[發明專利]圖像去噪方法及裝置、計算機可讀存儲介質、終端

有效

• 申請號: 202110732834.1
• 申請日: 2021-06-29
• 公開（公告）號: CN113469911B
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 胡伯承
• 申請（專利權）人: 展訊通信（上海）有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08;G06T5/50
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 張英英;張振軍

一種圖像去噪方法及裝置、計算機可讀存儲介質、終端，圖像去噪方法包括：獲取待去噪圖像；將所述待去噪圖像輸入至訓練好的神經網絡模型，所述神經網絡模型包括卷積層、輸入權重節點和輸出權重節點，所述輸入權重節點在訓練后學習得到輸入權重，所述輸出節點在訓練后學習得到輸出權重，所述卷積層輸出針對所述待去噪圖像去噪后的初始輸出圖像，所述待去噪圖像與所述初始輸出圖像分別經由所述輸入權重節點和所述輸出權重節點進行加權融合，以得到去噪后圖像；輸出所述去噪后的圖像。本發明技術方案能夠提升圖像去噪的效果。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種圖像去噪方法及裝置、計算機可讀存儲介質、終端。

背景技術

數字圖像往往因為設備、環境、傳輸等影響，引入不同類型的復雜的噪聲。傳統圖像去噪可以達到非常好的性能，但存在以下缺點：優化方法復雜；需要手動設置并調整參數；噪聲建模困難。

為去除形態復雜的噪聲，基于人工智能(Artificial Intelligence)的去噪算法稱為業內趨勢。通過大量干凈圖片、噪聲圖片數據對進行訓練，快速建立去噪模型。憑借其“黑匣子”般非線性特點，迅速成為行業研究熱點。常用的有前饋去噪卷積神經網絡模型DnCNN(Beyond a Gaussian Denoiser:Residual Learning of Deep CNN for ImageDenoising(TIP2017),Zhang et al.)，該模型提出利用神經網絡的殘差結構，通過一系列卷積層學習分離出噪聲圖片，最后將其與輸入圖片直接相加。常用的還有CBDNet神經網絡模型：(Toward Convolutional Blind Denoising of Real Photographs(CVPR 2019),Guoet al)，該模型包含兩個網絡，一個噪聲估計小網絡和一個去噪網絡。其去噪網絡本質同樣是殘差結構，即將卷積層輸出和輸入直接相加。

但是，當前基于AI去噪方案缺乏對傳統圖像處理算法的考慮，盲目使用AI通用結構，存在神經網絡結構僵化、去噪圖像模糊的問題。

發明內容

本發明解決的技術問題是如何提升圖像去噪的效果。

為解決上述技術問題，本發明實施例提供一種圖像去噪方法，圖像去噪方法包括：獲取待去噪圖像；將所述待去噪圖像輸入至訓練好的神經網絡模型，所述神經網絡模型包括卷積層、輸入權重節點和輸出權重節點，所述輸入權重節點在訓練后學習得到輸入權重，所述輸出節點在訓練后學習得到輸出權重，所述卷積層輸出針對所述待去噪圖像去噪后的初始輸出圖像，所述待去噪圖像與所述初始輸出圖像分別經由所述輸入權重節點和所述輸出權重節點進行加權融合，以得到去噪后圖像；輸出所述去噪后的圖像。

可選的，所述神經網絡模型執行以下步驟獲得所述初始輸出圖像：對所述待去噪圖像進行下采樣操作；經過所述卷積層提取所述待去噪圖像的特征，并進行上采樣操作，得到所述初始輸出圖像。

可選的，所述去噪后的圖像為所述待去噪圖像與所述輸入權重的乘積加上所述初始輸出圖像與所述輸出權重的乘積。

可選的，采用以下方式訓練所述神經網絡模型：構建所述神經網絡模型，并初始化所述輸入權重和所述輸出權重；獲取訓練數據集，所述訓練數據集包括噪聲圖像和干凈圖像，所述噪聲圖像和所述干凈圖像的像素點對齊；將所述訓練數據集輸入至所述神經網絡模型，直至所述模型收斂。

可選的，所述神經網絡模型的多個卷積層之間存在跳躍連接。

可選的，所述神經網絡模型采用以下公式計算最小化損失：

其中，L(，θ)w表示損失值，θ表示所述神經網絡模型中的參數，n表示輸入的樣本數量，w₁表示輸入權重，w₂表示輸出權重，I_noisy表示所述待去噪圖像，I_clean表示所述待去噪圖像對應的目標干凈圖像，f(I_noisy,θ)表示所述初始輸出圖像。