[发明专利]一种基于深度学习的降噪方法、装置、存储介质及设备

权利要求书

1.一种基于深度学习的降噪方法，其特征在于，该方法包括：

获取低照度场景下的基础格式数据，并对所述基础格式数据进行预处理，得到预处理结果；

将所述预处理结果输入至预先训练完成的降噪模型；其中，所述降噪模型是根据在预设数量个场景中对每个场景采用不同曝光时长得到的训练样本对进行训练得到的；

获取所述降噪模型的降噪输出结果；其中，所述降噪输出结果的格式为基础格式。

2.根据权利要求1所述的方法，其特征在于，所述降噪模型的训练过程包括：

在每个场景中，获取至少一帧短曝光数据和一帧长曝光数据，形成短曝光与长曝光的训练样本对；

将所述训练样本对根据曝光时间的长短进行预处理，得到预处理样本数据；

将所述预处理样本数据输入至基础模型，所述基础模型包括预设数量个卷积模块；其中，所述卷积模块中包括相同数量的下采样卷积模块和上采样卷积模块；所述下采样卷积模块由一个卷积层和一个池化层组成，所述上采样卷积模块由一个反卷积层和一个卷积层组成；

通过对基础模型的训练，得到降噪模型。

3.根据权利要求2所述的方法，其特征在于，将所述训练样本对根据曝光时间的长短进行预处理，得到预处理样本数据，包括：

对所述训练样本对中的短曝光数据，进行黑电平处理、数据归一化处理以及数据缩放，得到短曝光数据的预处理结果；以及，

对所述训练样本对中的长曝光数据，进行黑电平处理和数据归一化处理，得到短曝光数据的预处理结果。

4.根据权利要求3所述的方法，其特征在于，对所述训练样本对中的短曝光数据的处理过程，采用如下公式进行：

其中，O_s为短曝光图像的预处理结果，I_s为短曝光图像，Blc为图像采集设备的黑电平，I_smax为短曝光图像的最大像素值，Scale为增益因子；

对所述训练样本对中的长曝光数据的处理过程，采用如下公式进行：

其中，O_l为长曝光图像的预处理结果，I_l为长曝光图像，I_lmax为长曝光图像的最大像素值；

其中，所述增益因子Scale为短曝光图像与长曝光图像的曝光时间比值。

5.根据权利要求2所述的方法，其特征在于，所述预设数量为6个；其中，第一卷积模块和第二卷积模块为下采样卷积模块，第四卷积模块和第五卷积模块为上采样卷积模块；

其中，所述第一卷积模块在卷积层中卷积核的个数为16个，所述第二卷积模块在卷积层中卷积核的个数为32个；

所述第四卷积模块在反卷积层中反卷积核的个数为32个，所述第五卷积模块在反卷积层中反卷积核的个数为16个；

其中，所述第四卷积模块从所述第二卷积模块获取特征参数，所述第五卷积模块从所述第一卷积模块获取特征参数。

6.根据权利要求2所述的方法，其特征在于，所述下采样卷积模块中池化层的池化窗口的大小为2×2。

7.根据权利要求1所述的方法，其特征在于，所述基础格式数据为RAW格式的图像数据。

8.一种基于深度学习的降噪装置，其特征在于，该装置包括：

预处理模块，用于获取低照度场景下的基础格式数据，并对所述基础格式数据进行预处理，得到预处理结果；

数据输入模块，用于将所述预处理结果输入至预先训练完成的降噪模型；其中，所述降噪模型是根据在预设数量个场景中对每个场景采用不同曝光时长得到的训练样本对进行训练得到的；

降噪结果输出模块，用于获取所述降噪模型的降噪输出结果；其中，所述降噪输出结果的格式为基础格式。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于深度学习的降噪方法。

10.一种设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的基于深度学习的降噪方法。