一种基于变分推断的深度去噪模型的方法及系统技术方案

本发明专利技术涉及图像处理技术领域，公开了一种基于变分推断的深度去噪模型的方法及系统，本方法包括步骤：S1：获取带噪图片的数据集，并对带噪图片的数据集进行预设处理；S2：构建变分去噪网络的概率模型；S3：根据梯度下降求解，并对概率模型进行训练；S4：通过验证集对步骤S3中得到的训练集概率模型进行验证，得到变分深度模型；S5：将步骤S4中验证后得到的变分深度模型部署在服务器端，用于真实场景的图片去噪；S6：根据数据的分布特征对模型进行更新。本方法能够在贝叶斯框架下，解决噪声估计和图片去噪的任务，并去除了在训练数据中未出现过的复杂噪声，提高了信噪比和改善视觉效果。

【技术实现步骤摘要】
一种基于变分推断的深度去噪模型的方法及系统
本专利技术涉及图像处理
，尤其涉及一种基于变分推断的深度去噪模型的方法及系统。
技术介绍
视频图像在采集、压缩、存储、传输等环节中都面临噪声干扰，噪声会显著降低视频图像的视觉质量，并对后续的目标识别和跟踪等智能化分析造成困难。图像去噪是计算机视觉领域非常重要的研究领域，旨在从带噪图片中恢复出无噪声图像。真实图像中的噪声通常有许多来源，例如拍摄设备，数据传输媒介，图像量化等等。如此复杂的图像生成过程让准确获取噪声信息以恢复图像变成很困难。盲源带噪图片去噪是计算机视觉领域一个非常具有挑战性的问题，真实图片的获取难度是较大的，因为真实噪声分布并不容易获取，且训练数据很难模拟。因此，需要在保留视频信息的前提下去除视频图像中的噪声，提高信噪比和改善视觉效果。
技术实现思路
针对上述现有技术的现状，本专利技术所要解决的技术问题在于提供一种基于变分推断的深度去噪模型的方法及系统，在贝叶斯框架下，解决噪声估计和图片去噪的任务，并去除了在训练数据中未出现过的复杂噪声，提高了信噪比和改善视觉效果。本专利技术一种基于变分推断的深度去噪模型的方法及系统，具体的包括以下技术方案：一种基于变分推断的深度去噪模型的方法，包括步骤：S1：获取带噪图片的数据集，并对带噪图片的数据集进行预设处理；S2：构建变分去噪网络的概率模型；S3：根据梯度下降求解，并对概率模型进行训练；S4：通过验证集对步骤S3中得到的训练集概率模型进行验证，得到变分深度模型；S5：将步骤S4中验证后得到的变分深度模型部署在服务器端，用于真实场景的图片去噪；S6：根据数据的分布特征对模型进行更新。进一步地，所述步骤S1包括：S11：带噪图片的数据集：其中，yj表示带噪图片，xj表示去噪图片，n表示训练图片的数量；S12：对中的图片进行预设处理，将数据集按照比例切分为训练集和验证集，训练集用于模型训练，验证集用于模型选取。进一步地，所述步骤S2包括：S21：训练集D中的任意一个图像对为x＝[x1,...,xd]T；其中，d表示训练图像的尺寸；构建基于像素级表示带噪图片y生成过程的模型：其中，z∈Rd是在y下的去噪图片；S22：x作为去噪图像，给潜z提供了强先验，提出z的共轭先验：引入共轭先验得到逆伽马分布如下：S23：建立p(z|σ2|y)的变分分布q(z,σ2|y)，并假设z与σ2之间是条件独立的，即：q(z,σ2|y)＝q(z|y)q(σ2|y)其中，是D-net用来预测去噪图片z；α,β是S-net用来估计噪声方差σ2。进一步地，所述步骤S3包括：S31：构建损失函数；获取边缘似然的变分下界：logp(y；z,σ2)＝L(z,σ2；y)+DKL(q(z,σ2|y)||p(z,σ2|y))其中极小化函数：S32：通过梯度下降算法求解最优解。一种基于变分推断的深度去噪模型的系统，包括：获取模块：用于获取带噪图片的数据集，并对带噪图片的数据集进行预设处理；构建模块：用于构建变分去噪网络的概率模型；训练模块：根据梯度下降求解，并对概率模型进行训练；验证模块：通过验证集对训练模块中得到的训练集概率模型进行验证，得到变分深度模型；部署模块：将验证模块中验证后得到的变分深度模型部署在服务器端，用于真实场景的图片去噪；更新模块：根据数据的分布特征对模型进行更新。进一步地，所述获取模块包括：收集单元：用于收集带噪图片的数据集：其中，yj表示带噪图片，xj表示去噪图片，n表示训练图片的数量；切分单元：用于对中的图片进行预设处理，将数据集按照比例切分为训练集和验证集，训练集用于模型训练，验证集用于模型选取。本专利技术采用上述技术方案包括以下有益效果：本专利技术提出一种新的变分推断方法，即在贝叶斯框架下推断出真实噪声分布和真实去噪图片。在贝叶斯框架下，后验分布有解析形式，能有效实现对测试图片的噪声估计和去噪任务。一个近似后验分布，用深度神经网络建模，将去噪图片与噪声作为隐变量从输入的带噪图片分离开。这个后验分布具有解析表达式，可以很轻易的实现，并估计出图片的噪声程度。变分去噪网络有非常好的可解释性，可以很好的应用噪声非独立同分布的复杂真实场景中。附图说明图1为本专利技术实施例一提供的一种基于变分推断的深度去噪模型的方法流程图；图2为本专利技术实施例一提供的一种基于变分推断的深度去噪模型的变分去噪网络结构图；图3为本专利技术实施例二提供的一种基于变分推断的深度去噪模型的系统结构图一；图4为本专利技术实施例二提供的一种基于变分推断的深度去噪模型的系统结构图二。具体实施方式以下是本专利技术的具体实施例并结合附图，对本专利技术的技术方案作进一步的描述，但本专利技术并不限于这些实施例。实施例一本实施例提供了一种基于变分推断的深度去噪模型的方法，如图1和图2所示，本方法包括步骤：S1：获取带噪图片的数据集，并对带噪图片的数据集进行预设处理；S2：构建变分去噪网络的概率模型；S3：根据梯度下降求解，并对概率模型进行训练；S4：通过验证集对步骤S3中得到的训练集概率模型进行验证，得到变分深度模型；S5：将步骤S4中验证后得到的变分深度模型部署在服务器端，用于真实场景的图片去噪；S6：根据数据的分布特征对模型进行更新。其中，步骤S1包括：S11：带噪图片的数据集：其中，yj表示带噪图片，xj表示去噪图片，n表示训练图片的数量；S12：对中的图片进行预设处理，将数据集按照比例切分为训练集和验证集，训练集用于模型训练，验证集用于模型选取。其中，步骤S2包括：S21：训练集D中的任意一个图像对为x＝[x1,...,xd]T；其中，d表示训练图像的尺寸；构建基于像素级表示带噪图片y生成过程的模型：其中，z∈Rd是在y下的去噪图片；S22：x作为去噪图像，给潜z提供了强先验，提出z的共轭先验：引入共轭先验得到逆伽马分布如下：S23：建立p(z|σ2|y)的变分分布q(z,σ2|y)，并假设z与σ2之间是条件独立的，即：q(z,σ2|y)＝q(z|y)q(σ2|y)其中，是D-net用来预测去噪图片z；α,β是S-net用来估计噪声方差σ2。其中，步骤S3包括：S31：构建损失函数；获取边缘似然的变分下界：logp(y；z,σ2)＝L(z,σ2；y)+DKL(q(z,σ2|y)||p(z,σ2|y))其中极小化函数：S32：通过梯度下降算法求解最优解。在贝叶斯框架下，同时解决噪声估计和图片去噪的任务。噪声分布是通过图片在空间上的关联性，非独立同分布的建模，此种假设比本文档来自技高网...

【技术保护点】
1.一种基于变分推断的深度去噪模型的方法，其特征在于，包括步骤：/nS1：获取带噪图片的数据集，并对带噪图片的数据集进行预设处理；/nS2：构建变分去噪网络的概率模型；/nS3：根据梯度下降求解，并对概率模型进行训练；/nS4：通过验证集对步骤S3中得到的训练集概率模型进行验证，得到变分深度模型；/nS5：将步骤S4中验证后得到的变分深度模型部署在服务器端，用于真实场景的图片去噪；/nS6：根据数据的分布特征对模型进行更新。/n

【技术特征摘要】
1.一种基于变分推断的深度去噪模型的方法，其特征在于，包括步骤：
S1：获取带噪图片的数据集，并对带噪图片的数据集进行预设处理；
S2：构建变分去噪网络的概率模型；
S3：根据梯度下降求解，并对概率模型进行训练；
S4：通过验证集对步骤S3中得到的训练集概率模型进行验证，得到变分深度模型；
S5：将步骤S4中验证后得到的变分深度模型部署在服务器端，用于真实场景的图片去噪；
S6：根据数据的分布特征对模型进行更新。


2.根据权利要求1所述的基于变分推断的深度去噪模型的方法，其特征在于，所述步骤S1包括：
S11：带噪图片的数据集：



其中，yj表示带噪图片，xj表示去噪图片，n表示训练图片的数量；
S12：对中的图片进行预设处理，将数据集按照比例切分为训练集和验证集，训练集用于模型训练，验证集用于模型选取。


3.根据权利要求1所述的基于变分推断的深度去噪模型的方法，其特征在于，所述步骤S2包括：
S21：训练集D中的任意一个图像对为x＝[x1,...,xd]T；其中，d表示训练图像的尺寸；
构建基于像素级表示带噪图片y生成过程的模型：

其中，z∈Rd是在y下的去噪图片；
S22：x作为去噪图像，给潜z提供了强先验，提出z的共轭先验：






引入共轭先验得到逆伽马分布如下：



S23：建立p(z|σ2|y)的变分分布q(z,σ2|y)，并假设z与σ2之间是条件独...

【专利技术属性】
技术研发人员：俞建东，
申请(专利权)人：宁波柠清信息科技有限公司，
类型：发明
国别省市：浙江;33