[发明专利]图像去噪方法及装置

说明书

本申请实施例提供一种图像去噪方法及装置，具体实现原理为：将噪声图像样本集输入到卷积神经网络中进行训练，输出训练得到的去噪图像样本集，根据无噪图像样本集和去噪图像样本集分别计算对应的均方误差损失函数值和最大后验损失函数值，并根据均方误差损失函数值和最大后验损失函数值得到总损失函数值，最后基于计算得到的总损失函数值迭代训练卷积神经网络，直到满足训练终止条件时，输出训练得到的图像去噪模型，并根据图像去噪模型对待去噪图像进行去噪处理。由此，通过结合均方误差损失函数值和最大后验损失函数值迭代训练卷积神经网络，可以大大提升真实噪声的去除效果。

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种图像去噪方法及装置。

背景技术

目前，图像去噪(Image Denoising)一直以来都是图像恢复领域非常重要的课题，无论在学术价值以及落地应用中都具有很高的研究价值。但是目前的图像去噪方法都普遍建立在加性的高斯白噪声模型上，然而发明人研究发现实际图像中的真实噪声模型并非如此，所以目前的图像去噪算法往往都不能很好地去除真实图像上的噪声。

发明内容

为了克服现有技术中的上述不足，本申请的目的在于提供一种图像去噪方法及装置，以解决或者改善上述问题。

为了实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供一种图像去噪方法，应用于电子设备，所述方法包括：

获取训练样本集，所述训练样本集包括噪声图像样本集以及与所述噪声图像样本集对应的无噪图像样本集；

将所述噪声图像样本集输入到卷积神经网络中进行训练，输出训练得到的去噪图像样本集；

根据所述无噪图像样本集和所述去噪图像样本集分别计算对应的均方误差损失函数值和最大后验损失函数值，并根据所述均方误差损失函数值和最大后验损失函数值得到总损失函数值；

基于计算得到的总损失函数值迭代训练所述卷积神经网络，直到满足训练终止条件时，输出训练得到的图像去噪模型，并根据所述图像去噪模型对待去噪图像进行去噪处理。

在一种可能的实施方式中，所述获取训练样本集的步骤，包括：

获取图像采集设备基于配置的图像采集参数连续拍摄的多帧噪声图像样本以构建噪声图像样本集，所述图像采集参数包括图像曝光参数以及拍摄频率参数；

针对所述噪声图像样本集中的每帧噪声图像样本，对该帧噪声图像样本中的每个像素点的像素值进行排序，并根据排序结果将像素值小于第一预设像素值以及像素值大于第二预设像素值的异常像素点剔除，得到剔除异常像素点后的噪声图像样本；

计算剔除各帧异常像素点后的噪声图像样本的各个像素点的平均值；

根据预设的噪声图像样本与对应的无噪图像样本之间的关系以及剔除各帧异常像素点后的噪声图像样本的各个像素点的平均值得到与所述噪声图像样本集对应的无噪图像样本集。

在一种可能的实施方式中，所述噪声图像样本与对应的无噪图像样本存在如下关系：

x_n＝clip(y_n+ε_n(y_n))

ε_n(y_n)～N(0,σ_n²(y_n))