[发明专利]基于注意力机制的偏振图像去噪方法

说明书

本发明公开了一种基于注意力机制的分焦平面偏振图像去噪方法，步骤1，使用偏振相机采集偏振图像，制作数据集；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；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。与现有技术相比，本发明能够提高图像去噪质量；适用于不同偏振成像体制和不同类别偏振信息成像方式。

技术领域

本发明涉及偏振成像技术领域，特别涉及一种基于深度学习的偏振图像去噪方法。

背景技术

偏振成像技术利用光的偏振特性，可有效解决目标探测和识别等领域在传统光学里无法解决的问题，弥补探测效果因受环境制约、效果较差的不足，进而取得较高的对比度和良好的探测效果。但是偏振图像对噪声较为敏感，如果在微弱光照或者短曝光时间的条件下采集图像，过高的噪声就会显著影响偏振信息重构的准确性。因此针对偏振成像的去噪技术具有重要意义和重要应用价值。

目前的偏振图像去噪方法主要有数据驱动型和非数据驱动型两种去噪方法。效果最好的非数据驱动型去噪方法是基于三维相似块匹配的方法。但是偏振图像像素之间具有物理相关性，如果直接将普通数字图像的去噪方法应用于偏振图像，将会无法充分利用偏振信息，另外对于低信噪比的图片，非数据驱动方法也无法较好的去噪，而且此类去噪算法有诸多参数需要先验知识来确定，很难获得算法的最优解。基于深度学习的数据驱动的方法已经成功应用于多种去噪任务，而且效果大都强于传统方法，但是该方法普遍采用高斯噪声人为加入到无噪声图像里的合成图像作为数据集，然而真实的环境噪声分布更加复杂，仅通过高斯噪声模拟真实的噪声会导致算法在真实噪声场景受限。

发明内容

本发明旨在解决偏振图像偏振信息受噪声影响难以提取的问题，提出一种基于注意力机制的偏振图像去噪方法，利用所构建的注意力机制残差密集网络实现偏振图像去噪，并用自适应偏振损失函数对模型加以约束，来实现对噪声图像中的目标偏振信息进行准确恢复，尤其适用于对于低信噪比偏振图像的去噪。

本发明利用以下的技术方案实现：

一种基于注意力机制的分焦平面偏振图像去噪方法，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、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、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、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。

与现有技术相比，本发明公开一种基于注意力机制深度神经网络的偏振图像去噪方法，能够达成以下有益技术效果：