[发明专利]信息处理方法及设备

说明书

本公开提供信息处理方法及设备，信息处理方法包括：获取原始图像；将所述原始图像输入深度卷积网络模型，所述深度卷积网络模型用于根据噪声图像预测得到去噪图像；通过所述深度卷积网络模型得到预测图像，所述预测图像为所述深度卷积网络模型根据所述原始图像预测得到的去除噪声后的图像。该技术方案利用深度卷积网络模型，根据原始图像预测得到去除噪声后的图像。得益于深度卷积网络强大的建模能力，深度卷积网络模型可更准确地预测噪声信号的位置、强度，从而提高去噪的准确性。

技术领域

本公开涉及信息技术领域，尤其涉及信息处理方法及设备。

背景技术

图像去噪是图像处理中极其重要的步骤，去噪常常在更高级的图像处理步骤之前进行，是图像处理的基础。噪声信号的位置、强度均存在随机性，如何提高去噪的准确性是图像去噪的难点。

发明内容

本公开的实施例提供信息处理方法及设备，技术方案如下：

根据本公开实施例的第一方面，提供一种信息处理方法，包括：

获取原始图像；

将所述原始图像输入深度卷积网络模型，所述深度卷积网络模型用于根据噪声图像预测得到去噪图像；

通过所述深度卷积网络模型得到预测图像，所述预测图像为所述深度卷积网络模型根据所述原始图像预测得到的去除噪声后的图像。

本公开提供的技术方案，利用深度卷积网络模型，根据原始图像预测得到去除噪声后的图像。得益于深度卷积网络强大的建模能力，深度卷积网络模型可更准确地预测噪声信号的位置、强度，从而提高去噪的准确性。

在一个实施例中，所述深度卷积网络模型包括K个残差结构，K≥2，相邻前一残差结构的输出为相邻后一残差结构的输入；

每个残差结构通过L个连续的卷积层预测输入图像x的噪声F(x)，输出去除噪声F(x)后的图像F(x)+x，其中，L≥2，F(x)的参数为L个卷积层的参数。

在一个实施例中，所述获取原始图像之前，还包括：

以mean_squared_error为目标函数，以噪声图训练样本集训练深度卷积网络，得到所述深度卷积网络模型的每个残差结构中各卷积层的参数。

在一个实施例中，所述获取原始图像，包括：

获取原始RGB图像；

或者，获取原始红外图像；

或者，获取原始深度图像。

在一个实施例中，所述将所述原始图像输入深度卷积网络模型之前，还包括：

填补所述原始图像中的缺失值。

根据本公开实施例的第二方面，提供一种信息处理设备，包括：

获取模块，用于获取原始图像；

输入模块，用于将所述原始图像输入预测模块的深度卷积网络模型，所述深度卷积网络模型用于根据噪声图像预测得到去噪图像；

所述预测模块，用于通过所述深度卷积网络模型得到预测图像，所述预测图像为所述深度卷积网络模型根据所述原始图像预测得到的去除噪声后的图像。

在一个实施例中，所述预测模块的深度卷积网络模型包括K个残差结构，K≥2，相邻前一残差结构的输出为相邻后一残差结构的输入；

每个残差结构通过L个连续的卷积层预测输入图像x的噪声F(x)，输出去除噪声F(x)后的图像F(x)+x，其中，L≥2，F(x)的参数为L个卷积层的参数。

在一个实施例中，所述预测模块包括：