CN117455796A - 一种图像去噪方法、装置、设备及存储介质 - Google Patents

一种图像去噪方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117455796A
CN117455796A CN202311423427.8A CN202311423427A CN117455796A CN 117455796 A CN117455796 A CN 117455796A CN 202311423427 A CN202311423427 A CN 202311423427A CN 117455796 A CN117455796 A CN 117455796A
Authority
CN
China
Prior art keywords
image
block
category
training model
parameters
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
CN202311423427.8A
Other languages
English (en)
Inventor
罗文君
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.)
Zhixinke Hefei Chip Design Co ltd
Original Assignee
Zhixinke Hefei Chip Design 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 Zhixinke Hefei Chip Design Co ltd filed Critical Zhixinke Hefei Chip Design Co ltd
Priority to CN202311423427.8A priority Critical patent/CN117455796A/zh
Publication of CN117455796A publication Critical patent/CN117455796A/zh
Pending legal-status Critical Current

Links

Classifications

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

Abstract

本公开提供了一种图像去噪方法、装置、设备及存储介质，其中，方法包括：基于所述初始图像的属性信息对所述初始图像进行归一化处理，得到第一图像；基于第一训练模型和所述第一图像的像素信息，对所述第一图像进行图像分割，得到所述第一图像的类别信息；基于第二训练模型和所述第一图像，对所述第一图像进行统计训练，得到所述第一图像的第一统计参数和第二图像；基于所述第一统计参数和所述第一图像的属性信息，创建第三图像，将所述第一图像、第二图像和第三图像进行叠加，得到第四图像；基于第三训练模型和所述类别信息，对所述第四图像进行图像降噪，得到输出图像。

Description

一种图像去噪方法、装置、设备及存储介质
技术领域
本公开涉及图像处理领域，尤其涉及一种图像去噪方法、装置、设备及存储介质。
背景技术
在低照度下，由于环境照度低，曝光时间受限，进入到图像传感器的光子数量少，这种高噪声水平现象，严重影响了成像质量。而如果通过提高曝光时间方式提升成像质量，又会导致运动对象的成像的模糊，且不利于获得流畅的视频图像效果。
常用的成像技术中，一般会使用同一个模型处理白平衡校正、去马赛克、降噪、颜色空间转换等多项任务，导致图像的处理效果较差。同时训练数据需要大量人工调整才能完成，图像获取难度较大，且图像降噪力度不可调，图像降噪会导致图像细节的损失较大。
发明内容
本公开提供了一种图像去噪方法、装置、设备及存储介质，以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面，提供了一种图像去噪方法，其中，所述方法包括：
获取输入的初始图像以及初始图像的属性信息，基于所述初始图像的属性信息对所述初始图像进行归一化处理，得到第一图像；
基于第一训练模型和所述第一图像的像素信息，对所述第一图像进行图像分割，得到所述第一图像的类别信息；
基于第二训练模型和所述第一图像，对所述第一图像进行统计训练，得到所述第一图像的第一统计参数和第二图像，所述第二图像与所述第一图像维度相同；
基于所述第一统计参数和所述第一图像的属性信息，创建第三图像，所述第三图像与所述第一图像的维度相同，基于相同维度，将所述第一图像、第二图像和第三图像进行叠加，得到第四图像；
基于第三训练模型和所述类别信息，对所述第四图像进行图像降噪，得到输出图像。
在一可实施方式中，所述基于第三训练模型和所述类别信息，对所述第四图像进行图像降噪，包括：
基于所述第四图像像素设置分块格式，基于所述分块格式对所述第四图像进行分块处理，得到至少一个图像块；
基于所述类别信息中各类别的像素信息，对所述图像块中进行类别分割，得到每个图像块得到至少一个类别对应的至少一个分割块；
基于所述至少一个分割块的类别选取对应类别的第三训练模型，基于所述对应类别的第三训练模型对所述至少一个分割块进行降噪处理，得到至少一个类别块；
基于所述各类别的像素信息将所述至少一个类别块进行拼接，得到与所述至少一个图像块对应的输出块；
基于所述分块格式，将所述至少一个图像块对应的输出块进行组合，得到与所述输入图像对应的输出图像。
在一可实施方式中，所述基于所述第一统计参数和所述第一图像的属性信息，创建第三图像，包括：
所述第一统计参数包括噪声水平值和亮度增益值，基于所述第一图像的属性信息中的图像分辨率创建第一格式图像，以及基于所述第一图像的第一统计参数中的噪声水平值设置第一降噪参数；
基于所述第一降噪参数、所述噪声水平值和所述第一格式图像，创建第三图像。
在一可实施方式中，所述将所述第一图像、第二图像和第三图像进行叠加，得到第四图像，包括：
基于所述亮度增益值，对所述第一图像的亮度值进行调整，得到第五图像；
基于所述相同维度，将所述第五图像、所述第二图像和所述第三图像进行叠加，得到第四图像。
在一可实施方式中，所述基于第二训练模型和所述第一图像，对所述第一图像进行统计训练，得到所述第一图像的第一统计参数和第二图像，包括：
获取数据库中待处理图像以及对应的图像参数，基于所述图像参数设置期待值，基于所述待处理图像、图像参数和期待值建立第二训练模型，得到所述第二训练模型的模型参数；
基于所述第二训练模型、所述模型参数和所述第一图像，对所述第一图像进行统计训练，得到所述第一图像的第一统计参数和第二图像。
根据本公开的第二方面，提供了一种图像去噪装置，其中，所述装置包括：
图像获取单元，用于获取输入的初始图像以及初始图像的属性信息，基于所述初始图像的属性信息对所述初始图像进行归一化处理，得到第一图像；
图像分割单元，用于基于第一训练模型和所述第一图像的像素信息，对所述第一图像进行图像分割，得到所述第一图像的类别信息；
图像统计单元，用于基于第二训练模型和所述第一图像，对所述第一图像进行统计训练，得到所述第一图像的第一统计参数和第二图像，所述第二图像与所述第一图像维度相同；
图像融合单元，用于基于所述第一统计参数和所述第一图像的属性信息，创建第三图像，所述第三图像与所述第一图像的维度相同，基于相同维度，将所述第一图像、第二图像和第三图像进行叠加，得到第四图像；
图像降噪单元，用于基于第三训练模型和所述类别信息，对所述第四图像进行图像降噪，得到输出图像。
在一可实施方式中，所述图像降噪单元还用于，基于所述第四图像像素设置分块格式，基于所述分块格式对所述第四图像进行分块处理，得到至少一个图像块；基于所述类别信息中各类别的像素信息，对所述图像块中进行类别分割，得到每个图像块得到至少一个类别对应的至少一个分割块；基于所述至少一个分割块的类别选取对应类别的第三训练模型，基于所述对应类别的第三训练模型对所述至少一个分割块进行降噪处理，得到至少一个类别块；
所述图像融合单元还用于，所述第一统计参数包括噪声水平值和亮度增益值，基于所述第一图像的属性信息中的图像分辨率创建第一格式图像，以及基于所述第一图像的第一统计参数中的噪声水平值设置第一降噪参数；基于所述第一降噪参数、所述噪声水平值和所述第一格式图像，创建第三图像；基于所述亮度增益值，对所述第一图像的亮度值进行调整，得到第五图像；基于所述相同维度，将所述第五图像、所述第二图像和所述第三图像进行叠加，得到第四图像；所述图像统计单元还用于，获取数据库中待处理图像以及对应的图像参数，基于所述图像参数设置期待值，基于所述待处理图像、图像参数和期待值建立第二训练模型，得到所述第二训练模型的模型参数；基于所述第二训练模型、所述模型参数和所述第一图像，对所述第一图像进行统计训练，得到所述第一图像的第一统计参数和第二图像。
在一可实施方式中，所述装置还包括：
图像合并单元，用于基于所述各类别的像素信息将所述至少一个类别块进行拼接，得到与所述至少一个图像块对应的输出块；基于所述分块格式，将所述至少一个图像块对应的输出块进行组合，得到与所述输入图像对应的输出图像。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的一种图像去噪方法、装置、设备及存储介质，通过训练模型，对输入图像进行统计训练，得到第一统计参数和第二图像，利用第一训练模型对输入图像按像素类别进行分割，按照分割后的像素类别对图像进行去噪处理，通过设置可调节的第一降噪参数，灵活控制图像整体、指定像素类别的降噪力度，从而达到兼顾图像降噪效果和图像细节保留的目的。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1示出了本公开实施例一种图像去噪方法的实现流程示意图一；
图2示出了本公开实施例一种图像去噪方法的实现流程示意图二；
图3示出了本公开实施例一种图像去噪装置的示意图；
图4示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而非全部实施例。基于本公开中的实施例，本领域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，都属于本公开保护的范围。
图1示出了本公开实施例一种图像去噪方法的实现流程示意图一；如图1所示，本公开实施例一种图像去噪方法的实现流程包括以下步骤：
步骤101，获取输入的初始图像以及初始图像的属性信息，基于所述初始图像的属性信息对所述初始图像进行归一化处理，得到第一图像。
本公开实施例中，输入的初始图像格式为原始图像文件(RAW)格式或彩色语言协议(standard Red Green Blue，sRGB)格式的初始图像imOri(RAW格式的带噪图像)，其中，初始图像的属性信息包括：图像黑电平衡值、图像像素最高可取值、图像分辨率。对初始图像imOri进行归一化处理得到第一图像，其中，归一化处理包括：根据图像的黑电平衡值、图像像素最高可取值以及RAW格式的带噪图像，计算得到第一图像。
步骤102，基于第一训练模型和所述第一图像的像素信息，对所述第一图像进行图像分割，得到所述第一图像的类别信息。
本公开实施例中，第一训练模型用于对图像中的类别进行分割，优选的，采用UNet结构的全卷积神经网络作为第一训练模型来对第一图像进行分割，得到第一图像的类别信息，即输出图像中所有像素点的类别信息。
步骤103，基于第二训练模型和所述第一图像，对所述第一图像进行统计训练，得到所述第一图像的第一统计参数和第二图像，所述第二图像与所述第一图像维度相同。
本公开实施例中，获取数据库中待处理图像以及对应的图像参数，基于所述图像参数设置期待值，基于所述待处理图像、图像参数和期待值建立第二训练模型，得到所述第二训练模型的模型参数；基于所述第二训练模型、所述模型参数和所述第一图像，对所述第一图像进行统计训练，得到所述第一图像的第一统计参数和第二图像。优选的，第二训练模型训练为三个输出的全卷积神经网络。模型输出即为：第一统计参数和第二图像，其中，第二图像为预降噪图像，第一统计参数包括：噪声水平值和亮度增益。
步骤104，基于所述第一统计参数和所述第一图像的属性信息，创建第三图像，所述第三图像与所述第一图像的维度相同，基于相同维度，将所述第一图像、第二图像和第三图像进行叠加，得到第四图像。
本公开实施例中，基于所述第一图像的属性信息中的图像分辨率创建第一格式图像，以及基于所述第一图像的第一统计参数中的噪声水平值设置第一降噪参数；基于所述第一降噪参数、所述噪声水平值和所述第一格式图像，创建第三图像。其中，第一格式图像是像素值为1的单通道图像，其图像长宽值与上述第一图像相同，第一降噪参数用于控制降噪过程中的降噪强度，根据第一统计参数综合你的噪声水平值设置，即根据图像的噪点信息自定义，实际使用中可以根据不同图像的质量进行调节。第三图像是基于上述像素值为1的单通道图像、第一降噪参数和噪声水平值创建生成。
本公开实施例中，基于上述亮度增益值，对所述第一图像的亮度值进行调整，得到第五图像；基于所述相同维度，即第二图像、第五图像、第三图像处于相同的尺寸，将所述第五图像、所述第二图像和所述第三图像进行叠加，得到第四图像。其中，将上述第一图像乘以上述亮度增益值，得到第五图像，
步骤105，基于第三训练模型和所述类别信息，对所述第四图像进行图像降噪，得到输出图像。
本公开实施例中，基于所述第四图像像素设置分块格式，基于所述分块格式对所述第四图像进行分块处理，得到至少一个图像块；其中，分块格式取决于图像的像素大小，分块后的图像块的块尺寸相同。基于所述类别信息中各类别的像素信息，对所述图像块中进行类别分割，得到每个图像块得到至少一个类别对应的至少一个分割块；其中，分割块与其对应的图像块中的像素类别相对应，像素类别根据使用场景进行配置。基于所述至少一个分割块的类别选取对应类别的第三训练模型，基于所述对应类别的第三训练模型对所述至少一个分割块进行降噪处理，得到至少一个类别块；其中，第三训练模型为图像降噪模型，优选的，采用四个下采样层和四个上采样层的结构神经网络(UNet)作为降噪模型，根据上述对分割块对应的像素类别，选择对应类别的第三训练模型。所述类别块与其降噪前的分割块相对应。基于所述各类别的像素信息将所述至少一个类别块进行拼接，得到与所述至少一个图像块对应的输出块；基于所述分块格式，将所述至少一个图像块对应的输出块进行组合，得到与所述输入图像对应的输出图像。
图2示出了本公开实施例一种图像去噪方法的实现流程示意图二；如图2所示，本公开实施例中一种图像去噪的实现流程包括以下步骤：
步骤201，获取输入的原始图像，对原始图像进行归一化处理得到输入图像。
本公开实施例中，输入的原始图像格式为RAW格式或sRGB格式的原始图像imOri，对原始图像imOri进行归一化处理得到imInput(输入图像)，其中，归一化处理包括基于图像的黑电平值和图像像素的最高可取值对原始图像进行优化，以原始图像为RAW格式为例：
imInput＝(imOri-black Level)/(white Level-black Level)
其中，imInput为输入图像，imOri为RAW格式的带噪图像，black Level为RAW图像的黑电平值，white Level为RAW图像像素的最高可取值。
步骤202，将输入图像进行图像分割，得到输入图像中像素对应的类别信息。
本公开实施例中，对上述imInput数据，即输入图像进行图像分割，图像分割模型采用UNet结构的全卷积神经网络，输出图像中所有像素点的类别信息，例如：
imSegment＝Fsegment(imInput；Wsegment)
其中，Wsegment图像分割模型的CNN网络参数，imSegment为图像分割结果，Fsegment为上述图像分割模型对应的图像分割方法。其中，像素的类别根据使用场景进行配置，以设置为人脸、植物、道路、室内景物、动物，此五个类别为例。
步骤203，将输入图像进行图像统计，得到图像统计参数和预降噪图像。
本公开实施例中，上述imInput数据，即输入图像进行图像统计，图像统计模型采用三个输出的全卷积神经网络，输出结果包括：图像统计参数和预降噪图像imNRPre，统计参数包括：输出噪声水平值σ、亮度增益ratio，例如：
σ、ratio、imNRPre＝Fstatistics(imInput；Wstatistics)
其中，Wstatistics是三个输出全卷积神经网络(CNN)的的参数，Fstatistics为上述图像统计模型对应的图像统计方法。其中预降噪图像imNRPre与输入图像imInput的维度保持一致。
步骤204，基于上述输入图像、图像统计参数、预降噪图像进行降噪前数据融合。
本公开实施例中，基于上述图像统计参数中的噪声水平值σ，设置λ为降噪力度控制参数，基于上述输入图像建立像素值为1的单通道图像one(x,y)，其中，所述单通道图像的长宽与上述输入图像保持一致。基于所述单通道图像one(x,y)、噪声水平值σ、降噪力度控制参数λ，创建第一格式图像nosieMap(噪声图)，例如：
nosieMap＝one(x,y)*σ*λ
基于生成的第一格式图像，以及输入图像，图像统计参数中的亮度增益ratio，预降噪图像，进行降噪前数据融合，得到的融合结果为上述各图像叠加后的图像，例如：
imFusion＝concat(imInput*ratio；ImNRPre；nosieMap)
其中，concat操作是指将图像数据在通道维度上进行叠加，imFusion为融合结果。
步骤205，基于上述数据融合结果和图像中像素对应的类别信息进行降噪。
本公开实施例中，采用包含四个下采样层四个上采样层的UNet结构神经网络作为降噪模型，各类别的降噪模型的网络结构相同，根据上述图像分割得到的像素点的类别信息，对单一类别图像使用指定模型进行依次处理。具体为：对上述融合结果，即融合后的图像进行分块处理，分块尺寸根据图像分辨率大小可以自行设置，以块尺寸为256*256为例，根据imSegment提供的图像类别和当前处理块的坐标，获得当前处理块图像包含的像素类别，并按照像素类别对所述处理块进行分割，分别将分割后的图像输入到指定像素类别的降噪模型进行处理。例如，当处理块包含人脸类别的像素时，对应方法为：
imBlockNR_face＝FNR_face(imBlock；WNR_face)
其中，FNR_face为上述降噪模型对应的人脸类别降噪模型的降噪方法，imBlockNR_face为人脸类别降噪模型的输出结果，即处理块中人脸类别的像素对应的降噪结果，imBlock为输入的处理块中的人脸类别的像素，WNR_face为人脸类别降噪模型的模型参数。
步骤206，将上述降噪后的数据进行数据融合，得到输出图像。
本公开实施例中，若处理块中仅为单一类别的像素信息，则直接将处理块进行拼接即可输出降噪后图像；若处理块中包含多个类别像素时，则使用对应的降噪模型对此处理块进行处理后，将得到多个处理结果，按照上述类别分割时的像素类别的范围，对所述多个处理结果进行拼接，得到该处理块的降噪结果，并将不同处理块的降噪结果进行拼接，得到输入图像对应的降噪后图像。
本公开实施例中，通过一个多分支结构的全卷积神经网络，作为图像统计模块，输出带噪图像的噪声水平、图像增益、预降噪图像。使用UNet结构的图像分割网络，获得带噪图像的像素类别。使用指定的神经网络，对图像中不同类别像素，分别进行去噪处理。通过可设置的去噪力度参数，灵活控制图像整体、指定像素类别的降噪力度，从而达到兼顾图像降噪效果和图像细节保留的目的。
图3示出了本公开实施例一种图像去噪装置的示意图；如图3所示，本公开实施例一种图像去噪装置包括以下单元：
图像获取单元301，用于获取输入的初始图像以及初始图像的属性信息，基于所述初始图像的属性信息对所述初始图像进行归一化处理，得到第一图像。
图像分割单元302，用于基于第一训练模型和所述第一图像的像素信息，对所述第一图像进行图像分割，得到所述第一图像的类别信息。
图像统计单元303，用于基于第二训练模型和所述第一图像，对所述第一图像进行统计训练，得到所述第一图像的第一统计参数和第二图像，所述第二图像与所述第一图像维度相同。
图像融合单元304，用于基于所述第一统计参数和所述第一图像的属性信息，创建第三图像，所述第三图像与所述第一图像的维度相同，基于相同维度，将所述第一图像、第二图像和第三图像进行叠加，得到第四图像。
所述图像融合单元还用于，所述第一统计参数包括噪声水平值和亮度增益值，基于所述第一图像的属性信息中的图像分辨率创建第一格式图像，以及基于所述第一图像的第一统计参数中的噪声水平值设置第一降噪参数；基于所述第一降噪参数、所述噪声水平值和所述第一格式图像，创建第三图像；基于所述亮度增益值，对所述第一图像的亮度值进行调整，得到第五图像；基于所述相同维度，将所述第五图像、所述第二图像和所述第三图像进行叠加，得到第四图像；所述图像统计单元还用于，获取数据库中待处理图像以及对应的图像参数，基于所述图像参数设置期待值，基于所述待处理图像、图像参数和期待值建立第二训练模型，得到所述第二训练模型的模型参数；基于所述第二训练模型、所述模型参数和所述第一图像，对所述第一图像进行统计训练，得到所述第一图像的第一统计参数和第二图像。
图像降噪单元305，用于基于第三训练模型和所述类别信息，对所述第四图像进行图像降噪，得到输出图像。
所述图像降噪单元还用于，基于所述第四图像像素设置分块格式，基于所述分块格式对所述第四图像进行分块处理，得到至少一个图像块；基于所述类别信息中各类别的像素信息，对所述图像块中进行类别分割，得到每个图像块得到至少一个类别对应的至少一个分割块；基于所述至少一个分割块的类别选取对应类别的第三训练模型，基于所述对应类别的第三训练模型对所述至少一个分割块进行降噪处理，得到至少一个类别块。
图像合并单元306，用于基于所述各类别的像素信息将所述至少一个类别块进行拼接，得到与所述至少一个图像块对应的输出块；基于所述分块格式，将所述至少一个图像块对应的输出块进行组合，得到与所述输入图像对应的输出图像。
在示例性实施例中，图像获取单元301、图像分割单元302、图像统计单元303、图像融合单元304、图像降噪单元305、图像合并单元306等可以被一个或多个中央处理器(CPU，Central Processing Unit)、图形处理器(GPU，Graphics Processing Unit)、应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现。
关于上述实施例中的装置，其中各个模块及单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。
图4示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如一种图像去噪方法。例如，在一些实施例中，一种图像去噪方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的一种图像去噪方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行一种图像去噪方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种图像去噪方法，其特征在于，所述方法包括：
获取输入的初始图像以及初始图像的属性信息，基于所述初始图像的属性信息对所述初始图像进行归一化处理，得到第一图像；
基于第一训练模型和所述第一图像的像素信息，对所述第一图像进行图像分割，得到所述第一图像的类别信息；
基于第二训练模型和所述第一图像，对所述第一图像进行统计训练，得到所述第一图像的第一统计参数和第二图像，所述第二图像与所述第一图像维度相同；
基于所述第一统计参数和所述第一图像的属性信息，创建第三图像，所述第三图像与所述第一图像的维度相同，基于相同维度，将所述第一图像、第二图像和第三图像进行叠加，得到第四图像；
基于第三训练模型和所述类别信息，对所述第四图像进行图像降噪，得到输出图像。
2.根据权利要求1所述的方法，其特征在于，所述基于第三训练模型和所述类别信息，对所述第四图像进行图像降噪，包括：
基于所述第四图像像素设置分块格式，基于所述分块格式对所述第四图像进行分块处理，得到至少一个图像块；
基于所述类别信息中各类别的像素信息，对所述图像块中进行类别分割，得到每个图像块得到至少一个类别对应的至少一个分割块；
基于所述至少一个分割块的类别选取对应类别的第三训练模型，基于所述对应类别的第三训练模型对所述至少一个分割块进行降噪处理，得到至少一个类别块；
基于所述各类别的像素信息将所述至少一个类别块进行拼接，得到与所述至少一个图像块对应的输出块；
基于所述分块格式，将所述至少一个图像块对应的输出块进行组合，得到与所述输入图像对应的输出图像。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一统计参数和所述第一图像的属性信息，创建第三图像，包括：
所述第一统计参数包括噪声水平值和亮度增益值，基于所述第一图像的属性信息中的图像分辨率创建第一格式图像，以及基于所述第一图像的第一统计参数中的噪声水平值设置第一降噪参数；
基于所述第一降噪参数、所述噪声水平值和所述第一格式图像，创建第三图像。
4.根据权利要求3所述的方法，其特征在于，所述将所述第一图像、第二图像和第三图像进行叠加，得到第四图像，包括：
基于所述亮度增益值，对所述第一图像的亮度值进行调整，得到第五图像；
基于所述相同维度，将所述第五图像、所述第二图像和所述第三图像进行叠加，得到第四图像。
5.根据权利要求1所述的方法，其特征在于，所述基于第二训练模型和所述第一图像，对所述第一图像进行统计训练，得到所述第一图像的第一统计参数和第二图像，包括：
获取数据库中待处理图像以及对应的图像参数，基于所述图像参数设置期待值，基于所述待处理图像、图像参数和期待值建立第二训练模型，得到所述第二训练模型的模型参数；
基于所述第二训练模型、所述模型参数和所述第一图像，对所述第一图像进行统计训练，得到所述第一图像的第一统计参数和第二图像。
6.一种图像去噪装置，其特征在于，所述装置包括：
图像获取单元，用于获取输入的初始图像以及初始图像的属性信息，基于所述初始图像的属性信息对所述初始图像进行归一化处理，得到第一图像；
图像分割单元，用于基于第一训练模型和所述第一图像的像素信息，对所述第一图像进行图像分割，得到所述第一图像的类别信息；
图像统计单元，用于基于第二训练模型和所述第一图像，对所述第一图像进行统计训练，得到所述第一图像的第一统计参数和第二图像，所述第二图像与所述第一图像维度相同；
图像融合单元，用于基于所述第一统计参数和所述第一图像的属性信息，创建第三图像，所述第三图像与所述第一图像的维度相同，基于相同维度，将所述第一图像、第二图像和第三图像进行叠加，得到第四图像；
图像降噪单元，用于基于第三训练模型和所述类别信息，对所述第四图像进行图像降噪，得到输出图像。
7.根据权利要求6所述的装置，其特征在于，
所述图像降噪单元还用于，基于所述第四图像像素设置分块格式，基于所述分块格式对所述第四图像进行分块处理，得到至少一个图像块；基于所述类别信息中各类别的像素信息，对所述图像块中进行类别分割，得到每个图像块得到至少一个类别对应的至少一个分割块；基于所述至少一个分割块的类别选取对应类别的第三训练模型，基于所述对应类别的第三训练模型对所述至少一个分割块进行降噪处理，得到至少一个类别块；
所述图像融合单元还用于，所述第一统计参数包括噪声水平值和亮度增益值，基于所述第一图像的属性信息中的图像分辨率创建第一格式图像，以及基于所述第一图像的第一统计参数中的噪声水平值设置第一降噪参数；基于所述第一降噪参数、所述噪声水平值和所述第一格式图像，创建第三图像；基于所述亮度增益值，对所述第一图像的亮度值进行调整，得到第五图像；基于所述相同维度，将所述第五图像、所述第二图像和所述第三图像进行叠加，得到第四图像；所述图像统计单元还用于，获取数据库中待处理图像以及对应的图像参数，基于所述图像参数设置期待值，基于所述待处理图像、图像参数和期待值建立第二训练模型，得到所述第二训练模型的模型参数；基于所述第二训练模型、所述模型参数和所述第一图像，对所述第一图像进行统计训练，得到所述第一图像的第一统计参数和第二图像。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
图像合并单元，用于基于所述各类别的像素信息将所述至少一个类别块进行拼接，得到与所述至少一个图像块对应的输出块；基于所述分块格式，将所述至少一个图像块对应的输出块进行组合，得到与所述输入图像对应的输出图像。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行根据权利要求1-5中任一项所述的方法。
CN202311423427.8A 2023-10-30 2023-10-30 一种图像去噪方法、装置、设备及存储介质 Pending CN117455796A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311423427.8A CN117455796A (zh) 2023-10-30 2023-10-30 一种图像去噪方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311423427.8A CN117455796A (zh) 2023-10-30 2023-10-30 一种图像去噪方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117455796A true CN117455796A (zh) 2024-01-26

Family

ID=89588758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311423427.8A Pending CN117455796A (zh) 2023-10-30 2023-10-30 一种图像去噪方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117455796A (zh)

Similar Documents

Publication Publication Date Title
CN111507914B (zh) 人脸修复模型的训练方法、修复方法、装置、设备和介质
CN112541876B (zh) 卫星图像处理方法、网络训练方法、相关装置及电子设备
CN108364270B (zh) 偏色图像颜色还原方法及装置
US20200410213A1 (en) Method and apparatus for processing mouth image
CN111489322B (zh) 给静态图片加天空滤镜的方法及装置
CN109493296A (zh) 图像增强方法、装置、电子设备及计算机可读介质
US20200106944A1 (en) Systems And Methods Of Image Enhancement
CN112785501B (zh) 文字图像的处理方法、装置、设备和存储介质
CN112991236B (zh) 一种基于模板的图像增强方法及装置
CN113658196A (zh) 红外图像中船舶的检测方法、装置、电子设备和介质
CN116342434B (zh) 一种图像处理方法、装置、设备及存储介质
CN113344213A (zh) 知识蒸馏方法、装置、电子设备及计算机可读存储介质
CN111833262A (zh) 图像降噪方法、装置及电子设备
CN117455796A (zh) 一种图像去噪方法、装置、设备及存储介质
CN116309158A (zh) 网络模型的训练方法、三维重建方法、装置、设备和介质
CN115775215A (zh) 图像处理方法、装置、电子设备和存储介质
CN114998172A (zh) 图像处理方法及相关系统
CN116309160B (zh) 图像分辨率修复方法、装置、设备及存储介质
CN112991206B (zh) 图像处理方法、装置、设备和存储介质
WO2024212750A1 (zh) 图像信号处理方法、装置、设备及计算机可读存储介质
CN114418887B (zh) 一种图像增强方法、装置、电子设备及存储介质
CN117635477A (zh) 一种视频去噪方法、装置，设备及存储介质
CN117934287B (zh) 深度图像的超分辨率重建方法、终端设备及存储介质
WO2022117067A1 (en) Content-aware bifurcated upscaling
CN117437307A (zh) 图像处理方法、装置及电子设备

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