基于多尺度与注意力机制的CT图像盲去噪方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114782408A(43)申请公布日2022.07.22(21)申请号202210562376.6G06V10/40(2022.01)(22)申请日2022.05.23G06V10/80(2022.01)G06V10/82(2022.01)(71)申请人南京工业大学G06V10/74(2022.01)地址210031江苏省南京市江北新区浦珠南路30号南京工业大学(72)发明人常城舒志兵陈俊哲卢兆林(74)专利代理机构北京众合佳创知识产权代理有限公司16020专利代理师何龙其(51)Int.Cl.G06T7/00(2017.01)G06T5/00(2006.01)G06T3/40(2006.01)G06N3/04(2006.01)G06K9/62(2022.01)权利要求书2页说明书5页附图3页(54)发明名称基于多尺度与注意力机制的CT图像盲去噪方法(57)摘要本发明公开了基于多尺度与注意力机制的CT图像盲去噪方法，具体包括以下步骤：步骤一、特征融合；步骤二、权重分配；步骤三、去噪处理；步骤四、对比筛除；本发明涉及图像处理技术领域。该基于多尺度与注意力机制的CT图像盲去噪方法，利用注意力机制进行权重重分配，输出关键细节特征表达更充分的特征图，为噪音级别的认证提供帮助，且通过不同级别噪音的采样处理，实现不同级别噪音特征图的有效收集，在对待去噪CT图像进行去噪处理时，能够精准有效的检索出对应级别的噪音，进而选择与之适配的去噪模型，保证去噪后CT图像的清晰度，配合残差网络的设置，有效降低图像特征集的训练负担，为CT图像去噪的鲁棒性提供良好保障。CN114782408ACN114782408A权利要求书1/2页1.基于多尺度与注意力机制的CT图像盲去噪方法，其特征在于：具体包括以下步骤：步骤一、特征融合：通过特征融合单元(1)对不同的带指定级别噪声的CT图像放大不同尺度的倍数后进行采样处理，获得不同尺度倍数下的细节特征和噪音信息，随后对不同尺度倍数下的带级别噪声的CT图像采样分别进行特征融合处理，获得不同的特征图；步骤二、权重分配：权重分配单元(2)引入基于通道的注意力机制，步骤一中不同的特征图通过不同的通道传输到权重分配单元(2)中，过程中，利用NLM算法中对不同通道之间特征图的相似度进行计算，随后根据相似度对不同通道进行权重重分配，经过归一化指数函数计算得到输入特征图对应的通道，此时输出的特征图中的关键细节特征相对于原特征图得到了更充分的表达，实现注意力重分配，同时引入残差网络对图像特征进行噪声图像的图像特征提取，构建针对指定级别噪声的图像特征集；步骤三、去噪处理：通过去噪处理单元(3)集成针对指定噪音的去噪方式，结合步骤二中的指定级别噪音对应的图像特征集，构建指定级别噪音与对应盲去噪方式的映射关系；步骤四、对比筛除：向对比筛除单元(4)中输入待处理带噪声CT图像，经过步骤一和步骤二的处理后，得到待处理带噪声CT图像的图像特征，与步骤二中图像特征集中的图像特征进行相似度对比，确定对应级别的噪声，根据步骤三中建立的映射关系，选择对应的盲去噪方式，实现待处理带噪声CT图像的盲去噪处理。2.根据权利要求1所述的基于多尺度与注意力机制的CT图像盲去噪方法，其特征在于：所述特征融合单元(1)包括多尺度提取模块(5)和特征融合模块(6)，所述多尺度提取模块(5)与特征融合模块(6)对接。3.根据权利要求2所述的基于多尺度与注意力机制的CT图像盲去噪方法，其特征在于：所述多尺度提取模块(5)用于对不同的带指定级别噪声的CT图像放大不同尺度的倍数后进行采样处理，获得不同尺度倍数下的细节特征和噪音信息；所述特征融合模块(6)用于对不同尺度倍数下的带级别噪声的CT图像采样分别进行特征融合处理，获得不同的特征图。4.根据权利要求1所述的基于多尺度与注意力机制的CT图像盲去噪方法，其特征在于：所述权重分配单元(2)包括相似度计算模块(7)、权重分配模块(8)和特征集存储模块(9)，所述相似度计算模块(7)与权重分配模块(8)对接，所述权重分配模块(8)与特征集存储模块(9)对接。5.根据权利要求4所述的基于多尺度与注意力机制的CT图像盲去噪方法，其特征在于：所述相似度计算模块(7)用于引入基于通道的注意力机制，特征融合单元(1)中不同的特征图通过不同的通道传输到相似度计算模块(7)中，过程中，利用NLM算法中对不同通道之间特征图的相似度进行计算；所述权重分配模块(8)用于根据相似度对不同通道进行权重重分配，经过归一化指数函数计算得到输入特征图对应的通道，实现注意力重分配；所述特征集存储模块(9)用于引入残差网络对图像特征进行噪声图像的图像特征提取，构建针对指定级别噪声的图像特征集。6.根据