图像处理方法及装置制造方法及图纸

本申请公开了一种图像处理方法及装置，属于图像处理技术领域。该方法包括获取训练图像数据集；基于所述训练图像数据集对初始网络模型进行训练，得到目标网络模型；将第一图像输入所述目标网络模型，得到第二图像；其中，所述初始网络模型包括至少两个子网络模块，每一个所述子网络模块包括一个子阈值卷积网络模块和一个子残差卷积网络模块，所述子阈值卷积网络模块的输出为所述子残差卷积网络模块的输入，且所述子阈值卷积网络模块包括阈值函数层，所述阈值函数层用于通过阈值函数对所述第一图像的图像数据进行去噪处理。一图像的图像数据进行去噪处理。一图像的图像数据进行去噪处理。

【技术实现步骤摘要】
图像处理方法及装置


[0001]本申请属于图像处理
，具体涉及一种图像处理方法及装置。

技术介绍

[0002]相机在拍摄图像时，由于镜头对光折射不均匀、镜头不稳等因素会导致图像出现噪声阴影，例如图像中心部分与四周颜色不一致，四周颜色存在偏色、而中心颜色正常。通过降噪方法可以去除图像中的噪声。
[0003]图像去噪大多采用小波阈值去噪算法，通过人工选取的阈值对小波系数进行阈值处理，再对处理后的小波系数进行重构得到去噪后的图像。该方法中阈值的选取直接影响去噪效果，而人工选取的阈值很难达到最优，导致图像去噪效果较差。

技术实现思路

[0004]本申请实施例的目的是提供一种图像处理方法及装置，能够减少图像的噪声，提高图像的去噪效果。
[0005]第一方面，本申请实施例提供了一种图像处理方法，包括：获取训练图像数据集；基于所述训练图像数据集对初始网络模型进行训练，得到目标网络模型；将第一图像输入所述目标网络模型，得到第二图像；其中，所述初始网络模型包括至少两个子网络模块，每一个所述子网络模块包括一个子阈值卷积网络模块和一个子残差卷积网络模块，所述子阈值卷积网络模块的输出为所述子残差卷积网络模块的输入，且所述子阈值卷积网络模块包括阈值函数层，所述阈值函数层用于通过阈值函数对所述第一图像的图像数据进行去噪处理。
[0006]第二方面，本申请实施例提供了一种图像处理装置，包括：第一获取模块，用于获取训练图像数据集；第一训练模块，用于基于所述训练图像数据集对初始网络模型进行训练，得到目标网络模型；第二获取模块，用于将第一图像输入所述目标网络模型，得到第二图像；其中，所述初始网络模型包括至少两个子网络模块，每一个所述子网络模块包括一个子阈值卷积网络模块和一个子残差卷积网络模块，所述子阈值卷积网络模块的输出为所述子残差卷积网络模块的输入，且所述子阈值卷积网络模块包括阈值函数层，所述阈值函数层用于通过阈值函数对所述第一图像的图像数据进行去噪处理。
[0007]第三方面，本申请实施例提供了一种移动终端，该移动终端包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的图像处理方法。
[0008]第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的图像处理方法。
[0009]第五方面，本申请实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的图像处理方法。
[0010]第六方面，本申请实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面所述的图像处理方法。
[0011]在本申请实施例中，将深度学习和阈值函数相结合，通过深度学习的训练来求解阈值函数，与人工选取阈值的方式相比，能够得到更优的阈值函数，从而提高图像的去噪效果。
附图说明
[0012]图1是本申请实施例提供的图像处理方法的流程示意图之一；
[0013]图2是本申请实施例提供的图像处理方法中模型的结构示意图之一；
[0014]图3是本申请实施例提供的图像处理方法中模型的结构示意图之二；
[0015]图4是本申请实施例提供的图像处理方法的流程示意图之二；
[0016]图5是本申请实施例提供的图像处理方法的流程示意图之三；
[0017]图6是本申请实施例提供的图像处理方法的流程示意图之四；
[0018]图7是本申请实施例提供的图像处理装置的结构示意图；
[0019]图8是本申请实施例提供的电子设备的结构示意图之一；
[0020]图9是本申请实施例提供的电子设备的结构示意图之二。
具体实施方式
[0021]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。
[0022]本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
[0023]下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的图像处理方法和图像处理装置进行详细地说明。
[0024]本申请实施例首先提供一种图像处理方法。示例性地，该图像处理方法可应用于如手机、平板电脑、可穿戴智能设备、虚拟现实设备、增强现实设备等各种电子设备中，也可以应用于个人计算机、服务器等电子设备中，本实施方式对此不作任何限定。
[0025]图1示出了本申请图像处理方法的流程图。如图1所示，该图像处理方法包括以下步骤：
[0026]步骤10：获取训练图像数据集。
[0027]从图像数据库中获取一定数量的图像，将获取到的图像作为原始的无噪图像，然后对无噪图像添加噪声，可以得到对应的含噪图像。或者，获取质量较差的含噪图像，对含噪图像进行去噪处理，得到对应的无噪图像。将含噪图像与其对应的无噪图像作为样本对，由多个样本对构成训练图像数据集。
[0028]步骤20：基于所述训练图像数据集对初始网络模型进行训练，得到目标网络模型。
[0029]本实施方式中，初始网络模型可以为深度学习模型。初始网络模型中包括至少两个子网络模块，每个子网络模块包括一个子阈值卷积网络模块和一个子残差卷积网络模块。其中，子阈值卷积网络模块的输出为子残差卷积网络模块的输入，并且子阈值卷积网络模块中包括阈值函数层，该阈值函数层用于通过阈值函数对图像数据进行去噪处理。
[0030]阈值函数能够对图像数据进行阈值处理，从而去除图像的噪声。阈值函数可以由特定的参数构成，将阈值函数作为初始网络模型的激活函数，然后通过上述训练图像数据集训练初始网络模型，可以确定对图像去噪较优的参数。示例性地，阈值函数可以包括如下：
[0031][0032]其中，m为阈值函数的输入数据，例如含噪图像，为阈值函数的输出数据，n为阈值函数的参数，也称为阈值，通过训练初始网络模型可以确定n的取值。与人工选取阈值相比，通过模型训练来确定阈值函数所使用的阈值，能够优化阈值，提高阈值函数对图像去噪的精确性。
[0033]图2示出了子阈值卷积网络模块的结构图。如图2所示，子阈值卷积网络模块200可以包括第一卷积处理层201、阈值函数层202和第二卷积处理层203。
[0034本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取训练图像数据集；基于所述训练图像数据集对初始网络模型进行训练，得到目标网络模型；将第一图像输入所述目标网络模型，得到第二图像；其中，所述初始网络模型包括至少两个子网络模块，每一个所述子网络模块包括一个子阈值卷积网络模块和一个子残差卷积网络模块，所述子阈值卷积网络模块的输出为所述子残差卷积网络模块的输入，且所述子阈值卷积网络模块包括阈值函数层，所述阈值函数层用于通过阈值函数对所述第一图像的图像数据进行去噪处理。2.根据权利要求1所述的图像处理方法，其特征在于，所述将第一图像输入所述目标网络模型，得到第二图像，包括：根据所述第一图像的颜色信息，确定所述第一图像中的纯色图像区域；将所述纯色图像区域对应的图像数据输入所述目标网络模型中，通过所述阈值函数层对所述纯色图像区域进行去噪处理，得到所述第二图像。3.根据权利要求2所述的图像处理方法，其特征在于，所述根据所述第一图像的颜色信息，确定所述第一图像中的纯色图像区域，包括：将所述第一图像中各像素点的像素值差异在预设范围内、且像素点个数超过预设个数的图像区域作为所述纯色图像区域。4.根据权利要求1所述的图像处理方法，其特征在于，所述子阈值卷积网络模块还包括第一卷积处理层和第二卷积处理层；所述将第一图像输入所述目标网络模型，得到第二图像，包括：将所述第一图像输入所述第一卷积处理层，通过所述第一卷积处理层将所述第一图像进行稀疏化处理，获得对应的第一特征图；将所述第一特征图输入所述阈值函数层，通过所述阈值函数层的所述阈值函数对所述第一特征图进行去噪处理，得到第二特征图；将所述第二特征图输入所述第二卷积处理层，通过所述第二卷积处理层将所述第二特征图还原为第二图像。5.根据权利要求1所述的图像处理方法，其特征在于，所述得到第二图像之后，还包括：将所述第一图像与所述第二图像进行图像融合，得到目标图像。6.一种图像处理装置，其...

【专利技术属性】
技术研发人员：陈洁茹，骆晓康，
申请(专利权)人：维沃移动通信有限公司，
类型：发明
国别省市：