图像去噪方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种图像去噪方法，包括：获取待去噪图像的平滑块集；将所述平滑块集中的每一平滑块减去对应的均值，以得到噪声块集；获取所述噪声块集中的第一噪声图像；根据生成对抗网络对所述噪声块集进行噪声建模，以得到可生成与所述待去噪图像同类型噪声的生成器；根据所述生成器获取第二噪声图像；根据所述无噪声图像、所述第一噪声图像及所述第二噪声图像构造训练集；根据所述训练集及判别学习方法训练出图像去噪网络模型；将所述待去噪图像输入到所述图像去噪网络模型，获取去噪后的图像。本发明专利技术还提供了图像去噪装置、设备及存储介质。能提升对现实生活中的未知真实噪声的去噪效果，提高了去噪效率。

【技术实现步骤摘要】
图像去噪方法、装置、设备及存储介质
本专利技术涉及图像处理
，尤其涉及一种图像去噪方法、装置、设备及存储介质。
技术介绍
图像是当今社会中最常用的信息载体，但在图像的获取、传输或存贮过程中常常会受到各种噪声的干扰和影响而使图像降质。图像去噪是图像处理领域中一个很重要的研究方向，其目的是从噪声图像中恢复干净图像。在不同前提下，去噪的使用情景分两种：一种是在已知噪声信息的前提下去噪，称为特定去噪，在这种知道噪声信息的情况下，针对噪声的特点可以使用特定的去噪方法进行去噪，如使用中值滤波去除椒盐噪声等。而另一种是在不知道噪声信息的前提下进行去噪，这种对未知噪声的去除则称为盲去噪。因为缺少了噪声的信息，所以盲去噪往往是比较困难的。现有技术中会根据图像先验建模进行去噪，但是方法、模型的构造比较依赖人的先验知识，当人的先验知识和事实不符时，会对去噪效果造成影响。而且这些方法一般会在测试阶段涉及复杂的优化过程或者估计过程，计算复杂度高和耗时。而一些判别学习方法被用来进行噪声去除，判别学习方法利用卷积神经网络强大的自学习能力，减少了人为先验知识可能的偏差对去噪效果的影响，这类方法需要训练数据。对于去噪任务来说，训练数据包含干净的图片和对应的噪声图。若是在知道噪声信息的情况下处理高斯噪声这种可以人为产生的噪声，训练数据一般通过在干净的图片数据集上添加高斯噪声来获得，但是对于现实生活中的噪声，因为我们不知道噪声的信息，所以不能产生相应的噪声去人为制造数据集，事实上，我们只能通过拍照获得噪声图，而不能获得对应的干净图片，所以也不能构成训练数据。也就是说，对于盲去噪任务，判别模型会因不能获取到训练数据而受到限制，不能达到较好的去噪效果。
技术实现思路
针对上述问题，本专利技术的目的在于提供一种图像去噪方法，能避免对先验知识的依赖，能获取待去噪图像的训练数据集，进一步提升对现实生活中的未知真实噪声的去噪效果，提高了去噪效率。第一方面，本专利技术提供了一种图像去噪方法，包括：获取噪声块集；获取所述噪声块集中的第一噪声图像；根据所述第一噪声图像和无噪声图像构造训练集；根据所述训练集及判别学习方法模型训练出图像去噪神经网络模型；将所述待去噪图像输入到所述图像去噪神经网络模型，获取去噪后的图像。在第一方面的第一种可能实现方式中，获取待去噪图像的平滑块集；将所述平滑块集中的每一平滑块减去对应的均值，以得到所述噪声块集。在第一方面的第二种可能实现方式中，在所述获取所述噪声块集中的第一噪声图像之后，所述根据所述噪声图像和无噪声图像构造训练集之前还包括:根据生成对抗网络对所述噪声块集进行噪声建模，以得到可生成与所述待去噪图像同类型噪声的生成器；根据所述生成器获取第二噪声图像；则根据所述第一噪声图像和无噪声图像构造训练集包括：根据所述无噪声图像、所述第一噪声图像及所述第二噪声图像构造训练集。结合第一方面的第一种可能实现方式中，在第一方面的第三种可能实现方式中，所述获取待去噪图像的平滑块集，包括：以预设的步长扫描所述待去噪图像，并截取预设大小的全局块，以得到全局块集；以预设的步长扫描所述全局块集中的每一个全局块；对所述每一个全局块截取预设大小的局部块，以得到每一个所述全局块对应的局部块集；在所述局部块集中的任一所述局部块的均值与所述局部块集对应的全局块的均值的差的绝对值均在预设范围，且在所述局部块集中的任一所述局部块的方差与所述局部块集对应的全局块的方差的差的绝对值均在预设范围时，将所述全局块提取出来，以得到所述平滑块集。结合第一方面的第二种可能实现方式，在第一方面的第四种可能实现方式中，所述根据生成对抗网络对所述噪声块集进行噪声建模，以得到可生成与所述待去噪图像同类型噪声的生成器，包括：选取所述生成对抗网络模型；将随机噪声输入至所述生成对抗网络模型的生成器；将所述噪声块集作为真实数据样本集，训练所述生成对抗网络模型，以得到可生成与所述待去噪图像同类型噪声的生成器。在第一方面的第一种可能实现方式的基础上，在第一方面的第五种可能实现方式中，所述根据所述无噪声图像、所述第一噪声图像及所述第二噪声图像构造训练集包括：将无噪声图像截取成与所述噪声块集中的噪声块的大小相同，以获取无噪声图像块集；将所述第一噪声图像中的每一噪声图像与所述无噪声图像块集中的每一图像块叠加，及所述第二噪声图像中的每一噪声图像与所述无噪声图像块集中的每一图像块叠加，以获取噪声图像块集；根据所述无噪声图像块集及所述噪声图像块集构造训练集。在第一方面的第六种可能实现方式中，根据所述训练集及判别学习方法训练出图像去噪网络模型，包括：选取一种判别学习方法；根据所述训练集及所述判别学习方法训练图像去噪网络至收敛，获取所述图像去噪网络模型。第二方面，本专利技术还提供了一种图像去噪装置，包括：噪声块集获取模块，用于获取噪声块集；噪声获取模块，用于获取所述噪声块集中的第一噪声图像；训练集构造模块，用于根据所述第一噪声图像和无噪声图像构造训练集；去噪模型获取模块，用于根据所述训练集及判别学习方法模型训练出图像去噪网络模型；去噪模块，用于将所述待去噪图像输入到所述图像去噪网络模型，获取去噪后的图像。第三方面，本专利技术实施例还提供了一种终端设备，包括屏幕、处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述的图像去噪方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的图像去噪方法。上述技术方案的一个技术方案具有如下优点：先根据待去噪图像的平滑块集获取所述待去噪图像的噪声块集，然后利用生成对抗网络对所述噪声块集进行噪声建模，以得到能生成与所述带去噪图像同类型噪声的生成器，然后利用所述生成器构造出训练集，根据所述训练集及判别学习方法训练出图像去噪网络模型；将所述待去噪图像输入到所述图像去噪网络模型，就可以获取去噪后的图像。与图像先验方法相比，能减少对人的先验知识的依赖，避免了当人的先验知识和事实不符时，无法达到有效的去噪效果，且减少了图像先验方法在测试阶段涉及复杂的优化过程或者估计过程中的计算量，降低了计算复杂度，减少了耗时。解决了在盲去噪时，因训练数据集难以获得导致不能训练对应的去噪网络的问题，利用所述生成器能获取我们需要去噪图像相对应的训练数据集，实现高效准确的去除噪声，提升对现实生活中的未知真实噪声的去噪效果。附图说明图1是本专利技术实施例提供的一种图像去噪方法的流程示意图；图2是本专利技术实施例提供的另一种图像去噪方法的流程示意图；图3是本专利技术实施例提供的获取待去噪图像的平滑块集方法的流程示意图；图4是本专利技术实施例提供的生成器获取方法的流程示意图；图5是本专利技术实施例提供的一种训练集获取方法的流程示意图；图6是本专利技术实施例提供的图像去噪网络模型训练方法的流程示意图；图7是本专利技术实施例提供一种图像去噪装置的结构示意图；图8是本专利技术第八实施例提供的图像去噪设备的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而本文档来自技高网...

【技术保护点】
1.一种图像去噪方法，其特征在于，包括：获取噪声块集；获取所述噪声块集中的第一噪声图像；根据所述第一噪声图像和无噪声图像构造训练集；根据所述训练集及判别学习方法模型训练出图像去噪网络模型；将所述待去噪图像输入到所述图像去噪网络模型，获取去噪后的图像。

【技术特征摘要】
1.一种图像去噪方法，其特征在于，包括：获取噪声块集；获取所述噪声块集中的第一噪声图像；根据所述第一噪声图像和无噪声图像构造训练集；根据所述训练集及判别学习方法模型训练出图像去噪网络模型；将所述待去噪图像输入到所述图像去噪网络模型，获取去噪后的图像。2.根据权利要求1所述的图像去噪方法，其特征在于，所述获取噪声块集包括：获取待去噪图像的平滑块集；将所述平滑块集中的每一平滑块减去对应的均值，以得到所述噪声块集。3.根据权利要求1所述的图像去噪方法，其特征在于，在所述获取所述噪声块集中的第一噪声图像之后，所述根据所述第一噪声图像和无噪声图像构造训练集之前还包括:根据生成对抗网络对所述噪声块集进行噪声建模，以得到可生成与所述待去噪图像同类型噪声的生成器；根据所述生成器获取第二噪声图像；则根据所述第一噪声图像和无噪声图像构造训练集包括：根据所述无噪声图像、所述第一噪声图像及所述第二噪声图像构造训练集。4.根据权利要求2所述的图像去噪方法，其特征在于，所述获取待去噪图像的平滑块集，包括：以预设的步长扫描所述待去噪图像，并截取预设大小的全局块，以得到全局块集；以预设的步长扫描所述全局块集中的每一个全局块；对所述每一个全局块截取预设大小的局部块，以得到每一个所述全局块对应的局部块集；在所述局部块集中的任一所述局部块的均值与所述局部块集对应的全局块的均值的差的绝对值均在预设范围，且在所述局部块集中的任一所述局部块的方差与所述局部块集对应的全局块的方差的差的绝对值均在预设范围时，将所述全局块提取出来，以得到所述平滑块集。5.如权利要求3所述的图像去噪方法，其特征在于，所述根据生成对抗网络对所述噪声块集进行噪声建模，以得到可生成与所述待去噪图像同类型噪声的生成器，包括：选取所述生成对抗网络模型；将随机噪声输入...

【专利技术属性】
技术研发人员：陈家炜，陈静雯，朝红阳，杨铭，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东,44