本申请涉及一种图像去噪方法、装置、计算机设备和存储介质。所述方法包括：获取待去噪图像；采用预先训练的至少两个图像去噪模型对待去噪图像去噪，获得各图像去噪模型的初始去噪图像，各图像去噪模型对应至少两个初始去噪图像；对各初始去噪图像进行融合处理，获得目标去噪图像；各图像去噪模型的训练过程为：获取各类样本数据集，样本数据集的数据为：采用该样本数据集的类型的采样比例，对各原始噪声图像采样得到的样本噪声图像块；采用各类样本数据集，对各类对应的神经网络模型训练，获得各图像去噪模型，神经网络模型为设置节点损失率的神经网络模型，神经网络模型的节点损失率与该类型的采样比例相同。采用本方法可提高图像去噪的精度。像去噪的精度。像去噪的精度。
【技术实现步骤摘要】
图像去噪方法、装置、计算机设备和存储介质
[0001]本申请涉及计算机
，特别是涉及一种图像去噪方法、装置、计算机设备和存储介质。
技术介绍
[0002]随着计算机技术的发展，出现了图像去噪技术，图像去噪技术为计算机视觉的高层次任务提供了基础，图像去噪最早是使用滤波等复杂的数学方法来处理，然而这种方法难度高且效果往往不佳。
[0003]为了解决上述问题，现有技术中一般基于深度学习进行图像去噪，然而当前在基于深度学习进行图像去噪时，存在严重的过平滑问题，导致图像去噪结果精度较低。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够提高图像去噪精度的图像去噪方法、装置、计算机设备和存储介质。
[0005]一种图像去噪方法，所述方法包括：
[0006]获取待去噪图像；
[0007]采用预先训练的至少两个图像去噪模型对所述待去噪图像进行图像去噪，获得各所述图像去噪模型对应的初始去噪图像，任意一个所述图像去噪模型对应至少两个所述初始去噪图像；
[0008]对各初始去噪图像进行融合处理，获得目标去噪图像；
[0009]各所述图像去噪模型的训练过程包括：
[0010]获取各类型的样本数据集，所述样本数据集中的数据包括：采用该样本数据集的类型对应的采样比例，对各原始噪声图像进行采样后得到的样本噪声图像块；
[0011]采用各所述类型的所述样本数据集，分别对与各所述类型对应的神经网络模型进行模型训练，获得训练后的各所述图像去噪模型，各所述神经网络模型为在原始神经网络模型中设置神经元节点损失率后的神经网络模型，各所述类型对应的神经网络模型的神经元节点损失率，与该类型对应的采样比例相同。
[0012]在其中一个实施例中，所述获取各类型的样本数据集，包括：
[0013]采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，获得各所述原始噪声图像的样本噪声图像块；
[0014]基于各所述样本噪声图像块，获取各类型的样本数据集。
[0015]在其中一个实施例中，采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，包括：采用各样本数据集的类型对应的采样比例，依次对各所述原始噪声图像进行伯努利采样，获得与所述原始噪声图像对应的各采样比例的样本噪声图像块；
[0016]所述基于各所述样本噪声块，获得各类型的样本数据集，包括：将相同采样比例的
各所述样本噪声图像块分为一组，作为该采样比例对应类型的样本数据集。
[0017]在其中一个实施例中，采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，包括：依次获取目标采样比例，按照目标采样比例对各所述原始噪声图像进行伯努利采样，获得所述目标采样比例对应的各样本噪声图像块，将各所述样本噪声图像块作为所述目标采样比例对应类型的样本数据集；所述目标采样比例为各所述采样比例中的一种。
[0018]在其中一个实施例中，所述采用各所述类型的所述样本数据集，分别对与各所述类型对应的神经网络模型进行模型训练，获得训练后的各所述图像去噪模型，包括：
[0019]采用与各所述类型对应的神经网络模型，对各所述类型的所述样本数据集进行图像去噪，获得各所述神经网络模型对应的样本去噪图像，所述任意一个神经网络模型对应至少两个样本去噪图像；
[0020]获取各所述样本去噪图像对应的监督图像，所述监督图像为所述样本噪声图像块对应的原始噪声图像中，未被采样的噪声图像块；
[0021]基于各所述样本去噪图像和各所述样本去噪图像对应的监督图像，获得各所述样本去噪图像与各所述监督图像的误差值；
[0022]在各所述误差值确定未达到模型训练条件时，将所述误差值反向传播，更新各所述神经网络模型的权重和偏置，直至达到所述模型训练结束条件，得到各所述图像去噪模型。
[0023]在其中一个实施例中，所述对各所述初始去噪图像进行融合处理，获得目标去噪图像，包括：
[0024]对于各所述图像去噪模型对应的初始去噪图像，均执行下述过程：对该图像去噪模型对应的各所述初始去噪图像进行平均化处理，获得平均化初始去噪图像；
[0025]基于各所述平均化初始去噪图像，获得目标去噪图像。
[0026]在其中一个实施例中，基于各所述平均化初始去噪图像，获得目标去噪图像，包括：
[0027]获取各所述平均化初始去噪图像对应的超参数；
[0028]将各所述平均化初始去噪图像与其对应的超参数相乘，得到对应的特征融合去噪图像；
[0029]根据各所述特征融合去噪图像，获得目标去噪图像。
[0030]在其中一个实施例中，所述根据各所述特征融合去噪图像，获得目标去噪图像，包括：
[0031]叠加各所述特征融合去噪图像，获得目标去噪图像。
[0032]一种图像去噪装置，所述装置包括：
[0033]图像获取模块，用于获取待去噪图像；
[0034]初始去噪图像获取模块，用于采用预先训练的至少两个图像去噪模型对所述待去噪图像进行图像去噪，获得各所述图像去噪模型对应的初始去噪图像，任意一个所述图像去噪模型对应至少两个所述初始去噪图像；
[0035]目标去噪图像获取模块，用于对各初始去噪图像进行融合处理，获得目标去噪图像；
[0036]图像去噪模型训练模块，用于训练获得所述图像去噪模型，具体包括：获取各类型的样本数据集，所述样本数据集中的数据包括：采用该样本数据集的类型对应的采样比例，对各原始噪声图像进行采样后得到的样本噪声图像块；采用各所述类型的所述样本数据集，分别对与各所述类型对应的神经网络模型进行模型训练，获得训练后的各所述图像去噪模型，各所述神经网络模型为在原始神经网络模型中设置神经元节点损失率后的神经网络模型，各所述类型对应的神经网络模型的神经元节点损失率，与该类型对应的采样比例相同。
[0037]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述图像去噪方法的步骤。
[0038]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述图像去噪方法的步骤。
[0039]上述图像去噪方法、装置、计算机设备和存储介质，通过获取待去噪图像；并采用训练好的各图像去噪模型分别对待去噪图像进行去噪，从而可以得到各图像去噪模型对应的初始去噪图像，其中，任意一个图像去噪模型对应至少两个初始去噪图像，再对各初始去噪图像进行融合处理，得到目标去噪图像，其中，
[0040]各图像去噪模型的训练过程，包括：通过获取各类型的样本数据集，样本数据集中的数据包括：采用该样本数据集的类型对应的采样比例，对各原始噪声图像进行采样后得到的样本噪声图像块。基于各类型的样本数据集，从而可以分别对与各类型对应的神经网络模型进行模型训练，最终获得训练后的各图像去噪模型，其中，各神经网络模本文档来自技高网...
【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，所述方法包括：获取待去噪图像；采用预先训练的至少两个图像去噪模型对所述待去噪图像进行图像去噪，获得各所述图像去噪模型对应的初始去噪图像，任意一个所述图像去噪模型对应至少两个所述初始去噪图像；对各初始去噪图像进行融合处理，获得目标去噪图像；各所述图像去噪模型的训练过程包括：获取各类型的样本数据集，所述样本数据集中的数据包括：采用该样本数据集的类型对应的采样比例，对各原始噪声图像进行采样后得到的样本噪声图像块；采用各所述类型的所述样本数据集，分别对与各所述类型对应的神经网络模型进行模型训练，获得训练后的各所述图像去噪模型，各所述神经网络模型为在原始神经网络模型中设置神经元节点损失率后的神经网络模型，各所述类型对应的神经网络模型的神经元节点损失率，与该类型对应的采样比例相同。2.根据权利要求1所述的方法，其特征在于，所述获取各类型的样本数据集，包括：采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，获得各所述原始噪声图像的样本噪声图像块；基于各所述样本噪声图像块，获取各类型的样本数据集。3.根据权利要求2所述的方法，其特征在于，所述采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，包括：采用各样本数据集的类型对应的采样比例，依次对各所述原始噪声图像进行伯努利采样，获得与所述原始噪声图像对应的各采样比例的样本噪声图像块；所述基于各所述样本噪声块，获得各类型的样本数据集，包括：将相同采样比例的各所述样本噪声图像块分为一组，作为该采样比例对应类型的样本数据集；或，采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，包括：依次获取目标采样比例，按照目标采样比例对各所述原始噪声图像进行伯努利采样，获得所述目标采样比例对应的各样本噪声图像块，将各所述样本噪声图像块作为所述目标采样比例对应类型的样本数据集；所述目标采样比例为各所述采样比例中的一种。4.根据权利要求1所述的方法，其特征在于，所述采用各所述类型的所述样本数据集，分别对与各所述类型对应的神经网络模型进行模型训练，获得训练后的各所述图像去噪模型，包括：采用与各所述类型对应的神经网络模型，对各所述类型的所述样本数据集进行图像去噪，获得各所述神经网络模型对应的样本去噪图像，所述任意一个神经网络模型对应至少两个样本去噪图像；获取各所述样本去噪图像对应的监督图像，所述监督图像为所述样本噪声图像块对应的原始噪声图像中，未被采样...
【专利技术属性】
技术研发人员：石大明，万博文，
申请(专利权)人：深圳大学，
类型：发明
国别省市：
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。