图像去噪模型的建立、处理方法、系统、设备和介质技术方案

本发明专利技术公开了一种图像去噪模型的建立、处理方法、系统、设备和介质，该方法包括：构建异步网络；同步主网络的与子网络的网络参数；得到当前训练轮次下预设图像去噪算法的新的调试参数；确定原始噪声图像经过当前训练轮次去噪后的图像纹理损失参数；获取当前训练轮次下子网络对应的累计梯度参数；采用子网络对应的累计梯度参数更新得到新的主网络参数，并执行下一个训练轮次，直至训练轮次达到预设迭代轮次，以训练得到图像去噪模型。本发明专利技术中通过构建异步策略梯度模型，提出图像噪声自动化去除技术，有效提高了图像噪声去除处理的精度与效率；且能够自适应不同的调试环境，进而在图像噪声去除环节上有效地节省了时间和人力成本。噪声去除环节上有效地节省了时间和人力成本。噪声去除环节上有效地节省了时间和人力成本。

【技术实现步骤摘要】
图像去噪模型的建立、处理方法、系统、设备和介质


[0001]本专利技术涉及图像处理
，特别涉及一种图像去噪模型的建立、处理方法、系统、设备和介质。

技术介绍

[0002]图像在生成和传输过程中常受各种噪声的干扰和影响，从而产生图像降质，对后续的图像处理和图像视觉效应造成不利的影响。随着Camera(摄像头)的不断发展，各大Camera设备厂商对拍摄照片质量的要求越来越高，而图像噪声去除是影响最终成像质量的重要一环。
[0003]目前，对图像噪声去除的效果调试，各大Camera厂商大多都依赖于人工调试，而人工调试往往需要人为地不断修改参数、拍摄、对比等操作，过程耗费大量时间和人力成本，并且精准度很难把控。同时，由于各家Camera设备厂商在硬件、图像去噪算法等方面的差异，导致图像噪声去除调试的环境是多变的，需要对不同的硬件不同的去噪算法无法采取统一的调试对策，从而导致进一步地降低了图像去噪去除调试效率。

技术实现思路

[0004]本专利技术要解决的技术问题是为了克服现有技术中图像去噪效率低下、精准度不足、受到硬件环境因素制约等缺陷，目的在于提供一种图像去噪模型的建立、处理方法、系统、设备和介质。
[0005]本专利技术是通过下述技术方案来解决上述技术问题：
[0006]本专利技术提供一种图像去噪模型的建立方法，所述建立方法包括：
[0007]构建异步网络；
[0008]其中，所述异步网络包括主网络和若干子网络，所述主网络和所述子网络中部署相同的预设策略梯度模型；
[0009]对于第一个训练轮次，采用所述主网络的主网络参数同步所述子网络的子网络参数；
[0010]将预设图像去噪算法中可修改的调试参数输入至所述预设策略梯度模型，以得到当前训练轮次对应的新的调试参数；
[0011]基于所述新的调试参数，确定原始噪声图像经过当前训练轮次去噪后的图像纹理损失参数；
[0012]基于所述图像纹理损失参数，获取所述当前训练轮次下所述子网络对应的累计梯度参数；
[0013]通过所述主网络获取所述累计梯度参数，采用所述子网络对应的所述累计梯度参数更新得到新的主网络参数，并执行下一个训练轮次，重新执行所述将预设图像去噪算法中可修改的调试参数输入至所述预设策略梯度模型的步骤，直至所述训练轮次达到预设迭代轮次，以训练得到所述图像去噪模型。
[0014]较佳地，所述预设网络模型基于预设神经网络构建；
[0015]其中，所述预设网络模型中输入层的神经元的数量、输出层的神经元的数量、以及所述预设图像去噪算法中可供修改的调试参数的数量均相等。
[0016]较佳地，每个所述训练轮次对应若干训练时刻；
[0017]对于每个所述训练轮次，所述将预设图像去噪算法中可修改的调试参数输入至所述预设策略梯度模型，以得到当前训练轮次对应的新的调试参数的步骤，包括：
[0018]获取上一个训练时刻下所述预设图像去噪算法中可修改的调试参数并输入至所述预设策略梯度模型，以输出当前训练时刻下对应的新的调试参数，以作为下一个训练时刻对应的可修改的调试参数；其中，第一个训练时刻对应初始化的调试参数；
[0019]在当前训练时刻达到所述训练轮次对应的预设迭代时刻时，则将当前训练时刻下所述预设图像去噪算法中可修改的调试参数作为当前训练轮次对应的新的调试参数。
[0020]较佳地，所述基于所述新的调试参数，确定原始噪声图像经过当前训练轮次去噪后的图像纹理损失参数的步骤，包括：
[0021]在当前训练时刻达到所述训练轮次对应的预设迭代时刻时，将当前训练时刻对应的新的调试参数带入所述预设图像去噪算法，对所述原始噪声图像采用更新后的所述预设图像去噪算法进行去噪处理以获取去噪处理图像；
[0022]基于所述去噪处理图像和所述原始噪声图像，计算得到所述原始噪声图像对应的图像纹理损失值。
[0023]较佳地，所述基于所述去噪处理图像和所述原始噪声图像，计算得到图像纹理损失值的步骤，包括：
[0024]基于所述图像纹理损失值计算得到当前训练时刻的图像去噪质量的奖励值；
[0025]其中，所述图像纹理损失值与所述奖励值之间呈负相关。
[0026]较佳地，在当前训练时刻达到所述训练轮次对应的预设迭代时刻时，所述基于所述图像纹理损失参数，获取所述当前训练轮次下所述子网络对应的累计梯度参数的步骤，包括：
[0027]基于当前训练时刻下所述子网络对应的第一梯度参数、所述预设策略梯度模型输出的新的调试参数和所述奖励值，以及基于上一个训练轮次下所述子网络对应的累计梯度参数，计算得到当前训练轮次下所述子网络对应的累计梯度参数。
[0028]较佳地在所述训练轮次达到预设迭代轮次时，所述训练得到所述图像去噪模型的步骤，包括：
[0029]在所述累计梯度参数满足预设条件时，则确定模型收敛，并获取训练得到的所述图像去噪模型；
[0030]其中，所述预设条件表征连续设定数量的训练轮次的累计梯度参数均在趋向同一稳定值。
[0031]本专利技术还提供一种图像去噪处理方法，所述图像去噪处理方法包括：
[0032]获取待去噪图像；
[0033]将所述待去噪图像输入至上述的图像去噪模型的建立方法训练得到所述图像去噪模型中，以输出去噪处理后的目标去噪图像；
[0034]其中，所述图像去噪模型对应的目标网络的输入为预设图像去噪算法对应的目标
去噪参数。
[0035]本专利技术还提供一种图像去噪模型的建立系统，所述建立系统包括：
[0036]异步网络构建模块，用于构建异步网络；
[0037]其中，所述异步网络包括主网络和若干子网络，所述主网络和所述子网络中部署相同的预设策略梯度模型；
[0038]参数同步模块，用于对于第一个训练轮次，采用所述主网络的主网络参数同步所述子网络的子网络参数；
[0039]调试参数更新模块，用于将预设图像去噪算法中可修改的调试参数输入至所述预设策略梯度模型，以得到当前训练轮次对应的新的调试参数；
[0040]纹理损失参数确定模块，用于基于所述新的调试参数，确定原始噪声图像经过当前训练轮次去噪后的图像纹理损失参数；
[0041]累计梯度参数获取模块，用于基于所述图像纹理损失参数，获取所述当前训练轮次下所述子网络对应的累计梯度参数；
[0042]主网络参数更新模块，用于通过所述主网络获取所述累计梯度参数，采用所述子网络对应的所述累计梯度参数更新得到新的主网络参数，并执行下一个训练轮次，重新调用所述调试参数更新模块，直至所述训练轮次达到预设迭代轮次，以调用模型获取模块；
[0043]所述模型获取模块用于获取训练得到的所述图像去噪模型。
[0044]本专利技术还提供一种图像去噪处理系统，所述图像去噪处理系统包括：
[0045]待去噪图像获取模块，用于获取待去噪图像；
[0046]图像去噪处理模块，用于将所述待去本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像去噪模型的建立方法，其特征在于，所述建立方法包括：构建异步网络；其中，所述异步网络包括主网络和若干子网络，所述主网络和所述子网络中部署相同的预设策略梯度模型；对于第一个训练轮次，采用所述主网络的主网络参数同步所述子网络的子网络参数；将预设图像去噪算法中可修改的调试参数输入至所述预设策略梯度模型，以得到当前训练轮次对应的新的调试参数；基于所述新的调试参数，确定原始噪声图像经过当前训练轮次去噪后的图像纹理损失参数；基于所述图像纹理损失参数，获取所述当前训练轮次下所述子网络对应的累计梯度参数；通过所述主网络获取所述累计梯度参数，采用所述子网络对应的所述累计梯度参数更新得到新的主网络参数，并执行下一个训练轮次，重新执行所述将预设图像去噪算法中可修改的调试参数输入至所述预设策略梯度模型的步骤，直至所述训练轮次达到预设迭代轮次，以训练得到所述图像去噪模型。2.如权利要求1所述的图像去噪处理方法，其特征在于，所述预设网络模型基于预设神经网络构建；其中，所述预设网络模型中输入层的神经元的数量、输出层的神经元的数量、以及所述预设图像去噪算法中可供修改的调试参数的数量均相等。3.如权利要求1或2所述的图像去噪模型的建立方法，其特征在于，每个所述训练轮次对应若干训练时刻；对于每个所述训练轮次，所述将预设图像去噪算法中可修改的调试参数输入至所述预设策略梯度模型，以得到当前训练轮次对应的新的调试参数的步骤，包括：获取上一个训练时刻下所述预设图像去噪算法中可修改的调试参数并输入至所述预设策略梯度模型，以输出当前训练时刻下对应的新的调试参数，以作为下一个训练时刻对应的可修改的调试参数；其中，第一个训练时刻对应初始化的调试参数；在当前训练时刻达到所述训练轮次对应的预设迭代时刻时，则将当前训练时刻下所述预设图像去噪算法中可修改的调试参数作为当前训练轮次对应的新的调试参数。4.如权利要求3所述的图像去噪模型的建立方法，其特征在于，所述基于所述新的调试参数，确定原始噪声图像经过当前训练轮次去噪后的图像纹理损失参数的步骤，包括：在当前训练时刻达到所述训练轮次对应的预设迭代时刻时，将当前训练时刻对应的新的调试参数带入所述预设图像去噪算法，对所述原始噪声图像采用更新后的所述预设图像去噪算法进行去噪处理以获取去噪处理图像；基于所述去噪处理图像和所述原始噪声图像，计算得到所述原始噪声图像对应的图像纹理损失值。5.如权利要求4所述的图像去噪模型的建立方法，其特征在于，所述基于所述去噪处理图像和所述原始噪声图像，计算得到图像纹理损失值的步骤，包括：基于所述图像纹理损失值计算得到当前训练时刻的图像去噪质量的奖励值；其中，所述图像纹理损失值与所述奖励值之间呈负相关。
6.如权利要求5所述的图像去噪模型的建立方法，其特征在于，在当前训练时刻达到所述训练轮次对应的预设迭代时刻时，所述基于所述图像纹理损失参数，获取所述当前训练轮次下所述子网络对应的累计梯度参数的步骤，包括：基于当前训练时刻下所述子网络对...

【专利技术属性】
技术研发人员：陈志颖，马文涛，张兰兰，
申请(专利权)人：展讯半导体南京有限公司，
类型：发明
国别省市：