(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211414188.5 (22)申请日 2022.11.11 (71)申请人 之江实验室 地址 311121 浙江省杭州市余杭区之江实 验室南湖总部 (72)发明人 李劲松　胡劲楠　胡佩君　田雨　 周天舒　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 刘静 (51)Int.Cl. G06T 5/00(2006.01) G06T 5/10(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于小波高频通道合成的图像去噪方 法及装置 (57)摘要 本发明公开了一种基于小波高频通道合成 的图像去噪方法及装置， 将图像数据拓展到若干 频域通道， 经过噪声排序算法选取 “低噪”若干通 道和“高噪”若干通道， 结合降噪网络子模块和基 于风格迁移的合成 网络子模块， 实现图像数据去 噪。 图像数据使用离散小波包变换将原始数据和 真值数据扩展到若干频域子通道， 并分为 “低噪 组”小波包系数和 “高噪组”小波包系数。 对于低 噪组， 本发 明搭建基于残差学习的卷积神经网络 的降噪子模块， 对于高噪组， 搭建基于风格迁移 网络的合 成子模块， 最后通过小波包反变换重建 原始数据。 本发 明有效解决了图像数据在常规去 噪算法中出现的 “模糊”和“细节丢失 ”问题， 在 “多噪”和“高维”图像数据中表现尤为明显 。 权利要求书2页 说明书7页 附图6页 CN 115456918 A 2022.12.09 CN 115456918 A 1.一种基于小 波高频通道合成的图像去噪方法， 其特 征在于， 该 方法包括以下步骤： S1， 获取多噪或高维图像并对带噪图像数据进行 预处理； S2， 选择小波基和小波包分解层数； 利用小波包变换， 将预处理后的图像数据和真值分 解为不同频域的小 波包系数， 分别计算信噪比， 并根据信噪比阈值划分出低噪组和高噪组； S3， 搭建神经网络， 包括降噪子模块和合成子模块； 所述降噪子模块为基于残差学习的 卷积神经网络， 所述 合成子模块 为基于风格迁移的卷积神经网络； S4， 生成对抗式模型训练， 具体如下： S41， 预训练生成器网络， 对S3中两个网络分别进行监 督式训练； S42， 数据重建， 降噪子模块输入为低噪组小波系数， 输出为去噪后的低噪组小波包系 数， 合成子模块输入为低噪组小波系 数和原始图像数据， 输出为合成后的对应高噪组数据 的小波包系 数， 对降噪子模块的输出和 合成子模块的高噪组输出进行小波包反变换， 共同 重建原始图像数据； S43， 搭建判别器网络， 将重建后的原始图像数据输入判别器网络， 联合生成器网络， 训 练生成对抗式模型， 基于训练后的生成器模型重建图像数据， 即为去噪后的图像。 2.根据权利要求1所述的基于小波高频通道合成的图像去噪方法， 其特征在于， 步骤S1 中， 图像预处 理包括数据规范化、 数据增强和数据标准 化； 所述数据规范化： 使用统一的图片编码格式规范化原 始数据和对应真值数据； 所述数据增强： 使用裁 剪插值、 旋转、 平 移方式扩充数据库； 所述数据标准 化： 使用标准 化方法统一数据量纲。 3.根据权利要求1所述的基于小波高频通道合成的图像去噪方法， 其特征在于， 步骤S2 中， 经小波包分解后的原始图像数据及其真值将通过计算信噪比， 并根据经验设定信噪比 阈值， 划分成低噪组和高噪组； 将原始带噪图像的低噪组小波系数按通道拼接， 作为后续降 噪子模块和合成子模块的输入， 将真值图像对应的低噪组和高噪组小波包系数按通道拼 接， 分别作为后续降噪子模块和合成子模块的监 督训练真值。 4.根据权利要求1所述的基于小波高频通道合成的图像去噪方法， 其特征在于， 步骤S3 中， 基于残差学习的卷积神经网络用于低噪组小波包系数的去噪； 此网络包括若干卷积层、 激活层、 批归一层及若干残差连接， 其中必定包含一条首尾残差连接， 令网络的优化目标为 图像残差 。 5.根据权利要求1所述的基于小波高频通道合成的图像去噪方法， 其特征在于， 步骤S3 中， 基于风格迁移的卷积神经网络用于高噪组小波包系数的合 成； 此网络包括基于U ‑net的 重建网络、 隐变量网络和 仿射变换层； 其中， U ‑net神经网络包括若干组对应的编码器和解 码器， 对应编 码器和解码 器之间使用跳层连接， 拼接多尺度特征图； 隐变量网络包含若干卷 积层、 池化层、 批归一层、 激活层； 仿射变换层以矩阵乘法和矩阵加法的形式， 将隐变量层生 成的特征图变换到U ‑net解码器中； 基于风格迁移的卷积神经网络的输入为低噪组小波包 系数， 隐变量网络 输入为原 始图像， 最终输出为 合成后的对应高噪组的小 波包系数。 6.根据权利要求1所述的基于小波高频通道合成的图像去噪方法， 其特征在于， 步骤 S41中， 将低噪组小波包系数分别前向传播通过降噪子模块和合成子模块网络， 分别得到神 经网络预测值， 根据预测值和对应的真值计算损失函数， 利用损失函数， 进行反向传播得到 梯度， 采用梯度下降法更新网络权值， 通过多次迭代优化两个神经网络， 直到神经网络收权　利　要　求　书 1/2 页 2 CN 115456918 A 2敛。 7.根据权利要求1所述的基于小波高频通道合成的图像去噪方法， 其特征在于， 步骤 S43中， 搭建基于卷积神经网络的判别器， 网络包含若干卷积层、 批归一层、 池化层和激活 层； 判别网络的输入为经小 波重建后的图像， 输出为 一维概率∈[0,1]。 8.根据权利要求1所述的基于小波高频通道合成的图像去噪方法， 其特征在于， 所述 S43中， 将S42中重 建的数据置负标签， 真值图像置正标签， 并一起作为训练集前向传播到判 别器中， 输出 的损失函数分别在降噪子模块和 合成子模块中反向传播， 利用随机梯度下降 方法优化两个生成器网络； 在反复迭代优化中， 生成网络和判别网络的损失函数达到动态 平衡， 训练完毕。 9.一种基于小波高频通道合成的图像去噪装置， 包括存储器和一个或多个处理器， 所 述存储器中存储有 可执行代码， 其特征在于， 所述处理器执行所述可执行代码时， 用于实现 如权利要求1 ‑8中任一项所述的基于小 波高频通道合成的图像去噪方法的步骤。 10.一种计算机可读存储介质， 其上存储有程序， 其特征在于， 该程序被处理器执行时， 实现如权利要求1 ‑8中任一项所述的基于小 波高频通道合成的图像去噪方法的步骤。权　利　要　求　书 2/2 页 3 CN 115456918 A 3