CN110211069B - 一种图像去噪模型训练方法、系统、设备、计算机介质 - Google Patents
一种图像去噪模型训练方法、系统、设备、计算机介质 Download PDFInfo
- Publication number
- CN110211069B CN110211069B CN201910477498.3A CN201910477498A CN110211069B CN 110211069 B CN110211069 B CN 110211069B CN 201910477498 A CN201910477498 A CN 201910477498A CN 110211069 B CN110211069 B CN 110211069B
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- neural network
- initial
- denoising 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 115
- 230000004913 activation Effects 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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
- G06T2207/20—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
本申请公开了一种图像去噪模型及训练方法、系统、设备、计算机介质，获取噪声图像训练集，噪声图像训练集中包括初始噪声图像及初始噪声图像对应的初始去噪图像；基于噪声图像训练集对初始的图像去噪模型进行训练，得到训练好的图像去噪模型，以基于训练好的图像去噪模型对目标噪声图像进行去噪处理；其中，图像去噪模型包括依次连接的15层神经网络层，第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函数层组成；第十五层神经网络层由dropout层和卷积层组成。提高了图像去噪效率。
Description
技术领域
本申请涉及神经网络模型技术领域，更具体地说，涉及一种图像去噪模型及训练方法、系统、设备、计算机介质。
背景技术
随着信息技术和互联网技术的发展，图像处理技术也成功地应用到包括灾难救援、天气预测、拍照娱乐、人脸识别、购物快捷支付等方案。然而，图像在经过相机采集、储存、传输、处理成像等过程中，容易受到雨天、雾天等天气、恶劣的光照条件、相机抖动等因素的影响，使得捕获的图像不清晰。为了保证图像的成像效果，需要将不清晰的图像复原为清晰的图像，也即需要对不清晰的图像进行图像去噪处理。
现有的一种图像去噪方法是将噪声水平和噪声图像共同作为卷积神经网络CNN的输入来进行盲去噪。
然而，现有的图像去噪方法中，需要结合判别方法和优化方法来提高去噪性能，使得图像去噪效率低。
综上所述，如何提高图像的去噪效率是目前本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种图像去噪模型训练方法，其能在一定程度上解决如何提高图像的去噪效率的技术问题。本申请还提供了一种图像去噪模型及训练系统、设备、计算机可读存储介质。
为了实现上述目的，本申请提供如下技术方案：
一种图像去噪模型训练方法，包括：
获取噪声图像训练集，所述噪声图像训练集中包括初始噪声图像及所述初始噪声图像对应的初始去噪图像；
基于所述噪声图像训练集对初始的所述图像去噪模型进行训练，得到训练好的所述图像去噪模型，以基于训练好的所述图像去噪模型对目标噪声图像进行去噪处理；
其中，所述图像去噪模型包括依次连接的15层神经网络层，第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函数层组成；第十五层神经网络层由dropout层和卷积层组成。
优选的，所述基于所述噪声图像训练集对初始的所述图像去噪模型进行训练之前，还包括：
获取预先训练好的ImageNet训练模型的目标参数；
将所述目标参数作为初始的所述图像去噪模型的初始参数；
其中，所述ImageNet训练模型用于对噪声图像进行去噪处理。
优选的，所述获取噪声图像训练集，包括：
获取第一预设数量的相机在预设光圈下拍摄的第二预设数量的所述初始噪声图像；
对所述第二预设数量的所述初始噪声图像进行扩充操作，得到第三预设数量的所述初始噪声图像，所述扩充操作包括旋转操作、翻转操作；
获取所述初始噪声图像对应的所述初始去噪图像；
将所述初始噪声图像及所述初始去噪图像作为所述噪声图像训练集。
一种图像去噪模型，用于对目标噪声图像进行去噪处理，包括：
依次连接的15层神经网络层；第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN 层和激活函数层组成；第十五层神经网络层由dropout层和卷积层组成。
优选的，所述图像去噪模型的输入、所述第八层神经网络层的输出和所述第十五层神经网络层的和值为所述图像去噪模型的输出。
优选的，所述第二层神经网络层到所述第七层神经网络层中的激活函数包括PReLU函数；
所述第九层神经网络层到所述第十四层神经网络层中的激活函数包括 ReLU函数；
其中，所述PReLU函数中参数的值为0.01。
优选的，所述图像去噪模型中的卷积层由相应的组卷积层构成。
一种图像去噪模型训练系统，包括：
第一获取模块，用于获取噪声图像训练集，所述噪声图像训练集中包括初始噪声图像及所述初始噪声图像对应的初始去噪图像；
第一训练模块，用于基于所述噪声图像训练集对初始的所述图像去噪模型进行训练，得到训练好的所述图像去噪模型，以基于训练好的所述图像去噪模型对目标噪声图像进行去噪处理；
其中，所述图像去噪模型包括依次连接的15层神经网络层，第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函数层组成；第十五层神经网络层由dropout层和卷积层组成。
一种图像去噪模型训练设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上任一所述图像去噪模型训练方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如上任一所述图像去噪模型训练方法的步骤。
本申请提供的一种图像去噪模型训练方法，获取噪声图像训练集，噪声图像训练集中包括初始噪声图像及初始噪声图像对应的初始去噪图像；基于噪声图像训练集对初始的图像去噪模型进行训练，得到训练好的图像去噪模型，以基于训练好的图像去噪模型对目标噪声图像进行去噪处理；其中，图像去噪模型包括依次连接的15层神经网络层，第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、 WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函数层组成；第十五层神经网络层由dropout层和卷积层组成。实验证明，本申请提供的图像去噪模型无需结合判断方法和优化方法即可拥有较好的图像去噪效果，与现有技术相比，图像去噪效率高。本申请提供的一种图像去噪模型及训练系统、设备、计算机可读存储介质也解决了相应技术问题。
附图说明
为了更清楚地说明本申请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申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种图像去噪模型训练方法的第一流程图；
图2为本申请实施例提供的图像去噪模型的去噪过程示意图；
图3为本申请实施例提供的一种图像去噪模型训练系统的结构示意图；
图4为本申请实施例提供的一种图像去噪模型训练设备的结构示意图；
图5为本申请实施例提供的一种图像去噪模型训练设备的另一结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
随着信息技术和互联网技术的发展，图像处理技术也成功地应用到包括灾难救援、天气预测、拍照娱乐、人脸识别、购物快捷支付等方案。然而，图像在经过相机采集、储存、传输、处理成像等过程中，容易受到雨天、雾天等天气、恶劣的光照条件、相机抖动等因素的影响，使得捕获的图像不清晰。为了保证图像的成像效果，需要将不清晰的图像复原为清晰的图像，也即需要对不清晰的图像进行图像去噪处理。现有的一种图像去噪方法是将噪声水平和噪声图像共同作为卷积神经网络CNN的输入来进行盲去噪。然而，现有的图像去噪方法中，需要结合判别方法和优化方法来提高去噪性能，使得图像去噪效率低。本申请提供的一种图像去噪模型训练方法可以提高图像的去噪效率。
请参阅图1，图1为本申请实施例提供的一种图像去噪模型训练方法的第一流程图。
本申请实施例提供的一种图像去噪模型训练方法，可以包括以下步骤：
步骤S101：获取噪声图像训练集，噪声图像训练集中包括初始噪声图像及初始噪声图像对应的初始去噪图像。
实际应用中，可以先获取噪声图像训练集，也即获取初始噪声图像及初始噪声图像对应的初始去噪图像，噪声图像训练集的样本规模可以根据实际需要确定。
实际应用中，为了快速获取样本规模较大的噪声图像训练集，在获取噪声图像训练集时，可以获取第一预设数量的相机在预设光圈下拍摄的第二预设数量的初始噪声图像；对第二预设数量的初始噪声图像进行扩充操作，得到第三预设数量的初始噪声图像，扩充操作包括旋转操作、翻转操作；获取初始噪声图像对应的初始去噪图像；将初始噪声图像及初始去噪图像作为噪声图像训练集。
具体应用场景中，可以采用三种不同型号的相机捕获在不同光圈下的初始噪声图像，比如采用Cannon 5D Mark III相机捕获1600光圈下的50张初始噪声图像，采用NikonD800相机捕获3200光圈下的50张初始噪声图像，采用Sony A7II相机捕获6400光圈下的50张初始噪声图像，总共获取150张初始噪声图像，之后对每张初始噪声图像分别进行90度旋转操作、180度旋转操作、翻转操作，总计得到600张初始噪声图像。
步骤S102：基于噪声图像训练集对初始的图像去噪模型进行训练，得到训练好的图像去噪模型，以基于训练好的图像去噪模型对目标噪声图像进行去噪处理；其中，图像去噪模型包括依次连接的15层神经网络层，第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函数层组成；第十五层神经网络层由dropout层和卷积层组成。
实际应用中，在获取噪声图像训练集后，便可以基于噪声图像训练集对初始的图像去噪模型进行训练，得到训练好的图像去噪模型。由本申请所提供的图像去噪模型的结构可知，本申请提供的图像去噪模型的实质为神经网络模型，所以基于噪声图像训练集对初始的图像去噪模型进行训练的过程可以参阅现有技术中神经网络模型的训练过程，本申请在此不再赘述。应当指出，本申请提供的图像去噪模型中的WN用于将数据统一到同一范围内，解决协变量转移问题；且本申请提供的图像去噪模型还具有对图像进行去模糊的作用。
实际应用中，为了提高对图像去噪模型的训练效率，在基于噪声图像训练集对初始的图像去噪模型进行训练之前，还可以获取预先训练好的 ImageNet训练模型的目标参数；将目标参数作为初始的图像去噪模型的初始参数；其中，ImageNet训练模型用于对噪声图像进行去噪处理。本申请所涉及的ImageNet是一个用于视觉对象识别软件研究的大型可视化数据库，也即可以先借助用于对噪声图像进行去噪处理的ImageNet训练模型确定图像去噪模型的初始参数，进而在该初始参数的基础上对图像去噪模型进行训练，提高训练效率。
实际应用中，为了减轻图像去噪模型的负担，提高图像去噪模型的运行效率，本申请提供的图像去噪模型中的卷积层可以由组卷积层构成，具体的，构成每个卷积层的组卷积层的数量可以由该卷积层的网络特征通道数确定，比如卷积层的卷积核大小为32*32，网络特征通道数为16，则该卷积层可以由四个组卷积层构成，每个组卷积层的卷积核大小为32*32，网络特征通道数为4等。
请参阅图2，图2为本申请实施例提供的图像去噪模型的去噪过程示意图；其中，从左往右的第一幅图像为噪声图像，第二幅图像为本申请提供的图像去噪模型对噪声图像进行除噪处理后得到的去噪图像，由图2可知，本申请提供的图像去噪模型的去噪效果较好。
本申请提供的一种图像去噪模型训练方法，获取噪声图像训练集，噪声图像训练集中包括初始噪声图像及初始噪声图像对应的初始去噪图像；基于噪声图像训练集对初始的图像去噪模型进行训练，得到训练好的图像去噪模型，以基于训练好的图像去噪模型对目标噪声图像进行去噪处理；其中，图像去噪模型包括依次连接的15层神经网络层，第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、 WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函数层组成；第十五层神经网络层由dropout层和卷积层组成。实验证明，本申请提供的图像去噪模型无需结合判断方法和优化方法即可拥有较好的图像去噪效果，与现有技术相比，图像去噪效率高。
本申请还提供了一种图像去噪模型，用于对目标噪声图像进行去噪处理，包括：
依次连接的15层神经网络层；第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN 层和激活函数层组成；第十五层神经网络层由dropout层和卷积层组成。
本申请实施例提供的图像去噪模型中，图像去噪模型的输入、第八层神经网络层的输出和第十五层神经网络层的和值为图像去噪模型的输出。
本申请实施例提供的图像去噪模型中，第二层神经网络层到第七层神经网络层中的激活函数包括PReLU函数；
第九层神经网络层到第十四层神经网络层中的激活函数包括ReLU函数；
其中，PReLU函数中参数的值为0.01。
本申请实施例提供的图像去噪模型中，图像去噪模型中的卷积层由相应的组卷积层构成。
本申请还提供了一种图像去噪模型训练系统，其具有本申请实施例提供的一种图像去噪模型训练方法具有的对应效果。请参阅图3，图3为本申请实施例提供的一种图像去噪模型训练系统的结构示意图。
本申请实施例提供的一种图像去噪模型训练系统，可以包括：
第一获取模块101，用于获取噪声图像训练集，噪声图像训练集中包括初始噪声图像及初始噪声图像对应的初始去噪图像；
第一训练模块102，用于基于噪声图像训练集对初始的图像去噪模型进行训练，得到训练好的图像去噪模型，以基于训练好的图像去噪模型对目标噪声图像进行去噪处理；
其中，图像去噪模型包括依次连接的15层神经网络层，第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函数层组成；第十五层神经网络层由 dropout层和卷积层组成。
本申请实施例提供的一种图像去噪模型训练系统中，还可以包括：
第二获取模块，用于第一训练模块基于噪声图像训练集对初始的图像去噪模型进行训练之前，获取预先训练好的ImageNet训练模型的目标参数；
第一作为模块，用于将目标参数作为初始的图像去噪模型的初始参数；
其中，ImageNet训练模型用于对噪声图像进行去噪处理。
本申请实施例提供的一种图像去噪模型训练系统中，第一获取模块可以包括：
第一获取单元，用于获取第一预设数量的相机在预设光圈下拍摄的第二预设数量的初始噪声图像；
第一扩充单元，用于对第二预设数量的初始噪声图像进行扩充操作，得到第三预设数量的初始噪声图像，扩充操作包括旋转操作、翻转操作；
第二获取单元，用于获取初始噪声图像对应的初始去噪图像；
第一作为单元，用于将初始噪声图像及初始去噪图像作为噪声图像训练集。
本申请还提供了一种图像去噪模型训练设备及计算机可读存储介质，其均具有本申请实施例提供的一种图像去噪模型训练方法具有的对应效果。请参阅图4，图4为本申请实施例提供的一种图像去噪模型训练设备的结构示意图。
本申请实施例提供的一种图像去噪模型训练设备，可以包括存储器201 和处理器202，存储器201中存储有计算机程序，处理器202执行存储器201 中存储的计算机程序时实现如下步骤：
获取噪声图像训练集，噪声图像训练集中包括初始噪声图像及初始噪声图像对应的初始去噪图像；
基于噪声图像训练集对初始的图像去噪模型进行训练，得到训练好的图像去噪模型，以基于训练好的图像去噪模型对目标噪声图像进行去噪处理；
其中，图像去噪模型包括依次连接的15层神经网络层，第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函数层组成；第十五层神经网络层由 dropout层和卷积层组成。
本申请实施例提供的一种图像去噪模型训练设备，可以包括存储器201 和处理器202，存储器201中存储有计算机程序，处理器202执行存储器201 中存储的计算机程序时具体实现如下步骤：基于噪声图像训练集对初始的图像去噪模型进行训练之前，获取预先训练好的ImageNet训练模型的目标参数；将目标参数作为初始的图像去噪模型的初始参数；其中，ImageNet训练模型用于对噪声图像进行去噪处理。
本申请实施例提供的一种图像去噪模型训练设备，可以包括存储器201 和处理器202，存储器201中存储有计算机程序，处理器202执行存储器201 中存储的计算机程序时具体实现如下步骤：获取第一预设数量的相机在预设光圈下拍摄的第二预设数量的初始噪声图像；对第二预设数量的初始噪声图像进行扩充操作，得到第三预设数量的初始噪声图像，扩充操作包括旋转操作、翻转操作；获取初始噪声图像对应的初始去噪图像；将初始噪声图像及初始去噪图像作为噪声图像训练集。
请参阅图5，本申请实施例提供的另一种图像去噪模型训练设备中还可以包括：与处理器202连接的输入端口203，用于传输外界输入的命令至处理器 202；与处理器202连接的显示单元204，用于显示处理器202的处理结果至外界；与处理器202连接的通信模块205，用于实现图像去噪模型训练设备与外界的通信。显示单元204可以为显示面板、激光扫描使显示器等；通信模块205所采用的通信方式包括但不局限于移动高清链接技术(HML)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线连接：无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现如下步骤：
获取噪声图像训练集，噪声图像训练集中包括初始噪声图像及初始噪声图像对应的初始去噪图像；
基于噪声图像训练集对初始的图像去噪模型进行训练，得到训练好的图像去噪模型，以基于训练好的图像去噪模型对目标噪声图像进行去噪处理；
其中，图像去噪模型包括依次连接的15层神经网络层，第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函数层组成；第十五层神经网络层由 dropout层和卷积层组成。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时具体实现如下步骤：基于噪声图像训练集对初始的图像去噪模型进行训练之前，获取预先训练好的 ImageNet训练模型的目标参数；将目标参数作为初始的图像去噪模型的初始参数；其中，ImageNet训练模型用于对噪声图像进行去噪处理。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时具体实现如下步骤：获取第一预设数量的相机在预设光圈下拍摄的第二预设数量的初始噪声图像；对第二预设数量的初始噪声图像进行扩充操作，得到第三预设数量的初始噪声图像，扩充操作包括旋转操作、翻转操作；获取初始噪声图像对应的初始去噪图像；将初始噪声图像及初始去噪图像作为噪声图像训练集。
本申请所涉及的计算机可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本申请实施例提供的一种图像去噪模型及训练系统、设备、计算机可读存储介质中相关部分的说明请参见本申请实施例提供的一种图像去噪模型训练方法中对应部分的详细说明，在此不再赘述。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种图像去噪模型训练方法，其特征在于，包括：
获取噪声图像训练集，所述噪声图像训练集中包括初始噪声图像及所述初始噪声图像对应的初始去噪图像；
基于所述噪声图像训练集对初始的所述图像去噪模型进行训练，得到训练好的所述图像去噪模型，以基于训练好的所述图像去噪模型对目标噪声图像进行去噪处理；
其中，所述图像去噪模型包括依次连接的15层神经网络层，第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函数层组成；第十五层神经网络层由dropout层和卷积层组成；所述卷积层由组卷积层构成；
所述图像去噪模型的输入、第八层神经网络层的输出和第十五层神经网络层的和值作为所述图像去噪模型的输出；
所述WN层为用于将数据统一到同一范围内，解决协变量转移问题的参数规范化层；
所述第二层神经网络层到所述第七层神经网络层中的激活函数包括PReLU函数；
所述第九层神经网络层到所述第十四层神经网络层中的激活函数包括ReLU函数；
其中，所述PReLU函数中参数a的值为0.01。
2.根据权利要求1所述的方法，其特征在于，所述基于所述噪声图像训练集对初始的所述图像去噪模型进行训练之前，还包括：
获取预先训练好的ImageNet训练模型的目标参数；
将所述目标参数作为初始的所述图像去噪模型的初始参数；
其中，所述ImageNet训练模型用于对噪声图像进行去噪处理。
3.根据权利要求1所述的方法，其特征在于，所述获取噪声图像训练集，包括：
获取第一预设数量的相机在预设光圈下拍摄的第二预设数量的所述初始噪声图像；
对所述第二预设数量的所述初始噪声图像进行扩充操作，得到第三预设数量的所述初始噪声图像，所述扩充操作包括旋转操作、翻转操作；
获取所述初始噪声图像对应的所述初始去噪图像；
将所述初始噪声图像及所述初始去噪图像作为所述噪声图像训练集。
4.一种图像去噪模型训练系统，其特征在于，包括：
第一获取模块，用于获取噪声图像训练集，所述噪声图像训练集中包括初始噪声图像及所述初始噪声图像对应的初始去噪图像；
第一训练模块，用于基于所述噪声图像训练集对初始的所述图像去噪模型进行训练，得到训练好的所述图像去噪模型，以基于训练好的所述图像去噪模型对目标噪声图像进行去噪处理；
其中，所述图像去噪模型包括依次连接的15层神经网络层，第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函数层组成；第十五层神经网络层由dropout层和卷积层组成；所述卷积层由组卷积层构成；
所述图像去噪模型的输入、第八层神经网络层的输出和第十五层神经网络层的和值作为所述图像去噪模型的输出；
所述WN层为用于将数据统一到同一范围内，解决协变量转移问题的参数规范化层；
所述第二层神经网络层到所述第七层神经网络层中的激活函数包括PReLU函数；
所述第九层神经网络层到所述第十四层神经网络层中的激活函数包括ReLU函数；
其中，所述PReLU函数中参数a的值为0.01。
5.一种图像去噪模型训练设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至3任一项所述图像去噪模型训练方法的步骤。
6.一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中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述图像去噪模型训练方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910477498.3A CN110211069B (zh) | 2019-06-03 | 2019-06-03 | 一种图像去噪模型训练方法、系统、设备、计算机介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910477498.3A CN110211069B (zh) | 2019-06-03 | 2019-06-03 | 一种图像去噪模型训练方法、系统、设备、计算机介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110211069A CN110211069A (zh) | 2019-09-06 |
| CN110211069B true CN110211069B (zh) | 2021-09-03 |
Family
ID=67790414
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910477498.3A Active CN110211069B (zh) | 2019-06-03 | 2019-06-03 | 一种图像去噪模型训练方法、系统、设备、计算机介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110211069B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260579B (zh) * | 2020-01-17 | 2021-08-03 | 北京理工大学 | 一种基于物理噪声生成模型的微光图像去噪增强方法 |
| CN111861912B (zh) * | 2020-06-30 | 2023-04-25 | 湖南傲英创视信息科技有限公司 | 一种线列周扫立体全景图像去噪方法、系统及存储介质 |
| CN113538281B (zh) * | 2021-07-21 | 2023-07-11 | 深圳大学 | 图像去噪方法、装置、计算机设备和存储介质 |
| CN115034972B (zh) * | 2021-12-24 | 2023-04-07 | 广东东软学院 | 图像去噪方法、装置及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862377A (zh) * | 2017-11-14 | 2018-03-30 | 华南理工大学 | 一种基于文本‑图像生成对抗网络模型的分组卷积方法 |
| CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
| CN108615002A (zh) * | 2018-04-22 | 2018-10-02 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的手掌静脉认证方法 |
| CN108764336A (zh) * | 2018-05-28 | 2018-11-06 | 北京陌上花科技有限公司 | 用于图像识别的深度学习方法及装置、客户端、服务器 |
| CN108846420A (zh) * | 2018-05-28 | 2018-11-20 | 北京陌上花科技有限公司 | 网络结构以及客户端 |
| CN109829868A (zh) * | 2019-02-28 | 2019-05-31 | 华南理工大学 | 一种轻量级深度学习模型图像去雾方法、电子设备及介质 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204467B (zh) * | 2016-06-27 | 2021-07-09 | 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 |
| CN106408522A (zh) * | 2016-06-27 | 2017-02-15 | 深圳市未来媒体技术研究院 | 一种基于卷积对神经网络的图像去噪方法 |
| US10430913B2 (en) * | 2017-06-30 | 2019-10-01 | Intel Corporation | Approximating image processing functions using convolutional neural networks |
| CN107563406B (zh) * | 2017-07-21 | 2021-01-01 | 浙江工业大学 | 一种自主学习的图像精细分类方法 |
| CN107403419A (zh) * | 2017-08-04 | 2017-11-28 | 深圳市唯特视科技有限公司 | 一种基于级联卷积神经网络的低剂量x射线图像去噪方法 |
| CN107689034B (zh) * | 2017-08-16 | 2020-12-01 | 清华-伯克利深圳学院筹备办公室 | 一种去噪方法及装置 |
| CN108021936A (zh) * | 2017-11-28 | 2018-05-11 | 天津大学 | 一种基于卷积神经网络vgg16的乳腺肿瘤分类算法 |
| CN108416748A (zh) * | 2018-02-26 | 2018-08-17 | 阿博茨德（北京）科技有限公司 | Jpeg压缩文档的图像预处理方法及装置 |
| CN108416755B (zh) * | 2018-03-20 | 2020-06-30 | 南昌航空大学 | 一种基于深度学习的图像去噪方法及系统 |
| CN108876735B (zh) * | 2018-06-01 | 2021-11-02 | 武汉大学 | 一种基于深度残差网络的真实图像盲去噪方法 |
| CN109035163B (zh) * | 2018-07-09 | 2022-02-15 | 南京信息工程大学 | 一种基于深度学习的自适应图像去噪方法 |
| CN109003240B (zh) * | 2018-07-16 | 2021-07-27 | 安徽理工大学 | 一种基于多尺度并行cnn的图像去噪方法 |
| CN109410127B (zh) * | 2018-09-17 | 2020-09-01 | 西安电子科技大学 | 一种基于深度学习与多尺度图像增强的图像去噪方法 |
| 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 |
-
2019
- 2019-06-03 CN CN201910477498.3A patent/CN110211069B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862377A (zh) * | 2017-11-14 | 2018-03-30 | 华南理工大学 | 一种基于文本‑图像生成对抗网络模型的分组卷积方法 |
| CN108615002A (zh) * | 2018-04-22 | 2018-10-02 | 广州麦仑信息科技有限公司 | 一种基于卷积神经网络的手掌静脉认证方法 |
| CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
| CN108764336A (zh) * | 2018-05-28 | 2018-11-06 | 北京陌上花科技有限公司 | 用于图像识别的深度学习方法及装置、客户端、服务器 |
| CN108846420A (zh) * | 2018-05-28 | 2018-11-20 | 北京陌上花科技有限公司 | 网络结构以及客户端 |
| CN109829868A (zh) * | 2019-02-28 | 2019-05-31 | 华南理工大学 | 一种轻量级深度学习模型图像去雾方法、电子设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| Normalization;futurehau;《https://www.cnblogs.com/futurehau/p/9784924.html》;20181014;第1-4页 * |
| 加速网络收敛——BN、LN、WN与selu;SkyHigh;《http://skyhigh233.com/tags/#DeepLearning》;20170721;第1-7页 * |
| 模型优化之Weight Normalization;大师兄;《https://www.zhihu.com/column/liuyan0612》;20190117;第1-6页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110211069A (zh) | 2019-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110211069B (zh) | 一种图像去噪模型训练方法、系统、设备、计算机介质 | |
| 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 | |
| CN110008817B (zh) | 模型训练、图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN110675336A (zh) | 一种低照度图像增强方法及装置 | |
| CN109859120B (zh) | 基于多尺度残差网络的图像去雾方法 | |
| CN110148088B (zh) | 图像处理方法、图像去雨方法、装置、终端及介质 | |
| CN112602088B (zh) | 提高弱光图像的质量的方法、系统和计算机可读介质 | |
| CN110825900A (zh) | 特征重构层的训练方法、图像特征的重构方法及相关装置 | |
| CN106709879A (zh) | 一种基于简单透镜计算成像的空间变化点扩散函数平滑方法 | |
| CN113538281B (zh) | 图像去噪方法、装置、计算机设备和存储介质 | |
| CN111695421A (zh) | 图像识别方法、装置及电子设备 | |
| CN111192226A (zh) | 一种图像融合去噪方法及装置、系统 | |
| CN108960425B (zh) | 一种渲染模型训练方法、系统、设备、介质及渲染方法 | |
| CN110782406A (zh) | 一种基于信息蒸馏网络的图像去噪方法及装置 | |
| CN112862695A (zh) | 图像恢复方法和设备 | |
| CN113989616A (zh) | 一种目标检测方法、装置、设备和存储介质 | |
| CN115512258A (zh) | 一种视频图像的脱敏方法、装置、终端设备和存储介质 | |
| Wu et al. | Reflectance-guided histogram equalization and comparametric approximation | |
| US20220156889A1 (en) | Saliency map generation method and image processing system using the same | |
| WO2022199395A1 (zh) | 人脸活体检测方法、终端设备及计算机可读存储介质 | |
| CN117274605B (zh) | 一种从无人机拍摄的照片中提取水域轮廓的方法及装置 | |
| CN106651790A (zh) | 图像去模糊的方法、装置和设备 | |
| CN115760641B (zh) | 基于多尺度特征注意力网络的遥感影像去云雾方法和设备 | |
| WO2023142904A1 (zh) | 图像处理方法、电子设备和非瞬态计算机可读介质 | |
| CN115689947A (zh) | 一种图像锐化的方法、系统、电子装置和存储介质 |
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 |