训练方法、图像去噪方法及可读存储介质技术

本发明专利技术提供了一种训练方法、图像去噪方法及可读存储介质。其中，所述训练方法包括：基于特征空间损失值、梯度损失值和正则项加权计算所述去噪模型的训练程度，其中，所述正则项用于表征图像的空间平滑性；基于所述训练程度判断所述去噪模型是否训练完毕。如此配置，以所述训练程度为标准进行模型训练，可以兼顾输出图像的特征、梯度和平滑度，从而解决现有技术中存在的去除噪声的同时会抹去很多图像原本具有的高频细节信息，导致图像过于平滑，甚至丢失关键内容的问题。丢失关键内容的问题。丢失关键内容的问题。

【技术实现步骤摘要】
训练方法、图像去噪方法及可读存储介质


[0001]本专利技术涉及图像信号处理
，特别涉及一种训练方法、图像去噪方法及可读存储介质。

技术介绍

[0002]对于噪声污染的图像，现有技术中对于去噪模型训练时的常见的监督方法有如下两种。
[0003]方法一：计算平均绝对误差，即去噪模型的预测图像与目标图像的对应像素灰度值的差值的绝对值的平均值。即按照如下公式进行计算：
[0004][0005]其中，MAE代表平均绝对误差，m为预测图像的像素总数，同时也是目标图像的像素总数。y
i
代表预测图像的第i个像素的灰度值，y
i
’
代表目标图像的第i个像素的灰度值。其中，像素的编号规则可以是任意的，只要能够满足遍历即可。预测图像和目标图像的像素的编号规则相同。
[0006]方法二：计算均方误差，即去噪模型的预测图像与目标图像的对应像素灰度值的差值的平方的平均值。即按照如下公式进行计算：
[0007][0008]其中，MSE代表均方误差，其余符号可以参考方法一的说明进行理解。
[0009]基于以上两者方法训练得到的图像去噪模型的缺陷是：基于像素空间，生成的图像过于平滑，损失高频细节。
[0010]即，现有技术存在去除噪声的同时会抹去很多图像原本具有的高频细节信息，导致图像过于平滑，甚至丢失关键内容的问题。

技术实现思路

[0011]本专利技术的目的在于提供一种训练方法、图像去噪方法及可读存储介质，以解决现有技术中存在的去除噪声的同时会抹去很多图像原本具有的高频细节信息，导致图像过于平滑，甚至丢失关键内容的问题。
[0012]为了解决上述技术问题，根据本专利技术的第一个方面，提供了一种训练方法，所述训练方法应用于去噪模型，包括如下步骤：基于训练集训练所述去噪模型；基于所述去噪模型的预测图像和目标图像得到特征空间损失值；基于所述预测图像和所述目标图像得到梯度损失值；基于所述预测图像得到正则项，其中，所述正则项用于表征图像的空间平滑性；所述特征空间损失值、所述梯度损失值和所述正则项通过加权求和得到加权损失值；基于所述加权损失值得到所述去噪模型的训练程度；以及，若所述训练程度满足预设条件，则把所述去噪模型作为训练结果；否则，重新基于所述训练集训练所述去噪模型。
[0013]可选的，基于所述去噪模型的预测图像和目标图像得到特征空间损失值的步骤，
具体包括：基于空间特征网络得到所述预测图像的第一空间特征谱；基于所述空间特征网络得到所述目标图像的第二空间特征谱；以及，计算所述第一空间特征谱与所述第二空间特征谱的平均绝对误差，得到所述特征空间损失值。
[0014]可选的，所述空间特征网络包含预设层数的卷积层，所述预设层数大于1；所述空间特征网络基于平均绝对误差损失训练得到；基于空间特征网络得到所述预测图像的第一空间特征谱的步骤包括：所述预测图像输入所述空间特征网络；以及，基于所述空间特征网络的第一层卷积层的输出结果融合得到所述第一空间特征谱；基于所述空间特征网络得到所述目标图像的第二空间特征谱的步骤包括：所述目标图像输入所述空间特征网络；以及，基于所述空间特征网络的第一层卷积层的输出结果融合得到所述第二空间特征谱。
[0015]可选的，所述空间特征网络包含三层卷积层，其中，每层所述卷积层包含10维特征谱。
[0016]可选的，所述融合方法为：对所述特征谱中相同位置的输出值计算平均值，得到所述第一空间特征谱或者所述第二空间特征谱。
[0017]可选的，基于所述预测图像和所述目标图像得到所述梯度损失值的步骤，具体包括：
[0018]计算
[0019]其中，L
G
代表所述梯度损失值，W代表所述预测图像的宽度，H代表所述预测图像的高度，G
x
(i)代表G
x
的第i个像素的梯度值，G
x
(i)
’
代表G
x
’
的第i个像素的梯度值，G
y
(i)代表G
y
的第i个像素的梯度值，G
y
(i)
’
代表G
y
’
的第i个像素的梯度值，G
x
代表所述预测图像沿宽度方向的梯度图，G
x
’
代表所述目标图像沿宽度方向的梯度图，G
y
代表所述预测图像沿高度方向的梯度图，G
y
’
代表所述目标图像沿高度方向的梯度图，G
x
、G
x
’
、G
y
和G
y
’
的像素的编号方式相同。
[0020]可选的，基于所述预测图像得到所述正则项的步骤，具体包括：
[0021]计算
[0022]其中，L
T
代表所述正则项，W代表所述预测图像的宽度，H代表所述预测图像的高度，G
x
(i)代表G
x
的第i个像素的梯度值，G
y
(i)代表G
y
的第i个像素的梯度值，G
x
代表所述预测图像沿宽度方向的梯度图，G
y
代表所述预测图像沿高度方向的梯度图，G
x
和G
y
的像素的编号方式相同。
[0023]可选的，所述预设条件包括：所述训练程度小于预设阈值；或者，所述预设条件包括：所述训练程度为最小值。
[0024]为了解决上述技术问题，根据本专利技术的第二个方面，提供了一种图像去噪方法，包括如下步骤：基于去噪模型对图像进行处理，从而得到去噪后的图像，其中，所述去噪模型基于上述的训练方法得到。
[0025]一种可读存储介质，其特征在于，所述可读存储介质存储有程序，所述程序运行时，执行上述的训练方法或者上述的图像去噪方法。
[0026]与现有技术相比，本专利技术提供的训练方法、图像去噪方法及可读存储介质中，所述训练方法包括：基于所述去噪模型的预测图像和目标图像得到特征空间损失值；基于所述
预测图像和所述目标图像得到梯度损失值；基于所述预测图像得到正则项，其中，所述正则项用于表征图像的空间平滑性；所述特征空间损失值、所述梯度损失值和所述正则项通过加权求和得到加权损失值；基于所述加权损失值得到所述去噪模型的训练程度，基于所述训练程度判断所述去噪模型是否训练完毕。如此配置，以所述训练程度为标准进行模型训练，可以兼顾输出图像的特征、梯度和平滑度，从而解决现有技术中存在的去除噪声的同时会抹去很多图像原本具有的高频细节信息，导致图像过于平滑，甚至丢失关键内容的问题。
附图说明
[0027]本领域的普通技术人员将会理解，提供的附图用于更好地理解本专利技术，而不对本专利技术的范围构成任何限定。其中：
[0028]图1是本专利技术一实施例的训练方法的流程示意图；
[0029]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练方法，其特征在于，所述训练方法应用于去噪模型，包括如下步骤：基于训练集训练所述去噪模型；基于所述去噪模型的预测图像和目标图像得到特征空间损失值；基于所述预测图像和所述目标图像得到梯度损失值；基于所述预测图像得到正则项，其中，所述正则项用于表征图像的空间平滑性；所述特征空间损失值、所述梯度损失值和所述正则项通过加权求和得到加权损失值；基于所述加权损失值得到所述去噪模型的训练程度；以及，若所述训练程度满足预设条件，则把所述去噪模型作为训练结果；否则，重新基于所述训练集训练所述去噪模型。2.根据权利要求1所述的训练方法，其特征在于，基于所述去噪模型的预测图像和目标图像得到特征空间损失值的步骤，具体包括：基于空间特征网络得到所述预测图像的第一空间特征谱；基于所述空间特征网络得到所述目标图像的第二空间特征谱；以及，计算所述第一空间特征谱与所述第二空间特征谱的平均绝对误差，得到所述特征空间损失值。3.根据权利要求2所述的训练方法，其特征在于，所述空间特征网络包含预设层数的卷积层，所述预设层数大于1；所述空间特征网络基于平均绝对误差损失训练得到；基于空间特征网络得到所述预测图像的第一空间特征谱的步骤包括：所述预测图像输入所述空间特征网络；以及，基于所述空间特征网络的第一层卷积层的输出结果融合得到所述第一空间特征谱；基于所述空间特征网络得到所述目标图像的第二空间特征谱的步骤包括：所述目标图像输入所述空间特征网络；以及，基于所述空间特征网络的第一层卷积层的输出结果融合得到所述第二空间特征谱。4.根据权利要求3所述的训练方法，其特征在于，所述空间特征网络包含三层卷积层，其中，每层所述卷积层包含10维特征谱。5.根据权利要求4所述的训练方法，其特征在于，所述融合方法为：对所述特征谱中相同位置的输出值计算平均值，得到所述第一空间特征谱或者所述第二空间特征谱。6.根据权利要求1所述的训练方法，其特征在于，基于所述预测图像和所述目标图像得到所述梯度损失值的步骤，具体包括：计算其中，L
G
代表所述梯度损失值，W代表所述预测图像的宽度，H代表所述预测图像的高度，G
x
(i)代表G
x
的第i个像素的梯度值，G
x
(i)
...

【专利技术属性】
技术研发人员：孙利虎，杨晓冬，苏文凯，
申请(专利权)人：豪威科技武汉有限公司，
类型：发明
国别省市：