[发明专利]基于注意力机制的偏振图像去噪方法

权利要求书

1.一种基于注意力机制的分焦平面偏振图像去噪方法，其特征在于，该方法包括以下流程：

步骤1，使用偏振相机采集偏振图像，制作数据集；对数据集进行预处理；

步骤2，搭建注意力机制残差密集网络，并设计自适应调节的偏振损失函数，

所述注意力机制残差密集网络模型包括设置于输入端、输出端之间的第一卷积层、第一卷积层、多个残差-密集连接模块、特征融合concat层、1×1卷积层和第三卷积层依序密集连接，所述第一卷积层、第一卷积层、多个残差-密集连接模块、特征融合concat层分别连接一个注意力机制模块；将第一卷积层、第一卷积层、多个残差-密集连接模块、特征融合concat层、1×1卷积层、第三卷积层和多个注意力机制模块分别经过通道混洗，配置成浅层特征提取模块、注意力机制残差-密集模块以及特征融合模块；并且，在浅层特征提取模块的第一卷积层和特征融合Concat层之间设置短路连接的全局残差学习模块；

步骤3、将数据集输入注意力机制残差密集网络进行网络的训练：首先使用浅层特征提取模块对偏振分量进行初步融合，并使用注意力机制对浅层特征进行加权赋值；然后通过注意力机制残差密集连接模块充分融合图像的不同特征，并对不同深度的特征图进行筛选，最后经过全局残差模块输出残差图像；

步骤4，利用输入的噪声图像和残差图得到预测的无噪声图像。

2.如权利要求1所述的基于注意力机制的分焦平面偏振图像去噪方法，其特征在于，所述步骤1中的制作数据集，具体包括以下处理：

使用偏振相机进行图像采集，调节分焦平面相机的感光度和曝光时间，在高感光度和短曝光时间条件下采集的图像作为高噪声图像，作为输入；在低感光度和长曝光时间条件下采集的多张图片的平均作为低噪声图像，作为标签。

3.如权利要求1所述的基于注意力机制的分焦平面偏振图像去噪方法，其特征在于，所述步骤1中的对数据集进行预处理，具体包括以下处理：

先将采集的高噪声图像和低噪图像进行亮度标定，通过计算图像平均灰度值的方法使数据集中每张图片平均亮度一致，然后将图像的像素值归一化，再把每一张偏振图像转换为四个偏振方向的四通道图像，最后将噪声图像和无噪图像都裁剪为64×64大小的图像块，作为神经网络的输入；

最后，将数据集按照6:2:2的比例拆分为训练集、验证集和测试集。

4.如权利要求1所述的基于注意力机制的分焦平面偏振图像去噪方法，其特征在于，配置浅层特征提取模块10；具体地，所述浅层特征提取模块包括两层卷积层即第一卷积层、第二卷积层以及对应设置的三个注意力机制模块，第一卷积层的卷积核大小为3×3，卷积核数量为64，第二卷积层的卷积核大小为3×3，卷积核数量为32，其中每一层后都设置有注意力机制进行特征筛选。

5.如权利要求1所述的基于注意力机制的分焦平面偏振图像去噪方法，其特征在于，配置注意力机制模块：注意力机制模块由平均池化层和一个全连接网络组成，具体地，所述平均池化层对输入的噪声图片的特征图做全局平均池化，将特征图打平为一维向量；然后输入全连接网络，训练得到一组对应的权重，最后将权重与输入特征图相乘得到输出特征图。

6.如权利要求1所述的基于注意力机制的分焦平面偏振图像去噪方法，其特征在于，配置注意力机制残差-密集模块：具体地，注意力机制残差-密集模块由一个卷积层及其对应的Leak-ReLU函数，配置了16个残差-密集连接块、多个注意力机制模块、特征融合Concat层、1×1卷积层和局部残差图片连接组成，每个模块中各层之间采用密集连接的方式进行特征组合。

7.如权利要求1所述的基于注意力机制的分焦平面偏振图像去噪方法，其特征在于，配置特征融合模块：具体地，所述特征融合模块包括特征融合Concat层，1×1卷积层和第三卷积层，Concat层和1×1卷积层将注意力机制残差密集模块中输出的所有特征进行融合，3×3卷积层进一步对融合之后的结果进行特征提取，并且配置了相应的注意力机制模块。

8.如权利要求1所述的基于注意力机制的分焦平面偏振图像去噪方法，其特征在于，所述自适应调节的偏振损失函数的设计过程如下：

所述像素损失函数L_pixel定义如下：

其中，N表示训练样本数量，I_i,θ表示噪声图像和无噪图像训练对，偏振角θ＝0°，45°，90°，135°，Θ表示网络的超参数，R表示从噪声图像训练得到的残差映射，F表示范数；

进一步地，利用偏振图像重构偏振信息，包括光强S₀，线性偏振度DoLP和偏振角AoP，S₀、S₁和S₂分别表示Stokes矢量的前三个分量，S₀、DoLP和AoP用以下公式计算：

其中，I_θ表示不同偏振分量成像的光强值；

进一步地，偏振损失函数L_polarization由偏振度损失L_DoLP和偏振角损失L_AoP组成，定义如下：

其中，DoLP_gt,AoP_gt分别表示由无噪声图像计算得到的偏振度标签和偏振角标签,φ是偏振角调节参数；

进一步地，偏振增强的损失函数L设计为：

L＝ω_pixel×L_pixel+ω_polarization×L_polarization (7)

其中，ω_pixel表示像素权重参数，L_pixel表示像素损失函数，ω_polarization表示偏振权重参数，L_polarization表示偏振损失函数。