CN116167933A - 图像降噪方法、装置、电子设备和计算机可读介质 - Google Patents
图像降噪方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116167933A CN116167933A CN202211695919.8A CN202211695919A CN116167933A CN 116167933 A CN116167933 A CN 116167933A CN 202211695919 A CN202211695919 A CN 202211695919A CN 116167933 A CN116167933 A CN 116167933A
- Authority
- CN
- China
- Prior art keywords
- clipping
- model
- cutting
- determining
- convolution kernel
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 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
- 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
- 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]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本公开的实施例公开了图像降噪方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取训练数据集和模型裁剪率;执行以下裁剪步骤:对初始裁剪模型进行更新处理,得到更新后初始裁剪模型,作为裁剪模型;确定裁剪步骤执行次数;对于每个卷积层,执行以下生成步骤:确定卷积层对应的多个卷积核,作为卷积核集;确定卷积核集中每两个卷积核之间的相似度值,得到相似度值集,以及确定卷积核集中每个卷积核的范数值,得到范数值集;生成多个裁剪向量,作为裁剪向量组;对裁剪模型进行裁剪处理;对目标图像进行降噪处理,得到降噪后目标图像。该实施方式可以在避免降低裁剪模型的准确率的情况下,提高对目标图像进行降噪处理的速度。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及图像降噪方法、装置、电子设备和计算机可读介质。
背景技术
图像降噪方法,是对模型参数进行裁剪的方法。在对模型参数进行裁剪时,通常采用的方法为:首先,对于模型对应多个批次中的每个批次,执行以下确定步骤:其次,对上述模型进行更新,得到更新后模型,作为裁剪模型。接着,确定上述更新后模型中包括多个卷积层中每个卷积层对应的多个裁剪向量,得到多个裁剪向量组。其中,上述多个裁剪向量组可以是模型参数。再接着,从裁剪模型中裁剪掉上述多个裁剪向量组。最后,利用所得到的裁剪后裁剪模型,对目标图像进行降噪处理,得到降噪后目标图像。
然而,发明人发现,当采用上述方式对模型参数进行裁剪时,经常会存在如下技术问题:
针对每个批次进行裁剪,当批次的数量较大时,无法在确保裁剪模型的准确率的情况下,提高对目标图像进行降噪处理的速度。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了图像降噪方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项。
第一方面,本公开的一些实施例提供了一种图像降噪方法,该方法包括:获取训练数据集和模型裁剪率;根据上述训练数据集和初始裁剪模型,执行以下裁剪步骤:利用上述训练数据集,对初始裁剪模型进行更新处理,得到更新后初始裁剪模型,作为裁剪模型;确定裁剪步骤执行次数;对于上述裁剪模型包括的多个卷积层中的每个卷积层,执行以下生成步骤:确定上述卷积层对应的多个卷积核,作为卷积核集;确定上述卷积核集中每两个卷积核之间的相似度值,得到相似度值集,以及确定上述卷积核集中每个卷积核的范数值,得到范数值集;根据上述范数值集、上述相似度值集和上述模型裁剪率,生成多个裁剪向量,作为裁剪向量组;响应于确定上述裁剪步骤执行次数等于预设执行次数,利用上述裁剪步骤执行次数对应裁剪向量组集,对裁剪模型进行裁剪处理;利用所得到的裁剪后裁剪模型,对目标图像进行降噪处理,得到降噪后目标图像。
第二方面,本公开的一些实施例提供了一种图像降噪装置,装置包括:获取单元,被配置成获取训练数据集和模型裁剪率;执行单元,被配置成根据上述训练数据集和初始裁剪模型,执行以下裁剪步骤:利用上述训练数据集,对初始裁剪模型进行更新处理,得到更新后初始裁剪模型,作为裁剪模型;确定裁剪步骤执行次数;对于上述裁剪模型包括的多个卷积层中的每个卷积层,执行以下生成步骤:确定上述卷积层对应的多个卷积核,作为卷积核集;确定上述卷积核集中每两个卷积核之间的相似度值,得到相似度值集,以及确定上述卷积核集中每个卷积核的范数值,得到范数值集;根据上述范数值、上述相似度值集和上述模型裁剪率,生成多个裁剪向量,作为裁剪向量组;响应于确定上述裁剪步骤执行次数等于预设执行次数,利用上述裁剪步骤执行次数对应裁剪向量组集,对裁剪模型进行裁剪处理;降噪处理单元,被配置成利用所得到的裁剪后裁剪模型,对目标图像进行降噪处理,得到降噪后目标图像。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,上述计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的图像降噪方法,可以在避免降低裁剪模型的准确率的情况下,提高对目标图像进行降噪处理的速度。具体来说,造成无法在确保裁剪模型的准确率的情况下,提高对目标图像进行降噪处理的速度的原因在于:针对每个批次进行裁剪,当批次的数量较大时,无法在确保裁剪模型的准确率的情况下,提高对目标图像进行降噪处理的速度。基于此,本公开的一些实施例的图像降噪方法,获取训练数据集和模型裁剪率;根据上述训练数据集和初始裁剪模型,执行以下裁剪步骤:利用上述训练数据集,对初始裁剪模型进行更新处理,得到更新后初始裁剪模型,作为裁剪模型;上述更新后初始裁剪模型可以是训练后的初始裁剪模型。确定裁剪步骤执行次数;其中,裁剪步骤执行次数可以确定裁剪步骤执行次数对应的裁剪模型、裁剪向量组集。对于上述裁剪模型包括的多个卷积层中的每个卷积层,执行以下生成步骤:确定上述卷积层对应的多个卷积核,作为卷积核集;确定上述卷积核集中每两个卷积核之间的相似度值,得到相似度值集,以及确定上述卷积核集中每个卷积核的范数值,得到范数值集;根据上述范数值集、上述相似度值集和上述模型裁剪率,生成多个裁剪向量,作为裁剪向量组;其中,通过上述范数值集、上述相似度值集和上述模型裁剪率,多个信息生成多个裁剪向量,生成的多个裁剪向量。响应于确定上述裁剪步骤执行次数等于预设执行次数,利用上述裁剪步骤执行次数对应裁剪向量组集,对裁剪模型进行裁剪处理。其中,利用上述裁剪步骤执行次数对应裁剪向量组集,对裁剪模型进行裁剪处理,可以在避免降低裁剪模型的准确率的情况下,减少模型参数。利用所得到的裁剪后裁剪模型,对目标图像进行降噪处理,得到降噪后目标图像。其中,减少模型参数,可以在避免降低裁剪模型的准确率的情况下,提高对目标图像进行降噪处理的速度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的图像降噪方法的一些实施例的流程图;
图2是根据本公开的图像降噪装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的图像降噪方法的一些实施例的流程100。该图像降噪方法的流程100,包括以下步骤:
步骤101,获取训练数据集和模型裁剪率。
在一些实施例中,图像降噪方法的执行主体(例如,电子设备)可以通过有线连接的方式或者无线连接的方式来获取训练数据集和模型裁剪率。其中,上述训练数据集中的训练数据可以用于训练目标模型的图像。例如,上述目标模型可以是卷积神经网络(Convolutional Neural Networks,CNN)。上述模型裁剪率可以表征裁剪掉模型参数的裁剪率。
步骤102,根据训练数据集和初始裁剪模型,执行以下裁剪步骤:
步骤1021,利用训练数据集,对初始裁剪模型进行更新处理,得到更新后初始裁剪模型,作为裁剪模型。
在一些实施例中,上述执行主体可以利用上述训练数据集,对初始裁剪模型进行更新处理,得到更新后初始裁剪模型,作为裁剪模型。其中,上述初始裁剪模型可以用于对图像进行降噪处理的模型。例如,上述对图像进行处理可以是对图像进行识别处理,还可以是对图像进行降噪处理。例如,上述初始裁剪模型可以是上述目标模型。上述更新后初始裁剪模型可以是对上述初始裁剪模型进行参数更新后的模型。
实践中,上述利用上述训练数据集,对初始裁剪模型进行更新处理,得到更新后初始裁剪模型,包括:
利用上述训练数据集,对初始裁剪模型进行模型训练,得到更新后初始裁剪模型。
步骤1022,确定裁剪步骤执行次数。
在一些实施例中,上述执行主体可以确定裁剪步骤执行次数。其中,上述裁剪步骤执行次数可以是执行裁剪步骤的次数。
步骤1023,对于裁剪模型包括的多个卷积层中的每个卷积层,执行以下生成步骤:
步骤10231,确定卷积层对应的多个卷积核,作为卷积核集。
在一些实施例中,上述执行主体可以确定上述卷积层对应的多个卷积核,作为卷积核集。其中,上述卷积层包括多个卷积核。
步骤10232,确定卷积核集中每两个卷积核之间的相似度值,得到相似度值集,以及确定卷积核集中每个卷积核的范数值,得到范数值集。
在一些实施例中,上述执行主体可以确定上述卷积核集中每两个卷积核之间的相似度值,得到相似度值集,以及确定上述卷积核集中每个卷积核的范数值,得到范数值集。其中,上述范数值集中的范数值可以是对应卷积核的平方和的开平方。
实践中,确定上述卷积核集中每两个卷积核之间的相似度值,得到相似度值集,包括:
利用预设相似度方法,生成上述卷积核集中每两个卷积核之间的相似度值,得到相似度值集。例如,上述预设相似度方法可以是余弦相似度方法。
在一些实施例的一些可选的实现方式中,上述执行主体可以确定上述卷积核集中每个卷积核的范数值,得到范数值集,包括:
第一步,对于上述卷积核集中的每个卷积核,执行以下开平方步骤:
步骤一,对上述卷积核进行降维处理,得到压缩后卷积核。
步骤二,将上述压缩后卷积核中各个元素的平方和,确定为候选范数值。
步骤三,对上述候选范数值进行开平方,得到开平方后候选压缩值。
第二步,将所得到的开平方后候选压缩值集,确定为范数值集。
步骤10233,根据范数值集、相似度值集和模型裁剪率,生成多个裁剪向量,作为裁剪向量组。
在一些实施例中,上述执行主体可以根据上述范数值集、上述相似度值集和上述模型裁剪率,生成多个裁剪向量,作为裁剪向量组。其中,上述裁剪向量组中的裁剪向量可以是上述卷积层中的参数。
实践中,上述执行主体可以根据上述范数值集、上述相似度值集和上述模型裁剪率,生成多个裁剪向量,包括:
第一步,将上述模型裁剪率对应数量与二的乘积,确定为目标数量。例如,上述模型裁剪率为百分之五时,上述模型裁剪率对应数量为五。
第二步,确定上述范数值集中满足预设范数条件的、上述目标数量个范数值。其中,上述预设范数条件可以是范数值集中最小的范数值。
第三步,确定上述目标数量个范数值中每个范数值对应的卷积核,得到上述目标数量个卷积核。
第四步,对于上述目标数量个卷积核中的每个卷积核,确定上述卷积核对应相似度值组中满足第一预设相似度值条件的相似度值。其中,上述第一预设相似度值条件可以是上述相似度值组中最大的相似度值。
第五步,确定所得到的目标数量个相似度值中满足第二预设相似度值条件的、上述模型裁剪率对应数量个相似度值。其中,上述第二预设相似度值条件可以是上述目标数量个相似度值中最大的相似度值。
第六步,将上述对应数量个相似度值中每个相似度值对应的卷积核,确定为裁剪向量,得到多个裁剪向量。上述对应数量个相似度值中每个相似度值对应的卷积核可以是上述目标数量个卷积核中的卷积核。
在一些实施例的一些可选的实现方式中,上述执行主体可以根据上述范数值集、上述相似度值集和上述模型裁剪率,生成多个裁剪向量,包括:
第一步,对于上述多个卷积核中的每个卷积核,执行以下处理步骤:
步骤一,确定上述卷积核对应多个相似度值中满足预设相似度条件的相似度值,作为目标相似度值。其中,上述预设相似度条件可以是上述多个相似度值中最大的相似度值。上述多个相似度值可以是上述卷积核与上述多个卷积核中其他的卷积核的相似度。
步骤二,将预设数值与上述目标相似度值的差,确定为差值。例如,上述预设数值可以是一。
步骤三,将上述差值与上述卷积核的范数值进行线性组合处理,得到处理后的值,作为裁剪值。
第二步,确定所得到的多个裁剪值中满足预设裁剪条件的、上述模型裁剪率对应数量个裁剪值。其中,上述预设裁剪条件可以是上述多个裁剪值中最小的裁剪值。上述对应数量可以是上述模型裁剪率与上述多个卷积核的数量的乘积。
第三步,将上述对应数量个裁剪值中每个裁剪值对应的卷积核,确定为裁剪向量,得到多个裁剪向量。
步骤1024,响应于确定裁剪步骤执行次数等于预设执行次数,利用裁剪步骤执行次数对应裁剪向量组集,对裁剪模型进行裁剪处理。
在一些实施例中,上述执行主体可以响应于确定上述裁剪步骤执行次数等于预设执行次数,利用上述裁剪步骤执行次数对应裁剪向量组集,对裁剪模型进行裁剪处理。例如,上述预设执行次数可以是200。
实践中,上述执行主体可以利用裁剪步骤执行次数对应裁剪向量组集,对裁剪模型进行裁剪处理,包括:
从上述裁剪步骤执行次数对应的裁剪模型中裁剪掉上述裁剪步骤执行次数对应裁剪向量组集。
步骤103,上述执行主体可以利用所得到的裁剪后裁剪模型,对目标图像进行降噪处理,得到降噪后目标图像。
在一些实施例中,利用所得到的裁剪后裁剪模型,对目标图像进行降噪处理,得到降噪后目标图像。其中,上述裁剪后裁剪模型可以是对裁剪模型进行裁剪处理后的模型。上述目标图像可以是待降噪处理的图像。
在一些实施例的一些可选的实现方式中,上述执行主体在上述根据上述训练数据集和初始裁剪模型,执行以下裁剪步骤之后,还包括:
第一步,响应于确定上述裁剪步骤执行次数小于上述预设执行次数,将对应的裁剪向量组集对应卷积核组集中各个元素确定为零,得到更新裁剪模型。其中,上述对应的裁剪向量组集是裁剪模型中与上述裁剪步骤执行次数对应的裁剪向量组集。
第二步,将上述更新裁剪模型,确定为初始裁剪模型,以再次执行上述裁剪步骤。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的图像降噪方法,可以在避免降低裁剪模型的准确率的情况下,提高对目标图像进行降噪处理的速度。具体来说,造成无法在确保裁剪模型的准确率的情况下,提高对目标图像进行降噪处理的速度的原因在于:针对每个批次进行裁剪,当批次的数量较大时,无法在确保裁剪模型的准确率的情况下,提高对目标图像进行降噪处理的速度。基于此,本公开的一些实施例的图像降噪方法,获取训练数据集和模型裁剪率;根据上述训练数据集和初始裁剪模型,执行以下裁剪步骤:利用上述训练数据集,对初始裁剪模型进行更新处理,得到更新后初始裁剪模型,作为裁剪模型;上述更新后初始裁剪模型可以是训练后的初始裁剪模型。确定裁剪步骤执行次数;其中,裁剪步骤执行次数可以确定裁剪步骤执行次数对应的裁剪模型、裁剪向量组集。对于上述裁剪模型包括的多个卷积层中的每个卷积层,执行以下生成步骤:确定上述卷积层对应的多个卷积核,作为卷积核集;确定上述卷积核集中每两个卷积核之间的相似度值,得到相似度值集,以及确定上述卷积核集中每个卷积核的范数值,得到范数值集;根据上述范数值集、上述相似度值集和上述模型裁剪率,生成多个裁剪向量,作为裁剪向量组;其中,通过上述范数值集、上述相似度值集和上述模型裁剪率,多个信息生成多个裁剪向量,生成的多个裁剪向量。响应于确定上述裁剪步骤执行次数等于预设执行次数,利用上述裁剪步骤执行次数对应裁剪向量组集,对裁剪模型进行裁剪处理。其中,利用上述裁剪步骤执行次数对应裁剪向量组集,对裁剪模型进行裁剪处理,可以在避免降低裁剪模型的准确率的情况下,减少模型参数。利用所得到的裁剪后裁剪模型,对目标图像进行降噪处理,得到降噪后目标图像。其中,减少模型参数,可以在避免降低裁剪模型的准确率的情况下,提高对目标图像进行降噪处理的速度。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种图像降噪装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,上述图像降噪装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的图像降噪装置200包括:获取单元201、执行单元202和降噪处理单元203。其中,获取单元201,被配置成获取训练数据集和模型裁剪率;执行单元202,被配置成根据上述训练数据集和初始裁剪模型,执行以下裁剪步骤:利用上述训练数据集,对初始裁剪模型进行更新处理,得到更新后初始裁剪模型,作为裁剪模型;确定裁剪步骤执行次数;对于上述裁剪模型包括的多个卷积层中的每个卷积层,执行以下生成步骤:确定上述卷积层对应的多个卷积核,作为卷积核集;确定上述卷积核集中每两个卷积核之间的相似度值,得到相似度值集,以及确定上述卷积核集中每个卷积核的范数值,得到范数值集;根据上述范数值集、上述相似度值集和上述模型裁剪率,生成多个裁剪向量,作为裁剪向量组;响应于确定上述裁剪步骤执行次数等于预设执行次数,利用上述裁剪步骤执行次数对应裁剪向量组集,对裁剪模型进行裁剪处理;降噪处理单元203,被配置成利用所得到的裁剪后裁剪模型,对目标图像进行降噪处理,得到降噪后目标图像。
可以理解的是,图像降噪装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备/终端设备/服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置301(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取训练数据集和模型裁剪率;根据上述训练数据集和初始裁剪模型,执行以下裁剪步骤:利用上述训练数据集,对初始裁剪模型进行更新处理,得到更新后初始裁剪模型,作为裁剪模型;确定裁剪步骤执行次数;对于上述裁剪模型包括的多个卷积层中的每个卷积层,执行以下生成步骤:确定上述卷积层对应的多个卷积核,作为卷积核集;确定上述卷积核集中每两个卷积核之间的相似度值,得到相似度值集,以及确定上述卷积核集中每个卷积核的范数值,得到范数值集;根据上述范数值集、上述相似度值集和上述模型裁剪率,生成多个裁剪向量,作为裁剪向量组;响应于确定上述裁剪步骤执行次数等于预设执行次数,利用上述裁剪步骤执行次数对应裁剪向量组集,对裁剪模型进行裁剪处理;利用所得到的裁剪后裁剪模型,对目标图像进行降噪处理,得到降噪后目标图像。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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操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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、执行单元和降噪处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取训练数据集和模型裁剪率的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种图像降噪方法,包括:
获取训练数据集和模型裁剪率;
根据所述训练数据集和初始裁剪模型,执行以下裁剪步骤:
利用所述训练数据集,对初始裁剪模型进行更新处理,得到更新后初始裁剪模型,作为裁剪模型;
确定裁剪步骤执行次数;
对于所述裁剪模型包括的多个卷积层中的每个卷积层,执行以下生成步骤:
确定所述卷积层对应的多个卷积核,作为卷积核集;
确定所述卷积核集中每两个卷积核之间的相似度值,得到相似度值集,以及确定所述卷积核集中每个卷积核的范数值,得到范数值集;
根据所述范数值集、所述相似度值集和所述模型裁剪率,生成多个裁剪向量,作为裁剪向量组;
响应于确定所述裁剪步骤执行次数等于预设执行次数,利用所述裁剪步骤执行次数对应裁剪向量组集,对裁剪模型进行裁剪处理;
利用所得到的裁剪后裁剪模型,对目标图像进行降噪处理,得到降噪后目标图像。
2.根据权利要求1所述的方法,其中,在所述根据所述训练数据集和初始裁剪模型,执行以下裁剪步骤之后,还包括:
响应于确定所述裁剪步骤执行次数小于所述预设执行次数,将对应的裁剪向量组集对应卷积核组集中各个元素确定为零,得到更新裁剪模型,其中,所述对应的裁剪向量组集是裁剪模型中与所述裁剪步骤执行次数对应的裁剪向量组集;
将所述更新裁剪模型,确定为初始裁剪模型,以再次执行所述裁剪步骤。
3.根据权利要求1所述的方法,其中,所述确定所述卷积核集中每个卷积核的范数值,得到范数值集,包括:
对于所述卷积核集中的每个卷积核,执行以下开平方步骤:
对所述卷积核进行降维处理,得到压缩后卷积核;
将所述压缩后卷积核中各个元素的平方和,确定为候选范数值;
对所述候选范数值进行开平方,得到开平方后候选压缩值;将所得到的开平方后候选压缩值集,确定为范数值集。
4.根据权利要求1所述的方法,其中,所述根据所述范数值集、所述相似度值集和所述模型裁剪率,生成多个裁剪向量,包括:
对于所述多个卷积核中的每个卷积核,执行以下处理步骤:
确定所述卷积核对应多个相似度值中满足预设相似度条件的相似度值,作为目标相似度值;
将预设数值与所述目标相似度值的差,确定为差值;
将所述差值与所述卷积核的范数值进行线性组合处理,得到处理后的值,作为裁剪值;
确定所得到的多个裁剪值中满足预设裁剪条件的、所述模型裁剪率对应数量个裁剪值;
将所述对应数量个裁剪值中每个裁剪值对应的卷积核,确定为裁剪向量,得到多个裁剪向量。
5.一种图像降噪装置,包括:
获取单元,被配置成获取训练数据集和模型裁剪率;
执行单元,被配置成根据所述训练数据集和初始裁剪模型,执行以下裁剪步骤:利用所述训练数据集,对初始裁剪模型进行更新处理,得到更新后初始裁剪模型,作为裁剪模型;确定裁剪步骤执行次数;对于所述裁剪模型包括的多个卷积层中的每个卷积层,执行以下生成步骤:确定所述卷积层对应的多个卷积核,作为卷积核集;确定所述卷积核集中每两个卷积核之间的相似度值,得到相似度值集,以及确定所述卷积核集中每个卷积核的范数值,得到范数值集;根据所述范数值集、所述相似度值集和所述模型裁剪率,生成多个裁剪向量,作为裁剪向量组;响应于确定所述裁剪步骤执行次数等于预设执行次数,利用所述裁剪步骤执行次数对应裁剪向量组集,对裁剪模型进行裁剪处理;
降噪处理单元,被配置成利用所得到的裁剪后裁剪模型,对目标图像进行降噪处理,得到降噪后目标图像。
6.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211695919.8A CN116167933A (zh) | 2022-12-28 | 2022-12-28 | 图像降噪方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211695919.8A CN116167933A (zh) | 2022-12-28 | 2022-12-28 | 图像降噪方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116167933A true CN116167933A (zh) | 2023-05-26 |
Family
ID=86415630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211695919.8A Pending CN116167933A (zh) | 2022-12-28 | 2022-12-28 | 图像降噪方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167933A (zh) |
-
2022
- 2022-12-28 CN CN202211695919.8A patent/CN116167933A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298413B (zh) | 图像特征提取方法、装置、存储介质及电子设备 | |
CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN110634047B (zh) | 一种推荐房源的方法、装置、电子设备及存储介质 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN111461965B (zh) | 图片处理方法、装置、电子设备和计算机可读介质 | |
CN111756953A (zh) | 视频处理方法、装置、设备和计算机可读介质 | |
CN110852242A (zh) | 基于多尺度网络的水印识别方法、装置、设备及存储介质 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN113220922B (zh) | 图像搜索方法、装置和电子设备 | |
CN115272760A (zh) | 适用于森林火灾烟雾检测的小样本烟雾图像细分类方法 | |
CN111832279B (zh) | 文本划分方法、装置、设备和计算机可读介质 | |
CN110209851B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN110619079B (zh) | 用于推送信息的方法和装置 | |
CN116167933A (zh) | 图像降噪方法、装置、电子设备和计算机可读介质 | |
CN111797263A (zh) | 图像标签生成方法、装置、设备和计算机可读介质 | |
CN113240108A (zh) | 模型训练方法、装置和电子设备 | |
CN112488947A (zh) | 模型训练和图像处理方法、装置、设备和计算机可读介质 | |
CN111580890A (zh) | 用于处理特征的方法、装置、电子设备和计算机可读介质 | |
CN112418233A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN112364860B (zh) | 字符识别模型的训练方法、装置和电子设备 | |
CN114359673B (zh) | 基于度量学习的小样本烟雾检测方法、装置和设备 | |
CN111581305B (zh) | 特征处理方法、装置、电子设备和介质 | |
CN112215789B (zh) | 图像去雾方法、装置、设备和计算机可读介质 | |
CN111489286B (zh) | 图片处理方法、装置、设备和介质 | |
CN111797932B (zh) | 图像分类方法、装置、设备和计算机可读介质 |
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 |