[发明专利]用于图像去噪的网络训练方法、装置、终端及存储介质

说明书

本发明适用图像处理技术领域，提供了一种用于图像去噪的网络训练方法、装置、终端及存储介质，该方法包括：将预设数量的噪声图像输入预设的卷积神经网络，初始化卷积神经网络的参数，通过卷积神经网络的去噪层获取噪声图像的去噪图像特征，通过预设的卷积神经网络的组合层将去噪图像特征进行组合，以得到噪声图像去噪后的去噪图像，将去噪图像和噪声图像对应的无噪声图像输入预设的细节损失模型，获取卷积神经网络去噪时的细节损失，当细节损失模型未收敛时，将细节损失反传到卷积神经网络，并根据细节损失更新卷积神经网络参数，以继续对卷积神经网络进行训练，从而通过不断去噪、调整参数来减少网络时的细节损失，进而提高该网络的去噪效果。

技术领域

本发明属于图像处理技术领域，尤其涉及一种用于图像去噪的网络训练方法、装置、终端及存储介质。

背景技术

随着各种电子终端上拍摄技术的发展，图像逐渐发展成为当今社会中比较常用的信息载体，但在图像的获取、传输或存贮过程中常常会受到各种噪声的干扰和影响而使图像降质。图像去噪是图像处理领域中一个很重要的研究方向，其目的是将噪声图像中的噪声去除，从而获得纯净图像。

目前，大多数图像去噪都依赖于进行了深度学习后的卷积神经网络，而卷积神经网络在深度学习的过程时，较多情况是以mean square error(MSE，均方误差)作为优化网络的损失函数，虽然该损失函数能够帮助网络找到一个在客观评价标准即峰值信噪比(peak signal-to-noise ratio，PSNR)表现良好的解决方案，但同时，该损失函数在计算图像的细节损失时，MSE会驱动网络去寻找一个均化方案，不能够很好地捕抓图像间的特征差距，抓取到的特征差距过于均衡，因而使得恢复后的图像较为模糊。

发明内容

本发明的目的在于提供一种用于图像去噪的网络训练方法、装置、终端以及存储介质，旨在解决由于现有技术无法提供一种有效的图像去噪网络训练方法，导致现有图像去噪网络的图像去噪效果不理想的问题。

一方面，本发明提供了一种用于图像去噪的网络训练方法，所述方法包括下述步骤：

将预设数量的噪声图像输入预设的卷积神经网络，初始化所述卷积神经网络的参数，通过所述卷积神经网络的去噪层获取噪声图像的去噪图像特征；

通过预设的所述卷积神经网络的组合层将所述去噪图像特征进行组合，以得到所述噪声图像去噪后的去噪图像；

将所述去噪图像和所述噪声图像对应的无噪声图像输入预设的细节损失模型，通过所述细节损失模型获取所述卷积神经网络对所述噪声图像去噪时的细节损失；

当所述细节损失模型未收敛时，通过梯度反传方式将所述细节损失反传到所述卷积神经网络，并根据所述细节损失更新所述卷积神经网络的参数，以继续对所述卷积神经网络进行训练。

另一方面，本发明提供了一种用于图像去噪的网络训练装置，所述装置包括：

特征去噪单元，用于将预设数量的噪声图像输入预设的卷积神经网络，初始化所述卷积神经网络的参数，通过所述卷积神经网络的去噪层获取噪声图像的去噪图像特征；

特征组合单元，用于通过预设的所述卷积神经网络的组合层将所述去噪图像特征进行组合，以得到所述噪声图像去噪后的去噪图像；

损失获取单元，用于将所述去噪图像和所述噪声图像对应的无噪声图像输入预设的细节损失模型，通过所述细节损失模型获取所述卷积神经网络对所述噪声图像去噪时的细节损失；以及

反传更新单元，用于当所述细节损失模型未收敛时，通过梯度反传方式将所述细节损失反传到所述卷积神经网络，并根据所述细节损失更新所述卷积神经网络的参数，以继续对所述卷积神经网络进行训练。