[发明专利]一种去噪方法及装置

权利要求书

1.一种去噪方法，其特征在于，包括：

提取待处理图像和/或视频的特征信息；

去噪神经网络根据所述特征信息对所述待处理图像和/或视频进行去噪处理，生成去噪图像和/或视频；

其中，所述去噪神经网络基于如下方法训练得到：

建立初始神经网络，所述初始神经网络至少包括降采样网络层、残差网络层和上采样网络层；

根据预设训练样本集对所述初始神经网络进行迭代训练，生成去噪神经网络，所述训练样本集包括图像加噪样本集和与所述图像加噪样本集对应的图像去噪样本集；

其中，所述初始神经网络包括设置于所述降采样网络层和残差网络层之间的一个卷积层和一个激活函数层、设置在所述残差网络层和所述上采样网络层之间的一个卷积层；

所述初始神经网络还增强网络层，所述增强网络层包括第二预设数量的卷积层和第三预设数量的激活函数层，所述增强网络层中的卷积层和激活函数层交替连接；

所述残差网络层包括第一预设数量的残差块，所述残差块包括三个卷积层和两个激活函数层，且卷积层和激活函数层交替连接。

2.根据权利要求1所述的方法，其特征在于，所述残差网络层的前端和尾端进行跳跃连接。

3.根据权利要求1所述的方法，其特征在于，所述残差块的前端和尾端进行跳跃连接。

4.根据权利要求1所述的方法，其特征在于，根据训练样本集对所述初始神经网络进行迭代训练，生成去噪神经网络，包括：

将所述图像加噪样本集中的图像加噪样本输入所述初始神经网络，生成训练图像；

根据与所述图像加噪样本对应的图像去噪样本与所述训练图像确定损失信息，根据所述损失信息调节所述初始神经网络的网络参数，生成所述去噪神经网络。

5.根据权利要求1所述的方法，其特征在于，所述训练样本集是预先设置的，所述训练样本集的设置方法为：

对所述图像去噪样本集中的去噪样本进行加噪处理，形成图像加噪样本集。

6.一种神经网络的训练装置，其特征在于，包括：

特征信息提取模块，用于提取待处理图像和/或视频的特征信息；

去噪模块，用于去噪神经网络根据所述特征信息对所述待处理图像和/或视频进行去噪处理，生成去噪图像和/或视频；

其中，去噪神经网络基于神经网络的训练装置训练得到，神经网络的训练装置包括：

神经网络建立模块，用于建立初始神经网络，所述初始神经网络至少包括降采样网络层、残差网络层和上采样网络层；

神经网络训练模块，用于根据预设训练样本集对所述初始神经网络进行迭代训练，生成去噪神经网络，所述训练样本集包括图像加噪样本集和与所述图像加噪样本集对应的图像去噪样本集；

其中，所述初始神经网络包括设置于所述降采样网络层和残差网络层之间的一个卷积层和一个激活函数层、设置在所述残差网络层和所述所述样网络层之间的一个卷积层和增强网络层，所述所述增强网络层包括第二预设数量的卷积层和第三预设数量的激活函数层，所述增强网络层中的卷积层和激活函数层交替连接；

所述残差网络层包括第一预设数量的残差块，所述残差块包括三个卷积层和两个激活函数层，且卷积层和激活函数层交替连接。

7.根据权利要求6所述的装置，其特征在于，所述残差网络层的前端和尾端进行跳跃连接。

8.根据权利要求6所述的装置，其特征在于，所述残差块的前端和尾端进行跳跃连接。

9.根据权利要求6所述的装置，其特征在于，所述神经网络训练模块具体用于：

将所述图像加噪样本集中的加噪样本输入所述初始神经网络，生成训练图像；

根据与所述图像加噪样本对应的图像去噪样本与所述训练图像确定损失信息，根据所述损失信息调节所述初始神经网络的网络参数，生成所述去噪神经网络。

10.根据权利要求6所述的装置，其特征在于，所述训练样本集是预先设置的，样本集设置模块具体用于：

对所述图像去噪样本集中的去噪样本进行加噪处理，形成图像加噪样本集。