【技术实现步骤摘要】
本申请涉及图像处理，尤其涉及一种图像的去噪方法及装置。
技术介绍
1、手机、相机和车载摄像头等成像设备的感光传感器，在低光照下往往会通过调高感光度来获得合适的亮度，但这容易引入较大的噪声，从而导致影响后续的图像处理以及观感。因此，需要对图像进行去噪处理。
2、在现有的技术中，可以采用高斯滤波的方式对图像进行去噪，即先定义一个滤波窗口，其次计算高斯滤波器的权重矩阵，然后将滤波窗口沿着图像扫描，并将窗口中的像素与相应权重矩阵进行卷积运算，得到滤波后的像素值，以实现有效地减少高斯噪声。
3、由于高斯滤波的方式往往会模糊图像中的特征和边缘信息，从而使得整体图像的清晰度降低。
技术实现思路
1、基于上述现有技术的不足，本申请提供了一种图像的去噪方法及装置，以解决现有技术所带来的降低图像的清晰度的问题。
2、为了实现上述目的，本申请提供了以下技术方案：
3、本申请第一方面提供了一种图像的去噪方法，包括：
4、获取待去噪图像；
5、将所述待去噪图像输入至预先训练好的去噪网络模型中，输出去噪图像；其中，所述去噪网络模型预先利用多个通道的噪声图像对进行训练得到；多个所述噪声图像对预先对样本待去噪图像进行通道拆分，并对每个通道的图像进行降采样得到；所述去噪网络模型通过损失函数满足预设值后确定训练成功；所述损失函数通过对样本去噪图像、所述噪声图像对以及升采样后的噪声图像对进行计算得到。
6、可选地，在上述的图像的去噪方法
7、获取样本待去噪图像；
8、对所述样本待去噪图像进行通道拆分，得到多个通道的图像；
9、分别针对每个所述通道，对所述通道的图像进行降采样，得到噪声图像对；
10、将所述噪声图像对以及所述样本待去噪图像输入至去噪网络模型中，输出所述噪声图像对中每个子噪声图像对应的去噪图像，以及所述样本待去噪图像对应的样本去噪图像；
11、对所述噪声图像对中每个子噪声图像对应的去噪图像进行升采样处理，得到所述噪声图像对中每个子噪声图像对应的目标去噪图像；
12、基于所述样本去噪图像、所述噪声图像对中每个子噪声图像对应的去噪图像以及所述噪声图像对中每个子噪声图像对应的目标去噪图像，计算所述去噪网络模型的损失函数；
13、判断所述去噪网络模型的损失函数是否满足预设值；
14、若所述去噪网络模型的损失函数满足预设值，则将所述去噪网络模型确定为训练好的去噪网络模型；
15、若所述去噪网络模型的损失函数未满足预设值，则将所述噪声图像对以及所述样本待去噪图像作为所述去噪网络模型的损失函数的输入，得到所述噪声图像对中每个子噪声图像对应的去噪图像，以及所述样本待去噪图像对应的样本去噪图像，并不断调整所述去噪网络模型的参数，直至所述去噪网络模型的损失函数满足预设值。
16、可选地，在上述的图像的去噪方法中，所述去噪网络模型包括局部稀疏注意力模块、深度特征提取模块、全局注意力模块以及残差模块，所述将所述噪声图像对以及所述样本待去噪图像输入至去噪网络模型中，输出所述噪声图像对中每个子噪声图像对应的去噪图像，以及所述样本待去噪图像对应的样本去噪图像，包括：
17、将所述噪声图像对以及所述样本待去噪图像作为训练图像；
18、通过卷积层对所述训练图像进行特征提取，得到原始特征；
19、通过所述局部稀疏注意力模块的稀疏卷积层对所述原始特征进行特征提取，得到普通特征以及空洞特征，以及通过所述局部稀疏注意力模块的特征融合层对所述原始特征、所述普通特征以及所述空洞特征进行融合，得到目标特征；
20、通过所述深度特征提取模块对所述目标特征进行深度提取，得到全局特征；
21、通过全局注意力模块的卷积核获取所述全局特征的权重，并利用所述权重对所述全局特征进行加权，得到加权特征；
22、通过所述残差模块利用所述加权特征对所述去噪网络模型进行训练，得到所述训练图像对应的去噪图像；其中，所述训练图像对应的去噪图像包括所述噪声图像对中每个子噪声图像对应的去噪图像，以及所述样本待去噪图像对应的样本去噪图像。
23、可选地，在上述的图像的去噪方法中，所述基于所述样本去噪图像、所述噪声图像对中每个子噪声图像对应的去噪图像以及所述噪声图像对中每个子噪声图像对应的目标去噪图像，计算所述去噪网络模型的损失函数，包括：
24、基于所述噪声图像对中每个子噪声图像对应的去噪图像，计算去噪后的损失函数；
25、基于所述样本去噪图像以及所述噪声图像对中每个子噪声图像对应的目标去噪图像，计算升采样后的损失函数；
26、将预设参数乘以所述升采样后的损失函数，得到目标损失函数，并基于所述去噪后的损失函数以及所述目标损失函数，计算所述去噪网络模型的损失函数。
27、可选地，在上述的图像的去噪方法中，所述将所述去噪网络模型确定为训练好的去噪网络模型之后，还包括：
28、按照预设格式，将每个通道的所述噪声图像对中每个子噪声图像对应的去噪图像进行拼接，得到样本待去噪图像对应的标准去噪图像。
29、可选地，在上述的图像的去噪方法中，所述对所述噪声图像对中每个子噪声图像对应的去噪图像进行升采样处理，得到所述噪声图像对中每个子噪声图像对应的目标去噪图像，包括：
30、对所述噪声图像对中每个子噪声图像对应的去噪图像进行升采样还原，得到所述噪声图像对中每个子噪声图像对应的还原去噪图像；
31、分别针对每个所述还原去噪图像，利用预设值对所述还原去噪图像中未存在像素值的位置进行填充，得到填充后的还原去噪图像；
32、利用水平方向插值法对所述填充后的还原去噪图像中像素值为所述预设值的位置进行水平插值，得到水平去噪图像；
33、利用竖直方向插值法对所述水平去噪图像中像素值为所述预设值的位置进行竖直插值，得到目标去噪图像。
34、可选地，在上述的图像的去噪方法中，所述分别针对每个所述通道，对所述通道的图像进行降采样，得到噪声图像对，包括：
35、分别针对每个所述通道，以预设像素为步长，利用预设窗口在所述通道的图像的预设位置上进行降采样，得到第一子图像以及第二子图像；
36、将所述第一子图像以及所述第二子图像作为噪声图像对。
37、本申请第二方面提供了一种图像的去噪装置，包括：
38、图像获取单元，用于获取待去噪图像；
39、图像输入单元，用于将所述待去噪图像输入至预先训练好的去噪网络模型中，输出去噪图像；其中，所述去噪网络模型预先利用多个通道的噪声图像对进行训练得到；多个所述噪声图像对预先对样本待去噪图像进行通道拆分，并对每个通道的图像进行降采样得到；所述去噪网络模型通过损失函数满足预设值后确定训练成功；所述损失函数通过对样本本文档来自技高网...
【技术保护点】
1.一种图像的去噪方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述去噪网络模型的训练方法，包括：
3.根据权利要求2所述的方法，其特征在于，所述去噪网络模型包括局部稀疏注意力模块、深度特征提取模块、全局注意力模块以及残差模块，所述将所述噪声图像对以及所述样本待去噪图像输入至去噪网络模型中，输出所述噪声图像对中每个子噪声图像对应的去噪图像，以及所述样本待去噪图像对应的样本去噪图像，包括：
4.根据权利要求2所述的方法，其特征在于，所述基于所述样本去噪图像、所述噪声图像对中每个子噪声图像对应的去噪图像以及所述噪声图像对中每个子噪声图像对应的目标去噪图像，计算所述去噪网络模型的损失函数，包括：
5.根据权利要求2所述的方法，其特征在于，所述将所述去噪网络模型确定为训练好的去噪网络模型之后，还包括：
6.根据权利要求2所述的方法，其特征在于，所述对所述噪声图像对中每个子噪声图像对应的去噪图像进行升采样处理，得到所述噪声图像对中每个子噪声图像对应的目标去噪图像，包括：
7.根据权利要求2所述的方
8.一种图像的去噪装置，其特征在于，包括：
9.根据权利要求8所述的装置，其特征在于，还包括：
10.根据权利要求9所述的装置，其特征在于，所述去噪网络模型包括局部稀疏注意力模块、深度特征提取模块、全局注意力模块以及残差模块，所述输入单元，包括：
...【技术特征摘要】
1.一种图像的去噪方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述去噪网络模型的训练方法，包括：
3.根据权利要求2所述的方法，其特征在于，所述去噪网络模型包括局部稀疏注意力模块、深度特征提取模块、全局注意力模块以及残差模块，所述将所述噪声图像对以及所述样本待去噪图像输入至去噪网络模型中，输出所述噪声图像对中每个子噪声图像对应的去噪图像，以及所述样本待去噪图像对应的样本去噪图像，包括：
4.根据权利要求2所述的方法，其特征在于，所述基于所述样本去噪图像、所述噪声图像对中每个子噪声图像对应的去噪图像以及所述噪声图像对中每个子噪声图像对应的目标去噪图像，计算所述去噪网络模型的损失函数，包括：
5.根据权利要求2...
【专利技术属性】
技术研发人员：吴广义，董洪涛，张立嵩，华剑雄，
申请(专利权)人：北京经纬恒润科技股份有限公司，
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。