CN109727211A - 一种图像去噪方法、装置、计算设备及介质 - Google Patents

Abstract

本发明公开了一种图像去噪方法、装置、计算设备及介质，图像去噪方法包括：将待去噪的图像输入到训练好的卷积神经网络中进行噪声提取，以获取该图像中包含的噪声；确定该图像对应的去噪系数；根据获取到的噪声和去噪系数，对该图像进行噪声去除处理。

Description

一种图像去噪方法、装置、计算设备及介质

技术领域

本发明涉及图像处理技术领域，特别涉及一种图像去噪方法、装置、计算设备及介质。

背景技术

随着各种数码产品(如数码照相机/摄像机/扫描仪、智能手机等)的普及，图像和视频已经成为人类活动中最常用的信息载体，是人们获取外界原始信息和彼此沟通交流的主要途径。

然而，在图像的获取、传输和存储过程中，常常会因为受到各种噪声的干扰而降低图像质量，而图像质量的好坏直接关系到对图像进行其他处理操作(如边缘提取、图像分割、图像分类和目标识别等)的效果。为了获取高质量的图像，需要对图像进行噪声去除处理，以最大程度恢复图像中的有用信息，去除不相干的噪声干扰。

目前效果较好的图像去噪方法，是通过训练好的深度神经网络(如卷积神经网络等)对图像进行去噪处理。该深度神经网络的输入是带有噪声的图像，输出是去噪后的图像，所使用的训练样本集是大量有噪声的图像与无噪声的图像形成的图像对。在每一个图像对中，有噪声的图像是预先通过在无噪声的图像上加入相应噪声而得到的。经过在训练样本集上的训练后，该深度神经网络可以学到从有噪声的图像到无噪声的图像的一个映射函数，当有图像需要去噪时，将该图像输入训练好的深度神经网络，其输出即为去噪后的图像。

但是，通过上述方式进行图像去噪，所有输入图像的去噪强度都是固定的，可在很多场合下并不希望完全去除噪声，保留一部分噪声可以增强图像的质感，如电影胶片中会保留一些颗粒感的噪声让场景更加真实。而且，完全去除噪声的图像通常会比较模糊，保留一部分噪声会让图像看起来更加锐利。

发明内容

为此，本发明提供一种图像去噪方案，以力图解决或者至少缓解上面存在的问题。

根据本发明的一个方面，提供一种图像去噪方法，适于在计算设备中执行，计算设备中存储有用于对图像进行噪声提取的、训练好的卷积神经网络，该方法包括如下步骤：首先，将待去噪的图像输入到训练好的卷积神经网络中进行噪声提取，以获取该图像中包含的噪声；确定该图像对应的去噪系数；根据获取到的噪声和去噪系数，对该图像进行噪声去除处理。

可选地，在根据本发明的图像去噪方法中，根据获取到的噪声和去噪系数，对该图像进行噪声去除处理，包括：根据获取到的噪声和去噪系数，确定该图像对应的应去除的噪声；从该图像中去除应去除的噪声。

可选地，在根据本发明的图像去噪方法中，根据获取到的噪声和去噪系数，确定该图像对应的应去除的噪声，包括：计算获取到的噪声与去噪系数的乘积，将该乘积作为该图像对应的应去除的噪声。

可选地，在根据本发明的图像去噪方法中，去噪系数为不小于0且不大于1的实数。

可选地，在根据本发明的图像去噪方法中，训练好的卷积神经网络通过以下方式获取：构建卷积块，卷积块包括卷积层；基于预设的连接规则，将多个卷积块依次相连，以构建卷积神经网络；根据预先获取的图像数据集合对卷积神经网络进行训练，以便卷积神经网络中最后一个卷积块的输出指示输入图像中包含的噪声。

可选地，在根据本发明的图像去噪方法中，构建卷积块，包括：构建激活层；在该卷积层之后添加该激活层，以形成卷积块。

可选地，在根据本发明的图像去噪方法中，图像数据集合包括多个噪声图像信息，每个噪声图像信息包括带噪图像和带噪图像中包括的噪声信息，根据预先获取的图像数据集合对卷积神经网络进行训练，包括：对每一个提取出的噪声图像信息，以该噪声图像信息包括的带噪图像为卷积神经网络中第一个卷积块的输入，以该噪声图像信息包括的噪声信息为卷积神经网络中最后一个卷积块的输出，对卷积神经网络进行训练。

可选地，在根据本发明的图像去噪方法中，卷积块的数量为20。

可选地，在根据本发明的图像去噪方法中，还包括预先获取图像数据集合，预先获取图像数据集合，包括：对每一张待处理的图像，向该待处理的图像添加相应的噪声信息，以形成对应的带噪图像；将该带噪图像与该噪声信息关联，以形成噪声图像信息；汇集各噪声图像信息，以形成图像数据集合。

根据本发明的又一个方面，提供一种图像去噪装置，适于驻留在计算设备中，计算设备中存储有用于对图像进行噪声提取的、训练好的卷积神经网络，该装置包括提取模块、确定模块和去噪模块。其中，提取模块适于将待去噪的图像输入到训练好的卷积神经网络中进行噪声提取，以获取该图像中包含的噪声；确定模块适于确定该图像对应的去噪系数；去噪模块适于根据获取到的噪声和去噪系数，对该图像进行噪声去除处理。

可选地，在根据本发明的图像去噪装置中，去噪模块进一步适于根据获取到的噪声和去噪系数，确定该图像对应的应去除的噪声；从该图像中去除应去除的噪声。

可选地，在根据本发明的图像去噪装置中，去噪模块进一步适于计算获取到的噪声与去噪系数的乘积，将该乘积作为该图像对应的应去除的噪声。

可选地，在根据本发明的图像去噪装置中，去噪系数为不小于0且不大于1的实数。

可选地，在根据本发明的图像去噪装置中，还包括构建模块，构建模块适于预先构建用于对图像进行噪声提取的卷积神经网络，进一步适于构建卷积块，卷积块包括卷积层；基于预设的连接规则，将多个卷积块依次相连，以构建卷积神经网络；根据预先获取的图像数据集合对卷积神经网络进行训练，以便卷积神经网络中最后一个卷积块的输出指示输入图像中包含的噪声。

可选地，在根据本发明的图像去噪装置中，构建模块进一步适于构建激活层；在该卷积层之后添加该激活层，以形成卷积块。

可选地，在根据本发明的图像去噪装置中，图像数据集合包括多个噪声图像信息，每个噪声图像信息包括带噪图像和带噪图像中包括的噪声信息，构建模块进一步适于对每一个提取出的噪声图像信息，以该噪声图像信息包括的带噪图像为卷积神经网络中第一个卷积块的输入，以该噪声图像信息包括的噪声信息为卷积神经网络中最后一个卷积块的输出，对卷积神经网络进行训练。

可选地，在根据本发明的图像去噪装置中，卷积块的数量为20。

可选地，在根据本发明的图像去噪装置中，构建模块还适于预先获取图像数据集合，进一步适于对每一张待处理的图像，向该待处理的图像添加相应的噪声信息，以形成对应的带噪图像；将该带噪图像与该噪声信息关联，以形成噪声图像信息；汇集各噪声图像信息，以形成图像数据集合。

根据本发明的又一个方面，提供一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行根据本发明的图像去噪方法的指令。

根据本发明的又一个方面，提供一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行根据本发明的图像去噪方法。

根据本发明的图像去噪的技术方案，将待去噪的图像输入到训练好的卷积神经网络进行噪声提取，以获取该图像中包含的噪声，再将获取到的噪声和去噪系数的乘积，作为该图像对应的应去除的噪声，最后从该图像中去除应去除的噪声。其中，去噪系数为0～1之间的实数，可以进行调节，当去噪系数为1时，表明完全去除图像中的噪声，当去噪系数为0时，表明不进行去噪处理。基于此，可根据需求来设置去噪系数的大小，以不同程度地去除噪声，从而得到不同去噪强度的图像。此外，通过对卷积神经网络的结构、训练的层数进行调整，还可平衡计算量和去除噪声的效果。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明的一个实施例的计算设备100的示意图；

图2示出了根据本发明的一个实施例的图像去噪方法200的流程图；

图3示出了根据本发明的一个实施例的卷积块的结构示意图；

图4示出了根据本发明的一个实施例的卷积神经网络的结构示意图；

图5示出了根据本发明的一个实施例的图像去噪装置500的示意图；以及

图6示出了根据本发明的又一个实施例的图像去噪装置600的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1是示例计算设备100的框图。在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。

取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。

取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个程序122以及程序数据124。在一些实施方式中，程序122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。

计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。

网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。

计算设备100可以实现为服务器，例如文件服务器、数据库服务器、应用程序服务器和WEB服务器等，也可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。

在一些实施例中，计算设备100被配置为执行根据本发明的图像去噪方法200。其中，计算设备100的一个或多个程序122包括用于执行根据本发明的图像去噪方法200的指令。

图2示出了根据本发明的一个实施例的图像去噪方法200的流程图。图像去噪方法200适于在计算设备(例如图1所示的计算设备100)中执行，计算设备100中存储有用于对图像进行噪声提取的、训练好的卷积神经网络。根据本发明的一个实施例，计算设备100的程序数据124中，存储有训练好的卷积神经网络，该卷积神经网络适于对输入图像中的噪声进行提取。

如图2所示，方法200始于步骤S210。在步骤S210中，将待去噪的图像输入到训练好的卷积神经网络中进行噪声提取，以获取该图像中包含的噪声。为便于理解，下面将先对获取训练好的卷积神经网络的过程进行说明。

具体的，先构建卷积块，卷积块包括卷积层。考虑到控制过拟合现象，根据本发明的一个实施例，在构建卷积块时，还可以构建激活层，在卷积层之后添加激活层，以形成卷积块。图3示出了根据本发明的一个实施例的卷积块的结构示意图。如图3所示，在该卷积块中，包括依次相连的卷积层和激活层。在该实施方式中，采用ReLU(Rectified LinearUnit)函数作为激活层的激活函数，以调整经过卷积层的输出，避免下一层的输出为上一层的线性组合而无法逼近任意函数。

然后，基于预设的连接规则，将多个卷积块依次相连，以构建卷积神经网络。根据本发明的一个实施例，卷积块的数量为20。在该实施方式中，按照预设的连接规则，将20个卷积块依次相连，以构建卷积神经网络。图4示出了根据本发明的一个实施例的卷积神经网络的结构示意图。如图4所示，在卷积神经网络中，是以卷积块A1为输入端，后面依次相连卷积块A2、卷积块A3、……、卷积块A19和卷积块A20，其中，卷积块A20为输出端。图4所示出的各处理单元的连接顺序，即为按照预设的连接规则来设置的。关于连接规则的预先设置，可根据实际应用场景、网络训练情况、系统配置和性能要求等进行适当调整，这些对于了解本发明方案的技术人员来说是可以容易想到的，并且也在本发明的保护范围之内，此处不予以赘述。

构建好卷积神经网络后，开始对其进行训练。根据预先获取的图像数据集合对卷积神经网络进行训练，以便卷积神经网络中最后一个卷积块的输出指示输入图像中包含的噪声。根据本发明的一个实施例，图像数据集合包括多个噪声图像信息，每个噪声图像信息包括带噪图像和带噪图像中包括的噪声信息，可通过如下方式根据预先获取的图像数据集合对卷积神经网络进行训练。

在该实施方式中，对每一个提取出的噪声图像信息，以该噪声图像信息包括的带噪图像为卷积神经网络中第一个卷积块的输入，以该噪声图像信息包括的噪声信息为卷积神经网络中最后一个卷积块的输出，对卷积神经网络进行训练。其中，带噪图像为RGB三通道图像，其尺寸满足预设尺寸64px×64px，带噪图像中包括的噪声信息为零均值相同标准差的高斯独立噪声。对不同的带噪图像而言，其包括的噪声信息的噪声标准差是随机产生的，取值范围为0～50，但同一带噪图像中包括的噪声信息，所对应的噪声标准差是相同的。

下面将以图像数据集合中的一个噪声图像信息X为例，对卷积神经网络的训练过程进行说明。噪声图像信息X包括带噪图像X1和带噪图像X1中包括的噪声信息X2，带噪图像X1的尺寸为64px×64px。在训练时，是以带噪图像X1为卷积块A1的输入、噪声信息X2为卷积块A20的输出进行卷积神经网络的训练。

表1示出了根据本发明的一个实施例的卷积块A1～A20的参数设置示例。其中，对表1里边界补零这一参数的值来说，“0”表示不进行边界补零操作，“1”表示将卷积层所输入图像的边缘向外1个像素单位的各行与各列以0填充。若无特别指出，以下涉及边界补零的内容均以上述说明为准。表1的内容具体如下所示：

表1

参照表1对卷积块A1～A20进行参数设置，并基于以上参数对带噪图像X1进行处理。具体的，先将带噪图像X1输入到卷积块A1，带噪图像X1为RGB三通道图像，尺寸为64px×64px。卷积块A1中的卷积层有64个卷积核，每个卷积核的参数个数为3×3×3，相当于64个3×3大小的卷积核分别在3个通道进行卷积，步长为1。将该卷积层所输入带噪图像X1的边缘向外1个像素单位的各行与各列以0填充，则经过该卷积层的卷积后，根据+1＝64可知，此时得到的图像的尺寸为64px×64px，即获得64张64px×64px大小的特征图，其中表示向下取整。

由于在该卷积层中已经将三通道合在一起进行卷积处理，因此卷积块A1中的激活层的输入为64张64px×64px的单通道图像，经过该激活层的处理后，得到卷积块A1的输出为64张64px×64px的特征图。

随后，进入卷积块A2。将卷积块A1输出的64张64px×64px的特征图，输入到卷积块A2的卷积层中，该卷积层有64个卷积核，每个卷积核的参数个数为3×3，相当于64个3×3大小的卷积核进行卷积，步长为1。采用边界填充方式，将该卷积层所输入图像的边缘向外1个像素单位的各行与各列以0填充，经过该卷积层的卷积后，根据(64-3+2×1)/1+1＝64可知，此时得到的图像的尺寸为64px×64px，即获得64张64px×64px大小的特征图。

此后，经过卷积块A2中激活层的处理，可得卷积块A2的输出为64张64px×64px的特征图。将卷积块A2的输出输入到卷积块A3后，经过后续处理单元的相关处理，得到卷积块A19的输出为64张64px×64px的特征图。需要说明的是，卷积块A3～A19对图像的相关处理可参照如上卷积块A2的处理过程，此处不再赘述。

进而，将卷积块A19的输出输入到卷积块A20，卷积块A20中的卷积层有3个卷积核，每个卷积核的参数个数为3×3，相当于3个3×3大小的卷积核进行卷积，步长为1。采用边界填充方式，将该卷积层所输入图像的边缘向外1个像素单位的各行与各列以0填充，经过该卷积层的卷积后，根据(64-3+2×1)/1+1＝64可知，此时得到的图像的尺寸为64px×64px，即获得3张64px×64px大小的特征图。

再经过卷积块A20中激活层的处理，可得卷积块A20的输出为1张64px×64px的RGB三通道图像。为了训练该卷积神经网络，以输入的带噪图像X1中包括的噪声信息X2为预知结果，对卷积块A20的输出进行调整，按极小化误差的方法反向传播以调整卷积神经网络中的各参数。经过图像数据集合中大量的噪声图像信息进行训练后，获得训练好的卷积神经网络。

需要说明的是，在对卷积神经网络进行训练的实际过程中，考虑到图像数据集合的数据量较大，难以将数据一次性通过卷积神经网络完成训练，通常会使用批处理训练的方式，比如从图像数据集合中随机选出16个噪声图像信息，将这16个噪声图像信息包括的噪声图像形成输入矩阵，输入到卷积神经网络中进行训练。此外，还可以对卷积神经网络的结构、训练的层数进行进一步调整，以平衡计算量和去噪效果，这些对于了解本发明方案的技术人员来说是可以容易想到的，并且也在本发明的保护范围之内，此处不予以赘述。

用于训练卷积神经网络的图像数据集合是需要预先获取的，根据本发明的一个实施例，可通过如下方式预先获取图像数据集合。首先，对每一张待处理的图像，向该待处理的图像添加相应的噪声信息，以形成对应的带噪图像。其中，待处理的图像为无噪声的RGB三通道图像，且应满足预设尺寸64px×64px，若待处理的图像不满足预设尺寸，则需要将该待处理的图像缩放至预设尺寸。在向待处理的图像添加噪声信息时，向该图像的R、G和B通道中每一个像素点，随机添加上一个零均值固定标准差的高斯独立噪声，从而得到带噪图像。其中，噪声标准差为0～50范围内随机产生的数值。之后，将该带噪图像与该噪声信息关联，以形成噪声图像信息，再汇集各噪声图像信息，以形成图像数据集合。

从卷积神经网络的输出中获取到待去噪的图像中包含的噪声后，进入步骤S220，确定该图像对应的去噪系数。

根据本发明的一个实施例，去噪系数为不小于0且不大于1的实数。在大多数应用场景下，去噪系数一般默认选择为0.8。对于希望保持质感的图像，比如人像海报等，去噪系数可以调低一些，比如设置为0.5，而对于含有建筑物等结构信息多的图像，去噪系数可以调高一些，比如设置为1。在该实施方式中，去噪系数确定为0.7。

最后，执行步骤S230。在步骤S230中，根据获取到的噪声和去噪系数，对该图像进行噪声去除处理。根据本发明的一个实施例，可通过如下方式对该图像进行噪声去除处理。首先，根据获取到的噪声和去噪系数，确定该图像对应的应去除的噪声。在该实施方式中，计算获取到的噪声与去噪系数的乘积，将该乘积作为该图像对应的应去除的噪声。由此可得出，该图像对应的应去除的噪声为步骤S210中获取到的噪声与带噪系数0.7的乘积。接下来，从该图像中去除应去除的噪声，即从该图像中减去乘以带噪系数0.7后的获取到的噪声，得到最终去噪后的图像。

在实际应用中，既可以将基于上述训练好的卷积神经网络的去噪模型部署于服务器，以便客户端向服务器发出请求进行图像去噪处理，也可以将该去噪模型封装在涉及有相关图像处理的应用或程序中。当用户下载安装这类应用或程序时，直接将去噪模型部署在电子设备上，所占存储空间较小，内存资源占用率低，且去噪灵活性较高，响应速度较快，能够给用户提供更好的体验。

图5示出了根据本发明的一个实施例的图像去噪装置500的示意图。图像去噪装置500适于驻留在计算设备(例如图1所示的计算设备100)中，计算设备中存储有用于对图像进行噪声提取的、训练好的卷积神经网络。如图5所示，图像去噪装置500包括提取模块510、确定模块520和去噪模块530。

提取模块510适于将待去噪的图像输入到训练好的卷积神经网络中进行噪声提取，以获取该图像中包含的噪声。

确定模块520适于确定该图像对应的去噪系数。

根据本发明的一个实施例，去噪系数为不小于0且不大于1的实数。在大多数应用场景下，去噪系数一般默认选择为0.8。对于希望保持质感的图像，比如人像海报等，去噪系数可以调低一些，比如设置为0.5，而对于含有建筑物等结构信息多的图像，去噪系数可以调高一些，比如设置为1。在该实施方式中，确定模块520确定去噪系数为0.7。

去噪模块530适于根据获取到的噪声和去噪系数，对该图像进行噪声去除处理。

根据本发明的一个实施例，去噪模块530进一步适于根据获取到的噪声和去噪系数，确定该图像对应的应去除的噪声，从该图像中去除应去除的噪声。去噪模块530进一步适于计算获取到的噪声与去噪系数的乘积，将该乘积作为该图像对应的应去除的噪声。

在该实施方式中，去噪模块530计算获取到的噪声与去噪系数的乘积，将该乘积作为该图像对应的应去除的噪声。由此可得出，该图像对应的应去除的噪声为提取模块510获取到的噪声与带噪系数0.7的乘积。接下来，去噪模块530从该图像中去除应去除的噪声，即从该图像中减去乘以带噪系数0.7后的获取到的噪声，得到最终去噪后的图像。

图6示出了根据本发明的又一个实施例的图像去噪装置600的示意图。图像去噪装置600适于驻留在计算设备(例如图1所示的计算设备100)中，计算设备中存储有用于对图像进行噪声提取的、训练好的卷积神经网络。如图6所示，图像去噪装置600的提取模块610、确定模块620和去噪模块630，分别与图5中图像去噪装置500的提取模块510、确定模块520和去噪模块530一一对应，是一致的，并新增了构建模块640。

构建模块640适于预先构建用于对图像进行噪声提取的卷积神经网络。

根据本发明的一个实施例，构建模块640进一步适于构建卷积块，卷积块包括卷积层，基于预设的连接规则，将多个卷积块依次相连，以构建卷积神经网络，根据预先获取的图像数据集合对卷积神经网络进行训练，以便卷积神经网络中最后一个卷积块的输出指示输入图像中包含的噪声。其中，卷积块的数量为20。

考虑到控制过拟合现象，构建模块640在构建卷积块时，进一步适于构建激活层，在该卷积层之后添加该激活层，以形成卷积块。图3示出了根据本发明的一个实施例的卷积块的结构示意图。如图3所示，在该卷积块中，包括依次相连的卷积层和激活层。在该实施方式中，采用ReLU(Rectified Linear Unit)函数作为激活层的激活函数，以调整经过卷积层的输出，避免下一层的输出为上一层的线性组合而无法逼近任意函数。

然后，构建模块640按照预设的连接规则，将20个卷积块依次相连，以构建卷积神经网络。图4示出了根据本发明的一个实施例的卷积神经网络的结构示意图。如图4所示，在卷积神经网络中，是以卷积块A1为输入端，后面依次相连卷积块A2、卷积块A3、……、卷积块A19和卷积块A20，其中，卷积块A20为输出端。图4所示出的各处理单元的连接顺序，即为按照预设的连接规则来设置的。

构建好卷积神经网络后，构建模块640根据预先获取的图像数据集合对卷积神经网络进行训练。根据本发明的一个实施例，图像数据集合包括多个噪声图像信息，每个噪声图像信息包括带噪图像和带噪图像中包括的噪声信息，构建模块640进一步适于对每一个提取出的噪声图像信息，以该噪声图像信息包括的带噪图像为卷积神经网络中第一个卷积块的输入，以该噪声图像信息包括的噪声信息为卷积神经网络中最后一个卷积块的输出，对卷积神经网络进行训练。

在该实施方式中，带噪图像为RGB三通道图像，其尺寸满足预设尺寸64px×64px，带噪图像中包括的噪声信息为零均值相同标准差的高斯独立噪声。对不同的带噪图像而言，其包括的噪声信息的噪声标准差是随机产生的，取值范围为0～50，但同一带噪图像中包括的噪声信息，所对应的噪声标准差是相同的。

下面将以图像数据集合中的一个噪声图像信息X为例，对卷积神经网络的训练过程进行说明。噪声图像信息X包括带噪图像X1和带噪图像X1中包括的噪声信息X2，带噪图像X1的尺寸为64px×64px。在训练时，构建模块640以带噪图像X1为卷积块A1的输入、噪声信息X2为卷积块A20的输出进行卷积神经网络的训练。

参照表1对卷积块A1～A20进行参数设置，并基于以上参数对带噪图像X1进行处理。具体的，构建模块640先将带噪图像X1输入到卷积块A1，带噪图像X1为RGB三通道图像，尺寸为64px×64px。卷积块A1中的卷积层有64个卷积核，每个卷积核的参数个数为3×3×3，相当于64个3×3大小的卷积核分别在3个通道进行卷积，步长为1。将该卷积层所输入带噪图像X1的边缘向外1个像素单位的各行与各列以0填充，则经过该卷积层的卷积后，根据可知，此时得到的图像的尺寸为64px×64px，即获得64张64px×64px大小的特征图，其中表示向下取整。

由于在该卷积层中已经将三通道合在一起进行卷积处理，因此卷积块A1中的激活层的输入为64张64px×64px的单通道图像，经过该激活层的处理后，得到卷积块A1的输出为64张64px×64px的特征图。

随后，进入卷积块A2。构建模块640将卷积块A1输出的64张64px×64px的特征图，输入到卷积块A2的卷积层中，该卷积层有64个卷积核，每个卷积核的参数个数为3×3，相当于64个3×3大小的卷积核进行卷积，步长为1。采用边界填充方式，将该卷积层所输入图像的边缘向外1个像素单位的各行与各列以0填充，经过该卷积层的卷积后，根据(64-3+2×1)/1+1＝64可知，此时得到的图像的尺寸为64px×64px，即获得64张64px×64px大小的特征图。

此后，经过卷积块A2中激活层的处理，可得卷积块A2的输出为64张64px×64px的特征图。构建模块640将卷积块A2的输出输入到卷积块A3后，经过后续处理单元的相关处理，得到卷积块A19的输出为64张64px×64px的特征图。需要说明的是，卷积块A3～A19对图像的相关处理可参照如上卷积块A2的处理过程，此处不再赘述。

进而，构建模块640将卷积块A19的输出输入到卷积块A20，卷积块A20中的卷积层有3个卷积核，每个卷积核的参数个数为3×3，相当于3个3×3大小的卷积核进行卷积，步长为1。采用边界填充方式，将该卷积层所输入图像的边缘向外1个像素单位的各行与各列以0填充，经过该卷积层的卷积后，根据(64-3+2×1)/1+1＝64可知，此时得到的图像的尺寸为64px×64px，即获得3张64px×64px大小的特征图。

再经过卷积块A20中激活层的处理，可得卷积块A20的输出为1张64px×64px的RGB三通道图像。为了训练该卷积神经网络，构建模块640以输入的带噪图像X1中包括的噪声信息X2为预知结果，对卷积块A20的输出进行调整，按极小化误差的方法反向传播以调整卷积神经网络中的各参数。经过图像数据集合中大量的噪声图像信息进行训练后，获得训练好的卷积神经网络。

根据本发明的一个实施例，构建模块640还适于预先获取图像数据集合，进一步适于对每一张待处理的图像，向该待处理的图像添加相应的噪声信息，以形成对应的带噪图像，将该带噪图像与该噪声信息关联，以形成噪声图像信息，汇集各噪声图像信息，以形成图像数据集合。

在该实施方式中，待处理的图像为无噪声的RGB三通道图像，且应满足预设尺寸64px×64px，若待处理的图像不满足预设尺寸，则需要将该待处理的图像缩放至预设尺寸。在向待处理的图像添加噪声信息时，构建模块640向该图像的R、G和B通道中每一个像素点，随机添加上一个零均值固定标准差的高斯独立噪声，从而得到带噪图像。其中，噪声标准差为0～50范围内随机产生的数值。

关于图像去噪的具体步骤以及实施例，在基于图2～4的描述中已经详细公开，此处不再赘述。

目前效果较好的图像去噪方法，是通过训练好的深度神经网络(如卷积神经网络等)对图像进行去噪处理，该深度神经网络的输入是带有噪声的图像，输出是去噪后的图像。通过上述方式进行图像去噪，所有输入图像的去噪强度都是固定的，可在很多场合下并不希望完全去除噪声。根据本发明实施例的图像去噪方案，将待去噪的图像输入到训练好的卷积神经网络进行噪声提取，以获取该图像中包含的噪声，再将获取到的噪声和去噪系数的乘积，作为该图像对应的应去除的噪声，最后从该图像中去除应去除的噪声。其中，去噪系数为0～1之间的实数，可以进行调节，当去噪系数为1时，表明完全去除图像中的噪声，当去噪系数为0时，表明不进行去噪处理。基于此，可根据需求来设置去噪系数的大小，以不同程度地去除噪声，从而得到不同去噪强度的图像。此外，通过对卷积神经网络的结构、训练的层数进行调整，还可平衡计算量和去除噪声的效果。

A8.如A5-7中任一项所述的方法，其中，所述卷积块的数量为20。

A9.如A5-8中任一项所述的方法，其中，还包括预先获取图像数据集合，所述预先获取图像数据集合，包括：

对每一张待处理的图像，向所述待处理的图像添加相应的噪声信息，以形成对应的带噪图像；

将所述带噪图像与所述噪声信息关联，以形成噪声图像信息；

汇集各噪声图像信息，以形成图像数据集合。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间，以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的图像去噪方法。

以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种图像去噪方法，适于在计算设备中执行，所述计算设备中存储有用于对图像进行噪声提取的、训练好的卷积神经网络，所述方法包括：

将待去噪的图像输入到训练好的卷积神经网络中进行噪声提取，以获取所述图像中包含的噪声；

确定所述图像对应的去噪系数；

根据获取到的噪声和所述去噪系数，对所述图像进行噪声去除处理。

2.如权利要求1所述的方法，其中，所述根据获取到的噪声和所述去噪系数，对所述图像进行噪声去除处理，包括：

根据获取到的噪声和所述去噪系数，确定所述图像对应的应去除的噪声；

从所述图像中去除所述应去除的噪声。

3.如权利要求2所述的方法，其中，所述根据获取到的噪声和所述去噪系数，确定所述图像对应的应去除的噪声，包括：

计算获取到的噪声与所述去噪系数的乘积，将所述乘积作为所述图像对应的应去除的噪声。

4.如权利要求1-3中任一项所述的方法，其中，所述去噪系数为不小于0且不大于1的实数。

5.如权利要求1-4中任一项所述的方法，其中，所述训练好的卷积神经网络通过以下方式获取：

构建卷积块，所述卷积块包括卷积层；

基于预设的连接规则，将多个卷积块依次相连，以构建卷积神经网络；

根据预先获取的图像数据集合对所述卷积神经网络进行训练，以便所述卷积神经网络中最后一个卷积块的输出指示输入图像中包含的噪声。

6.如权利要求5所述的方法，其中，所述构建卷积块，包括：

构建激活层；

在所述卷积层之后添加所述激活层，以形成卷积块。

7.如权利要求5或6所述的方法，其中，所述图像数据集合包括多个噪声图像信息，每个噪声图像信息包括带噪图像和所述带噪图像中包括的噪声信息，所述根据预先获取的图像数据集合对所述卷积神经网络进行训练，包括：

对每一个提取出的噪声图像信息，以所述噪声图像信息包括的带噪图像为所述卷积神经网络中第一个卷积块的输入，以所述噪声图像信息包括的噪声信息为所述卷积神经网络中最后一个卷积块的输出，对所述卷积神经网络进行训练。

8.一种图像去噪装置，适于驻留在计算设备中，所述计算设备中存储有用于对图像进行噪声提取的、训练好的卷积神经网络，所述装置包括：

提取模块，适于将待去噪的图像输入到训练好的卷积神经网络中进行噪声提取，以获取所述图像中包含的噪声；

确定模块，适于确定所述图像对应的去噪系数；

去噪模块，适于根据获取到的噪声和所述去噪系数，对所述图像进行噪声去除处理。

9.一种计算设备，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1-7所述的方法中的任一方法的指令。

10.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1-7所述的方法中的任一方法。