(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 202211393165.0 (22)申请日 2022.11.08 (71)申请人 武昌理工学院 地址 430299 湖北省武汉市江夏区庙山经 济开发区江夏大道１ 6号 (72)发明人 刘逢刚　 (74)专利代理 机构 武汉世跃专利代理事务所 (普通合伙) 42273 专利代理师 万仲达 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/42(2022.01) G06V 10/30(2022.01) (54)发明名称 一种基于频域处 理的弱噪声图像分类方法 (57)摘要 本发明公开了一种基于频域处理的弱噪声 图像分类方法， 涉及图像频域处理和图像分类技 术。 本发明方法包括： 输入弱噪声图像数据集， 使 用离散余弦变换将图像转换到频域进行预处理， 得到粗降噪后的图像数据集； 将粗降噪后的图像 数据集输入到分类网络， 经过多个特征提取模块 提取图像特征， 并引入 频域通道注 意力模块对通 道重要性进行区分； 通过频域下采样模块对特征 图进行下采样； 经过4层全 连接层和激活层， 最后 输出分类结果。 本发明方法解决了现有技术中噪 声积累的问题， 减少了图像噪声对分类网络提取 特征的影 响， 使得分类网络具备更 强的噪声鲁棒 性， 使得网络可以更 快的收敛。 权利要求书2页 说明书6页 附图2页 CN 115439702 A 2022.12.06 CN 115439702 A 1.一种基于频域处 理的弱噪声图像分类方法， 其特 征在于， 包括如下步骤： 步骤 （1） ， 输入弱噪声图像数据集， 使用离散余弦变换将图像转换到频域进行预处理， 得到粗降噪后的图像数据集； 步骤 （2） ， 粗降噪后的图像数据集经过多个特征提取模块提取图像特征， 并引入频域通 道注意力模块对通道重要性进行区分， 得到目标 特征图； 步骤 （3） ， 通过 频域下采样模块对目标 特征图进行 下采样； 步骤 （4） ， 经 过若干层全连接层和激活层， 最后输出分类结果。 2.如权利要求1所述的一种基于频域处理的弱噪声图像分类方法， 其特征在于： 步骤 （1） 中图像在频域空间的预处 理过程包括： 首先， 对输入的弱噪声图像进行批量处理， 若图像尺寸大于N ×N， 对图像进行中心裁 剪， 若图像尺寸小于N ×N， 使用0像素对图像填充， 确保图像尺寸 等于N×N； 然后， 将图像由RGB颜色空间转换到YCbCr颜色空间， 得到Y、 Cb和Cr三个子图， 使用离散 余弦变换将子图转换到频域空间， 为了减少传统离散余弦变换的运算量， 提高运算速度， 设 计使用16 ×16的变换系数图进行二维快速 离散余弦变换， 该 过程可以表示 为： 其中，Yi,j表示原图像的 i,j位置的像素值， Fi,j表示Yi,j对应位置的频率特征， cos( ⋯) cos(⋯)为Yi,j对应的离 散余弦权 重分量， c(h)c(w)为归一 化因子常量， 其中， 常数 h,w分别表示变换系数图的高和宽； 经二维离散余弦变换可以得到3个2维系数矩阵， 再将系数矩阵中相同频率的二维离散 余弦系数分组到一个通道， 可以得到3个3维特征矩阵， 按照重要性对通道进行通道子集的 选择； 最后， 将YCbCr空间中选择的通道拼接在一起构成一组张量， 对批量图像数据求平均 值 和方差， 并对每 个通道进行归一 化。 3.如权利要求2所述的一种基于频域处理的弱噪声图像分类方法， 其特征在于： 通道子 集的选择 策略如下： 经离散余弦变换后的系数矩阵具有能量聚集性， 矩阵由左向右、 由上向下频率逐渐升 高， 即越靠近左上角的系数越大， 重要性越高， 越靠近右下角的系数越小， 重要性越小， 按照 上述原则， 保留靠近左上角的低频通道分量， 舍掉部 分高频通道分量， 确保最后保留的通道 分量数为25 6， 便于分类网络提取 特征。 4.如权利要求1所述的一种基于频域处理的弱噪声图像分类方法， 其特征在于： 步骤 （2） 中特征提取模块的输入是预 处理后的图像， 模块由两条支路构成， 其中一条支路经过一 个1×1的卷积层和 激活层来增强网络的表达能力， 再通过一个3 ×3的卷积层和激活层， 步 长为1， 用于提取图像特征， 输出的通道数扩 大4倍， 最后经过一个1 ×1的卷积层和激活层来权　利　要　求　书 1/2 页 2 CN 115439702 A 2增强网络的非线性； 另一条支路直接输出图像特征， 最后将两条支路得到的结果相加作为 提取后的特 征图传到下一层。 5.如权利要求1所述的一种基于频域处理的弱噪声图像分类方法， 其特征在于： 步骤 （2） 中频域通道注意力模块由两条并联支路构成， 其中一条支路由一个离散余弦变换层、 一 个全连接层、 一个ReLU激活层、 一个全连接层和一个Sigmoid激活层依次串联而成， 输出一 个通道权重矩阵； 另一条支路省 去了上述过程， 直接将特征图输出； 两条支路的结果进行矩 阵相乘后得到目标 特征图作为输出， 作为频域 通道注意力模块的输出传入下一层。 6.如权利要求1所述的一种基于频域处理的弱噪声图像分类方法， 其特征在于： 步骤 （3） 中频域下采样模块的输入是目标特征图， 输出是下采样 到指定比例的特征图， 频域下采 样处理流程如下： 首先， 使用离散余弦变换将目标特征图转换到频域， 其中低频分量主要集 中在特征图的左 上角， 假设此时特征图的尺寸为H ×W； 然后， 以目标特征图左 上角 （0， 0） 为 起点， （H/2， W/2） 为终点， 截取H/2 ×W/2大小的矩形特征矩阵， 该矩形特征矩阵的尺寸是原 特征矩阵的一半， 同时包含原特征矩阵的大部 分信息； 最后， 使用逆离散余弦变换将裁剪后 的特征图转换到空间域； 逆二维离 散余弦变换 可以表示 为： 其中，Yi,j表示原图像的 i,j位置的像素值， Fi,j表示Yi,j对应位置的频率特征， cos( ⋯) cos(⋯)为Yi,j对应的离 散余弦权 重分量， c(h)c(w)为归一 化因子常量， 其中， 常数 h,w分别表示变换系数图的高和宽 。 7.如权利要求1所述的一种基于频域处理的弱噪声图像分类方法， 其特征在于： 步骤 （4） 中经 过4层全连接层和激活层， 最后输出分类结果。权　利　要　求　书 2/2 页 3 CN 115439702 A 3