(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 202210031691.6 (22)申请日 2022.01.12 (71)申请人 山东师范大学 地址 250014 山东省济南市历下区文化 东 路88号 (72)发明人 李天平　冯凯丽　李萌　韩宇　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 杨琪 (51)Int.Cl. G06T 5/00(2006.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种图像去噪方法及系统 (57)摘要 本发明提供了一种图像去噪方法及系统， 包 括： 获取噪声图像； 将噪声图像输入去噪模型， 得 到去噪图像； 其中， 去噪模型依次通过多尺度特 征提取块和Ghost特征提取块， 对噪声图像进行 特征提取后， 得到噪声特征， 利用噪声 图像减去 噪声特征， 得到去噪图像。 不仅 改善了图像去噪 效果， 而且提高了图像去噪的效率， 减少训练参 数， 缩短网络结构训练的时间。 权利要求书1页 说明书6页 附图5页 CN 114529463 A 2022.05.24 CN 114529463 A 1.一种图像去噪方法， 其特 征在于， 包括： 获取噪声图像； 将噪声图像输入去噪模型， 得到去噪图像； 其中， 去噪模型依次通过多尺度特征提取块和Ghost特征提取块， 对噪声图像进行特征 提取后， 得到噪声特 征， 利用噪声图像减去噪声特 征， 得到去噪图像。 2.如权利要求1所述的一种图像去噪方法， 其特征在于， 所述多尺度特征提取块采用若 干个1×1卷积层和3 ×3的空洞卷积层分别对 所述噪声图像进 行特征提取， 得到不同尺度的 特征。 3.如权利要求2所述的一种图像去噪方法， 其特征在于， 所述多尺度特征提取块将所述 不同尺度的特 征依次输入特 征结合层和特 征融合层后， 得到噪声图像的多尺度特 征图。 4.如权利要求1所述的一种图像去噪方法， 其特征在于， 所述Ghost特征提取块包含若 干个顺次连接的Ghost块。 5.如权利 要求4所述的一种图像去噪方法， 其特征在于， 所述Ghost块采用32通道的1 × 1卷积层对输入的特征图进行特征提取； 并采用深度可分离卷积层对所述32通道的1 ×1卷 积层提取的特 征进行处 理后， 得到 输出特征图。 6.如权利要求5所述的一种图像去噪方法， 其特征在于， 所述Ghost特征提取块中最后 一个Ghost块中的深度可分离卷积层得到的输出 特征图为所述噪声特 征。 7.如权利要求1所述的一种图像去噪方法， 其特征在于， 所述去噪模型采用均方误差作 为损失函数， 并通过Adam优化器进行优化。 8.一种图像去噪系统， 其特 征在于， 包括： 图像获取模块， 其被 配置为： 获取噪声图像； 去噪模块， 其被 配置为： 将噪声图像输入去噪模型， 得到去噪图像； 其中， 去噪模型依次通过多尺度特征提取块和Ghost特征提取块， 对噪声图像进行特征 提取后， 得到噪声特 征， 利用噪声图像减去噪声特 征， 得到去噪图像。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执 行时实现如权利要求1 ‑7中任一项所述的一种图像去噪方法中的步骤。 10.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑7中任一项 所述的一 种图像去噪方法中的步骤。权　利　要　求　书 1/1 页 2 CN 114529463 A 2一种图像去噪方 法及系统 技术领域 [0001]本发明属于图像处 理技术领域， 尤其涉及一种图像去噪方法及系统。 背景技术 [0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息， 不必然构成在先技 术。 [0003]图像去噪是众多图像处理问题中必不可少的一步， 在生物、 医学和军事等领域都 有广泛的应用， 因此， 提高图像去噪的效果具有非常重要的意义。 传统的图像去噪方法具有 复杂的模型并且包含很多需要手动调节的参数。 深度学习因为其 强大的学习能力被应用于 图像去噪中， 用来改善传统图像去噪方法中存在的缺 点。 [0004]尤其是， 基于卷积神经网络的方法在图像去噪上表现出强大的性能。 但是， 深度卷 积神经网络内存消耗依旧很大， 模型的训练时间也比较长， 很难有较高的图像去噪效率。 发明内容 [0005]为了解决上述背景技术中存在的技术问题， 本发明提供一种图像去噪方法及系 统， 不仅改善了图像去噪效果， 而且提高了图像去 噪的效率， 减少训练参数， 缩短网络结构 训练的时间。 [0006]为了实现上述目的， 本发明采用如下技 术方案： [0007]本发明的第一个方面 提供一种图像去噪方法， 其包括： [0008]获取噪声图像； [0009]将噪声图像输入去噪模型， 得到去噪图像； [0010]其中， 去噪模型依次通过多尺度特征提取块和Ghost 特征提取块， 对噪声图像进行 特征提取后， 得到噪声特 征， 利用噪声图像减去噪声特 征， 得到去噪图像。 [0011]进一步的， 所述多尺度特征提取块采用若干个1 ×1卷积层和3 ×3的空洞卷积层分 别对所述噪声图像进行 特征提取， 得到不同尺度的特 征。 [0012]进一步的， 所述多尺度特征提取块将 所述不同尺度的特征依次输入特征结合层和 特征融合层后， 得到噪声图像的多尺度特 征图。 [0013]进一步的， 所述Ghost特 征提取块包 含若干个顺次连接的Ghost块。 [0014]进一步的， 所述Ghost块采用32通道的1 ×1卷积层对输入的特征图进行特征提取； 并采用深度可分离卷积层 对所述32通道的1×1卷积层提取的特征进 行处理后， 得到输出特 征图。 [0015]进一步的， 所述Ghost 特征提取块中最后一个Ghost块中的深度可分离卷积层得到 的输出特征图为所述噪声特 征。 [0016]进一步的， 所述去噪模型采用均方误差作为损失函数， 并通过Adam优化器进行优 化。 [0017]本发明的第二个方面 提供一种图像去噪系统， 其包括：说　明　书 1/6 页 3 CN 114529463 A 3