CN113313653A - 一种基于生成式对抗网络的图像去噪声方法及装置 - Google Patents

一种基于生成式对抗网络的图像去噪声方法及装置 Download PDF

Info

Publication number
CN113313653A
CN113313653A CN202110695429.7A CN202110695429A CN113313653A CN 113313653 A CN113313653 A CN 113313653A CN 202110695429 A CN202110695429 A CN 202110695429A CN 113313653 A CN113313653 A CN 113313653A
Authority
CN
China
Prior art keywords
image data
image
denoising
original image
original
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
Application number
CN202110695429.7A
Other languages
English (en)
Inventor
高强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dingtai Zhiyuan Technology Co ltd
Original Assignee
Beijing Dingtai Zhiyuan Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Dingtai Zhiyuan Technology Co ltd filed Critical Beijing Dingtai Zhiyuan Technology Co ltd
Priority to CN202110695429.7A priority Critical patent/CN113313653A/zh
Publication of CN113313653A publication Critical patent/CN113313653A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/10—Segmentation; Edge detection
    • 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

Landscapes

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

Abstract

本发明公开了一种基于生成式对抗网络的图像去噪声方法及装置。其中，该方法包括：获取原始图像数据；将所述原始图像数据进行分割处理，得到第一图像数据；将所述第一图像数据通过图像去噪模型，生成第二图像数据；将所述第二图像数据进行输出。本发明解决了现有技术中的图像去噪声方法往往仅通过固定的去噪声规则对图像数据进行去噪声操作，而不会根据图像输入和输出历史数据进行规则的变化和完善，以便更加适应当前的使用场景，增加图像去噪声的效果的技术问题。

Description

一种基于生成式对抗网络的图像去噪声方法及装置
技术领域
本发明涉及图像数据处理领域，具体而言，涉及一种基于生成式对抗网络的图像去噪声方法及装置。
背景技术
随着智能化的不断发展，在当今的社会中人们利用智能化手段增加了学习、工作、生活的质量和效率，通过智能化手段可以给人们带来不同于传统处理方法的技术效果。
目前，在进行图像数据去噪声的时候，通常利用通用的图像去噪声规则或解析算法，对图像采集设备采集到的图像数据进行去噪声处理，经过去噪声的图像质量会得到显著的提高，便于用户进行后续的图像分析等用途，但是传统的图像去噪声方法往往仅通过固定的去噪声规则对图像数据进行去噪声操作，而不会根据图像输入和输出历史数据进行规则的变化和完善，以便更加适应当前的使用场景，增加图像去噪声的效果。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于生成式对抗网络的图像去噪声方法及装置，以至少解决现有技术中的图像去噪声方法往往仅通过固定的去噪声规则对图像数据进行去噪声操作，而不会根据图像输入和输出历史数据进行规则的变化和完善，以便更加适应当前的使用场景，增加图像去噪声的效果的技术问题。
根据本发明实施例的一个方面，提供了一种基于生成式对抗网络的图像去噪声方法，包括：获取原始图像数据；将所述原始图像数据进行分割处理，得到第一图像数据；将所述第一图像数据通过图像去噪模型，生成第二图像数据；将所述第二图像数据进行输出。
可选的，所述将所述原始图像数据进行分割处理，得到第一图像数据包括：获取所述原始图像数据的图像参数；根据所述图像参数，利用预设规则对所述原始图像数据进行分割，得到所述第一图像数据。
可选的，在所述将所述第一图像数据通过图像去噪模型，生成第二图像数据之前，所述方法还包括：训练所述图像去噪模型。
可选的，在所述将所述第二图像数据进行输出之后，所述方法还包括：将所述第二图像数据作为所述图像去噪模型的输出参数进行反馈和训练。
根据本发明实施例的另一方面，还提供了一种基于生成式对抗网络的图像去噪声装置，包括：获取模块，用于获取原始图像数据；分割模块，用于将所述原始图像数据进行分割处理，得到第一图像数据；去噪模块，用于将所述第一图像数据通过图像去噪模型，生成第二图像数据；输出模块，用于将所述第二图像数据进行输出。
可选的，所述分割模块包括：获取单元，用于获取所述原始图像数据的图像参数；分割单元，用于根据所述图像参数，利用预设规则对所述原始图像数据进行分割，得到所述第一图像数据。
可选的，所述装置还包括：训练模型，用于训练所述图像去噪模型。
可选的，所述装置还包括：反馈模块，用于将所述第二图像数据作为所述图像去噪模型的输出参数进行反馈和训练。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种基于生成式对抗网络的图像去噪声方法。
根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种基于生成式对抗网络的图像去噪声方法。
在本发明实施例中，采用获取原始图像数据；将所述原始图像数据进行分割处理，得到第一图像数据；将所述第一图像数据通过图像去噪模型，生成第二图像数据；将所述第二图像数据进行输出的方式，解决了现有技术中的图像去噪声方法往往仅通过固定的去噪声规则对图像数据进行去噪声操作，而不会根据图像输入和输出历史数据进行规则的变化和完善，以便更加适应当前的使用场景，增加图像去噪声的效果的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种基于生成式对抗网络的图像去噪声方法的流程图；
图2是根据本发明实施例的一种基于生成式对抗网络的图像去噪声装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种基于生成式对抗网络的图像去噪声方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图1是根据本发明实施例的一种基于生成式对抗网络的图像去噪声方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取原始图像数据。
具体的，本发明实施例为了实现将图像数据进行去噪声，需要首先通过图像采集设备获取原始图像数据，并将原始图像数据进行接收和存储，以备后续对原始图像数据进行分析和处理。图像去噪是指减少数字图像中噪声的过程。现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像。噪声是图象干扰的重要原因。一幅图象在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。
步骤S104，将所述原始图像数据进行分割处理，得到第一图像数据。
可选的，所述将所述原始图像数据进行分割处理，得到第一图像数据包括：获取所述原始图像数据的图像参数；根据所述图像参数，利用预设规则对所述原始图像数据进行分割，得到所述第一图像数据。
具体的，在通过图像采集设备采集的原始图像数据之后，需要根据原始图像的特征值来进行图像采取的提取，并根据提取到的图像参数进行图像分割操作，将大图变为小图，以便后续对图像去噪时可以增加去噪声的效率。其中，图像参数的获取可以是根据原始图像数据的像素值，来对图像数据进行提取和计算，并将像素值按照预设的单位和标准进行输出，并在根据像素值分割了图像之后，生成第一图像数据。
步骤S106，将所述第一图像数据通过图像去噪模型，生成第二图像数据。
可选的，在所述将所述第一图像数据通过图像去噪模型，生成第二图像数据之前，所述方法还包括：训练所述图像去噪模型。
具体的，当本发明实施例生成了第一图像数据之后，需要根据图像去噪模型进行第一图像数据的输入，并在输出端输出第二图像数据，其中，第二图像数据就是将第一图像数据经过降噪后的图像数据，图像去噪模型根据深度神经网络算法构建而成，并通过历史数据进行模型的训练。
步骤S108，将所述第二图像数据进行输出。
具体的，由于第一图像数据是经过分割之后的图像数据，因此在经过第一图像数据、第二图像数据的转化之后，需要将碎片化的图像数据进行拼合，其拼合功能可以在将第二图像数据进行输出的时候进行操作，并输出完整的、与原始图像数据对应的图像数据。
可选的，在所述将所述第二图像数据进行输出之后，所述方法还包括：将所述第二图像数据作为所述图像去噪模型的输出参数进行反馈和训练。
通过上述实施例，解决了现有技术中的图像去噪声方法往往仅通过固定的去噪声规则对图像数据进行去噪声操作，而不会根据图像输入和输出历史数据进行规则的变化和完善，以便更加适应当前的使用场景，增加图像去噪声的效果的技术问题。
实施例二
图2是根据本发明实施例的一种基于生成式对抗网络的图像去噪声装置的结构框图，如图2所示，该装置包括：
获取模块20，用于获取原始图像数据。
具体的，本发明实施例为了实现将图像数据进行去噪声，需要首先通过图像采集设备获取原始图像数据，并将原始图像数据进行接收和存储，以备后续对原始图像数据进行分析和处理。图像去噪是指减少数字图像中噪声的过程。现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像。噪声是图象干扰的重要原因。一幅图象在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。
分割模块22，用于将所述原始图像数据进行分割处理，得到第一图像数据。
可选的，所述分割模块包括：获取单元，用于获取所述原始图像数据的图像参数；分割单元，用于根据所述图像参数，利用预设规则对所述原始图像数据进行分割，得到所述第一图像数据。
具体的，在通过图像采集设备采集的原始图像数据之后，需要根据原始图像的特征值来进行图像采取的提取，并根据提取到的图像参数进行图像分割操作，将大图变为小图，以便后续对图像去噪时可以增加去噪声的效率。其中，图像参数的获取可以是根据原始图像数据的像素值，来对图像数据进行提取和计算，并将像素值按照预设的单位和标准进行输出，并在根据像素值分割了图像之后，生成第一图像数据。
去噪模块24，用于将所述第一图像数据通过图像去噪模型，生成第二图像数据。
可选的，所述装置还包括：训练模型，用于训练所述图像去噪模型。
具体的，当本发明实施例生成了第一图像数据之后，需要根据图像去噪模型进行第一图像数据的输入，并在输出端输出第二图像数据，其中，第二图像数据就是将第一图像数据经过降噪后的图像数据，图像去噪模型根据深度神经网络算法构建而成，并通过历史数据进行模型的训练。
输出模块26，用于将所述第二图像数据进行输出。
具体的，由于第一图像数据是经过分割之后的图像数据，因此在经过第一图像数据、第二图像数据的转化之后，需要将碎片化的图像数据进行拼合，其拼合功能可以在将第二图像数据进行输出的时候进行操作，并输出完整的、与原始图像数据对应的图像数据。
可选的，所述装置还包括：反馈模块，用于将所述第二图像数据作为所述图像去噪模型的输出参数进行反馈和训练。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种基于生成式对抗网络的图像去噪声方法。
具体的，上述方法还包括：获取原始图像数据；将所述原始图像数据进行分割处理，得到第一图像数据；将所述第一图像数据通过图像去噪模型，生成第二图像数据；将所述第二图像数据进行输出。
根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种基于生成式对抗网络的图像去噪声方法。
具体的，上述方法还包括：获取原始图像数据；将所述原始图像数据进行分割处理，得到第一图像数据；将所述第一图像数据通过图像去噪模型，生成第二图像数据；将所述第二图像数据进行输出。
通过上述实施例，解决了现有技术中的图像去噪声方法往往仅通过固定的去噪声规则对图像数据进行去噪声操作，而不会根据图像输入和输出历史数据进行规则的变化和完善，以便更加适应当前的使用场景，增加图像去噪声的效果的技术问题。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于生成式对抗网络的图像去噪声方法，其特征在于，包括：
获取原始图像数据；
将所述原始图像数据进行分割处理，得到第一图像数据；
将所述第一图像数据通过图像去噪模型，生成第二图像数据；
将所述第二图像数据进行输出。
2.根据权利要求1所述的方法，其特征在于，所述将所述原始图像数据进行分割处理，得到第一图像数据包括：
获取所述原始图像数据的图像参数；
根据所述图像参数，利用预设规则对所述原始图像数据进行分割，得到所述第一图像数据。
3.根据权利要求1所述的方法，其特征在于，在所述将所述第一图像数据通过图像去噪模型，生成第二图像数据之前，所述方法还包括：
训练所述图像去噪模型。
4.根据权利要求1所述的方法，其特征在于，在所述将所述第二图像数据进行输出之后，所述方法还包括：
将所述第二图像数据作为所述图像去噪模型的输出参数进行反馈和训练。
5.一种基于生成式对抗网络的图像去噪声装置，其特征在于，包括：
获取模块，用于获取原始图像数据；
分割模块，用于将所述原始图像数据进行分割处理，得到第一图像数据；
去噪模块，用于将所述第一图像数据通过图像去噪模型，生成第二图像数据；
输出模块，用于将所述第二图像数据进行输出。
6.根据权利要求5所述的装置，其特征在于，所述分割模块包括：
获取单元，用于获取所述原始图像数据的图像参数；
分割单元，用于根据所述图像参数，利用预设规则对所述原始图像数据进行分割，得到所述第一图像数据。
7.根据权利要求5所述的装置，其特征在于，所述装置还包括：
训练模型，用于训练所述图像去噪模型。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括：
反馈模块，用于将所述第二图像数据作为所述图像去噪模型的输出参数进行反馈和训练。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至4中任意一项所述的方法。
10.一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行权利要求1至4中任意一项所述的方法。
CN202110695429.7A 2021-06-23 2021-06-23 一种基于生成式对抗网络的图像去噪声方法及装置 Pending CN113313653A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110695429.7A CN113313653A (zh) 2021-06-23 2021-06-23 一种基于生成式对抗网络的图像去噪声方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110695429.7A CN113313653A (zh) 2021-06-23 2021-06-23 一种基于生成式对抗网络的图像去噪声方法及装置

Publications (1)

Publication Number Publication Date
CN113313653A true CN113313653A (zh) 2021-08-27

Family

ID=77379857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110695429.7A Pending CN113313653A (zh) 2021-06-23 2021-06-23 一种基于生成式对抗网络的图像去噪声方法及装置

Country Status (1)

Country Link
CN (1) CN113313653A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115293985A (zh) * 2022-08-11 2022-11-04 北京拙河科技有限公司 一种用于图像优化的超分降噪方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805840A (zh) * 2018-06-11 2018-11-13 Oppo（重庆）智能科技有限公司 图像去噪的方法、装置、终端及计算机可读存储介质
CN110458778A (zh) * 2019-08-08 2019-11-15 深圳市灵明光子科技有限公司 一种深度图像去噪方法、装置及存储介质
CN113012068A (zh) * 2021-03-16 2021-06-22 深圳壹账通智能科技有限公司 图像去噪方法、装置、电子设备及计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805840A (zh) * 2018-06-11 2018-11-13 Oppo（重庆）智能科技有限公司 图像去噪的方法、装置、终端及计算机可读存储介质
CN110458778A (zh) * 2019-08-08 2019-11-15 深圳市灵明光子科技有限公司 一种深度图像去噪方法、装置及存储介质
CN113012068A (zh) * 2021-03-16 2021-06-22 深圳壹账通智能科技有限公司 图像去噪方法、装置、电子设备及计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115293985A (zh) * 2022-08-11 2022-11-04 北京拙河科技有限公司 一种用于图像优化的超分降噪方法及装置
CN115293985B (zh) * 2022-08-11 2023-04-07 北京拙河科技有限公司 一种用于图像优化的超分降噪方法及装置

Similar Documents

Publication Publication Date Title
CN108198154B (zh) 图像去噪方法、装置、设备及存储介质
US20140072242A1 (en) Method for increasing image resolution
CN109993824B (zh) 图像处理方法、智能终端及具有存储功能的装置
KR20010022487A (ko) 이미지 및 신호 처리를 위한 장치 및 방법
CN116363261B (zh) 图像编辑模型的训练方法、图像编辑方法和装置
CN110136055B (zh) 图像的超分辨率方法和装置、存储介质、电子装置
CN110070484B (zh) 图像处理、图像美化方法、装置和存储介质
CN110969572B (zh) 换脸模型训练方法、人脸互换方法、装置及电子设备
EP2034436A1 (en) Method for non-photorealistic rendering
JP2006081156A (ja) 画像処理装置および方法並びにプログラム
CN113870283B (zh) 人像抠图方法、装置、计算机设备及可读存储介质
CN110958469A (zh) 视频处理方法、装置、电子设备及存储介质
CN105979283A (zh) 视频转码方法和装置
CN112906806A (zh) 一种基于神经网络的数据优化方法及装置
Sun et al. Optimal pre-filtering for improving Facebook shared images
CN113313653A (zh) 一种基于生成式对抗网络的图像去噪声方法及装置
Galetto et al. Edge-aware filter based on adaptive patch variance weighted average
CN117292020B (zh) 图像生成方法、装置、电子设备及存储介质
CN111260590B (zh) 图像降噪方法及相关产品
CN115393241A (zh) 医学图像增强方法、装置、电子设备及可读存储介质
CN114782969A (zh) 一种基于生成对抗网络的图像表格数据提取方法及装置
WO2022149127A1 (en) Method of training a neural network configured for converting 2d images into 3d models
CN113409187A (zh) 漫画风格图像的转换方法、装置、计算机设备及存储介质
CN103077396B (zh) 一种彩色图像的向量空间特征点提取方法及装置
CN106934335B (zh) 图像识别的方法和装置

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