图像去噪方法、图像去噪装置、电子设备及存储介质制造方法及图纸

本申请提供了一种图像去噪方法、图像去噪装置、电子设备及存储介质，属于图像处理技术领域，通过获取噪声图像，将噪声图像输入至预设的图像去噪网络，图像去噪网络包括树形模块和双目增强模块，通过树形模块对噪声图像进行多元特征提取，得到多元图像特征，通过双目增强模块，分别对多元图像特征进行特征提纯，得到图像细化特征，对多元图像特征进行局部特征增强，得到图像显著性特征，对图像细化特征和图像显著性特征进行特征融合，提高了图像去噪效果，并得到干净图像。并得到干净图像。并得到干净图像。

【技术实现步骤摘要】
图像去噪方法、图像去噪装置、电子设备及存储介质


[0001]本申请涉及图像处理
，尤其涉及一种图像去噪方法、图像去噪装置、电子设备及存储介质。

技术介绍

[0002]相关技术中，采用传统去噪方法或者深度学习方法去除噪声图像中的噪声，以提高图像质量。但是，一些传统去噪方法依赖于应用场景以及噪声种类，只能去除某个场景下的某一种或者某几种噪声，泛化性能较差。一些传统去噪方法的复杂度较高，对计算资源有一定的要求，限制了其应用场景。深度学习方法主要通过卷积神经网络(Convolutional Neural Network，CNN)进行图像去噪，例如深度卷积去噪神经网络(Denoising Convolutional Neural Network,DnCNN)、快速且灵活去噪网络(Fast and Flexible Denoising Network，FFDNet)以及密集残差网络(Residual Dense Network,RDN)。由于这些网络是单网络，使得网络提取的图像特征较为单一，导致图像的去噪效果较差。此外，这些网络采用堆叠卷积层的方式提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.图像去噪方法，其特征在于，所述方法包括：获取噪声图像；将所述噪声图像输入至预设的图像去噪网络，所述图像去噪网络包括树形模块和双目增强模块；通过所述树形模块对所述噪声图像进行多元特征提取，得到多元图像特征；通过所述双目增强模块，对所述多元图像特征进行特征提纯，得到图像细化特征，对所述多元图像特征进行局部特征增强，得到图像显著性特征；对所述图像细化特征和所述图像显著性特征进行特征融合，得到去噪图像。2.根据权利要求1所述的图像去噪方法，其特征在于，在所述将所述噪声图像输入至预设的图像去噪网络之前，所述图像去噪方法还包括：提取所述噪声图像的红色通道、绿色通道和蓝色通道；通过第一预设掩膜对所述红色通道的像素点进行遮挡，得到第一掩膜图像；通过第二预设掩膜对所述绿色通道的像素点进行遮挡，得到第二掩膜图像；通过所述第一预设掩膜对所述蓝色通道的像素点进行遮挡，得到第三掩膜图像；对所述第一掩膜图像、所述第二掩膜图像和所述第三掩膜图像进行图像拼接，得到遮挡后的所述噪声图像。3.根据权利要求1所述的图像去噪方法，其特征在于，所述树形模块包括多个卷积层，多个卷积层之间形成树形结构，所述通过所述树形模块对所述噪声图像进行多元特征提取，得到多元图像特征，包括：通过多个卷积层对所述噪声图像进行逐层特征提取，得到层级图像特征；对所述层级图像特征进行逐层特征融合，得到所述多元图像特征。4.根据权利要求3所述的图像去噪方法，其特征在于，多个卷积层包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层和第七卷积层，所述通过多个卷积层对所述噪声图像进行逐层特征提取，得到层级图像特征，包括：通过所述第一卷积层对所述噪声图像进行第一特征提取，得到第一图像特征；通过所述第二卷积层对所述第一图像特征进行第二特征提取，得到第二图像特征；通过所述第三卷积层对所述第一图像特征进行第三特征提取，得到第三图像特征；通过所述第四卷积层对所述第二图像特征进行第四特征提取，得到第四图像特征；通过所述第五卷积层对所述第二图像特征进行第五特征提取，得到第五图像特征；通过所述第六卷积层对所述第三图像特征进行第六特征提取，得到第六图像特征；通过所述第七卷积层对所述第三图像特征进行第七特征提取，得到第七图像特征；将所述第二图像特征、所述第三图像特征、所述第四图像特征、所述第五图像特征、所述第六图像特征和所述第七图像特征，作为所述层级图像特征。5.根据权利要求4所述的图像去噪方法，其特征在于，所述对所述层...

【专利技术属性】
技术研发人员：田春伟，郑梦华，唐波，刘恩峰，
申请(专利权)人：西北工业大学研祥智慧物联科技有限公司，
类型：发明
国别省市：