[发明专利]视频去噪方法、装置、设备及存储介质

权利要求书

1.一种视频去噪方法，其特征在于，所述方法包括：

获取视频，所述视频的视频帧序列中存在持续噪点元素，所述持续噪点元素是在至少两帧视频帧上连续出现的噪点元素；

提取所述视频帧序列中的视频帧的空间特征，所述空间特征用于表征所述持续噪点元素在一帧视频帧中的空间位置，所述空间特征与所述持续噪点元素的深度信息相关；

根据相邻的所述视频帧的空间特征，提取所述视频帧的时间特征；

将所述空间特征和所述时间特征进行融合，得到所述视频帧序列对应的融合后的时空特征；

基于所述融合后的时空特征对所述视频帧序列进行去噪处理，得到处理后的视频。

2.根据权利要求1所述的方法，其特征在于，所述方法由神经网络模型执行，所述神经网络模型包括第一卷积神经网络；

所述提取所述视频帧序列中的视频帧的空间特征，包括：

调用所述第一卷积神经网络对所述视频帧进行下采样处理，得到尺寸缩小的视频帧；

从所述尺寸缩小的视频帧中提取至少两个维度的特征；

将所述至少两个维度的特征进行连接，得到所述尺寸缩小的视频帧对应的第一空间特征；

对所述尺寸缩小的视频帧进行上采样处理，得到尺寸放大的视频帧，所述尺寸放大的视频帧对应有第二空间特征；

将所述第一空间特征和所述第二空间特征进行融合，得到所述视频帧对应的空间特征。

3.根据权利要求 1所述的方法，其特征在于，所述视频帧包括：当前视频帧、位于所述当前视频帧之前的在前视频帧以及位于所述当前视频帧之后的在后视频帧；

所述根据相邻的所述视频帧的空间特征，提取所述视频帧的时间特征，包括：

基于所述当前视频帧的空间特征、所述在前视频帧的空间特征以及所述在后视频帧的空间特征，提取所述当前视频帧对应的时间特征。

4.根据权利要求3所述的方法，其特征在于，所述方法由神经网络模型执行，所述神经网络模型包括双向长短记忆网络和第二卷积神经网络；

所述基于所述当前视频帧的空间特征、所述在前视频帧的空间特征以及所述在后视频帧的空间特征，提取所述当前视频帧对应的时间特征，包括：

调用所述双向长短记忆网络对所述当前视频帧对应的空间特征、所述在前视频帧对应的空间特征和所述在前视频帧对应的状态特征进行正向处理，得到所述当前视频帧对应的第一状态特征；

调用所述双向长短记忆网络对所述当前视频帧对应的空间特征、所述在后视频帧对应的空间特征和所述在后视频帧对应的状态特征进行反向处理，得到所述当前视频帧对应的第二状态特征；

调用所述第二卷积神经网络对所述第一状态特征和所述第二状态特征进行处理，得到所述当前视频帧对应的时间特征。

5.根据权利要求1所述的方法，其特征在于，所述方法由神经网络模型执行，所述神经网络模型包括第三卷积神经网络和第四卷积神经网络；

所述基于所述融合后的时空特征对所述视频帧序列进行去噪处理，得到处理后的视频，包括：

调用所述第三卷积神经网络基于所述融合后的时空特征，对所述视频中的视频帧进行卷积处理，得到所述视频帧对应的卷积矩阵；

调用所述第四卷积神经网络对所述卷积矩阵进行残差处理，得到所述去噪处理后的视频帧；

根据所述去噪处理后的视频帧，得到所述处理后的视频。

6.根据权利要求1至5任一所述的方法，其特征在于，所述持续噪点元素包括天气颗粒元素，所述天气颗粒元素包括雨滴元素、雪花元素、冰雹元素、雾气元素和雾霾元素中的至少一种。