图像噪声抑制方法，其特征在于，包括以下步骤：

步骤1：选取部分图像数据Y，裁剪得到N×N的图像块，然后加高斯噪声生成图像对，作为训练样本；其中，N为正整数；

步骤2：分批次将以上噪声图像输入到卷积神经网络中，利用卷积操作提取图像特征；

步骤3：将提取的图像特征网络，利用注意力机制学习图像掩模，区分真实图像内容和噪声；

步骤4：将步骤3中学习的得到的图像掩模用Sigmoid函数进行归一化，赋值权重到0-1之间；

步骤5：将步骤4中得到的掩模矩阵与步骤2中提取的图像特征进行矩阵乘法，输出得到干净的图像；

步骤6：通过最小化步骤5中的输出和原始干净图像的余弦距离，优化网络，实现对噪声图像的噪声去除。

2.根据权利要求1所述的基于掩模学习的图像噪声抑制方法，其特征在于：步骤3中，通过注意力机制引导网络关注图像的真实区域，学习得到掩模矩阵，对于真实图像内容和噪声具有不同的权重，从而将真实图像内容与噪声进行分离。

3.根据权利要求1所述的基于掩模学习的图像噪声抑制方法，其特征在于：步骤4中，利用Sigmoid函数对掩模矩阵进行归一化，将权重值映射到0-1之间，具体利用算式：

σ_mask＝σ(F_mask(x))；

其中，x为提取的特征，F_mask(·)表示掩模分支网络，σ(·)是Sigmoid函数；

通过Sigmoid函数，对学习得到的图像内容掩模进行归一化赋值，使得每一个像素均有一个位于0到1之间的权重，从而得到全局的权重矩阵，即σ_mas^k。

4.根据权利要求3所述的基于掩模学习的图像噪声抑制方法，其特征在于：步骤5中，将获得的掩模权重矩阵与提取的特征相乘，获得每一部分对最终输出图像的贡献，通过最小化噪声区域的权重，得到干净的图像X；即是噪声区域的权重尽量小，真实图像区域的权重尽可能大，具体利用算式：

5.根据权利要求3所述的基于掩模学习的图像噪声抑制方法，其特征在于：步骤6中，所述优化网络，通过优化代价函数L(θ)获得噪声抑制模型，优化后的模型具有最优参数；

其中：

L(θ)＝argmin∑ρ(x)；

L(θ)和θ分别表示待优化的代价函数和模型参数，表示Charbonnier补偿项，其中补偿因子ε＝10^-3。