[发明专利]一种图像噪声水平估计、抑制方法、装置及电子设备

说明书

本发明公开了一种图像噪声水平估计、抑制方法、装置及电子设备，该方法包括：获取不同场景下同一目标物的多张图像；计算所述图像中RGB通道噪声的均值及方差的范围，作为噪声水平估计结果；使用高斯分布模拟噪声的分布，使用上述所得的结论作为超参设计数据增强；将数据增强加入深度学习网络中，并对所述深度学习网络进行训练。该装置包括：图像收集模块、噪声水平评估模块、数据增强模块以及网络训练模块。本发明的图像噪声抑制方法及装置，方法简单实用，可扩展性强，且注重了通道之间噪声水平的不平衡。

技术领域

本发明涉及计算机视觉图像技术领域，特别涉及一种图像噪声水平估计方法、抑制方法、装置及电子设备。

背景技术

图像是日常生活中不可或缺的信息载体，在人们获取、存储和传递信息的过程中起着重要作用。随着数字多媒体技术的不断发展，计算机图像在医学成像、模式识别、目标检测中得到了广泛的应用。但是图像在采集、存储的过程中，不可避免会受到各类噪声的干扰。图像噪声是指存在于图像数据中的不必要或冗余的干扰信息，使图像模糊，有时甚至掩盖图像特征，同时给图像视觉效果和后续数据分析工作带来不利影响。因此，如何高效地抑制噪声的影响，进而提高图像数据处理的鲁棒性，是计算机视觉领域的一个重要的研究课题。

现实场景中，图像中的噪声来源复杂，暗电流噪声、热噪声、光子散粒噪声、电路噪声等等。传统图像去噪算法包括滤波算法、PCA降噪，DCT降，BM3D降噪等等，但这些传统算法共同的缺点是在使用阶段涉及大量的运算，因此时间成本较高，并且在去噪的过程中或多或少的平滑掉了图像原本的细节，不利于图像后续的分析。随着卷积神经网络在计算机视觉领域的发展，不少卷积神经网络的工作也开展到了图像去噪领域，出现了很多利用卷积神经网络进行图像去噪的方法，比如深度去噪卷积神经网络(DnCNN)，真实图像的卷积盲去噪网络(CBDNet)等等，虽然神经网络降低了图像去噪的时间消耗，但是噪声模型建立复杂，图像细节信息损失的问题依旧存在。

申请号为：201711065002.9，名称为：基于深度学习的图像噪声水平估计方法的中国专利提出了一种基于深度学习的图像噪声水平估计方法，设计了信号相关噪声(SDN)模型；从网上下载无噪声图像和噪声图像作为数据集；训练模型结束后将有噪声图像输入至训练好的模型中，输出噪声水平函数。其缺点为：在不同任务上使用时，难以定义和获取无噪声图像，并且仍需要重新收集数据和训练网络，需要耗费巨大的人力和时间资源。

申请号为：201811338660.5，名称为：基于深度学习的图像去噪方法、装置、设备和存储介质的中国专利提出了一种基于深度学习的图像去噪方法，搭建神经网络训练去噪模型；训练模型结束后将有噪声图像输入至训练好的模型中，输出去噪图像。其缺点为：需要进行数据的收集和模型训练，并且此发明的网络结构只有去除噪声的功能，功能单一。

发明内容

本发明针对上述现有技术中存在的问题，提出一种图像噪声水平估计、抑制方法、装置及电子设备，其中噪声水平估计方法简单实用，可扩展性强，且注重了通道之间噪声水平的不平衡。

根据本发明的第一方面，提供一种图像噪声水平估计方法，包括：

获取不同场景下同一目标物的多张图像；

计算所述图像中RGB通道噪声的均值及方差的范围，作为噪声水平估计结果。

较佳地，对所述图像进行噪声水平估计，包括：

对单个场景下获得的图像进行逐帧相减，得到噪声图像；

对每张所述噪声图像分别求出其RGB通道上的均值及方差，统计出分布直方图，剔除异常值后得到每个场景下的各个通道的均值及方差的范围；

对所有场景下的图像进行上述处理，最终得到整体噪声在RGB通道上均值及方差的范围。

根据本发明的第二方面，提供一种图像噪声抑制方法，其包括：