買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜西南石油大學(xué)申請的專利一種基于噪聲水平估計(jì)的圖像降噪方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號為：CN116167947B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-06發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202310388957.7，技術(shù)領(lǐng)域涉及：G06T5/70；該發(fā)明授權(quán)一種基于噪聲水平估計(jì)的圖像降噪方法是由羅仁澤;羅任權(quán);譚亮;李華督;鄧治林;余泓設(shè)計(jì)研發(fā)完成，并于2023-04-13向國家知識(shí)產(chǎn)權(quán)局提交的專利申請。

本一種基于噪聲水平估計(jì)的圖像降噪方法在說明書摘要公布了：本發(fā)明公開了一種基于噪聲水平估計(jì)的圖像降噪的方法，以特征降維與卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，本發(fā)明的噪聲水平估計(jì)模塊具有估計(jì)準(zhǔn)確和計(jì)算效率高的優(yōu)點(diǎn)，在先行估計(jì)出噪聲水平后再進(jìn)行降噪，克服了常用的FFDNet等模型嚴(yán)重依賴先驗(yàn)參數(shù)的問題，并且將FFDNet模型的連續(xù)卷積部分替換為了密集連接塊，大大提升了模型的特征提取能力。本發(fā)明可快速高效地完成圖像降噪，具有廣泛的應(yīng)用價(jià)值。

本發(fā)明授權(quán)一種基于噪聲水平估計(jì)的圖像降噪方法在權(quán)利要求書中公布了：1.一種基于噪聲水平估計(jì)的圖像降噪方法，其特征包括以下步驟：步驟1：對原始圖像數(shù)據(jù)進(jìn)行預(yù)處理，具體處理方式為：1在圖像中加入不同噪聲水平的高斯噪聲，并將圖像調(diào)整為n×n的像素大小尺寸；2將預(yù)處理后的圖像數(shù)據(jù)集劃分為訓(xùn)練集和測試集，以未加噪聲的原始數(shù)據(jù)作為訓(xùn)練目標(biāo)；步驟2：構(gòu)建噪聲水平估計(jì)網(wǎng)絡(luò)模塊，整個(gè)噪聲水平估計(jì)網(wǎng)絡(luò)由主成分分析降維和卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成，具體處理方式為：1采集原始含噪圖像劃分為若干大小相同的圖像塊并進(jìn)行數(shù)字化，得到圖像矩陣，并計(jì)算特征矩陣的協(xié)方差矩陣以及協(xié)方差矩陣的特征值；2使用皮爾遜、斯皮爾曼以及肯德爾相關(guān)系數(shù)指標(biāo)計(jì)算特征值與噪聲水平之間的相關(guān)性，計(jì)算各相關(guān)性指標(biāo)的均方差值來確定權(quán)重，方差越大信息量便越多，于是均方差值大的指標(biāo)被賦予更大的權(quán)重；設(shè)置特征閾值k，采用主成分分析方法，選取與噪聲水平相關(guān)性系數(shù)最高的k個(gè)特征值，相關(guān)性系數(shù)權(quán)重計(jì)算公式如下： 式中W1，W2，W3分別為皮爾遜、斯皮爾曼以及肯德爾相關(guān)系數(shù)的權(quán)重；s1，s2，s3分別為皮爾遜、斯皮爾曼以及肯德爾相關(guān)系數(shù)的標(biāo)準(zhǔn)差；3降維后的圖像輸入到由1個(gè)1×1、m個(gè)3×3卷積、m個(gè)線性整流激活函數(shù)、m-1個(gè)池化層以及1個(gè)全連接層組成的卷積神經(jīng)網(wǎng)絡(luò)，得到估計(jì)的噪聲水平；步驟3：構(gòu)建降噪網(wǎng)絡(luò)模塊，具體處理方式為：1構(gòu)建密集連接模塊，整個(gè)密集連接模塊由3×3卷積、線性整流激活函數(shù)構(gòu)成，模塊計(jì)算結(jié)構(gòu)如下：x1＝rCon3×3xinx2＝rCon3×3x1+xinxout＝rCon3×3x1+x2式中，xin和xout分別代表模型的輸入和輸出，r表示進(jìn)行線性整流激活函數(shù)計(jì)算操作，Con代表3×3的卷積操作；2整個(gè)降噪網(wǎng)絡(luò)包含n個(gè)密集連接模塊、一個(gè)下采樣層以及一個(gè)上采樣層；步驟4：使用步驟1得到的訓(xùn)練集對步驟2和步驟3搭建好的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，分別使用交叉熵?fù)p失函數(shù)和均方根誤差損失函數(shù)計(jì)算兩部分的誤差構(gòu)建自適應(yīng)權(quán)重聯(lián)合損失函數(shù)，同時(shí)優(yōu)化兩個(gè)網(wǎng)絡(luò)，使用峰值信噪比對網(wǎng)絡(luò)模型進(jìn)行客觀評估，保存最佳的模型參數(shù)；聯(lián)合損失函數(shù)合損失函數(shù)公式如下： 其中LN為噪聲水平估計(jì)網(wǎng)絡(luò)對應(yīng)的交叉熵?fù)p失函數(shù)，LD為降噪網(wǎng)絡(luò)對應(yīng)的均方根誤差損失函數(shù)，M表示給定噪聲水平值的類別；當(dāng)預(yù)測的噪聲水平與真實(shí)噪聲水平相同時(shí)，pc值取1，否則取0；qc表示預(yù)測的噪聲水平為c噪聲水平時(shí)的概率，N為像素點(diǎn)總量，為真實(shí)圖像，λ為損失函數(shù)權(quán)重；損失函數(shù)權(quán)重的選取根據(jù)上一輪訓(xùn)練的損失自適應(yīng)更新，自適應(yīng)的權(quán)重系數(shù)使交叉熵?fù)p失和均方根誤差損失始終相等，以達(dá)到平衡網(wǎng)絡(luò)的作用；權(quán)重系數(shù)的計(jì)算公式如下：λ＝L'NL'NL'D其中λ為當(dāng)前訓(xùn)練輪次的權(quán)重系數(shù)，L'N為上一輪訓(xùn)練的噪聲估計(jì)損失，L'D為上一輪訓(xùn)練的降噪聲損失；步驟5：將步驟2估計(jì)出的噪聲水平重構(gòu)為噪聲映射圖，與噪聲圖像一同輸入到步驟4已經(jīng)訓(xùn)練好的降噪網(wǎng)絡(luò)中，得到降噪后的圖像。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人西南石油大學(xué)，其通訊地址為：610500 四川省成都市新都區(qū)新都大道8號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。