[发明专利]一种去除图像噪声的方法、装置、设备及卷积神经网络

说明书

本发明提供一种去除图像噪声的方法、装置、设备及卷积神经网络，所述方法包括：获取待去噪图像的生成场景；从预设的场景与网络权重系数的对应关系中，获取当前生成场景所对应的网络权重系数，所述网络权重系数包括卷积权重系数以及合成比例系数；根据当前生成场景所对应的卷积权重系数，调整所述卷积神经网络中每个卷积层中卷积单元的卷积权重系数，以及，根据当前生成场景所对应的合成比例系数，调整所述卷积神经网络中输出层合成最后一卷积层中不同卷积单元所输出卷积运算结果的比例系数；利用调整后的卷积神经网络，对所述待去噪图像执行去噪；采用本发明提供的方法、装置、设备及卷积神经网络，可提高图像的去噪效果。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种去除图像噪声的方法、装置、设备及卷积神经网络。

背景技术

卷积神经网络(Convolutional Neural Network，CNN)是人工神经网络的一种，近年来在图像处理领域得到广泛应用。所述CNN一般由输入层、卷积层和输出层组成，所述输入层用于接收待去噪图像，所述卷积层用于利用卷积权重系数对待去噪图像对应的图像矩阵，进行卷积运算，以去除图像噪声，所述输出层用于输出去噪后的图像。

在现有技术中，CNN通常包括多个卷积层，而每个卷积层包括多个卷积单元，每个卷积单元的卷积权重系数不同；比如，如图1所示，一CNN包括两个卷积层，分别为第一卷积层和第二卷积层；而第一卷积层包括第一卷积单元和第二卷积单元两个卷积单元，第二卷积层包括第三卷积单元和第四卷积单元两个卷积单元，而第一卷积单元的卷积权重系数为W1，第二卷积单元的卷积权重系数为W2，第三卷积单元的卷积权重系数为W3，第四卷积单元的卷积权重系数为W4。而图1所示的CNN，其去噪过程具体如下：首先输入层接收待去噪图像，然后将待去噪图像的图像矩阵分别发送至第一卷积层的第一卷积单元和第二卷积单元；而第一卷积单元将利用预设的卷积权重系数W1对图像矩阵进行卷积运算，以去除图像噪声，且将卷积运算结果发送至第三卷积单元和第四卷积单元，而第二卷积单元将利用W2对图像矩阵进行卷积运算，且将卷积运算结果也发送至第三卷积单元和第四卷积单元；而第三卷积单元将第一卷积单元和第二卷积单元发送的卷积运算结果作为输入，利用预设的卷积权重系数W3对输入的卷积运算结果再次进行卷积运算，以再次去除图像噪声；同理第四卷积单元也将第一卷积单元和第二卷积单元发送的卷积运算结果作为输入，利用预设的卷积权重系数W4对输入的卷积运算结果再次进行卷积运算；最后，输出层将第三卷积单元与第四卷积单元输出的卷积运算结果按一定的比例进行合成，获得去噪后图像。

在现有技术中，无论在何种场景下生成的图像，CNN中的每个卷积运算单元均利用固定的卷积权重系数对图像进行去噪，相应的，输出层均利用固定的合成比例系数对最后一卷积层输出的卷积运算结果进行合成，从而使得对图像的去噪效果较差。

发明内容

本发明实施例提供一种去除图像噪声的方法、装置、设备及卷积神经网络，以提高图像的去噪效果。

第一方面，提供一种去除图像噪声的方法，所述方法基于卷积神经网络去除图像噪声，所述卷积神经网络至少包括输出层和多个卷积层，每个卷积层包括多个卷积单元，所述方法包括：

获取待去噪图像的生成场景；

从预设的场景与网络权重系数的对应关系中，获取当前生成场景所对应的网络权重系数，所述网络权重系数包括卷积权重系数以及合成比例系数，所述卷积权重系数为所述卷积神经网络中每个卷积层所对应卷积单元的卷积系数，所述合成比例系数为所述卷积神经网络中输出层合成最后一卷积层中不同卷积单元所输出卷积运算结果的比例系数；

根据当前生成场景所对应的卷积权重系数，调整所述卷积神经网络中每个卷积层中卷积单元的卷积权重系数，以及，根据当前生成场景所对应的合成比例系数，调整所述卷积神经网络中输出层合成最后一卷积层中不同卷积单元所输出卷积运算结果的比例系数；

利用调整后的卷积神经网络，对所述待去噪图像执行去噪。