[发明专利]图像去噪方法及装置、计算机可读存储介质、终端

说明书

一种图像去噪方法及装置、计算机可读存储介质、终端，图像去噪方法包括：获取待去噪图像；将所述待去噪图像输入至训练好的神经网络模型，所述神经网络模型包括卷积层、输入权重节点和输出权重节点，所述输入权重节点在训练后学习得到输入权重，所述输出节点在训练后学习得到输出权重，所述卷积层输出针对所述待去噪图像去噪后的初始输出图像，所述待去噪图像与所述初始输出图像分别经由所述输入权重节点和所述输出权重节点进行加权融合，以得到去噪后图像；输出所述去噪后的图像。本发明技术方案能够提升图像去噪的效果。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像去噪方法及装置、计算机可读存储介质、终端。

背景技术

数字图像往往因为设备、环境、传输等影响，引入不同类型的复杂的噪声。传统图像去噪可以达到非常好的性能，但存在以下缺点：优化方法复杂；需要手动设置并调整参数；噪声建模困难。

为去除形态复杂的噪声，基于人工智能(Artificial Intelligence)的去噪算法称为业内趋势。通过大量干净图片、噪声图片数据对进行训练，快速建立去噪模型。凭借其“黑匣子”般非线性特点，迅速成为行业研究热点。常用的有前馈去噪卷积神经网络模型DnCNN(Beyond a Gaussian Denoiser:Residual Learning of Deep CNN for ImageDenoising(TIP2017),Zhang et al.)，该模型提出利用神经网络的残差结构，通过一系列卷积层学习分离出噪声图片，最后将其与输入图片直接相加。常用的还有CBDNet神经网络模型：(Toward Convolutional Blind Denoising of Real Photographs(CVPR 2019),Guoet al)，该模型包含两个网络，一个噪声估计小网络和一个去噪网络。其去噪网络本质同样是残差结构，即将卷积层输出和输入直接相加。

但是，当前基于AI去噪方案缺乏对传统图像处理算法的考虑，盲目使用AI通用结构，存在神经网络结构僵化、去噪图像模糊的问题。

发明内容

本发明解决的技术问题是如何提升图像去噪的效果。

为解决上述技术问题，本发明实施例提供一种图像去噪方法，图像去噪方法包括：获取待去噪图像；将所述待去噪图像输入至训练好的神经网络模型，所述神经网络模型包括卷积层、输入权重节点和输出权重节点，所述输入权重节点在训练后学习得到输入权重，所述输出节点在训练后学习得到输出权重，所述卷积层输出针对所述待去噪图像去噪后的初始输出图像，所述待去噪图像与所述初始输出图像分别经由所述输入权重节点和所述输出权重节点进行加权融合，以得到去噪后图像；输出所述去噪后的图像。

可选的，所述神经网络模型执行以下步骤获得所述初始输出图像：对所述待去噪图像进行下采样操作；经过所述卷积层提取所述待去噪图像的特征，并进行上采样操作，得到所述初始输出图像。

可选的，所述去噪后的图像为所述待去噪图像与所述输入权重的乘积加上所述初始输出图像与所述输出权重的乘积。

可选的，采用以下方式训练所述神经网络模型：构建所述神经网络模型，并初始化所述输入权重和所述输出权重；获取训练数据集，所述训练数据集包括噪声图像和干净图像，所述噪声图像和所述干净图像的像素点对齐；将所述训练数据集输入至所述神经网络模型，直至所述模型收敛。

可选的，所述神经网络模型的多个卷积层之间存在跳跃连接。

可选的，所述神经网络模型采用以下公式计算最小化损失：

其中，L(，θ)w表示损失值，θ表示所述神经网络模型中的参数，n表示输入的样本数量，w₁表示输入权重，w₂表示输出权重，I_noisy表示所述待去噪图像，I_clean表示所述待去噪图像对应的目标干净图像，f(I_noisy,θ)表示所述初始输出图像。