[发明专利]图像降噪方法、装置、系统和存储介质

说明书

本申请提供了一种图像降噪方法、装置、系统和存储介质。所述方法包括：通过卷积神经网络的特征提取层对包含噪声的初始图像进行卷积操作以提取初级特征图；通过所述卷积神经网络的激活层对所述初级特征图进行非线性变换以获取次级特征图；以及通过所述卷积神经网络的重建层对所述次级特征图进行反卷积操作以得到降噪后的增强图像。所述卷积神经网络预先利用多组配对的含噪声训练图像和无噪声真值图像进行训练。

技术领域

本申请涉及图像处理领域，具体地，涉及一种图像降噪方法、装置、系统和存储介质。

背景技术

受制于摄像镜头的一些硬件(诸如，感光芯片大小、光圈大小等)的限制，摄像镜头拍摄的图像可能存在一些噪声或缺陷。例如，在弱光环境下进行拍摄时，图像可能会出现模糊、虚影、昏暗和噪点多的缺陷。

为解决上述问题，一种方法是增加曝光时间来增加进光量，从而提升整体亮度。但这样做通常会增加拍摄难度并导致图像中噪点增多，从而影响用户体验或视觉感受。另一种方法是采用软件降噪的方法对图像进行后期处理，以提升亮度和降低噪声。

当前市场上已存在一些传统的图像降噪方法，诸如全变分、小波预处理、稀疏编码、核范数或三维匹配算法等。

发明内容

本申请提供了一种图像降噪方法。所述方法包括：通过卷积神经网络的特征提取层对包含噪声的初始图像进行卷积操作以提取初级特征图；通过所述卷积神经网络的激活层对所述初级特征图进行非线性变换以获取次级特征图；以及通过所述卷积神经网络的重建层对所述次级特征图进行反卷积操作以得到降噪后的增强图像。所述卷积神经网络预先利用多组配对的含噪声训练图像和无噪声真值图像进行训练。

根据本申请实施例，通过卷积神经网络的特征提取层对包含噪声的初始图像进行卷积操作以提取初级特征图可包括：对所述初始图像进行剪裁以符合特定宽高比；和/或对所述初始图像进行归一化以将所述初始图像的像素值转换到特定数值范围内。

根据本申请实施例，所述激活层可包括修正线性单元。

根据本申请实施例，通过所述卷积神经网络的激活层对所述初级特征图进行非线性变换以获取次级特征图可包括：通过所述激活层对所述初级特征图进行非线性变换以获取激活特征图；以及通过所述卷积神经网络的池化层对所述激活特征图进行下采样以获取所述次级特征图。

根据本申请实施例，所述池化层可包括最大池化层或平均池化层。

根据本申请实施例，所述训练可包括：在光照充足的环境下拍摄对象以获得所述无噪声真值图像；在光照不足的环境下拍摄所述对象以获得所述含噪声训练图像；将所述含噪声训练图像用作所述初始图像以利用所述卷积神经网络重建获得所述重建图像；将所重建的重建图像与所述无噪声真值图像进行比较以获得训练误差；以及将所述训练误差迭代地反向传播经过所述卷积神经网络以修正所述卷积神经网络的参数，直至所述训练误差满足收敛条件。

根据本申请实施例，所述训练过程可利用L1范数对所述卷积神经网络的参数进行正则化。

本申请还提供了一种图像降噪装置。所述装置包括：特征提取器，通过所述卷积神经网络的特征提取层对包含噪声的初始图像进行卷积操作以提取初级特征图；特征激活器，通过所述卷积神经网络的激活层对所述初级特征图进行非线性变换以获取次级特征图；图像重建器，通过所述卷积神经网络的重建层对所述次级特征图进行反卷积操作以得到降噪后的增强图像；以及训练器，预先利用多组配对的含噪声训练图像和无噪声真值图像训练所述卷积神经网络。