[发明专利]基于注意力机制的图像去马赛克方法

说明书

本发明公开了一种基于注意力机制的图像去马赛克方法，包括以下步骤：步骤构建数据集，包括训练集、验证集和测试集，并对数据集进行预处理，仿真得到Bayer图像；采集得到的数据分别进行卷积处理，然后提取特征；采用基于注意力机制的端到端神经网络模型，得到去马赛克模型；处理测试集，测试得到的模型性能；进行定量评价，评价指标采用峰值信噪比PSNR。本发明的优点是：本发明提供了一种基于注意力机制的图像去马赛克方法，该方法将注意力机制引入到图像去马赛克任务中，从众多信息中选择出对去马赛克任务目标更关键的信息，提高深度学习网络在去马赛克任务中的表现，使得生成图像更加接近原始真实图像。

技术领域

本发明涉及一种图像去马赛克方法，尤其涉及一种基于注意力机制的马赛克去除方法，属于图像处理、深度学习和卷积神经网络领域。

背景技术

去马赛克是图像预处理环节中的关键一步，与图像的视觉效果与整体质量息息相关。近年来，深度学习在图像去马赛克领域得到了广泛研究和应用。“注意力机制”实际上就是想将人的感知方式、注意力的行为应用在机器上，让机器学会去感知数据中的重要和不重要的部分。核心目的就在于希望机器能在很多的信息中注意到对当前任务更关键的信息，而对于其他的非关键信息就不需要太多的注意力侧重。“注意力机制”在图像分类、目标检测、语义分割、视频理解、图像生成、三维视觉、多模态任务和自监督学习等视觉任务中取得了巨大的成功。因此，将注意力机制引入到图像去马赛克任务中有利于网络对复杂场景和信息的分析和理解，从而提升去马赛克图像的视觉效果。

发明内容

本发明提供一种基于注意力机制的图像去马赛克方法，旨在提高深度学习网络在去马赛克任务中的表现，从而得到更接近原始图像的去马赛克图像。

本发明的技术解决方案是：本发明提供了一种基于注意力机制的图像去马赛克方法，包括以下步骤：

步骤1、构建数据集，包括训练集、验证集和测试集，并对数据集进行预处理，仿真得到Bayer图像；

步骤2、对步骤1采集得到的数据分别进行卷积处理，然后提取特征；

步骤3、采用基于注意力机制的端到端神经网络模型，将步骤2提取得到的特征，分别输入至所述基于注意力机制的端到端神经网络模型进行训练，得到去马赛克模型；

注意力机制可以理解为，计算机视觉系统在模拟人类视觉系统中可以迅速高效地关注到重点区域的特性，对于人类来说，当面对复杂场景的时候，我们可以迅速关注到重点区域，并处理这些区域，对于视觉系统，上述过程可以抽象成下面的式子：

其中 g(x) 表示对输入特征进行处理并产生注意力的过程，f(g(x),x) 表示结合注意力对输入特征进行处理的过程；

步骤4、利用步骤3得到的去马赛克模型处理测试集，测试得到的模型性能；

步骤5、对步骤4得到的去马赛克图像进行定量评价，评价指标采用峰值信噪比PSNR。

本发明的优点是：

本发明提供了一种基于注意力机制的图像去马赛克方法，该方法将注意力机制引入到图像去马赛克任务中，从众多信息中选择出对去马赛克任务目标更关键的信息，提高深度学习网络在去马赛克任务中的表现，使得生成图像更加接近原始真实图像。

附图说明

图1是本发明的结构示意图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语 “连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。