【技术实现步骤摘要】
基于深度学习的弱光视频降噪方法及装置
本专利技术涉及计算机视觉
，特别涉及一种基于深度学习的弱光视频降噪方法及装置。
技术介绍
图像传感器的进步提高了摄像机的采集质量。但是，如果曝光时间有限，在弱光照条件下将会不可避免地降低信噪比，从而导致噪声水平过高，这会对视频的质量产生负面影响，并阻碍其在许多应用中的使用。因此，去噪在视频处理中是非常重要的技术。CNN已成功应用于多种视频处理任务，例如视频帧合成及超分辨率，但到目前为止，它们在视频去噪中的应用还受到限制。在ApplicationsofDigitalImageProcessing期刊上发表的DeepRNNsforvideodenoising，提出了一种循环架构，但是其去噪性能依然低于最新的技术。就去噪质量而言，目前最佳的技术是通过基于patch的方法实现的。他们极大地利用了视频的自相似性，即大多数patch在周围时空上都有几个相似的patch。使用这些相似的patch对每个patch进行去噪，尽管这些视频降噪算法性能很好，但它们通常有着过高的计算成本，...
【技术保护点】
1.一种基于深度学习的弱光视频降噪方法，其特征在于，包括以下步骤：/n在待处理视频的每帧图片中，利用目标检测模型，获取多个带有类别标签的目标检测框；/n通过非全局搜索算法，对于每帧图片中的每类目标检测框区域中的像素点所对应的图片块，在相邻帧的同类目标检测框区域中计算各个像素点的多个与其相似的图片块组成图片块集合；/n将得到的图片块集合中的中心像素聚集起来构成特征向量，将所述特征向量输入去噪模型后得到目标检测框对应的去噪图像。/n
【技术特征摘要】
1.一种基于深度学习的弱光视频降噪方法，其特征在于，包括以下步骤：
在待处理视频的每帧图片中，利用目标检测模型，获取多个带有类别标签的目标检测框；
通过非全局搜索算法，对于每帧图片中的每类目标检测框区域中的像素点所对应的图片块，在相邻帧的同类目标检测框区域中计算各个像素点的多个与其相似的图片块组成图片块集合；
将得到的图片块集合中的中心像素聚集起来构成特征向量，将所述特征向量输入去噪模型后得到目标检测框对应的去噪图像。
2.根据权利要求1所述的基于深度学习的弱光视频降噪方法，其特征在于，
所述目标检测模型由FasterRCNN构成。
3.根据权利要求1所述的基于深度学习的弱光视频降噪方法，其特征在于，
所述去噪模型由非局部patch搜索算法和多个CNN组成的去噪网络构成。
4.根据权利要求1所述的基于深度学习的弱光视频降噪方法，其特征在于，
根据去噪质量的要求对所述目标检测模型和所述去噪模型的参数进行调整。
5.根据权利要求4所述的工件三维热膨胀变形的跟踪仪转站参数优化方法，其特征在于，所述参数包括相邻帧的个数、相似图片块的个数以及深度学习超参数。
6....
【专利技术属性】
技术研发人员：索津莉，杨润钊，张博，戴琼海，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11
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。