本申请实施例提供了一种暗光图像降噪方法及装置，方法包括：获取RAW域暗光图像；对RAW域暗光图像进行预设图像增强变换，将变换后的图像输入预先训练的降噪网络模型，得到输出图像；其中，降噪网络模型是根据样本图像训练的，样本图像包括：模拟坏点暗光图像和无噪图像；对输出图像进行预设图像增强变换的逆变换，得到降噪图像。能够显著降低图像坏点对暗光图像降噪过程产生的影响，提高暗光图像的降噪质量。量。量。
【技术实现步骤摘要】
一种暗光图像降噪方法及装置
[0001]本专利技术涉及图像处理
，特别是涉及一种暗光图像降噪方法及装置。
技术介绍
[0002]随着计算机视觉技术和光学影像技术的快速发展，利用视频图像采集设备获取图像或视频，并对图像或视频进行处理的方式，被广泛应用于安防、海防、智能交通等各个方面。
[0003]然而，当成像设备处于暗光条件下时，由于光线严重不足，会导致采集到的图像包含非常多的噪声，使得图像不清晰，画质差，进而，会降低后期图像处理结果的准确度。因此，此类图像在进行分析处理之前需要进行降噪处理，而在降噪过程中，图像存在的坏点，会严重影响图像降噪质量。
[0004]成像设备的成像元件通常是CCD(Charge
‑
coupled Device，电荷耦合元件)或CMOS(Complementary Metal
‑
Oxide
‑
Semiconductor，互补金属氧化物半导体)，包含数百万个感光单元，如果某个感光单元损坏，则成为坏点，图像中对应像素位置的像素值会明显异于周围像素点。对于暗光图像，坏点通常为高亮坏点。
[0005]在基于深度学习的暗光图像RAW域降噪技术中，本身图像的像素值就相对较小，输入数据中的高亮坏点，经过卷积神经网络的感受野(receptive
‑
field，RF)机制放大，会由单点影响扩散至几个像素甚至几十个像素范围，严重降低了图像的视觉质量。参见图1，图1为采用现有技术进行降噪处理后RAW域暗光图像中坏点影响的一种示意图，降噪处理前的原始暗光图像中有一个高亮坏点，如图1所示，经过降噪处理后，坏点已经影响周边的多个像素点。
[0006]虽然很多图像信号处理(Image Signal Processing，ISP)的算法中包含了坏点校正这一环节，但由于坏点的多样性和复杂性，基于传统的图像处理方法一般不能完全消除，而且，去坏点的强度较大，会导致图像产生类似于中值滤波的平滑效果，损害图像的边缘细节。
技术实现思路
[0007]本专利技术实施例的目的在于提供一种暗光图像降噪方法及装置，以实现显著降低图像坏点对暗光图像降噪过程产生的影响，提高暗光图像的降噪质量。
[0008]具体技术方案如下：
[0009]本申请提供了一种暗光图像降噪方法，所述方法包括：
[0010]获取RAW域暗光图像；
[0011]对所述RAW域暗光图像进行预设图像增强变换，将变换后的图像输入预先训练的降噪网络模型，得到输出图像；其中，所述降噪网络模型是根据样本图像训练的，所述样本图像包括：模拟坏点暗光图像和无噪图像；
[0012]对所述输出图像进行所述预设图像增强变换的逆变换，得到降噪图像。
[0013]可选的，所述对所述RAW域暗光图像进行预设图像增强变换的步骤，包括：
[0014]依次对所述RAW域暗光图像进行归一化、gamma变换。
[0015]可选的，采用如下步骤训练所述降噪网络模型：
[0016]获取初始神经网络模型和所述样本图像；
[0017]将进行所述预设图像增强变换后的模拟坏点暗光图像输入所述初始神经网络模型；
[0018]基于所述初始神经网络模型输出结果和进行所述预设图像增强变换后的无噪图像，计算损失值；
[0019]基于所述损失值调整所述初始神经网络的模型参数，并返回将进行所述预设图像增强变换后的模拟坏点暗光图像输入所述初始神经网络模型的步骤，直到所述初始神经网络模型收敛；
[0020]将收敛的初始神经网络模型确定为所述降噪网络模型。
[0021]可选的，采用如下步骤获得所述模拟坏点暗光图像：
[0022]获取暗光噪声图像；
[0023]基于预先统计的传感器坏点比例，在所述暗光噪声图像中随机生成特定数量的坏点，得到模拟坏点暗光图像，其中，所生成的坏点的像素值为高亮值或所生成的坏点的像素值与周边像素点的像素值不满足预设分布。
[0024]本申请实施例还提供了一种暗光图像降噪装置，所述装置包括：
[0025]获取模块，用于获取RAW域暗光图像；
[0026]降噪模块，用于对所述RAW域暗光图像进行预设图像增强变换，将变换后的图像输入预先训练的降噪网络模型，得到输出图像；其中，所述降噪网络模型是根据样本图像训练的，所述样本图像包括：模拟坏点暗光图像和无噪图像；
[0027]逆变换模块，用于对所述输出图像进行所述预设图像增强变换的逆变换，得到降噪图像。
[0028]可选的，所述降噪模块包含增强变换子模块，所述增强变换子模块，具体用于：
[0029]依次对所述RAW域暗光图像进行归一化、gamma变换。
[0030]可选的，还包括训练模块，所述训练模块，具体用于：
[0031]获取初始神经网络模型和所述样本图像；
[0032]将进行所述预设图像增强变换后的模拟坏点暗光图像输入所述初始神经网络模型；
[0033]基于所述初始神经网络模型输出结果和进行所述预设图像增强变换后的无噪图像，计算损失值；
[0034]基于所述损失值调整所述初始神经网络的模型参数，并返回将进行所述预设图像增强变换后的模拟坏点暗光图像输入所述初始神经网络模型的步骤，直到所述初始神经网络模型收敛；
[0035]将收敛的初始神经网络模型确定为所述降噪网络模型。
[0036]可选的，还包括：生成模块，所述生成模块具体用于：
[0037]获取暗光噪声图像；
[0038]基于预先统计的传感器坏点比例，在所述暗光噪声图像中随机生成特定数量的坏
点，得到模拟坏点暗光图像，其中，所生成的坏点的像素值为高亮值或所生成的坏点的像素值与周边像素点的像素值不满足预设分布。
[0039]本申请实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
[0040]存储器，用于存放计算机程序；
[0041]处理器，用于执行存储器上所存放的程序时，实现上述任一暗光图像降噪方法步骤。
[0042]本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一暗光图像降噪方法步骤。
[0043]本专利技术实施例有益效果：
[0044]应用本申请实施例提供的暗光图像降噪方法及装置，获取RAW域暗光图像；对RAW域暗光图像进行预设图像增强变换，将变换后的图像输入预先训练的降噪网络模型，得到输出图像；其中，降噪网络模型是根据样本图像训练的，样本图像包括：模拟坏点暗光图像和无噪图像；对输出图像进行预设图像增强变换的逆变换，得到降噪图像。
[0045]可见，通过模拟坏点的分布情况生成模拟坏点暗光图像，结合无噪图像训练降噪网络模型，在训练完成后，降噪网络模型能够对输入的RAW域图像进行降噪处理本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种暗光图像降噪方法，其特征在于，所述方法包括：获取RAW域暗光图像；对所述RAW域暗光图像进行预设图像增强变换，将变换后的图像输入预先训练的降噪网络模型，得到输出图像；其中，所述降噪网络模型是根据样本图像训练的，所述样本图像包括：模拟坏点暗光图像和无噪图像；对所述输出图像进行所述预设图像增强变换的逆变换，得到降噪图像。2.根据权利要求1所述的方法，其特征在于，所述对所述RAW域暗光图像进行预设图像增强变换的步骤，包括：依次对所述RAW域暗光图像进行归一化、gamma变换。3.根据权利要求1所述的方法，其特征在于，采用如下步骤训练所述降噪网络模型：获取初始神经网络模型和所述样本图像；将进行所述预设图像增强变换后的模拟坏点暗光图像输入所述初始神经网络模型；基于所述初始神经网络模型输出结果和进行所述预设图像增强变换后的无噪图像，计算损失值；基于所述损失值调整所述初始神经网络的模型参数，并返回将进行所述预设图像增强变换后的模拟坏点暗光图像输入所述初始神经网络模型的步骤，直到所述初始神经网络模型收敛；将收敛的初始神经网络模型确定为所述降噪网络模型。4.根据权利要求1所述的方法，其特征在于，采用如下步骤获得所述模拟坏点暗光图像：获取暗光噪声图像；基于预先统计的传感器坏点比例，在所述暗光噪声图像中随机生成特定数量的坏点，得到模拟坏点暗光图像，其中，所生成的坏点的像素值为高亮值或所生成的坏点的像素值与周边像素点的像素值不满足预设分布。5.一种暗光图像降噪装置，其特征在于，所述装置包括：获取模块，用于获取RAW域暗光图像；降噪模块，用于对所述RAW域暗光图像进行预设图像增强变换，将变换后的图像输入预先训练的降噪网络模型，得到输出图像；其中，所述降噪网络模型是根据样本图像训练的，所述样本图像包括...
【专利技术属性】
技术研发人员：王林，周晓，朱才志，汝佩哲，
申请(专利权)人：合肥英特灵达信息技术有限公司，
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。