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)獲悉人工智能與數(shù)字經(jīng)濟(jì)廣東省實(shí)驗(yàn)室(廣州)申請(qǐng)的專利基于多尺度動(dòng)態(tài)特征聚合的圖像摩爾紋噪聲去除方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN116485666B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-12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(qǐng)?zhí)?專利號(hào)為：202310306988.3，技術(shù)領(lǐng)域涉及：G06T5/70；該發(fā)明授權(quán)基于多尺度動(dòng)態(tài)特征聚合的圖像摩爾紋噪聲去除方法是由許若濤;韋志宇;雷正華;邱云中設(shè)計(jì)研發(fā)完成，并于2023-03-27向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本基于多尺度動(dòng)態(tài)特征聚合的圖像摩爾紋噪聲去除方法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)一種基于多尺度動(dòng)態(tài)特征聚合的圖像摩爾紋噪聲去除方法，分別構(gòu)造殘差密集塊、尺度特征提取融合模塊和主旁路動(dòng)態(tài)編碼模塊，將殘差密集塊和尺度特征提取融合模塊融合為組合模塊，并對(duì)組合模塊采用跳躍連接，主旁路動(dòng)態(tài)編碼模塊結(jié)構(gòu)采用殘差連接，組合模塊與主旁路動(dòng)態(tài)編碼模塊按照預(yù)設(shè)方式耦合，構(gòu)成深度卷積神經(jīng)網(wǎng)絡(luò)。本發(fā)明的有益效果是：針對(duì)摩爾紋噪音的多尺度特征融合不足提出了多尺度特征提取融合模塊用于更好的利用多尺度特征信息，更好的實(shí)現(xiàn)信息的交流融合，同時(shí)，針對(duì)摩爾紋噪音的動(dòng)態(tài)紋理特征提出了主旁路動(dòng)態(tài)編碼模塊專門用于編碼樣本自適應(yīng)的摩爾紋噪音。最終將兩種模塊整合進(jìn)一個(gè)框架以實(shí)現(xiàn)摩爾紋噪音的去除。

本發(fā)明授權(quán)基于多尺度動(dòng)態(tài)特征聚合的圖像摩爾紋噪聲去除方法在權(quán)利要求書(shū)中公布了：1.一種基于多尺度動(dòng)態(tài)特征聚合的圖像摩爾紋噪聲去除方法，其特征在于，包括以下步驟： 選擇去摩爾紋噪音數(shù)據(jù)集，根據(jù)所述去摩爾紋噪音數(shù)據(jù)集的性質(zhì)生成訓(xùn)練使用的圖像對(duì)； 分別構(gòu)造殘差密集塊、尺度特征提取融合模塊和主旁路動(dòng)態(tài)編碼模塊，將所述殘差密集塊和所述尺度特征提取融合模塊融合為組合模塊，并對(duì)所述組合模塊采用跳躍連接，所述主旁路動(dòng)態(tài)編碼模塊結(jié)構(gòu)采用殘差連接，所述組合模塊與所述主旁路動(dòng)態(tài)編碼模塊按照預(yù)設(shè)方式耦合，構(gòu)成深度卷積神經(jīng)網(wǎng)絡(luò)； 將所述圖像對(duì)中帶摩爾紋噪音圖像輸入所述深度卷積神經(jīng)網(wǎng)絡(luò)，輸出去摩爾紋噪音圖像； 計(jì)算所述去摩爾紋噪音圖像與所述圖像對(duì)中的清晰圖像之間的損失函數(shù)，并對(duì)所述深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練； 從所述去摩爾紋噪音數(shù)據(jù)集中選擇測(cè)試集，將所述測(cè)試集中帶摩爾紋噪音圖像輸入訓(xùn)練好的所述深度卷積神經(jīng)網(wǎng)絡(luò)，輸出對(duì)應(yīng)的去摩爾紋噪音圖像； 所述殘差密集塊包括m層卷積層，前m-1層的卷積層包括對(duì)應(yīng)尺度通道數(shù)量的濾波器和激活函數(shù)，第m層的卷積層包括對(duì)應(yīng)尺度通道數(shù)量的濾波器，其中，第1層的卷積層的輸入為所述圖像對(duì)，其他層的卷積層的輸入為前一層卷積層的輸出和所述圖像對(duì)沿尺度通道維度的拼接，第m層卷積層輸出的第一輸出值輸入到所述尺度特征提取融合模塊的輸入端； 所述尺度特征提取融合模塊包括n個(gè)參數(shù)共享的空洞卷積層，各個(gè)所述空洞卷積層采用相同的卷積參數(shù)，以及采用不同的空洞系數(shù)，所述空洞卷積層利用卷積操作捕捉不同尺度大小但形狀相似的尺度特征信息，然后將所述尺度特征信息與所述第一輸出值沿通道維度拼接，使用1×1卷積將不同尺度的所述尺度特征信息進(jìn)行初步融合并使用激活函數(shù)，然后對(duì)初步融合的所述尺度特征信息使用通道注意力機(jī)制，最后再次使用1×1卷積和激活函數(shù)完成最終的信息融合，輸出第二輸出值； 所述尺度特征提取融合模塊輸出的所述第二輸出值與所述圖像對(duì)相加，得到最終輸出，所述最終輸出輸入到所述主旁路動(dòng)態(tài)編碼模塊； 所述主旁路動(dòng)態(tài)編碼模塊包括依次堆疊的S個(gè)動(dòng)態(tài)編碼模塊，以及分別耦合在所述動(dòng)態(tài)編碼模塊前后級(jí)的卷積層，每個(gè)所述動(dòng)態(tài)編碼模塊均包括主路和旁路，對(duì)于前S-1個(gè)所述動(dòng)態(tài)編碼模塊，每條所述主路均包括一個(gè)主路卷積層，以及耦合在主路卷積層后的一個(gè)主路DDF模塊，每條所述旁路均包括一個(gè)旁路卷積層，以及耦合在旁路卷積層后的一個(gè)旁路DDF模塊，第S個(gè)所述動(dòng)態(tài)編碼模塊的主路包括一個(gè)主路卷積層，以及耦合在主路卷積層后的一個(gè)主路DDF模塊，第S個(gè)所述動(dòng)態(tài)編碼模塊的旁路僅包括一個(gè)卷積層，前級(jí)的主路DDF和模塊和旁路DDF模塊分別與后級(jí)的主路卷積層和旁路卷積層耦合； 對(duì)于任意的前S-1個(gè)所述動(dòng)態(tài)編碼模塊，同一所述動(dòng)態(tài)編碼模塊的旁路卷積層還與主路DDF模塊耦合； 所述深度卷積神經(jīng)網(wǎng)絡(luò)包括t層尺度，所述組合模塊包括第一組合模塊和第二組合模塊，每一層尺度均包括依次耦合的第一組合模塊、主旁路動(dòng)態(tài)編碼模塊、第二組合模塊和一個(gè)單獨(dú)的卷積層，上一層的所述第一組合模塊輸出的尺度特征信息經(jīng)過(guò)雙線性插值下采樣輸入下一層的所述第一組合模塊，每一層所述主旁路動(dòng)態(tài)編碼模塊輸出處理后的當(dāng)前層的尺度特征信息，所述尺度特征信息分別輸入對(duì)應(yīng)的所述第二組合模塊，下一層的所述第二組合模塊輸出的尺度特征信息經(jīng)過(guò)雙線性插值上采樣輸入上一層的所述第二組合模塊，當(dāng)前層的所述尺度特征信息與下一層的所述第二組合模塊輸出的所述尺度特征信息沿通道維度進(jìn)行拼接，輸入到每層所述第二組合模塊，得到所述第二組合模塊輸出的尺度特征信息，輸入所述當(dāng)前尺度的單獨(dú)的卷積層，輸出對(duì)應(yīng)的去摩爾紋噪音圖像。

如需購(gòu)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(qǐng)人或?qū)＠麢?quán)人人工智能與數(shù)字經(jīng)濟(jì)廣東省實(shí)驗(yàn)室(廣州)，其通訊地址為：510330 廣東省廣州市海珠區(qū)新港東路2429號(hào)首層自編051房；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)”。