(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210686845.5 (22)申请日 2022.06.17 (71)申请人 武汉工程大 学 地址 430000 湖北省武汉市东湖新 技术开 发区光谷一路20 6号 (72)发明人 时愈　黄志高　严嘉倩　华夏　 洪汉玉　王磊　马雷　 (74)专利代理 机构 武汉智嘉联合知识产权代理 事务所(普通 合伙) 42231 专利代理师 张璐 (51)Int.Cl. G06T 5/00(2006.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 毫米波退化图像去噪去模糊方法、 装置、 设 备及介质 (57)摘要 本发明涉及一种同时对毫米波退化图像去 噪去模糊双任务复原方法、 装置、 电子设备及计 算机存储介质， 其方法包括： 构建毫米波仿真退 化图像的训练集和测试集； 将训练集图像输入初 始双任务网络模 型进行训练， 直至所述初始双任 务网络模型的损失函数达到预设的收敛条件， 其 中， 所述初始双任务网络模型结构 包括局部加式 残差密集特征融合去噪子网络、 局部从低阶到高 阶半归一化残差特征密集融合的去噪去模糊子 网络及图像重建子网络； 将测试集图像输入到训 练完成的双任务网络模型， 输出测试复原图像。 本发明可以有效地平衡毫米波退化图像去噪与 去模糊的关系， 实现去噪去模糊双任务问题， 进 而得到一个高质量的清晰图像 。 权利要求书2页 说明书11页 附图6页 CN 114936984 A 2022.08.23 CN 114936984 A 1.一种毫米波退化图像去噪去模糊方法， 其特 征在于， 包括： 构建毫米波仿真退化图像的训练集和 测试集； 将训练集图像输入初始双任务网络模型进行训练， 直至所述初始双任务网络模型的损 失函数达到预设的收敛条件， 其中， 所述初始双任务网络模型的结构包括局部加式残差密 集特征融合去噪子网络、 局部从低阶到高阶半归一化残差特征密集融合的去噪去模糊子网 络及图像重建子网络； 将测试集图像输入到训练完成的双任务网络模型， 输出测试复原图像。 2.根据权利要求1所述的毫米波退化图像去噪去模糊方法， 其特征在于， 所述构建毫米 波仿真退化图像的训练集和 测试集， 包括： 获取遥感图像集； 对所述遥感图像集中的遥感图像添加轻、 中、 重高斯模糊， 并对应添加弱、 中、 强高斯噪 声， 以形成低、 中、 高三种程度的毫米波仿真退化图像； 将所述毫米波仿真退化图像与清晰图像进行拼接， 并将拼接后的图像进行裁剪、 归一 化， 得到所述毫米波仿真退化图像的训练集和 测试集； 所述构建毫米波仿真退化图像的训练集， 还 包括： 对训练集中低、 中、 高毫米波仿真退化图像进行增广处理得到最终训练集， 且低、 中、 高 毫米波仿真退化图像的数量占比递进增 加。 3.根据权利要求1所述的毫米波退化图像去噪去模糊方法， 其特征在于， 所述局部加式 残差密集特 征融合去噪子网络包括卷积层和 局部加式残差密集特 征融合块； 所述局部加式残差密集特 征融合块是由多个加式残差块密集特 征融合构成； 通过所述局部加式残差密集特 征融合去噪子网络提取第一图像特 征。 4.根据权利要求1所述的毫米波退化图像去噪去模糊方法， 其特征在于， 所述局部从低 阶到高阶半归一 化残差特 征密集融合的去噪去模糊子网络包括编码器与解码器； 所述编码器包括多个编码单元， 所述解码器包括多个解码单元， 每一编码单元及每一 解码单元均包括卷积层和加式 ‑拼接半归一化残差密集块， 所述加式 ‑拼接半归一化密集残 差块是由多个半归一 化残差块密集相加、 拼接连接构成； 通过所述局部从低阶到高阶半归一化残差特征密集融合的去噪去模糊子网络提取第 二图像特 征。 5.根据权利要求4所述的毫米波退化图像去噪去模糊方法， 其特征在于， 所述局部从低 阶到高阶半归一 化残差特 征密集融合的去噪去模糊子网络， 还 包括： 在所述编码器和所述解码器之间引入交叉跳跃连接， 交叉融合编码特征信 息和解码特 征信息； 在所述编码器和所述解码器之间引入交叉跳跃连接， 交叉融合编码特征信 息和解码特 征信息， 具体包括： 使用3×3卷积和上采样计算对深层特征进行上采样然后与浅层特征进行特征图融合， 并将融合的结果与解码器解码块输出特征融合， 融合后的特征输入到解码器的下一个解码 块中。 6.根据权利要求1所述的毫米波退化图像去噪去模糊方法， 其特征在于， 所述图像重建 子网络包括局部加式残差密集特 征融合块、 卷积层 及Tanh激活函数；权　利　要　求　书 1/2 页 2 CN 114936984 A 2通过所述图像重建子网络将所述第一图像特 征及所述第二图像特 征进行融合重建。 7.根据权利要求1所述的毫米波退化图像去噪去模糊方法， 其特征在于， 所述双任务网 络模型的训练过程， 包括： 将所述训练集图像输入所述局部加式残差密集特征融合去噪子网络 中， 提取第 一训练 图像特征； 将所述第一训练图像特 征与所述训练集图像融合得到融合图像特 征； 将所述融合图像特征输入所述局部从低阶到高阶半归一化残差特征密集融合的去噪 去模糊子网络中， 提取第二训练图像特 征； 将所述第一训练图像特征与所述第二训练图像特征进行特征融合后输入所述图像重 建子网络， 输出训练过程中的复原图像； 利用Adam算法训练所述初始双任务网络模型， 设置训练参数， 并采用MSE损失和感知损 失作为训练的损失函数； 迭代更新所述初始双任务网络模型的权 重， 直至所述损失函数达 到预设的收敛 条件。 8.一种毫米波退化图像去噪去模糊装置， 其特 征在于， 包括： 数据集构建模块， 用于构建毫米波仿真退化图像的训练集和 测试集； 模型训练模块， 用于将训练集图像输入初始双任务网络模型进行训练， 直至所述初始 双任务网络模型 的损失函数达到预设的收敛条件， 其中， 所述初始双任务网络模型 的结构 包括局部加式残差密集特征融合去噪子网络、 局部从低阶到高阶半归一化残差特征密集融 合的去噪去模糊子网络及图像重建子网络； 模型测试模块， 用于将测试集图像输入到训练完成的双任务网络模型， 输出测试复原 图像。 9.一种电子设备， 其特征在于， 包括存储器和处理器， 其中， 所述存储器， 用于存储程 序； 所述处理器， 与所述存储器耦合， 用于执行所述存储器中存储的所述程序， 以实现上述 权利要求1至7中任一项所述毫米波退化图像去噪去模糊方法中的步骤。 10.一种计算机可读存储介质， 其特征在于， 用于存储计算机可读取的程序或指令， 所 述程序或指令被处理器执行时， 能够实现上述权利要求 1至7中任一项 所述毫米波 退化图像 去噪去模糊方法中的步骤。权　利　要　求　书 2/2 页 3 CN 114936984 A 3