图像去噪方法、存储介质及终端设备技术

本发明专利技术公开了一种图像去噪方法、存储介质及终端设备，所述方法通过将待去除图像输入至已训练的图像去噪模型中，通过已训练的图像去噪模型对待去噪图像进行去噪处理，以得到去噪图像。所述图像去噪模型为通过对具有多组训练图像组的训练图像集的去噪过程进行深度学习得到，其中，所述训练图像组包括具有相同图像内容的第一图像和第二图像，第二图像的信噪比大于第一图像的信噪比。由此可知，本发明专利技术是采用基于训练图像集进行深度学习的到已训练的图像去噪模型进行去噪，这样可以提高图像去噪模型的运算性能，减少图像去噪所耗费的时间，从而提高了图像去噪的效率。从而提高了图像去噪的效率。从而提高了图像去噪的效率。

【技术实现步骤摘要】
图像去噪方法、存储介质及终端设备


[0001]本专利技术涉及计算机视觉与数字图像处理领域，特别涉及一种图像去噪方法、存储介质及终端设备。

技术介绍

[0002]近年来随着图像采集技术的不断发展，人们对图像质量要求也越来越高，其中，图像质量的重要指标之一就是信噪比。而图像采集过程中受硬件、环境以及人为因素的影响，图像中会存在有噪声和各种杂讯，从而很大程度的影响了图像的细节，最终影响图像质量。相应的，各种去噪方法陆续出现，如，基于非局部自相似性(NSS)模型去噪，基于稀疏模型去噪、基于梯度模型去噪以及基于马尔科夫(MRF)模型去噪等。上述图像去噪方法虽然具有较高的去噪质量，但是，在去噪过程中需要大量的运算，从而使得去噪时间长，影响了图像处理的效率。

技术实现思路

[0003]本专利技术要解决的技术问题在于，针对现有技术的不足，提供一种图像去噪方法、存储介质及终端设备，以解决图像去噪方法存在的耗时长的问题。
[0004]本专利技术所采用的技术方案如下：
[0005]一种图像去噪方法，其包括：
[0006]获取待去噪图像，并将所述待去噪图像输入至已训练的图像去噪模型，其中，所述图像去噪模型为基于训练图像集训练得到，所述训练图像集包括多组训练图像组，每一组训练图像组包括具有相同图像内容的第一图像和第二图像，第二图像的信噪比大于第一图像的信噪比；
[0007]通过所述图像去噪模型对所述待去噪图像进行去噪，以得到所述待去噪图像对应的去噪图像。
[0008]所述图像去噪方法，其中，所述图像去噪模型的训练过程包括：
[0009]获取所述训练图像集；
[0010]将所述训练图像集中第一图像输入预设神经网络模型，并获取所述预设神经网络模型所输出的所述第一图像对应的生成图像；
[0011]根据所述第一图像对应的第二图像和所述第一图像对应的生成图像对所述预设神经网络模型的模型参数进行修正，直至所述预设神经网络模型的训练情况满足预设条件，以得到已训练的图像去噪模型。
[0012]所述图像去噪方法，其中，所述第一图像为具有第一曝光时长的图像，所述第二图像为具有第二曝光时长的图像，所述第一图像和第二图像均为原始图像数据，并且所述第二曝光时长大于所述第一曝光时长。
[0013]所述图像去噪方法，其中，所述将所述训练图像集中第一图像输入预设神经网络模型，并获取所述预设神经网络模型所输出的所述第一图像对应的生成图像之前，还包括：
[0014]对所述训练图像集中第一图像进行颜色通道分离，以得所述第一图像对应的第一图像块；
[0015]调整所述第一图像对应的图像块的曝光时长，得到曝光时长调整后的第一图像块，并将所述曝光时长调整后的第一图像块作为第一图像。
[0016]所述图像去噪方法，其中，所述调整所述第一图像对应的图像块的曝光时长，得到曝光时长调整后的第一图像块，并将所述曝光时长调整后的第一图像块作为第一图像具体包括：
[0017]获取所述第一图像的第一曝光时长和所述第一图像对应的第二图像的第二曝光时长，并根据所述第二曝光时长和所述第一曝光时长计算曝光调整系数；
[0018]根据所述曝光调整系数调整所述第一图像对应的第一图像块的曝光时长，得到曝光时长调整后的第一图像块，并将所述曝光时长调整后的第一图像块作为第一图像。
[0019]所述图像去噪方法，其中，所述预设神经网络模型包括下采样模块、处理模块以及上采样模块；所述将所述训练图像集中各第一图像依次输入预设神经网络模型，并获取所述预设神经网络模型所输出的所述第一图像对应的生成图像具体包括：
[0020]将所述训练图像集中第一图像输入所述下采样模块，以得到所述第一图像对应的第一特征图像；
[0021]将所述第一特征图像输入所述处理模块，通过所述处理模块对所述第一特征图像进行处理，以得到第二特征图像，其中，所述第二特征图像的信噪比高于所述第一特征图像的信噪比；
[0022]将所述第二特征图像输入所述上采样模块，通过所述上采样模块调整所述第二特征图像的分辨率，以得到所述第一图像对应的生成图像，其中，所述生成图像的分辨率与所述第一图像的分辨率相同。
[0023]所述图像去噪方法，其中，所述根据所述第一图像对应的第二图像和所述第一图像对应的生成图像对所述预设神经网络模型的模型参数进行修正，直至所述预设神经网络模型的训练情况满足预设条件，以得到已训练的图像去噪模型具体包括：
[0024]根据所述第一图像对应的第二图像和所述第一图像对应的生成图像计算所述预设神经网络模型对应的多尺度结构相似性损失函数值和余弦相似度损失函数值；
[0025]根据所述多尺度结构相似性损失函数值和所述余弦相似度损失函数值得到所述预设神经网络模型的损失函数值；
[0026]基于所述总损失函数值迭代训练所述预设神经网络模型，直至所述预设神经网络模型的训练情况满足预设条件，以得到已训练的图像去噪模型。
[0027]所述图像去噪方法，其中，所述已训练的图像去噪模型包括下采样模块、处理模块以及上采样模块；所述通过所述图像去噪模型对所述待去噪图像进行去噪，以得到所述待去噪图像对应的去噪图像具体包括：
[0028]将所述待去噪图像输入所述下采样模块，以得到所述待去噪图像对应的第一特征图像；
[0029]将所述第一特征图像输入所述处理模块，通过所述处理模块对所述第一特征图像进行处理，以得到第二特征图像，其中，所述第二特征图像的信噪比高于所述第一特征图像的信噪比；
[0030]将所述第二特征图像输入所述上采样模块，通过所述上采样模块调整所述第二特征图像的分辨率，以得到所述待去噪图像对应的去噪图像，其中，所述去噪图像的分辨率与所述待去噪图像分辨率相同。
[0031]所述图像去噪方法，其中，所述获取待去噪图像，并将所述待去噪图像输入至已训练的图像去噪模型具体包括：
[0032]获取待去噪图像，并判断所述待去噪图像的图像类型，其中，所述图像类型包括摄像装置采集的原始图像数据类型或RGB图像类型；
[0033]当所述图像类型为摄像装置采集的原始图像数据类型，对所述待去噪图像进行颜色通道分离，以得所述待去噪图像对应的第二图像块，并将所述第二图像块作为待去噪图像，并将所述待去噪图像输入至已训练的图像去噪模型；
[0034]当所述图像类型为RGB图像类型时，将所述待去噪图像输入至已训练的图像去噪模型。
[0035]所述图像去噪方法，其中，当所述图像类型为摄像装置采集的原始图像数据类型，所述通过所述图像去噪模型对所述待去噪图像进行去噪，以得到所述待去噪图像对应的去噪图像具体包括：
[0036]通过所述图像去噪模型对所述待去噪图像进行去噪，以得到输出图像；
[0037]将所述输出图像包含的各像素点的像素值转换至预设像素值区间，以得到转换后的输出图像；
[0038]将所述转换后的输出图像拉伸预设倍数，以得到拉伸后的输出图像；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像去噪方法，其特征在于，其包括：获取待去噪图像，并将所述待去噪图像输入至已训练的图像去噪模型，其中，所述图像去噪模型为基于训练图像集训练得到，所述训练图像集包括多组训练图像组，每一组训练图像组包括具有相同图像内容的第一图像和第二图像，第二图像的信噪比大于第一图像的信噪比；通过所述图像去噪模型对所述待去噪图像进行去噪，以得到所述待去噪图像对应的去噪图像。2.根据权利要求1所述图像去噪方法，其特征在于，所述图像去噪模型的训练过程包括：获取所述训练图像集；将所述训练图像集中第一图像输入预设神经网络模型，并获取所述预设神经网络模型所输出的所述第一图像对应的生成图像；根据所述第一图像对应的第二图像和所述第一图像对应的生成图像对所述预设神经网络模型的模型参数进行修正，直至所述预设神经网络模型的训练情况满足预设条件，以得到已训练的图像去噪模型。3.根据权利要求2所述图像去噪方法，其特征在于，所述第一图像为具有第一曝光时长的图像，所述第二图像为具有第二曝光时长的图像，所述第一图像和第二图像均为原始图像数据，并且所述第二曝光时长大于所述第一曝光时长。4.根据权利要求2所述图像去噪方法，其特征在于，所述将所述训练图像集中第一图像输入预设神经网络模型，并获取所述预设神经网络模型所输出的所述第一图像对应的生成图像之前，还包括：对所述训练图像集中第一图像进行颜色通道分离，以得所述第一图像对应的第一图像块；调整所述第一图像对应的图像块的曝光时长，得到曝光时长调整后的第一图像块，并将所述曝光时长调整后的第一图像块作为第一图像。5.根据权利要求4所述图像去噪方法，其特征在于，所述调整所述第一图像对应的图像块的曝光时长，得到曝光时长调整后的第一图像块，并将所述曝光时长调整后的第一图像块作为第一图像具体包括：获取所述第一图像的第一曝光时长和所述第一图像对应的第二图像的第二曝光时长，并根据所述第二曝光时长和所述第一曝光时长计算曝光调整系数；根据所述曝光调整系数调整所述第一图像对应的第一图像块的曝光时长，得到曝光时长调整后的第一图像块，并将所述曝光时长调整后的第一图像块作为第一图像。6.根据权利要求2-5任一所述图像去噪方法，其特征在于，所述预设神经网络模型包括下采样模块、处理模块以及上采样模块；所述将所述训练图像集中各第一图像依次输入预设神经网络模型，并获取所述预设神经网络模型所输出的所述第一图像对应的生成图像具体包括：将所述训练图像集中第一图像输入所述下采样模块，以得到所述第一图像对应的第一特征图像；将所述第一特征图像输入所述处理模块，通过所述处理模块对所述第一特征图像进行
处理，以得到第二特征图像，其中，所述第二特征图像的信噪比高于所述第一特征图像的信噪比；将所述第二特征图像输入所述上采样模块，通过所述上采样模块调整所述第二特征图像的分辨率，以得到所述第一图像对应的生成图像，其中，所述生成图像的分辨率与所述第一图像的分辨率相同。7.根据权利要求2-5任一所述图像去噪方法，其特征在于，所述根据所述第一图像对应的第二图像和所述第一图像对应的生成图像对所述预设神经网络模型的模型参数进行修正，直至所述预设神经网络模型的训练情况满足预设条件，以得到已训练的图像去噪模型具体包括：根据所述第一图像对应的第二图像和所述第一图像对应的生成...

【专利技术属性】
技术研发人员：郑加章，
申请(专利权)人：武汉TCL集团工业研究院有限公司，
类型：发明
国别省市：