[发明专利]基于多头自注意力机制的深度学习红外图像去噪方法和系统

说明书

本发明公开了一种基于多头自注意力机制的深度学习红外图像去噪方法和系统，方法包括以下步骤：S1：收集高清红外图像并进行预处理；S2：根据所述高清红外图像和预处理后的红外图像，得到数据集；S3：建立基于多头自注意力机制的红外去噪神经网络，利用所述数据集对所述红外去噪神经网络进行训练，得到训练好的红外去噪神经网络；S4：利用训练好的红外去噪神经网络对带噪声的红外图像进行去噪。本发明通过多头自注意力机制深度学习红外图像去噪技术，可以有效克服经典红外成像系统中存在的高噪声的问题。本发明非常有利于红外成像多头自注意力机制深度学习图像去噪技术的研究。

技术领域

本发明涉及红外成像领域，更具体地，涉及一种基于多头自注意力机制的深 度学习红外图像去噪方法和系统。

背景技术

作为帮助人类视觉系统对红外辐射敏感的检测手段，红外传感器输出能够反映场景中物体温度差异的红外图像。红外传感器利用被动成像和全天候操作。因此， 它们被广泛应用于科学研究、军事探测、火灾监控、故障诊断、医学分析和遥感。 一般来说，由于包括红外成像技术原理、外部环境失真和传感器本身的热运动在 内的因素，红外图像会具有分辨率低、边缘模糊、细节丢失、低图像对比度和背 景噪声的等问题。为了避免噪声成为制约红外成像技术发展的缺点，去除红外图 像中的噪声信号显得尤为重要。

经典的红外图像去噪方法多采用数值方法，如空间域滤波、变换域滤波、基 于稀疏表示的方法、基于全变差的方法等。以上方法多针对一种噪声分布进行特 征提取，而红外图像因成像元件物理因素、背景热辐射等影响，噪声由高斯分布 及泊松分布组成。传统红外图像去噪方法效果不佳。

现有技术公开一种基于小波信息冗余的红外图像去噪算法，它通过在离散小 波变换(DWT)过程中分别以不同的下采样方式获取多组含有相似冗余信息的小 波系数，再利用噪声估计参数作为非线性变换函数阈值的基础，对高频小波系数 进行非线性变换，抑制高频噪声，然后利用变换后小波系数重构(IDWT)多副图 像，利用含相似冗余信息的多副图像加权进一步去除高频噪声，获取高质量红外 图像。该方法对于噪声由高斯分布及泊松分布组成的红外图像去噪效果不佳。

发明内容

本发明的首要目的是提供一种基于多头自注意力机制的深度学习红外图像 去噪方法，针对红外热成像系统中成像质量差、噪声多的问题，提高了成像质量， 降低了红外图像中的噪声，有望在科学研究、军事探测、火灾监控、故障诊断、 医学分析和遥感等领域得到广泛的应用。

本发明的进一步目的是提供一种基于多头自注意力机制的深度学习红外图 像去噪系统。

为解决上述技术问题，本发明的技术方案如下：

一种基于多头自注意力机制的深度学习红外图像去噪方法，包括以下步骤：

S1：收集高清红外图像并进行预处理；

S2：根据所述高清红外图像和预处理后的红外图像，得到数据集；

S3：建立基于多头自注意力机制的红外去噪神经网络，利用所述数据集对所 述红外去噪神经网络进行训练，得到训练好的红外去噪神经网络；

S4：利用训练好的红外去噪神经网络对带噪声的红外图像进行去噪。

优选地，所述步骤S1中的收集高清红外图像，具体为：

利用高清红外相机在分别强光和弱光处进行拍摄，得到的高清红外图像集合 I_HQ，共包含M张图像，每张图像记为其中i＝1,2,...,M。

优选地，所述步骤S1中的预处理，具体为：

向高清红外图像中添加高斯噪声及泊松噪声，设定高斯噪声参数σ，泊松噪 声参数λ，生成带噪声的红外图像集合I_LQ，每张图像记为其中i＝1,2,...,M。

优选地，所述步骤S2中的数据集，具体为：