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)獲悉杭州電子科技大學(xué)申請的專利一種基于卷積轉(zhuǎn)置自注意力的紅外圖像去噪方法獲國家發(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：CN118229572B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-09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：202410416198.5，技術(shù)領(lǐng)域涉及：G06T5/70；該發(fā)明授權(quán)一種基于卷積轉(zhuǎn)置自注意力的紅外圖像去噪方法是由秦飛巍;沈正煒;王昌淼;張凱;葛瑞泉;彭勇設(shè)計(jì)研發(fā)完成，并于2024-04-08向國家知識(shí)產(chǎn)權(quán)局提交的專利申請。

本一種基于卷積轉(zhuǎn)置自注意力的紅外圖像去噪方法在說明書摘要公布了：本發(fā)明公開了一種基于卷積轉(zhuǎn)置自注意力的紅外圖像去噪方法。首先通過成對的干凈圖像和帶噪圖像構(gòu)建數(shù)據(jù)集；構(gòu)建基于卷積轉(zhuǎn)置自注意力的網(wǎng)絡(luò)模型，網(wǎng)絡(luò)模型采用對稱的編碼器?解碼器結(jié)構(gòu)；基于構(gòu)建好的紅外圖像訓(xùn)練數(shù)據(jù)集，對基于卷積轉(zhuǎn)置自注意力的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；最后采用測試數(shù)據(jù)集數(shù)據(jù)對訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行測試。本發(fā)明引入了在紅外圖像去噪領(lǐng)域中尚未深入研究的自注意力機(jī)制對紅外圖像全局依賴關(guān)系進(jìn)行建模，并在其基礎(chǔ)上進(jìn)行改進(jìn)設(shè)計(jì)了卷積轉(zhuǎn)置自注意力，在減少計(jì)算量的同時(shí)依然可以充分提取紅外圖像的空間特征信息，有效提高紅外圖像的去噪質(zhì)量，填補(bǔ)了紅外圖像去噪的研究空缺。

本發(fā)明授權(quán)一種基于卷積轉(zhuǎn)置自注意力的紅外圖像去噪方法在權(quán)利要求書中公布了：1.一種基于卷積轉(zhuǎn)置自注意力的紅外圖像去噪方法，其特征在于，包括如下步驟： 步驟1、首先對獲得的開源紅外圖像數(shù)據(jù)集進(jìn)行訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的劃分，并對數(shù)據(jù)進(jìn)行預(yù)處理，所述的預(yù)處理包括圖像裁剪、圖像加噪和圖像增強(qiáng)；通過預(yù)處理，得到與原干凈圖像一一對應(yīng)的帶噪圖像，通過成對的干凈圖像和帶噪圖像構(gòu)建網(wǎng)絡(luò)模型的訓(xùn)練和測試數(shù)據(jù)集； 步驟2、構(gòu)建基于卷積轉(zhuǎn)置自注意力的網(wǎng)絡(luò)模型，網(wǎng)絡(luò)模型采用對稱的編碼器-解碼器結(jié)構(gòu)； 步驟3、基于構(gòu)建好的紅外圖像訓(xùn)練數(shù)據(jù)集，對基于卷積轉(zhuǎn)置自注意力的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練； 步驟4、采用測試數(shù)據(jù)集數(shù)據(jù)對訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行測試，計(jì)算重建圖像的峰值信噪比PSNR和結(jié)構(gòu)相似性SSIM； 基于卷積轉(zhuǎn)置自注意力的網(wǎng)絡(luò)模型，采用了對稱的四層編碼器-解碼器結(jié)構(gòu)，包括四個(gè)編碼器和三個(gè)解碼器，前四個(gè)編碼器逐層減小特征圖尺寸的同時(shí)增加通道深度，后三個(gè)解碼器逐層恢復(fù)低分辨率的潛在特征；前三層編碼器-解碼器分別由L1、L2和L3個(gè)IDTransformer模塊組成，第四層編碼器由L4個(gè)IDTransformer模塊組成，隨著層次的深入IDTransformer模塊數(shù)量逐漸遞增；每個(gè)IDTransformer模塊包含了卷積轉(zhuǎn)置自注意力模塊和卷積門控線性單元來進(jìn)行進(jìn)一步的特征提取； 對于輸入的帶噪紅外圖像其中h，w和1分別代表輸入圖像的高、寬和通道數(shù)，在輸入到第一個(gè)編碼器之前，先使用一個(gè)卷積核大小為3×3的卷積層對輸入圖像進(jìn)行特征提取獲得淺層特征圖將輸入從簡單的低維空間映射到更抽象的高維空間，從而在早期提取圖像中的低頻信息；之后將該淺層特征圖輸入第一個(gè)編碼器開始進(jìn)一步的特征提取，通過四層編碼器-解碼器結(jié)構(gòu)得到深層特征圖在此過程中，編碼器通過pixel-unshuffle逐層將高分辨率特征圖尺寸減小到通道擴(kuò)展到8c，解碼器使用pixel-shuffle逐層將低分辨率特征圖的形狀恢復(fù)到h×w×c；此外，為了充分地進(jìn)行特征提取，通過跳躍連接將編碼特征與解碼特征在通道維度進(jìn)行拼接，并使用通道坐標(biāo)注意力模塊對拼接后的特征進(jìn)行融合，實(shí)現(xiàn)通道降維和特征細(xì)化；隨后，將得到的深層特征圖再經(jīng)過Lr個(gè)IDTransformer模塊進(jìn)行特征提煉進(jìn)一步豐富特征多樣性，最后利用一個(gè)卷積核大小為3×3的卷積層生成殘差圖像，并與輸入圖像進(jìn)行殘差連接，得到最后輸出的去噪圖像 卷積轉(zhuǎn)置自注意力模塊通過計(jì)算通道維度而非空間上的自注意力來隱式編碼全局上下文信息，且不同于使用簡單的映射矩陣來生成查詢向量Q、鍵向量K和值向量V，卷積轉(zhuǎn)置自注意力模塊引入了point-wise卷積和depth-wise卷積來生成這些變量；point-wise卷積的卷積核尺寸為1×1，在每個(gè)空間位置上獨(dú)立地對輸入的每個(gè)通道進(jìn)行卷積操作，而depth-wise卷積使用與輸入通道數(shù)相等的卷積核，每個(gè)通道的卷積核只關(guān)注該通道的特征，不會(huì)與其他通道的特征混合，在減少參數(shù)量和計(jì)算量的同時(shí)能更加靈活地捕捉通道間的特征關(guān)系，從而聚合逐像素跨通道上下文并強(qiáng)調(diào)逐通道空間上下文，彌補(bǔ)之前可能會(huì)損失的空間信息； 對于輸入到卷積轉(zhuǎn)置自注意力模塊的中間特征映射圖首先使用層歸一化保持?jǐn)?shù)據(jù)的分布穩(wěn)定，再應(yīng)用卷積核大小為1×1的卷積層和卷積核大小為3×3的depth-wise卷積層生成查詢向量Q、鍵向量K和值向量用公式表示為： Q＝DConv3×3Conv1×1Xctasb， K＝DConv3×3Conv1×1Xctasb， V＝DConv3×3Conv1×1Xctasb， 其中Conv1×1表示卷積核大小為1×1的卷積層，DConv3×3表示卷積核大小為3×3的depth-wise卷積層；為了進(jìn)行轉(zhuǎn)置自注意力計(jì)算，需要先對Q、K和V進(jìn)行變形，其計(jì)算過程用公式表示為： 其中，和分別為變形后的Q、K和V，表示進(jìn)行點(diǎn)積運(yùn)算得到轉(zhuǎn)置特征圖并使用可學(xué)習(xí)參數(shù)α控制轉(zhuǎn)置特征圖的大小，再由softmax生成權(quán)重分布對進(jìn)行加權(quán)運(yùn)算；與傳統(tǒng)的自注意力計(jì)算一樣，卷積轉(zhuǎn)置自注意力模塊也使用了多頭方法，分組并行學(xué)習(xí)獨(dú)立的注意圖；此外，為了保持特征的多樣性，卷積轉(zhuǎn)置自注意力模塊額外引入了一個(gè)卷積核大小為3×3的depth-wise卷積對值向量V進(jìn)行特征提取，并把它和自注意力計(jì)算的結(jié)果相加，最后經(jīng)過卷積核大小為1×1的卷積層處理與原輸入進(jìn)行殘差連接，用公式表示為： 其中為經(jīng)過卷積轉(zhuǎn)置自注意力模塊處理后得到的特征映射圖。

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)人杭州電子科技大學(xué)，其通訊地址為：310018 浙江省杭州市下沙高教園區(qū)2號大街；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)”。