CN108280811B - 一种基于神经网络的图像去噪方法和系统 - Google Patents
一种基于神经网络的图像去噪方法和系统 Download PDFInfo
- Publication number
- CN108280811B CN108280811B CN201810063893.2A CN201810063893A CN108280811B CN 108280811 B CN108280811 B CN 108280811B CN 201810063893 A CN201810063893 A CN 201810063893A CN 108280811 B CN108280811 B CN 108280811B
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- network model
- activation
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000004913 activation Effects 0.000 claims description 60
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 206010034972 Photosensitivity reaction Diseases 0.000 description 5
- 230000036211 photosensitivity Effects 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 239000011362 coarse particle Substances 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 206010070834 Sensitisation Diseases 0.000 description 1
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008313 sensitization Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了一种基于神经网络的图像去噪方法，包括：获取场景的高感光度图像和低感光度图像；生成第一神经网络模型，并利用第一神经网络模型对低感光度图像进行去噪处理，得到去噪后的低感光度图像；将高感光度图像和去噪后的低感光度图像构成训练图像数据库，并利用训练图像数据库训练神经网络模型，生成用于图像去噪的第二神经网络模型；将待处理图像作为第二神经网络模型的输入，经处理后得到对应的干净图像。此外，还公开了一种基于神经网络的图像去噪系统。上述基于神经网络的图像去噪方法和系统能处理具有真实噪声信息的图像，具有现实的应用意义。
Description
技术领域
本发明涉及数学图像处理与模式识别领域，尤其涉及一种基于神经网络的图像去噪方法和系统。
背景技术
使用模式识别的方法对噪声图像进行过滤处理后得到噪声图像对应的噪声，再利用图像像素点对应关系，从噪声图像中分离出对应的噪声即可得到对应的干净图像。
在传统的图像去噪声处理中，包括CNN(Convolution Neural Network卷积神经网络)在内的模式识别方法具有重要应用，但用于构建这些卷积神经网络的训练图像数据库多为包含人造噪声的图像数据库，因而只能处理人工合成的噪声，对实际噪声图像几乎没有效果。
考虑到现实生活中的噪声是多边的，而非传统高斯噪声或泊松噪声，现有技术中也提出了一种图像去噪声方法，将对真实场景直接捕获得到的图像作为训练图像数据库。虽然利用上述训练图像数据库构建的卷积神经网络在图像去噪处理时可以对实际噪声进行处理，但在实际应用中，经处理后得到的干净图像仍不具有高质量特性。可见，现有技术的图像去噪声方法不能达到良好的去噪效果。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于神经网络的图像去噪方法，包括：
获取场景的高感光度图像和低感光度图像；
生成第一神经网络模型，并利用第一神经网络模型对低感光度图像进行去噪处理，得到去噪后的低感光度图像；
将高感光度图像和去噪后的低感光度图像构成训练图像数据库，并利用训练图像数据库训练神经网络模型，生成用于图像去噪的第二神经网络模型；
将待处理图像作为第二神经网络模型的输入，经处理后得到对应的干净图像。
进一步地，第一神经网络模型包括20个处理层，其中：
第1～17处理层每层的操作包括卷积、BN和激活，第18处理层的操作包括卷积和激活，第19处理层的操作包括卷积、BN和激活，第20处理层的操作为卷积；其中，激活采用的激活函数为Sigmoid，卷积过滤器的大小为3×3。
进一步地，利用RENOIR数据库训练第一神经网络模型，并把损失函数取得最小值时作为第一神经网络模型形成的标志。
进一步地，第二神经网络模型包括25个处理层，其中：
第1、2处理层每层的操作包括卷积和激活，第3～22处理层每层的操作包括卷积、BN和激活，第23、24处理层每层的操作包括卷积和激活，第25处理层的操作为卷积；其中，激活采用的激活函数为Tanh。
进一步地，第二神经网络模型的输入还包括噪声水平映射；其中，噪声水平映射的计算公式为：
x'为噪声，y为待处理图像，x为待处理图像对应的干净图像，l为噪声水平映射，λ为参数，
为与图像先验相关的正则项。
进一步地，在将高感光度图像和去噪后的低感光度图像构成训练图像数据库，并利用训练图像数据库训练神经网络模型，生成用于图像去噪的第二神经网络模型的步骤之后，还包括：
对待处理图像进行下采样得到子噪声图像；相应地，
将子噪声图像和噪声水平映射作为第二神经网络模型的输入，经处理后得到对应的干净图像。
本发明的目的是还提供一种基于神经网络的图像去噪系统，包括：
图像获取模块，用于获取场景的高感光度图像和低感光度图像；
第一模型生成及工作模块，用于生成第一神经网络模型，并利用第一神经网络模型对低感光度图像进行去噪处理，得到去噪后的低感光度图像；
第二模型生成模块，用于将高感光度图像和去噪后的低感光度图像构成训练图像数据库，并利用训练图像数据库训练神经网络模型，生成用于图像去噪的第二神经网络模型；
第二模型工作模块，用于将待处理图像作为第二神经网络模型的输入，经处理后得到对应的干净图像。
进一步地，第一神经网络模型包括20个处理层，其中：
第1～17处理层每层的操作包括卷积、BN和激活，第18处理层的操作包括卷积和激活，第19处理层的操作包括卷积、BN和激活，第20处理层的操作为卷积；其中，激活采用的激活函数为Sigmoid，卷积过滤器的大小为3×3。
进一步地，利用RENOIR数据库训练第一神经网络模型，并把损失函数取得最小值时作为第一神经网络模型形成的标志。
进一步地，第二神经网络模型包括25个处理层，其中：
第1、2处理层每层的操作包括卷积和激活，第3～22处理层每层的操作包括卷积、BN和激活，第23、24处理层每层的操作包括卷积和激活，第25处理层的操作为卷积；其中，激活采用的激活函数为Tanh。
进一步地，第二神经网络模型的输入还包括噪声水平映射；其中，噪声水平映射的计算公式为：
x'为噪声，y为待处理图像，x为待处理图像对应的干净图像，l为噪声水平映射，λ为参数，
为与图像先验相关的正则项。
进一步地，在第二模型生成模块之后，还包括：
图像下采样模块，用于对待处理图像进行下采样得到子噪声图像；相应地，
在第二模型工作模块中，第二神经网络模型的输入为子噪声图像和噪声水平映射。
本发明的有益效果为：
由上述技术方案可知，将捕获得到的低感光度图像经由第一神经网络模型作进一步的去噪处理后，可得到在理论值上更接近零噪声的干净图像，基于本技术方案的噪声图像和干净图像构成的训练图像数据库包含更准确的噪声信息。进而，利用上述训练图像数据库构建生成的第二神经网络模型对输入的待处理图像处理后能得到更高质量的干净图像。
在进一步的技术方案中，使用第二神经网络模型对待处理图像进行去噪处理时，输入第二神经网络模型的同时包括待处理图像和用于表示不同范围内噪声及盲噪声的噪声水平映射，克服了现有技术中只能处理具有一定范围内噪声水平的待处理图像的缺陷，因而，本图像去噪方法和系统具有更高的普适性以及灵活性。
附图说明
下面结合附图对本发明的具体实施方式作进一步说明：
图1是一个实施例中一种基于神经网络的图像去噪方法的流程示意图；
图2是一个实施例中第一神经网络的结构示意图；
图3是一个实施例中第二神经网络的结构示意图；
图4是一个实施例中第二神经网络的工作示意图；
图5是另一个实施例中一种基于神经网络的图像去噪方法的流程示意图；
图6是一个实施例中一种基于神经网络的图像去噪系统的结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
鉴于此，特提出一种基于神经网络的图像去噪方法，参见图1是一个实施例中一种基于神经网络的图像去噪方法的流程示意图，包括：
S110、获取场景的高感光度图像和低感光度图像。
更改相机设置，用不同感光度ISO和曝光时间捕获同一场景得到两幅分辨率和亮度不同的图像，分别为高感光度图像和低感光度图像。感光度是胶片对光线的化学反应速度，在胶片时代，指的就是胶片对光的敏感程度。对于不同感光度的图像，感光度值越大，经处理后含有的粗微粒越多，即图像中含有的噪声较多，称为高噪声图像；相应地，感光度值越小，经处理后含有的粗微粒越少，即图像中含有的噪声较少，称为低噪声图像。
再对若干不同场景执行相同上述操作得到不同场景的高感光度图像和低感光度图像。
S130、生成第一神经网络模型，并利用第一神经网络模型对低感光度图像进行去噪处理，得到去噪后的低感光度图像。
捕获的图像包括高感光度图像和低感光度图像，若将高感光度图像视为噪声图像，相应地，低感光度图像可视为干净图像。但由于现实环境中不同背景、灯光都会影响图像捕获的效果，直接捕获得到的低感光度图像仍含有部分噪声，不能视为真正的干净图像。在本步骤中，还包括对每个场景的低感光度图像作进一步的去噪处理。具体地，将低感光度图像输入第一神经网络模型经处理后得到对应的噪声，再从低感光度图像中基于对应像素点值移除对应的噪声，得到去噪后的低感光度图像。在本实施例中，该去噪后的低感光度图像可视为真正的干净图像。
S150、将高感光度图像和去噪后的低感光度图像构成训练图像数据库，并利用训练图像数据库训练神经网络模型，生成用于图像去噪的第二神经网络模型。
第二神经网络模型的生成包括训练过程和测试过程。其中，训练过程用于建立第二神经网络模型，即确定第二神经网络模型中的各参数值；测试过程用于评测建立的第二神经网络模型的好坏。上述两个过程的实施利用的都是训练图像数据库中的图像数据，即将训练图像数据库中的图像数据分为两部分，每部分都包含高感光度图像(噪声图像)和对应的去噪后的低感光度图像(干净图像)，一部分图像数据用于第二神经网络模型的训练过程，另一部分图像数据用于第二神经网络模型的测试过程。
在第二神经网络的训练过程中，待损失函数达到收敛，即损失函数取得最小值时，认为第二神经网络模型中的各参数确定。
S170、将待处理图像作为第二神经网络模型的输入，经处理后得到对应的干净图像。
第二神经网络模型对输入的具有真实噪声的待处理图像进行处理后，输出待处理图像对应的噪声；再根据图像像素点对应关系，从待处理图像中分离出对应的噪声，从而得到对应的干净图像。
根据得到的干净图像计算PSNR(峰值信噪比)和SSIM(结构相似性)，可衡量出本实施例提出的图像去噪方法具有可操作性。
在本图像去噪方法中，将捕获得到的低感光度图像经由第一神经网络模型作进一步的去噪处理后，可得到在理论值上更接近零噪声的干净图像，因而，基于本实施例的噪声图像和干净图像构成的训练图像数据库包含更准确的噪声信息。进而，利用上述训练图像数据库构建生成的第二神经网络模型对待处理图像处理后得到的干净图像具有高质量的特性。
在另一个实施例中，第一神经网络模型为带有批量规格化BN的卷积神经网络模型，一共20个处理层，参见图2是一个实施例中第一神经网络的结构示意图，具体组成包括：
第1～17处理层每层的操作包括卷积Conv、BN和激活Sigmoid，第18处理层的操作包括卷积Conv和激活Sigmoid，第19处理层的操作包括卷积Conv、BN和激活Sigmoid，第20处理层的操作为卷积Conv；其中，Sigmoid是指激活采用的激活函数为Sigmoid，卷积过滤器的大小为3×3。
在本实施例中，将上述第一神经网络模型称为DBCNN(Deep Batch ConvolutionNeural Network)。通过采用批量规格化BN不仅可以加快DBCNN模型训练数据的速度，还可以提高DBCNN模型对低感光度图像去噪的性能。
优选地，利用RENOIR数据库来构建生成DBCNN模型，并把损失函数取得最小值时作为DBCNN模型形成的标志。
RENOIR数据库存储的图像数据是在真正暗光条件下捕获的图像数据。具体地，通过使用三种摄像设备(佳能相机S90、佳能相机Rebel T3i和小米3手机)捕获40个场景获得；其中，每种摄像设备都捕获每个场景的2副无噪声图像，以及1或2副有噪声图像。
类似地，DBCNN模型的生成也包括训练过程和测试过程。具体地，DBCNN模型的训练过程利用的是RENOIR数据库中的图像数据，DBCNN模型的测试过程利用的是捕获的低感光度图像。
在另一个实施例中，第二神经网络模型是基于深度BN的卷积神经网络模型，一共25个处理层，参见图3是一个实施例中第二神经网络的结构示意图，具体组成包括：
第1～2处理层每层的操作包括卷积Conv和激活Tanh，第3～22处理层每层的操作包括卷积Conv、BN和激活Tanh，第23～24处理层每层的操作包括卷积Conv和激活Tanh，第25处理层的操作为卷积Conv；其中，Tanh是指激活采用的激活函数为Tanh。
在本实施例中，将上述第二神经网络模型称为BTNN(Batch Normalization TanhNerual Network)模型。由于本实施例中的BTNN模型融合了BN功能，不仅增强了BTNN模型的学习能力，还加快了BTNN模型的训练速度和图像去噪性能。
在另一个实施例中，在步骤S170中，第二神经网络模型的输入还包括噪声水平映射；其中，噪声水平映射表示不同范围内的噪声以及盲噪声。
假设y为待处理图像，x为干净图像，x'为噪声，l为噪声水平映射，λ为参数，
为与图像先验相关的正则项。
一个图像去噪模型可以表示成如下：
由公式(1)可知，x'跟y、λ、l有关，故x'＝f(y,λ,l)。因为设置l也能起到设置λ的作用，所以x'＝f(y,l)，即x'跟y、l有关。
进一步简化公式(1)得到公式(2)：
其中，xi、yi分别代表在干净图像x、待处理图像y中像素点i处的像素值，li代表在像素点i处的噪声水平映射。
根据先验值λ、
能知道
最小值，又yi、xi是已知的，则可得到li的值，进而得到噪声水平映射l。
现有技术在进行图像去噪处理时，大多都是针对特定的噪声水平而制定，即只能处理一定范围内噪声水平的图像，如0～60dB噪声水平内的图像。在本实施例中，通过将待处理图像和某一范围内的噪声水平映射作为第二神经网络模型的输入，使得第二神经网络模型能够处理更宽泛的原始噪声水平，从而解决了现有技术在图像去噪时只能处理某一规定范围内噪声水平的技术问题。
参见图4是一个实施例中第二神经网络的工作示意图，当待处理图像和噪声水平映射作为第二神经网络模型的输入后，经过第二神经网络模型处理后输出待处理图像对应的噪声，根据对应像素点以及待处理图像＝干净图像+噪声的关联关系，即可得到对应的干净图像。
更进一步地，为了加快图像去噪处理的速度以及获取到待处理图像的更多信息，在步骤S150之后还包括：
对待处理图像进行下采样得到子噪声图像；相应地，
步骤S170包括：
将子噪声图像和噪声水平映射作为第二神经网络模型的输入，经处理后得到待处理图像对应的干净图像。
参见图5是另一个实施例中一种基于神经网络的图像去噪方法的流程示意图，包括步骤：
S510、更改相机设置，使用不同感光度和曝光时间捕获真实图像，获取场景的高感光度图像和低感光度图像；
S520、利用RENOIR数据库构建生成第一神经网络模型，并利用第一神经网络模型对低感光度图像进行去噪处理，得到去噪后的低感光度图像；
S530、将高感光度图像和去噪后的低感光度图像构成训练图像数据库，并利用训练图像数据库对神经网络进行训练，生成用于图像去噪的第二神经网络模型；
S540、对待处理图像进行下采样得到子噪声图像；
S550、将子噪声图像和噪声水平映射作为第二神经网络模型的输入，经处理后输出对应的噪声，利用像素点对应关系从待处理图像中去除噪声得到对应的干净图像。
本发明还提出了一种基于神经网络的图像去噪系统，参见图6是一个实施例中一种基于神经网络的图像去噪系统的结构示意图，包括：
图像获取模块610，用于获取场景的高感光度图像和低感光度图像。
第一模型生成及工作模块630，用于生成第一神经网络模型，并利用第一神经网络模型对低感光度图像进行去噪处理，得到去噪后的低感光度图像。
第二模型生成模块650，用于将高感光度图像和去噪后的低感光度图像构成训练图像数据库，并利用训练图像数据库训练神经网络模型，生成用于图像去噪的第二神经网络模型。
第二模型工作模块670，用于将待处理图像作为第二神经网络模型的输入，经处理后得到对应的干净图像。
在另一个实施例中，第一神经网络模型包括20个处理层，其中：
第1～17处理层每层的操作包括卷积、BN和激活，第18处理层的操作包括卷积和激活，第19处理层的操作包括卷积、BN和激活，第20处理层的操作为卷积；其中，激活采用的激活函数为Sigmoid，卷积过滤器的大小为3×3。
在另一个实施例中，利用RENOIR数据库训练第一神经网络模型，并把损失函数取得最小值时作为第一神经网络模型形成的标志。
在另一个实施例中，第二神经网络模型包括25个处理层，其中：
第1、2处理层每层的操作包括卷积和激活，第3～22处理层每层的操作包括卷积、BN和激活，第23、24处理层每层的操作包括卷积和激活，第25处理层的操作为卷积；其中，激活采用的激活函数为Tanh。
在另一个实施例中，第二神经网络模型的输入还包括噪声水平映射；其中，噪声水平映射的计算公式为：
x'为噪声，y为待处理图像，x为待处理图像对应的干净图像，l为噪声水平映射，λ为参数，
为与图像先验相关的正则项。
在另一个实施例中，在第二模型生成模块650之后，还包括：
图像下采样模块，用于对待处理图像进行下采样得到子噪声图像。相应地，在第二模型工作模块670中，第二神经网络模型的输入为子噪声图像和噪声水平映射。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (12)
1.一种基于神经网络的图像去噪方法，其特征在于，包括：
获取场景的高感光度图像和低感光度图像；
生成第一神经网络模型，并利用所述第一神经网络模型对所述低感光度图像进行去噪处理，得到去噪后的低感光度图像；
将所述高感光度图像和所述去噪后的低感光度图像构成训练图像数据库，并利用所述训练图像数据库训练神经网络模型，生成用于图像去噪的第二神经网络模型；
将待处理图像作为所述第二神经网络模型的输入，经处理后得到对应的干净图像。
2.根据权利要求1所述的图像去噪方法，其特征在于，所述第一神经网络模型包括20个处理层，其中：
第1～17处理层每层的操作包括卷积、BN和激活，第18处理层的操作包括卷积和激活，第19处理层的操作包括卷积、BN和激活，第20处理层的操作为卷积；其中，所述激活采用的激活函数为Sigmoid，卷积过滤器的大小为3×3。
3.根据权利要求2所述的图像去噪方法，其特征在于，利用RENOIR数据库训练所述第一神经网络模型，并把损失函数取得最小值时作为所述第一神经网络模型形成的标志。
4.根据权利要求1所述的图像去噪方法，其特征在于，所述第二神经网络模型包括25个处理层，其中：
第1、2处理层每层的操作包括卷积和激活，第3～22处理层每层的操作包括卷积、BN和激活，第23、24处理层每层的操作包括卷积和激活，第25处理层的操作为卷积；其中，所述激活采用的激活函数为Tanh。
5.根据权利要求1所述的图像去噪方法，其特征在于，所述第二神经网络模型的输入还包括噪声水平映射；其中，所述噪声水平映射的计算公式为：
x'为噪声，y为待处理图像，x为待处理图像对应的干净图像，l为噪声水平映射，λ为参数，
为与图像先验相关的正则项。
6.根据权利要求5所述的图像去噪方法，其特征在于，在所述将所述高感光度图像和所述去噪后的低感光度图像构成训练图像数据库，并利用所述训练图像数据库训练神经网络模型，生成用于图像去噪的第二神经网络模型的步骤之后，还包括：
对所述待处理图像进行下采样得到子噪声图像；相应地，
将所述子噪声图像和所述噪声水平映射作为所述第二神经网络模型的输入，经处理后得到对应的干净图像。
7.一种基于神经网络的图像去噪系统，其特征在于，包括：
图像获取模块，用于获取场景的高感光度图像和低感光度图像；
第一模型生成及工作模块，用于生成第一神经网络模型，并利用所述第一神经网络模型对所述低感光度图像进行去噪处理，
得到去噪后的低感光度图像；
第二模型生成模块，用于将所述高感光度图像和所述去噪后的低感光度图像构成训练图像数据库，并利用所述训练图像数据库训练神经网络模型，生成用于图像去噪的第二神经网络模型；
第二模型工作模块，用于将待处理图像作为所述第二神经网络模型的输入，经处理后得到对应的干净图像。
8.根据权利要求7所述的图像去噪系统，其特征在于，所述第一神经网络模型包括20个处理层，其中：
第1～17处理层每层的操作包括卷积、BN和激活，第18处理层的操作包括卷积和激活，第19处理层的操作包括卷积、BN和激活，第20处理层的操作为卷积；其中，所述激活采用的激活函数为Sigmoid，卷积过滤器的大小为3×3。
9.根据权利要求8所述的图像去噪系统，其特征在于，利用RENOIR数据库训练所述第一神经网络模型，并把损失函数取得最小值时作为所述第一神经网络模型形成的标志。
10.根据权利要求7所述的图像去噪系统，其特征在于，所述第二神经网络模型包括25个处理层，其中：
第1、2处理层每层的操作包括卷积和激活，第3～22处理层每层的操作包括卷积、BN和激活，第23、24处理层每层的操作包括卷积和激活，第25处理层的操作为卷积；其中，所述激活采用的激活函数为Tanh。
11.根据权利要求7所述的图像去噪系统，其特征在于，所述第二神经网络模型的输入还包括噪声水平映射；其中，所述噪声水平映射的计算公式为：
x'为噪声，y为待处理图像，x为待处理图像对应的干净图像，l为噪声水平映射，λ为参数，
为与图像先验相关的正则项。
12.根据权利要求11所述的图像去噪系统，其特征在于，在所述第二模型生成模块之后，还包括：
图像下采样模块，用于对所述待处理图像进行下采样得到子噪声图像；相应地，
在所述第二模型工作模块中，所述第二神经网络模型的输入为所述子噪声图像和所述噪声水平映射。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810063893.2A CN108280811B (zh) | 2018-01-23 | 2018-01-23 | 一种基于神经网络的图像去噪方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810063893.2A CN108280811B (zh) | 2018-01-23 | 2018-01-23 | 一种基于神经网络的图像去噪方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108280811A CN108280811A (zh) | 2018-07-13 |
| CN108280811B true CN108280811B (zh) | 2021-07-06 |
Family
ID=62804584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810063893.2A Active CN108280811B (zh) | 2018-01-23 | 2018-01-23 | 一种基于神经网络的图像去噪方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108280811B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242798B (zh) * | 2018-09-14 | 2021-07-20 | 南昌大学 | 一种基于三段子网络表示的泊松去噪方法 |
| CN109410149B (zh) * | 2018-11-08 | 2019-12-31 | 安徽理工大学 | 一种基于并行特征提取的cnn去噪方法 |
| CN109658344B (zh) * | 2018-11-12 | 2022-10-25 | 哈尔滨工业大学（深圳） | 基于深度学习的图像去噪方法、装置、设备和存储介质 |
| CN109685743B (zh) * | 2018-12-30 | 2023-01-17 | 陕西师范大学 | 基于噪声学习神经网络模型的图像混合噪声消除方法 |
| CN110062159A (zh) * | 2019-04-09 | 2019-07-26 | Oppo广东移动通信有限公司 | 基于多帧图像的图像处理方法、装置、电子设备 |
| CN110072052B (zh) * | 2019-04-09 | 2021-08-27 | Oppo广东移动通信有限公司 | 基于多帧图像的图像处理方法、装置、电子设备 |
| CN110072051B (zh) * | 2019-04-09 | 2021-09-03 | Oppo广东移动通信有限公司 | 基于多帧图像的图像处理方法和装置 |
| CN110062160B (zh) * | 2019-04-09 | 2021-07-02 | Oppo广东移动通信有限公司 | 图像处理方法和装置 |
| CN110290289B (zh) * | 2019-06-13 | 2021-07-09 | Oppo广东移动通信有限公司 | 图像降噪方法、装置、电子设备以及存储介质 |
| CN110191291B (zh) * | 2019-06-13 | 2021-06-25 | Oppo广东移动通信有限公司 | 基于多帧图像的图像处理方法和装置 |
| CN110276730B (zh) * | 2019-06-13 | 2023-03-28 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备 |
| CN110166709B (zh) * | 2019-06-13 | 2022-03-18 | Oppo广东移动通信有限公司 | 夜景图像处理方法、装置、电子设备以及存储介质 |
| CN110248107A (zh) * | 2019-06-13 | 2019-09-17 | Oppo广东移动通信有限公司 | 图像处理方法和装置 |
| CN112308785A (zh) * | 2019-08-01 | 2021-02-02 | 武汉Tcl集团工业研究院有限公司 | 图像去噪方法、存储介质及终端设备 |
| CN112434780B (zh) * | 2019-08-26 | 2023-05-30 | 上海高德威智能交通系统有限公司 | 目标对象识别网络模型及其训练方法、目标对象识别方法 |
| CN111028171B (zh) * | 2019-12-06 | 2023-04-18 | 北京金山云网络技术有限公司 | 确定图像噪声等级的方法、装置和服务器 |
| CN111105376B (zh) * | 2019-12-19 | 2022-08-02 | 电子科技大学 | 基于双分支神经网络的单曝光高动态范围图像生成方法 |
| US20220189005A1 (en) * | 2020-12-16 | 2022-06-16 | Baker Hughes Holdings Llc | Automatic inspection using artificial intelligence models |
| KR20220094561A (ko) * | 2020-12-29 | 2022-07-06 | 에스케이하이닉스 주식회사 | 이미지 센싱 장치 및 그의 동작 방법 |
| CN114027052A (zh) * | 2021-10-20 | 2022-02-11 | 华南农业大学 | 一种植物生殖发育的光照调控系统 |
| CN116433496A (zh) * | 2021-12-31 | 2023-07-14 | 虹软科技股份有限公司 | 一种图像去噪方法、装置和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820974A (zh) * | 2015-05-14 | 2015-08-05 | 浙江科技学院 | 基于elm的图像去噪方法 |
| CN106204468A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于ReLU卷积神经网络的图像去噪方法 |
| CN106204467A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于级联残差神经网络的图像去噪方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160321523A1 (en) * | 2015-04-30 | 2016-11-03 | The Regents Of The University Of California | Using machine learning to filter monte carlo noise from images |
| CN105100636B (zh) * | 2015-08-11 | 2017-11-07 | 广东欧珀移动通信有限公司 | 一种图像处理方法及移动终端 |
-
2018
- 2018-01-23 CN CN201810063893.2A patent/CN108280811B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820974A (zh) * | 2015-05-14 | 2015-08-05 | 浙江科技学院 | 基于elm的图像去噪方法 |
| CN106204468A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于ReLU卷积神经网络的图像去噪方法 |
| CN106204467A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于级联残差神经网络的图像去噪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于复合卷积神经网络的图像去噪算法*;吕永标等;《模式识别与人工智能》;20170228;第97-104页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108280811A (zh) | 2018-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108280811B (zh) | 一种基于神经网络的图像去噪方法和系统 | |
| CN109636754B (zh) | 基于生成对抗网络的极低照度图像增强方法 | |
| CN110210608B (zh) | 基于注意力机制和多层次特征融合的低照度图像增强方法 | |
| CN111915526A (zh) | 一种基于亮度注意力机制低照度图像增强算法的摄影方法 | |
| CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
| CN104144298B (zh) | 一种宽动态图像合成方法 | |
| WO2020152521A1 (en) | Systems and methods for transforming raw sensor data captured in low-light conditions to well-exposed images using neural network architectures | |
| CN109785252B (zh) | 基于多尺度残差密集网络夜间图像增强方法 | |
| JP2020144489A (ja) | 画像処理方法、画像処理装置、プログラム、学習済みモデルの製造方法、および、画像処理システム | |
| CN110992272A (zh) | 基于深度学习的暗光图像增强方法、装置、设备及介质 | |
| JP7212554B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
| CN111369466A (zh) | 一种基于可变形卷积的卷积神经网络的图像畸变矫正增强方法 | |
| CN111986106A (zh) | 一种基于神经网络的高动态图像重建方法 | |
| CN114862698A (zh) | 一种基于通道引导的真实过曝光图像校正方法与装置 | |
| CN114219722A (zh) | 一种利用时频域层级处理的低光照图像增强方法 | |
| CN114881867A (zh) | 一种基于深度学习的图像去噪方法 | |
| CN113643214A (zh) | 一种基于人工智能的图像曝光校正方法及系统 | |
| CN111160100A (zh) | 一种基于样本生成的轻量级深度模型航拍车辆检测方法 | |
| CN117351216B (zh) | 一种基于监督深度学习的图像自适应去噪方法 | |
| CN112651945A (zh) | 一种基于多特征的多曝光图像感知质量评价方法 | |
| CN107295261A (zh) | 图像去雾处理方法、装置、存储介质和移动终端 | |
| CN115358952B (zh) | 一种基于元学习的图像增强方法、系统、设备和存储介质 | |
| CN116723413A (zh) | Raw域图像去噪方法及拍摄装置 | |
| CN116664446A (zh) | 基于残差密集块的轻量级暗光图像增强方法 | |
| CN113286142B (zh) | 一种基于人工智能的图像成像感光度预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |