申请/专利权人：北京大学

申请日：2022-03-02

公开（公告）日：2024-06-18

公开（公告）号：CN114529480B

主分类号：G06T5/70

分类号：G06T5/70;G06T5/50;G06T7/30

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2022.06.10#实质审查的生效;2022.05.24#公开

摘要：本发明公布了一种基于随机重配对的无监督一锅式多帧图像去噪方法，属于图像处理技术领域。本发明不需要任何干净图像作为标签，并且在多帧含噪图像内构造多向的相互监督，令对应同一视野的多帧图像在训练过程中本质上成为一个整体，这使得多帧图像数据内蕴含的基底和噪声信息能够被更加充分地挖掘。本发明可以充分地利用多帧含噪图像中隐含的交互信息，且对图像噪声的物理模式没有限制。本发明具有充分的泛化性能，在使用多帧图像数据进行训练之后，在面对新数据时，仅需要单张含噪图像即可完成去噪。

主权项：1.一种多帧图像去噪方法，其特征在于，包括：S1.多帧图像数据准备，具体包括：S1a.针对某一具体场景，使用图像采集设备对N个视野获取每个视野m帧含噪图像的数据其中xi表示对应第i个视野的无噪声干净图像，表示对应第i个视野的第j帧含噪图像的噪声，N表示采集的视野数量，m表示对每一视野采集的含噪图像帧数；S1b.根据所获取的数据特性，选择适宜的配准算法对对应同一视野的多帧图像进行配准，保证多帧图像之间满足像素级的配准一致性；S1c.根据所获取的数据特性，对图像进行一定的预处理；S2.构建用于图像去噪的深度学习模型，具体包括：S2a.选择构建适用于图像去噪任务的现有的任意一种深度学习模型结构或创建新的深度学习模型结构，记构建好的模型为fΘ·，其中Θ为模型的参数组；S2b.根据所面对的具体去噪任务及数据的特性选择训练中所需的功能模块；S2c.根据S2a及S2b中所构建的深度学习模型及其相关的学习模块，设置模型训练所需的超参数；S3.利用S1中获得的无标签的多帧图像数据训练S2中构建出的深度学习模型，具体包括：S3a.使用S2b中设置的参数初始化方法对深度学习模型的参数Θ进行初始化；S3b.对S1中得到的多帧含噪图像数据在对应同一视野的多帧之间进行随机配对，具体包括：1m表示对每一视野采集的含噪图像帧数，令表示从1到m的自然数排列；2对任意i∈[1,N]，表示的一个随机重排列，按照排列所含的元素数目将等分成和两部分，也就是说，即为的第1到第个元素所组成的排列，即为的第到第m个元素所组成的排列；3以和内的元素值为索引将多帧含噪图像数据等分成两部分： 4对和中的图像按照索引两两配对，得到图像对集合：其中idxj＝idxk表示集合满足这样的配对原则：j与k分别作为与中的元素，在各自排列中的索引需一一对应；S3c.以S3b所得图像对集合作为训练数据集，输入S2中所构建的深度学习模型中，若输入的图像是则输出图像可以被表示为S3d.根据S2b中选定的损失函数，计算输出图像与参考图像之间的损失，参考图像是在训练集中与输入图像成对的图像；S3e.根据S2b中选定的参数更新算法，更新模型参数Θ；S3f.重复S3b～S3e步骤，直至批损失收敛到稳定极小值；S4.对S3中训练好的深度学习模型的去噪性能进行测试。

全文数据：

权利要求：

百度查询： 北京大学 一种基于随机重配对的无监督一锅式多帧图像去噪方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD