[发明专利]一种基于通道注意力的Swin-Transformer图像去噪方法及系统

说明书

本发明涉及一种基于通道注意力的Swin‑Transformer图像去噪方法及系统。本发明通过向训练优化后的去噪网络模型输入一张噪声图像，去噪网络模型中的浅层特征提取网络首先提取噪声图像的噪声、通道等浅层特征信息，然后将提取到的浅层特征信息输入到去噪网络模型中的深层特征提取网络用以获取到深层特征信息，之后将浅层特征信息和深层特征信息输入到去噪网络模型的重建网络进行特征融合，即可获得纯净图像，克服了现有技术中基于深度卷积神经网络的图像去噪方法易失去输入噪声图像细节且导致高计算内存和时间消耗的问题。

技术领域

本发明涉及图像处理技术领域，尤其是指一种基于通道注意力的Swin-Transformer图像去噪方法及系统。

背景技术

图像去噪是一项重要的底层计算机视觉任务，它在摄影、医学成像、生物学和其他许多领域都有广阔的发展前景。图像去噪的目的是将有噪声的图像恢复为干净的、无噪声的图像。近年来，由于深度学习在计算机视觉领域的巨大成功，卷积神经网络(convolutional neural network，CNN)已被应用于图像去噪任务，并取得了令人印象深刻的性能。目前，最先进的图像去噪方法大多是基于CNN的，并取得了令人满意的结果。比如，残差非局部注意力网络(Residual non-local attention networks，RIDNet)被提出用于解决真实图像的去噪问题。RIDNet是一个带有特征关注的单阶段去噪网络。然而，RIDNet缺乏对图像内容的适应性，总是导致去噪后的图像出现过度平滑的假象。基于注意力引导的去噪卷积神经网络(An attention-guided denoising convolutional neural network，ADNet)，主要包括一个稀疏块、一个特征增强块、一个注意力块和一个重建块用于图像去噪。多层级的小波去噪卷积神经网络(Multi-level wavelet convolutional neuralnetwork，MWCNN)，可以更好地权衡感受野大小和计算效率，显著地提升了图像去噪任务的有效性。

最近，Transformer在计算机视觉领域有很好的表现，其中的Swin Transformer显示出了巨大的应用前景，因为它整合了CNN和Transformer的优点。一方面，由于局部注意机制，它具有CNN处理大尺寸图像的优势，另一方面，它具有Transformer的优势，可以通过移位窗口方案建立长距离的依赖关系。虽然基于深度卷积神经网络的图像去噪方法在性能上有了明显的提高，但它们也存在一些局限性。比如，图像和卷积核之间的相互作用是与内容无关的，卷积对于长距离的依赖性建模并不有效。而且，在大多数基于卷积神经网络的去噪方法中，所有的信道特征都是平等处理的，没有根据其重要性进行调整。然而，有些噪声比其他噪声更重要，应该赋予它们更多的权重。此外，基于卷积神经网络的去噪方法总是导致过度平滑的假象，并失去输入噪声图像的许多细节，因为它们无法获得纹理和边缘。这些方法还导致了高计算内存和时间消耗，从而导致它们不能在实践中应用。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中基于深度卷积神经网络的图像去噪方法易失去输入噪声图像细节且导致高计算内存和时间消耗的问题。

为解决上述技术问题，本发明提供了一种基于通道注意力的Swin-Transformer图像去噪方法，包括如下步骤：

步骤S1：获取原始高清图片数据集，对原始高清图片数据集进行预处理，得到用于去噪网络模型训练的有噪图像和高清图像的训练数据集；

步骤S2：将有噪图像输入至去噪网络模型中的浅层特征提取网络中提取特征信息，得到浅层特征图；