[發(fā)明專利]一種暗光圖像降噪方法及裝置

有效

• 申請?zhí)枺?/td>: 202111641889.8
• 申請日: 2021-12-29
• 公開（公告）號: CN114418873B
• 公開（公告）日: 2022-12-20
• 發(fā)明（設計）人: 王林;周曉;朱才志;汝佩哲
• 申請（專利權）人: 英特靈達信息技術（深圳）有限公司;合肥英特靈達信息技術有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 項京;高鶯然

1.一種暗光圖像降噪方法，其特征在于，所述方法包括：

獲取RAW域暗光圖像；

對所述RAW域暗光圖像進行預設圖像增強變換，將變換后的圖像輸入預先訓練的降噪網絡模型，得到輸出圖像；其中，所述降噪網絡模型是根據樣本圖像訓練的，所述樣本圖像包括：模擬壞點暗光圖像和無噪圖像；

對所述輸出圖像進行所述預設圖像增強變換的逆變換，得到降噪圖像；

采用如下步驟獲得所述模擬壞點暗光圖像：

獲取暗光噪聲圖像；

基于預先統(tǒng)計的傳感器壞點比例，在所述暗光噪聲圖像中隨機生成特定數量的壞點，得到模擬壞點暗光圖像，其中，所生成的壞點的像素值為高亮值或所生成的壞點的像素值與周邊像素點的像素值不滿足預設分布。

2.根據權利要求1所述的方法，其特征在于，所述對所述RAW域暗光圖像進行預設圖像增強變換的步驟，包括：

依次對所述RAW域暗光圖像進行歸一化、gamma變換。

3.根據權利要求1所述的方法，其特征在于，采用如下步驟訓練所述降噪網絡模型：

獲取初始神經網絡模型和所述樣本圖像；

將進行所述預設圖像增強變換后的模擬壞點暗光圖像輸入所述初始神經網絡模型；

基于所述初始神經網絡模型輸出結果和進行所述預設圖像增強變換后的無噪圖像，計算損失值；

基于所述損失值調整所述初始神經網絡的模型參數，并返回將進行所述預設圖像增強變換后的模擬壞點暗光圖像輸入所述初始神經網絡模型的步驟，直到所述初始神經網絡模型收斂；

將收斂的初始神經網絡模型確定為所述降噪網絡模型。

4.一種暗光圖像降噪裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取RAW域暗光圖像；

降噪模塊，用于對所述RAW域暗光圖像進行預設圖像增強變換，將變換后的圖像輸入預先訓練的降噪網絡模型，得到輸出圖像；其中，所述降噪網絡模型是根據樣本圖像訓練的，所述樣本圖像包括：模擬壞點暗光圖像和無噪圖像；

逆變換模塊，用于對所述輸出圖像進行所述預設圖像增強變換的逆變換，得到降噪圖像；

還包括：生成模塊，所述生成模塊具體用于：

獲取暗光噪聲圖像；

基于預先統(tǒng)計的傳感器壞點比例，在所述暗光噪聲圖像中隨機生成特定數量的壞點，得到模擬壞點暗光圖像，其中，所生成的壞點的像素值為高亮值或所生成的壞點的像素值與周邊像素點的像素值不滿足預設分布。

5.根據權利要求4所述的裝置，其特征在于，所述降噪模塊包含增強變換子模塊，所述增強變換子模塊，具體用于：

依次對所述RAW域暗光圖像進行歸一化、gamma變換。

6.根據權利要求4所述的裝置，其特征在于，還包括訓練模塊，所述訓練模塊，具體用于：

獲取初始神經網絡模型和所述樣本圖像；

將進行所述預設圖像增強變換后的模擬壞點暗光圖像輸入所述初始神經網絡模型；

基于所述初始神經網絡模型輸出結果和進行所述預設圖像增強變換后的無噪圖像，計算損失值；

基于所述損失值調整所述初始神經網絡的模型參數，并返回將進行所述預設圖像增強變換后的模擬壞點暗光圖像輸入所述初始神經網絡模型的步驟，直到所述初始神經網絡模型收斂；

將收斂的初始神經網絡模型確定為所述降噪網絡模型。

7.一種電子設備，其特征在于，包括處理器、通信接口、存儲器和通信總線，其中，處理器，通信接口，存儲器通過通信總線完成相互間的通信；

存儲器，用于存放計算機程序；

處理器，用于執(zhí)行存儲器上所存放的程序時，實現權利要求1-3任一所述的方法步驟。

8.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質內存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現權利要求1-3任一所述的方法步驟。