[发明专利]一种红外热成像深度学习图像去噪方法及装置

权利要求书

1.一种红外热成像系统深度学习图像去噪方法，其特征在于，包括以下步骤：

获取红外热成像系统采集的目标物图像并进行下采样处理，分割成子图像；

对每个子图像进行图像块提取以及重组像素，得到预处理后的子图像；

构建噪声图，并将噪声图作为额外通道添加到所述预处理后的子图像中作为输入图像；

将输入图像作为训练好的深度学习模型中，输出噪声的估计值；

从所述目标物图像中去除噪声的估计值，得到去噪后的图像；

所述深度学习模型包括依次连接的第一卷积模块、第一区域级非局部模块、残差密集块、第二区域级非局部模块、第二卷积模块、上采样模块以及重建模块，其中：

所述第一卷积模块用于对输入图像进行浅层特征提取，得到第一特征图；第一特征图一方面作为所述第一区域级非局部模块的输入，另一方面与所述第二卷积模块的输出叠加后，作为上采样模块的输入；

所述第一区域级非局部模块用于对第一特征图进行非局部增强处理，得到第二特征图；

所述残差密集块用于对于所述第二特征图进行深层特征的提取，以生成深层特征图；

所述第二区域级非局部模块用于对深层特征图进行非局部增强处理，得到第三特征图；

所述第二卷积模块用于对第三特征图进行特征提取的同时调整通道，之后与所述第一特征图叠加后，生成第四特征图；

所述上采样模块用于对第四特征图尺寸恢复；

所述重建模块用于对尺寸恢复后的第四特征图进行通道调整，重建为噪声残差；

所述第一区域级非局部模块、第二区域级非局部模块的结构相同，包括四个卷积层χ，φ，κ和γ；

第一特征图首先被划分为k×k个具有相同大小的特征图块，特征图块分别经过χ，φ，κ进行卷积操作，生成特征图和将和进行乘法操作，生成特征图对特征图中特征位置索引总和进行除法操作来完成归一化，之后与再次进行乘法操作以生成特征图之后经过卷积层γ处理之后，生成特征图最后，与特征图F_t¹叠加完成非局部增强，得到多个增强特征图像块F_t^R1；多个增强特征图像块合并得到第二特征图F^R1。

2.根据权利要求1所述的红外热成像系统深度学习图像去噪方法，其特征在于，所述残差密集块包括多个基础块，基础块由多个残差模块和一个二阶信道注意力模块SOCA组成，每个残差模块所提取的特征图信息由缩放系数β控制；

残差模块包括多层卷积层和带泄露修正线性整流层LReLU的连续堆叠和跳转连接，之后为一个卷积层；

所述二阶信道注意力模块SOCA包括依次连接的协方差归一化层、全局协方差池化层、卷积层、线性整流层，卷积层，Sigmoid层。

3.根据权利要求2所述的红外热成像系统深度学习图像去噪方法，其特征在于，在残差密集块中，第二特征图经过残差模块中的多层卷积层和带泄露修正线性整流层LReLU的处理之后，被传入二阶信道注意力模块SOCA处理，通过利用二阶特征统计量自适应地学习特征间的依赖关系，来重新调整通道特征。

4.根据权利要求2所述的红外热成像系统深度学习图像去噪方法，其特征在于，在二阶信道注意力模块SOCA中，协方差归一化层对处理后的第二特征图进行处理，将特征图转化为归一化协方差矩阵，接着传入全局协方差池化层进行收缩，得到信道方向的统计量，统计量再经过卷积层、线性整流层，卷积层，Sigmoid层处理后，生成信道关注图，通过信道关注图重新分配所述的第二特征图。