[发明专利]一种智能视频监控图像去噪方法及系统

权利要求书

1.一种智能视频监控图像去噪方法，其特征在于，包括：

S1，进行视频采集获得视频监控数据集；

S2，基于所述视频监控数据集划分代表性领域，为视频数据集中的每个代表性领域建立一个专家库，基于各自的专家库对数据的可用性进行评估和分类，并通过无监督的聚类方法计算最小化MoE损失，基于最小化MoE损失筛选视频数据集中的有效视频监控数据；

S3，将所述有视频监控有效数据进行分类，分别获得第一类数据、第二类数据、第三类数据、第四类数据和第五类数据；针对分类后的数据采用不同的方法进行去噪获得第一去噪数据子集、第二去噪数据子集、第三去噪数据子集和第四去噪数据子集；

S4，基于第一去噪数据子集、第二去噪数据子集、第三去噪数据子集和第四去噪数据子集的并集获得去噪后的视频监控图像。

2.根据权利要求1所述的一种智能视频监控图像去噪方法，其特征在于，所述第一类数据为含有高比例高低频信息的视频监控数据，针对第一类数据采用CNN和ResNet的图像去噪方法获得第一去噪数据子集；

所述第二类数据为图像数据集有效点少的视频监控数据，针对第二类数据采用GAN的图像去噪方法获得第二去噪数据子集；

所述第三类数据为非结构化或比较复杂的视频监控数据，针对第三类数据采用图神经网络GNN的图像去噪方法获得第三去噪数据子集；

所述第四类数据为具有密集噪声分布的视频监控数据，针对第四类数据采用GCN的图像去噪方法获得第四去噪数据子集。

3.根据权利要求2所述的一种智能视频监控图像去噪方法，其特征在于，所述第一类数据为含有高比例高低频信息的视频监控数据，针对第一类数据采用CNN和ResNet的图像去噪方法获得第一去噪数据子集包括：

基于CNN中浅层网络获取像素级特征；

采用基于残差网络(ResNet)的去噪方法进行去噪，包括：

(1)通过分层提取方式利用浅层像素级特征，同时利用自相似性在像素特征和语义特征之间取得平衡，以保留更多图像细节；

(2)使用卷积注意力模块(CBAM)学习噪声图像和清晰图像之间的差异性；

(3)利用数据增强和L2-SP(起点)正则化方式自适应微调网络参数，从而最大限度防止过拟合；

(4)生成对抗网络(GAN)，通过对抗学习训练策略得到逼真的噪声图。

4.根据权利要求2所述的一种智能视频监控图像去噪方法，其特征在于，所述第二类数据为图像数据集有效点少的视频监控数据，针对第二类数据采用GAN的图像去噪方法获得第二去噪数据子集包括：

步骤(1)基于GAN对真实噪声图像上提取的噪声信息进行网络建模获得网络模型；

步骤(2)将生成器随机产生的噪声块与原始清晰图像一起合成新的噪声图像作为网络模型的训练数据；

步骤(3)对所述网络模型采用训练数据进行训练获得去噪网络模型；

步骤(4)基于去噪网络模型通过生成器与判别器之间的对抗学习策略拟合数据分布对图像去噪获得第二去噪数据子集。

5.根据权利要求4所述的一种智能视频监控图像去噪方法，其特征在于，所述步骤(1)网络建模时引入特征金字塔注意网络提高网络特征提取能力；所述步骤(2)原始清晰图像由传感器获得，对于传感器对于信号的损害的消除方法，包括：从传感器的原始图像数据中选择5个不同频率下的特征信息作为去噪网络(Denoiser Network)的输入，并减少对密集型滤波器的使用；所述步骤(4)使用有监督和无监督相互结合的训练方式提升网络的稳健性和鲁棒性。

6.根据权利要求2所述的一种智能视频监控图像去噪方法，其特征在于，所述第三类数据为非结构化或比较复杂的视频监控数据，针对第三类数据采用图神经网络GNN的图像去噪方法获得第三去噪数据子集包括：

利用卷积算子设计基于图形卷积(GCN)的去噪方法GCDN，通过引入边缘注意力机制(Edge Attention)减少边缘信息的丢失，并采用3×3、5×5和7×7大小的滤波器进行多尺度分层提取特征。