【技术实现步骤摘要】
本专利技术涉及图像处理，具体而言，涉及一种基于黑场补偿的神经网络图像去噪方法、设备和介质。
技术介绍
1、在现代图像处理领域，图像去噪技术是提升图像质量的关键步骤，尤其是在医疗影像、卫星成像、监控系统和低光照环境下的摄影中尤为重要。图像噪声是在图像采集、传输和处理过程中引入的不必要且通常是随机的视觉信息，它会显著影响图像的视觉效果和后续处理任务(如特征提取和图像识别)的准确性。
2、传统的去噪技术主要基于各种滤波器，如均值滤波、中值滤波和高斯滤波等。这些方法通过在局部像素上应用数学运算来平滑图像，从而减少噪声。然而，这些滤波器通常也会抹除图像的细节特征，尤其是在边缘和纹理区域，从而导致图像的过度平滑。随着技术的发展，尤其是机器学习和深度学习的广泛应用，基于学习的图像去噪方法已经被提出并得到了快速发展。这类方法通常使用大量的有噪声和无噪声的图像对作为训练数据，训练一个神经网络模型来学习如何从带噪声的图像中恢复出清晰的图像。例如，卷积神经网络(cnn)和生成对抗网络(gan)已经被证明在复杂的图像去噪任务中表现优异。
3、尽管如此，现有的基于神经网络的去噪方法通常未能充分解决图像的黑电平偏移问题，这是由图像传感器的非理想特性引起的，特别是在低光环境或低质量传感器中更为常见。黑电平偏移会导致图像整体亮度降低，并在去噪过程中引入额外的复杂性，从而影响去噪性能。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。
2、为此，本专利技术第
3、本专利技术第二方面提供了一种计算机设备。
4、本专利技术第三方面提供了一种可读存储介质。
5、本专利技术提供了一种基于黑场补偿的神经网络图像去噪方法，包括：
6、获取包含噪声的图像以及对应的无噪声图像；
7、对每一张图像进行黑场补偿处理；
8、对经过黑场补偿处理的图像进行归一化处理，将经过归一化处理的图像定义为预处理图像；
9、构建神经网络架构，定义损失函数和优化方法；
10、将带有噪声的预处理图像和对应的无噪声图像对输入到神经网络中进行训练；
11、对待处理图像进行黑场补偿和归一化处理，然后将处理后的图像输入到训练好的神经网络中，生成去噪后的图像；
12、对去噪后的图像进行反归一化处理，得到最终的去噪图像。
13、根据本专利技术上述技术方案的基于黑场补偿的神经网络图像去噪方法，还可以具有以下附加技术特征：
14、在上述技术方案中，所述黑场补偿处理包括以下步骤：
15、确定图像的黑电平值；
16、在图像的每个像素值中减去预设的黑电平值；
17、将调整后的像素值限制在0到255的范围内。
18、在上述技术方案中，所述确定图像的黑电平值包括：
19、统计图像中像素值的最小值pmin；
20、在图像像素值的最小值的基础上，考虑黑电平偏移确定图像的黑电平值，其中，黑电平值ph＝pmin+δp；
21、其中，δp表示黑电平偏移量。
22、在上述技术方案中，所述黑场补偿处理还包括：使用非线性变换对调整后的图像进行校正。
23、在上述技术方案中，所述神经网络的损失函数采用加权均方误差，则损失函数的表达式为：
24、
25、其中，n为像素总数，ωi为第i个像素的权重，yi为第i个像素的真实值，为第i个像素的预测值。
26、在上述技术方案中，所述优化方法包括采用adam优化器。
27、在上述技术方案中，所述归一化处理包括：将图像的像素值缩放到0到1的范围内；
28、所述反归一化处理包括：将图像的像素值从0到1范围内恢复到0到255的范围内，并对图像进行伽马校正。
29、在上述技术方案中，所述获取包含噪声的图像以及对应的无噪声图像，包括：
30、向无噪声图像添加高斯噪声、盐噪声或胡椒噪声获取包含噪声的图像；
31、采用数据增强技术增加图像样本数量，所述数据增强技术包括随机剪裁、旋转和翻转。
32、本专利技术提供的一种计算机设备，包括处理器和存储器，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器加载并执行时实现如上述技术方案中任一项所述的基于黑场补偿的神经网络图像去噪方法。
33、本专利技术提供的一种计算机可读存储介质，存储有程序，当所述程序被处理器加载时实现如上述技术方案中任一项所述的基于黑场补偿的神经网络图像去噪方法。
34、综上所述，由于采用了上述技术特征，本专利技术的有益效果是：
35、本专利技术通过在神经网络去噪前应用黑场补偿，能够有效地调整图像中的黑电平偏移，从而减少图像的底噪。这一预处理步骤能够显著改善后续神经网络去噪的效果，使得神经网络能够更加准确地识别和处理实际的噪声而非由黑电平偏移引起的伪噪声。这对于低光环境下拍摄的图像或由于摄影设备的技术限制产生的图像尤其重要。
36、黑场补偿不仅有助于噪声的减少，还能改善图像的对比度和动态范围。通过调整图像的黑电平，可以使得图像的暗部细节更加清晰，从而在视觉上提供更加平衡和自然的图像效果。这一点在需要高图像质量的应用中，如医疗影像分析、卫星图像处理等领域，尤为重要。
37、黑场补偿作为预处理步骤，帮助标准化了输入神经网络的图像数据。这种标准化处理使得神经网络模型在训练过程中能够更快地收敛，同时减少了模型对异常数据的敏感性。因此，模型训练的效率和稳定性都得到了提升。
38、本专利技术的去噪方法不仅限于特定类型的噪声或图像，而是适用于各种通过图像采集设备获取的带噪声图像。这包括日常生活中的数码相机拍摄、安防监控、以及高端应用如航空摄影和医学成像等领域。通过提供更清晰的图像，本技术能够帮助相关领域的专业人员进行更精确的图像分析和决策。
39、本专利技术的附加方面和优点将在下面的描述部分中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于黑场补偿的神经网络图像去噪方法，其特征在于，包括：
2.根据权利要求1所述的基于黑场补偿的神经网络图像去噪方法，其特征在于，所述黑场补偿处理包括以下步骤：
3.根据权利要求2所述的基于黑场补偿的神经网络图像去噪方法，其特征在于，所述确定图像的黑电平值包括：
4.根据权利要求2所述的基于黑场补偿的神经网络图像去噪方法，其特征在于，所述黑场补偿处理还包括：使用非线性变换对调整后的图像进行校正。
5.根据权利要求1所述的基于黑场补偿的神经网络图像去噪方法，其特征在于，所述神经网络的损失函数采用加权均方误差，则损失函数的表达式为：
6.根据权利要求1所述的基于黑场补偿的神经网络图像去噪方法，其特征在于，所述优化方法包括采用Adam优化器。
7.根据权利要求1所述的基于黑场补偿的神经网络图像去噪方法，其特征在于，所述归一化处理包括：将图像的像素值缩放到0到1的范围内；
8.根据权利要求1所述的基于黑场补偿的神经网络图像去噪方法，其特征在于，所述获取包含噪声的图像以及对应的无噪声图像，包括：>
9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器加载并执行时实现如权利要求1至8中任一项所述的基于黑场补偿的神经网络图像去噪方法。
10.一种计算机可读存储介质，其特征在于，存储有程序，当所述程序被处理器加载时实现如权利要求1至8中任一项所述的基于黑场补偿的神经网络图像去噪方法。
...【技术特征摘要】
1.一种基于黑场补偿的神经网络图像去噪方法，其特征在于，包括：
2.根据权利要求1所述的基于黑场补偿的神经网络图像去噪方法，其特征在于，所述黑场补偿处理包括以下步骤：
3.根据权利要求2所述的基于黑场补偿的神经网络图像去噪方法，其特征在于，所述确定图像的黑电平值包括：
4.根据权利要求2所述的基于黑场补偿的神经网络图像去噪方法，其特征在于，所述黑场补偿处理还包括：使用非线性变换对调整后的图像进行校正。
5.根据权利要求1所述的基于黑场补偿的神经网络图像去噪方法，其特征在于，所述神经网络的损失函数采用加权均方误差，则损失函数的表达式为：
6.根据权利要求1所述的基于黑场补偿的神经网络图像去噪方法，其特征在于，所述...
【专利技术属性】
技术研发人员：斯雷，邓宇翔，邹西山，李韩，谢舒安，唐瑞，罗岚，罗志亮，
申请(专利权)人：联通沃音乐文化有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。