CN113538281A - 图像去噪方法、装置、计算机设备和存储介质 - Google Patents

图像去噪方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113538281A
CN113538281A CN202110822624.1A CN202110822624A CN113538281A CN 113538281 A CN113538281 A CN 113538281A CN 202110822624 A CN202110822624 A CN 202110822624A CN 113538281 A CN113538281 A CN 113538281A
Authority
CN
China
Prior art keywords
image
denoising
sampling
sample
sample data
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.)
Granted
Application number
CN202110822624.1A
Other languages
English (en)
Other versions
CN113538281B (zh
Inventor
石大明
万博文
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202110822624.1A priority Critical patent/CN113538281B/zh
Publication of CN113538281A publication Critical patent/CN113538281A/zh
Application granted granted Critical
Publication of CN113538281B publication Critical patent/CN113538281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种图像去噪方法、装置、计算机设备和存储介质。所述方法包括：获取待去噪图像；采用预先训练的至少两个图像去噪模型对待去噪图像去噪，获得各图像去噪模型的初始去噪图像，各图像去噪模型对应至少两个初始去噪图像；对各初始去噪图像进行融合处理，获得目标去噪图像；各图像去噪模型的训练过程为：获取各类样本数据集，样本数据集的数据为：采用该样本数据集的类型的采样比例，对各原始噪声图像采样得到的样本噪声图像块；采用各类样本数据集，对各类对应的神经网络模型训练，获得各图像去噪模型，神经网络模型为设置节点损失率的神经网络模型，神经网络模型的节点损失率与该类型的采样比例相同。采用本方法可提高图像去噪的精度。

Description

图像去噪方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种图像去噪方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，出现了图像去噪技术，图像去噪技术为计算机视觉的高层次任务提供了基础，图像去噪最早是使用滤波等复杂的数学方法来处理，然而这种方法难度高且效果往往不佳。
为了解决上述问题，现有技术中一般基于深度学习进行图像去噪，然而当前在基于深度学习进行图像去噪时，存在严重的过平滑问题，导致图像去噪结果精度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高图像去噪精度的图像去噪方法、装置、计算机设备和存储介质。
一种图像去噪方法，所述方法包括：
获取待去噪图像；
采用预先训练的至少两个图像去噪模型对所述待去噪图像进行图像去噪，获得各所述图像去噪模型对应的初始去噪图像，任意一个所述图像去噪模型对应至少两个所述初始去噪图像；
对各初始去噪图像进行融合处理，获得目标去噪图像；
各所述图像去噪模型的训练过程包括：
获取各类型的样本数据集，所述样本数据集中的数据包括：采用该样本数据集的类型对应的采样比例，对各原始噪声图像进行采样后得到的样本噪声图像块；
采用各所述类型的所述样本数据集，分别对与各所述类型对应的神经网络模型进行模型训练，获得训练后的各所述图像去噪模型，各所述神经网络模型为在原始神经网络模型中设置神经元节点损失率后的神经网络模型，各所述类型对应的神经网络模型的神经元节点损失率，与该类型对应的采样比例相同。
在其中一个实施例中，所述获取各类型的样本数据集，包括：
采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，获得各所述原始噪声图像的样本噪声图像块；
基于各所述样本噪声图像块，获取各类型的样本数据集。
在其中一个实施例中，采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，包括：采用各样本数据集的类型对应的采样比例，依次对各所述原始噪声图像进行伯努利采样，获得与所述原始噪声图像对应的各采样比例的样本噪声图像块；
所述基于各所述样本噪声块，获得各类型的样本数据集，包括：将相同采样比例的各所述样本噪声图像块分为一组，作为该采样比例对应类型的样本数据集。
在其中一个实施例中，采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，包括：依次获取目标采样比例，按照目标采样比例对各所述原始噪声图像进行伯努利采样，获得所述目标采样比例对应的各样本噪声图像块，将各所述样本噪声图像块作为所述目标采样比例对应类型的样本数据集；所述目标采样比例为各所述采样比例中的一种。
在其中一个实施例中，所述采用各所述类型的所述样本数据集，分别对与各所述类型对应的神经网络模型进行模型训练，获得训练后的各所述图像去噪模型，包括：
采用与各所述类型对应的神经网络模型，对各所述类型的所述样本数据集进行图像去噪，获得各所述神经网络模型对应的样本去噪图像，所述任意一个神经网络模型对应至少两个样本去噪图像；
获取各所述样本去噪图像对应的监督图像，所述监督图像为所述样本噪声图像块对应的原始噪声图像中，未被采样的噪声图像块；
基于各所述样本去噪图像和各所述样本去噪图像对应的监督图像，获得各所述样本去噪图像与各所述监督图像的误差值；
在各所述误差值确定未达到模型训练条件时，将所述误差值反向传播，更新各所述神经网络模型的权重和偏置，直至达到所述模型训练结束条件，得到各所述图像去噪模型。
在其中一个实施例中，所述对各所述初始去噪图像进行融合处理，获得目标去噪图像，包括：
对于各所述图像去噪模型对应的初始去噪图像，均执行下述过程：对该图像去噪模型对应的各所述初始去噪图像进行平均化处理，获得平均化初始去噪图像；
基于各所述平均化初始去噪图像，获得目标去噪图像。
在其中一个实施例中，基于各所述平均化初始去噪图像，获得目标去噪图像，包括：
获取各所述平均化初始去噪图像对应的超参数；
将各所述平均化初始去噪图像与其对应的超参数相乘，得到对应的特征融合去噪图像；
根据各所述特征融合去噪图像，获得目标去噪图像。
在其中一个实施例中，所述根据各所述特征融合去噪图像，获得目标去噪图像，包括：
叠加各所述特征融合去噪图像，获得目标去噪图像。
一种图像去噪装置，所述装置包括：
图像获取模块，用于获取待去噪图像；
初始去噪图像获取模块，用于采用预先训练的至少两个图像去噪模型对所述待去噪图像进行图像去噪，获得各所述图像去噪模型对应的初始去噪图像，任意一个所述图像去噪模型对应至少两个所述初始去噪图像；
目标去噪图像获取模块，用于对各初始去噪图像进行融合处理，获得目标去噪图像；
图像去噪模型训练模块，用于训练获得所述图像去噪模型，具体包括：获取各类型的样本数据集，所述样本数据集中的数据包括：采用该样本数据集的类型对应的采样比例，对各原始噪声图像进行采样后得到的样本噪声图像块；采用各所述类型的所述样本数据集，分别对与各所述类型对应的神经网络模型进行模型训练，获得训练后的各所述图像去噪模型，各所述神经网络模型为在原始神经网络模型中设置神经元节点损失率后的神经网络模型，各所述类型对应的神经网络模型的神经元节点损失率，与该类型对应的采样比例相同。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述图像去噪方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述图像去噪方法的步骤。
上述图像去噪方法、装置、计算机设备和存储介质，通过获取待去噪图像；并采用训练好的各图像去噪模型分别对待去噪图像进行去噪，从而可以得到各图像去噪模型对应的初始去噪图像，其中，任意一个图像去噪模型对应至少两个初始去噪图像，再对各初始去噪图像进行融合处理，得到目标去噪图像，其中，
各图像去噪模型的训练过程，包括：通过获取各类型的样本数据集，样本数据集中的数据包括：采用该样本数据集的类型对应的采样比例，对各原始噪声图像进行采样后得到的样本噪声图像块。基于各类型的样本数据集，从而可以分别对与各类型对应的神经网络模型进行模型训练，最终获得训练后的各图像去噪模型，其中，各神经网络模型为在原始神经网络模型中设置神经元节点损失率后的神经网络模型，各类型对应的神经网络模型的神经元节点损失率，与该类型对应的采样比例相同。采用上述实施例方法，可以有效提高图像去噪的精度。
附图说明
图1为一个实施例中图像去噪方法的应用环境图；
图2为一个实施例中图像去噪方法的流程示意图；
图3为一个实施例中图像去噪模型的训练过程的流程示意图；
图4为另一个实施例中图像去噪方法的流程示意图；
图5为一个实施例中图像去噪装置的结构框图；
图6为一个实施例中计算机设备的内部结构图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在其中一个实施例中，本申请提供的图像去噪方法，其应用环境可以同时涉及终端102和服务器104，如图1所示，终端102可以通过网络或协议等通信方式与服务器104进行通信。其中，各图像去噪模型可以由服务器104训练得到，也可以由终端102训练得到。
具体地，以各图像去噪模型均由服务器104训练得到为例，服务器104可以通过终端102获取待去噪图像；采用预先训练的至少两个图像去噪模型对待去噪图像进行图像去噪，获得各图像去噪模型对应的初始去噪图像，任意一个图像去噪模型对应至少两个初始去噪图像。其中，各图像去噪模型的训练过程，包括：获取各类型的样本数据集，样本数据集中的数据包括：采用该样本数据集的类型对应的采样比例，对各原始噪声图像进行采样后得到的样本噪声图像块；采用各类型的样本数据集，分别对与各类型对应的神经网络模型进行模型训练，获得训练后的各图像去噪模型，各神经网络模型为在原始神经网络模型中设置神经元节点损失率后的神经网络模型，各类型对应的神经网络模型的神经元节点损失率，与该类型对应的采样比例相同。
在其中一个实施例中，本申请提供的图像去噪方法，其应用环境可以只涉及服务器104。具体地，以各图像检测模型均由服务器104训练得到为例，服务器104可以直接获取待去噪图像，并采用预先训练的至少两个图像去噪模型对待去噪图像进行图像去噪，得到待去噪图像对应的初始去噪对象，并对初始去噪图像进行融合处理，获得目标去噪图像。
在其中一个实施例中，本申请提供的图像去噪方法，其应用环境还可以只涉及终端102。具体地，以各图像去噪模型均由终端102训练得到为例，终端102可以获取待去噪图像，并采用预先训练的至少两个图像去噪模型对待去噪图像进行图像去噪，得到待去噪图像对应的初始去噪对象，并对初始去噪图像进行融合处理，获得目标去噪图像。
其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种图像去噪方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤S202，获取待去噪图像。
在其中一个实施例中，待去噪图像是指需要进行去噪的噪声图像，待去噪图像在图像上可以表现为引起较强视觉效果的孤立像素点或像素块，在获取待去噪图像之后，可以采用任意图像采样算法对待去噪图像进行采样，只要能够获得待去噪的噪声图像块即可，其中，图像采样算法可以为泊松采样、伯努利采样等。
步骤S204，采用预先训练的至少两个图像去噪模型对所述待去噪图像进行图像去噪，获得各所述图像去噪模型对应的初始去噪图像，任意一个所述图像去噪模型对应至少两个所述初始去噪图像。
在其中一个实施例中，各图像去噪模型是通过预先训练得到的。当获得待去噪图像之后，通过对待去噪图像进行采样，获得待去噪的多个噪声图像块，并采用预先训练的图像去噪模型对各噪声图像块进行图像去噪，获得各图像去噪模型对应的初始去噪图像，任意一个图像去噪模型对应至少两个初始去噪图像。
在其中一个实施例中，可以对待去噪图像进行伯努利采样，其中，伯努利采样的采样比例可以设置为百分之30、百分之40，则针对待去噪图像，当采样比例为百分之30时，可以采样得到对应的噪声图像块，当设置采样比例为百分之40时，可以采样得到对应的噪声图像块。在得到不同采样比例下的噪声图像块之后，则可以将不同采样比例下得到的噪声图像块输入至预先训练的图像去噪模型，如，将采样比例设置为百分之30时，采样得到的噪声图像块输入至其中一个图像去噪模型中进行去噪，将采样比例设置为百分之40时，采样得到的噪声图像块输入至另一个图像去噪模型中进行去噪，任意一个图像去噪模型对应至少两个所述初始去噪图像。
步骤S206，对各初始去噪图像进行融合处理，获得目标去噪图像。
其中，融合处理是指对得到的各初始去噪图像的不同维度的特征进行特征融合，当对各初始去噪图像进行融合处理之后，则可以得到目标去噪图像。
在其中一个实施例中，如图3所示，提供了一种图像去噪方法中的各图像去噪模型的训练过程，以该训练过程应用于训练得到各图像去噪模型的终端102和/或服务器104为例进行说明，包括以下步骤：
步骤S302，获取各类型的样本数据集，所述样本数据集中的数据包括：采用该样本数据集的类型对应的采样比例，对各原始噪声图像进行采样后得到的样本噪声图像块。
在其中一个实施例中，样本数据集的类型与对各原始噪声图像进行采样时的采样比例对应，例如，当采样比例为百分之30时，则可以对应一种样本数据集，当采样比例为百分之40时，则可以对应另一种样本数据集，样本数据集中的数据包括对各原始噪声图像进行采样后得到的样本噪声图像块。
步骤S304，采用各所述类型的所述样本数据集，分别对与各所述类型对应的神经网络模型进行模型训练，获得训练后的各所述图像去噪模型，各所述神经网络模型为在原始神经网络模型中设置神经元节点损失率后的神经网络模型，各所述类型对应的神经网络模型的神经元节点损失率，与该类型对应的采样比例相同。
在其中一个实施例中，神经元节点损失率是指可以使得神经网络模型的神经元激活值，以设置的神经元节点损失率停止工作。当获得各类型的样本数据集之后，则可以分别对各类型的样本数据集对应的神经网络模型进行模型训练，其中，神经网络模型为在原始神经网络模型中设置神经元节点损失率之后的神经网络模型，各神经网络模型的神经元节点损失率，与该样本数据集的类型对应的采样比例相同。例如，样本数据集的类型对应的采样比例包括百分之30和百分之40时，则设置的神经网络模型的神经元节点损失率包括百分之30和百分之40。
上述图像去噪方法中，通过获取待去噪图像；并采用训练好的各图像去噪模型分别对待去噪图像进行去噪，从而可以得到各图像去噪模型对应的初始去噪图像，其中，任意一个图像去噪模型对应至少两个初始去噪图像，再对各初始去噪图像进行融合处理，得到目标去噪图像，其中，各图像去噪模型的训练过程，包括：通过获取各类型的样本数据集，样本数据集中的数据包括：采用该样本数据集的类型对应的采样比例，对各原始噪声图像进行采样后得到的样本噪声图像块。基于各类型的样本数据集，从而可以分别对与各类型对应的神经网络模型进行模型训练，最终获得训练后的各图像去噪模型，其中，各神经网络模型为在原始神经网络模型中设置神经元节点损失率后的神经网络模型，各类型对应的神经网络模型的神经元节点损失率，与该类型对应的采样比例相同。采用上述实施例方法，可以有效提高图像去噪的精度。
在其中一个实施例中，所述获取各类型的样本数据集，包括：
采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，获得各所述原始噪声图像的样本噪声图像块；
基于各所述样本噪声图像块，获取各类型的样本数据集。
在其中一个实施例中，伯努利采样是指当各原始噪声图像满足伯努利分布时，通过指定采样比例，则可以对各原始噪声图像进行随机采样，得到各原始噪声图像的样本噪声图像块。具体的，在进行伯努利采样时，可以将伯努利矩阵中的元素与各原始噪声图像的元素对应相乘，获得各原始噪声图像的样本噪声图像块，其中，伯努利矩阵中的各个元素，均以各样本数据集的类型对应的采样比例设置为0，其中，伯努利采样公式为：
Figure BDA0003172513270000081
其中，
Figure BDA0003172513270000082
表示采样得到的样本噪声图像块，bm表示伯努利矩阵，y表示原始噪声图像，⊙表示逐元素相乘。
在其中一个实施例中，在对各原始噪声图像进行采样时，可以采用和样本数据集的类型对应的采样比例，对各原始噪声图像进行采样，得到各原始噪声图像的噪声图像块，基于各样本噪声图像块，获取各类型的样本数据集。从而通过上述方法可以针对各原始噪声图像，获取各类型的样本数据集。
在其中一个实施例中，所述采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，包括：
采用各样本数据集的类型对应的采样比例，依次对各所述原始噪声图像进行伯努利采样，获得与所述原始噪声图像对应的各采样比例的样本噪声图像块；
所述基于各所述样本噪声块，获得各类型的样本数据集，包括：将相同采样比例的各所述样本噪声图像块分为一组，作为该采样比例对应类型的样本数据集。
在其中一个实施例中，在对各原始噪声图像进行伯努利采样时，可以采用与各类型对应的采样比例，依次对各原始噪声图像进行伯努利采样，例如，原始噪声图像包括原始噪声图像A、原始噪声图像B以及原始噪声图像C，各样本数据集的类型对应的采样比例包括：百分之30、百分之40、百分之50。
在其中一个实施例中，可以设定对原始噪声图像A、原始噪声图像B以及原始噪声图像C均采用3种采样比例进行采样，具体的，可以采用各采样比例先对原始噪声图像A进行伯努利采样，再对原始噪声图像B进行伯努利采样，最后对原始噪声图像C进行伯努利采样，基于不同的采样比例，各原始噪声图像均可以得到对应的样本噪声图像块。当伯努利采样结束之后，则可以将相同采样比例的各样本噪声图像块分为一组，作为该采样比例对应类型的样本数据集，例如，可以将对原始噪声图像A进行伯努利采样时，设置采样比例为百分之30时，得到的样本噪声图像块，与对原始噪声图像B以及原始噪声图像C进行采样时，设置采样比例为百分之30时，得到的样本噪声图像块分为一组。从而通过上述方法，可以将相同采样比例的各样本噪声图像块分为一组。
在其中一个实施中，可以设定对原始噪声图像A采用百分之30、百分之40的采样比例进行伯努利采样，设定对原始噪声图像B采用百分之40、百分之50的采样比例进行伯努利采样，以及设定对原始噪声图像C采用百分之30、百分之40的采样比例进行伯努利采样，基于不同的采样比例，各原始噪声图像均可以得到对应的样本噪声图像块。当伯努利采样结束之后，则可以将相同采样比例的各样本噪声图像块分为一组，作为该采样比例对应类型的样本数据集。
在其中一个实施例中，采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，包括：依次获取目标采样比例，按照目标采样比例对各所述原始噪声图像进行伯努利采样，获得所述目标采样比例对应的各样本噪声图像块，将各所述样本噪声图像块作为所述目标采样比例对应类型的样本数据集；所述目标采样比例为各所述采样比例中的一种。
在其中一个实施例中，目标采样比例可以包括：百分之30、百分之40，各目标采样比例对应有待采样的原始噪声图像，例如，目标采样比例为百分之30时，对应有原始噪声图像A和原始噪声图像B，目标采样比例为百分之40时，对应有原始噪声图像C、原始噪声图像D以及原始噪声图像E，通过获取目标采样比例，并根据目标采样比例，对各原始噪声图像进行伯努利采样，获得目标采样比例对应的各样本噪声图像块，将各样本噪声图像块作为目标采样比例对应类型的样本数据集，其中，目标采样比例为各采样比例中的一种。从而通过上述方法可以将相同采样比例的各样本噪声图像块分为一组。
在其中一个实施例中，所述采用各所述类型的所述样本数据集，分别对与各所述类型对应的神经网络模型进行模型训练，获得训练后的各所述图像去噪模型，包括：
采用与各所述类型对应的神经网络模型，对各所述类型的所述样本数据集进行图像去噪，获得各所述神经网络模型对应的样本去噪图像，所述任意一个神经网络模型对应至少两个样本去噪图像；
获取各所述样本去噪图像对应的监督图像，所述监督图像为所述样本噪声图像块对应的原始噪声图像中，未被采样的噪声图像块；
基于各所述样本去噪图像和各所述样本去噪图像对应的监督图像，获得各所述样本去噪图像与各所述监督图像的误差值；
在各所述误差值确定未达到模型训练条件时，将所述误差值反向传播，更新各所述神经网络模型的权重和偏置，直至达到所述模型训练结束条件，得到各所述图像去噪模型。
在其中一个实施例中，使用到的神经网络模型可以为自编码神经网络模型，其中，自编码神经网络模型的结构包括：输入层、编码层、解码层以及输出层，其中，编码层可以由多个编码器块组成，各编码器块由卷积层、线性激活层以及最大池化层组成，解码层可以由多个解码器块组成，各解码器块可以由采样层、级联操作层、两个标准卷积层、线性激活层组成。在其中一个实施例中，自编码神经网络模型的编码层包括6个编码器块，其中，前5个编码器块由卷积层、线性激活层以及最大池化层组成，第6个没有最大池化层，通道数固定为48。自编码神经网络模型的解码层包括五个解码器块，其中，前4个解码器块由上采样层、级联操作、两个标准卷积层、线性激活层组成，最后1个解码器块包含可以设置神经元节点损失率的卷积层，可以得到样本去噪图像。
在其中一个实施例中，可以设置其中一个自编码神经网络模型的相关参数，具体为：卷积层的卷积核大小设置为3×3，线性激活层的超参数设置为0.1，神经元节点损失率为0.3，伯努利采样比例为0.3，训练算法为L2型(均方误差)损失函数。设置另一个自编码神经网络模型的相关参数，具体为：卷积层的卷积核大小为3×3，线性激活层的超参数设置为0.1，神经元节点损失率为0.4，伯努利采样比例为0.4，训练算法为L2型损失函数。
在其中一个实施例中，L2型损失函数的公式为：
Figure BDA0003172513270000111
其中，Fθ表示待训练的自编码神经网络模型，
Figure BDA0003172513270000112
表示样本噪声图像块，
Figure BDA0003172513270000113
表示样本去噪图像，
Figure BDA0003172513270000114
表示样本噪声图像块对应的原始噪声图像中，未被采样的噪声图像块，min表示最小值。
在其中一个实施例中，采用两个自编码神经网络模型，对两种类型的样本数据集进行图像去噪，获得两个自编码神经网络模型对应的样本去噪图像，其中，任意一个自编码神经网络模型，均可以获得至少两个样本去噪图像，通过获取各样本去噪图像对应的监督图像，基于各样本去噪图像和各样本去噪图像对应的监督图像，获得各样本去噪图像与各监督图像的误差值，其中，监督图像为样本噪声图像块对应的原始噪声图像中，未被采样的噪声图像块，在各误差值确定未达到模型训练条件时，将误差值反向传播，更新各神经网络模型的权重和偏置，直至达到模型训练结束条件，得到各图像去噪模型。通过上述方法可以得到图像去噪模型。
在其中一个实施例中，所述对各所述初始去噪图像进行融合处理，获得目标去噪图像，包括：
对于各所述图像去噪模型对应的初始去噪图像，均执行下述过程：对该图像去噪模型对应的各所述初始去噪图像进行平均化处理，获得平均化初始去噪图像；
基于各所述平均化初始去噪图像，获得目标去噪图像。
在其中一个实施例中，当通过各图像去噪模型得到初始去噪图像之后，可以对各图像去噪模型得到的初始去噪图像进行平均化处理，其中，任意一个图像去噪模型均可以得到至少两个初始去噪图像，通过对图像去噪模型对应的初始去噪图像进行平均化处理，可以得到各平均化初始去噪图像。其中，平均化处理的过程可以为，针对任意一个图像去噪模型得到的初始去噪图像，计算该图像去噪模型的初始去噪图像的像素均值。从而通过上述方法可以使得图像去噪模型对应的初始去噪图像的特征具有同一性。
在其中一个实施例中，基于各所述平均化初始去噪图像，获得目标去噪图像，包括：
获取各所述平均化初始去噪图像对应的超参数；
将各所述平均化初始去噪图像与其对应的超参数相乘，得到对应的特征融合去噪图像；
根据各所述特征融合去噪图像，获得目标去噪图像。
在其中一个实施例中，在得到各平均化初始去噪图像之后，可以针对每一个平均化初始去噪图像，引入其对应的超参数，并将均化初始去噪图像与对应的超参数相乘，得到对应的特征融合图像。从而通过上述方法可以促进不同维度特征的图像的融合。
在其中一个实施例中，所述根据各所述特征融合去噪图像，获得目标去噪图像，包括：
叠加各所述特征融合去噪图像，获得目标去噪图像。
在其中一个实施例中，可以通过叠加各特征融合去噪图像，获得目标去噪图像。从而通过上述方法可以实现获得目标去噪图像。
在其中一个实施例中，可以通过如下公式表示：初始去噪图像得到目标去噪图像的过程：
Figure BDA0003172513270000131
其中，x*表示目标去噪图像，cn表示超参数，
Figure BDA0003172513270000132
表示平均化初始去噪图像，n表示初始去噪图像的个数，
Figure BDA0003172513270000133
表示初始去噪图像，其中，通过对初始去噪图像进行平均化处理，得到平均化初始去噪图像，然后引入超参数，将各平均化初始去噪图像与其对应的超参数相乘，得到对应的特征融合去噪图像，最后叠加各特征融合去噪图像，获得目标去噪图像。
在一个实施例中，如图4所示，为一个具体实施例中图像去噪方法的流程示意图：
首先，获得待去噪图像，待去噪图像是指需要进行去噪的噪声图像，待去噪图像在图像上可以表现为引起较强视觉效果的孤立像素点或像素块，在获取待去噪图像之后，可以采用任意图像采样算法对待去噪图像进行采样，只要能够获得待去噪的噪声图像块即可，其中，图像采样算法可以为泊松采样、伯努利采样等。
当获得待去噪图像之后，通过对待去噪图像进行采样，获得待去噪的多个噪声图像块，并采用预先训练的图像去噪模型对各噪声图像块进行图像去噪，获得各图像去噪模型对应的初始去噪图像，任意一个图像去噪模型对应至少两个初始去噪图像。
当获得各初始去噪图像之后，可以对各初始去噪图像进行融合处理，得到目标去噪图像，其中，融合处理是指对得到的各初始去噪图像的不同维度的特征进行特征融合。
在其中一个实施例中，各图像去噪模型的训练过程为：获取各类型的样本数据集，所述样本数据集中的数据包括：采用该样本数据集的类型对应的采样比例，对各原始噪声图像进行采样后得到的样本噪声图像块，其中，样本数据集的类型与对各原始噪声图像进行采样时的采样比例对应，例如，当采样比例为百分之30时，则可以对应一种样本数据集，当采样比例为百分之40时，则可以对应另一种样本数据集，样本数据集中的数据包括对各原始噪声图像进行采样后得到的样本噪声图像块。
在其中一个实施例中，可以通过对各原始噪声图像进行伯努利采样，获得各原始噪声图像的样本噪声图像块，伯努利采样是指当各原始噪声图像满足伯努利分布时，通过指定采样比例，则可以对各原始噪声图像进行随机采样，得到各原始噪声图像的样本噪声图像块。具体的，在进行伯努利采样时，可以将伯努利矩阵中的元素与各原始噪声图像的元素对应相乘，获得各原始噪声图像的样本噪声图像块，其中，伯努利矩阵中的各个元素，均以各样本数据集的类型对应的采样比例设置为0。
在其中一个实施例中，在对各原始噪声图像进行伯努利采样时，可以采用与各类型对应的采样比例，依次对各原始噪声图像进行伯努利采样，例如，原始噪声图像包括原始噪声图像A、原始噪声图像B以及原始噪声图像C，各样本数据集的类型对应的采样比例包括：百分之30、百分之40、百分之50。在其中一个实施中，可以设定对原始噪声图像A采用百分之30、百分之40的采样比例进行伯努利采样，设定对原始噪声图像B采用百分之40、百分之50的采样比例进行伯努利采样，以及设定对原始噪声图像C采用百分之30、百分之40的采样比例进行伯努利采样，基于不同的采样比例，各原始噪声图像均可以得到对应的样本噪声图像块。当伯努利采样结束之后，则可以将相同采样比例的各样本噪声图像块分为一组，作为该采样比例对应类型的样本数据集。
在获得各类型的样本数据集之后，可以分别对与各类型对应的神经网络模型进行模型训练，获得训练后的各图像去噪模型，各神经网络模型为在原始神经网络模型中设置神经元节点损失率后的神经网络模型，各类型对应的神经网络模型的神经元节点损失率，与该类型对应的采样比例相同。
在其中一个实施例中，神经元节点损失率是指可以使得神经网络模型的神经元激活值，以设置的神经元节点损失率停止工作。当获得各类型的样本数据集之后，则可以分别对各类型的样本数据集对应的神经网络模型进行模型训练，其中，神经网络模型为在原始神经网络模型中设置神经元节点损失率之后的神经网络模型，各神经网络模型的神经元节点损失率，与该样本数据集的类型对应的采样比例相同。例如，样本数据集的类型对应的采样比例包括百分之30和百分之40时，则设置的神经网络模型的神经元节点损失率包括百分之30和百分之40。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种图像去噪装置，包括：图像获取模块、初始去噪图像获取模块、目标去噪图像获取和图像去噪模型训练模块，
其中：
图像获取模块502，用于获取待去噪图像。
初始去噪图像获取模块504，用于采用预先训练的至少两个图像去噪模型对所述待去噪图像进行图像去噪，获得各所述图像去噪模型对应的至少两个初始去噪图像。
目标去噪图像获取模块506，用于对各初始去噪图像进行融合处理，获得目标去噪图像。
图像去噪模型训练模块508，用于训练获得所述图像去噪模型，具体包括：获取各类型的样本数据集，所述样本数据集中的数据包括：采用该样本数据集的类型对应的采样比例，对各原始噪声图像进行采样后得到的样本噪声图像块；采用各所述类型的所述样本数据集，分别对与各所述类型对应的神经网络模型进行模型训练，获得训练后的各所述图像去噪模型，各所述神经网络模型为在原始神经网络模型中设置神经元节点损失率后的神经网络模型，各所述类型对应的神经网络模型的神经元节点损失率，与该类型对应的采样比例相同。
在其中一个实施例中，图像去噪模型训练模块，用于采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，获得各所述原始噪声图像的样本噪声图像块；基于各所述样本噪声图像块，获取各类型的样本数据集。
在其中一个实施例中，图像去噪模型训练模块，用于采用各样本数据集的类型对应的采样比例，依次对各所述原始噪声图像进行伯努利采样，获得与所述原始噪声图像对应的各采样比例的样本噪声图像块，以及用于将相同采样比例的各所述样本噪声图像块分为一组，作为该采样比例对应类型的样本数据集。
在其中一个实施例中，图像去噪模型训练模块，用于依次获取目标采样比例，按照目标采样比例对各所述原始噪声图像进行伯努利采样，获得所述目标采样比例对应的各样本噪声图像块，将各所述样本噪声图像块作为所述目标采样比例对应类型的样本数据集；所述目标采样比例为各所述采样比例中的一种。
在其中一个实施例中，图像去噪模型训练模块，用于采用与各所述类型对应的神经网络模型，对各所述类型的所述样本数据集进行图像去噪，获得各所述神经网络模型对应的样本去噪图像，所述任意一个神经网络模型对应至少两个样本去噪图像；获取各所述样本去噪图像对应的监督图像，所述监督图像为所述样本噪声图像块对应的原始噪声图像中，未被采样的噪声图像块；基于各所述样本去噪图像和各所述样本去噪图像对应的监督图像，获得各所述样本去噪图像与各所述监督图像的误差值；在各所述误差值确定未达到模型训练条件时，将所述误差值反向传播，更新各所述神经网络模型的权重和偏置，直至达到所述模型训练结束条件，得到各所述图像去噪模型。
在其中一个实施例中，图像去噪模型训练模块，用于对该图像去噪模型对应的各所述初始去噪图像进行平均化处理，获得平均化初始去噪图像；基于各所述平均化初始去噪图像，获得目标去噪图像。
在其中一个实施例中，图像去噪模型训练模块，用于获取各所述平均化初始去噪图像对应的超参数；将各所述平均化初始去噪图像与其对应的超参数相乘，得到对应的特征融合去噪图像；根据各所述特征融合去噪图像，获得目标去噪图像。
在其中一个实施例中，图像去噪模型训练模块，用于叠加各所述特征融合去噪图像，获得目标去噪图像。
关于图像去噪装置的具体限定可以参见上文中对于图像去噪方法的限定，在此不再赘述。上述图像去噪装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待去噪图像。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像去噪方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像去噪方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6、图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述图像去噪方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述图像去噪方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像去噪方法，其特征在于，所述方法包括：
获取待去噪图像；
采用预先训练的至少两个图像去噪模型对所述待去噪图像进行图像去噪，获得各所述图像去噪模型对应的初始去噪图像，任意一个所述图像去噪模型对应至少两个所述初始去噪图像；
对各初始去噪图像进行融合处理，获得目标去噪图像；
各所述图像去噪模型的训练过程包括：
获取各类型的样本数据集，所述样本数据集中的数据包括：采用该样本数据集的类型对应的采样比例，对各原始噪声图像进行采样后得到的样本噪声图像块；
采用各所述类型的所述样本数据集，分别对与各所述类型对应的神经网络模型进行模型训练，获得训练后的各所述图像去噪模型，各所述神经网络模型为在原始神经网络模型中设置神经元节点损失率后的神经网络模型，各所述类型对应的神经网络模型的神经元节点损失率，与该类型对应的采样比例相同。
2.根据权利要求1所述的方法，其特征在于，所述获取各类型的样本数据集，包括：
采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，获得各所述原始噪声图像的样本噪声图像块；
基于各所述样本噪声图像块，获取各类型的样本数据集。
3.根据权利要求2所述的方法，其特征在于，所述采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，包括：
采用各样本数据集的类型对应的采样比例，依次对各所述原始噪声图像进行伯努利采样，获得与所述原始噪声图像对应的各采样比例的样本噪声图像块；
所述基于各所述样本噪声块，获得各类型的样本数据集，包括：将相同采样比例的各所述样本噪声图像块分为一组，作为该采样比例对应类型的样本数据集；
或，
采用各样本数据集的类型对应的采样比例，对各所述原始噪声图像进行伯努利采样，包括：依次获取目标采样比例，按照目标采样比例对各所述原始噪声图像进行伯努利采样，获得所述目标采样比例对应的各样本噪声图像块，将各所述样本噪声图像块作为所述目标采样比例对应类型的样本数据集；所述目标采样比例为各所述采样比例中的一种。
4.根据权利要求1所述的方法，其特征在于，所述采用各所述类型的所述样本数据集，分别对与各所述类型对应的神经网络模型进行模型训练，获得训练后的各所述图像去噪模型，包括：
采用与各所述类型对应的神经网络模型，对各所述类型的所述样本数据集进行图像去噪，获得各所述神经网络模型对应的样本去噪图像，所述任意一个神经网络模型对应至少两个样本去噪图像；
获取各所述样本去噪图像对应的监督图像，所述监督图像为所述样本噪声图像块对应的原始噪声图像中，未被采样的噪声图像块；
基于各所述样本去噪图像和各所述样本去噪图像对应的监督图像，获得各所述样本去噪图像与各所述监督图像的误差值；
在各所述误差值确定未达到模型训练条件时，将所述误差值反向传播，更新各所述神经网络模型的权重和偏置，直至达到所述模型训练结束条件，得到各所述图像去噪模型。
5.根据权利要求1所述的方法，其特征在于，所述对各所述初始去噪图像进行融合处理，获得目标去噪图像，包括：
对于各所述图像去噪模型对应的初始去噪图像，均执行下述过程：对该图像去噪模型对应的各所述初始去噪图像进行平均化处理，获得平均化初始去噪图像；
基于各所述平均化初始去噪图像，获得目标去噪图像。
6.根据权利要求1所述的方法，其特征在于，基于各所述平均化初始去噪图像，获得目标去噪图像，包括：
获取各所述平均化初始去噪图像对应的超参数；
将各所述平均化初始去噪图像与其对应的超参数相乘，得到对应的特征融合去噪图像；
根据各所述特征融合去噪图像，获得目标去噪图像。
7.根据权利要求6所述的方法，其特征在于，所述根据各所述特征融合去噪图像，获得目标去噪图像，包括：
叠加各所述特征融合去噪图像，获得目标去噪图像。
8.一种图像去噪装置，其特征在于，所述装置包括：
图像获取模块，用于获取待去噪图像；
初始去噪图像获取模块，用于采用预先训练的至少两个图像去噪模型对所述待去噪图像进行图像去噪，获得各所述图像去噪模型对应的初始去噪图像，任意一个所述图像去噪模型对应至少两个所述初始去噪图像；
目标去噪图像获取模块，用于对各初始去噪图像进行融合处理，获得目标去噪图像；
图像去噪模型训练模块，用于训练获得所述图像去噪模型，具体包括：获取各类型的样本数据集，所述样本数据集中的数据包括：采用该样本数据集的类型对应的采样比例，对各原始噪声图像进行采样后得到的样本噪声图像块；采用各所述类型的所述样本数据集，分别对与各所述类型对应的神经网络模型进行模型训练，获得训练后的各所述图像去噪模型，各所述神经网络模型为在原始神经网络模型中设置神经元节点损失率后的神经网络模型，各所述类型对应的神经网络模型的神经元节点损失率，与该类型对应的采样比例相同。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110822624.1A 2021-07-21 2021-07-21 图像去噪方法、装置、计算机设备和存储介质 Active CN113538281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110822624.1A CN113538281B (zh) 2021-07-21 2021-07-21 图像去噪方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110822624.1A CN113538281B (zh) 2021-07-21 2021-07-21 图像去噪方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113538281A true CN113538281A (zh) 2021-10-22
CN113538281B CN113538281B (zh) 2023-07-11

Family

ID=78100630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110822624.1A Active CN113538281B (zh) 2021-07-21 2021-07-21 图像去噪方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113538281B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034972A (zh) * 2021-12-24 2022-09-09 广东东软学院 图像去噪方法、装置及设备
CN115631103A (zh) * 2022-10-17 2023-01-20 北京百度网讯科技有限公司 图像生成模型的训练方法和装置、图像生成方法及装置
CN117876692A (zh) * 2024-03-11 2024-04-12 中国石油大学(华东) 一种特征加权连接引导的单图遥感图像去噪方法
CN117876692B (zh) * 2024-03-11 2024-05-17 中国石油大学(华东) 一种特征加权连接引导的单图遥感图像去噪方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109872288A (zh) * 2019-01-31 2019-06-11 深圳大学 用于图像去噪的网络训练方法、装置、终端及存储介质
CN110211069A (zh) * 2019-06-03 2019-09-06 广东工业大学 一种图像去噪模型及训练方法、系统、设备、计算机介质
CN111145123A (zh) * 2019-12-27 2020-05-12 福州大学 基于U-Net融合保留细节的图像去噪方法
CN113112424A (zh) * 2021-04-08 2021-07-13 深圳思谋信息科技有限公司 图像处理方法、装置、计算机设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109872288A (zh) * 2019-01-31 2019-06-11 深圳大学 用于图像去噪的网络训练方法、装置、终端及存储介质
CN110211069A (zh) * 2019-06-03 2019-09-06 广东工业大学 一种图像去噪模型及训练方法、系统、设备、计算机介质
CN111145123A (zh) * 2019-12-27 2020-05-12 福州大学 基于U-Net融合保留细节的图像去噪方法
CN113112424A (zh) * 2021-04-08 2021-07-13 深圳思谋信息科技有限公司 图像处理方法、装置、计算机设备和存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034972A (zh) * 2021-12-24 2022-09-09 广东东软学院 图像去噪方法、装置及设备
CN115631103A (zh) * 2022-10-17 2023-01-20 北京百度网讯科技有限公司 图像生成模型的训练方法和装置、图像生成方法及装置
CN115631103B (zh) * 2022-10-17 2023-09-05 北京百度网讯科技有限公司 图像生成模型的训练方法和装置、图像生成方法及装置
CN117876692A (zh) * 2024-03-11 2024-04-12 中国石油大学(华东) 一种特征加权连接引导的单图遥感图像去噪方法
CN117876692B (zh) * 2024-03-11 2024-05-17 中国石油大学(华东) 一种特征加权连接引导的单图遥感图像去噪方法

Also Published As

Publication number Publication date
CN113538281B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN109389552B (zh) 一种基于上下文相关多任务深度学习的图像超分辨算法
JP2019535091A (ja) 畳み込みニューラルネットワークを使用したシーケンスの処理
CN113159143B (zh) 基于跳跃连接卷积层的红外与可见光图像融合方法和装置
CN113538281B (zh) 图像去噪方法、装置、计算机设备和存储介质
CN110197183B (zh) 一种图像盲去噪的方法、装置、计算机设备和存储介质
WO2018064591A1 (en) Generating video frames using neural networks
CN111709415B (zh) 目标检测方法、装置、计算机设备和存储介质
CN110717929A (zh) 图像目标检测方法、装置及存储介质
CN111639523B (zh) 目标检测方法、装置、计算机设备和存储介质
CN113409307A (zh) 基于异质噪声特性的图像去噪方法、设备及介质
US20150142837A1 (en) Methods And Systems For Wavelet Based Representation
CN112561826A (zh) 基于人工智能的图像去模糊方法、装置、设备及存储介质
CN111429388B (zh) 一种图像处理方法、装置和终端设备
CN115620017A (zh) 图像的特征提取方法、装置、设备及存储介质
CN115982965A (zh) 去噪扩散样本增量学习的碳纤维材料损伤检测方法及装置
CN115689947A (zh) 一种图像锐化的方法、系统、电子装置和存储介质
CN112907450B (zh) 三维时序图像处理方法、装置、计算机设备和存储介质
CN115358952A (zh) 一种基于元学习的图像增强方法、系统、设备和存储介质
CN116543246A (zh) 图像去噪模型的训练方法、图像去噪方法、装置及设备
CN112766190A (zh) 对抗样本生成方法、装置、存储介质及电子设备
CN112686807A (zh) 一种图像超分辨率重构方法及系统
CN116659520B (zh) 基于仿生偏振视觉增强的匹配定位方法、装置和设备
CN116894802B (zh) 图像增强方法、装置、计算机设备和存储介质
CN113658076B (zh) 基于特征纠缠调制的图像复原方法、装置、设备和介质
CN116309274B (zh) 图像中小目标检测方法、装置、计算机设备及存储介质

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