买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广东工业大学申请的专利基于多头自注意力机制的深度学习红外图像去噪方法和系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114399433B 。

龙图腾网通过国家知识产权局官网在2025-08-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111529211.0，技术领域涉及：G06T5/70；该发明授权基于多头自注意力机制的深度学习红外图像去噪方法和系统是由程良伦;吴文昊;吴衡设计研发完成，并于2021-12-14向国家知识产权局提交的专利申请。

本基于多头自注意力机制的深度学习红外图像去噪方法和系统在说明书摘要公布了：本发明公开了一种基于多头自注意力机制的深度学习红外图像去噪方法和系统，方法包括以下步骤：S1：收集高清红外图像并进行预处理；S2：根据所述高清红外图像和预处理后的红外图像，得到数据集；S3：建立基于多头自注意力机制的红外去噪神经网络，利用所述数据集对所述红外去噪神经网络进行训练，得到训练好的红外去噪神经网络；S4：利用训练好的红外去噪神经网络对带噪声的红外图像进行去噪。本发明通过多头自注意力机制深度学习红外图像去噪技术，可以有效克服经典红外成像系统中存在的高噪声的问题。本发明非常有利于红外成像多头自注意力机制深度学习图像去噪技术的研究。

本发明授权基于多头自注意力机制的深度学习红外图像去噪方法和系统在权利要求书中公布了：1.一种基于多头自注意力机制的深度学习红外图像去噪方法，其特征在于，包括以下步骤： S1：收集高清红外图像并进行预处理； 所述预处理，具体为： 向高清红外图像中添加高斯噪声及泊松噪声，设定高斯噪声参数σ，泊松噪声参数λ，生成带噪声的红外图像集合ILQ，每张图像记为其中i＝1,2,...,M； S2：根据所述高清红外图像和预处理后的红外图像，得到数据集； S3：建立基于多头自注意力机制的红外去噪神经网络，利用所述数据集对所述红外去噪神经网络进行训练，得到训练好的红外去噪神经网络； 所述基于多头自注意力机制的红外去噪神经网络，具体为： 所述基于多头自注意力机制的红外去噪神经网络包括局部特征提取模块、全局特征提取模块和图像恢复模块，其中，所述局部特征提取模块提取红外图像中的局部特征信息Ilocal，所述全局特征提取模块提取红外图像中的全局特征信息Iglobal，所述图像恢复模块将所述局部特征信息Ilocal和全局特征信息Iglobal融合后恢复为无噪声的红外图像Irec； 所述局部特征提取模块包括两个卷积核大小为K的卷积层组成，记为Flocal，将维度为Cin的红外图像处理为维度为96的张量信息Ilocal∈RH×W×C，其中C＝96，H,W为图像高度和长度尺寸，数学模型表示如下所示： Ilocal＝FlocalI0； 所述全局特征提取模块具体为： 全局特征提取模块的数学模型表示如下所示： Iglobal＝FglobalIlocal 上式中，Fglobal表示全局特征提取模块，模块中包含N个多头自注意力计算模块和一个卷积核大小为K的卷积操作，其中每个模块提取特征I1,I2,...,IN以及全局特征Iglobal由MSAB逐步计算得出，其数学模型表示为： Ii＝FMASBIi-1,i＝1,2,...,N Iglobal＝FCONVIN 上式中FMASB表示多头自注意力计算模块，FCONV表示卷积操作，为减少计算量，方法采用滑动窗口多头自注意力机制，注意力机制计算时首先将输入Ilocal∈RH×W×C划分为不重叠的尺寸为M×M的窗口，特征尺寸变为其中是窗口总数，然后在每个窗口内进行标准多头自注意力计算，在一个滑窗内的特征它的query、key以及value计算过程如下： Q＝XPQ,K＝XPK,V＝XPV 上式中，PQ，PK和PV是窗口中的映射矩阵，不同窗口共享相同的映射矩阵；变换后自注意力计算方式如下： 上式中，B表示可学习的位置编码； 使用多层特征感知机对特征进行进一步变换，数学模型如下： X＝WMSALNX+X X＝MLPLNX+X 上式中，WMSA代表窗口内多头自注意力计算，MLP表示全连接的多层特征感知机，并添加LayerNormalization计算，LN表示LayerNormalization计算；随后进行滑动窗口自注意力计算： X＝SWMSALNX+X X＝MLPLNX+X 上式中，SWMA代表滑动窗口后的多头自注意力机制计算； S4：利用训练好的红外去噪神经网络对带噪声的红外图像进行去噪。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广东工业大学，其通讯地址为：510090 广东省广州市越秀区东风东路729号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。