CN108198154A - 图像去噪方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种图像去噪方法，包括：获取待去噪图像的平滑块集；将所述平滑块集中的每一平滑块减去对应的均值，以得到噪声块集；获取所述噪声块集中的第一噪声图像；根据生成对抗网络对所述噪声块集进行噪声建模，以得到可生成与所述待去噪图像同类型噪声的生成器；根据所述生成器获取第二噪声图像；根据所述无噪声图像、所述第一噪声图像及所述第二噪声图像构造训练集；根据所述训练集及判别学习方法训练出图像去噪网络模型；将所述待去噪图像输入到所述图像去噪网络模型，获取去噪后的图像。本发明还提供了图像去噪装置、设备及存储介质。能提升对现实生活中的未知真实噪声的去噪效果，提高了去噪效率。

Description

图像去噪方法、装置、设备及存储介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像去噪方法、装置、设备及存储介质。

背景技术

图像是当今社会中最常用的信息载体，但在图像的获取、传输或存贮过程中常常会受到各种噪声的干扰和影响而使图像降质。图像去噪是图像处理领域中一个很重要的研究方向，其目的是从噪声图像中恢复干净图像。在不同前提下，去噪的使用情景分两种：一种是在已知噪声信息的前提下去噪，称为特定去噪，在这种知道噪声信息的情况下，针对噪声的特点可以使用特定的去噪方法进行去噪，如使用中值滤波去除椒盐噪声等。而另一种是在不知道噪声信息的前提下进行去噪，这种对未知噪声的去除则称为盲去噪。因为缺少了噪声的信息，所以盲去噪往往是比较困难的。

现有技术中会根据图像先验建模进行去噪，但是方法、模型的构造比较依赖人的先验知识，当人的先验知识和事实不符时，会对去噪效果造成影响。而且这些方法一般会在测试阶段涉及复杂的优化过程或者估计过程，计算复杂度高和耗时。而一些判别学习方法被用来进行噪声去除，判别学习方法利用卷积神经网络强大的自学习能力，减少了人为先验知识可能的偏差对去噪效果的影响，这类方法需要训练数据。对于去噪任务来说，训练数据包含干净的图片和对应的噪声图。若是在知道噪声信息的情况下处理高斯噪声这种可以人为产生的噪声，训练数据一般通过在干净的图片数据集上添加高斯噪声来获得，但是对于现实生活中的噪声，因为我们不知道噪声的信息，所以不能产生相应的噪声去人为制造数据集，事实上，我们只能通过拍照获得噪声图，而不能获得对应的干净图片，所以也不能构成训练数据。也就是说，对于盲去噪任务，判别模型会因不能获取到训练数据而受到限制，不能达到较好的去噪效果。

发明内容

针对上述问题，本发明的目的在于提供一种图像去噪方法，能避免对先验知识的依赖，能获取待去噪图像的训练数据集，进一步提升对现实生活中的未知真实噪声的去噪效果，提高了去噪效率。

第一方面，本发明提供了一种图像去噪方法，包括：

获取噪声块集；

获取所述噪声块集中的第一噪声图像；

根据所述第一噪声图像和无噪声图像构造训练集；

根据所述训练集及判别学习方法模型训练出图像去噪神经网络模型；

将所述待去噪图像输入到所述图像去噪神经网络模型，获取去噪后的图像。

在第一方面的第一种可能实现方式中，

获取待去噪图像的平滑块集；

将所述平滑块集中的每一平滑块减去对应的均值，以得到所述噪声块集。

在第一方面的第二种可能实现方式中，

在所述获取所述噪声块集中的第一噪声图像之后，所述根据所述噪声图像和无噪声图像构造训练集之前还包括:

根据生成对抗网络对所述噪声块集进行噪声建模，以得到可生成与所述待去噪图像同类型噪声的生成器；

根据所述生成器获取第二噪声图像；

则根据所述第一噪声图像和无噪声图像构造训练集包括：

根据所述无噪声图像、所述第一噪声图像及所述第二噪声图像构造训练集。

结合第一方面的第一种可能实现方式中，在第一方面的第三种可能实现方式中，

所述获取待去噪图像的平滑块集，包括：

以预设的步长扫描所述待去噪图像，并截取预设大小的全局块，以得到全局块集；

以预设的步长扫描所述全局块集中的每一个全局块；

对所述每一个全局块截取预设大小的局部块，以得到每一个所述全局块对应的局部块集；

在所述局部块集中的任一所述局部块的均值与所述局部块集对应的全局块的均值的差的绝对值均在预设范围，且在所述局部块集中的任一所述局部块的方差与所述局部块集对应的全局块的方差的差的绝对值均在预设范围时，将所述全局块提取出来，以得到所述平滑块集。

结合第一方面的第二种可能实现方式，在第一方面的第四种可能实现方式中，

所述根据生成对抗网络对所述噪声块集进行噪声建模，以得到可生成与所述待去噪图像同类型噪声的生成器，包括：

选取所述生成对抗网络模型；

将随机噪声输入至所述生成对抗网络模型的生成器；

将所述噪声块集作为真实数据样本集，训练所述生成对抗网络模型，以得到可生成与所述待去噪图像同类型噪声的生成器。

在第一方面的第一种可能实现方式的基础上，在第一方面的第五种可能实现方式中，

所述根据所述无噪声图像、所述第一噪声图像及所述第二噪声图像构造训练集包括：

将无噪声图像截取成与所述噪声块集中的噪声块的大小相同，以获取无噪声图像块集；

将所述第一噪声图像中的每一噪声图像与所述无噪声图像块集中的每一图像块叠加，及所述第二噪声图像中的每一噪声图像与所述无噪声图像块集中的每一图像块叠加，以获取噪声图像块集；

根据所述无噪声图像块集及所述噪声图像块集构造训练集。

在第一方面的第六种可能实现方式中，

根据所述训练集及判别学习方法训练出图像去噪网络模型，包括：

选取一种判别学习方法；

根据所述训练集及所述判别学习方法训练图像去噪网络至收敛，获取所述图像去噪网络模型。

第二方面，本发明还提供了一种图像去噪装置，包括：

噪声块集获取模块，用于获取噪声块集；

噪声获取模块，用于获取所述噪声块集中的第一噪声图像；

训练集构造模块，用于根据所述第一噪声图像和无噪声图像构造训练集；

去噪模型获取模块，用于根据所述训练集及判别学习方法模型训练出图像去噪网络模型；

去噪模块，用于将所述待去噪图像输入到所述图像去噪网络模型，获取去噪后的图像。

第三方面，本发明实施例还提供了一种终端设备，包括屏幕、处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述的图像去噪方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的图像去噪方法。

上述技术方案的一个技术方案具有如下优点：先根据待去噪图像的平滑块集获取所述待去噪图像的噪声块集，然后利用生成对抗网络对所述噪声块集进行噪声建模，以得到能生成与所述带去噪图像同类型噪声的生成器，然后利用所述生成器构造出训练集，根据所述训练集及判别学习方法训练出图像去噪网络模型；将所述待去噪图像输入到所述图像去噪网络模型，就可以获取去噪后的图像。与图像先验方法相比，能减少对人的先验知识的依赖，避免了当人的先验知识和事实不符时，无法达到有效的去噪效果，且减少了图像先验方法在测试阶段涉及复杂的优化过程或者估计过程中的计算量，降低了计算复杂度，减少了耗时。解决了在盲去噪时，因训练数据集难以获得导致不能训练对应的去噪网络的问题，利用所述生成器能获取我们需要去噪图像相对应的训练数据集，实现高效准确的去除噪声，提升对现实生活中的未知真实噪声的去噪效果。

附图说明

图1是本发明实施例提供的一种图像去噪方法的流程示意图；

图2是本发明实施例提供的另一种图像去噪方法的流程示意图；

图3是本发明实施例提供的获取待去噪图像的平滑块集方法的流程示意图；

图4是本发明实施例提供的生成器获取方法的流程示意图；

图5是本发明实施例提供的一种训练集获取方法的流程示意图；

图6是本发明实施例提供的图像去噪网络模型训练方法的流程示意图；

图7是本发明实施例提供一种图像去噪装置的结构示意图；

图8是本发明第八实施例提供的图像去噪设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种图像去噪方法，用于对现实生活中未知噪声进行高效准去去噪，以下分别进行详细说明。

请参阅图1，实施例一，提供了一种图像去噪方法，包括：

S10、获取噪声块集；

在实施例中只要获取噪声块集的数据和图像即可，本发明对此不作具体限定。

优选地，所述获取噪声块集包括：

S101、获取待去噪图像的平滑块集。

在本实施例中，所述平滑块集又称为弱纹理块集，本发明对此不作具体限定。

在本实施例中，平滑块是指所述待去噪图像内部各个局部之间都很相似的区域，对应于自然图像中无物体内容的平坦区域。在日常生活中，我们使用设备拍摄的照片大都有很高的分辨率，而这些高分辨率的图像往往存在很多符合条件的平坦区域，如天空，墙壁甚至是光滑的物体表面。在所述平滑块集中所述平滑块的区域平坦至所述平滑块区域的均值可以被近似地代表所述平滑块区域内的各像素点的像素值。

S102、将所述平滑块集中的每一平滑块减去对应的均值，以得到噪声块集。

在本实施例中，我们已经获取到了在所述平滑块集中的所述平滑块，其中所述平滑块的区域平坦至所述平滑块区域的均值可以被近似地代表所述平滑块区域内的各像素点的像素值，在噪声分布的均值为零的假设下，通过所述平滑块集提取出噪声块集，将所述平滑块集中的每一平滑块减去对应的均值，获取所述每一平滑块对应的噪声块，以得到所述平滑块集对应的所述噪声块集。

具体的，我们得到了所述平滑块集R＝{r1，r2，…，rn}之后，其中，n大于或等于1，将所述平滑块集R中的每一平滑块r1，r2，…，rn都减去其对应的均值，以获取所述每一平滑块r1，r2，…，rn对应的噪声块v1，v2，…，vn，其中，n与所述平滑块集R中的n相同，且大于或等于1，即v1＝r1-Average(r1)，v2＝r2-Average(r2)，…，vn＝rn-Average(rn)，得到所述平滑块集R对应的所述噪声块集V，V＝{v1，v2，…，vn}＝R–Average(R)，其中Average(R)＝{Average(r1),Average(r2),…Average(rn)}。

S11、获取所述噪声块集中的第一噪声图像。

在本实施例中，所述噪声块集中包含着所述待去噪图像中的第一噪声图像，其中，所述第一噪声图像包括多张，本发明对此不作具体限定。

S12、根据所述第一噪声图像和无噪声图像构造训练集。

在本实施例中，在获取得到所述噪声块集后，根据所述噪声块集中的第一噪声图像采用数据增广的方法增广所述噪声块集中的数据，以便获取更多的噪声图像的数据，进而根据所述获取到的噪声图像数据和无噪声图像直接构造训练集。

在本实施例中，所述训练集的数据图像是成对的，所以需要建立所述第一噪声图像和无噪声图像的联系，通过将所述噪声块集中的所述第一噪声图像叠加到所述无噪声图像的图像块上，就可以得到相应的噪声图，这样我们就有了成对的干净图像与噪声图像。

其中，所述训练集包括多张噪声图像和相应的干净图像。

S13、根据所述训练集及判别学习方法模型训练出图像去噪网络模型。

在本实施例中，经过上述步骤已经获取了判别学习方法模型需要的训练集，包括了噪声图像和相应的干净图像，选取任何一种判别学习方法模型训练图像去噪网络模型，本发明对此不作具体限定。

S14、将所述待去噪图像输入到所述图像去噪网络模型，获取去噪后的图像。

本实施例具有如下优点：通过对待去噪图像的噪声块的获取，根据所述噪声块集中的噪声图像和无噪声图像进行构建训练集，解决了在利用判别学习方法盲去噪时，无法获取得到相应的噪声的训练数据集的问题，提升对现实生活中的未知真实噪声的去噪效果。能减少对人的先验知识的依赖，避免了当人的先验知识和事实不符时，无法达到有效的去噪效果，且减少了图像先验方法在测试阶段涉及复杂的优化过程或者估计过程中的计算量，降低了计算复杂度，减少了耗时，实现高效准确的去除噪声。且当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

实施例二，参见图2，在所述获取所述噪声块集中的第一噪声图像之后，所述根据所述噪声图像和无噪声图像构造训练集之前还包括:

S21、根据生成对抗网络对所述噪声块集进行噪声建模，以得到可生成与所述待去噪图像同类型噪声的生成器；

S22、根据所述生成器获取第二噪声图像；

则根据所述第一噪声图像和无噪声图像构造训练集包括：

S23、根据所述无噪声图像、所述第一噪声图像及所述第二噪声图像构造训练集。

需要说明的是，根据所述第二噪声图像与所述无噪声图像也可以构造训练集，为了获取更多的训练数据，则优选以所述无噪声图像、所述第一噪声图像及所述第二噪声图像构造训练集，本发明对此不作具体限定。

在本实施例中，为了训练获取可生成与所述待去噪图像同类型噪声的生成器，在训练开始时，所述生成对抗网络的判别模型是无法很好地区分出真实样本和生成样本，接下来就是固定所述生成模型，而优化判别模型，在判别模型能比较好的区分生成数据和真实数据之后，固定判别模型，改进生成模型，试图让判别模型无法区分生成图片与真实图片，这样的迭代不断进行，直至最终收敛，获取得到可生成与所述待去噪图像同类型噪声的生成器。

在本实施例中，所述生成器能生成大量的与所述待去噪图像同类型噪声的噪声块，选取出无噪声的干净图像，所述无噪声图像可为多张，本发明对此不作具体限定，通过将所述噪声块叠加到所述干净图像的图像块上，就可以得到相应的噪声图，这样我们就有了成对的干净图像与噪声图像。

本实施例具有如下优点：并利用生成对抗网络根据获取的所述噪声块进行建模，获取得到可生成与所述待去噪图像同类型噪声的生成器，在根据所述生成器和无噪声图像构造训练集，就获取得到了判别学习方法的训练数据集。且当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

实施例三，参见图3，所述获取待去噪图像的平滑块集，包括：

S31、以预设的步长扫描所述待去噪图像，并截取预设大小的全局块，以得到全局块集。

在本实施例中，以预设的步长sg扫描所述待去噪图像整张图片，并截取dxd大小的全局块得到全局块集P＝{p1，p2，…，pn}，其中，n大于或等于1。

S32、以预设的步长扫描所述全局块集中的每一个全局块。

在本实施例中，以预设的步长sl扫描所述全局块集P＝{p1，p2，…，pn}中的每一全局块P1，p2，…，pn。

S33、对所述每一个全局块截取预设大小的局部块，以得到每一个所述全局块对应的局部块集。

在本实施例中，在扫描所述全局块集中的每一个全局块之后，截取所述每一全局块P1，p2，…，pn大小为hxh的局部块，以得到每一个所述全局块P1，p2，…，pn对应的局部块集Q1，Q2，…，Qn，例如，全局块P1对应的局部块集为Q1＝{q11，q12，…，q1n}，其中，n大于或等于1。

S34、在所述局部块集中的任一所述局部块的均值与所述局部块集对应的全局块的均值的差的绝对值均在预设范围，且在所述局部块集中的任一所述局部块的方差与所述局部块集对应的全局块的方差的差的绝对值均在预设范围时，将所述全局块提取出来，以得到所述平滑块集。

在本实施例中，在得到所述每一个全局块对应的局部块集之后，比较每一局部块集中的布局块的方差和均值与所述局部块集对应的全局块的方差和均值，例如，全局块的P1的均值为M，方差为N，则所述全局块的P1对应的局部块集Q1＝{q11，q12，…，q1m}中每一局部块的均值与所述全局块的P1的均值M的差的绝对值都在预设的范围X％内，每一局部块的方差与所述全局块的P1的方差N的差的绝对值都在预设的范围Y％内，即q11的均值，q12的均值，…，q1m的均值与M的差的绝对值都在预设的范围X％内，q11的方差，q12的方差，…，q1m的方差与N的差的绝对值都在预设的范围Y％内，则将所述全局块P1视为平滑块，归入所述平滑块集R中，所述n与m的取值可相同可不相同，以具体截取的情况为准，本发明对此不作具体限定；其中，X可取值为10，Y可取值为15，本发明对此不作具体限定，以得到的所述平滑块集中所述平滑块的区域平坦至所述平滑块区域的均值可以被近似地代表所述平滑块区域内的各像素点的像素值。

本实施例具有如下优点：通过对截取到的全局块进行进一步的优化，以获取得到具有代表性平滑块，使得所述平滑块区域的均值可以被近似地代表所述平滑块的区域内的各像素点的像素值代表，保证了后续对噪声块的获取，提高了去噪的效果。且当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

实施例四，参见图4，所述根据生成对抗网络对所述噪声块集进行噪声建模，以得到可生成与所述待去噪图像同类型噪声的生成器，包括：

S41、选取所述生成对抗网络模型。

在本实施例中，选取任何一种生成对抗网络模型，例如WGAN，本发明对此不作具体限定。

S42、将随机噪声输入至所述生成对抗网络模型的生成器。

S43、将所述噪声块集作为真实数据样本集，训练所述生成对抗网络模型，以得到可生成与所述待去噪图像同类型噪声的生成器。

在本实施例中，为了训练获取可生成与所述待去噪图像同类型噪声的生成器，将所述噪声块集作为所述生成对抗网络的判别模型的真实数据样本集，在训练开始时，所述判别模型还无法很好地区分出真实样本和生成样本，接下来就是固定所述生成模型，而优化所述判别模型，在判别模型能比较好的区分生成数据和真实数据之后，固定判别模型，改进生成模型，即改进生成器，试图让判别模型无法区分生成图片与真实图片，这样的迭代不断进行，直至最终收敛，获取得到可生成与所述待去噪图像同类型噪声的生成器。

本实施例具有如下优点：将所述噪声块集作为真实数据样本集，训练所述生成对抗网络中的生成器，使得所述生成器能生成与所述待去噪图像同类型噪声，进而通过所述生成器，就可以获取大量的所述待去噪图像同类型噪声，即得到了训练数据及集中的噪声数据。且当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

实施例五，参见图5，所述根据所述无噪声图像、所述第一噪声图像及所述第二噪声图像构造训练集，包括：

S51、将无噪声图像截取成与所述噪声块集中的噪声块的大小相同，以获取无噪声图像块集。

在本实施例中，选取一组无噪声图像，将无噪声图像截取成与所述噪声块集中的噪声块的大小相同，即将所述无噪声图像截取成与上述噪声块大小相同的d'xd'的图像块。

S52、将所述第一噪声图像中中的每一噪声图像与所述无噪声图像块集中的每一图像块叠加，及所述第二噪声图像中的每一噪声图像与所述无噪声图像块集中的每一图像块叠加，以获取噪声图像块集。

在本实施例中，将所述图像块集中的每一无噪声图像块随机与所述生成器中生成的所述第一噪声图像中的每一噪声图像和所述噪声块集中的所述第二噪声图像中的每一噪声图像结合，即直接叠加。在本实施例中，若从所述平滑块集提取出噪声块集中的噪声块数目为ns，所述生成器生成的噪声块的数目为ng，所述图像块集中无噪声图像块的数目为n，则最多可以达到n*(ns+ng)种组合方式，即所述噪声图像块集中的噪声图像块的数目可达n*(ns+ng)。

S53、根据所述无噪声图像块集及所述噪声图像块集构造训练集。

本实施例具有如下优点：在对无噪声图像进行叠加噪声块后获得所述无噪声图像的噪声图像，即可以获取得到判别学习方法所需要的无噪声图像和相对应的无噪声图像的训练集，解决了盲去噪时，无法得到成对的无噪声图像和的无噪声图像的训练集的问题，提高了对现实中真实噪声的去噪效果。且当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

实施例六，参见图6，所述根据所述训练集及判别学习方法训练出图像去噪网络模型，包括：

S61、选取一种判别学习方法模型；

S62、根据所述训练集及所述判别学习方法训练图像去噪网络至收敛，获取所述图像去噪网络模型。

优选地，所述图像去噪网络为卷积神经网络，本发明对此不作具体限定。

本实施例具有如下优点：判别学习方法利用了神经网络的强大的自学习能力，减少了人为先验知识可能的偏差对去噪效果的影响，在去除高斯噪声的实验上达到了比传统方法更好的去噪效果，而且在进行去噪时，无须对图片进行计算量大的优化过程或估计过程，效率更高。且当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

请参阅图7，图7是本发明实施例提供的一种图像去噪装置，包括：

噪声块集获取模块71，用于获取噪声块集；

噪声图像获取72，用于获取所述噪声块集中的第一噪声图像；

训练集构造模块73，用于根据所述第一噪声图像和无噪声图像构造训练集；

去噪模型获取模块74，用于根据所述训练集及判别学习方法训练出图像去噪网络模型；

去噪模块75，用于将所述待去噪图像输入到所述图像去噪网络模型，获取去噪后的图像。

优选地，所述噪声块集获取模块71，包括:

平滑块集获取单元701，用于获取待去噪图像的平滑块集；

噪声块集获取单元702，用于将所述平滑块集中的每一平滑块减去对应的均值，以得到获取噪声块集。

优选地，还包括：

生成器构造单元703，用于根据生成对抗网络对所述噪声块集进行噪声建模，以得到可生成与所述待去噪图像同类型噪声的生成器；

第二噪声图像获取单元704，用于根据所述生成器获取第二噪声图像。

训练集获取单元705，用于根据所述无噪声图像、所述第一噪声图像及所述第二噪声图像构造训练集。

优选地，所述平滑块集获取模块71，包括：

全局块集获取单元，用于以预设的步长扫描所述待去噪图像，并截取预设大小的全局块，以得到全局块集；

扫描单元，用于以预设的步长扫描所述全局块集中的每一个全局块；

局部块集获取单元，用于对所述每一个全局块截取预设大小的局部块，以得到每一个所述全局块对应的局部块集；

平滑块集获取单元，用于在所述局部块集中的任一所述局部块的均值与所述局部块集对应的全局块的均值的差的绝对值均在预设范围，且在所述局部块集中的任一所述局部块的方差与所述局部块集对应的全局块的方差的差的绝对值均在预设范围时，将所述全局块提取出来，以得到所述平滑块集。

优选地，生成器构造单元703，包括：

模型选取单元，用于选取所述生成对抗网络模型；

输入单元，用于将随机噪声输入至所述生成对抗网络模型的生成器；

生成器获取单元，用于将所述噪声块集作为真实数据样本集，训练所述生成对抗网络模型，以得到可生成与所述待去噪图像同类型噪声的生成器。

优选地，训练集获取单元705，包括：

图像块集获取单元，用于将无噪声图像截取成与所述噪声块集中的噪声块的大小相同，以获取无噪声图像块集；

噪声图像块集获取单元，用于将所述第一噪声图像中的每一噪声图像与所述无噪声图像块集中的每一图像块叠加，及所述第二噪声图像中的每一噪声图像与所述无噪声图像块集中的每一图像块叠加，以获取噪声图像块集；

训练集构造单元，用于根据所述无噪声图像块集及所述噪声图像块集构造训练集。

优选地，去噪模型获取模块75，包括：

方法选取单元，用于选取一种判别学习方法模型；

去噪网络模型获取单元，用于根据所述训练集及所述判别学习方法模型训练图像去噪网络至收敛，获取所述图像去噪网络模型。

本实施例具有如下优点：通过对待去噪图像的噪声块的搜索获取，并利用生成对抗网络根据获取的所述噪声块进行建模，获取得到可生成与所述待去噪图像同类型噪声的生成器，在根据所述生成器和无噪声图像构造训练集，就获取得到了判别学习方法的训练数据集，解决了在利用判别学习方法盲去噪时，无法获取得到相应的噪声的训练数据集的问题，提升对现实生活中的未知真实噪声的去噪效果。能减少对人的先验知识的依赖，避免了当人的先验知识和事实不符时，无法达到有效的去噪效果，且减少了图像先验方法在测试阶段涉及复杂的优化过程或者估计过程中的计算量，降低了计算复杂度，减少了耗时，实现高效准确的去除噪声。且当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

请参见图8，图8是本发明第八实施例提供的终端设备的示意图，用于执行本发明实施例提供的图像去噪方法，如图8所示，该图像去噪的终端设备包括：至少一个处理器11，例如CPU，至少一个网络接口14或者其他用户接口13，存储器15，至少一个通信总线12，通信总线12用于实现这些组件之间的连接通信。其中，用户接口13可选的可以包括USB接口以及其他标准接口、有线接口。网络接口14可选的可以包括Wi-Fi接口以及其他无线接口。存储器15可能包含高速RAM存储器，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。

在一些实施方式中，存储器15存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:

操作系统151，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；

程序152。

具体地，处理器11用于调用存储器15中存储的程序152，执行上述实施例所述的图像去噪方法。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述图像去噪方法的控制中心，利用各种接口和线路连接整个所述图像去噪方法的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现图像去噪的电子装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述图像去噪集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，在某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。其次，本领域技术人员也应知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模拟一定是本发明所必须的。

Claims (10)

1.一种图像去噪方法，其特征在于，包括：

获取噪声块集；

获取所述噪声块集中的第一噪声图像；

根据所述第一噪声图像和无噪声图像构造训练集；

根据所述训练集及判别学习方法模型训练出图像去噪网络模型；

将所述待去噪图像输入到所述图像去噪网络模型，获取去噪后的图像。

2.根据权利要求1所述的图像去噪方法，其特征在于，所述获取噪声块集包括：

获取待去噪图像的平滑块集；

将所述平滑块集中的每一平滑块减去对应的均值，以得到所述噪声块集。

3.根据权利要求1所述的图像去噪方法，其特征在于，在所述获取所述噪声块集中的第一噪声图像之后，所述根据所述第一噪声图像和无噪声图像构造训练集之前还包括:

根据生成对抗网络对所述噪声块集进行噪声建模，以得到可生成与所述待去噪图像同类型噪声的生成器；

根据所述生成器获取第二噪声图像；

则根据所述第一噪声图像和无噪声图像构造训练集包括：

根据所述无噪声图像、所述第一噪声图像及所述第二噪声图像构造训练集。

4.根据权利要求2所述的图像去噪方法，其特征在于，所述获取待去噪图像的平滑块集，包括：

以预设的步长扫描所述待去噪图像，并截取预设大小的全局块，以得到全局块集；

以预设的步长扫描所述全局块集中的每一个全局块；

对所述每一个全局块截取预设大小的局部块，以得到每一个所述全局块对应的局部块集；

在所述局部块集中的任一所述局部块的均值与所述局部块集对应的全局块的均值的差的绝对值均在预设范围，且在所述局部块集中的任一所述局部块的方差与所述局部块集对应的全局块的方差的差的绝对值均在预设范围时，将所述全局块提取出来，以得到所述平滑块集。

5.如权利要求3所述的图像去噪方法，其特征在于，所述根据生成对抗网络对所述噪声块集进行噪声建模，以得到可生成与所述待去噪图像同类型噪声的生成器，包括：

选取所述生成对抗网络模型；

将随机噪声输入至所述生成对抗网络模型的生成器；

将所述噪声块集作为真实数据样本集，训练所述生成对抗网络模型，以得到可生成与所述待去噪图像同类型噪声的生成器。

6.如权利要求3所述的图像去噪方法，其特征在于，所述根据所述无噪声图像、所述第一噪声图像及所述第二噪声图像构造训练集包括：

将无噪声图像截取成与所述噪声块集中的噪声块的大小相同，以获取无噪声图像块集；

将所述第一噪声图像中的每一噪声图像与所述无噪声图像块集中的每一图像块叠加，及所述第二噪声图像中的每一噪声图像与所述无噪声图像块集中的每一图像块叠加，以获取噪声图像块集；

根据所述无噪声图像块集及所述噪声图像块集构造训练集。

7.根据权利要求1所述的图像去噪方法，其特征在于，所述根据所述训练集及判别学习方法模型训练出图像去噪网络模型，包括：

选取一种判别学习方法模型；

根据所述训练集及所述判别学习方法模型训练图像去噪网络至收敛，获取所述图像去噪网络模型。

8.一种图像去噪装置，其特征在于，包括：

噪声块集获取模块，用于获取噪声块集；

噪声图像获取模块，用于获取所述噪声块集中的第一噪声图像；

训练集构造模块，用于根据所述第一噪声图像和无噪声图像构造训练集；

去噪模型获取模块，用于根据所述训练集及判别学习方法模型训练出图像去噪网络模型；

去噪模块，用于将所述待去噪图像输入到所述图像去噪网络模型，获取去噪后的图像。

9.一种图像去噪设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的图像去噪方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的图像去噪方法。