CN109064428A - 一种图像去噪处理方法、终端设备及计算机可读存储介质 - Google Patents

一种图像去噪处理方法、终端设备及计算机可读存储介质 Download PDF

Info

Publication number
CN109064428A
CN109064428A CN201810864115.3A CN201810864115A CN109064428A CN 109064428 A CN109064428 A CN 109064428A CN 201810864115 A CN201810864115 A CN 201810864115A CN 109064428 A CN109064428 A CN 109064428A
Authority
CN
China
Prior art keywords
image
convolutional neural
neural network
network model
training
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.)
Granted
Application number
CN201810864115.3A
Other languages
English (en)
Other versions
CN109064428B (zh
Inventor
张弓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority to CN201810864115.3A priority Critical patent/CN109064428B/zh
Publication of CN109064428A publication Critical patent/CN109064428A/zh
Application granted granted Critical
Publication of CN109064428B publication Critical patent/CN109064428B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于图像处理技术领域，提供了一种图像去噪处理方法、终端设备及计算机可读存储介质，所述方法包括：获取训练图像，所述训练图像包括：源图像和与所述源图像对应的目标图像，所述目标图像为分辨率大于预设值的图像，所述源图像为在所述目标图像中加入噪声信息后获得的图像，通过对应的源图像和目标图像，训练构建的卷积神经网络模型，获得训练后的卷积神经网络模型，通过训练后的卷积神经网络模型对待处理图像进行去噪处理，通过本申请可以在将待处理图像去除噪声时避免图像出现失真。

Description

一种图像去噪处理方法、终端设备及计算机可读存储介质
技术领域
本申请属于图像处理技术领域，尤其涉及一种图像去噪处理方法、终端设备及计算机可读存储介质。
背景技术
大部分的手机都设置了拍照功能，在拍照过程中，难免引入噪声，例如，亚采样、大气因素、成像噪声、几何运动、投影以及附加噪声等，这样拍摄的照片就会出现噪声。
为了去除照片中的噪声从而获得清晰的照片，目前，通常采用双线性滤波、中值滤波、小波变换等方法进行处理。然而，目前这种去除噪声的方法在去除噪声的同时也会出现原始照片出现失真的问题。
发明内容
有鉴于此，本申请实施例提供了一种图像去噪处理方法、终端设备及计算机可读存储介质，以解决目前图像去除噪声的方法会出现图像失真的问题。
本申请实施例的第一方面提供了一种图像去噪处理方法，包括：
获取训练图像，所述训练图像包括：源图像和与所述源图像对应的目标图像，所述目标图像为分辨率大于预设值的图像，所述源图像为在所述目标图像中加入噪声信息后获得的图像；
通过对应的源图像和目标图像，训练构建的卷积神经网络模型，获得训练后的卷积神经网络模型；
通过训练后的卷积神经网络模型对待处理图像进行去噪处理。
本申请实施例的第二方面提供了一种终端设备，包括：
获取模块，用于获取训练图像，所述训练图像包括：源图像和与所述源图像对应的目标图像，所述目标图像为分辨率大于预设值的图像，所述源图像为在所述目标图像中加入噪声信息后获得的图像；
训练模块，用于通过对应的源图像和目标图像，训练构建的卷积神经网络模型，获得训练后的卷积神经网络模型；
处理模块，用于通过训练后的卷积神经网络模型对待处理图像进行去噪处理。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的所述方法的步骤。
本申请实施例的第四方面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存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。
本申请实施例通过源图像和目标图像对卷积神经网络模型进行训练，以获得能够去除噪声的卷积神经网络模型，由于目标图像为分辨率大于预设值的图像，而源图像为所述目标图像中加入噪声信息后获得的图像，这样，所述目标图像可以理解为所述源图像去除噪声后的图像，本申请通过包含噪声信息的源图像和该源图像对应的去除了噪声的目标图像训练所述卷积神经网络模型，使得所述卷积神经网络模型能够对输入的包含噪声的图像处理为去除噪声的图像，并且，由于通过包含噪声信息的源图像和该源图像对应的去除了噪声的目标图像训练所述卷积神经网络模型，使得训练后的卷积神经网络模型能够将待处理图像去除噪声的同时避免图像失真。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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是本申请实施例提供的一种图像去噪处理方法的实现流程示意图；
图2是本申请实施例提供的另一种图像去噪处理方法的实现流程示意图；
图3是本申请实施例提供的一种终端设备的示意框图；
图4是本申请实施例提供的另一种终端设备的示意框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
图1是本申请实施例提供的一种图像去噪处理方法的实现流程示意图，应用于终端设备，如图所示该方法可以包括以下步骤：
步骤S101，获取训练图像，所述训练图像包括：源图像和与所述源图像对应的目标图像，所述目标图像为分辨率大于预设值的图像，所述源图像为在所述目标图像中加入噪声信息后获得的图像。
在本申请实施例中，所述训练图像为用于训练构建的卷积神经网络模型的图像，其中所述训练图像包括：源图像和目标图像，所述目标图像可以理解为希望卷积神经网络模型将源图像处理成的图像，所以目标图像为高清图像，可以设置分辨率，将分辨率大于预设值的图像作为目标图像，当然，所述目标图像也可以是通过高清摄像头采集的多个场景的高清图像。而源图像为包含噪声的图像，为了使得源图像和目标图像之间的内容保持不变，只是源图像在目标图像的基础上增加了噪声，也可以将目标图像中加入噪声获得源图像，加入的噪声可以是椒盐噪声、高斯噪声等。并且，源图像和目标图像可以为成组的，即一个源图像对应一个目标图像。
步骤S102，通过对应的源图像和目标图像，训练构建的卷积神经网络模型，获得训练后的卷积神经网络模型。
在本申请实施例中，所述构建的卷积神经网络模型可以是VGG模型，还可以是在VGG模型的基础上进行变形的其它网络模型，例如，去除全连接层的VGG Net 19模型。
通过源图像和目标图像训练构架的卷积神经网络模型的过程可以是，将源图像(包含噪声)输入构建的卷积神经网络模型获得输出图像(去除噪声)，根据输出图像(去除噪声)和目标图像(高清图像)的差异构建损失函数，基于构建的损失函数更新卷积神经网络模型中各层的参数。当构建的卷积神经网络模型收敛或者达到预设的训练次数后，就可以获得训练后的卷积神经网络模型。所述卷积神经网络模型收敛表示将源图像输入卷积神经网络模型获得的输出图像越来越接近目标图像，即卷积神经网络模型具有了将包含噪声的图像处理为高清图像的能力，也就是具有了去除噪声的能力。
当然，实际应用中，还可以是其它的训练方法。
步骤S103，通过训练后的卷积神经网络模型对待处理图像进行去噪处理。
在本申请实施例中，训练后的卷积神经网络模型具有了去除噪声的能力，那么在将包含噪声的待处理图像输入所述卷积神经网络模型后，就可以获得去除噪声后的图像。
本申请实施例通过包含噪声信息的源图像和该源图像对应的去除了噪声的目标图像训练所述卷积神经网络模型，使得所述卷积神经网络模型能够对输入的包含噪声的图像处理为去除噪声的图像，并且，由于通过包含噪声信息的源图像和该源图像对应的去除了噪声的目标图像训练所述卷积神经网络模型，使得训练后的卷积神经网络模型能够将待处理图像去除噪声的同时避免图像失真。
图2是本申请实施例提供的另一种图像去噪处理方法的实现流程示意图，本申请实施例是在图1所示实施例的基础上，描述了另一种通过对应的源图像和目标图像，训练构建的卷积神经网络模型，获得训练后的卷积神经网络模型的过程，训练所述卷积神经网络模型的过程分为前向传播过程和反向传播过程，且每一次迭代训练过程，均会存在前向传播的过程和反向传播的过程。如图所示该方法可以包括以下步骤：
步骤S201，在每一次迭代训练过程中，将所述源图像、所述目标图像和随机信号分别输入所述卷积神经网络模型。
在本申请实施例中，训练所述卷积神经网络模型的方法与图1所示实施例中的训练方法存在不同，本申请实施例中是将源图像作为内容图像，即保证所述卷积神经网络模型的输出图像中的内容为源图像的内容。而目标图像可以理解为将源图像换了一种风格，例如将模糊风格换算成为高清风格。这样，所述卷积神经网络模型的输出图像中的风格就需要为目标图像的风格。相当于所述源图像和所述目标图像均作为参照的样本，只是参照的源图像中的内容，参照的目标图像中的风格。这也就需要卷积神经网络模型具有生成一幅新图像的功能，所以我们可以设置一个随机信号，所述卷积神经网络模型将该随机信息生成具有源图像的内容且具有目标图像的风格的输出图像。因此，每一次迭代训练过程均需要将所述源图像、所述目标图像和随机信号分别输入所述卷积神经网络模型中。后续，需要根据所述卷积神经网络模型中的特征图获得内容函数和风格函数。
步骤S202，基于所述源图像和所述随机信号分别在所述卷积神经网络模型中最后一层的特征图获得内容函数。
在本申请实施例中，需要卷积神经网络模型将随机信号生成为具有源图像的内容的图像，就需要随机信号输入神经网络模型后对应的输出图像的内容趋向于源图像的内容。
因此，可以设置内容函数为源图像输入所述卷积神经网络模型后所述卷积神经网络模型的最后一层的特征图和所述随机信号输入所述卷积神经网络模型后所述卷积神经网络模型的最后一层的特征图之间的差值。
作为本申请又一实施例，所述内容函数为：
其中，F(X)为源图像输入所述卷积神经网络模型后，所述卷积神经网络模型的最后一层的特征图，Y为与所述随机信号输入所述卷积神经网络模型后，所述卷积神经网络模型的最后一层的特征图。
步骤S203，基于所述目标图像和所述随机信号分别在所述卷积神经网络模型中每一层的特征图获得风格函数。
在本申请实施例中，需要卷积神经网络模型将随机信号生成为具有目标图像的风格的图像，就需要随机信号输入神经网络模型后对应的输出图像的风格趋向于目标图像的风格。
因此，可以设置风格函数为源图像输入所述卷积神经网络模型后所述卷积神经网络模型的最后一层的特征图和所述随机信号输入所述卷积神经网络模型后所述卷积神经网络模型的最后一层的特征图之间的差值。
然而，实际上，卷积神经网络模型在对待处理图像进行去噪处理时，是保留待处理图像的内容(也可以立即为不改变待处理图像的内容)，而改变待处理图像风格的过程，所以，卷积神经网络模型对待处理图像的内容无需进行更改，保证随机信号输入所述卷积神经网络模型后所述卷积神经网络模型的最后一层的特征图和源图像输入所述卷积神经网络模型后所述卷积神经网络模型的最后一层的特征图趋近就可以了。同理，卷积神经网络模型对待处理图像的风格需要进行更改，那么就会涉及到卷积神经网络中给每一层的处理过程，因此，获得风格函数的过程需要与卷积神经网络模型的每一层的输出特征相关。
作为本申请又一实施例，所述风格函数为：
其中，为所述目标图像输入所述卷积神经网络模型后，所述卷积神经网络模型的第l层的第i个特征图，为所述随机信号输入所述卷积神经网络模型后，所述卷积神经网络模型的第l层的第i个特征图，l∈[1,m]，m表示所述卷积神经网络模型的层数，i∈[1,nl],j≠i，nl表示所述卷积神经网络模型的第l层的特征图的个数。i和j具有相同的含义，只是表示不同的特征图。
在实际应用中，i∈[1,nl],j≠i，当然，与本申请实施例相关的变形，例如，还可以限制j＞i。
步骤S204，基于所述内容函数和所述风格函数构建损失函数。
在本申请实施例中，所述损失函数为：
L＝α*Lc+β*Ls
其中，所述L为损失函数，所述Lc为内容函数，所述Ls为风格函数，所述内容函数的权重α和所述风格函数权重β的比值α/β＝0.1。
当然，实际应用中，所述内容函数的权重α和所述风格函数权重β的比值也可以是其它值，在此不做限制。
步骤S205，基于所述损失函数，反向更新所述卷积神经网络模型中各层的参数。
步骤S206，在训练结束后，最新一次迭代训练过程获得的卷积神经网络模型为训练后的卷积神经网络模型。
在本申请实施例中，如前所述，当构建的卷积神经网络模型收敛或者达到预设的训练次数后表示训练结束。就可以获得训练后的卷积神经网络模型。所述卷积神经网络模型收敛表示将源图像输入卷积神经网络模型获得的输出图像越来越接近目标图像，即卷积神经网络模型具有了将包含噪声的图像处理为高清图像的能力，也就是具有了去除噪声的能力。
本申请实施例通过将源图像的内容作为内容参照，将目标图像的风格作为风格参照，训练卷积神经网络模型，从而使得卷积神经网络模型的输出图像具有待处理的噪声图像的内容、且具有清晰图像的风格。因此，通过本申请实施例训练的卷积神经网络模型在对待处理图像进行去除噪声处理时获得的输出图像保证去除噪声(具有清晰图像的风格)的同时，还能保证图像不失真(具有待处理图像的内容)。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图3是本申请一实施例提供的终端设备的示意框图，为了便于说明，仅示出与本申请实施例相关的部分。
该终端设备3可以是内置于手机、平板电脑、笔记本等终端设备内的软件单元、硬件单元或者软硬结合的单元，也可以作为独立的挂件集成到所述手机、平板电脑、笔记本等终端设备中。
所述终端设备3包括：
获取模块31，用于获取训练图像，所述训练图像包括：源图像和与所述源图像对应的目标图像，所述目标图像为分辨率大于预设值的图像，所述源图像为在所述目标图像中加入噪声信息后获得的图像；
训练模块32，用于通过对应的源图像和目标图像，训练构建的卷积神经网络模型，获得训练后的卷积神经网络模型；
处理模块33，用于通过训练后的卷积神经网络模型对待处理图像进行去噪处理。
可选的，所述训练模块32包括：
前向传播单元321，用于将所述源图像、所述目标图像和随机信号分别输入所述卷积神经网络模型，根据所述卷积神经网络模型中的特征图获得内容函数和风格函数；
反向传播单元322，用于基于所述内容函数和所述风格函数构建的损失函数，反向更新所述卷积神经网络模型中各层的参数；
模型获取单元323，用于在训练结束后，最新一次迭代训练过程获得的卷积神经网络模型为训练后的卷积神经网络模型。
可选的，所述前向传播单元321包括：
内容函数构建子单元3211，用于基于所述源图像和所述随机信号分别在所述卷积神经网络模型中最后一层的特征图获得内容函数；
风格函数构建子单元3212，用于基于所述目标图像和所述随机信号分别在所述卷积神经网络模型中每一层的特征图获得风格函数。
可选的，所述损失函数为：
L＝α*Lc+β*Ls
其中，所述L为损失函数，所述Lc为内容函数，所述Ls为风格函数，所述内容函数的权重α和所述风格函数权重β的比值α/β＝0.1。
可选的，所述内容函数为：
其中，F(X)为源图像输入所述卷积神经网络模型后，所述卷积神经网络模型的最后一层的特征图，Y为与所述随机信号输入所述卷积神经网络模型后，所述卷积神经网络模型的最后一层的特征图。
可选的，所述风格函数为：
其中，为所述目标图像输入所述卷积神经网络模型后，所述卷积神经网络模型的第l层的第i个特征图，为所述随机信号输入所述卷积神经网络模型后，所述卷积神经网络模型的第l层的第i个特征图，l∈[1,m]，m表示所述卷积神经网络模型的层数，i∈[1,nl],j≠i，nl表示所述卷积神经网络模型的第l层的特征图的个数。
可选的，所述卷积神经网络模型为：去除全连接层的VGG Net 19模型。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述终端设备的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述终端设备中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图4是本申请又一实施例提供的终端设备的示意框图。如图4所示，该实施例的终端设备4包括：一个或多个处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个图像去噪处理方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述处理器40执行所述计算机程序42时实现上述终端设备实施例中各模块/单元的功能，例如图3所示模块31至33的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如，所述计算机程序42可以被分割成获取模块、训练模块、处理模块。
获取模块，用于获取训练图像，所述训练图像包括：源图像和与所述源图像对应的目标图像，所述目标图像为分辨率大于预设值的图像，所述源图像为在所述目标图像中加入噪声信息后获得的图像；
训练模块，用于通过对应的源图像和目标图像，训练构建的卷积神经网络模型，获得训练后的卷积神经网络模型；
处理模块，用于通过训练后的卷积神经网络模型对待处理图像进行去噪处理。
其它模块或者单元可参照图3所示的实施例中的描述，在此不再赘述。
所述终端设备包括但不仅限于处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的一个示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入设备、输出设备、网络接入设备、总线等。
所述处理器40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。
所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元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，本申请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是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种图像去噪处理方法，其特征在于，包括：
获取训练图像，所述训练图像包括：源图像和与所述源图像对应的目标图像，所述目标图像为分辨率大于预设值的图像，所述源图像为在所述目标图像中加入噪声信息后获得的图像；
通过对应的源图像和目标图像，训练构建的卷积神经网络模型，获得训练后的卷积神经网络模型；
通过训练后的卷积神经网络模型对待处理图像进行去噪处理。
2.如权利要求1所述的图像去噪处理方法，其特征在于，所述通过对应的源图像和目标图像，训练构建的卷积神经网络模型，获得训练后的卷积神经网络模型包括：
在每一次迭代训练过程中，分别进行前向传播过程和反向传播过程；
所述前向传播过程为：将所述源图像、所述目标图像和随机信号分别输入所述卷积神经网络模型，根据所述卷积神经网络模型中的特征图获得内容函数和风格函数；
所述反向传播过程为：基于所述内容函数和所述风格函数构建的损失函数，反向更新所述卷积神经网络模型中各层的参数；
在训练结束后，最新一次迭代训练过程获得的卷积神经网络模型为训练后的卷积神经网络模型。
3.如权利要求2所述的图像去噪处理方法，其特征在于，所述根据所述卷积神经网络模型中的特征图获得内容函数和风格函数包括：
基于所述源图像和所述随机信号分别在所述卷积神经网络模型中最后一层的特征图获得内容函数；
基于所述目标图像和所述随机信号分别在所述卷积神经网络模型中每一层的特征图获得风格函数。
4.如权利要求2所述的图像去噪处理方法，其特征在于，所述损失函数为：
L＝α*Lc+β*Ls
其中，所述L为损失函数，所述Lc为内容函数，所述Ls为风格函数，所述内容函数的权重α和所述风格函数权重β的比值α/β＝0.1。
5.如权利要求4所述的图像去噪处理方法，其特征在于，所述内容函数为：
其中，F(X)为源图像输入所述卷积神经网络模型后，所述卷积神经网络模型的最后一层的特征图，Y为与所述随机信号输入所述卷积神经网络模型后，所述卷积神经网络模型的最后一层的特征图。
6.如权利要求4所述的图像去噪处理方法，其特征在于，所述风格函数为：
其中，为所述目标图像输入所述卷积神经网络模型后，所述卷积神经网络模型的第l层的第i个特征图，Yi l为所述随机信号输入所述卷积神经网络模型后，所述卷积神经网络模型的第l层的第i个特征图，l∈[1,m]，m表示所述卷积神经网络模型的层数，i∈[1,nl],j≠i，nl表示所述卷积神经网络模型的第l层的特征图的个数。
7.如权利要求1至6任一项所述的图像去噪处理方法，其特征在于，所述卷积神经网络模型为：去除全连接层的VGG Net 19模型。
8.一种终端设备，其特征在于，包括：
获取模块，用于获取训练图像，所述训练图像包括：源图像和与所述源图像对应的目标图像，所述目标图像为分辨率大于预设值的图像，所述源图像为在所述目标图像中加入噪声信息后获得的图像；
训练模块，用于通过对应的源图像和目标图像，训练构建的卷积神经网络模型，获得训练后的卷积神经网络模型；
处理模块，用于通过训练后的卷积神经网络模型对待处理图像进行去噪处理。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，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任一项所述方法的步骤。
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存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN201810864115.3A 2018-08-01 2018-08-01 一种图像去噪处理方法、终端设备及计算机可读存储介质 Expired - Fee Related CN109064428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810864115.3A CN109064428B (zh) 2018-08-01 2018-08-01 一种图像去噪处理方法、终端设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810864115.3A CN109064428B (zh) 2018-08-01 2018-08-01 一种图像去噪处理方法、终端设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109064428A true CN109064428A (zh) 2018-12-21
CN109064428B CN109064428B (zh) 2021-04-13

Family

ID=64832328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810864115.3A Expired - Fee Related CN109064428B (zh) 2018-08-01 2018-08-01 一种图像去噪处理方法、终端设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109064428B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110047054A (zh) * 2019-04-26 2019-07-23 东北大学 一种基于vgg-19提取特征的gan医学图像降噪方法
CN110068462A (zh) * 2019-05-14 2019-07-30 北京科技大学 一种电机轴承故障诊断方法及装置
CN110348566A (zh) * 2019-07-15 2019-10-18 上海点积实业有限公司 一种生成神经网络训练用数字信号的方法和系统
CN110428375A (zh) * 2019-07-24 2019-11-08 东软医疗系统股份有限公司 一种dr图像的处理方法及装置
CN110428378A (zh) * 2019-07-26 2019-11-08 北京小米移动软件有限公司 图像的处理方法、装置及存储介质
CN110782421A (zh) * 2019-09-19 2020-02-11 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
CN110969092A (zh) * 2019-11-05 2020-04-07 国网河北省电力有限公司电力科学研究院 脉冲信号去噪方法、装置及终端设备
CN111105375A (zh) * 2019-12-17 2020-05-05 北京金山云网络技术有限公司 图像生成方法及其模型训练方法、装置及电子设备
CN111640073A (zh) * 2020-05-15 2020-09-08 哈尔滨工业大学 图像盲去噪系统
CN111681187A (zh) * 2020-06-13 2020-09-18 厦门美图之家科技有限公司 降彩噪方法、装置、电子设备和可读存储介质
CN111724312A (zh) * 2019-03-22 2020-09-29 Tcl集团股份有限公司 一种处理图像的方法及终端
CN112801888A (zh) * 2021-01-06 2021-05-14 杭州海康威视数字技术股份有限公司 图像处理方法、装置、计算机设备及存储介质
CN113574566A (zh) * 2021-05-14 2021-10-29 北京大学深圳研究生院 目标检测网络构建优化方法、装置、设备、介质及产品
CN113674144A (zh) * 2020-05-14 2021-11-19 Tcl科技集团股份有限公司 一种图像处理方法、终端设备及可读存储介质
CN113706392A (zh) * 2020-05-20 2021-11-26 Tcl科技集团股份有限公司 摩尔纹处理方法、计算机可读存储介质及终端设备
CN114119377A (zh) * 2020-08-26 2022-03-01 武汉Tcl集团工业研究院有限公司 一种图像处理方法及装置
CN114331902A (zh) * 2021-12-31 2022-04-12 英特灵达信息技术(深圳)有限公司 一种降噪方法、装置、电子设备及介质
CN114820330A (zh) * 2021-01-22 2022-07-29 中国计量大学 一种增强型显微图像降噪恢复方法
WO2022178975A1 (zh) * 2021-02-26 2022-09-01 平安科技（深圳）有限公司 基于噪声场的图像降噪方法、装置、设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868774A (zh) * 2016-03-24 2016-08-17 西安电子科技大学 基于选择性搜索和卷积神经网络的车标识别方法
CN106952224A (zh) * 2017-03-30 2017-07-14 电子科技大学 一种基于卷积神经网络的图像风格转移方法
CN107067372A (zh) * 2016-10-14 2017-08-18 南京信息工程大学 一种基于四阶偏微分方程的图像去噪方法
CN107171932A (zh) * 2017-04-27 2017-09-15 腾讯科技（深圳）有限公司 一种图片风格转换方法、装置及系统
CN107180410A (zh) * 2017-04-11 2017-09-19 中国农业大学 一种图像的风格化重建方法及装置
CN107705242A (zh) * 2017-07-20 2018-02-16 广东工业大学 一种结合深度学习与深度感知的图像风格化迁移方法
CN107767343A (zh) * 2017-11-09 2018-03-06 京东方科技集团股份有限公司 图像处理方法、处理装置和处理设备
US20180068198A1 (en) * 2016-09-06 2018-03-08 Carnegie Mellon University Methods and Software for Detecting Objects in an Image Using Contextual Multiscale Fast Region-Based Convolutional Neural Network
CN107948529A (zh) * 2017-12-28 2018-04-20 北京麒麟合盛网络技术有限公司 图像处理方法及装置
CN108198154A (zh) * 2018-03-19 2018-06-22 中山大学 图像去噪方法、装置、设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868774A (zh) * 2016-03-24 2016-08-17 西安电子科技大学 基于选择性搜索和卷积神经网络的车标识别方法
US20180068198A1 (en) * 2016-09-06 2018-03-08 Carnegie Mellon University Methods and Software for Detecting Objects in an Image Using Contextual Multiscale Fast Region-Based Convolutional Neural Network
CN107067372A (zh) * 2016-10-14 2017-08-18 南京信息工程大学 一种基于四阶偏微分方程的图像去噪方法
CN106952224A (zh) * 2017-03-30 2017-07-14 电子科技大学 一种基于卷积神经网络的图像风格转移方法
CN107180410A (zh) * 2017-04-11 2017-09-19 中国农业大学 一种图像的风格化重建方法及装置
CN107171932A (zh) * 2017-04-27 2017-09-15 腾讯科技（深圳）有限公司 一种图片风格转换方法、装置及系统
CN107705242A (zh) * 2017-07-20 2018-02-16 广东工业大学 一种结合深度学习与深度感知的图像风格化迁移方法
CN107767343A (zh) * 2017-11-09 2018-03-06 京东方科技集团股份有限公司 图像处理方法、处理装置和处理设备
CN107948529A (zh) * 2017-12-28 2018-04-20 北京麒麟合盛网络技术有限公司 图像处理方法及装置
CN108198154A (zh) * 2018-03-19 2018-06-22 中山大学 图像去噪方法、装置、设备及存储介质

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724312A (zh) * 2019-03-22 2020-09-29 Tcl集团股份有限公司 一种处理图像的方法及终端
CN110047054A (zh) * 2019-04-26 2019-07-23 东北大学 一种基于vgg-19提取特征的gan医学图像降噪方法
CN110068462A (zh) * 2019-05-14 2019-07-30 北京科技大学 一种电机轴承故障诊断方法及装置
CN110348566A (zh) * 2019-07-15 2019-10-18 上海点积实业有限公司 一种生成神经网络训练用数字信号的方法和系统
CN110348566B (zh) * 2019-07-15 2023-01-06 上海点积实业有限公司 一种生成神经网络训练用数字信号的方法和系统
CN110428375B (zh) * 2019-07-24 2024-03-01 东软医疗系统股份有限公司 一种dr图像的处理方法及装置
CN110428375A (zh) * 2019-07-24 2019-11-08 东软医疗系统股份有限公司 一种dr图像的处理方法及装置
CN110428378A (zh) * 2019-07-26 2019-11-08 北京小米移动软件有限公司 图像的处理方法、装置及存储介质
US11189014B2 (en) 2019-07-26 2021-11-30 Beijing Xiaomi Mobile Software Co., Ltd. Method and device for processing image, and storage medium
CN110428378B (zh) * 2019-07-26 2022-02-08 北京小米移动软件有限公司 图像的处理方法、装置及存储介质
CN110782421B (zh) * 2019-09-19 2023-09-26 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
CN110782421A (zh) * 2019-09-19 2020-02-11 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
CN110969092B (zh) * 2019-11-05 2024-01-23 国网河北省电力有限公司电力科学研究院 脉冲信号去噪方法、装置及终端设备
CN110969092A (zh) * 2019-11-05 2020-04-07 国网河北省电力有限公司电力科学研究院 脉冲信号去噪方法、装置及终端设备
CN111105375A (zh) * 2019-12-17 2020-05-05 北京金山云网络技术有限公司 图像生成方法及其模型训练方法、装置及电子设备
CN111105375B (zh) * 2019-12-17 2023-08-22 北京金山云网络技术有限公司 图像生成方法及其模型训练方法、装置及电子设备
CN113674144A (zh) * 2020-05-14 2021-11-19 Tcl科技集团股份有限公司 一种图像处理方法、终端设备及可读存储介质
CN111640073B (zh) * 2020-05-15 2021-06-01 哈尔滨工业大学 图像盲去噪系统
CN111640073A (zh) * 2020-05-15 2020-09-08 哈尔滨工业大学 图像盲去噪系统
CN113706392A (zh) * 2020-05-20 2021-11-26 Tcl科技集团股份有限公司 摩尔纹处理方法、计算机可读存储介质及终端设备
CN111681187A (zh) * 2020-06-13 2020-09-18 厦门美图之家科技有限公司 降彩噪方法、装置、电子设备和可读存储介质
CN114119377A (zh) * 2020-08-26 2022-03-01 武汉Tcl集团工业研究院有限公司 一种图像处理方法及装置
CN114119377B (zh) * 2020-08-26 2024-09-13 武汉Tcl集团工业研究院有限公司 一种图像处理方法及装置
CN112801888A (zh) * 2021-01-06 2021-05-14 杭州海康威视数字技术股份有限公司 图像处理方法、装置、计算机设备及存储介质
CN114820330A (zh) * 2021-01-22 2022-07-29 中国计量大学 一种增强型显微图像降噪恢复方法
WO2022178975A1 (zh) * 2021-02-26 2022-09-01 平安科技（深圳）有限公司 基于噪声场的图像降噪方法、装置、设备及存储介质
WO2022236824A1 (zh) * 2021-05-14 2022-11-17 北京大学深圳研究生院 目标检测网络构建优化方法、装置、设备、介质及产品
CN113574566A (zh) * 2021-05-14 2021-10-29 北京大学深圳研究生院 目标检测网络构建优化方法、装置、设备、介质及产品
CN114331902A (zh) * 2021-12-31 2022-04-12 英特灵达信息技术(深圳)有限公司 一种降噪方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN109064428B (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN109064428B (zh) 一种图像去噪处理方法、终端设备及计算机可读存储介质
CN111340077B (zh) 基于注意力机制的视差图获取方法和装置
CN108596267B (zh) 一种图像重建方法、终端设备及计算机可读存储介质
CN109766925B (zh) 特征融合方法、装置、电子设备及存储介质
CN108711144B (zh) 增强现实方法及装置
KR102010712B1 (ko) 왜곡 보정 방법 및 단말기
CN110335216B (zh) 图像处理方法、图像处理装置、终端设备及可读存储介质
CN111784570A (zh) 一种视频图像超分辨率重建方法及设备
CN112686824A (zh) 图像校正方法、装置、电子设备和计算机可读介质
CN109286758B (zh) 一种高动态范围图像的生成方法、移动终端及存储介质
CN111131688B (zh) 一种图像处理方法、装置及移动终端
CN110838085B (zh) 一种图像的超分辨率重建方法、装置及电子设备
CN110782398B (zh) 图像处理方法、生成式对抗网络系统和电子设备
CN111311481A (zh) 背景虚化方法、装置、终端设备及存储介质
CN116071279A (zh) 图像处理方法、装置、计算机设备和存储介质
CN113658050A (zh) 一种图像的去噪方法、去噪装置、移动终端及存储介质
CN111340722B (zh) 图像处理方法、处理装置、终端设备及可读存储介质
CN111222446B (zh) 人脸识别方法、人脸识别装置及移动终端
CN111861963B (zh) 图像合成方法及相关设备
CN111754435B (zh) 图像处理方法、装置、终端设备及计算机可读存储介质
CN113298187A (zh) 图像处理方法及装置、计算机可读存储介质
CN110880160A (zh) 图片帧超分方法、装置、终端设备及计算机可读存储介质
CN111784726A (zh) 人像抠图方法和装置
US20230098437A1 (en) Reference-Based Super-Resolution for Image and Video Enhancement
CN112837389B (zh) 一种对象模型构建方法、装置及电子设备

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210413