[发明专利]一种基于多尺度混合注意力的太赫兹图像去噪方法

说明书

本发明公开了一种基于多尺度混合注意力的太赫兹图像去噪方法，包括：获取含噪的太赫兹图像；构建与太赫兹图像分辨率相同的噪声水平图；将太赫兹图像作为噪声图像，与构建的噪声水平图输入到训练好的去噪模型中，输出最终的去噪图像；去噪模型包括依次连接的输入特征图融合处理单元、特征提取单元和监督去噪单元，其中：输入特征图融合处理单元用于融合输入的噪声图像和噪声水平图，特征提取单元学习深层和浅层的多尺度特征信息，监督去噪单元进行自适应监督图像去噪与增强图像细节，得到阶段恢复的去噪图像和噪声预测图；对噪声预测图进行均衡处理得到的去噪图像。本发明解决了传统太赫兹成像系统成像质量差、高频细节少、噪声严重等问题。

技术领域

本发明涉及太赫兹成像领域,具体涉及一种基于多尺度混合注意力的太赫兹图像去噪方法。

背景技术

太赫兹(THz)成像技术是利用频率范围为0.1～10THz(THz＝10¹²HZ)射线照射目标物，通过目标物的回波信号进行探测处理，实现成像。太赫兹成像技术已被证明是测量拥有远红外特性介质的一种强有力的光谱测量技术,可以穿透衣服、陶瓷等绝缘材料，测量半导体、超导体、液体和气体，对金属材料具有强反射性，同时相比于传统的X射线扫描，太赫兹射线不会对生物组织造成伤害，因此在安检、生物医学、品质检测、艺术品鉴定等方向具有广泛的应用前景。

但另一方面,太赫兹成像系统的低分辨率一直是其应用于无损检测或其他领域的巨大障碍，提高太赫兹图像质量成为当前国内外新的研究热点。通过图像处理方法对太赫兹波成像图像的去噪和增强成为克服太赫兹波成像发展障碍最经济和实用的方法。传统的去噪方法如滤波器、小波变换等空间和变换域去噪算法很难满足太赫兹去噪图像的高质量和实时性要求。相对于传统图像去噪方法，基于深度学习的图像去噪方法具有强大的学习能力，不仅可以拟合复杂噪声分布，还节省了计算时间，因此使用深度学习在太赫兹图像去噪领域有很好的应用前景。

发明内容

本发明提供了一种基于多尺度混合注意力的太赫兹图像去噪方法，用以解决传统太赫兹成像系统成像质量差、高频细节少、噪声严重的问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于多尺度混合注意力的太赫兹图像去噪方法，包括：

获取含噪的太赫兹图像；

构建与所述太赫兹图像分辨率相同的噪声水平图；

将所述太赫兹图像作为噪声图像，与构建的噪声水平图输入到训练好的去噪模型中，输出最终的去噪图像；

所述去噪模型包括依次连接的输入特征图融合处理单元、特征提取单元和监督去噪单元，其中：

输入特征图融合处理单元用于融合输入的噪声图像和噪声水平图，同时进行通道调整，得到第一特征图；特征提取单元用于针对第一特征图学习深层和浅层的多尺度特征信息，得到第二特征图；监督去噪单元用于根据所述第二特征图以及噪声图像进行自适应监督图像去噪与增强图像细节，得到阶段恢复的去噪图像和噪声预测图；对噪声预测图进行均衡处理得到所述的去噪图像。

进一步地，所述输入特征图融合处理单元用于融合输入的噪声图像和噪声水平图，同时进行通道调整，得到第一特征图，包括：

将噪声图像、与噪声图像分辨率相同的噪声水平图输入到特征融合处理单元；其中，所述噪声水平图是由设定的噪声水平拉伸成的噪声水平映射；

将噪声图像与噪声水平图进行拼接融合得到输入特征图，之后通过一个卷积层对输入特征图提升维度信息，得到第一特征图。

进一步地，所述特征提取单元用于针对第一特征图学习深层和浅层的多尺度特征信息，得到第二特征图，包括：

第一步，对第一特征图进行两次编码，得到编码特征图I_j(j＝1,2)；