CN110490824A - 图像去噪的方法及装置 - Google Patents
图像去噪的方法及装置 Download PDFInfo
- Publication number
- CN110490824A CN110490824A CN201910783313.1A CN201910783313A CN110490824A CN 110490824 A CN110490824 A CN 110490824A CN 201910783313 A CN201910783313 A CN 201910783313A CN 110490824 A CN110490824 A CN 110490824A
- Authority
- CN
- China
- Prior art keywords
- calculated
- image denoising
- data
- pixel
- calculated result
- 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 58
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 20
- 230000000694 effects Effects 0.000 abstract description 9
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008717 functional decline Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect 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
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- 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
本发明提供了一种图像去噪的方法及装置中，该方法包括：利用图像去噪卷积模型中的输入层对获取到的图像数据中的像素值进行预处理，得到待计算数据；其中，所述图像去噪卷积模型为利用卷积神经网络构建得到；利用图像去噪卷积模型中的卷积层对所述待计算数据进行计算，得到计算结果；利用图像去噪卷积模型中的预测层将所述计算结果进行标准化处理，得到标准化图像数据。由于卷积神经网络在训练的过程中可以不断地更新参数，使得图像去噪过程中也可以根据卷积神经网络不断的更新参数进行计算，从而达到更好的去噪效果的目的。
Description
技术领域
本发明涉及数字图像处理技术领域，特别涉及一种图像去噪的方法及装置。
背景技术
随着人们生活水平的提高，人们在日常生活中有了更多的娱乐时间，在日常生活中，看各式各样的视频消磨自己的时间，已成为了人们生活中必不可少的一部分。而视频图像的清晰度也越来越受到人们的关注。
目前，在数字图像处理过程中，图像噪声能否有效的滤除，会直接影响到后续的图像处理。因此，图像去噪成为了业内的热门研究方向。因此诞生了许多图像去噪的方法，而在目前的图像去噪方法中，所使用的模型以及参数都是固定的，从而不能在去噪过程中进行调整，缺乏自适应性，导致去噪效果较差。
发明内容
有鉴于此，本发明实施例提供一种图像去噪的方法及装置，利用卷积神经网络构建的图像去噪卷积模型进行图像去噪，由于卷积神经网络在训练的过程中可以不断地更新参数，使得图像去噪过程中也可以根据卷积神经网络不断的更新参数进行计算，从而达到更好的去噪效果的目的。
为实现上述目的，本发明实施例提供如下技术方案：
一种图像去噪的方法，包括：
利用图像去噪卷积模型中的输入层对获取到的图像数据中的像素值进行预处理，得到待计算数据；其中，所述图像去噪卷积模型为利用卷积神经网络构建得到；
利用图像去噪卷积模型中的卷积层对所述待计算数据进行计算，得到计算结果；
利用图像去噪卷积模型中的预测层将所述计算结果进行标准化处理，得到标准化图像数据。
可选的，所述利用图像去噪卷积模型中的输入层对获取到的图像数据中的像素值进行预处理，得到待计算数据，包括：
获取图像数据；其中，所述图像数据包括多个像素点的像素值；
根据所述每一个像素点的像素值计算得到所述每一个像素点的像素值的强度；其中，所述每一个像素点的像素值的强度为一个0-255之间的整数；
将所述每一个像素点的像素值的强度通过计算得到0-1的浮点数；
将所述每一个像素点的像素值的浮点数转换成矩阵，表征所述待计算数据。
可选的，所述图像去噪卷积模型中的卷积层的构建过程，包括：
对获取到的所述待计算数据进行滤波操作；所述滤波操作如下所示：
其中，(Rin，Gin，Bin)为所述待计算数据，(W11，W12，W13，W21，W22，W23，W31，W32，W33)为卷积核，(RoutGoutBout)为所述计算结果。
可选的，所述利用图像去噪卷积模型中的预测层将所述计算结果进行标准化处理，得到标准化图像数据，包括：
判断所述计算结果是否大于1；
若判断出所述计算结果大于1，则将所述计算结果变更为1；
若判断出所述计算结果不大于1，则判断所述计算结果是否小于0；
若判断出所述计算结果小于0，则将所述计算结果变更为0。
可选的，所述利用图像去噪卷积模型中的预测层将所述计算结果进行标准化处理，得到标准化图像数据之后，还包括：
利用图像去噪卷积模型中的验证层，计算所述标准化图像数据与预设的的标准化图像数据的均方差值；其中，所述均方差值作为调整所述图像去噪卷积模型中参数的依据。
可选的，所述利用图像去噪卷积模型中的验证层，计算所述标准化图像数据与预设的的标准化图像数据的均方差值，还包括：
利用预设的算法对所述图像去噪卷积模型中的参数进行优化；
其中，所述预设的算法为
其中，是所述卷积神经网络第i轮迭代后的参数，λ是学习率，L是损失函数。
可选的，所述学习率λ的计算过程，包括：
其中，lmin＝10-8，lmax＝10-4，N代表总迭代次数，N＝5000，k为当前的迭代次数。
一种图像去噪的装置，包括：
预处理单元，用于利用图像去噪卷积模型中的输入层对获取到的图像数据中的像素值进行预处理，得到待计算数据；其中，所述图像去噪卷积模型为利用卷积神经网络构建得到；
计算单元，用于利用图像去噪卷积模型中的卷积层对所述待计算数据进行计算，得到计算结果；
标准化处理单元，用于利用图像去噪卷积模型中的预测层将所述计算结果进行标准化处理，得到标准化图像数据。
可选的，所述预处理单元，包括：
获取单元，用于获取图像数据；其中，所述图像数据包括多个像素点的像素值；
强度计算单元，用于根据所述每一个像素点的像素值计算得到所述每一个像素点的像素值的强度；其中，所述每一个像素点的像素值的强度为一个0-255之间的整数；
浮点数计算单元，用于将所述每一个像素点的像素值的强度通过计算得到0-1的浮点数；
矩阵转换单元，用于将所述每一个像素点的像素值的浮点数转换成矩阵，表征所述待计算数据。
可选的，所述标准化处理单元，包括：
第一判断单元，用于判断所述计算结果是否大于1；
变更单元，用于若所述第一判断单元，判断出所述计算结果大于1，则将所述计算结果变更为1；
第二判断单元，用于若所述第一判断单元，判断出所述计算结果不大于1，则判断所述计算结果是否小于0；
所述变更单元，还用于若所述第二判断单元，判断出所述计算结果小于0，则将所述计算结果变更为0。
由以上方案可知，本发明提供的一种图像去噪的方法及装置中，首先，利用图像去噪卷积模型中的输入层对获取到的图像数据中的像素值进行预处理，得到待计算数据；其中，所述图像去噪卷积模型为利用卷积神经网络构建得到；再利用图像去噪卷积模型中的卷积层对所述待计算数据进行计算，得到计算结果；最后利用图像去噪卷积模型中的预测层将所述计算结果进行标准化处理，得到标准化图像数据。由于卷积神经网络在训练的过程中可以不断地更新参数，使得图像去噪过程中也可以根据卷积神经网络不断的更新参数进行计算，从而达到更好的去噪效果的目的。
附图说明
为了更清楚地说明本发明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发明的实施例，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为本发明实施例提供的一种图像去噪的方法的具体流程图；
图2为本发明另一实施例提供的一种图像去噪的方法的具体流程图；
图3为本发明另一实施例提供的一种图像去噪的方法的具体流程图；
图4为本发明另一实施例提供的一种图像去噪的装置的示意图；
图5为本发明另一实施例提供的一种图像去噪的装置的示意图；
图6为本发明另一实施例提供的一种图像去噪的装置的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
在数字图像处理中，图像噪声能否有效地滤除，直接影响到后续的图像处理，如目标分割、边缘检测、特征提取等。因此，图像去噪被认为是一项有意义的工作。空间域中的图像滤波与像素强度及其邻域密切相关，而频率域中的图像滤波则利用视觉信号分解后的多个频率系数进行滤波操作。
对于这两个域，相应的去噪方法可分为基于空间域或基于频率域的方法。基于空间域的方法直接处理图像中每个像素的强度。基于频域的方法通过调整频域图像分解后的多个频率对应系数来处理图像去噪问题，之后我们通常使用逆变换利用这些修正系数来重建图像，并达到图像去噪的目的。
然而，在目前的图像去噪方法中，所使用的模型以及参数都是固定的，从而不能在去噪过程中进行调整，缺乏自适应性，导致去噪效果较差。
本发明实施例提供了一种图像去噪的方法，如图1所示，该方法包括以下步骤：
S101、利用图像去噪卷积模型中的输入层对获取到的图像数据中的像素值进行预处理，得到待计算数据。
其中，图像去噪卷积模型为利用卷积神经网络构建得到。
需要说明的是，由于图像去噪卷积模型中的输入层获取到的图像数据可能是未处理的最基本的红(red,R)绿(green,G)蓝(blue，B)即三原色(trichromatic)数据，而图像去噪卷积模型中的卷积层在进行计算的过程中无法对图像数据进行直接识别计算，所以需要对获取到的图像数据进行预处理，使得图像去噪卷积模型的卷积层可以对其进行计算。
在本实施例的具体实现过程中，图像去噪卷积模型的输入层可以根据获取到的不同图像数据进行不同的预处理，从而得到图像去噪卷积模型的卷积层可以进行计算的待计算数据。
可选的，本发明的另一实施例中，步骤S101的一种实施方式，如图2所示，包括：
S201、获取图像数据。
其中，图像数据包括多个像素点的像素值。
需要说明的是，图像数据(Image Data)是指用数值表示的各像素(pixel)的灰度值的集合，一般来说，每个图像的灰度级别均不同，灰度级别取决于每个像素值对应的刷新存储单元的位数和显示器的本身性能；例如，每个像素值采用16位二进制数表示时，即16位图；此时，就可以表示出2的16次方即65536种颜色。
S202、根据每一个像素点的像素值计算得到每一个像素点的像素值的强度。
其中，每一个像素点的像素值的强度为一个0-255之间的整数。
需要说明的是，上述像素值的强度也可以理解为像素值的灰度，像素值的灰度一般指图像中的颜色深度，范围一般从0至255，白色为255，黑色为0；例如，当一个图像的灰度级别为256，而RGB为(100,100,100)时，代表该图像的灰度值为100。
S203、将每一个像素点的像素值的强度通过计算得到0-1的浮点数。
具体的，可以根据浮点算法的公式：Gray＝R*0.3+G*0.59+B*0.11计算得到每一个像素点的浮点数，使得计算过程中的数据不再庞大，计算过程变得更加容易，提高了计算效率。
S204、将每一个像素点的像素值的浮点数转换成矩阵，表征待计算数据。
需要说明的是，通常卷积神经网络的训练过程中的数据一般为I＝(x,y)；而在本发明中的训练过程中的输入数据为彩色图像的三个颜色分量R，G，B，所以，本发明将每个颜色分量形成了一个2D矩阵，使得训练过程更加快捷，提高了计算效率。
S102、利用图像去噪卷积模型中的卷积层对待计算数据进行计算，得到计算结果。
其中，卷积层是卷积神经网络中的核心部分，参数优化和滤波操作都在该层中进行，卷积层一般包含多个卷积核，而卷积核的初始尺寸为11×11，但是在实际训练过程中，卷积核的实际大小会为了更好的滤波效果而进行自适应调节。比较简单的一种调节方法为，卷积神经网络通过将卷积核外部设置为0来优化卷积核，达到使卷积核的尺寸变小的目的。
需要说明的是，卷积神经网络模型在刚构建完成之初，所得的预测结果，即计算结果通常不是最佳的。所以需要通过大量的训练样本对卷积神经网络模型进行训练。对于卷积神经网络模型进行训练过程，实际就是采用已知道实际结果的训练样本输入卷积神经网络中进行训练，得到测试样本中的用户对图像去噪的预测结果。然后根据预测结果和实际结果来不断优化卷积神经网络模型中的参数，使得卷积神经网络模型所输出的预测结果尽可能与实际结果达到一致。进行优化后的卷积神经网络模型就可直接用于图像去噪的预测，并得到准确的预测结果。
在本实施例的具体实现过程中，当训练用数据样本较少时，还可以使用交叉验证法进行模型的训练，即从数据集中通过分层采样得到，然后，每次用k-1个子集作为训练集，余下的子集作为测试集，由此可以得到k组训练/测试集，进而再将k组数据进行k次训练试验，最终得到这k个训练试验结果的均值。
具体的，滤波操作可以利用预设的公式进行计算；其中，预设的公式可以为：
I`(i,j)＝K＊I(i,j)；
i,j＝1,2,3,....,N；
其中，I代表卷积层输入的数据，K＝{Wij}N×N表示卷积核，＊代表卷积操作。
可选的，本发明的另一实施例中，所述图像去噪卷积模型中的卷积层的构建过程，包括：
对获取到的待计算数据进行滤波操作；滤波操作如下所示：
其中，(Rin，Gin，Bin)为待计算数据，(W11，W12，W13，W21，W22，W23，W31，W32，W33)为卷积核，(RoutGoutBout)为计算结果。
需要说明的是，与传统的均值滤波操作相比较，本发明中的图像去噪模型使用了9个卷积核并且每个输出的颜色分量都是由所有输入颜色分量(RGB)与不同卷积核进行卷积操作的结果。
在本实施例的具体实现过程中，还可以在图像去噪卷积模型中的卷积层中使用残差机制。具体的，由于网络的深度提升不能通过层与层的简单堆叠来实现，因此，会出现梯度消失问题，深层网络很难训练。因为梯度反向传播到前面的层，重复相乘可能使梯度无穷小。导致随着网络的层数更深，其性能趋于饱和，甚至开始迅速下降。通过添加残差机制可以降低图像去噪卷积模型中的卷积层在计算过程中错误率。
同样，在本实施例的具体实现过程中，还可以在图像去噪卷积模型中的卷积层之后，加入随机丢失(dropout)工作。由此减小了不同神经元的依赖度。具体的，有些中间输出，在给定的训练集上，可能发生只依赖某些神经元的情况，这就会造成对训练集的过拟合。而随机dropout一些神经元，使它们失活，不对后面的学习参数产生贡献，可以让更多神经元参与到最终的输出当中，进而减少过拟合。
S103、利用图像去噪卷积模型中的预测层将计算结果进行标准化处理，得到标准化图像数据。
需要说明的是，卷积层输出的图像的像素值不一定分布[0,1]之间，因此在预测层我们要标准化输出图像，对于像素值强度小于0的像素点I(x,y)，我们按照其像素值等于0计算；对于像素值强度大于1的点，我们取1为其像素值。
可选的，本发明的另一实施例中，步骤S103的一种实施方式，如图3所示，包括：
S301、判断计算结果是否大于1。
具体的，若判断出计算结果大于1，则执行步骤S302；若判断出计算结果不大于1，则执行步骤S303。
S302、将计算结果变更为1。
S303、判断计算结果是否小于0。
具体的，若判断出计算结果小于0，则执行步骤S304；若判断出计算结果大于0，小于1则保持计算结果不变。
S304、若判断出计算结果小于0，则将计算结果变更为0。
可选的，本发明的另一实施例中，步骤S103之后的一种实施方式，还包括：
利用图像去噪卷积模型中的验证层，计算标准化图像数据与预设的的标准化图像数据的均方差值。
其中，均方差值作为调整图像去噪卷积模型中参数的依据。
可选的，本发明的另一实施例中，步骤S103之后的一种实施方式，还包括：
利用预设的算法对图像去噪卷积模型中的参数进行优化。
其中，预设的算法为
需要说明的是，是卷积神经网络第i轮迭代后的参数，λ是学习率，L是损失函数。
其中，迭代的步长为所述
lmin为最小的步长，所述lmax为最大的步长，所述ρ为一个系数变量，所述Tmax为最大迭代次数，所述t为当前迭代次数。
还需要说明的是，在优化过程中，可以采用梯度下降法(Stochastic gradierntdescent，SGD)，梯度下降法时一种常用于卷积神经网络上的优化算法。随机梯度下降在计算下降最快的方向时时随机选一个数据进行计算，而不是扫描全部训练数据集，即沿函数下降最快的方向，通过迭代的方式不断改变卷积神经网络模型中的参数，从而解得损失函数的最优值，从而加快了迭代速度。其中，步长的指的就是每次改变参数的幅度。而损失函数的最优值所对应的卷积神经网络模型的参数是最优的。其中，卷积神经网络模型的参数可以包括各个权值和阈值。
还需要说明的是，对于卷积层来说，每轮训练结束都会用优化器去优化参数得到W(i)，并且对于每次卷积层的输出我们会在验证层之前再计算一次均方差值，原因如下：
设Xij是输入图像上的一个像素点，(i,j)是他的坐标，yij是像素点x的期望输出。经过训练，xij的真实输出为f(Wij,xij)，相应的训练过程中的损失函数可用下述公式进行表示：
L(W；x，y)＝h(g(f(Wx；xij))；yij)；
L(W)＝h(g(f(Wx)))。
其中，g是标准化函数，h是均方差值计算函数，具体的标准化函数的计算过程如下：
而对于像素点x，如果其真实输出f(Wx；xij)＜0，根据标准化函数的计算过程，我们可以得到g(f(Wx))＝0；因此，我们可以通过下述公式来表示图像去噪卷积模型中的参数进行优化的预设公式中的
在本发明实施例的具体实现过程中，可以发现如果g(f(Wx))＝0,则即代表了随机梯度下降算法无法继续优化参数Wx，因此在训练过程中我们在验证层之前又计算了一次均方差值。
可选的，本发明的另一实施例中，学习率λ的一种实施方式，包括：
其中，lmin＝10-8，lmax＝10-4，N代表总迭代次数，N＝5000，k为当前的迭代次数。
由以上方案可知，本发明提供的一种图像去噪的方法中，首先，利用图像去噪卷积模型中的输入层对获取到的图像数据中的像素值进行预处理，得到待计算数据；其中，图像去噪卷积模型为利用卷积神经网络构建得到；再利用图像去噪卷积模型中的卷积层对待计算数据进行计算，得到计算结果；最后利用图像去噪卷积模型中的预测层将计算结果进行标准化处理，得到标准化图像数据。由于卷积神经网络在训练的过程中可以不断地更新参数，使得图像去噪过程中也可以根据卷积神经网络不断的更新参数进行计算，从而达到更好的去噪效果的目的。
本发明实施例提供一种图像去噪的装置，如图4所示，包括：
预处理单元401，用于利用图像去噪卷积模型中的输入层对获取到的图像数据中的像素值进行预处理，得到待计算数据。
其中，图像去噪卷积模型为利用卷积神经网络构建得到。
可选的，本发明的另一实施例中，预处理单元401的一种实施方式，如图5所示，包括：
获取单元501，用于获取图像数据。
其中，图像数据包括多个像素点的像素值。
强度计算单元502，用于根据每一个像素点的像素值计算得到每一个像素点的像素值的强度。
其中，每一个像素点的像素值的强度为一个0-255之间的整数。
浮点数计算单元503，用于将每一个像素点的像素值的强度通过计算得到0-1的浮点数。
矩阵转换单元504，用于将每一个像素点的像素值的浮点数转换成矩阵，表征待计算数据。
本发明上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图2所示，此处不再赘述。
计算单元402，用于利用图像去噪卷积模型中的卷积层对待计算数据进行计算，得到计算结果。
标准化处理单元403，用于利用图像去噪卷积模型中的预测层将计算结果进行标准化处理，得到标准化图像数据。
本发明上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图1所示，此处不再赘述。
可选的，本发明的另一实施例中，标准化处理单元403的一种实施方式，如图6所示，包括：
第一判断单元601，用于判断计算结果是否大于1。
变更单元602，用于若第一判断单元601，判断出计算结果大于1，则将计算结果变更为1。
第二判断单元603，用于若第一判断单元601，判断出计算结果不大于1，则判断计算结果是否小于0。
变更单元602，还用于若第二判断单元603，判断出计算结果小于0，则将计算结果变更为0。
本发明上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图3所示，此处不再赘述。
由以上方案可知，本发明提供的一种图像去噪的装置中，首先，利用预处理单元401对图像去噪卷积模型中的输入层获取到的图像数据中的像素值进行预处理，得到待计算数据；其中，图像去噪卷积模型为利用卷积神经网络构建得到；计算单元402利用图像去噪卷积模型中的卷积层对待计算数据进行计算，得到计算结果；最后标准化处理单元403利用图像去噪卷积模型中的预测层将计算结果进行标准化处理，得到标准化图像数据。由于卷积神经网络在训练的过程中可以不断地更新参数，使得图像去噪过程中也可以根据卷积神经网络不断的更新参数进行计算，从而达到更好的去噪效果的目的。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业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发明的精神或范围的情况下，在其它实施例中实现。因此，本发明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 (10)
1.一种图像去噪的方法，其特征在于，包括：
利用图像去噪卷积模型中的输入层对获取到的图像数据中的像素值进行预处理，得到待计算数据；其中，所述图像去噪卷积模型为利用卷积神经网络构建得到；
利用图像去噪卷积模型中的卷积层对所述待计算数据进行计算，得到计算结果；
利用图像去噪卷积模型中的预测层将所述计算结果进行标准化处理，得到标准化图像数据。
2.根据权利要求1所述的方法，其特征在于，所述利用图像去噪卷积模型中的输入层对获取到的图像数据中的像素值进行预处理，得到待计算数据，包括：
获取图像数据；其中，所述图像数据包括多个像素点的像素值；
根据所述每一个像素点的像素值计算得到所述每一个像素点的像素值的强度；其中，所述每一个像素点的像素值的强度为一个0-255之间的整数；
将所述每一个像素点的像素值的强度通过计算得到0-1的浮点数；
将所述每一个像素点的像素值的浮点数转换成矩阵，表征所述待计算数据。
3.根据权利要求1所述的方法，其特征在于，所述图像去噪卷积模型中的卷积层的构建过程，包括：
对获取到的所述待计算数据进行滤波操作；所述滤波操作如下所示：
其中，(Rin，Gin，Bin)为所述待计算数据，(W11，W12，W13，W21，W22，W23，W31，W32，W33)为卷积核，(RoutGoutBout)为所述计算结果。
4.根据权利要求1所述的方法，其特征在于，所述利用图像去噪卷积模型中的预测层将所述计算结果进行标准化处理，得到标准化图像数据，包括：
判断所述计算结果是否大于1；
若判断出所述计算结果大于1，则将所述计算结果变更为1；
若判断出所述计算结果不大于1，则判断所述计算结果是否小于0；
若判断出所述计算结果小于0，则将所述计算结果变更为0。
5.根据权利要求1所述的方法，其特征在于，所述利用图像去噪卷积模型中的预测层将所述计算结果进行标准化处理，得到标准化图像数据之后，还包括：
利用图像去噪卷积模型中的验证层，计算所述标准化图像数据与预设的的标准化图像数据的均方差值；其中，所述均方差值作为调整所述图像去噪卷积模型中参数的依据。
6.根据权利要求5所述的方法，其特征在于，所述利用图像去噪卷积模型中的验证层，计算所述标准化图像数据与预设的的标准化图像数据的均方差值，还包括：
利用预设的算法对所述图像去噪卷积模型中的参数进行优化；
其中，所述预设的算法为
其中，是所述卷积神经网络第i轮迭代后的参数，λ是学习率，L是损失函数。
7.根据权利要求6所述的方法，其特征在于，所述学习率λ的计算过程，包括：
其中，lmin＝10-8，lmax＝10-4，N代表总迭代次数，N＝5000，k为当前的迭代次数。
8.一种图像去噪的装置，其特征在于，包括：
预处理单元，用于利用图像去噪卷积模型中的输入层对获取到的图像数据中的像素值进行预处理，得到待计算数据；其中，所述图像去噪卷积模型为利用卷积神经网络构建得到；
计算单元，用于利用图像去噪卷积模型中的卷积层对所述待计算数据进行计算，得到计算结果；
标准化处理单元，用于利用图像去噪卷积模型中的预测层将所述计算结果进行标准化处理，得到标准化图像数据。
9.根据权利要求8所述的装置，其特征在于，所述预处理单元，包括：
获取单元，用于获取图像数据；其中，所述图像数据包括多个像素点的像素值；
强度计算单元，用于根据所述每一个像素点的像素值计算得到所述每一个像素点的像素值的强度；其中，所述每一个像素点的像素值的强度为一个0-255之间的整数；
浮点数计算单元，用于将所述每一个像素点的像素值的强度通过计算得到0-1的浮点数；
矩阵转换单元，用于将所述每一个像素点的像素值的浮点数转换成矩阵，表征所述待计算数据。
10.根据权利要求8所述的装置，其特征在于，所述标准化处理单元，包括：
第一判断单元，用于判断所述计算结果是否大于1；
变更单元，用于若所述第一判断单元，判断出所述计算结果大于1，则将所述计算结果变更为1；
第二判断单元，用于若所述第一判断单元，判断出所述计算结果不大于1，则判断所述计算结果是否小于0；
所述变更单元，还用于若所述第二判断单元，判断出所述计算结果小于0，则将所述计算结果变更为0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910783313.1A CN110490824A (zh) | 2019-08-23 | 2019-08-23 | 图像去噪的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910783313.1A CN110490824A (zh) | 2019-08-23 | 2019-08-23 | 图像去噪的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110490824A true CN110490824A (zh) | 2019-11-22 |
Family
ID=68553186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910783313.1A Pending CN110490824A (zh) | 2019-08-23 | 2019-08-23 | 图像去噪的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110490824A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152023A (zh) * | 2023-10-30 | 2023-12-01 | 浪潮软件科技有限公司 | 基于结构-纹理分解的压缩图像去噪方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107516304A (zh) * | 2017-09-07 | 2017-12-26 | 广东工业大学 | 一种图像去噪方法及装置 |
| CN108564553A (zh) * | 2018-05-07 | 2018-09-21 | 南方医科大学 | 基于卷积神经网络的低剂量ct图像噪声抑制方法 |
| CN108876735A (zh) * | 2018-06-01 | 2018-11-23 | 武汉大学 | 一种基于深度残差网络的真实图像盲去噪方法 |
| CN109003240A (zh) * | 2018-07-16 | 2018-12-14 | 安徽理工大学 | 一种基于多尺度并行cnn的图像去噪方法 |
| CN109002769A (zh) * | 2018-06-22 | 2018-12-14 | 深源恒际科技有限公司 | 一种基于深度神经网络的牛脸对齐方法及系统 |
| CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
| CN109410127A (zh) * | 2018-09-17 | 2019-03-01 | 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 |
| CN109658344A (zh) * | 2018-11-12 | 2019-04-19 | 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 |
| CN109754376A (zh) * | 2018-12-28 | 2019-05-14 | 深圳美图创新科技有限公司 | 图像去噪方法及装置 |
| CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
-
2019
- 2019-08-23 CN CN201910783313.1A patent/CN110490824A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107516304A (zh) * | 2017-09-07 | 2017-12-26 | 广东工业大学 | 一种图像去噪方法及装置 |
| CN108564553A (zh) * | 2018-05-07 | 2018-09-21 | 南方医科大学 | 基于卷积神经网络的低剂量ct图像噪声抑制方法 |
| CN108876735A (zh) * | 2018-06-01 | 2018-11-23 | 武汉大学 | 一种基于深度残差网络的真实图像盲去噪方法 |
| CN109002769A (zh) * | 2018-06-22 | 2018-12-14 | 深源恒际科技有限公司 | 一种基于深度神经网络的牛脸对齐方法及系统 |
| CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
| CN109003240A (zh) * | 2018-07-16 | 2018-12-14 | 安徽理工大学 | 一种基于多尺度并行cnn的图像去噪方法 |
| CN109410127A (zh) * | 2018-09-17 | 2019-03-01 | 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 |
| CN109658344A (zh) * | 2018-11-12 | 2019-04-19 | 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 |
| CN109754376A (zh) * | 2018-12-28 | 2019-05-14 | 深圳美图创新科技有限公司 | 图像去噪方法及装置 |
| CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
Non-Patent Citations (13)
| Title |
|---|
| ~BESSIE~: "卷积神经网络(CNN)的参数优化方法", 《CSDN》 * |
| DIEDERIK P.KINGMA等: "ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION", 《ARXIV:1412.6980V9 [CS.LG] 》 * |
| MCIX创客: "计算机视觉系列11：对深度学习的训练数据进行像素归一化", 《百度快照》 * |
| WEIXIN_30865427: "图像灰度处理", 《CSDN》 * |
| ZXFHAHAHA: "【计算机视觉 Python】1.图像数据基本概念", 《CSDN》 * |
| ZXYHHJS2017: "深度学习之---各种学习率优化算法", 《CSDN》 * |
| 何红太等: "基于图像的换流站用避雷器泄漏电流识别", 《内蒙古科技大学学报》 * |
| 傅军栋等: "《实景图像拼接及其漫游控制技术》", 30 June 2011 * |
| 刘尚旺等: "基于深度模型迁移的细粒度图像分类方法", 《计算机应用》 * |
| 金翰林: "基于视觉的机械臂目标抓取研究", 《机械工程与自动化》 * |
| 马传学: "基于卷积神经网络的噪声图像超分辨率重建算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 高净植: "基于深度卷积神经网络的低剂量CT图像降噪算法研究", 《万方数据知识服务平台》 * |
| 魏江等: "基于卷积神经网络的遥感图像去噪算法", 《微电子学与计算机》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152023A (zh) * | 2023-10-30 | 2023-12-01 | 浪潮软件科技有限公司 | 基于结构-纹理分解的压缩图像去噪方法及装置 |
| CN117152023B (zh) * | 2023-10-30 | 2024-02-02 | 浪潮软件科技有限公司 | 基于结构-纹理分解的压缩图像去噪方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107330956B (zh) | 一种漫画手绘图无监督上色方法及装置 | |
| CN110992275B (zh) | 一种基于生成对抗网络的细化单幅图像去雨方法 | |
| CN106204468B (zh) | 一种基于ReLU卷积神经网络的图像去噪方法 | |
| CN112614077B (zh) | 一种基于生成对抗网络的非监督低照度图像增强方法 | |
| CN110120020A (zh) | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 | |
| CN106408522A (zh) | 一种基于卷积对神经网络的图像去噪方法 | |
| CN108416755A (zh) | 一种基于深度学习的图像去噪方法及系统 | |
| CN110378844A (zh) | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 | |
| CN108615252A (zh) | 基于参考图像的线稿上色模型的训练方法以及装置 | |
| CN106952239A (zh) | 图像生成方法和装置 | |
| CN109214990A (zh) | 一种基于Inception模型的深度卷积神经网络图像去噪方法 | |
| CN106250931A (zh) | 一种基于随机卷积神经网络的高分辨率图像场景分类方法 | |
| CN107680077A (zh) | 一种基于多阶梯度特征的无参考图像质量评价方法 | |
| CN106846261A (zh) | 基于卷积神经网络的水下图像处理方法 | |
| CN111080531B (zh) | 一种水下鱼类图像的超分辨率重建方法、系统及装置 | |
| CN111507321B (zh) | 多输出土地覆盖分类模型的训练方法、分类方法及装置 | |
| CN110866872B (zh) | 一种路面裂缝图片预处理智能选择方法、装置及电子设备 | |
| CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
| CN102567973A (zh) | 基于改进的形状自适应窗口的图像去噪方法 | |
| CN109740451A (zh) | 基于重要性加权的道路场景图像语义分割方法 | |
| CN106951960A (zh) | 一种神经网络及该神经网络的学习方法 | |
| CN110503610A (zh) | 一种基于gan网络的图像雨雪痕迹去除方法 | |
| CN109949200B (zh) | 基于滤波器子集选择和cnn的隐写分析框架构建方法 | |
| CN112183742A (zh) | 基于渐进式量化和Hessian信息的神经网络混合量化方法 | |
| CN112819096A (zh) | 一种基于复合卷积神经网络的化石图像分类模型的构建方法 |
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: 20191122 |