[發明專利]一種基于深度學習的降噪方法、裝置、存儲介質及設備

在審

• 申請號: 202010344307.9
• 申請日: 2020-04-27
• 公開（公告）號: CN113643188A
• 公開（公告）日: 2021-11-12
• 發明（設計）人: 劉應;孫岳
• 申請（專利權）人: 浙江宇視科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

1.一種基于深度學習的降噪方法，其特征在于，該方法包括：

獲取低照度場景下的基礎格式數據，并對所述基礎格式數據進行預處理，得到預處理結果；

將所述預處理結果輸入至預先訓練完成的降噪模型；其中，所述降噪模型是根據在預設數量個場景中對每個場景采用不同曝光時長得到的訓練樣本對進行訓練得到的；

獲取所述降噪模型的降噪輸出結果；其中，所述降噪輸出結果的格式為基礎格式。

2.根據權利要求1所述的方法，其特征在于，所述降噪模型的訓練過程包括：

在每個場景中，獲取至少一幀短曝光數據和一幀長曝光數據，形成短曝光與長曝光的訓練樣本對；

將所述訓練樣本對根據曝光時間的長短進行預處理，得到預處理樣本數據；

將所述預處理樣本數據輸入至基礎模型，所述基礎模型包括預設數量個卷積模塊；其中，所述卷積模塊中包括相同數量的下采樣卷積模塊和上采樣卷積模塊；所述下采樣卷積模塊由一個卷積層和一個池化層組成，所述上采樣卷積模塊由一個反卷積層和一個卷積層組成；

通過對基礎模型的訓練，得到降噪模型。

3.根據權利要求2所述的方法，其特征在于，將所述訓練樣本對根據曝光時間的長短進行預處理，得到預處理樣本數據，包括：

對所述訓練樣本對中的短曝光數據，進行黑電平處理、數據歸一化處理以及數據縮放，得到短曝光數據的預處理結果；以及，

對所述訓練樣本對中的長曝光數據，進行黑電平處理和數據歸一化處理，得到短曝光數據的預處理結果。

4.根據權利要求3所述的方法，其特征在于，對所述訓練樣本對中的短曝光數據的處理過程，采用如下公式進行：

其中，O_s為短曝光圖像的預處理結果，I_s為短曝光圖像，Blc為圖像采集設備的黑電平，I_smax為短曝光圖像的最大像素值，Scale為增益因子；

對所述訓練樣本對中的長曝光數據的處理過程，采用如下公式進行：

其中，O_l為長曝光圖像的預處理結果，I_l為長曝光圖像，I_lmax為長曝光圖像的最大像素值；

其中，所述增益因子Scale為短曝光圖像與長曝光圖像的曝光時間比值。

5.根據權利要求2所述的方法，其特征在于，所述預設數量為6個；其中，第一卷積模塊和第二卷積模塊為下采樣卷積模塊，第四卷積模塊和第五卷積模塊為上采樣卷積模塊；

其中，所述第一卷積模塊在卷積層中卷積核的個數為16個，所述第二卷積模塊在卷積層中卷積核的個數為32個；

所述第四卷積模塊在反卷積層中反卷積核的個數為32個，所述第五卷積模塊在反卷積層中反卷積核的個數為16個；

其中，所述第四卷積模塊從所述第二卷積模塊獲取特征參數，所述第五卷積模塊從所述第一卷積模塊獲取特征參數。

6.根據權利要求2所述的方法，其特征在于，所述下采樣卷積模塊中池化層的池化窗口的大小為2×2。

7.根據權利要求1所述的方法，其特征在于，所述基礎格式數據為RAW格式的圖像數據。

8.一種基于深度學習的降噪裝置，其特征在于，該裝置包括：

預處理模塊，用于獲取低照度場景下的基礎格式數據，并對所述基礎格式數據進行預處理，得到預處理結果；

數據輸入模塊，用于將所述預處理結果輸入至預先訓練完成的降噪模型；其中，所述降噪模型是根據在預設數量個場景中對每個場景采用不同曝光時長得到的訓練樣本對進行訓練得到的；

降噪結果輸出模塊，用于獲取所述降噪模型的降噪輸出結果；其中，所述降噪輸出結果的格式為基礎格式。

9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現如權利要求1-7中任一項所述的基于深度學習的降噪方法。

10.一種設備，包括存儲器，處理器及存儲在存儲器上并可在處理器運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現如權利要求1-7中任一項所述的基于深度學習的降噪方法。