System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像降噪领域,具体涉及一种暗场景图像降噪方法和系统。
技术介绍
1、在计算机视觉任务的发展历程中,图像降噪一直是一个广受关注的前沿领域,因为它能够去除噪声,还原原始图像中传达的大量信息。在图像降噪领域中,最重要的主题之一就是暗场景图像降噪,因为它可以广泛应用于生产、工业和国防等领域,例如安防监控、机器人技术和自动驾驶等。在生产生活的实际应用需要相关网络系统既高效又快速。然而,暗场景中的噪声离散程度极大,在去除噪声过程中又需要尽可能地保留细节信息,这使得有效解决实际问题更具挑战性。尽管困难重重,但由于深度神经网络地广泛应用,近年来在该研究领域取得了长足进展。
2、如今,人们通过更深更宽的神经网络已经实现了很好的暗场景图像降噪效果。已经有许多基于2d和3d卷积神经网络(cnn)的方法被报道可以实现高效的暗场景图像降噪。然而,降噪效果的提升是以高昂的计算复杂度为代价的。更深更广的网络带来了更多的权重矩阵乘法,这反过来又增加了相当可观的计算资源和能量耗。目前暗场景图像降噪方法和系统大多只包含深度学习算法,将深度学习算法和模型封装成独立的模块,用深度学习算法处理暗场景图像降噪方法的全流程。
3、对于存储空间和内存有限的嵌入式物联网设备,计算资源的超高要求令人望而却步,也使得使用神经网络降噪的实际应用变得不再现实。例如,在手机芯片中,暗场景图像降噪算法仅仅占据芯片中的一小部分,该部分资源很难保证纯深度学习算法的暗场景图像降噪系统的正常工作。
技术实现思路
2、具体的,本专利技术的技术方案如下:
3、第一方面,本专利技术提供了一种暗场景图像降噪方法,包括:
4、采集若干原始raw图,将所述原始raw图转换为若干拜耳图像序列;若干所述原始raw图包括:若干原始raw实景图和若干原始raw标定图;
5、根据所述原始raw图的感光度和灰度值信息,将对应的所述拜耳图像序列进行感光度归一化,得到若干归一化后的所述拜耳图像序列;
6、将若干归一化后的所述拜耳图像序列代入深度神经网络,利用深度可分离卷积提取特征信息;
7、将所述特征信息应用于所述深度神经网络,与预设的低噪声图像匹配,得到训练后的深度神经网络和降噪后的所述拜耳图像序列;
8、对降噪后的所述拜耳图像序列进行感光度反归一化和图像信号处理,得到降噪暗场景图像。
9、本实施方法将用于暗场景降噪的深度神经网络嵌入在传统图像处理流程中,使用了归一化的拜耳图像序列作为深度神经网络输入,归一化后的拜耳图像序列去除了不同感光度对拜耳图像的噪声离散程度的影响;避免了神经网络得到不同感光度的降噪参数,需要对不同感光度的拜耳图像需要进行分别训练,节约了深度神经网络的计算量。且拜耳图像序列相对于传统图像处理流程后得到的图像保留了更多图像传感器捕捉到的原始细节,噪声形态更简单,大大降低了神经网络的学习难度。
10、在一些暗场景图像降噪方法的实施方法,所述的根据所述原始raw图的感光度和灰度值信息,将对应的所述拜耳图像序列进行感光度归一化,得到若干归一化后的所述拜耳图像序列,包括:
11、根据若干所述原始raw标定图的灰度值信息,计算得到若干所述原始raw标定图的灰度值均方差和灰度值均值;
12、根据若干所述原始raw标定图的灰度值均方差和灰度值均值,得到不同感光度的一阶多项式拟合曲线;所述一阶多项式拟合曲线以所述灰度值均方差为y轴,以所述灰度值均值为x轴;
13、根据所述一阶多项式拟合曲线和所述拜耳图像序列,计算得到归一化后的所述拜耳图像序列。
14、本实施方法提供了通过原始raw标定图,得到不同感光度下的表征灰度值均方差和灰度值均值之间关系的若干条一阶多项式拟合曲线,再利用一阶多项式拟合曲线归一化拜耳图像序列,其中,灰度值均方差代表了图像噪声的离散程度。
15、在一些暗场景图像降噪方法的实施方法,所述的根据所述一阶多项式拟合曲线和所述拜耳图像序列,计算得到归一化后的所述拜耳图像序列,包括:
16、将所述一阶多项式拟合曲线的纵截距作为第一噪声特性参数,利用一阶多项式,拟合不同感光度的所述一阶多项式拟合曲线的第一噪声特性参数,得到第一噪声曲线;所述第一噪声曲线的横坐标是感光度,纵坐标是第一噪声特性参数;
17、将所述一阶多项式拟合曲线的斜率作为第二噪声特性参数,利用二阶多项式,拟合不同感光度的所述一阶多项式拟合曲线的第二噪声特性参数,得到第二噪声曲线;所述第二噪声曲线的横坐标是感光度,纵坐标是第二噪声特性参数;
18、根据若干所述原始raw实景图的感光度、所述第一噪声曲线、所述第二噪声曲线,计算得到对应所述原始raw实景图的第一噪声特性参数和第二噪声特性参数。
19、本实施方法提供了一阶多项式拟合曲线具体完成归一化的方法,是对一阶多项式拟合曲线处理得到第一噪声曲线和第二噪声曲线,拍摄得到的原始raw实景图转换的拜耳图像序列能够基于第一噪声曲线和第二噪声曲线完成归一化,去除不同感光度对噪声形态的影响。
20、在一些暗场景图像降噪方法的实施方法,
21、所述的根据所述原始raw实景图的第一噪声特性参数、第二噪声特性参数和对应所述原始raw实景图的所述拜耳图像序列,计算得到归一化后的所述拜耳图像序列;
22、其计算公式为:
23、其中,outimage是归一化后的所述拜耳图像序列,inimage是所述拜耳图像序列,cura是所述第一噪声特性参数,curb是所述第二噪声特性参数。
24、本实施方法提供了拍摄得到的原始raw实景图转换的拜耳图像序列能够基于第一噪声曲线和第二噪声曲线完成归一化的具体计算公式。
25、在一些暗场景图像降噪方法的实施方法,
26、所述的将若干归一化后的所述拜耳图像序列代入深度神经网络,利用深度可分离卷积提取特征信息,包括:
27、所述深度神经网络的编码器利用深度可分离卷积,从归一化后的所述拜耳图像序列提取特征信息,所述特征信息包括:语义特征信息和细节特征信息;
28、所述深度神经网络的跳连模块利用跳连结构融合所述特征信息,得到融合特征信息。
29、本实施方法提供了深度神经网络的编码器利用深度可分离卷积提取特征信息,在不影响降噪效果的情况下,大大节约卷积的参数量,降低深度学习算法的硬件资源消耗。
30、在一些暗场景图像降噪方法的实施方法,
31、所述的将所述特征信息应用于所述深度神经网络,与预设的低噪声图像匹配,得到训练后的深度神经网络和降噪后的所述拜耳图像序列,包括:
32、所述深度神经网络结合所述融合特征信息,与所述预设的低噪声图像配对进行训练,学习得到所述深度神经网络的降噪参数,得到训练后的所述深度神经网络;
...
【技术保护点】
1.一种暗场景图像降噪方法,其特征在于,包括:
2.根据权利要求1所述的一种暗场景图像降噪方法,其特征在于,所述的根据所述原始RAW图的感光度和灰度值信息,将对应的所述拜耳图像序列进行感光度归一化,得到若干归一化后的所述拜耳图像序列,包括:
3.根据权利要求2所述的一种暗场景图像降噪方法,其特征在于,所述的根据所述一阶多项式拟合曲线和所述拜耳图像序列,计算得到归一化后的所述拜耳图像序列,包括:
4.根据权利要求3所述的一种暗场景图像降噪方法,其特征在于,
5.根据权利要求3所述的一种暗场景图像降噪方法,其特征在于,
6.根据权利要求5所述的一种暗场景图像降噪方法,其特征在于,
7.根据权利要求3-6任意一项所述的一种暗场景图像降噪方法,其特征在于,所述的对降噪后的所述拜耳图像序列进行感光度反归一化和图像信号处理,得到降噪暗场景图像,包括:
8.一种暗场景图像降噪系统,其特征在于,包括:
9.根据权利要求8所述的一种暗场景图像降噪系统,其特征在于,
10.根据权利要求9所述的
11.根据权利要求10所述的一种暗场景图像降噪系统,其特征在于,
12.根据权利要求10所述的一种暗场景图像降噪系统,其特征在于,
13.根据权利要求12所述的一种暗场景图像降噪系统,其特征在于,
14.根据权利要求10-13任意一项所述的一种暗场景图像降噪系统,
...【技术特征摘要】
1.一种暗场景图像降噪方法,其特征在于,包括:
2.根据权利要求1所述的一种暗场景图像降噪方法,其特征在于,所述的根据所述原始raw图的感光度和灰度值信息,将对应的所述拜耳图像序列进行感光度归一化,得到若干归一化后的所述拜耳图像序列,包括:
3.根据权利要求2所述的一种暗场景图像降噪方法,其特征在于,所述的根据所述一阶多项式拟合曲线和所述拜耳图像序列,计算得到归一化后的所述拜耳图像序列,包括:
4.根据权利要求3所述的一种暗场景图像降噪方法,其特征在于,
5.根据权利要求3所述的一种暗场景图像降噪方法,其特征在于,
6.根据权利要求5所述的一种暗场景图像降噪方法,其特征在于,
7.根据权利要求...
【专利技术属性】
技术研发人员:刘健伟,李珂,陈海宝,
申请(专利权)人:上海为旌科技有限公司,
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。