CN108765334A - 一种图像去噪方法、装置以及电子设备 - Google Patents
一种图像去噪方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN108765334A CN108765334A CN201810506165.4A CN201810506165A CN108765334A CN 108765334 A CN108765334 A CN 108765334A CN 201810506165 A CN201810506165 A CN 201810506165A CN 108765334 A CN108765334 A CN 108765334A
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- model
- confrontation network
- network model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 36
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000003475 lamination Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 230000001815 facial effect Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000004069 differentiation Effects 0.000 description 4
- 210000001938 protoplast Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种图像去噪方法、装置以及电子设备，所述方法包括：获取待去噪图像；基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；基于所述图像特征向量进行反卷积处理，获得去噪图像；其中，所述图像去噪模型基于对抗网络模型进行训练后得到。通过收集原图像和基于原图像处理后的待去噪图像，作为对抗网络模型的训练集，对生成模型和判别模型进行训练，使得对抗网络模型中的生成模型和判别模型不断反复博弈优化，从而可以获得基于对抗网络模型的优化后的图像去噪模型。可以有效提升模型优化的效率，以及提升图像去噪模型的去噪效果。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种图像去噪方法、装置以及电子设备。
背景技术
随着监控系统的完善，图像采集应用越来越广泛，采集到大量图像中，由于采集设备问题，导致采集到图像部分损坏；或者，由于采集条件问题，导致采集到的图像清晰度不佳，存在很多噪点，影响辨别图像内容。
在现有的图像去噪技术中，图像去噪方法有基于频域的处理如均值滤波方法，中值滤波等，对待处理的当前像素，选择一个模板，该模板为其邻近的若干个像素组成，用模板的均值或者中值来替代原像素的值的方法，这种方法在降低噪声的同时会使图像产生模糊；有偏微分方程的方法，偏微分方程的应用主要的一类是一种是基本的迭代格式，通过随时间变化的更新，使得图像向所要得到的效果逐渐逼近，这种方式对高斯噪声处理的不好；也有基于变换域滤波的方式，如小波变换，但是对高频信息去噪处理不佳。
基于现有技术，需要能够准确、快速的进行图像去噪的方案。
发明内容
本说明书实施例提供一种图像去噪方法、装置以及电子设备，用于解决以下技术问题：需要能够快速实现活体图像去噪的方案。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种图像去噪方法，包括：
获取待去噪图像；
基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；
基于所述图像特征向量进行反卷积处理，获得去噪图像；
其中，所述图像去噪模型基于对抗网络模型进行训练后得到。
进一步地，训练所述图像去噪模型，具体包括：
获取去噪图像训练集，所述去噪图像训练集包括：N个原图像和N个待去噪图像；其中，所述N个待去噪图像是基于N个原图像处理得到的；
基于所述去噪图像训练集，对所述对抗网络模型进行训练，得到所述图像去噪模型。
进一步地，所述对抗网络模型包括：生成模型和判别模型；
所述对抗网络模型优化函数如下：
其中，G表示生成模型、D表示判别模型、表示X取自原图像分布、表示z取自待去噪图像。
进一步地，所述判别模型优化方式，包括：
基于所述对抗网络模型优化函数，利用梯度上升获取V(D,G)最大值；
基于获得V(D,G)最大值，获得优化后的所述判别模型；
其中，所述判别模型包括：5个卷积层和1个全连接层。
进一步地，训练所述判别模型，具体包括：
基于所述生成模型输出的所述去燥图像和所述原图像作为输入，训练所述判别模型。
进一步地，所述生成模型优化方式，包括：
基于所述对抗网络模型优化函数，利用梯度下降获取V(D,G)最小值；
基于获得V(D,G)最小值，获得优化后的所述生成模型；
所述生成模型包括：6个卷积层、6个反卷积层和2个全连接层。
进一步地，还包括：
优化目标判别函数：
其中，X表示所述原图像，G(z)表示去噪完成所述待去噪图像。
本说明书实施例提供的一种图像去噪装置，其特征在于，包括：
获取模块，获取待去噪图像；
编码模块，基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；
解码模块，基于所述图像特征向量进行反卷积处理，获得去噪图像；
其中，所述图像去噪模型基于对抗网络模型进行训练后得到。
进一步地，还包括：训练模块；
所述训练模块，获取去噪图像训练集，所述去噪图像训练集包括：N个原图像和N个待去噪图像；其中，所述N个待去噪图像是基于N个原图像处理得到的；
基于所述去噪图像训练集，对所述对抗网络模型进行训练，得到所述图像去噪模型。
进一步地，所述对抗网络模型包括：生成模型和判别模型；
所述对抗网络模型优化函数如下：
其中，G表示生成模型、D表示判别模型、表示X取自原图像分布、表示z取自待去噪图像。
进一步地，所述判别模型优化方式，包括：
基于所述对抗网络模型优化函数，利用梯度上升获取V(D,G)最大值；
基于获得V(D,G)最大值，获得优化后的所述判别模型；
其中，所述判别模型包括：5个卷积层和1个全连接层。
进一步地，训练所述判别模型，具体包括：
基于所述生成模型输出的所述去燥图像和所述原图像作为输入，训练所述判别模型。
进一步地，所述生成模型优化方式，包括：
基于所述对抗网络模型优化函数，利用梯度下降获取V(D,G)最小值；
基于获得V(D,G)最小值，获得优化后的所述生成模型。
进一步地，还包括：优化目标判别装置；
所述优化目标判别装置包含：优化目标判别函数：
其中，X表示所述原图像，G(z)表示去噪完成所述待去噪图像。
本说明书实施例提供的一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取模块，获取待去噪图像；
编码模块，基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；
解码模块，基于所述图像特征向量进行反卷积处理，获得去噪图像；
其中，所述图像去噪模型基于对抗网络模型进行训练后得到。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过收集原图像和基于原图像处理后的待去噪图像，作为对抗网络模型的训练集，对生成模型和判别模型进行训练，即将通过所述生成模型得到的去噪图片作为判别模型的输入，将判别模型的输出作为生成模型的输入，使得对抗网络模型中的生成模型和判别模型不断反复博弈优化，从而可以获得基于对抗网络模型的优化后的图像去噪模型，可以有效提升模型优化的效率；基于生成模型对待去噪图像进行编码、解码处理，并在处理过程中不断优化图像特征向量，可以有效提升图像去噪模型的去噪效果。
附图说明
为了更清楚地说明本说明书实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书的方案在一种实际应用场景下涉及的图像去噪过程示意图；
图2为本说明书实施例提供的一种图像去噪方法的流程示意图；
图3为本说明书实施例提供的实际应用图像去噪过程的示意图；
图4为本说明书实施例提供的一种图像去噪装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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申请一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。
图1为本说明书的方案在一种实际应用场景下涉及的图像去噪过程的示意图。通过获取去噪图像训练集，该训练集包括原图像和基于原图像进行处理后得到的待去噪图像。基于去噪图像训练集，进行对抗网络模型的训练；其中，对抗网络模型包括生成模型和判别模型。具体来说，利用待去噪图像和判别模型的判别结果，训练生成模型；利用原始图像和生成模型生成的去噪完成图像，训练判别模型。通过生成模型与判别模型的相互博弈，实现对抗网络模型的优化，从而可以获得使得去噪后的图像更加接近原图像的图像去噪模型。
基于上述场景，下面对本说明书的方案进行详细说明。
图2为本说明书实施例提供的一种图像去噪方法的流程示意图，该方法具体可以包括以下步骤：
步骤S202：获取待去噪图像。
在一种实施例中，待去噪图像可以是通过图像采集设备获取，并且，这些图像可以是建筑物图像、动物图像或者人脸图像等。例如，监控设备，采集得到人脸图像，由于光线原因，导致获取的人脸图像不清晰，存在很多噪点，因此，需要对该人脸图像进行去噪，一般能够辨别出被采集的人脸的身份。
步骤S204：基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量。
所述图像去噪模型，包括：多个卷积层、反卷积层，其中，卷积层用于对图像进行特征提取并降低图像分辨率的下采样处理，反卷积层用于对图像进行提高分辨率的上采样处理；所述基于所述图像去噪模型，对图像进行清晰化处理，具体可以包括：
通过当前卷积层对上一卷积层所输出的图像进行下采样，并将所得到的下采样图像发送至下一个卷积层，直至所述多个卷积层均完成对所述待去噪图像的下采样，得到所述去噪图像对应的低分辨率图像。
步骤S206：基于所述图像特征向量进行反卷积处理，获得去噪图像；其中，所述图像去噪模型基于对抗网络模型进行训练后得到。
通过所述反卷积层，对所述低分辨率图像进行上采样，得到清晰去噪图像。
在一种实施例中，利用图像去噪模型对图像进行去噪，其中，这里所说的图像去噪模型是基于对抗网络模型训练得到的。
在对抗网络模型中，包含生成模型和判别模型。其中，生成模型用来对待去噪图像进行去噪，判别模型用来判断生成模型所去噪完成的图像是否接近原图像。在实际应用中，将待去噪的人脸图像，输入到图像去噪模型中，基于生成模型和判别模型，不断优化待去噪的人脸图像，从而可以得到与原人脸图像更加接近的去噪完成的人脸图像。
通过收集原图像和基于原图像处理后的待去噪图像，作为对抗网络模型的训练集，对生成模型和判别模型进行训练，即将通过所述生成模型得到的去噪图片作为判别模型的输入，将判别模型的输出作为生成模型的输入，使得对抗网络模型中的生成模型和判别模型不断反复博弈优化，从而可以获得基于对抗网络模型的优化后的图像去噪模型，可以有效提升模型优化的效率；基于生成模型对待去噪图像进行编码、解码处理，并在处理过程中不断优化图像特征向量，可以有效提升图像去噪模型的去噪效果。
在本说明书一个或者多个实施例中，训练所述图像去噪模型，具体包括：
获取去噪图像训练集，所述去噪图像训练集包括：N个原图像和N个待去噪图像；其中，所述N个待去噪图像是基于N个原图像处理得到的；基于所述去噪图像训练集，对所述对抗网络模型进行训练，得到所述图像去噪模型。
为了能够获得更好的去噪图像训练集，在构造时，往往N个原图像(其中，N大于等于1)，相对应的，N个待去噪图像是基于N个原图像处理得到的。
例如，获取2个原人脸图像，以及根据该2个人脸图像进行处理后的2个待去噪人脸图像。利用2个待去噪人脸图像，输入到生成模型中，利用生成模型输出2个去噪完成人脸图像；进一步地，基于2个去噪完成人脸图像和2个原人脸图像，输入到判别模型中，训练判别模型，一般来说，判别模型输出判别结果可以是一个概率值(即，阈值)，用于判别去噪完成人脸图像是否满足去噪要求；在本实施例中，分别输出2个概率值。
在本说明书一个或者多个实施例中，所述对抗网络模型包括：生成模型和判别模型；
所述对抗网络模型优化函数如下：
其中，G表示生成模型、D表示判别模型、表示X取自原图像分布、表示z取自待去噪图像。
例如，该对抗网络模型为基于神经网络模型构建的，生成模型(生成器，Generator)和判别模型(鉴别器，Discriminator)是卷积+全连网络。前者从随机向量生成一个样本，后者鉴别生成的样本以及训练集样本究竟谁真谁假。两者同时训练。在训练判别模型时，最小化判别误差；在训练生成模型时，最大化判别误差。两个训练的目的均可以通过反向传播方法实现。训练好的生成网络，能够把任意一个噪声向量转化成和训练集类似的样本。该噪声可以看做该样本在低维空间的编码。
在实际应用中，如图3所示，对人脸图像进行去噪时，基于训练得到的生成模型(即，图像去噪模型)，对待去噪人脸图像进行去噪，并得到与原人脸图像比较接近的去噪图像。
在基本说明书一个或者多个实施例中，所述判别模型优化方式，包括：基于所述对抗网络模型优化函数，利用梯度上升获取V(D,G)最大值；基于获得V(D,G)最大值，获得优化后的所述判别模型；其中，所述判别模型包括：5个卷积层和1个全连接层。
在判别模型中，包括卷积层，池化层和全连接层等，该判别模型用来判断完整的人脸图像是通过生成模型生成出来的还是原本就是完整的人脸图像。
在训练的过程中，希望真实数据的判别值越大越好。同时我们希望对生成数据的判别值logD(x)越小越好，所以log(1-D(G(z)))也是越大越好。训练中使用梯度上升，使价值函数的值越来越高。
在本说明书一个或者多个实施例中，训练所述判别模型，具体可以包括：基于所述生成模型输出的所述去燥图像和所述原图像作为输入，训练所述判别模型。
在训练判别模型的过程中，需要利用原图像和去噪图像作为输入进行训练，判别模型输出一个阈值，若判别结果满足这个阈值要求，则该图像符合去噪标准；若判别结果不满足阈值要求，则反馈生成模型继续对该图像进行去噪处理。
在本说明书一个或者多个实施例中，所述生成模型优化方式，包括：基于所述对抗网络模型优化函数，利用梯度下降获取V(D,G)最小值；基于获得V(D,G)最小值，获得优化后的所述生成模型；所述生成模型包括：6个卷积层、6个反卷积层和2个全连接层。
在生成模型中，包括卷积层，池化层，全连接层，反卷积层等。就希望价值函数的值越小越好，即使用梯度下降来训练生成模型的参数。
在本说明书一个或者多个实施例中，还包括：优化目标判别函数：
其中，X表示所述原图像，G(z)表示去噪完成所述待去噪图像。
为了保证图片在去噪后和原始图片尽可能的相似，使用图像的像素差损失作为优化目标，如下公式所示：
其中，X表示完整的人脸图片，G(z)表示去噪之后的人脸图像。
基于同样的思路，本申请实施例还提供一种图像去噪装置，如图4所示，该装置主要包括：
获取模块401，获取待去噪图像；
编码模块402，基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；
解码模块403，基于所述图像特征向量进行反卷积处理，获得去噪图像；
其中，所述图像去噪模型基于对抗网络模型进行训练后得到。
进一步地，还包括：训练模块404；
所述训练模块404，获取去噪图像训练集，所述去噪图像训练集包括：N个原图像和N个待去噪图像；其中，所述N个待去噪图像是基于N个原图像处理得到的；
基于所述去噪图像训练集，对所述对抗网络模型进行训练，得到所述图像去噪模型。
进一步地，所述对抗网络模型包括：生成模型和判别模型；
所述对抗网络模型优化函数如下：
其中，G表示生成模型、D表示判别模型、表示X取自原图像分布、表示z取自待去噪图像。
进一步地，所述判别模型优化方式，包括：
基于所述对抗网络模型优化函数，利用梯度上升获取V(D,G)最大值；
基于获得V(D,G)最大值，获得优化后的所述判别模型；
其中，所述判别模型包括：5个卷积层和1个全连接层。
进一步地，训练所述判别模型，具体包括：
基于所述生成模型输出的所述去燥图像和所述原图像作为输入，训练所述判别模型。
进一步地，所述生成模型优化方式，包括：
基于所述对抗网络模型优化函数，利用梯度下降获取V(D,G)最小值；
基于获得V(D,G)最小值，获得优化后的所述生成模型。
进一步地，还包括：优化目标判别装置；
所述优化目标判别装置包含：优化目标判别函数：
其中，X表示所述原图像，G(z)表示去噪完成所述待去噪图像。
基于同样的思路，本申请实施例还提供一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取待去噪图像；
基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；
基于所述图像特征向量进行反卷积处理，获得去噪图像；
其中，所述图像去噪模型基于对抗网络模型进行训练后得到。
通过收集原图像和基于原图像处理后的待去噪图像，作为对抗网络模型的训练集，对生成模型和判别模型进行训练，即将通过所述生成模型得到的去噪图片作为判别模型的输入，将判别模型的输出作为生成模型的输入，使得对抗网络模型中的生成模型和判别模型不断反复博弈优化，从而可以获得基于对抗网络模型的优化后的图像去噪模型，可以有效提升模型优化的效率；基于生成模型对待去噪图像进行编码、解码处理，并在处理过程中不断优化图像特征向量，可以有效提升图像去噪模型的去噪效果。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件人脸模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或人脸实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (15)
1.一种图像去除噪点方法，其特征在于，包括：
获取待去噪图像；
基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；
基于所述图像特征向量进行反卷积处理，获得去噪图像；
其中，所述图像去噪模型基于对抗网络模型进行训练后得到。
2.如权利要求1所述的方法，其特征在于，训练所述图像去噪模型，具体包括：
获取去噪图像训练集，所述去噪图像训练集包括：N个原图像和N个待去噪图像；其中，所述N个待去噪图像是基于N个原图像处理得到的；
基于所述去噪图像训练集，对所述对抗网络模型进行训练，得到所述图像去噪模型。
3.如权利要求1所述的方法，其特征在于，所述对抗网络模型包括：生成模型和判别模型；
所述对抗网络模型优化函数如下：
其中，G表示生成模型、D表示判别模型、表示X取自原图像分布、表示z取自待去噪图像。
4.如权利要求3所述的方法，其特征在于，所述判别模型优化方式，包括：
基于所述对抗网络模型优化函数，利用梯度上升获取V(D,G)最大值；
基于获得V(D,G)最大值，获得优化后的所述判别模型；
其中，所述判别模型包括：5个卷积层和1个全连接层。
5.如权利要求4所述的方法，其特征在于，训练所述判别模型，具体包括：
基于所述生成模型输出的所述去燥图像和所述原图像作为输入，训练所述判别模型。
6.如权利要求3所述的方法，其特征在于，所述生成模型优化方式，包括：
基于所述对抗网络模型优化函数，利用梯度下降获取V(D,G)最小值；
基于获得V(D,G)最小值，获得优化后的所述生成模型；
所述生成模型包括：6个卷积层、6个反卷积层和2个全连接层。
7.如权利要求1所述的方法，其特征在于，还包括：
优化目标判别函数：
其中，X表示所述原图像，G(z)表示去噪完成所述待去噪图像。
8.一种图像去噪装置，其特征在于，包括：
获取模块，获取待去噪图像；
编码模块，基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；
解码模块，基于所述图像特征向量进行反卷积处理，获得去噪图像；
其中，所述图像去噪模型基于对抗网络模型进行训练后得到。
9.如权利要求8所述的装置，其特征在于，还包括：训练模块；
所述训练模块，获取去噪图像训练集，所述去噪图像训练集包括：N个原图像和N个待去噪图像；其中，所述N个待去噪图像是基于N个原图像处理得到的；
基于所述去噪图像训练集，对所述对抗网络模型进行训练，得到所述图像去噪模型。
10.如权利要求8所述的装置，其特征在于，所述对抗网络模型包括：生成模型和判别模型；
所述对抗网络模型优化函数如下：
其中，G表示生成模型、D表示判别模型、表示X取自原图像分布、表示z取自待去噪图像。
11.如权利要求10所述的装置，其特征在于，所述判别模型优化方式，包括：
基于所述对抗网络模型优化函数，利用梯度上升获取V(D,G)最大值；
基于获得V(D,G)最大值，获得优化后的所述判别模型；
其中，所述判别模型包括：5个卷积层和1个全连接层。
12.如权利要求11所述的装置，其特征在于，训练所述判别模型，具体包括：
基于所述生成模型输出的所述去燥图像和所述原图像作为输入，训练所述判别模型。
13.如权利要求10所述的装置，其特征在于，所述生成模型优化方式，包括：
基于所述对抗网络模型优化函数，利用梯度下降获取V(D,G)最小值；
基于获得V(D,G)最小值，获得优化后的所述生成模型。
14.如权利要求8所述的装置，其特征在于，还包括：优化目标判别装置；
所述优化目标判别装置包含：优化目标判别函数：
其中，X表示所述原图像，G(z)表示去噪完成所述待去噪图像。
15.一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取待去噪图像；
基于图像去噪模型，经卷积层对所述待去噪图像进行编码，获取图像特征向量；
基于所述图像特征向量进行反卷积处理，获得去噪图像；
其中，所述图像去噪模型基于对抗网络模型进行训练后得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810506165.4A CN108765334A (zh) | 2018-05-24 | 2018-05-24 | 一种图像去噪方法、装置以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810506165.4A CN108765334A (zh) | 2018-05-24 | 2018-05-24 | 一种图像去噪方法、装置以及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108765334A true CN108765334A (zh) | 2018-11-06 |
Family
ID=64005230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810506165.4A Pending CN108765334A (zh) | 2018-05-24 | 2018-05-24 | 一种图像去噪方法、装置以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108765334A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109785254A (zh) * | 2018-12-29 | 2019-05-21 | 努比亚技术有限公司 | 图片降噪方法、图片降噪模型生成方法、终端及存储介质 |
| CN109934253A (zh) * | 2019-01-08 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 一种对抗样本生成方法及装置 |
| CN110288547A (zh) * | 2019-06-27 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 用于生成图像去噪模型的方法和装置 |
| CN110288079A (zh) * | 2019-05-20 | 2019-09-27 | 阿里巴巴集团控股有限公司 | 特征数据获取方法、装置和设备 |
| CN110827216A (zh) * | 2019-10-23 | 2020-02-21 | 上海理工大学 | 图像去噪的多生成器生成对抗网络学习方法 |
| CN111127331A (zh) * | 2019-10-22 | 2020-05-08 | 广东启迪图卫科技股份有限公司 | 基于像素级全局噪声估计编解码网络的图像去噪方法 |
| CN111291619A (zh) * | 2020-01-14 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 一种在线识别理赔单据中文字的方法、装置及客户端 |
| CN111461979A (zh) * | 2020-03-30 | 2020-07-28 | 招商局金融科技有限公司 | 验证码图像去噪识别方法、电子装置及存储介质 |
| CN111768351A (zh) * | 2020-06-22 | 2020-10-13 | Oppo广东移动通信有限公司 | 图像去噪方法、图像去噪装置、存储介质与电子设备 |
| CN111767754A (zh) * | 2020-06-30 | 2020-10-13 | 创新奇智(北京)科技有限公司 | 一种识别码的识别方法、装置、电子设备及存储介质 |
| CN111859210A (zh) * | 2019-04-29 | 2020-10-30 | 百度在线网络技术（北京）有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN114529815A (zh) * | 2022-02-10 | 2022-05-24 | 中山大学 | 一种基于深度学习的流量检测方法、装置、介质及终端 |
| CN114565540A (zh) * | 2022-04-30 | 2022-05-31 | 深圳市巨力方视觉技术有限公司 | 基于多路对照图像去噪用机器视觉集成系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
| CN107507153A (zh) * | 2017-09-21 | 2017-12-22 | 百度在线网络技术（北京）有限公司 | 图像去噪方法和装置 |
| CN108062753A (zh) * | 2017-12-29 | 2018-05-22 | 重庆理工大学 | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 |
-
2018
- 2018-05-24 CN CN201810506165.4A patent/CN108765334A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
| CN107507153A (zh) * | 2017-09-21 | 2017-12-22 | 百度在线网络技术（北京）有限公司 | 图像去噪方法和装置 |
| CN108062753A (zh) * | 2017-12-29 | 2018-05-22 | 重庆理工大学 | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109785254A (zh) * | 2018-12-29 | 2019-05-21 | 努比亚技术有限公司 | 图片降噪方法、图片降噪模型生成方法、终端及存储介质 |
| CN109934253A (zh) * | 2019-01-08 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 一种对抗样本生成方法及装置 |
| CN109934253B (zh) * | 2019-01-08 | 2023-08-11 | 创新先进技术有限公司 | 一种对抗样本生成方法及装置 |
| CN111859210A (zh) * | 2019-04-29 | 2020-10-30 | 百度在线网络技术（北京）有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN111859210B (zh) * | 2019-04-29 | 2024-04-26 | 百度在线网络技术（北京）有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN110288079A (zh) * | 2019-05-20 | 2019-09-27 | 阿里巴巴集团控股有限公司 | 特征数据获取方法、装置和设备 |
| CN110288079B (zh) * | 2019-05-20 | 2023-06-09 | 创新先进技术有限公司 | 特征数据获取方法、装置和设备 |
| CN110288547A (zh) * | 2019-06-27 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 用于生成图像去噪模型的方法和装置 |
| CN111127331A (zh) * | 2019-10-22 | 2020-05-08 | 广东启迪图卫科技股份有限公司 | 基于像素级全局噪声估计编解码网络的图像去噪方法 |
| WO2021077997A1 (zh) * | 2019-10-23 | 2021-04-29 | 上海理工大学 | 图像去噪的多生成器生成对抗网络学习方法 |
| US11308587B2 (en) | 2019-10-23 | 2022-04-19 | University Of Shanghai For Science And Technology | Learning method of generative adversarial network with multiple generators for image denoising |
| CN110827216B (zh) * | 2019-10-23 | 2023-07-14 | 上海理工大学 | 图像去噪的多生成器生成对抗网络学习方法 |
| CN110827216A (zh) * | 2019-10-23 | 2020-02-21 | 上海理工大学 | 图像去噪的多生成器生成对抗网络学习方法 |
| CN111291619A (zh) * | 2020-01-14 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 一种在线识别理赔单据中文字的方法、装置及客户端 |
| CN111461979B (zh) * | 2020-03-30 | 2023-04-18 | 招商局金融科技有限公司 | 验证码图像去噪识别方法、电子装置及存储介质 |
| CN111461979A (zh) * | 2020-03-30 | 2020-07-28 | 招商局金融科技有限公司 | 验证码图像去噪识别方法、电子装置及存储介质 |
| CN111768351A (zh) * | 2020-06-22 | 2020-10-13 | Oppo广东移动通信有限公司 | 图像去噪方法、图像去噪装置、存储介质与电子设备 |
| CN111767754A (zh) * | 2020-06-30 | 2020-10-13 | 创新奇智(北京)科技有限公司 | 一种识别码的识别方法、装置、电子设备及存储介质 |
| CN111767754B (zh) * | 2020-06-30 | 2024-05-07 | 创新奇智(北京)科技有限公司 | 一种识别码的识别方法、装置、电子设备及存储介质 |
| CN114529815A (zh) * | 2022-02-10 | 2022-05-24 | 中山大学 | 一种基于深度学习的流量检测方法、装置、介质及终端 |
| CN114565540A (zh) * | 2022-04-30 | 2022-05-31 | 深圳市巨力方视觉技术有限公司 | 基于多路对照图像去噪用机器视觉集成系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765334A (zh) | 一种图像去噪方法、装置以及电子设备 | |
| CN108961174A (zh) | 一种图像修复方法、装置以及电子设备 | |
| CN109559281A (zh) | 图像去噪神经网络架构及其训练方法 | |
| CN109658455A (zh) | 图像处理方法和处理设备 | |
| CN107977634A (zh) | 一种针对视频的表情识别方法、装置及设备 | |
| Li et al. | Deep learning methods in real-time image super-resolution: a survey | |
| CN113569865B (zh) | 一种基于类别原型学习的单样本图像分割方法 | |
| CN107231566A (zh) | 一种视频转码方法、装置和系统 | |
| CN112989970A (zh) | 文档版面分析方法、装置、电子设备及可读存储介质 | |
| CN117372631A (zh) | 一种多视角图像生成模型的训练方法、应用方法 | |
| GB2606785A (en) | Adaptive convolutions in neural networks | |
| CN109325508A (zh) | 知识表示、机器学习模型训练、预测方法、装置以及电子设备 | |
| CN108921190A (zh) | 一种图像分类方法、装置及电子设备 | |
| Chen et al. | Denoising convolutional neural network with mask for salt and pepper noise | |
| Li et al. | Lightweight single image super-resolution with dense connection distillation network | |
| Ning et al. | Trap attention: Monocular depth estimation with manual traps | |
| CN113344827B (zh) | 一种图像去噪方法、图像去噪网络运算单元及设备 | |
| CN117392485B (zh) | 图像生成模型训练方法、业务执行方法、装置及介质 | |
| Li et al. | Deeplabv3+ vision transformer for visual bird sound denoising | |
| CN108519986A (zh) | 一种网页生成方法、装置及设备 | |
| CN116959469A (zh) | 语音增强模型的训练方法、装置、电子设备和存储介质 | |
| Xiang et al. | Image DAEs based on residual entropy maximum | |
| CN116563167A (zh) | 基于自适应纹理和频域感知的人脸图像重建方法、系统、装置及介质 | |
| Chahi et al. | MFGAN: towards a generic multi-kernel filter based adversarial generator for image restoration | |
| CN116543246A (zh) | 图像去噪模型的训练方法、图像去噪方法、装置及设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |