本發(fā)明涉及圖像處理，是一種基于導(dǎo)向注意力的前視聲納圖像去噪方法。

背景技術(shù)：

1、隨著水下資源勘探需求的增加，前視聲納的應(yīng)用也越來(lái)越多。越來(lái)越多研究人員轉(zhuǎn)向聲納圖像處理任務(wù)中，如水下地形重建、水下考古、水下目標(biāo)檢測(cè)、分割和識(shí)別。然而，這些任務(wù)能否被很好的完成取決于聲納圖像的質(zhì)量。

2、聲納圖像是由聲納接收反射的聲波進(jìn)行相干解調(diào)形成的，由于相干的特性，聲納圖像中不可避免地會(huì)受到噪聲的影響。基于深度學(xué)習(xí)的去噪算法可以學(xué)習(xí)噪聲圖像到干凈圖像之間的噪聲映射關(guān)系。但是基于深度學(xué)習(xí)的去噪方法大多需要干凈的圖像作為參考以進(jìn)行監(jiān)督學(xué)習(xí)。目前已有的基于學(xué)習(xí)的聲納圖像去噪算法可分為兩種：

3、一種是，直接向聲納圖像中添加特定噪聲，如高斯噪聲。然后將添加噪聲的聲納圖像和原聲納圖像組成圖像對(duì)，用于訓(xùn)練去噪模型。最后在將原聲納圖像作為輸入，去除原聲納圖像中的噪聲。但是這種方法只能在一定程度上去除特定類型的噪聲。

4、另一種是，向干凈的光學(xué)圖像中添加模擬的水下環(huán)境噪聲，組成圖像對(duì)并訓(xùn)練去噪模型來(lái)學(xué)習(xí)噪聲圖像到干凈圖像的映射關(guān)系。然后將原聲納圖像作為輸入，來(lái)去除聲納圖像中的噪聲。但是模擬噪聲與實(shí)際噪聲之間存在差異，因此這種方法不能完全去除噪聲。

5、雖然基于學(xué)習(xí)的聲納圖像去噪算法能在一定程度上去除噪聲，但是圖像中的目標(biāo)也會(huì)出現(xiàn)不同程度的模糊。因此，去除聲納圖像中噪聲的同時(shí)保留目標(biāo)細(xì)節(jié)是本領(lǐng)域中亟需解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)存在的不足，本發(fā)明實(shí)現(xiàn)有效去除圖像中的噪聲并保留目標(biāo)細(xì)節(jié)的效果，提供一種基于導(dǎo)向注意力的前視聲納圖像去噪方法。

2、本發(fā)明提供了以下技術(shù)方案：

3、一種基于導(dǎo)向注意力的前視聲納圖像去噪方法，所述方法包括以下步驟：

4、步驟1：采集前視聲納圖像，從圖像中提取均勻噪聲塊和非均勻噪聲塊，并構(gòu)建聲納圖像數(shù)據(jù)集；

5、步驟2：使用均勻噪聲塊、非均勻噪聲塊來(lái)訓(xùn)練去噪模型，使模型學(xué)習(xí)非均勻噪聲塊到均勻噪聲塊的映射關(guān)系；

6、步驟3：將聲納圖像作為輸入，使用去噪模型生成粗噪聲圖，通過(guò)調(diào)節(jié)因子細(xì)化噪聲圖得到細(xì)噪聲圖，將聲納圖像與細(xì)噪聲圖作差得到去噪圖像。

7、優(yōu)選地，所述步驟1具體為：

8、將聲納圖像的非目標(biāo)區(qū)域劃分成至少30個(gè)子圖像塊，計(jì)算子圖像塊的方差，選擇10個(gè)方差小的圖像塊，再計(jì)算10個(gè)方差小的圖像塊的均值和中值，選擇4個(gè)均值和中值最為接近的圖像作為均勻噪聲塊；

9、使用預(yù)訓(xùn)練的vgg模型對(duì)4個(gè)均勻噪聲塊和其他圖像塊進(jìn)行特征提取，并用mse來(lái)計(jì)算均勻噪聲塊和其他圖像塊之間的特征相似度；在其他圖像塊中選擇特征相似度差異最大的一半數(shù)量的圖像塊作為非均勻噪聲，將均勻噪聲和非均勻噪聲組成訓(xùn)練集，完整的聲納圖像組成測(cè)試集，完成聲納圖像數(shù)據(jù)集的構(gòu)建。

10、優(yōu)選地，所述步驟2具體為：

11、去噪模型包括特征提取模塊、導(dǎo)向注意力模塊和調(diào)節(jié)因子，特征提取模塊由三個(gè)間隔特征提取ife單元組成，用于提取圖像中的噪聲特征；將各ife單元提取出的特征拼接來(lái)提高噪聲特征的豐富度，將噪聲特征送入到導(dǎo)向注意力模塊中用于生成噪聲圖，導(dǎo)向注意力模塊包括通道注意力ca單元、壓縮像素注意力cpa單元和全局像素注意gpa單元。

12、優(yōu)選地，通道注意力ca單元用于為分布在不同通道上的噪聲分配不同的權(quán)重，在經(jīng)過(guò)全局的平均池化和最大池化后，通過(guò)卷積操作和relu激活函數(shù)來(lái)生成一維特征，計(jì)算公式為：

13、

14、這一過(guò)程將特征圖的形狀從h×w×c變?yōu)?×1×c，特征沿著通道維度拼接起來(lái)，得到一個(gè)形狀為1×1×2c的新映射，新映射表示為：

15、pcat＝pacθpmc?(3)

16、映射通過(guò)卷積層和sigmoid函數(shù)來(lái)得出權(quán)重，特征圖的形狀從1×1×2c變?yōu)?×1×c，權(quán)重的計(jì)算公式為：

17、ca＝σ(conv(pcat))(4)

18、通過(guò)對(duì)權(quán)重和輸入特征圖進(jìn)行元素化相乘來(lái)獲得通道注意力圖，最終特征圖的形狀從1×1×c變回h×w×c，通道注意力圖的計(jì)算公式為：

19、

20、優(yōu)選地，壓縮像素注意力cpa單元用于為分布在空間中噪聲特征分配不同的權(quán)重，cpa的兩個(gè)分支分別通過(guò)卷積和沿通道方向的平均池化操作將ca產(chǎn)生的通道注意力圖壓縮到一個(gè)通道上，其計(jì)算公式為：

21、fcom_conv＝δ(conv(fca))?(6)

22、

23、將特征圖的形狀從h×w×c轉(zhuǎn)換為h×w×1，壓縮特征被送到具有relu和sigmoid激活函數(shù)的兩個(gè)卷積層中，以得出像素權(quán)重，計(jì)算公式為：

24、

25、將壓縮特征與像素權(quán)重進(jìn)行元素化相乘，以獲得壓縮像素注意力圖，計(jì)算公式為：

26、

27、優(yōu)選地，全局像素注意gpa單元用于補(bǔ)充在ca單元和cpa單元處理過(guò)程中丟失的全局噪聲特征，輸入圖像經(jīng)過(guò)一個(gè)卷積形成全局噪聲特征，經(jīng)過(guò)兩個(gè)卷積層和relu、sigmoid激活函數(shù)來(lái)產(chǎn)生全局像素權(quán)重，將全局噪聲特征與全局像素權(quán)重相乘，得到全局像素注意力圖，通過(guò)下式表示：

28、

29、將ca單元、cpa單元和gpa單元產(chǎn)生的注意力圖拼接，形成噪聲注意力圖，噪聲注意力圖像經(jīng)過(guò)一個(gè)卷積處理，得到噪聲圖，通過(guò)下式表示：

30、

31、在訓(xùn)練過(guò)程中，將非均勻噪聲塊作為輸入，均勻噪聲快作為輸出，訓(xùn)練去噪模型，經(jīng)上述過(guò)程得到噪聲圖fn，輸入的非均勻噪聲塊f減去噪聲圖fn得到均勻噪聲塊。

32、優(yōu)選地，所述步驟3具體為：

33、使用調(diào)整因子α對(duì)噪聲圖進(jìn)行細(xì)化處理，α的值與聲納圖像和噪聲圖的均值和方差有關(guān)，通過(guò)下式表示：

34、

35、細(xì)化后的特征圖通過(guò)下式表示：

36、fr＝α·fn?(15)

37、在去噪過(guò)程中，將聲納圖像f作為輸入，經(jīng)過(guò)上述過(guò)程得到的噪聲圖像稱為粗噪聲圖fn，細(xì)化后的噪聲圖稱為細(xì)特征圖fr，最后輸入的聲納圖像f減去細(xì)特征圖fr，得到去噪圖像。

38、一種基于導(dǎo)向注意力的前視聲納圖像去噪系統(tǒng)，所述系統(tǒng)包括：

39、數(shù)據(jù)采集模塊，所述數(shù)據(jù)采集模塊采集前視聲納圖像，從圖像中提取均勻噪聲塊和非均勻噪聲塊，并構(gòu)建聲納圖像數(shù)據(jù)集；

40、模型訓(xùn)練模塊，所述模型訓(xùn)練模塊使用均勻噪聲塊、非均勻噪聲塊來(lái)訓(xùn)練去噪模型，使模型學(xué)習(xí)非均勻噪聲塊到均勻噪聲塊的映射關(guān)系；

41、圖像去噪模塊，所述圖像去噪模塊將聲納圖像作為輸入，使用去噪模型生成粗噪聲圖，通過(guò)調(diào)節(jié)因子細(xì)化噪聲圖得到細(xì)噪聲圖，將聲納圖像與細(xì)噪聲圖作差得到去噪圖像。

42、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該程序被處理器執(zhí)行，以用于實(shí)現(xiàn)一種基于導(dǎo)向注意力的前視聲納圖像去噪方法。

43、一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)一種基于導(dǎo)向注意力的前視聲納圖像去噪方法。

44、本發(fā)明具有以下有益效果：

45、本發(fā)明與現(xiàn)有技術(shù)相比：

46、本發(fā)明通過(guò)采集前視聲納圖像，從圖像中提取均勻噪聲塊和非均勻噪聲塊，并構(gòu)建聲納圖像數(shù)據(jù)集。使用均勻噪聲塊-非均勻噪聲塊來(lái)訓(xùn)練去噪模型，使模型學(xué)習(xí)非均勻噪聲塊到均勻噪聲塊的映射關(guān)系。將聲納圖像作為輸入，使用去噪模型首先生成粗噪聲圖，再通過(guò)調(diào)節(jié)因子細(xì)化噪聲圖得到細(xì)噪聲圖。最后將聲納圖像與細(xì)噪聲圖作差得到去噪圖像。

47、本發(fā)明直接使用聲納圖像來(lái)訓(xùn)練深度學(xué)習(xí)模型，使去噪模型能準(zhǔn)確學(xué)習(xí)到聲納圖像與干凈圖像之間的映射關(guān)系。通過(guò)導(dǎo)向注意力來(lái)引導(dǎo)模型估計(jì)噪聲映射，使模型能最大限度地保留圖像中目標(biāo)細(xì)節(jié)。