Para melhorar a eficiência da remoção de ruído de imagem baseada em aprendizado profundo, foi proposta uma rede neural de remoção de ruído profunda residual supervisionada em múltiplas etapas (Multi-stage Supervised Deep Residual, MSDR) baseada em Res2-Unet-SE. Primeiro, com base nessa rede neural, a remoção de ruído da imagem foi dividida em um processo de tratamento em múltiplas etapas; então, em cada etapa, blocos de imagens em diferentes resoluções são inseridos na sub-rede Res2-Unet para obter informações de características em diferentes escalas, e, por meio de um mecanismo de atenção de canal, as informações de fusão de características aprendidas adaptativamente são transmitidas para a próxima etapa; por fim, as informações de características em diferentes escalas são sobrepostas para completar a remoção de ruído de imagem em alta qualidade. O conjunto de dados BSD400 foi selecionado para treinamento, o conjunto Set12 foi utilizado para teste de remoção de ruído gaussiano; o conjunto SIDD foi utilizado para testes de remoção de ruído real. A comparação com redes neurais comuns de remoção de ruído mostrou que, ao adicionar ruído gaussiano com σ=15, 25, 50 à imagem, o PSNR da imagem após a remoção de ruído pelo algoritmo proposto aumentou em 0,03 dB, 0,05 dB e 0,14 dB respectivamente em relação ao DNCNN, que tem bom desempenho na remoção de ruído gaussiano; em σ=25 e 50, aumentou em 0,02 dB e 0,06 dB respectivamente em relação ao MPRNET. Para imagens com ruído real, o PSNR após a remoção de ruído pelo algoritmo proposto aumentou em 0,48 dB em relação ao algoritmo CBDNET. A análise experimental mostra que o algoritmo proposto possui alta robustez na remoção de ruído de imagens, podendo não apenas restaurar com eficácia os detalhes da imagem a partir do ruído, mas também manter plenamente as dependências globais da imagem.

remoção de ruído de imagem;ruído real;rede residual;mecanismo de atenção de canal;mecanismo de atenção supervisionada