[发明专利]一种软注意力机制的深度全卷积神经网络图像去噪方法

权利要求书

1.一种软注意力机制的深度全卷积神经网络图像去噪方法，其特征在于：包括以下步骤：

S1.对图像进行裁剪，添加噪声形成目标图像，根据目标图像生成训练数据集；

所述S1包括：对所述图像进行裁剪，生成大小相等的图像块，并对图像块添加噪声，形成不带噪声和带有噪声的图像对，所述图像对为所述目标图像；

S2.创建深度全卷积神经网络，将所述目标图像和对应的噪声标准差输入所述深度全卷积神经网络中，通过反向传播过程进行训练、学习，生成噪声图像，确立基于软注意力机制的深度全卷积神经网络模型；

所述S2包括：创建下采样模块、上采样模块、软注意力机制模块、CRBP单元、Conv+BN+Relu单元；

所述软注意力机制模块，通过MaxPooling技术将每个channel压缩为一个channel值，将所述channel值作为输入，构建一个全连接网络，形成所述软注意力机制模块；

所述CRBP单元包括三个所述Conv+BN+Relu单元；

所述Conv+BN+Relu单元表示分别经过卷积、BatchNomalization和Relu激活的过程单元；

所述下采样模块采用滑动跳跃卷积方法实现；

所述上采样模块采用反卷积滤波方法实现；

在每一次下采样之后添加残差模块，在上采样之后采用对称跳跃处理，在对称跳跃过程中融合软注意力机制；

S3.将所述噪声图像，基于软注意力机制的深度全卷积神经网络模型进行图像去噪处理。

2.根据权利要求1所述一种软注意力机制的深度全卷积神经网络图像去噪方法，其特征在于：

所述全连接网络包括：线性单元、Dropout结构、Relu激活函数、Sigmoid激活函数；

所述全连接网络包含了三个隐藏层：

第一隐藏层包括第一线性单元、第一Dropout结构、第一Relu激活函数；

第二隐藏层包括第二线性单元、第二Dropout结构、第二Relu激活函数；

第三隐藏层包括第三线性单元、Sigmoid激活函数。