图像去噪方法、装置、电子设备及计算机程序产品制造方法及图纸

本申请涉及图像处理领域，提供一种图像去噪方法、装置、电子设备及计算机程序产品。所述方法包括：获取原始含噪图像，对原始含噪图像进行下采样处理，得到第一含噪图像；在第一含噪图像包含噪声估计信息的情况下，将第一含噪图像包含的噪声估计信息输入单路卷积网络，得到特征信息；将原始含噪图像以及特征信息输入多重空洞卷积网络进行训练，得到第一去噪图像；在第一含噪图像不包含噪声估计信息的情况下，将原始含噪图像输入多重空洞卷积网络进行训练，得到第一去噪图像。本申请通过多重空洞卷积网络提取图像不同深度下的噪声特征信息，使得提取出的噪声特征信息更接近于真实噪声分布，更好地适用于处理真实环境下的噪声图像。像。像。

【技术实现步骤摘要】
图像去噪方法、装置、电子设备及计算机程序产品


[0001]本申请涉及图像处理领域，具体涉及一种图像去噪方法、装置、电子设备及计算机程序产品。

技术介绍

[0002]在图像去噪领域，现有的解决方案大致可以分为两类，传统去噪器和深度神经网络去噪器。传统去噪器的人工设计去噪方法会使得图像的一些边缘变模糊，导致图像失真。近年来，随着深度神经网络的不断发展，衍生出了许多基于深度学习的去噪方法，例如基于真实噪声建模的卷积盲去噪方法，这种方法非常依赖于以成对形式出现的纯净无噪图像和真实含噪图像，但纯净无噪图像获取过程非常繁琐，单纯对某些特定噪声进行分析不能适用于处理真实环境下的噪声图像。

技术实现思路

[0003]本申请实施例提供一种图像去噪方法、装置、电子设备及计算机程序产品，用以解决现有图像去噪方法不适用于处理真实环境下的噪声图像的技术问题。
[0004]第一方面，本申请实施例提供一种图像去噪方法，包括：
[0005]获取原始含噪图像，对所述原始含噪图像进行下采样处理，得到第一含噪图像；
[0006]在所述第一含噪图像包含噪声估计信息的情况下，将所述第一含噪图像包含的噪声估计信息输入单路卷积网络，得到特征信息；
[0007]将所述原始含噪图像以及所述特征信息输入多重空洞卷积网络进行训练，得到第一去噪图像；
[0008]在所述第一含噪图像不包含噪声估计信息的情况下，将所述原始含噪图像输入多重空洞卷积网络进行训练，得到第一去噪图像。
[0009]在一个实施例中，所述对所述原始含噪图像进行下采样处理，得到第一含噪图像的步骤包括：
[0010]根据预设步长对所述原始含噪图像进行池化，得到多个含噪图像；
[0011]对所述多个含噪图像进行拼接，得到第一含噪图像，其中，所述第一含噪图像与所述原始含噪图像尺寸相同。
[0012]在一个实施例中，所述图像去噪方法还包括：
[0013]根据卷积层、激活层和归一化层确定所述单路卷积网络以及所述多重空洞卷积网络，其中，所述多重空洞卷积网络包括第一层、第二层、第三层和第四层，所述第一层包括所述卷积层、所述激活层和所述归一化层，所述第二层、所述第三层和所述第四层均包括所述卷积层和所述激活层。
[0014]在一个实施例中，所述将所述原始含噪图像以及所述特征信息输入多重空洞卷积网络进行训练，得到第一去噪图像的步骤包括：
[0015]将所述原始含噪图像以及所述特征信息输入多重空洞卷积网络，得到所述第一层
的输出、所述第二层的输出、所述第三层的输出和所述第四层的输出；
[0016]对所述第二层的输出、所述第三层的输出和所述第四层的输出进行预设叠加操作，将所述预设叠加操作的结果输入所述卷积层和所述激活层，得到目标输出；
[0017]根据所述第一层的输出和所述目标输出，得到第一去噪图像。
[0018]在一个实施例中，所述得到第一去噪图像的步骤之后，包括：
[0019]在所述第一含噪图像包含噪声估计信息的情况下，根据第一预设损失函数计算所述多重空洞卷积网络的梯度值；
[0020]在所述第一含噪图像不包含噪声估计信息的情况下，根据第二预设损失函数计算所述多重空洞卷积网络的梯度值；
[0021]在所述多重空洞卷积网络的参数不符合预设条件的情况下，根据所述梯度值对所述多重空洞卷积网络的参数进行更新；
[0022]在所述多重空洞卷积网络的参数符合预设条件的情况下，得到新的多重空洞卷积网络。
[0023]在一个实施例中，所述在所述多重空洞卷积网络的参数符合预设规则的情况下，得到新的多重空洞卷积网络的步骤之后，包括：
[0024]叠加所述第一含噪图像和所述第一去噪图像，得到图像组合，对所述图像组合进行上采样处理，得到第二含噪图像；
[0025]在所述第二含噪图像包含噪声估计信息的情况下，将所述第二含噪图像包含的噪声估计信息输入单路卷积网络，得到特征信息；
[0026]将所述原始含噪图像以及所述特征信息输入所述新的多重空洞卷积网络进行训练，得到第二去噪图像；
[0027]在所述第二含噪图像不包含噪声估计信息的情况下，将所述原始含噪图像输入所述新的多重空洞卷积网络进行训练，得到第二去噪图像。
[0028]在一个实施例中，所述得到第二去噪图像的步骤之后，包括：
[0029]根据所述第二去噪图像，确定待测试的多重空洞卷积网络；
[0030]读取预设测试集，得到测试图像和对比图像，将所述测试图像输入所述待测试的多重空洞卷积网络，得到目标去噪图像；
[0031]对比所述目标去噪图像与所述对比图像，得到对比结果，根据预设评估指标和所述对比结果，确定所述待测试的多重空洞卷积网络的评价结果；
[0032]在所述评价结果不符合预设要求的情况下，调整所述待测试的多重空洞卷积网络。
[0033]第二方面，本申请实施例提供一种图像去噪装置，包括：
[0034]下采样模块，用于获取原始含噪图像，对所述原始含噪图像进行下采样处理，得到第一含噪图像；
[0035]特征信息获得模块，用于在所述第一含噪图像包含噪声估计信息的情况下，将所述第一含噪图像包含的噪声估计信息输入单路卷积网络，得到特征信息；
[0036]第一训练模块，用于将所述原始含噪图像以及所述特征信息输入多重空洞卷积网络进行训练，得到第一去噪图像；
[0037]第二训练模块，用于在所述第一含噪图像不包含噪声估计信息的情况下，将所述
原始含噪图像输入多重空洞卷积网络进行训练，得到第一去噪图像。
[0038]第三方面，本申请实施例提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述计算机程序时实现第一方面所述的图像去噪方法的步骤。
[0039]第四方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现第一方面所述的图像去噪方法的步骤。
[0040]本申请实施例提供的图像去噪方法、装置、电子设备及计算机程序产品，通过对原始含噪图像进行下采样，降低真实噪声的空间相关性，增加用于噪声估计的单路卷积网络，让多重空洞卷积网络能够适应包含噪声估计信息的去噪任务，且多重空洞卷积网络可以提取图像不同深度下的噪声特征信息，使得提取出的噪声特征信息更接近于真实噪声分布，更好地适用于处理真实环境下的噪声图像。
附图说明
[0041]为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]图1是本申请实施例提供的图像去噪方法的流程示意图之一；
[0043]图2是本申请实施例提供的图像去噪方法的流程示意图之二；
[0044]图3是本申请实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像去噪方法，其特征在于，包括：获取原始含噪图像，对所述原始含噪图像进行下采样处理，得到第一含噪图像；在所述第一含噪图像包含噪声估计信息的情况下，将所述第一含噪图像包含的噪声估计信息输入单路卷积网络，得到特征信息；将所述原始含噪图像以及所述特征信息输入多重空洞卷积网络进行训练，得到第一去噪图像；在所述第一含噪图像不包含噪声估计信息的情况下，将所述原始含噪图像输入多重空洞卷积网络进行训练，得到第一去噪图像。2.根据权利要求1所述的图像去噪方法，其特征在于，所述对所述原始含噪图像进行下采样处理，得到第一含噪图像的步骤包括：根据预设步长对所述原始含噪图像进行池化，得到多个含噪图像；对所述多个含噪图像进行拼接，得到第一含噪图像，其中，所述第一含噪图像与所述原始含噪图像尺寸相同。3.根据权利要求1所述的图像去噪方法，其特征在于，所述图像去噪方法还包括：根据卷积层、激活层和归一化层确定所述单路卷积网络以及所述多重空洞卷积网络，其中，所述多重空洞卷积网络包括第一层、第二层、第三层和第四层，所述第一层包括所述卷积层、所述激活层和所述归一化层，所述第二层、所述第三层和所述第四层均包括所述卷积层和所述激活层。4.根据权利要求3所述的图像去噪方法，其特征在于，所述将所述原始含噪图像以及所述特征信息输入多重空洞卷积网络进行训练，得到第一去噪图像的步骤包括：将所述原始含噪图像以及所述特征信息输入多重空洞卷积网络，得到所述第一层的输出、所述第二层的输出、所述第三层的输出和所述第四层的输出；对所述第二层的输出、所述第三层的输出和所述第四层的输出进行预设叠加操作，将所述预设叠加操作的结果输入所述卷积层和所述激活层，得到目标输出；根据所述第一层的输出和所述目标输出，得到第一去噪图像。5.根据权利要求1所述的图像去噪方法，其特征在于，所述得到第一去噪图像的步骤之后，包括：在所述第一含噪图像包含噪声估计信息的情况下，根据第一预设损失函数计算所述多重空洞卷积网络的梯度值；在所述第一含噪图像不包含噪声估计信息的情况下，根据第二预设损失函数计算所述多重空洞卷积网络的梯度值；在所述多重空洞卷积网络的参数不符合预设条件的情况下，根据所述梯度值对所述多重空洞卷积网络的参数进行更新；在所述多...

【专利技术属性】
技术研发人员：田卉，
申请(专利权)人：中移雄安信息通信科技有限公司中国移动通信集团有限公司，
类型：发明
国别省市：