一种图像去噪方法、装置以及电子设备制造方法及图纸

本说明书实施例公开了一种图像去噪方法、装置以及电子设备，所述方法包括：获取待去噪图像；基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；基于所述图像特征向量进行反卷积处理，获得去噪图像；其中，所述图像去噪模型基于对抗网络模型进行训练后得到。通过收集原图像和基于原图像处理后的待去噪图像，作为对抗网络模型的训练集，对生成模型和判别模型进行训练，使得对抗网络模型中的生成模型和判别模型不断反复博弈优化，从而可以获得基于对抗网络模型的优化后的图像去噪模型。可以有效提升模型优化的效率，以及提升图像去噪模型的去噪效果。

Image denoising method, device and electronic equipment

The embodiment of this specification discloses an image denoising method, device and electronic equipment. The method includes: acquiring the image to be denoised; encoding the image to be denoised by convolution layer based on the image denoising model, acquiring the image eigenvector; deconvolution processing based on the image eigenvector to obtain the image eigenvector. The image denoising model is trained based on the antagonism network model. By collecting the original image and the image to be de-noised based on the original image processing, as the training set of the antagonistic network model, the generating model and the discriminant model are trained, so that the generation model and the discriminant model in the antagonistic network model are optimized repeatedly, and the optimized graph based on the antagonistic network model can be obtained. Like noise removal models. It can effectively improve the efficiency of model optimization and enhance the denoising effect of image denoising model.

【技术实现步骤摘要】
一种图像去噪方法、装置以及电子设备
本说明书涉及计算机
，尤其涉及一种图像去噪方法、装置以及电子设备。
技术介绍
随着监控系统的完善，图像采集应用越来越广泛，采集到大量图像中，由于采集设备问题，导致采集到图像部分损坏；或者，由于采集条件问题，导致采集到的图像清晰度不佳，存在很多噪点，影响辨别图像内容。在现有的图像去噪技术中，图像去噪方法有基于频域的处理如均值滤波方法，中值滤波等，对待处理的当前像素，选择一个模板，该模板为其邻近的若干个像素组成，用模板的均值或者中值来替代原像素的值的方法，这种方法在降低噪声的同时会使图像产生模糊；有偏微分方程的方法，偏微分方程的应用主要的一类是一种是基本的迭代格式，通过随时间变化的更新，使得图像向所要得到的效果逐渐逼近，这种方式对高斯噪声处理的不好；也有基于变换域滤波的方式，如小波变换，但是对高频信息去噪处理不佳。基于现有技术，需要能够准确、快速的进行图像去噪的方案。
技术实现思路
本说明书实施例提供一种图像去噪方法、装置以及电子设备，用于解决以下技术问题：需要能够快速实现活体图像去噪的方案。为解决上述技术问题，本说明书实施例是这样实现的：本说明书实施例提供的一种图像去噪方法，包括：获取待去噪图像；基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；基于所述图像特征向量进行反卷积处理，获得去噪图像；其中，所述图像去噪模型基于对抗网络模型进行训练后得到。进一步地，训练所述图像去噪模型，具体包括：获取去噪图像训练集，所述去噪图像训练集包括：N个原图像和N个待去噪图像；其中，所述N个待去噪图像是基于N个原图像处理得到的；基于所述去噪图像训练集，对所述对抗网络模型进行训练，得到所述图像去噪模型。进一步地，所述对抗网络模型包括：生成模型和判别模型；所述对抗网络模型优化函数如下：其中，G表示生成模型、D表示判别模型、表示X取自原图像分布、表示z取自待去噪图像。进一步地，所述判别模型优化方式，包括：基于所述对抗网络模型优化函数，利用梯度上升获取V(D,G)最大值；基于获得V(D,G)最大值，获得优化后的所述判别模型；其中，所述判别模型包括：5个卷积层和1个全连接层。进一步地，训练所述判别模型，具体包括：基于所述生成模型输出的所述去燥图像和所述原图像作为输入，训练所述判别模型。进一步地，所述生成模型优化方式，包括：基于所述对抗网络模型优化函数，利用梯度下降获取V(D,G)最小值；基于获得V(D,G)最小值，获得优化后的所述生成模型；所述生成模型包括：6个卷积层、6个反卷积层和2个全连接层。进一步地，还包括：优化目标判别函数：其中，X表示所述原图像，G(z)表示去噪完成所述待去噪图像。本说明书实施例提供的一种图像去噪装置，其特征在于，包括：获取模块，获取待去噪图像；编码模块，基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；解码模块，基于所述图像特征向量进行反卷积处理，获得去噪图像；其中，所述图像去噪模型基于对抗网络模型进行训练后得到。进一步地，还包括：训练模块；所述训练模块，获取去噪图像训练集，所述去噪图像训练集包括：N个原图像和N个待去噪图像；其中，所述N个待去噪图像是基于N个原图像处理得到的；基于所述去噪图像训练集，对所述对抗网络模型进行训练，得到所述图像去噪模型。进一步地，所述对抗网络模型包括：生成模型和判别模型；所述对抗网络模型优化函数如下：其中，G表示生成模型、D表示判别模型、表示X取自原图像分布、表示z取自待去噪图像。进一步地，所述判别模型优化方式，包括：基于所述对抗网络模型优化函数，利用梯度上升获取V(D,G)最大值；基于获得V(D,G)最大值，获得优化后的所述判别模型；其中，所述判别模型包括：5个卷积层和1个全连接层。进一步地，训练所述判别模型，具体包括：基于所述生成模型输出的所述去燥图像和所述原图像作为输入，训练所述判别模型。进一步地，所述生成模型优化方式，包括：基于所述对抗网络模型优化函数，利用梯度下降获取V(D,G)最小值；基于获得V(D,G)最小值，获得优化后的所述生成模型。进一步地，还包括：优化目标判别装置；所述优化目标判别装置包含：优化目标判别函数：其中，X表示所述原图像，G(z)表示去噪完成所述待去噪图像。本说明书实施例提供的一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：获取模块，获取待去噪图像；编码模块，基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；解码模块，基于所述图像特征向量进行反卷积处理，获得去噪图像；其中，所述图像去噪模型基于对抗网络模型进行训练后得到。本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过收集原图像和基于原图像处理后的待去噪图像，作为对抗网络模型的训练集，对生成模型和判别模型进行训练，即将通过所述生成模型得到的去噪图片作为判别模型的输入，将判别模型的输出作为生成模型的输入，使得对抗网络模型中的生成模型和判别模型不断反复博弈优化，从而可以获得基于对抗网络模型的优化后的图像去噪模型，可以有效提升模型优化的效率；基于生成模型对待去噪图像进行编码、解码处理，并在处理过程中不断优化图像特征向量，可以有效提升图像去噪模型的去噪效果。附图说明为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本说明书的方案在一种实际应用场景下涉及的图像去噪过程示意图；图2为本说明书实施例提供的一种图像去噪方法的流程示意图；图3为本说明书实施例提供的实际应用图像去噪过程的示意图；图4为本说明书实施例提供的一种图像去噪装置的结构示意图。具体实施方式为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。图1为本说明书的方案在一种实际应用场景下涉及的图像去噪过程的示意图。通过获取去噪图像训练集，该训练集包括原图像和基于原图像进行处理后得到的待去噪图像。基于去噪图像训练集，进行对抗网络模型的训练；其中，对抗网络模型包括生成模型和判别模型。具体来说，利用待去噪图像和判别模型的判别结果，训练生成模型；利用原始图像和生成模型生成的去噪完成图像，训练判别模型。通过生成模型与判别模型的相互博弈，实现对抗网络模型的优化，从而可以获得使得去噪后的图像更加接近原图像的图像去噪模型。基于上述场景，下面对本说明书的方案进行详细说明。图2为本说明书实施例提供的一种图像去噪方法的流程示意图，该方法具体可以包括以下步骤：步骤S202：获取待去噪图像。在一种实施例中，待去噪图像可本文档来自技高网...

【技术保护点】
1.一种图像去除噪点方法，其特征在于，包括：获取待去噪图像；基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；基于所述图像特征向量进行反卷积处理，获得去噪图像；其中，所述图像去噪模型基于对抗网络模型进行训练后得到。

【技术特征摘要】
1.一种图像去除噪点方法，其特征在于，包括：获取待去噪图像；基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；基于所述图像特征向量进行反卷积处理，获得去噪图像；其中，所述图像去噪模型基于对抗网络模型进行训练后得到。2.如权利要求1所述的方法，其特征在于，训练所述图像去噪模型，具体包括：获取去噪图像训练集，所述去噪图像训练集包括：N个原图像和N个待去噪图像；其中，所述N个待去噪图像是基于N个原图像处理得到的；基于所述去噪图像训练集，对所述对抗网络模型进行训练，得到所述图像去噪模型。3.如权利要求1所述的方法，其特征在于，所述对抗网络模型包括：生成模型和判别模型；所述对抗网络模型优化函数如下：其中，G表示生成模型、D表示判别模型、表示X取自原图像分布、表示z取自待去噪图像。4.如权利要求3所述的方法，其特征在于，所述判别模型优化方式，包括：基于所述对抗网络模型优化函数，利用梯度上升获取V(D,G)最大值；基于获得V(D,G)最大值，获得优化后的所述判别模型；其中，所述判别模型包括：5个卷积层和1个全连接层。5.如权利要求4所述的方法，其特征在于，训练所述判别模型，具体包括：基于所述生成模型输出的所述去燥图像和所述原图像作为输入，训练所述判别模型。6.如权利要求3所述的方法，其特征在于，所述生成模型优化方式，包括：基于所述对抗网络模型优化函数，利用梯度下降获取V(D,G)最小值；基于获得V(D,G)最小值，获得优化后的所述生成模型；所述生成模型包括：6个卷积层、6个反卷积层和2个全连接层。7.如权利要求1所述的方法，其特征在于，还包括：优化目标判别函数：其中，X表示所述原图像，G(z)表示去噪完成所述待去噪图像。8.一种图像去噪装置，其特征在于，包括：获取模块，获取待去噪图像；编码模块，基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；解码模块，基于所述图像特征向量进行反卷积处理，获得去噪图像；其中...

【专利技术属性】
技术研发人员：许靳昌，董远，白洪亮，熊风烨，
申请(专利权)人：北京飞搜科技有限公司，
类型：发明
国别省市：北京,11