[发明专利]一种图像降噪处理方法及一种存储设备

说明书

本发明涉及图像噪声处理领域，特别涉及一种图像降噪处理方法及一种存储设备。所述一种图像降噪处理方法，包括步骤：获取短曝光模式下曝光的照片；对短曝光后的n张照片的每个像素点，进行均值处理去除像素点上的随机噪声，获得一张无噪声图片；获取短曝光模式下中间动态过程照片数张，对获取的照片进行均值处理，获得一张噪声图片；输入无噪声图片和噪声图片至神经网络单元进行深度学习训练，获得最终图片；根据最终图片的噪声值与噪声图片与无噪声图片的差值求范数；根据范数调整神经网络单元。经过调整后的神经网络可很好地去除实际图像中的斑块状噪声、色噪等各类噪声，提升画面纯净度。

技术领域

本发明涉及图像噪声处理领域，特别涉及一种图像降噪处理方法及一种存储设备。

背景技术

现有技术中，基于神经网络的图像降噪过程是将有噪声的图像经过全卷积的深度学习方法，进行反向梯度求导后得出无噪声的图像。而对于噪声图像的生成，都是采用将捕捉到的图片，人为的加入高斯白噪声进而生成所谓的噪声图片。但是真实的图像噪声取决于sensor的形态，场景变化等，基本上不可能是高斯白噪声，且基于高斯白噪声的图像训练出来的神经网络单元只能处理点状的噪声，而实际生活中的噪声基本都是斑块状的噪声，故该种方式训练出来的神经网络单元没有办法处理实际生活中的噪声。

发明内容

为此，需要提供一种图像降噪处理方法，用以解决现有基于神经网络的图像降噪过程无法处理实际生活中的噪声的问题。具体技术方案如下：

一种图像降噪处理方法，包括步骤：获取短曝光模式下曝光的n张照片；对短曝光后的n张照片的每个像素点，进行均值处理去除像素点上的随机噪声，获得一张无噪声图片；获取短曝光模式下中间动态过程照片数张，对获取的照片进行均值处理，获得一张噪声图片；输入所述无噪声图片和噪声图片至神经网络单元进行深度学习训练，获得最终图片；获取最终图片的噪声值；获取所述噪声图片与无噪声图片的差值；根据所述最终图片的噪声值与所述噪声图片与无噪声图片的差值求范数；根据所述范数调整神经网络单元。

进一步的，所述“对短曝光后的n张照片的每个像素点，进行均值处理去除像素点上的随机噪声，获得一张无噪声图片”，还包括步骤：取n张图片的同一位置的像素点的像素值进行相加，再除以n，获取像素值均值，取像素值均值对应的像素点构成的新图片做为无噪声图片。

进一步的，所述“输入所述无噪声图片和噪声图片至神经网络单元进行深度学习训练，获得最终图片”，还包括步骤：输入深度学习训练后的图片至图像信号处理单元进一步处理，获得一张无噪声图片，所述进一步处理包括：白平衡、色调映射、亮度调整和去马赛克。

进一步的，所述“根据所述最终图片的噪声值与所述噪声图片与无噪声图片的差值求范数”，还包括步骤：所述最终图片的噪声值，减去所述噪声图片与无噪声图片的差值，得到取值L，取值L的平方即为L2范数。

进一步的，所述n值大小随场景亮度的减少而增加，预设n值最小值为15，最大值为60。

为解决上述问题，还提供了一种存储设备，具体技术方案如下：

一种存储设备，其中存储有指令集，所述指令集用于执行：获取短曝光模式下曝光的n张照片；对短曝光后的n张照片的每个像素点，进行均值处理去除像素点上的随机噪声，获得一张无噪声图片；获取短曝光模式下中间动态过程照片数张，对获取的照片进行均值处理，获得一张噪声图片；输入所述无噪声图片和噪声图片至神经网络单元进行深度学习训练，获得最终图片；获取最终图片的噪声值；获取所述噪声图片与无噪声图片的差值；根据所述最终图片的噪声值与所述噪声图片与无噪声图片的差值求范数；根据所述范数调整神经网络单元。

进一步的，所述指令集还用于执行：所述“对短曝光后的n张照片的每个像素点，进行均值处理去除像素点上的随机噪声，获得一张无噪声图片”，还包括步骤：取n张图片的同一位置的像素点的像素值进行相加，再除以n，获取像素值均值，取像素值均值对应的像素点构成的新图片做为无噪声图片。