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！

龙图腾网获悉合肥工业大学智能制造技术研究院;安徽省纤维检验局;广西科学院;合肥智大信息技术有限公司申请的专利基于协作性非本地上下文网络的图像去噪方法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：CN116740367B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202310683487.7，技术领域涉及：G06V10/30；该发明授权基于协作性非本地上下文网络的图像去噪方法是由赵仲秋;李军;吴霜;沈浩;张婉迪设计研发完成，并于2023-06-09向国家知识产权局提交的专利申请。

本基于协作性非本地上下文网络的图像去噪方法在说明书摘要公布了：本发明公开了一种基于协作性非本地上下文网络的图像去噪方法，其步骤如下：1、对数据集进行预处理，构建输入样本数据；2、构建基于协作性非本地上下文网络模型，包括浅层特征提取模块、深层特征提取模块以及图像重建模块；3、训练网络，调整网络参数，得到最优模型。本发明通过联合像素级非局部特征和图像块级非局部特征，充分挖掘图像内的全局依赖关系，提高图像恢复的质量，解决了现有的卷积神经网络无法捕获非局部的上下文依赖关系，在实际应用时效果不佳的问题，从而能用于图像去噪任务，使图像的纹理细节信息得到很好的恢复。

本发明授权基于协作性非本地上下文网络的图像去噪方法在权利要求书中公布了：1.一种基于协作性非本地上下文网络的图像去噪方法，其特征在于，包括如下步骤： 步骤1、对数据集进行预处理，并构建输入样本数据； 在获取的高质量图片数据集中添加不同噪声水平的加性高斯白噪声，从而获得噪声图像数据集，其中，表示第张高质量图片，表示第张噪声图像，为高质量图片的总数； 步骤2、构建基于协作性非本地上下文网络模型，包括：浅层特征提取模块、深层特征提取模块以及图像重建模块； 步骤2.1、所述浅层特征提取模块为一层的卷积层，并用于对第张噪声图像进行处理，得到第个浅层特征； 步骤2.2、所述深层特征提取模块由个非局部特征提取模块组成，任意第个非局部特征提取模块由1个像素级非局部模块和1个图像块级非局部模块组成，并用于对第个浅层特征进行处理，得到第个深层特征； 步骤2.2.1、所述像素级非局部模块依次由个注意引导残差块和1个卷积层PIConv组成；其中，任意第个注意引导残差块依次由卷积层、激活函数层ReLU、卷积层以及一对并行的空间感知上下文模块和通道感知上下文模块、残差支路组成； 当时，所述浅层特征输入到第个非局部特征提取模块中的像素级非局部模块，并依次经过第个注意引导残差块的第一卷积层、激活函数层ReLU、第二卷积层的处理后输出特征图，其中，C、H和W分别表示图片的通道数量、高度和宽度； 所述特征图分别输入第个注意引导残差块的空间感知上下文模块和通道感知上下文模块中进行处理，其中，所述空间感知上下文模块对依次经过卷积层和softmax函数处理后，得到空间上下文注意权重，并与进行矩阵相乘，得到上下文集合； 所述空间感知上下文模块对进行卷积操作后得到转换后的特征向量，并与进行加权平均集成，从而得到空间感知的上下文特征； 所述通道感知上下文模块将依次经过全局平均池化层GAP、第一卷积层、激活函数层ReLU、第二卷积层、激活函数sigmoid的处理后，生成通道上下文注意权重，并与进行矩阵相乘后，得到通道感知的上下文特征； 将和相加后，再经过所述残差支路后与第个注意引导残差块的输入相加，从而得到第个上下文特征 时，第个上下文特征输入到第个非局部特征提取模块的像素级非局部模块的第个注意引导残差块中进行处理，从而得到第个上下文特征；进而由第个注意引导残差块输出第个上下文特征，并经过所述卷积层PIConv的处理后与第个非局部特征提取模块的像素级非局部模块的输入相加，从而得到第块非局部特征提取模块中的像素级非局部模块输出的像素级特征； 步骤2.2.2、所述第个非局部模块特征提取模块中的图像块级非局部模块采用层数为S的多尺度自注意力模块，并由一个共享的Query值生成支路、个Key值生成支路和个Value值生成支路，以及个注意力生成模块； 所述Query值生成支路依次由卷积核为的卷积层、Unfold函数层以及Reshape层组成；第个Key值生成支路和第个Value值生成支路均由1个卷积层、Unfold函数层以及Reshape层组成；；其中，第个Key值生成支路中的卷积层的卷积核为，步幅为；第个Value值生成支路中的卷积层的卷积核为，步幅为； 当时，将第块非局部特征提取模块中的像素级非局部模块输出的像素级特征输入到第块非局部特征提取模块的图像块级非局部模块中，并经过所述Query值生成支路的处理，生成共享Query特征； 像素级特征分别输入个Key值生成支路和个Value值生成支路中进行处理并相应生成层的Key值和层Value值后，再利用式1得到多个尺度下的增强特征，其中，表示第个非局部模块特征提取模块中的图像块级非局部特征提取模块的第个Key值，表示第个非局部模块特征提取模块中的图像块级非局部特征提取模块的第个Value值； 1 式1中，表示激活函数，表示第个非局部模块特征提取模块中的图像块级非局部模块的第个增强特征； 利用Fold函数操作将增强特征转换到原始空间，得到展开的增强特征，记为，其中，表示第个非局部模块特征提取模块中的图像块级非局部模块的第个展开的增强特征； 将顺序拼接，并经过1个卷积层的处理后与像素级特征相加，从而得到第个非局部特征提取模块输出的第n个深层特征； 当时，第个深层特征输入到第个非局部特征提取模块中进行处理，并得到第个非局部特征提取模块的输出特征；从而由第个非局部特征提取模块得到第N个深层特征； 步骤2.3、所述重建模块对第个深层特征进行卷积操作，得到的结果与第个浅层特征相加，得到第张高质量图片； 步骤3、训练网络，调整网络参数，得到最优模型： 所述噪声图像数据集输入基于协作性非本地上下文网络模型中，并采用梯度下降法对所述基于协作性非本地上下文网络模型进行训练，同时计算如式2所示的损失函数以更新模型参数，直到损失函数收敛为止，从而得到训练好的协作性非本地上下文网络模型，用于实现对任一噪声图像的高质量恢复： 2。

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合肥工业大学智能制造技术研究院;安徽省纤维检验局;广西科学院;合肥智大信息技术有限公司，其通讯地址为：230051 安徽省合肥市包河区花园大道369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”。

以上内容由龙图腾AI智能生成。