[发明专利]基于可学习曲率图的图像增强方法与系统

权利要求书

1.一种基于可学习曲率图的图像增强方法，其特征在于，包括以下步骤：

步骤1、构建两阶段去噪模型；

步骤2、将待分析的图像数据传输至去噪模型；

步骤3、在第一阶段，利用去噪模型执行特征提取，获得噪声等级估计和噪声分布估计；

步骤4、基于获得的噪声等级估计和噪声分布估计，计算高斯曲率；

步骤5、在第二阶段，基于高斯曲率利用去噪模型结合局部信息和全局信息，获得去噪后的图像数据；

步骤6、输出去噪图像数据。

2.根据权利要求1所述的一种基于可学习曲率图的图像增强方法，其特征在于，构建所述两阶段去噪模型的过程包括：

步骤1.1、构建噪声估计子网络；

步骤1.2、构建去噪子网络；

所述噪声估计子网络用于执行特征提取，获得噪声等级估计和噪声分布估计；

所述去噪子网络用于基于噪声估计子网络的输出数据对真实图像执行去噪操作。

3.根据权利要求2所述的一种基于可学习曲率图的图像增强方法，其特征在于，所述噪声估计子网络按序包含：卷积层、注意力机制、卷积层、噪声输出模块、高斯曲率模块；

所述去噪子网络包括：深层网络、浅层网络、残差模块、多尺度模块；

所述深层网络用于提取输入混合图像的噪声残差特征；

所述浅层网络用来进行多特征提取。

4.根据权利要求2所述的一种基于可学习曲率图的图像增强方法，其特征在于，在第一阶段，所述噪声估计子网络采用卷积层为3*3的卷积核构建4层神经网络模型，并使用padding操作得到各层大小相等的网络特征；随后，在最后一个卷积层前采用注意力机制对噪声分布估计执行加权提取；最后，将高斯曲率作为先验，计算高斯曲率。

5.根据权利要求2所述的一种基于可学习曲率图的图像增强方法，其特征在于，在第二阶段，将获得的高斯曲率、噪声等级估计、噪声图像输入去噪子网络，同时基于第一阶段得到的特定位置噪声进行处理。

6.根据权利要求2所述的一种基于可学习曲率图的图像增强方法，其特征在于，在构建完两阶段去噪模型后，还包括步骤1.3、对去噪模型执行性能优化训练。

7.根据权利要求6所述的一种基于可学习曲率图的图像增强方法，其特征在于，执行性能优化训练的过程包括以下步骤：

步骤1.3.1、构建图像测试集；

步骤1.3.2、利用图像测试集训练噪声估计子网络，获得优化后的网络参数、噪声等级估计、高斯曲率；

步骤1.3.3、将噪声等级估计、高斯曲率输入去噪子网络进行训练；

步骤1.3.4、将步骤1.3.3中的训练结果负反馈至噪声估计子网络中；

步骤1.3.5、噪声估计子网络根据接收到的结果对相关参数执行调节控制；

步骤1.3.6、构建损失函数，并根据损失函数的计算结果判断模型性能优化程度；

步骤1.3.7、当模型性能优化程度满足完成训练结束条件时，获得最终的网络模型参数，结束性能优化训练。

8.根据权利要求7所述的一种基于可学习曲率图的图像增强方法，其特征在于，噪声估计子网络训练中采用的损失函数L1包括：训练得到的噪声分布损失、噪声估计损失，即：

式中，y_nl表示真实图像的噪声等级；表示估计的噪声等级；y_nd表示真实图像的噪声等级；表示估计的噪声等级。

9.根据权利要求7所述的一种基于可学习曲率图的图像增强方法，其特征在于，去噪子网络训练中采用的损失函数L2包括：去噪子网络输出的预测值与干净图像的差值，即：

式中，表示输出的预测图像；x表示干净图像。

10.一种基于可学习曲率图的图像增强系统，用于实现任意一项如权利要求1-9所述的图像增强方法，其特征在于，包括以下模块：

模型构建模块，被设置为根据实际应用需求构建两阶段去噪模型；

第一数据分析模块，被设置为对待分析的图像数据执行特征提取，以及相关参数的获取；

第二数据分析模块，被设置为根据第一数据分析模块的输出数据执行图像去噪处理；

数据输出模块，被设置为输出第二数据分析模块的处理结果。