CN116205802A - 图像去噪方法、装置、存储介质及电子设备 - Google Patents
图像去噪方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116205802A CN116205802A CN202211697951.XA CN202211697951A CN116205802A CN 116205802 A CN116205802 A CN 116205802A CN 202211697951 A CN202211697951 A CN 202211697951A CN 116205802 A CN116205802 A CN 116205802A
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- target
- sequence set
- initial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 81
- 230000000452 restraining effect Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 63
- 238000013528 artificial neural network Methods 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000001537 neural effect Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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)
- 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 Analysis (AREA)
Abstract
本发明公开了一种图像去噪方法、装置、存储介质及电子设备,涉及人工智能技术领域。其中,该方法包括:获取待去噪的目标图像,其中,目标图像为待识别图像;将待去噪的目标图像输入目标去噪模型中进行去噪处理,输出去噪后的目标图像,其中,目标去噪模型是采用有噪声的图像序列集对初始去噪模型进行训练,并采用时序损失函数对初始去噪模型进行约束得到的,有噪声的图像序列集是采用拍摄设备对样本图像集的目标区域以预设时间间隔进行拍摄得到的。本发明解决了现有技术中的图像去噪模型采用干净无噪声的图像进行训练,存在图像去噪准确度低的技术问题。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种图像去噪方法、装置、存储介质及电子设备。
背景技术
随着科技的发展,银行业面临数字化转型的巨大挑战,如何利用人工智能等科技力量更好地服务顾客,利用金融服务的数字化和智能化提升用户满意度,成为银行数字化转型中的决定性因素。
目前,行业内现有的智能化服务(例如,人脸识别、银行卡识别等)都是基于深度学习开发的算法模型。但是,深度学习依托于有监督学习,对噪声数据较为敏感,在训练模型的过程中,往往依托干净数据,即针对原始数据的噪声进行处理后,再使用干净数据训练模型,成本较大,并且效率不高。而在模型使用过程中,实际的数据往往都是包含噪声的,存在图像去噪准确度低的问题。
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图像去噪方法、装置、存储介质及电子设备,以至少解决现有技术中的图像去噪模型采用干净无噪声的图像进行训练,存在图像去噪准确度低的技术问题。
根据本发明实施例的一个方面,提供了一种图像去噪方法,应用于图像识别过程中对目标图像的图像预处理过程,包括:获取待去噪的目标图像,其中,目标图像为待识别图像;将待去噪的目标图像输入目标去噪模型中进行去噪处理,输出去噪后的目标图像,其中,目标去噪模型是采用有噪声的图像序列集对初始去噪模型进行训练,并采用时序损失函数对初始去噪模型进行约束得到的,有噪声的图像序列集是采用拍摄设备对样本图像集的目标区域以预设时间间隔进行拍摄得到的。
进一步地,图像去噪方法还包括:通过以下步骤生成目标去噪模型:确定初始去噪神经网络的网络结构,其中,网络结构由多个网络层构成;根据每个网络层的参数,对初始去噪神经网络进行初始化处理,得到初始去噪模型;根据初始去噪模型,生成时序损失函数;获取初始去噪模型的训练集;根据训练集,采用随机优化算法对初始去噪模型进行迭代训练,直至时序损失函数的数值等于预设阈值,得到目标去噪模型。
进一步地,图像去噪方法还包括:获取有噪声的图像序列集;对有噪声的图像序列集进行标准化处理,得到第一图像序列集;将第一图像序列集输入隐式神经网络进行图像增强处理,得到初始去噪模型的训练集。
进一步地,图像去噪方法还包括:根据预设尺寸,对有噪声的图像序列集中的每个有噪声的图像的随机区域进行裁剪,得到第一图像序列集。
进一步地,图像去噪方法还包括:将第一图像序列集输入隐式神经网络的第一子神经网络进行图像连续性增强处理,得到第二图像序列集;将有噪声的图像序列集和第二图像序列集输入隐式神经网络的第二子神经网络进行特征组合处理,得到第三图像序列集;获取第二图像序列集中的初始时刻图像,并将初始时刻图像和第三图像序列集输入隐式神经网络的第三子神经网络进行特征比对处理,得到训练集。
进一步地,图像去噪方法还包括:确定训练集中的目标时刻图像为样本图像;确定训练集中的除样本图像外的图像为标签图像;根据样本图像和标签图像,采用随机优化算法对初始去噪模型进行迭代训练。
进一步地,图像去噪方法还包括:对去噪后的目标图像进行图像识别处理,得到待识别图像的图像信息。
根据本发明实施例的另一方面,还提供了一种图像去噪装置,包括:获取模块,用于获取待去噪的目标图像,其中,目标图像为待识别图像;处理模块,用于将待去噪的目标图像输入目标去噪模型中进行去噪处理,输出去噪后的目标图像,其中,目标去噪模型是采用有噪声的图像序列集对初始去噪模型进行训练,并采用时序损失函数对初始去噪模型进行约束得到的,有噪声的图像序列集是采用拍摄设备对样本图像集的目标区域以预设时间间隔进行拍摄得到的。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的图像去噪方法。
根据本发明实施例的另一方面,还提供了一种电子设备,该电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的图像去噪方法。
在本发明实施例中,采用通过含有噪声的图像训练出来的目标去噪模型对待去噪的目标图像进行去噪处理的方式,首先获取待去噪的目标图像,然后将待去噪的目标图像输入目标去噪模型中进行去噪处理,输出去噪后的目标图像。其中,目标图像为待识别图像,目标去噪模型是采用有噪声的图像序列集对初始去噪模型进行训练,并采用时序损失函数对初始去噪模型进行约束得到的,有噪声的图像序列集是采用拍摄设备对样本图像集的目标区域以预设时间间隔进行拍摄得到的。
在上述过程中,无需使用干净图像,使用真实的有噪声图像就能训练去噪模型,节省了人工成本和时间成本,提高了模型的训练效率,降低了后续对模型的维护成本,便于模型的优化升级。并且,提高了图像去噪的准确率,显著提升了模型的去噪效果,从而能够为后续图像识别过程提供良好的数据基础,进而能够提升图像识别的精度。另外,通过时序损失函数对初始去噪模型进行约束,可以提升模型的训练效果。
由此可见,通过本发明的技术方案,达到了降低去噪模型的开发和维护成本、提高去噪模型的训练效率的目的,从而实现了提高图像去噪准确度的技术效果,进而解决了现有技术中的图像去噪模型采用干净无噪声的图像进行训练,存在图像去噪准确度低的技术问题。
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可选的图像去噪方法的流程图;
图2是根据本发明实施例的一种可选的训练图像去噪模型的流程图;
图3是根据本发明实施例的一种可选的隐式表示网络的示意图;
图4是根据本发明实施例的一种可选的图像去噪神经网络的网络结构示意图;
图5是根据本发明实施例的一种可选的图像去噪神经网络的卷积核信息示意图;
图6是根据本发明实施例的一种可选的图像去噪装置的示意图;
图7是根据本发明实施例的一种可选的电子设备的示意图。
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。
需要说明的是,本发明所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
实施例1
根据本发明实施例,提供了一种图像去噪方法的方法实施例,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。
图1是根据本发明实施例的一种可选的图像去噪方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取待去噪的目标图像,其中,目标图像为待识别图像。
在上述步骤中,可以通过应用系统、处理器、电子设备等装置获取待去噪的目标图像。可选的,在本实施例中,将图像去噪方法应用于图像识别过程中对目标图像的图像预处理过程,例如,在识别发票上的信息的过程中,首先需要进行图像去噪等预处理,目标图像可以是待识别的发票图像。
步骤S102,将待去噪的目标图像输入目标去噪模型中进行去噪处理,输出去噪后的目标图像,其中,目标去噪模型是采用有噪声的图像序列集对初始去噪模型进行训练,并采用时序损失函数对初始去噪模型进行约束得到的,有噪声的图像序列集是采用拍摄设备对样本图像集的目标区域以预设时间间隔进行拍摄得到的。
在上述步骤中,初始去噪模型的训练过程中没有使用干净图像进行训练,也没有使用干净图像作为参照,全程使用的是含有噪声的图像,它们之间互相作为参照,以使模型找到一个能够除去噪声的平衡状态。
可选的,拍摄设备可以是手机、相机等,样本图像可以是不同类型的发票图像,目标区域可以是发票上的印章所在的区域,预设时间间隔可根据需求自行设置,例如,10分钟。
需要说明的是,使用真实的有噪声图像就能训练去噪模型,节省了人工成本和时间成本,提高了模型的训练效率;通过时序损失函数对初始去噪模型进行约束,可以提升模型的训练效果。
基于上述步骤S101至步骤S102所限定的方案,可以获知,在本发明实施例中,采用通过含有噪声的图像训练出来的目标去噪模型对待去噪的目标图像进行去噪处理的方式,首先获取待去噪的目标图像,然后将待去噪的目标图像输入目标去噪模型中进行去噪处理,输出去噪后的目标图像。其中,目标图像为待识别图像,目标去噪模型是采用有噪声的图像序列集对初始去噪模型进行训练,并采用时序损失函数对初始去噪模型进行约束得到的,有噪声的图像序列集是采用拍摄设备对样本图像集的目标区域以预设时间间隔进行拍摄得到的。
容易注意到的是,在上述过程中,无需使用干净图像,使用真实的有噪声图像就能训练去噪模型,节省了人工成本和时间成本,提高了模型的训练效率,降低了后续对模型的维护成本,便于模型的优化升级。并且,提高了图像去噪的准确率,显著提升了模型的去噪效果,从而能够为后续图像识别过程提供良好的数据基础,进而能够提升图像识别的精度。另外,通过时序损失函数对初始去噪模型进行约束,可以提升模型的训练效果。
由此可见,通过本发明的技术方案,达到了降低去噪模型的开发和维护成本、提高去噪模型的训练效率的目的,从而实现了提高图像去噪准确度的技术效果,进而解决了现有技术中的图像去噪模型采用干净无噪声的图像进行训练,存在图像去噪准确度低的技术问题。
在一种可选的实施例中,通过以下步骤生成目标去噪模型:首先确定初始去噪神经网络的网络结构,然后根据每个网络层的参数,对初始去噪神经网络进行初始化处理,得到初始去噪模型,然后根据初始去噪模型,生成时序损失函数,然后获取初始去噪模型的训练集,然后根据训练集,采用随机优化算法对初始去噪模型进行迭代训练,直至时序损失函数的数值等于预设阈值,得到目标去噪模型。其中,网络结构由多个网络层构成。
可选的,如图4所示,初始去噪神经网络即无监督去噪网络包括16个卷积层、同一区域不同时刻含噪图像、同一区域不同时刻滤波图像、逐元素相加、通道相加。初始去噪神经网络的连接方式为局部连接,可以增加网络对特征信息的记忆能力。每个网络层的参数即卷积核信息如图5所示,步长都为1。可选的,网络的实现可以采用深度学习框架,例如,符号数学系统TensorFlow,系统中已封装好各网络层功能,可直接使用。例如,将图像卷积函数tensorflow.nn.conv2d作为图4中的Conv层,将整流函数tensorflow.nn.relu作为图4中的ReLU层。另外,系统中自带Adam算法、初始化工具和计算损失函数所需的数学工具,可以实现对初始去噪神经网络的初始化处理,从而得到初始去噪模型。
进一步地,根据初始去噪模型,生成时序损失函数,具体的,时序损失函数是与时间相关的函数,由于光照产生的干扰,导致不同时刻拍摄出的图像质量会受到光照环境的影响,因此,设置时序损失函数,可以提升模型的训练效果,从而提升后续图像识别的识别精度。
具体的,时序损失函数如下所示:
可选的,训练过程采用默认参数Adam优化算法,即采用随机优化算法对初始去噪模型进行迭代训练,直至时序损失函数的数值等于预设阈值,得到目标去噪模型。例如,学习率α=1e-4经过十万次的迭代后学习率减半,直至网络收敛。
需要说明的是,在上述过程中,引入无监督学习方法,设计了一种噪声到噪声的无监督去噪网络,该网络不需要干净图像标签就能训练去噪模型,网络结构使用局部连接,可以增加网络对特征信息的记忆能力。
在一种可选的实施例中,在获取初始去噪模型的训练集之前,获取有噪声的图像序列集,然后对有噪声的图像序列集进行标准化处理,得到第一图像序列集,然后将第一图像序列集输入隐式神经网络进行图像增强处理,得到初始去噪模型的训练集。
在一种可选的实施例中,在对有噪声的图像序列集进行标准化处理,得到第一图像序列集的过程中,根据预设尺寸,对有噪声的图像序列集中的每个有噪声的图像的随机区域进行裁剪,得到第一图像序列集。
可选的,如图2所示,首先获取不同时刻的噪声图像。例如,获取多个发票图像的同一区域(例如,印章所在的区域)在不同时刻的噪声图像,可选的,发票图像可以是不同种类的发票的图像,例如,医疗发票、税务发票等。具体的,使用相机或手机以一定时间间隔对不同种类的发票的印章所在的区域进行拍摄,得到同一区域不同时刻的图像序列,即有噪声的图像序列集。
进一步地,对噪声图像进行裁剪,即对有噪声的图像序列集进行标准化处理,得到第一图像序列集。具体的,使用随机源工具,按照预设尺寸(例如,80x80)对有噪声的图像序列集中的每个有噪声的图像的随机区域进行裁剪,得到第一图像序列集,即同一区域不同时刻的图像序列例如,对印章的左上角、右下角等随机区域进行裁剪,裁剪后的图像大小统一为80x80。
进一步地,训练隐式表示网络,即将第一图像序列集输入隐式神经网络进行图像增强处理,得到初始去噪模型的训练集。如图3所示,隐式神经表示网络包含2个128神经元的全连接层、5个256神经元的全连接层和1个3神经元的全连接层,利用隐式神经表示,可以增加图像的连续性,进一步提升模型的去噪能力。
在一种可选的实施例中,在将第一图像序列集输入隐式神经网络进行图像增强处理,得到初始去噪模型的训练集的过程中,将第一图像序列集输入隐式神经网络的第一子神经网络进行图像连续性增强处理,得到第二图像序列集,然后将有噪声的图像序列集和第二图像序列集输入隐式神经网络的第二子神经网络进行特征组合处理,得到第三图像序列集,然后获取第二图像序列集中的初始时刻图像,并将初始时刻图像和第三图像序列集输入隐式神经网络的第三子神经网络进行特征比对处理,得到训练集。
可选的,隐式神经表示是拟合一个连续函数来表示图像的真实连续状态。图像最常见的表示方式为二维空间上的离散像素点。但是,在真实世界中,图像一般是连续的,或者近似连续,因此,连续的图像表示更符合真实世界。在本实施例中,通过隐式神经表示,弥补离散发票图像裁剪后可能存在的不连续的缺陷。具体的,隐式神经表示优化的损失函数为:
其中,[r,g,b]是图像的RGB像素值组成的3维向量;x,y,z表示图像的像素坐标;i表示图像的角度,隐式神经表示f(·)输出图像对应坐标的RGB值。
进一步地,将有噪声的图像序列集Ii和第二图像序列集ρI′i,即(Ii+ρI′i),ρ=0.001,输入隐式神经网络的第二子神经网络即生成器中,进行特征组合处理,得到第三图像序列集。
进一步地,获取第二图像序列集中的初始时刻图像即隐式神经表示输出的0度图像ρI″0,将初始时刻图像ρI″0和第三图像序列集I′0,即(I′0+ρI″0,ρ=0.001,输入隐式神经网络的第三子神经网络即判别器中,进行特征比对处理,得到训练集。
在一种可选的实施例中,在根据训练集,采用随机优化算法对初始去噪模型进行迭代训练的过程中,确定训练集中的目标时刻图像为样本图像,然后确定训练集中的除样本图像外的图像为标签图像,然后根据样本图像和标签图像,采用随机优化算法对初始去噪模型进行迭代训练。
可选的,训练噪声到噪声的无监督学习网络即初始去噪模型。具体的,将训练集中的某一个时刻的图像作为样本图像,将其他时刻的图像作为标签图像,然后根据样本图像和标签图像,采用随机优化算法对初始去噪模型进行迭代训练。例如,图像作为模型的样本图像,图像/>作为标签图像。
可选的,以n=3为例对训练过程进行说明。具体的,获取同一区域不同时刻的三个含噪声的图像并进行隐式网络训练增强图像,采用Xavier工具对初始去噪模型的参数进行初始化,将图像/>分别输入模型后得到三个输出图像,分别记作通过时序损失函数的公式计算时序损失函数L3,通过Adam算法更新网络参数,由于网络参数变化,此时,网络f函数发生变化,通过更新f不断地最小化损失函数L3,直到最后网络收敛。
在一种可选的实施例中,在将待去噪的目标图像输入目标去噪模型中进行去噪处理,输出去噪后的目标图像之后,对去噪后的目标图像进行图像识别处理,得到待识别图像的图像信息。
可选的,将训练好的神经网络即目标去噪模型应用于银行后台对图像识别的预处理过程,可以提升识别的精度。例如,应用于发票识别算法中,对去噪后的发票图像进行图像识别处理,得到的图像信息可以是印章。
由此可见,通过本发明的技术方案,达到了降低去噪模型的开发和维护成本、提高去噪模型的训练效率的目的,从而实现了提高图像去噪准确度的技术效果,进而解决了现有技术中的图像去噪模型采用干净无噪声的图像进行训练,存在图像去噪准确度低的技术问题。
实施例2
根据本发明实施例,提供了一种图像去噪装置的实施例,其中,图6是根据本发明实施例的一种可选的图像去噪装置的示意图,如图6所示,该装置包括:获取模块601,用于获取待去噪的目标图像,其中,目标图像为待识别图像;处理模块602,用于将待去噪的目标图像输入目标去噪模型中进行去噪处理,输出去噪后的目标图像,其中,目标去噪模型是采用有噪声的图像序列集对初始去噪模型进行训练,并采用时序损失函数对初始去噪模型进行约束得到的,有噪声的图像序列集是采用拍摄设备对样本图像集的目标区域以预设时间间隔进行拍摄得到的。
需要说明的是,上述获取模块601、处理模块602对应于上述实施例中的步骤S101至步骤S102,两个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
可选的,图像去噪装置还包括:第一确定模块,用于确定初始去噪神经网络的网络结构,其中,网络结构由多个网络层构成;第一处理模块,用于根据每个网络层的参数,对初始去噪神经网络进行初始化处理,得到初始去噪模型;第二处理模块,用于根据初始去噪模型,生成时序损失函数;第一获取模块,用于获取初始去噪模型的训练集;第三处理模块,用于根据训练集,采用随机优化算法对初始去噪模型进行迭代训练,直至时序损失函数的数值等于预设阈值,得到目标去噪模型。
可选的,图像去噪装置还包括:第二获取模块,用于获取有噪声的图像序列集;第四处理模块,用于对有噪声的图像序列集进行标准化处理,得到第一图像序列集;第五处理模块,用于将第一图像序列集输入隐式神经网络进行图像增强处理,得到初始去噪模型的训练集。
可选的,第四处理模块包括:第六处理模块,用于根据预设尺寸,对有噪声的图像序列集中的每个有噪声的图像的随机区域进行裁剪,得到第一图像序列集。
可选的,第五处理模块包括:第七处理模块,用于将第一图像序列集输入隐式神经网络的第一子神经网络进行图像连续性增强处理,得到第二图像序列集;第八处理模块,用于将有噪声的图像序列集和第二图像序列集输入隐式神经网络的第二子神经网络进行特征组合处理,得到第三图像序列集;第三获取模块,用于获取第二图像序列集中的初始时刻图像,并将初始时刻图像和第三图像序列集输入隐式神经网络的第三子神经网络进行特征比对处理,得到训练集。
可选的,第三处理模块包括:第二确定模块,用于确定训练集中的目标时刻图像为样本图像;第三确定模块,用于确定训练集中的除样本图像外的图像为标签图像;第九处理模块,用于根据样本图像和标签图像,采用随机优化算法对初始去噪模型进行迭代训练。
可选的,图像去噪装置还包括:第十处理模块,用于对去噪后的目标图像进行图像识别处理,得到待识别图像的图像信息。
实施例3
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的图像去噪方法。
实施例4
根据本发明实施例的另一方面,还提供了一种电子设备,其中,图7是根据本发明实施例的一种可选的电子设备的示意图,如图7所示,电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的图像去噪方法。处理器执行程序时实现以下步骤:获取待去噪的目标图像,其中,目标图像为待识别图像;将待去噪的目标图像输入目标去噪模型中进行去噪处理,输出去噪后的目标图像,其中,目标去噪模型是采用有噪声的图像序列集对初始去噪模型进行训练,并采用时序损失函数对初始去噪模型进行约束得到的,有噪声的图像序列集是采用拍摄设备对样本图像集的目标区域以预设时间间隔进行拍摄得到的。
可选的,处理器执行程序时还实现以下步骤:确定初始去噪神经网络的网络结构,其中,网络结构由多个网络层构成;根据每个网络层的参数,对初始去噪神经网络进行初始化处理,得到初始去噪模型;根据初始去噪模型,生成时序损失函数;获取初始去噪模型的训练集;根据训练集,采用随机优化算法对初始去噪模型进行迭代训练,直至时序损失函数的数值等于预设阈值,得到目标去噪模型。
可选的,处理器执行程序时还实现以下步骤:获取有噪声的图像序列集;对有噪声的图像序列集进行标准化处理,得到第一图像序列集;将第一图像序列集输入隐式神经网络进行图像增强处理,得到初始去噪模型的训练集。
可选的,处理器执行程序时还实现以下步骤:根据预设尺寸,对有噪声的图像序列集中的每个有噪声的图像的随机区域进行裁剪,得到第一图像序列集。
可选的,处理器执行程序时还实现以下步骤:将第一图像序列集输入隐式神经网络的第一子神经网络进行图像连续性增强处理,得到第二图像序列集;将有噪声的图像序列集和第二图像序列集输入隐式神经网络的第二子神经网络进行特征组合处理,得到第三图像序列集;获取第二图像序列集中的初始时刻图像,并将初始时刻图像和第三图像序列集输入隐式神经网络的第三子神经网络进行特征比对处理,得到训练集。
可选的,处理器执行程序时还实现以下步骤:确定训练集中的目标时刻图像为样本图像;确定训练集中的除样本图像外的图像为标签图像;根据样本图像和标签图像,采用随机优化算法对初始去噪模型进行迭代训练。
可选的,处理器执行程序时还实现以下步骤:对去噪后的目标图像进行图像识别处理,得到待识别图像的图像信息。
本文中的设备可以是服务器、PC、PAD、手机等。
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)
1.一种图像去噪方法,其特征在于,应用于图像识别过程中对目标图像的图像预处理过程,包括:
获取待去噪的目标图像,其中,所述目标图像为待识别图像;
将所述待去噪的目标图像输入目标去噪模型中进行去噪处理,输出去噪后的目标图像,其中,所述目标去噪模型是采用有噪声的图像序列集对初始去噪模型进行训练,并采用时序损失函数对所述初始去噪模型进行约束得到的,所述有噪声的图像序列集是采用拍摄设备对样本图像集的目标区域以预设时间间隔进行拍摄得到的。
2.根据权利要求1所述的方法,其特征在于,通过以下步骤生成所述目标去噪模型:
确定初始去噪神经网络的网络结构,其中,所述网络结构由多个网络层构成;
根据每个所述网络层的参数,对所述初始去噪神经网络进行初始化处理,得到所述初始去噪模型;
根据所述初始去噪模型,生成所述时序损失函数;
获取所述初始去噪模型的训练集;
根据所述训练集,采用随机优化算法对所述初始去噪模型进行迭代训练,直至所述时序损失函数的数值等于预设阈值,得到所述目标去噪模型。
3.根据权利要求2所述的方法,其特征在于,在获取所述初始去噪模型的训练集之前,所述方法还包括:
获取所述有噪声的图像序列集;
对所述有噪声的图像序列集进行标准化处理,得到第一图像序列集;
将所述第一图像序列集输入隐式神经网络进行图像增强处理,得到所述初始去噪模型的训练集。
4.根据权利要求3所述的方法,其特征在于,对所述有噪声的图像序列集进行标准化处理,得到第一图像序列集,包括:
根据预设尺寸,对所述有噪声的图像序列集中的每个有噪声的图像的随机区域进行裁剪,得到所述第一图像序列集。
5.根据权利要求3所述的方法,其特征在于,将所述第一图像序列集输入隐式神经网络进行图像增强处理,得到所述初始去噪模型的训练集,包括:
将所述第一图像序列集输入所述隐式神经网络的第一子神经网络进行图像连续性增强处理,得到第二图像序列集;
将所述有噪声的图像序列集和所述第二图像序列集输入所述隐式神经网络的第二子神经网络进行特征组合处理,得到第三图像序列集;
获取所述第二图像序列集中的初始时刻图像,并将所述初始时刻图像和所述第三图像序列集输入所述隐式神经网络的第三子神经网络进行特征比对处理,得到所述训练集。
6.根据权利要求2所述的方法,其特征在于,根据所述训练集,采用随机优化算法对所述初始去噪模型进行迭代训练,包括:
确定所述训练集中的目标时刻图像为样本图像;
确定所述训练集中的除所述样本图像外的图像为标签图像;
根据所述样本图像和所述标签图像,采用随机优化算法对所述初始去噪模型进行迭代训练。
7.根据权利要求1所述的方法,其特征在于,在将所述待去噪的目标图像输入目标去噪模型中进行去噪处理,输出去噪后的目标图像之后,所述方法还包括:
对所述去噪后的目标图像进行图像识别处理,得到所述待识别图像的图像信息。
8.一种图像去噪装置,其特征在于,包括:
获取模块,用于获取待去噪的目标图像,其中,所述目标图像为待识别图像;
处理模块,用于将所述待去噪的目标图像输入目标去噪模型中进行去噪处理,输出去噪后的目标图像,其中,所述目标去噪模型是采用有噪声的图像序列集对初始去噪模型进行训练,并采用时序损失函数对所述初始去噪模型进行约束得到的,所述有噪声的图像序列集是采用拍摄设备对样本图像集的目标区域以预设时间间隔进行拍摄得到的。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的图像去噪方法。
10.一种电子设备,其特征在于,所述电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现用于运行程序,其中,所述程序被设置为运行时执行所述权利要求1至7任一项中所述的图像去噪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697951.XA CN116205802A (zh) | 2022-12-28 | 2022-12-28 | 图像去噪方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697951.XA CN116205802A (zh) | 2022-12-28 | 2022-12-28 | 图像去噪方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116205802A true CN116205802A (zh) | 2023-06-02 |
Family
ID=86508548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211697951.XA Pending CN116205802A (zh) | 2022-12-28 | 2022-12-28 | 图像去噪方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116205802A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116708996A (zh) * | 2023-08-07 | 2023-09-05 | 荣耀终端有限公司 | 一种拍照方法、图像优化模型训练方法及电子设备 |
-
2022
- 2022-12-28 CN CN202211697951.XA patent/CN116205802A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116708996A (zh) * | 2023-08-07 | 2023-09-05 | 荣耀终端有限公司 | 一种拍照方法、图像优化模型训练方法及电子设备 |
CN116708996B (zh) * | 2023-08-07 | 2023-11-17 | 荣耀终端有限公司 | 一种拍照方法、图像优化模型训练方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229591B (zh) | 神经网络自适应训练方法和装置、设备、程序和存储介质 | |
WO2022161286A1 (zh) | 图像检测方法、模型训练方法、设备、介质及程序产品 | |
CN111080628A (zh) | 图像篡改检测方法、装置、计算机设备和存储介质 | |
CN111488865B (zh) | 图像优化方法、装置、计算机存储介质以及电子设备 | |
Deng | A generalized unsharp masking algorithm | |
US20230021661A1 (en) | Forgery detection of face image | |
US9036905B2 (en) | Training classifiers for deblurring images | |
CN110569721A (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
CN110020582B (zh) | 基于深度学习的人脸情绪识别方法、装置、设备及介质 | |
CN110956632B (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
CN110222607B (zh) | 人脸关键点检测的方法、装置及系统 | |
US20080007747A1 (en) | Method and apparatus for model based anisotropic diffusion | |
CN112101386B (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
CN110232318A (zh) | 穴位识别方法、装置、电子设备及存储介质 | |
CN112308866A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113469092B (zh) | 字符识别模型生成方法、装置、计算机设备和存储介质 | |
CN107256543A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114445904A (zh) | 基于全卷积神经网络的虹膜分割方法和装置、介质和设备 | |
CN114926374B (zh) | 一种基于ai的图像处理方法、装置、设备及可读存储介质 | |
CN111445496B (zh) | 一种水下图像识别跟踪系统及方法 | |
CN112434689A (zh) | 识别图片中信息的方法、装置、设备及存储介质 | |
CN116205802A (zh) | 图像去噪方法、装置、存储介质及电子设备 | |
US10657369B1 (en) | Unsupervised removal of text from images using linear programming for optimal filter design | |
CN113378609B (zh) | 代理商代签名的识别方法及装置 | |
CN114283087A (zh) | 一种图像去噪方法及相关设备 |
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 |