[发明专利]电子装置及其图像处理方法

说明书

公开了一种电子装置及其图像处理方法。电子装置包括：存储器，存储至少一个指令；以及处理器，电连接到存储器，被配置为通过执行指令执行以下操作：从输入图像获得与输入图像对应的噪声图；将所述输入图像提供给包括多个层的学习网络模型的输入层，所述学习网络模型是通过人工智能(AI)算法学习各项之间的关系而获得的AI模型，所述各项包括多个样本图像、所述多个样本图像中的每个样本图像的相应噪声图、以及与所述多个样本图像对应的原始图像；将噪声图提供给多个层中的至少一个中间层；以及基于将输入图像和噪声图提供给学习网络模型而得到的结果来获得输出图像。

技术领域

本公开涉及电子装置及其图像处理方法。更具体地，本公开涉及一种获得其中输入数据的质量得以改进的输出图像的电子装置及其图像处理方法。

本公开涉及一种使用机器学习算法来模拟人脑的功能(例如识别、确定等)的人工智能(AI)系统及其应用。

背景技术

近年来，已经在各个领域中使用实现人类水平智能的人工智能(AI)系统。与现有的基于规则的智能系统不同，AI系统是机器学习、确定和变得智能的系统。AI系统使用得越多，识别率就越高，并且可以更准确地理解用户的偏好，因此，现有的基于规则的智能系统正逐渐被基于深度学习的AI系统所取代。

AI技术由机器学习(例如，深度学习)和利用机器学习的元素技术组成。

机器学习是一种通过自身对输入数据的特征进行分类/学习的算法技术。元素技术是一种使用诸如深度学习之类的机器学习算法来模拟诸如人脑的识别和确定之类的功能的技术，其由语言理解、视觉理解、推理/预测、知识表示、运动控制等组成。

该AI技术可以用于各种复杂类型的去噪。特别地，在流传输视频的情况下，在压缩到低比特率的过程中生成诸如块边缘和振铃伪像之类的视觉上令人不愉快的伪像，因此，减少压缩伪像(CAR)很重要。

对于去噪，通常使用图像降级模型y＝x+e。这里，y是观察到的带噪图像，具有清晰图像x和噪声e。许多图像去噪研究使用图像估计模型来估计x，包括非局部自相似(NSS)模型和稀疏模型。使用NSS模型的代表性方法是块匹配和3D滤波(BM3D)或小波神经网络(WNN)，但实现高去噪性能存在限制。

最近，为了解决该限制，已经开发了判别式学习方法。尽管已经提出了与诸如BM3D之类的NSS模型相比提供更好性能的可训练的非线性反应扩散(TNRD)，但可能存在仅针对特定的伪像模型训练TNRD的不利之处。

另外，已经提出了采用残差学习策略和批量归一化(BN)的去噪卷积神经网络(DnCNN)，但是其缺点在于，不存在用于图像质量评估的单独的卷积神经网络(CNN)。

此外，已经提出了快速且灵活的去噪卷积神经网络(FFDNet)，以使用不均匀噪声水平图作为输入来去除空间变化的噪声。然而，由于假设FFDNet被给予了噪声图并且该噪声图仅被用于第一层一次，所以存在FFDNet的其他层不能充分利用噪声图的限制。

在将残差密集网络(RDN)用于单个图像超分辨率(SISR)的情况下，存在可以完全使用具有残差高密度块的所有分层特征的优点。然而，也存在仅学习了适合于每个伪像水平的特定模型的限制。

因此，有必要开发一种用于对输入图像中空间变化的伪像进行自适应去噪的方法。

发明内容

本公开的各种示例实施例解决了以上缺点和上面未描述的其他缺点。

根据本公开的一方面，提供了一种根据输入图像自适应地改进质量的电子装置及其图像处理方法。