CN112581406A - 图像去噪方法及装置、电子设备和存储介质 - Google Patents
图像去噪方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112581406A CN112581406A CN202011581449.3A CN202011581449A CN112581406A CN 112581406 A CN112581406 A CN 112581406A CN 202011581449 A CN202011581449 A CN 202011581449A CN 112581406 A CN112581406 A CN 112581406A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- regions
- confidence
- denoising
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000000875 corresponding effect Effects 0.000 claims description 504
- 230000006870 function Effects 0.000 claims description 146
- 238000012549 training Methods 0.000 claims description 134
- 238000013528 artificial neural network Methods 0.000 claims description 65
- 238000010586 diagram Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 16
- 230000002596 correlated effect Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 230000004069 differentiation Effects 0.000 description 6
- 238000010295 mobile communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002441 reversible effect 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
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本公开涉及一种图像去噪方法及装置、电子设备和存储介质。所述方法包括：获取待处理图像，其中，所述待处理图像包含深度信息；获取与所述待处理图像中的多个第一区域一一对应的第一置信度，其中，所述第一区域表示所述待处理图像中的区域，且所述第一区域包括至少一个像素；根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
Description
技术领域
本公开涉及图像处理技术领域，尤其涉及一种图像去噪方法及装置、电子设备和存储介质。
背景技术
深度信息的获取是计算机视觉以及3D(3Dimensions，三维)应用领域的重要问题。通过使用深度传感器，能够快速获取包含三维场景的深度信息的图像。然而，在深度传感器采集的图像中，常常存在噪声。对包含深度信息的图像进行去噪，对于实现高精度的重建、识别、定位等计算机视觉应用具有重要意义。
发明内容
本公开提供了一种图像去噪技术方案。
根据本公开的一方面，提供了一种图像去噪方法，包括：
获取待处理图像，其中，所述待处理图像包含深度信息；
获取与所述待处理图像中的多个第一区域一一对应的第一置信度，其中，所述第一区域表示所述待处理图像中的区域，且所述第一区域包括至少一个像素；
根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
通过获取包含深度信息的待处理图像，获取与所述待处理图像中的多个第一区域一一对应的第一置信度，并根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像，由此基于待处理图像中的不同区域对应的置信度对不同区域进行去噪，能够针对不同区域采用不同的去噪强度，从而能够实现去除噪声与保留深度信息的细节之间的平衡，获得更高质量的去噪图像。
在一种可能的实现方式中，多个所述第一区域中，能够恢复原始信号的所述第一区域对应的去噪强度高于不能恢复原始信号的所述第一区域对应的去噪强度，其中，任一所述第一区域能否恢复原始信号根据所述第一区域对应的第一置信度确定。
在该实现方式中，对于不能恢复原始信号的第一区域，降低该第一区域的去噪强度，以减少由于去噪导致周围区域细节模糊的情况。
在一种可能的实现方式中，能够恢复原始信号的任一所述第一区域对应的去噪强度与所述第一区域对应的第一置信度负相关。
在该实现方式中，对于能够恢复原始信号的任一第一区域，该第一区域对应的去噪强度与该第一区域对应的第一置信度负相关，由此对于能够恢复原始信号且第一置信度较低的第一区域，采用较大的去噪强度，从而能够更大程度地降低该第一区域的噪声，恢复该第一区域的原始信号，而对于能够恢复原始信号且第一置信度较高的第一区域，采用较小的去噪强度，由此能够保留该第一区域的细节，从而能够保留该第一区域与相邻区域之间的深度差，降低由于去噪导致细节模糊的概率。
在一种可能的实现方式中，所述根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像，包括：
采用单调递增的上凸函数，对与多个所述第一区域一一对应的第一置信度进行调整，得到与多个所述第一区域一一对应的第二置信度；
根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
在该实现方式中，通过采用单调递增的上凸函数，对第一区域对应的第一置信度进行调整，由此使第一置信度较小时，经过单调递增的上凸函数调整后得到的第二置信度的变化较小，而当第一置信度较大时，经过单调递增的上凸函数调整后数值被压低，即，得到与第一置信度差别较大的第二置信度，从而能够减少由于置信度分化过大导致细节模糊的情况。
在一种可能的实现方式中，所述根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像，包括：
根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域的像素值进行归一化，得到归一化后的待处理图像；
对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
在该实现方式中，通过先根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域的像素值进行归一化，得到归一化后的待处理图像，再对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，由此不仅能够减少由于置信度分化过大导致细节模糊的情况，还能够通过归一化提高去噪的准确性。
在一种可能的实现方式中，所述根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域的像素值进行归一化，得到归一化后的待处理图像，包括：
对于任一所述第一区域，根据所述第一区域的像素值与第一比值的乘积，确定所述第一区域的调整后的像素值，其中，所述第一比值表示所述第一区域对应的第二置信度与所述第一区域对应的第一置信度的比值；
根据所述第一区域的调整后的像素值与第一最大置信度的比值，确定归一化后的待处理图像中所述第一区域的归一化后的像素值，其中，所述第一最大置信度表示与多个所述第一区域一一对应的第二置信度中最大的第二置信度。
根据该实现方式确定归一化后的待处理图像中所述第一区域的归一化后的像素值，能够提高去噪的准确性。
在一种可能的实现方式中，
所述待处理图像包括余弦分量图和正弦分量图；
所述归一化后的待处理图像包括归一化后的余弦分量图和归一化后的正弦分量图；
所述待处理图像对应的去噪图像包括：所述待处理图像的余弦分量图对应的去噪图像和所述待处理图像的正弦分量图对应的去噪图像。
在该实现方式中，通过对IQ图(即余弦分量图和正弦分量图)去噪，在对IQ图去噪后，再转换为深度图，由此能够解决由于Ii包含的噪声较大导致转换得到di中的噪声较大、难以去除噪声的问题，从而能够提高去噪效果。
在一种可能的实现方式中，所述对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像，包括：
将所述归一化后的待处理图像输入预先训练的神经网络，经由所述神经网络对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
在该实现方式中，通过预先训练的神经网络对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，能够提高去噪的准确性和速度。
在一种可能的实现方式中，在所述将所述归一化后的待处理图像输入预先训练的神经网络之前，所述方法还包括：
获取训练图像、所述训练图像对应的去噪真值图和与所述训练图像中的多个第二区域一一对应的第三置信度，其中，所述训练图像包含深度信息，所述第二区域表示所述训练图像中的区域，且所述第二区域包括至少一个像素；
经由所述神经网络对所述训练图像进行去噪，得到所述训练图像对应的去噪预测图；
对于任一所述第二区域，根据所述第二区域对应的第三置信度，确定损失函数中所述第二区域对应的权重；
根据所述训练图像对应的去噪预测图、所述训练图像对应的去噪真值图和所述损失函数中与多个所述第二区域一一对应的权重，确定所述损失函数的值；
根据所述损失函数的值，训练所述神经网络。
在该实现方式中，根据训练图像中不同第二区域对应的第三置信度，确定损失函数中不同的第二区域对应的权重，从而使神经网络能够学习到针对深度图中具有不同第一置信度的区域采用不同的去噪强度的能力。
在一种可能的实现方式中，任一所述第二区域对应的第三置信度是所述第二区域对应的置信度的真值。
在该实现方式中，通过根据所述训练图像的第二区域对应的置信度的真值决定所述损失函数中所述第二区域对应的权重，从而有助于进一步提高神经网络的去噪效果。
在一种可能的实现方式中，所述经由所述神经网络对所述训练图像进行去噪，得到所述训练图像对应的去噪预测图，包括：
采用所述单调递增的上凸函数，对与多个所述第二区域一一对应的第四置信度进行调整，得到与多个所述第二区域一一对应的第五置信度；
根据与多个所述第二区域一一对应的第五置信度，对多个所述第二区域的像素值进行归一化，得到归一化后的训练图像；
将所述归一化后的训练图像输入所述神经网络，经由所述神经网络输出所述训练图像对应的去噪预测图。
在该实现方式中，通过采用单调递增的上凸函数，对多个第二区域对应的第四置信度进行调整，由此使第四置信度较小时，经过单调递增的上凸函数调整后得到的第五置信度的变化较小，而当第四置信度较大时，经过单调递增的上凸函数调整后数值被压低，即，得到与第四置信度差别较大的第五置信度，从而能够减少由于置信度分化过大导致细节模糊的情况。另外，通过根据归一化后的训练图像训练神经网络，能够提高所述神经网络的精度，并能够提高所述神经网络的收敛速度。
在一种可能的实现方式中，
在所述第二区域对应的第三置信度小于第一预设值的情况下，所述损失函数中所述第二区域对应的权重为第一权重；
或者，在所述第二区域对应的第三置信度大于或等于所述第一预设值且所述第二区域对应的第三置信度小于第二预设值的情况下，所述损失函数中所述第二区域对应的权重为第二权重，其中，所述第二预设值大于所述第一预设值，且所述第二权重大于所述第一权重；
或者，
在所述第二区域对应的第三置信度大于或等于所述第二预设值且所述第二区域对应的第三置信度小于第三预设值的情况下，所述损失函数中所述第二区域对应的权重为第三权重，其中，所述第三预设值大于所述第二预设值，所述第三权重小于所述第二权重，且所述第三权重大于所述第一权重；
或者，
在所述第二区域对应的第三置信度大于或等于所述第三预设值的情况下，所述损失函数中所述第二区域对应的权重为第四权重，其中，所述第四权重小于所述第三权重，且所述第四权重大于所述第一权重。
在该实现方式中，对于不能恢复原始信号的第二区域，将所述损失函数中该第二区域对应的权重确定为较小的权重，由此能够减少由于对不能恢复原始信号的区域进行去噪导致周围区域细节模糊的情况。对于能够恢复原始信号且第三置信度较低的第二区域，加大损失函数中该第二区域对应的权重，以使所述神经网络能够学习到针对深度图中能够恢复原始信号且第三置信度较低的区域采用较大的去噪强度的能力，对于能够恢复原始信号且第三置信度较高的第二区域，减小损失函数中该第二区域对应的权重，以使所述神经网络能够学习到针对深度图中能够恢复原始信号且第三置信度较高的区域采用较小的去噪强度的能力，从而减少因去噪导致的细节模糊的情况。
在一种可能的实现方式中，
所述训练图像包括余弦分量图和正弦分量图；
所述训练图像对应的去噪预测图包括：所述训练图像的余弦分量图对应的去噪预测图和所述训练图像的正弦分量图对应的去噪预测图；
所述训练图像对应的去噪真值图包括：所述训练图像的余弦分量图对应的去噪真值图，以及所述训练图像的正弦分量图对应的去噪真值图；
所述损失函数包括：余弦分量图对应的损失函数和正弦分量图对应的损失函数。
在该实现方式中，通过采用余弦分量图对应的损失函数与正弦分量图对应的损失函数，能够使所述神经网络学习到准确地去除接收信号的余弦分量的噪声和接收信号的正弦分量的噪声的能力，并有助于提高根据余弦分量和正弦分量得到的置信度的准确性。
在一种可能的实现方式中，所述损失函数还包括：接收信号与发射信号之间的相位差对应的损失函数。
在该实现方式中，通过采用接收信号与发射信号之间的相位差对应的损失函数训练神经网络，有助于进一步提高神经网络去噪的准确性，从而有助于提高基于接收信号与发射信号之间的相位差得到的深度值的准确性。
根据本公开的一方面，提供了一种图像去噪装置，包括：
第一获取模块，用于获取待处理图像，其中，所述待处理图像包含深度信息；
第二获取模块，用于获取与所述待处理图像中的多个第一区域一一对应的第一置信度，其中，所述第一区域表示所述待处理图像中的区域，且所述第一区域包括至少一个像素；
第一去噪模块，用于根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
在一种可能的实现方式中，多个所述第一区域中，能够恢复原始信号的所述第一区域对应的去噪强度高于不能恢复原始信号的所述第一区域对应的去噪强度，其中，任一所述第一区域能否恢复原始信号根据所述第一区域对应的第一置信度确定。
在一种可能的实现方式中，能够恢复原始信号的任一所述第一区域对应的去噪强度与所述第一区域对应的第一置信度负相关。
在一种可能的实现方式中，所述第一去噪模块用于：
采用单调递增的上凸函数，对与多个所述第一区域一一对应的第一置信度进行调整，得到与多个所述第一区域一一对应的第二置信度；
根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
在一种可能的实现方式中，所述第一去噪模块用于：
根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域的像素值进行归一化，得到归一化后的待处理图像；
对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
在一种可能的实现方式中，所述第一去噪模块用于：
对于任一所述第一区域，根据所述第一区域的像素值与第一比值的乘积，确定所述第一区域的调整后的像素值，其中，所述第一比值表示所述第一区域对应的第二置信度与所述第一区域对应的第一置信度的比值；
根据所述第一区域的调整后的像素值与第一最大置信度的比值，确定归一化后的待处理图像中所述第一区域的归一化后的像素值，其中，所述第一最大置信度表示与多个所述第一区域一一对应的第二置信度中最大的第二置信度。
在一种可能的实现方式中，
所述待处理图像包括余弦分量图和正弦分量图；
所述归一化后的待处理图像包括归一化后的余弦分量图和归一化后的正弦分量图；
所述待处理图像对应的去噪图像包括：所述待处理图像的余弦分量图对应的去噪图像和所述待处理图像的正弦分量图对应的去噪图像。
在一种可能的实现方式中，所述第一去噪模块用于：
将所述归一化后的待处理图像输入预先训练的神经网络，经由所述神经网络对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
在一种可能的实现方式中，所述装置还包括：
第三获取模块，用于获取训练图像、所述训练图像对应的去噪真值图和与所述训练图像中的多个第二区域一一对应的第三置信度，其中，所述训练图像包含深度信息，所述第二区域表示所述训练图像中的区域，且所述第二区域包括至少一个像素；
第二去噪模块，用于经由所述神经网络对所述训练图像进行去噪，得到所述训练图像对应的去噪预测图；
第一确定模块，用于对于任一所述第二区域，根据所述第二区域对应的第三置信度，确定损失函数中所述第二区域对应的权重；
第二确定模块，用于根据所述训练图像对应的去噪预测图、所述训练图像对应的去噪真值图和所述损失函数中与多个所述第二区域一一对应的权重，确定所述损失函数的值；
训练模块，用于根据所述损失函数的值，训练所述神经网络。
在一种可能的实现方式中，任一所述第二区域对应的第三置信度是所述第二区域对应的置信度的真值。
在一种可能的实现方式中，所述第二去噪模块用于：
采用所述单调递增的上凸函数，对与多个所述第二区域一一对应的第四置信度进行调整，得到与多个所述第二区域一一对应的第五置信度；
根据与多个所述第二区域一一对应的第五置信度，对多个所述第二区域的像素值进行归一化，得到归一化后的训练图像；
将所述归一化后的训练图像输入所述神经网络，经由所述神经网络输出所述训练图像对应的去噪预测图。
在一种可能的实现方式中，
在所述第二区域对应的第三置信度小于第一预设值的情况下，所述损失函数中所述第二区域对应的权重为第一权重；
或者，
在所述第二区域对应的第三置信度大于或等于所述第一预设值且所述第二区域对应的第三置信度小于第二预设值的情况下，所述损失函数中所述第二区域对应的权重为第二权重，其中，所述第二预设值大于所述第一预设值，且所述第二权重大于所述第一权重；
或者，
在所述第二区域对应的第三置信度大于或等于所述第二预设值且所述第二区域对应的第三置信度小于第三预设值的情况下，所述损失函数中所述第二区域对应的权重为第三权重，其中，所述第三预设值大于所述第二预设值，所述第三权重小于所述第二权重，且所述第三权重大于所述第一权重；
或者，
在所述第二区域对应的第三置信度大于或等于所述第三预设值的情况下，所述损失函数中所述第二区域对应的权重为第四权重，其中，所述第四权重小于所述第三权重，且所述第四权重大于所述第一权重。
在一种可能的实现方式中，
所述训练图像包括余弦分量图和正弦分量图；
所述训练图像对应的去噪预测图包括：所述训练图像的余弦分量图对应的去噪预测图和所述训练图像的正弦分量图对应的去噪预测图；
所述训练图像对应的去噪真值图包括：所述训练图像的余弦分量图对应的去噪真值图，以及所述训练图像的正弦分量图对应的去噪真值图；
所述损失函数包括：余弦分量图对应的损失函数和正弦分量图对应的损失函数。
在一种可能的实现方式中，所述损失函数还包括：接收信号与发射信号之间的相位差对应的损失函数。
根据本公开的一方面，提供了一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，通过获取包含深度信息的待处理图像，获取与所述待处理图像中的多个第一区域一一对应的第一置信度，并根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像，由此基于待处理图像中的不同区域对应的置信度对不同区域进行去噪，能够针对不同区域采用不同的去噪强度，从而能够实现去除噪声与保留深度信息的细节之间的平衡，获得更高质量的去噪图像。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的图像去噪方法的流程图。
图2示出本公开实施例提供的图像去噪装置的框图。
图3示出本公开实施例提供的一种电子设备800的框图。
图4示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
本公开实施例提供了一种图像去噪方法及装置、电子设备和存储介质，通过获取包含深度信息的待处理图像，获取与所述待处理图像中的多个第一区域一一对应的第一置信度，并根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像，由此基于待处理图像中的不同区域对应的置信度对不同区域进行去噪，能够针对不同区域采用不同的去噪强度，从而能够实现去除噪声与保留深度信息的细节之间的平衡，获得更高质量的去噪图像。
下面结合附图对本公开实施例提供的图像去噪方法进行详细的说明。图1示出本公开实施例提供的图像去噪方法的流程图。在一种可能的实现方式中，所述图像去噪方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备(UserEquipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(PersonalDigital Assistant，PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述图像去噪方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，所述图像去噪方法包括步骤S11至步骤S13。
在步骤S11中，获取待处理图像，其中，所述待处理图像包含深度信息。
在步骤S12中，获取与所述待处理图像中的多个第一区域一一对应的第一置信度，其中，所述第一区域表示所述待处理图像中的区域，且所述第一区域包括至少一个像素。
在步骤S13中，根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
在本公开实施例中所述待处理图像可以表示需要进行去噪的图像。所述待处理图像包含三维场景的深度信息，其中，深度信息可以是深度值，也可以是能够用于计算得到深度值的信息。所述待处理图像可以是由深度传感器采集的，或者可以是由深度传感器采集的深度信息和/或深度图转换得到的。深度传感器可以表示用于采集深度信息和/或深度图的传感器。例如，深度传感器可以是ToF(Time of Flight，飞行时间)传感器、结构光传感器或者双目视觉传感器等。其中，ToF传感器可以是基于连续波的ToF传感器或者基于脉冲波的ToF传感器。ToF传感器基于一个、两个或者多个频率采集三维场景的深度信息和/或深度图。在本公开实施例中，可以从深度传感器获取所述待处理图像，也可以基于从深度传感器获取的深度图转换得到所述待处理图像，当然，也可以从存储器、服务器或者其他设备中获取所述待处理图像，在此不作限定。
在本公开实施例中，所述待处理图像可以是IQ图、深度图或者raw域数据等。以ToF传感器为例，ToF传感器采集的raw域数据可以包括与多个相位延时对应的多项电荷累积量。例如，基于脉冲波的ToF传感器采集的raw域数据可以包括电荷累积量q1和q2，基于连续波的ToF传感器采集的raw域数据可以包括电荷累积量q1至qN，其中，N为大于1的整数，例如，N可以等于3、4或者5等。IQ图可以包括余弦分量图(I图)和正弦分量图(Q图)，余弦分量图和正弦分量图可以分别根据raw域数据转换得到。余弦分量图中像素i的像素值可以为像素i对应的接收信号的余弦分量Ii，正弦分量图中像素i的像素值可以为像素i对应的接收信号的正弦分量Qi。例如，N等于4，则接收信号的4个测量窗口相对于发射信号的4个相位延时分别是0°、180°、90°和270°，4个相位延时对应的电荷累积量分别是q1、q2、q3和q4。采用式1，可以得到接收信号的余弦分量I；采用式2，可以得到接收信号的正弦分量Q：
I＝q1-q2 式1；
Q＝q3-q4 式2。
深度图可以表示以深度值为像素值的图像。在深度图中，像素i的像素值可以为像素i对应深度值，即，像素i的像素值可以为像素i对应的三维场景中的点与深度传感器之间的距离。
在本公开实施例中，所述待处理图像包括多个第一区域，任一第一区域包括一个或多个像素。例如，可以将所述待处理图像中的各个像素分别作为第一区域，即，所述待处理图像中的像素可以与第一区域一一对应。又如，可以将所述待处理图像中的多个相邻的像素作为第一区域，即，所述待处理图像中的像素与第一区域可以是多对一的关系。
在本公开实施例中，任一第一区域对应的第一置信度，表示该第一区域的深度信息的可信程度。任一第一区域对应的第一置信度越高，则该第一区域的深度信息为该第一区域的真实深度信息的概率越高，或者，该第一区域的深度信息越接近该第一区域的真实深度信息，或者，根据该第一区域的深度信息能够计算得到该第一区域的真实深度值的概率越高；任一第一区域对应的第一置信度越低，则该第一区域的深度信息为该第一区域的真实深度信息的概率越低，或者，该第一区域的深度信息与该第一区域的真实深度信息之间的差异越大，或者，根据该第一区域的深度信息能够计算得到该第一区域的真实深度值的概率越低。在本公开实施例中，可以从深度传感器获取与所述待处理图像中的多个第一区域一一对应的第一置信度，当然，也可以从存储器、服务器或者其他设备中获取与所述待处理图像中的多个第一区域一一对应的第一置信度，或者，还可以根据所述待处理图像中的深度信息计算得到所述待处理图像中的多个第一区域对应的第一置信度，在此不作限定。在一个例子中，可以采用所述待处理图像对应的第一置信度图表示所述待处理图像中的各个第一区域对应的第一置信度，其中，所述待处理图像对应的第一置信度图可以与所述待处理图像的尺寸相同，且所述待处理图像对应的第一置信度图中的任一区域的像素值，表示所述待处理图像中相应区域的第一置信度。
在本公开实施例中，可以根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，由此实现了基于区域的置信度的自适应去噪。例如，对于所述待处理图像中的任一第一区域，可以根据该第一区域对应的第一置信度，对该第一区域进行去噪，并可以根据所述待处理图像中的各个第一区域对应的去噪结果，得到所述待处理图像对应的去噪图像。
在本公开实施例中，通过获取包含深度信息的待处理图像，获取与所述待处理图像中的多个第一区域一一对应的第一置信度，并根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像，由此基于待处理图像中的不同区域对应的置信度对不同区域进行去噪，能够针对不同区域采用不同的去噪强度，从而能够实现去除噪声与保留深度信息的细节之间的平衡，获得更高质量的去噪图像。
在一种可能的实现方式中，所述第一区域对应的第一置信度与所述第一区域对应的接收信号的强度正相关，其中，所述第一区域对应的接收信号表示深度传感器所接收的所述第一区域对应的信号。在该实现方式中，所述第一区域对应的接收信号的强度越大，则所述第一区域对应的第一置信度越大；所述第一区域对应的接收信号的强度越小，则所述第一区域对应的第一置信度越小。
例如，所述待处理图像是由ToF传感器采集的，则可以根据所述第一区域对应接收信号的余弦分量的绝对值和所述第一区域对应的接收信号的正弦分量的绝对值，确定所述第一区域对应的第一置信度。其中，所述第一区域对应的第一置信度与所述第一区域对应的接收信号的余弦分量的绝对值正相关，且所述第一区域对应的第一置信度与所述第一区域对应的接收信号的正弦分量的绝对值正相关。例如，第一区域i对应的接收信号的余弦分量为Ii，第一区域i对应的接收信号的正弦分量为Qi，则可以采用式3或者式4等，确定第一区域i对应的第一置信度Ci：
Ci＝|Ii|+|Qi| 式4。
又如，可以将所述第一区域对应的接收信号的强度作为所述第一区域对应的第一置信度，或者，可以将所述第一区域对应的接收信号的强度与预设系数的乘积作为所述第一区域对应的第一置信度，在此不作限定。
以ToF传感器为例，若任一第一区域对应的深度值较大(即，ToF传感器与该第一区域对应的三维场景中的点之间的距离较大)，则信号经过较长距离的传播，将导致较大的衰减，从而该第一区域对应的接收信号的强度较小；若任一第一区域对应的深度值较小(即，ToF传感器与该第一区域对应的三维场景中的点之间的距离较小)，则信号经过较短距离的传播，将产生较小的衰减，从而该第一区域对应的接收信号的强度较大。若任一第一区域对应的三维场景中的点的反射率较高，则经由该第一区域对应的三维场景中的点反射回ToF传感器的接收端的信号的强度较大，即，该第一区域对应的接收信号的强度较大；若任一第一区域对应的三维场景中的点的反射率较低，则经由该第一区域对应的三维场景中的点反射回ToF传感器的接收端的信号的强度较小，即，该第一区域对应的接收信号的强度较小。任一第一区域对应的接收信号的强度越大，则该第一区域的深度信息的可信程度越高；任一第一区域对应的接收信号的强度越小，则该第一区域的深度信息的可信程度越低。在该实现方式中，通过根据所述第一区域对应的接收信号的强度确定所述第一区域对应的第一置信度，由此确定的所述第一区域对应的第一置信度能够准确地反映所述第一区域的深度信息的可信程度。
作为该实现方式的一个示例，所述第一区域对应的信噪比也与所述第一区域对应的接收信号的强度正相关。在该示例中，所述第一区域对应的接收信号的强度越大，则所述第一区域对应的信噪比越大；所述第一区域对应的接收信号的强度越小，则所述第一区域对应的信噪比越小。
在另一种可能的实现方式中，所述第一区域对应的第一置信度与所述第一区域对应的信噪比正相关。在该实现方式中，所述第一区域对应的信噪比越大，则所述第一区域对应的第一置信度越大；所述第一区域对应的信噪比越小，则所述第一区域对应的第一置信度越小。例如，可以将所述第一区域对应的信噪比作为所述第一区域对应的第一置信度，或者，可以将所述第一区域对应的信噪比与预设系数的乘积作为所述第一区域对应的第一置信度，在此不作限定。
在一种可能的实现方式中，多个所述第一区域中，能够恢复原始信号的所述第一区域对应的去噪强度高于不能恢复原始信号的所述第一区域对应的去噪强度，其中，任一所述第一区域能否恢复原始信号根据所述第一区域对应的第一置信度确定。在该实现方式中，能够恢复原始信号可以表示能够恢复与原始信号相同的信号，或者可以表示能够恢复出近似于原始信号的信号，或者可以表示能够恢复出比当前信号质量更好的信号，在此不作限定。在该实现方式中，对于任一第一区域，可以在该第一区域对应的第一置信度未达到第一预设值的情况下，确定该第一区域不能恢复原始信号；对于任一第一区域，可以在该第一区域对应的第一置信度达到第一预设值的情况下，确定该第一区域能够恢复原始信号。例如，第一预设值可以等于5。当然，本领域技术人员可以根据实际应用场景需求和/或经验灵活设置第一预设值，在此不作限定。在一个例子中，不能恢复原始信号的第一区域对应的去噪强度可以为0，能够恢复原始信号的第一区域对应的去噪强度可以大于0，即，可以不对不能恢复原始信号的第一区域进行去噪。当前，在其他例子中，不能恢复原始信号的第一区域对应的去噪强度也可以大于0，即，也可以对不能恢复原始信号的第一区域进行去噪，在此不作限定。在该实现方式中，对于不能恢复原始信号的第一区域，降低该第一区域的去噪强度，以减少由于去噪导致周围区域细节模糊的情况。
在一种可能的实现方式中，能够恢复原始信号的所述第一区域对应的去噪强度与所述第一区域对应的第一置信度负相关。相关技术中不区分置信度不同的区域，导致在置信度较低的区域采用不足的去噪强度，导致噪声较大，而在置信度较高的区域去噪强度过大，导致细节模糊。在该实现方式中，对于能够恢复原始信号的任一第一区域，该第一区域对应的去噪强度与该第一区域对应的第一置信度负相关，由此对于能够恢复原始信号且第一置信度较低的第一区域，采用较大的去噪强度，从而能够更大程度地降低该第一区域的噪声，恢复该第一区域的原始信号，而对于能够恢复原始信号且第一置信度较高的第一区域，采用较小的去噪强度，由此能够保留该第一区域的细节，从而能够保留该第一区域与相邻区域之间的深度差，降低由于去噪导致细节模糊的概率，其中，相邻区域表示与该第一区域相邻的区域。
在另一种可能的实现方式中，所述第一区域对应的去噪强度与所述第一区域对应的第一置信度负相关。在该实现方式中，可以不考虑所述第一区域是否能够恢复原始信号，直接确定与所述第一区域对应的第一置信度负相关的去噪强度，以用于对所述第一区域进行去噪。
在一种可能的实现方式中，所述根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像，包括：采用单调递增的上凸函数，对与多个所述第一区域一一对应的第一置信度进行调整，得到与多个所述第一区域一一对应的第二置信度；根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。在该实现方式中，上凸函数f(x)满足
任一第一区域对应的第二置信度，表示该第一区域对应的调整后的第一置信度。例如，第一区域i对应的第一置信度可以记为Ci，第一区域i对应的第二置信度可以记为
在该实现方式中，单调递增的上凸函数可以是平方根函数或者对数函数等，在此不作限定。例如，平方根函数可以表示为
对数函数可以表示为f(x)＝logs x，其中，s＞1。在该实现方式中，通过采用单调递增的上凸函数，对第一区域对应的第一置信度进行调整，由此使第一置信度较小时，经过单调递增的上凸函数调整后得到的第二置信度的变化较小，而当第一置信度较大时，经过单调递增的上凸函数调整后数值被压低，即，得到与第一置信度差别较大的第二置信度，从而能够减少由于置信度分化过大导致细节模糊的情况。
作为该实现方式的一个示例，所述根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像，包括：根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域的像素值进行归一化，得到归一化后的待处理图像；对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。相关技术中采用线性归一化，当出现极高的数值时，通过归一化将导致整体的数值偏小，进而出现过度去噪导致的细节模糊。在该示例中，通过先根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域的像素值进行归一化，得到归一化后的待处理图像，再对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，由此不仅能够减少由于置信度分化过大导致细节模糊的情况，还能够通过归一化提高去噪的准确性。
在一个例子中，所述根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域的像素值进行归一化，得到归一化后的待处理图像，包括：对于任一所述第一区域，根据所述第一区域的像素值与第一比值的乘积，确定所述第一区域的调整后的像素值，其中，所述第一比值表示所述第一区域对应的第二置信度与所述第一区域对应的第一置信度的比值；根据所述第一区域的调整后的像素值与第一最大置信度的比值，确定归一化后的待处理图像中所述第一区域的归一化后的像素值，其中，所述第一最大置信度表示与多个所述第一区域一一对应的第二置信度中最大的第二置信度。
在这个例子中，第一最大置信度表示与多个所述第一区域一一对应的第二置信度中的最大值。在这个例子中，可以将所述第一区域的调整后的像素值与第一最大置信度的比值，确定为归一化后的待处理图像中所述第一区域的归一化后的像素值；或者，可以将第二比值与预设系数的乘积，确定为归一化后的待处理图像中所述第一区域的归一化后的像素值，其中，第二比值表示所述第一区域的调整后的像素值与第一最大置信度的比值。例如，可以采用式5和式6得到第一区域i的归一化后的像素值
和
其中，Ii和Qi表示第一区域i的像素值，
表示第一最大置信度。通过采用第一最大置信度对Ii和Qi进行归一化，能够使
即，使归一化前后第一区域i对应的接收信号与发射信号之间的相位差
保持不变，即，
在另一个例子中，所述根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域的像素值进行归一化，得到归一化后的待处理图像，包括：对于任一所述第一区域，根据所述第一区域的像素值与第三比值的乘积，确定所述第一区域的调整后的像素值，其中，所述第三比值表示所述第一区域对应的第二置信度与第一最大置信度的比值；根据所述第一区域的调整后的像素值与所述第一最大置信度的比值，确定归一化后的待处理图像中所述第一区域的归一化后的像素值。
当然，在其他示例中，还可以不对多个所述第一区域进行归一化，直接根据所述第一区域的像素值和所述第一区域对应的第一置信度对所述第一区域进行去噪。
在一个例子中，所述待处理图像包括余弦分量图和正弦分量图；所述归一化后的待处理图像包括归一化后的余弦分量图和归一化后的正弦分量图；所述待处理图像对应的去噪图像包括：所述待处理图像的余弦分量图对应的去噪图像和所述待处理图像的正弦分量图对应的去噪图像。
若采用上文中的式3确定第一区域i对应的第一置信度Ci，则第一区域i对应的接收信号的余弦分量Ii与第一区域i对应的第一置信度Ci之间存在如式7所示的关系，且第一区域i对应的接收信号的正弦分量Qi与第一区域i对应的第一置信度Ci之间存在如式8所示的关系：
其中，
表示第一区域i对应的接收信号与发射信号之间的相位差。
在上述例子中，所述待处理图像为IQ图(也可以称为深度分量图)。所述待处理图像的余弦分量图中的任一第一区域的像素值可以表示该第一区域对应的接收信号的余弦分量，所述待处理图像的正弦分量图中的任一第一区域的像素值可以表示该第一区域对应的接收信号的正弦分量。对所述待处理图像的余弦分量图和正弦分量图去噪后，可以得到第一区域i对应的接收信号的余弦分量Ii的去噪结果
和第一区域i对应的接收信号的正弦分量Qi的去噪结果
并可以采用式9，转换为待处理图像对应的深度图：
其中，di表示所述深度图中的第一区域i的深度值，c表示光速，f表示ToF传感器的调制频率。
由于在Ii较小时，通过Ii的反比，在Ii上的噪声会放大，导致转换得到的di中的噪声较大，去噪难度加大，因此，在上述例子中，通过对IQ图(即余弦分量图和正弦分量图)去噪，在对IQ图去噪后，再转换为深度图，由此能够解决由于Ii包含的噪声较大导致转换得到di中的噪声较大、难以去除噪声的问题，从而能够提高去噪效果。另外，由于raw域数据(raw域数据)的数值会随硬件电路设计、环境光强度改变，物理意义不明确，不便于后续计算，因此采用IQ图进行去噪与采用raw域数据进行去噪相比，也具有更好的去噪效果。
在一个例子中，可以从ToF传感器获取第一区域对应的第一置信度，并可以根据式7和式8，确定所述第一区域对应的接收信号的余弦分量和所述第一区域对应的接收信号的正弦分量。
作为该实现方式的一个示例，所述对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像，包括：将所述归一化后的待处理图像输入预先训练的神经网络，经由所述神经网络对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。例如，所述归一化后的待处理图像中，第一区域i的归一化后的像素值为
和
所述待处理图像对应的去噪图像中，第一区域i的像素值为
和
在该示例中，所述神经网络可以采用KPN(KernelPrediction Networks，核预测网络)或者沙漏网络(Hourglass Networks)等，在此不作限定。在该示例通过预先训练的神经网络对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，能够提高去噪的准确性和速度。
在其他示例中，还可以采用预先设计的函数等，对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，在此不作限定。
在另一种可能的实现方式中，还可以不对多个第一区域对应的第一置信度进行调整得到第二置信度，直接根据多个第一区域对应的第一置信度对所述待处理图像进行去噪。
在一种可能的实现方式中，在所述将所述归一化后的待处理图像输入预先训练的神经网络之前，所述方法还包括：获取训练图像、所述训练图像对应的去噪真值图和与所述训练图像中的多个第二区域一一对应的第三置信度，其中，所述训练图像包含深度信息，所述第二区域表示所述训练图像中的区域，且所述第二区域包括至少一个像素；经由所述神经网络对所述训练图像进行去噪，得到所述训练图像对应的去噪预测图；对于任一所述第二区域，根据所述第二区域对应的第三置信度，确定损失函数中所述第二区域对应的权重；根据所述训练图像对应的去噪预测图、所述训练图像对应的去噪真值图和所述损失函数中与多个所述第二区域一一对应的权重，确定所述损失函数的值；根据所述损失函数的值，训练所述神经网络。
在该实现方式中，所述训练图像可以是IQ图、深度图或者raw域数据等。所述训练图像可以与所述待处理图像的类型相同。所述训练图像包括多个第二区域，任一第二区域包括一个或多个像素。例如，可以将所述训练图像中的各个像素分别作为第二区域，即，所述训练图像中的像素可以与第二区域一一对应。又如，可以将所述训练图像中的多个相邻的像素作为第二区域，即，所述训练图像中的像素与第二区域可以是多对一的关系。
在该实现方式中，任一第二区域对应的第三置信度，表示该第二区域的深度信息的可信程度。任一第二区域对应的第三置信度越高，则该第二区域的深度信息为该第二区域的真实深度信息的概率越高，或者，该第二区域的深度信息越接近该第二区域的真实深度信息，或者，根据该第二区域的深度信息能够计算得到该第二区域的真实深度值的概率越高；任一第二区域对应的第三置信度越低，则该第二区域的深度信息为该第二区域的真实深度信息的概率越低，或者，该第二区域的深度信息与该第二区域的真实深度信息之间的差异越大，或者，根据该第二区域的深度信息能够计算得到该第二区域的真实深度值的概率越低。在该实现方式中，可以从深度传感器获取所述训练图像中的多个第二区域对应的第三置信度，当然，也可以从存储器、服务器或者其他设备中获取所述训练图像的多个第二区域对应的第三置信度，或者，还可以根据所述训练图像中的深度信息计算得到所述训练图像中的多个第二区域对应的第三置信度，在此不作限定。在一个例子中，可以采用所述训练图像对应的第二置信度图表示所述训练图像中的各个第二区域对应的第三置信度，其中，所述训练图像对应的第二置信度图可以与所述训练图像的尺寸相同，且所述训练图像对应的第二置信度图中的任一区域的像素值，表示所述训练图像中相应区域的第一置信度。
在该实现方式中，所述损失函数可以采用L1损失函数或者一阶梯度损失函数等，在此不作限定。在该实现方式中，根据训练图像中不同第二区域对应的第三置信度，确定损失函数中不同的第二区域对应的权重，从而使神经网络能够学习到针对深度图中具有不同第一置信度的区域采用不同的去噪强度的能力。
作为该实现方式的一个示例，任一所述第二区域对应的第三置信度是所述第二区域对应的置信度的真值。根据该示例，通过根据所述训练图像的第二区域对应的置信度的真值决定所述损失函数中所述第二区域对应的权重，从而有助于进一步提高神经网络的去噪效果。
作为该实现方式的另一个示例，任一所述第二区域对应的第三置信度还可以是根据所述第二区域对应的接收信号的强度确定的。例如，可以根据式3或式4，确定所述第二区域对应的第三置信度。
作为该实现方式的一个示例，所述经由所述神经网络对所述训练图像进行处理，得到所述训练图像对应的去噪结果，包括：采用所述单调递增的上凸函数，对与多个所述第二区域一一对应的第四置信度进行调整，得到与多个所述第二区域一一对应的第五置信度；根据与多个所述第二区域对应的第五置信度，对多个所述第二区域的像素值进行归一化，得到归一化后的训练图像；将所述归一化后的训练图像输入所述神经网络，经由所述神经网络输出所述训练图像对应的去噪预测图。在该示例中，任一第二区域对应的第四置信度可以是根据所述第二区域对应的接收信号的强度确定的。例如，可以根据式3或式4，确定所述第二区域对应的第四置信度。上凸函数f(x)满足
任一第二区域对应的第五置信度，表示该第二区域对应的调整后的第四置信度。例如，第二区域i对应的第四置信度可以记为Ci，第二区域i对应的第五置信度可以记为
在该示例中，通过采用单调递增的上凸函数，对多个第二区域对应的第四置信度进行调整，由此使第四置信度较小时，经过单调递增的上凸函数调整后得到的第五置信度的变化较小，而当第四置信度较大时，经过单调递增的上凸函数调整后数值被压低，即，得到与第四置信度差别较大的第五置信度，从而能够减少由于置信度分化过大导致细节模糊的情况。另外，通过根据归一化后的训练图像训练神经网络，能够提高所述神经网络的精度，并能够提高所述神经网络的收敛速度。
在其他示例中，还可以不对多个第二区域对应的第四置信度进行调整得到第五置信度，直接根据多个第二区域对应的第四置信度训练所述神经网络。
作为该实现方式的一个示例，在所述第二区域对应的第三置信度小于第一预设值的情况下，所述损失函数中所述第二区域对应的权重为第一权重；或者，在所述第二区域对应的第三置信度大于或等于所述第一预设值的情况下，所述损失函数中所述第二区域对应的权重大于所述第一权重。在示例中，对于任一所述第二区域，在根据所述第二区域对应的第三置信度，确定所述第二区域不能恢复原始信号的情况下，可以将所述损失函数中所述第二区域对应的权重确定为第一权重。对于任一所述第二区域，在根据所述第二区域对应的第三置信度，确定所述第二区域能够恢复原始信号的情况下，可以将所述损失函数中所述第二区域对应的权重确定为大于所述第一权重。在一个例子中，第一权重可以为0。在这个例子中，对于不能恢复原始信号的第二区域，不计入损失函数的计算，以降低对周围区域的影响。当然，本领域技术人员可以根据实际应用场景需求和/或经验灵活设置第一权重，在此不作限定。在该示例中，对于不能恢复原始信号的第二区域，将所述损失函数中该第二区域对应的权重确定为较小的权重，由此能够减少由于对不能恢复原始信号的区域进行去噪导致周围区域细节模糊的情况。
在一个例子中，对于任一所述第二区域，在所述第二区域对应的第三置信度未达到第一预设值的情况下，确定所述第二区域不能恢复原始信号；和/或，对于任一所述第二区域，在所述第二区域对应的第三置信度达到所述第一预设值的情况下，确定所述第二区域能够恢复原始信号。例如，第一预设值可以等于5。当然，本领域技术人员可以根据实际应用场景需求和/或经验灵活设置第一预设值，在此不作限定。根据这个例子，能够快速准确地确定训练图像中能够恢复原始信号的第二区域和不能恢复原始信号的第二区域。
在一个例子中，在所述第二区域对应的第三置信度大于或等于所述第一预设值的情况下，所述损失函数中所述第二区域对应的权重与所述第二区域对应的第三置信度负相关。在这个例子中，在根据所述第二区域对应的第三置信度，确定所述第二区域能够恢复原始信号的情况下，所述损失函数中所述第二区域对应的权重与所述第二区域对应的第三置信度负相关。在这个例子中，对于能够恢复原始信号且第三置信度较低的第二区域，加大损失函数中该第二区域对应的权重，以使所述神经网络能够学习到针对深度图中能够恢复原始信号且第三置信度较低的区域采用较大的去噪强度的能力；对于能够恢复原始信号且第三置信度较高的第二区域，减小损失函数中该第二区域对应的权重，以使所述神经网络能够学习到针对深度图中能够恢复原始信号且第三置信度较高的区域采用较小的去噪强度的能力，从而减少因去噪导致的细节模糊的情况。
例如，所述在所述第二区域对应的第三置信度大于或等于所述第一预设值的情况下，所述损失函数中所述第二区域对应的权重大于所述第一权重，包括：在所述第二区域对应的第三置信度大于或等于所述第一预设值且所述第二区域对应的第三置信度小于第二预设值的情况下，所述损失函数中所述第二区域对应的权重为第二权重，其中，所述第二预设值大于所述第一预设值，且所述第二权重大于所述第一权重；或者，在所述第二区域对应的第三置信度大于或等于所述第二预设值且所述第二区域对应的第三置信度小于第三预设值的情况下，所述损失函数中所述第二区域对应的权重为第三权重，其中，所述第三预设值大于所述第二预设值，所述第三权重小于所述第二权重，且所述第三权重大于所述第一权重；或者，在所述第二区域对应的第三置信度大于或等于所述第三预设值的情况下，所述损失函数中所述第二区域对应的权重为第四权重，其中，所述第四权重小于所述第三权重，且所述第四权重大于所述第一权重。
在这个例子中，在根据所述第二区域对应的第三置信度，确定所述第二区域能够恢复原始信号的情况下，若所述第二区域对应的第三置信度未达到第二预设值，则将所述损失函数中所述第二区域对应的权重确定为第二权重；在根据所述第二区域对应的第三置信度，确定所述第二区域能够恢复原始信号的情况下，若所述第二区域对应的第三置信度达到所述第二预设值、且未达到第三预设值，则将所述损失函数中所述第二区域对应的权重确定为第三权重，其中，所述第三预设值大于所述第二预设值，且所述第三权重小于所述第二权重；在根据所述第二区域对应的第三置信度，确定所述第二区域能够恢复原始信号的情况下，若所述第二区域对应的第三置信度达到所述第三预设值，则将所述损失函数中所述第二区域对应的权重确定为第四权重，其中，所述第四权重小于所述第三权重。根据这个例子，能够使所述神经网络对于深度图中能够恢复原始信号且第一置信度较低的区域，采用较大的去噪强度，而对于深度图中能够恢复原始信号且第一置信度较高的区域，采用较小的去噪强度，从而能够实现去除噪声与保留深度信息的细节之间的平衡。例如，第二预设值可以等于20，第三预设值可以等于200。当然，本领域技术人员可以根据实际应用场景需求和/或经验灵活设置第二预设值和第三预设值，在此不作限定。例如，在对去噪强度要求较高的情况下，可以提高第二预设值。又如，在对清晰度要求较高的情况下，可以提高第一预设值。
作为该实现方式的一个示例，在所述第二区域对应的第三置信度小于第一预设值的情况下，所述损失函数中所述第二区域对应的权重为第一权重；或者，在所述第二区域对应的第三置信度大于或等于所述第一预设值且所述第二区域对应的第三置信度小于第二预设值的情况下，所述损失函数中所述第二区域对应的权重为第二权重，其中，所述第二预设值大于所述第一预设值，且所述第二权重大于所述第一权重；或者，在所述第二区域对应的第三置信度大于或等于所述第二预设值且所述第二区域对应的第三置信度小于第三预设值的情况下，所述损失函数中所述第二区域对应的权重为第三权重，其中，所述第三预设值大于所述第二预设值，所述第三权重小于所述第二权重，且所述第三权重大于所述第一权重；或者，在所述第二区域对应的第三置信度大于或等于所述第三预设值的情况下，所述损失函数中所述第二区域对应的权重为第四权重，其中，所述第四权重小于所述第三权重，且所述第四权重大于所述第一权重。在该示例中，对于不能恢复原始信号的第二区域，将所述损失函数中该第二区域对应的权重确定为较小的权重，由此能够减少由于对不能恢复原始信号的区域进行去噪导致周围区域细节模糊的情况。对于能够恢复原始信号且第三置信度较低的第二区域，加大损失函数中该第二区域对应的权重，以使所述神经网络能够学习到针对深度图中能够恢复原始信号且第三置信度较低的区域采用较大的去噪强度的能力，对于能够恢复原始信号且第三置信度较高的第二区域，减小损失函数中该第二区域对应的权重，以使所述神经网络能够学习到针对深度图中能够恢复原始信号且第三置信度较高的区域采用较小的去噪强度的能力，从而减少因去噪导致的细节模糊的情况。
作为该实现方式的一个示例，所述训练图像包括余弦分量图和正弦分量图；所述训练图像对应的去噪预测图包括：所述训练图像的余弦分量图对应的去噪预测图和所述训练图像的正弦分量图对应的去噪预测图；所述训练图像对应的去噪真值图包括：所述训练图像的余弦分量图对应的去噪真值图，以及所述训练图像的正弦分量图对应的去噪真值图；所述损失函数包括：余弦分量图对应的损失函数和正弦分量图对应的损失函数。例如，第二区域i对应的接收信号的余弦分量的去噪结果为
第二区域i对应的接收信号的正弦分量的去噪结果为
第二区域i对应的接收信号的余弦分量的去噪真值为
第二区域i对应的接收信号的正弦分量的去噪真值为
损失函数中第二区域i对应的权重为wi，那么，可以采用式10得到余弦分量图对应的损失函数LI，并可以采用式11得到正弦分量图对应的损失函数LQ：
其中，第二区域i对应的接收信号的余弦分量的去噪真值
和第二区域i对应的接收信号的正弦分量的去噪真值
可以由数据集提供。通过采用余弦分量图对应的损失函数与正弦分量图对应的损失函数，能够使所述神经网络学习到准确地去除接收信号的余弦分量的噪声和接收信号的正弦分量的噪声的能力，并有助于提高根据余弦分量和正弦分量得到的置信度的准确性。
在一个例子中，所述损失函数还包括：接收信号与发射信号之间的相位差对应的损失函数。例如，第二区域i对应的接收信号与发射信号之间的相位差的去噪结果为
第二区域i对应的接收信号与发射信号之间的相位差的去噪真值为
那么，可以采用式12得到接收信号与发射信号之间的相位差对应的损失函数
由于当I和Q的数值较小值，IQ上微小的误差会带来
上较大的误差，因此，通过采用接收信号与发射信号之间的相位差对应的损失函数
有助于进一步提高神经网络去噪的准确性，从而有助于提高基于接收信号与发射信号之间的相位差得到的深度值的准确性。
在一个例子中，所述神经网络的损失函数可以采用式13得到：
其中，α表示LI的权重，β表示LQ的权重，γ表示
的权重。
下面通过一个具体的应用场景说明本公开实施例提供的图像去噪方法。在该应用场景中，可以通过基于四相步测量法的ToF传感器采集raw域数据，其中，所述raw域数据可以包括4个相位延时对应的电荷累积量q1、q2、q3和q4。根据式1和式2，可以得到IQ图(即待处理图像)，其中，I图中像素i的像素值为像素i对应的接收信号的余弦分量Ii，Q图中像素i的像素值为像素i对应的接收信号的正弦分量Qi。根据式3，可以得到IQ图中像素i对应的第一置信度Ci。采用单调递增的上凸函数f(x)对像素i对应的第一置信度Ci进行调整，得到像素i对应的第二置信度
其中，
采用式5和式6，可以计算得到像素i的归一化后的像素值
和
将
和
输入预先训练的神经网络，经由所述神经网络输出像素i的去噪后的像素值
和
采用式9，可以计算得到像素i的深度值di，从而得到待处理图像对应的深度图中的各个像素的深度值。
本公开实施例可以应用于3D物体重建、3D场景重建、人像虚化、RGB-D SLAM(Simultaneous Localization And Mapping，同步定位与地图构建)、AR(AugmentedReality，增强现实)、VR(Virtual Reality，虚拟现实)、3D尺子等应用场景中，在此不作限定。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了图像去噪装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像去噪方法，相应技术方案和技术效果可参见方法部分的相应记载，不再赘述。
图2示出本公开实施例提供的图像去噪装置的框图。如图2所示，所述图像去噪装置包括：
第一获取模块21，用于获取待处理图像，其中，所述待处理图像包含深度信息；
第二获取模块22，用于获取与所述待处理图像中的多个第一区域一一对应的第一置信度，其中，所述第一区域表示所述待处理图像中的区域，且所述第一区域包括至少一个像素；
第一去噪模块23，用于根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
在一种可能的实现方式中，多个所述第一区域中，能够恢复原始信号的所述第一区域对应的去噪强度高于不能恢复原始信号的所述第一区域对应的去噪强度，其中，任一所述第一区域能否恢复原始信号根据所述第一区域对应的第一置信度确定。
在一种可能的实现方式中，能够恢复原始信号的任一所述第一区域对应的去噪强度与所述第一区域对应的第一置信度负相关。
在一种可能的实现方式中，所述第一去噪模块23用于：
采用单调递增的上凸函数，对与多个所述第一区域一一对应的第一置信度进行调整，得到与多个所述第一区域一一对应的第二置信度；
根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
在一种可能的实现方式中，所述第一去噪模块23用于：
根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域的像素值进行归一化，得到归一化后的待处理图像；
对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
在一种可能的实现方式中，所述第一去噪模块23用于：
对于任一所述第一区域，根据所述第一区域的像素值与第一比值的乘积，确定所述第一区域的调整后的像素值，其中，所述第一比值表示所述第一区域对应的第二置信度与所述第一区域对应的第一置信度的比值；
根据所述第一区域的调整后的像素值与第一最大置信度的比值，确定归一化后的待处理图像中所述第一区域的归一化后的像素值，其中，所述第一最大置信度表示与多个所述第一区域一一对应的第二置信度中最大的第二置信度。
在一种可能的实现方式中，
所述待处理图像包括余弦分量图和正弦分量图；
所述归一化后的待处理图像包括归一化后的余弦分量图和归一化后的正弦分量图；
所述待处理图像对应的去噪图像包括：所述待处理图像的余弦分量图对应的去噪图像和所述待处理图像的正弦分量图对应的去噪图像。
在一种可能的实现方式中，所述第一去噪模块23用于：
将所述归一化后的待处理图像输入预先训练的神经网络，经由所述神经网络对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
在一种可能的实现方式中，所述装置还包括：
第三获取模块，用于获取训练图像、所述训练图像对应的去噪真值图和与所述训练图像中的多个第二区域一一对应的第三置信度，其中，所述训练图像包含深度信息，所述第二区域表示所述训练图像中的区域，且所述第二区域包括至少一个像素；
第二去噪模块，用于经由所述神经网络对所述训练图像进行去噪，得到所述训练图像对应的去噪预测图；
第一确定模块，用于对于任一所述第二区域，根据所述第二区域对应的第三置信度，确定损失函数中所述第二区域对应的权重；
第二确定模块，用于根据所述训练图像对应的去噪预测图、所述训练图像对应的去噪真值图和所述损失函数中与多个所述第二区域一一对应的权重，确定所述损失函数的值；
训练模块，用于根据所述损失函数的值，训练所述神经网络。
在一种可能的实现方式中，任一所述第二区域对应的第三置信度是所述第二区域对应的置信度的真值。
在一种可能的实现方式中，所述第二去噪模块用于：
采用所述单调递增的上凸函数，对与多个所述第二区域一一对应的第四置信度进行调整，得到与多个所述第二区域一一对应的第五置信度；
根据与多个所述第二区域一一对应的第五置信度，对多个所述第二区域的像素值进行归一化，得到归一化后的训练图像；
将所述归一化后的训练图像输入所述神经网络，经由所述神经网络输出所述训练图像对应的去噪预测图。
在一种可能的实现方式中，
在所述第二区域对应的第三置信度小于第一预设值的情况下，所述损失函数中所述第二区域对应的权重为第一权重；
或者，
在所述第二区域对应的第三置信度大于或等于所述第一预设值且所述第二区域对应的第三置信度小于第二预设值的情况下，所述损失函数中所述第二区域对应的权重为第二权重，其中，所述第二预设值大于所述第一预设值，且所述第二权重大于所述第一权重；
或者，
在所述第二区域对应的第三置信度大于或等于所述第二预设值且所述第二区域对应的第三置信度小于第三预设值的情况下，所述损失函数中所述第二区域对应的权重为第三权重，其中，所述第三预设值大于所述第二预设值，所述第三权重小于所述第二权重，且所述第三权重大于所述第一权重；
或者，
在所述第二区域对应的第三置信度大于或等于所述第三预设值的情况下，所述损失函数中所述第二区域对应的权重为第四权重，其中，所述第四权重小于所述第三权重，且所述第四权重大于所述第一权重。
在一种可能的实现方式中，
所述训练图像包括余弦分量图和正弦分量图；
所述训练图像对应的去噪预测图包括：所述训练图像的余弦分量图对应的去噪预测图和所述训练图像的正弦分量图对应的去噪预测图；
所述训练图像对应的去噪真值图包括：所述训练图像的余弦分量图对应的去噪真值图，以及所述训练图像的正弦分量图对应的去噪真值图；
所述损失函数包括：余弦分量图对应的损失函数和正弦分量图对应的损失函数。
在一种可能的实现方式中，所述损失函数还包括：接收信号与发射信号之间的相位差对应的损失函数。
在本公开实施例中，通过获取包含深度信息的待处理图像，获取与所述待处理图像中的多个第一区域一一对应的第一置信度，并根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像，由此基于待处理图像中的不同区域对应的置信度对不同区域进行去噪，能够针对不同区域采用不同的去噪强度，从而能够实现去除噪声与保留深度信息的细节之间的平衡，获得更高质量的去噪图像。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现和技术效果可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。其中，所述计算机可读存储介质可以是非易失性计算机可读存储介质，或者可以是易失性计算机可读存储介质。
本公开实施例还提出一种计算机程序，包括计算机可读代码，当所述计算机可读代码在电子设备中运行时，所述电子设备中的处理器执行用于实现上述方法。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像去噪方法的操作。
本公开实施例还提供一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图3示出本公开实施例提供的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图3，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(Wi-Fi)、第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通信技术(4G)/通用移动通信技术的长期演进(LTE)、第五代移动通信技术(5G)或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图4示出本公开实施例提供的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图4，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例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。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (17)
1.一种图像去噪方法，其特征在于，包括：
获取待处理图像，其中，所述待处理图像包含深度信息；
获取与所述待处理图像中的多个第一区域一一对应的第一置信度，其中，所述第一区域表示所述待处理图像中的区域，且所述第一区域包括至少一个像素；
根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
2.根据权利要求1所述的方法，其特征在于，多个所述第一区域中，能够恢复原始信号的所述第一区域对应的去噪强度高于不能恢复原始信号的所述第一区域对应的去噪强度，其中，任一所述第一区域能否恢复原始信号根据所述第一区域对应的第一置信度确定。
3.根据权利要求1或2所述的方法，其特征在于，能够恢复原始信号的任一所述第一区域对应的去噪强度与所述第一区域对应的第一置信度负相关。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像，包括：
采用单调递增的上凸函数，对与多个所述第一区域一一对应的第一置信度进行调整，得到与多个所述第一区域一一对应的第二置信度；
根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
5.根据权利要求4所述的方法，其特征在于，所述根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像，包括：
根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域的像素值进行归一化，得到归一化后的待处理图像；
对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
6.根据权利要求5所述的方法，其特征在于，所述根据与多个所述第一区域一一对应的第二置信度，对多个所述第一区域的像素值进行归一化，得到归一化后的待处理图像，包括：
对于任一所述第一区域，根据所述第一区域的像素值与第一比值的乘积，确定所述第一区域的调整后的像素值，其中，所述第一比值表示所述第一区域对应的第二置信度与所述第一区域对应的第一置信度的比值；
根据所述第一区域的调整后的像素值与第一最大置信度的比值，确定归一化后的待处理图像中所述第一区域的归一化后的像素值，其中，所述第一最大置信度表示与多个所述第一区域一一对应的第二置信度中最大的第二置信度。
7.根据权利要求5或6所述的方法，其特征在于，
所述待处理图像包括余弦分量图和正弦分量图；
所述归一化后的待处理图像包括归一化后的余弦分量图和归一化后的正弦分量图；
所述待处理图像对应的去噪图像包括：所述待处理图像的余弦分量图对应的去噪图像和所述待处理图像的正弦分量图对应的去噪图像。
8.根据权利要求5至7中任意一项所述的方法，其特征在于，所述对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像，包括：
将所述归一化后的待处理图像输入预先训练的神经网络，经由所述神经网络对所述归一化后的待处理图像中的多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
9.根据权利要求8所述的方法，其特征在于，在所述将所述归一化后的待处理图像输入预先训练的神经网络之前，所述方法还包括：
获取训练图像、所述训练图像对应的去噪真值图和与所述训练图像中的多个第二区域一一对应的第三置信度，其中，所述训练图像包含深度信息，所述第二区域表示所述训练图像中的区域，且所述第二区域包括至少一个像素；
经由所述神经网络对所述训练图像进行去噪，得到所述训练图像对应的去噪预测图；
对于任一所述第二区域，根据所述第二区域对应的第三置信度，确定损失函数中所述第二区域对应的权重；
根据所述训练图像对应的去噪预测图、所述训练图像对应的去噪真值图和所述损失函数中与多个所述第二区域一一对应的权重，确定所述损失函数的值；
根据所述损失函数的值，训练所述神经网络。
10.根据权利要求9所述的方法，其特征在于，任一所述第二区域对应的第三置信度是所述第二区域对应的置信度的真值。
11.根据权利要求9或10所述的方法，其特征在于，所述经由所述神经网络对所述训练图像进行去噪，得到所述训练图像对应的去噪预测图，包括：
采用所述单调递增的上凸函数，对与多个所述第二区域一一对应的第四置信度进行调整，得到与多个所述第二区域一一对应的第五置信度；
根据与多个所述第二区域一一对应的第五置信度，对多个所述第二区域的像素值进行归一化，得到归一化后的训练图像；
将所述归一化后的训练图像输入所述神经网络，经由所述神经网络输出所述训练图像对应的去噪预测图。
12.根据权利要求9至11中任意一项所述的方法，其特征在于，
在所述第二区域对应的第三置信度小于第一预设值的情况下，所述损失函数中所述第二区域对应的权重为第一权重；
或者，
在所述第二区域对应的第三置信度大于或等于所述第一预设值且所述第二区域对应的第三置信度小于第二预设值的情况下，所述损失函数中所述第二区域对应的权重为第二权重，其中，所述第二预设值大于所述第一预设值，且所述第二权重大于所述第一权重；
或者，
在所述第二区域对应的第三置信度大于或等于所述第二预设值且所述第二区域对应的第三置信度小于第三预设值的情况下，所述损失函数中所述第二区域对应的权重为第三权重，其中，所述第三预设值大于所述第二预设值，所述第三权重小于所述第二权重，且所述第三权重大于所述第一权重；
或者，
在所述第二区域对应的第三置信度大于或等于所述第三预设值的情况下，所述损失函数中所述第二区域对应的权重为第四权重，其中，所述第四权重小于所述第三权重，且所述第四权重大于所述第一权重。
13.根据权利要求9至12中任意一项所述的方法，其特征在于，
所述训练图像包括余弦分量图和正弦分量图；
所述训练图像对应的去噪预测图包括：所述训练图像的余弦分量图对应的去噪预测图和所述训练图像的正弦分量图对应的去噪预测图；
所述训练图像对应的去噪真值图包括：所述训练图像的余弦分量图对应的去噪真值图，以及所述训练图像的正弦分量图对应的去噪真值图；
所述损失函数包括：余弦分量图对应的损失函数和正弦分量图对应的损失函数。
14.根据权利要求13所述的方法，其特征在于，所述损失函数还包括：接收信号与发射信号之间的相位差对应的损失函数。
15.一种图像去噪装置，其特征在于，包括：
第一获取模块，用于获取待处理图像，其中，所述待处理图像包含深度信息；
第二获取模块，用于获取与所述待处理图像中的多个第一区域一一对应的第一置信度，其中，所述第一区域表示所述待处理图像中的区域，且所述第一区域包括至少一个像素；
第一去噪模块，用于根据与多个所述第一区域一一对应的第一置信度，对多个所述第一区域分别进行去噪，得到所述待处理图像对应的去噪图像。
16.一种电子设备，其特征在于，包括：
一个或多个处理器；
用于存储可执行指令的存储器；
其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行权利要求1至14中任意一项所述的方法。
17.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至14中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011581449.3A CN112581406A (zh) | 2020-12-28 | 2020-12-28 | 图像去噪方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011581449.3A CN112581406A (zh) | 2020-12-28 | 2020-12-28 | 图像去噪方法及装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112581406A true CN112581406A (zh) | 2021-03-30 |
Family
ID=75140263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011581449.3A Withdrawn CN112581406A (zh) | 2020-12-28 | 2020-12-28 | 图像去噪方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112581406A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117115003A (zh) * | 2023-02-15 | 2023-11-24 | 荣耀终端有限公司 | 去除噪声的方法及装置 |
-
2020
- 2020-12-28 CN CN202011581449.3A patent/CN112581406A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117115003A (zh) * | 2023-02-15 | 2023-11-24 | 荣耀终端有限公司 | 去除噪声的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
| US11532180B2 (en) | Image processing method and device and storage medium | |
| US20210012523A1 (en) | Pose Estimation Method and Device and Storage Medium | |
| CN107692997B (zh) | 心率检测方法及装置 | |
| CN112001321A (zh) | 网络训练、行人重识别方法及装置、电子设备和存储介质 | |
| CN111340733B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN109446912B (zh) | 人脸图像的处理方法及装置、电子设备和存储介质 | |
| CN108596093B (zh) | 人脸特征点的定位方法及装置 | |
| CN113139947B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111583142A (zh) | 图像降噪方法及装置、电子设备和存储介质 | |
| CN111860373B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
| CN111325786B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN112541971A (zh) | 点云地图构建方法及装置、电子设备和存储介质 | |
| CN113689361B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN112146576A (zh) | 尺寸测量方法及其装置 | |
| CN113506229B (zh) | 神经网络训练和图像生成方法及装置 | |
| CN113538310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN110826463B (zh) | 人脸识别方法及装置、电子设备和存储介质 | |
| CN112581406A (zh) | 图像去噪方法及装置、电子设备和存储介质 | |
| CN112541875A (zh) | 深度图像处理方法及装置、电子设备和存储介质 | |
| CN111784773A (zh) | 图像处理方法及装置、神经网络训练方法及装置 | |
| CN112102300A (zh) | 计数方法及装置、电子设备和存储介质 | |
| CN112801893A (zh) | 图像去噪方法及装置、电子设备和存储介质 | |
| CN112651880B (zh) | 视频数据处理方法及装置、电子设备和存储介质 | |
| CN113689362B (zh) | 图像处理方法及装置、电子设备和存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210330 |
|
| WW01 | Invention patent application withdrawn after publication |