【技术实现步骤摘要】
一种图像去噪模型及训练方法、系统、设备、计算机介质
本申请涉及神经网络模型
，更具体地说，涉及一种图像去噪模型及训练方法、系统、设备、计算机介质。
技术介绍
随着信息技术和互联网技术的发展，图像处理技术也成功地应用到包括灾难救援、天气预测、拍照娱乐、人脸识别、购物快捷支付等方案。然而，图像在经过相机采集、储存、传输、处理成像等过程中，容易受到雨天、雾天等天气、恶劣的光照条件、相机抖动等因素的影响，使得捕获的图像不清晰。为了保证图像的成像效果，需要将不清晰的图像复原为清晰的图像，也即需要对不清晰的图像进行图像去噪处理。现有的一种图像去噪方法是将噪声水平和噪声图像共同作为卷积神经网络CNN的输入来进行盲去噪。然而，现有的图像去噪方法中，需要结合判别方法和优化方法来提高去噪性能，使得图像去噪效率低。综上所述，如何提高图像的去噪效率是目前本领域技术人员亟待解决的问题。
技术实现思路
本申请的目的是提供一种图像去噪模型训练方法，其能在一定程度上解决如何提高图像的去噪效率的技术问题。本申请还提供了一种图像去噪模型及训练系统、设备、计算机可读存储介质。为了实现上述目的，本申请...
【技术保护点】
1.一种图像去噪模型训练方法，其特征在于，包括：获取噪声图像训练集，所述噪声图像训练集中包括初始噪声图像及所述初始噪声图像对应的初始去噪图像；基于所述噪声图像训练集对初始的所述图像去噪模型进行训练，得到训练好的所述图像去噪模型，以基于训练好的所述图像去噪模型对目标噪声图像进行去噪处理；其中，所述图像去噪模型包括依次连接的15层神经网络层，第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函数层组成；第十五层神经网络层由dropout层和卷积层组成。
【技术特征摘要】
1.一种图像去噪模型训练方法，其特征在于，包括：获取噪声图像训练集，所述噪声图像训练集中包括初始噪声图像及所述初始噪声图像对应的初始去噪图像；基于所述噪声图像训练集对初始的所述图像去噪模型进行训练，得到训练好的所述图像去噪模型，以基于训练好的所述图像去噪模型对目标噪声图像进行去噪处理；其中，所述图像去噪模型包括依次连接的15层神经网络层，第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函数层组成；第十五层神经网络层由dropout层和卷积层组成。2.根据权利要求1所述的方法，其特征在于，所述基于所述噪声图像训练集对初始的所述图像去噪模型进行训练之前，还包括：获取预先训练好的ImageNet训练模型的目标参数；将所述目标参数作为初始的所述图像去噪模型的初始参数；其中，所述ImageNet训练模型用于对噪声图像进行去噪处理。3.根据权利要求1所述的方法，其特征在于，所述获取噪声图像训练集，包括：获取第一预设数量的相机在预设光圈下拍摄的第二预设数量的所述初始噪声图像；对所述第二预设数量的所述初始噪声图像进行扩充操作，得到第三预设数量的所述初始噪声图像，所述扩充操作包括旋转操作、翻转操作；获取所述初始噪声图像对应的所述初始去噪图像；将所述初始噪声图像及所述初始去噪图像作为所述噪声图像训练集。4.一种图像去噪模型，其特征在于，用于对目标噪声图像进行去噪处理，包括：依次连接的15层神经网络层；第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函...
【专利技术属性】
技术研发人员：秦建阳，费伦科，滕少华，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。