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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于卷积转置自注意力的红外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：CN118229572B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202410416198.5，技术领域涉及：G06T5/70；该发明授权一种基于卷积转置自注意力的红外图像去噪方法是由秦飞巍;沈正炜;王昌淼;张凯;葛瑞泉;彭勇设计研发完成，并于2024-04-08向国家知识产权局提交的专利申请。

本一种基于卷积转置自注意力的红外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卷积转置自注意力的红外图像去噪方法。首先通过成对的干净图像和带噪图像构建数据集；构建基于卷积转置自注意力的网络模型，网络模型采用对称的编码器‑解码器结构；基于构建好的红外图像训练数据集，对基于卷积转置自注意力的网络模型进行训练；最后采用测试数据集数据对训练好的网络模型进行测试。本发明引入了在红外图像去噪领域中尚未深入研究的自注意力机制对红外图像全局依赖关系进行建模，并在其基础上进行改进设计了卷积转置自注意力，在减少计算量的同时依然可以充分提取红外图像的空间特征信息，有效提高红外图像的去噪质量，填补了红外图像去噪的研究空缺。

本发明授权一种基于卷积转置自注意力的红外图像去噪方法在权利要求书中公布了：1.一种基于卷积转置自注意力的红外图像去噪方法，其特征在于，包括如下步骤： 步骤1、首先对获得的开源红外图像数据集进行训练数据和测试数据的划分，并对数据进行预处理，所述的预处理包括图像裁剪、图像加噪和图像增强；通过预处理，得到与原干净图像一一对应的带噪图像，通过成对的干净图像和带噪图像构建网络模型的训练和测试数据集； 步骤2、构建基于卷积转置自注意力的网络模型，网络模型采用对称的编码器-解码器结构； 步骤3、基于构建好的红外图像训练数据集，对基于卷积转置自注意力的网络模型进行训练； 步骤4、采用测试数据集数据对训练好的网络模型进行测试，计算重建图像的峰值信噪比PSNR和结构相似性SSIM； 基于卷积转置自注意力的网络模型，采用了对称的四层编码器-解码器结构，包括四个编码器和三个解码器，前四个编码器逐层减小特征图尺寸的同时增加通道深度，后三个解码器逐层恢复低分辨率的潜在特征；前三层编码器-解码器分别由L1、L2和L3个IDTransformer模块组成，第四层编码器由L4个IDTransformer模块组成，随着层次的深入IDTransformer模块数量逐渐递增；每个IDTransformer模块包含了卷积转置自注意力模块和卷积门控线性单元来进行进一步的特征提取； 对于输入的带噪红外图像其中h，w和1分别代表输入图像的高、宽和通道数，在输入到第一个编码器之前，先使用一个卷积核大小为3×3的卷积层对输入图像进行特征提取获得浅层特征图将输入从简单的低维空间映射到更抽象的高维空间，从而在早期提取图像中的低频信息；之后将该浅层特征图输入第一个编码器开始进一步的特征提取，通过四层编码器-解码器结构得到深层特征图在此过程中，编码器通过pixel-unshuffle逐层将高分辨率特征图尺寸减小到通道扩展到8c，解码器使用pixel-shuffle逐层将低分辨率特征图的形状恢复到h×w×c；此外，为了充分地进行特征提取，通过跳跃连接将编码特征与解码特征在通道维度进行拼接，并使用通道坐标注意力模块对拼接后的特征进行融合，实现通道降维和特征细化；随后，将得到的深层特征图再经过Lr个IDTransformer模块进行特征提炼进一步丰富特征多样性，最后利用一个卷积核大小为3×3的卷积层生成残差图像，并与输入图像进行残差连接，得到最后输出的去噪图像 卷积转置自注意力模块通过计算通道维度而非空间上的自注意力来隐式编码全局上下文信息，且不同于使用简单的映射矩阵来生成查询向量Q、键向量K和值向量V，卷积转置自注意力模块引入了point-wise卷积和depth-wise卷积来生成这些变量；point-wise卷积的卷积核尺寸为1×1，在每个空间位置上独立地对输入的每个通道进行卷积操作，而depth-wise卷积使用与输入通道数相等的卷积核，每个通道的卷积核只关注该通道的特征，不会与其他通道的特征混合，在减少参数量和计算量的同时能更加灵活地捕捉通道间的特征关系，从而聚合逐像素跨通道上下文并强调逐通道空间上下文，弥补之前可能会损失的空间信息； 对于输入到卷积转置自注意力模块的中间特征映射图首先使用层归一化保持数据的分布稳定，再应用卷积核大小为1×1的卷积层和卷积核大小为3×3的depth-wise卷积层生成查询向量Q、键向量K和值向量用公式表示为： Q＝DConv3×3Conv1×1Xctasb， K＝DConv3×3Conv1×1Xctasb， V＝DConv3×3Conv1×1Xctasb， 其中Conv1×1表示卷积核大小为1×1的卷积层，DConv3×3表示卷积核大小为3×3的depth-wise卷积层；为了进行转置自注意力计算，需要先对Q、K和V进行变形，其计算过程用公式表示为： 其中，和分别为变形后的Q、K和V，表示进行点积运算得到转置特征图并使用可学习参数α控制转置特征图的大小，再由softmax生成权重分布对进行加权运算；与传统的自注意力计算一样，卷积转置自注意力模块也使用了多头方法，分组并行学习独立的注意图；此外，为了保持特征的多样性，卷积转置自注意力模块额外引入了一个卷积核大小为3×3的depth-wise卷积对值向量V进行特征提取，并把它和自注意力计算的结果相加，最后经过卷积核大小为1×1的卷积层处理与原输入进行残差连接，用公式表示为： 其中为经过卷积转置自注意力模块处理后得到的特征映射图。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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”。