[发明专利]一种去噪方法及装置

说明书

本发明实施例公开了一种神经网络的训练方法、去噪方法及装置。其中，神经网络的训练方法包括：建立初始神经网络，所述初始神经网络至少包括降采样网络层、残差网络层和上采样网络层；根据预设训练样本集对所述初始神经网络进行迭代训练，生成去噪神经网络，所述训练样本集包括加噪样本集和与所述加噪样本集对应的去噪样本集。本发明实施例解决了现有技术中对图像进行去噪时需要大量用户的手动操作问题，实现了对输入图像的自动快速去噪处理。

技术领域

本发明实施例涉及图像处理技术，尤其涉及一种去噪方法及装置。

背景技术

噪声是影响图像或视频质量的主要因素之一，去噪是图像处理领域和机器人视觉领域的常见问题，目前常用的去噪方法包括如下两种：基于图像先验的方法和基于判别式学习的方法。

其中，基于图像先验的方法通常会使用一些假定的先验信息，例如非局部自相似模型、稀疏模型、梯度模型或者马尔可夫随机场模型等，但是基于图像先验的方法往往具有如下问题：其一，在去噪阶段使用了非常复杂的优化函数，导致去噪过程非常耗时；其二，通常使用非凸优化算法，并且包含很多人为设定的参数，上述问题导致基于图像先验的方法很难直接应用于工程实践中。

基于判别式学习的方法是在训练阶段来学习图像先验，仍然需要手动设置很多参数，难以进行盲去噪。

发明内容

本发明实施例提供一种神经网络的训练方法、去噪方法及装置，以实现快速滤除图像噪声。

第一方面，本发明实施例提供了一种神经网络的训练方法，该方法包括：

建立初始神经网络，所述初始神经网络至少包括降采样网络层、残差网络层和上采样网络层；

根据预设训练样本集对所述初始神经网络进行迭代训练，生成去噪神经网络，所述训练样本集包括加噪样本集和与所述加噪样本集对应的去噪样本集。

进一步的，所述残差网络层的前端和尾端进行跳跃连接。

进一步的，所述残差网络层包括第一预设数量的残差块，所述残差块的前端和尾端进行跳跃连接。

进一步的，所述残差块包括两个卷积层和一个激活函数层，所述激活函数层位于所述两个卷积层之间。

进一步的，所述初始神经网络还包括增强网络层，所述增强网络层包括第二预设数量的卷积层和第三预设数量的激活函数层，所述增强网络层中的卷积层和激活函数层交替连接。

进一步的，根据训练样本集对所述初始神经网络进行迭代训练，生成去噪神经网络，包括：

将所述加噪样本集中的加噪样本输入所述初始神经网络，生成训练图像；

根据与所述加噪样本对应的去噪样本与所述训练图像确定损失信息，根据所述损失信息调节所述初始神经网络的网络参数，生成所述去噪神经网络。

进一步的，所述训练样本集是预先设置的，所述训练样本集的设置方法为：

对所述去噪样本集中的去噪样本进行加噪处理，形成加噪样本集。

第二方面，本发明实施例还提供了一种去噪方法，该方法包括：

提取待处理图像和/或视频的特征信息；

去噪神经网络根据所述特征信息对所述待处理图像和/或视频进行去噪处理，生成去噪图像和/或视频，其中，所述去噪神经网络基于本发明任一实施例提供的任一神经网络的训练方法确定。

第三方面，本发明实施例还提供了一种神经网络的训练装置，该装置包括：

神经网络建立模块，用于建立初始神经网络，所述初始神经网络至少包括降采样网络层、残差网络层和上采样网络层；