[发明专利]一种图像去噪模型训练方法、系统、设备、计算机介质

权利要求书

1.一种图像去噪模型训练方法，其特征在于，包括：

获取噪声图像训练集，所述噪声图像训练集中包括初始噪声图像及所述初始噪声图像对应的初始去噪图像；

基于所述噪声图像训练集对初始的所述图像去噪模型进行训练，得到训练好的所述图像去噪模型，以基于训练好的所述图像去噪模型对目标噪声图像进行去噪处理；

其中，所述图像去噪模型包括依次连接的15层神经网络层，第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函数层组成；第十五层神经网络层由dropout层和卷积层组成；所述卷积层由组卷积层构成；

所述图像去噪模型的输入、第八层神经网络层的输出和第十五层神经网络层的和值作为所述图像去噪模型的输出；

所述WN层为用于将数据统一到同一范围内，解决协变量转移问题的参数规范化层；

所述第二层神经网络层到所述第七层神经网络层中的激活函数包括PReLU函数；

所述第九层神经网络层到所述第十四层神经网络层中的激活函数包括ReLU函数；

其中，所述PReLU函数中参数a的值为0.01。

2.根据权利要求1所述的方法，其特征在于，所述基于所述噪声图像训练集对初始的所述图像去噪模型进行训练之前，还包括：

获取预先训练好的ImageNet训练模型的目标参数；

将所述目标参数作为初始的所述图像去噪模型的初始参数；

其中，所述ImageNet训练模型用于对噪声图像进行去噪处理。

3.根据权利要求1所述的方法，其特征在于，所述获取噪声图像训练集，包括：

获取第一预设数量的相机在预设光圈下拍摄的第二预设数量的所述初始噪声图像；

对所述第二预设数量的所述初始噪声图像进行扩充操作，得到第三预设数量的所述初始噪声图像，所述扩充操作包括旋转操作、翻转操作；

获取所述初始噪声图像对应的所述初始去噪图像；

将所述初始噪声图像及所述初始去噪图像作为所述噪声图像训练集。

4.一种图像去噪模型训练系统，其特征在于，包括：

第一获取模块，用于获取噪声图像训练集，所述噪声图像训练集中包括初始噪声图像及所述初始噪声图像对应的初始去噪图像；

第一训练模块，用于基于所述噪声图像训练集对初始的所述图像去噪模型进行训练，得到训练好的所述图像去噪模型，以基于训练好的所述图像去噪模型对目标噪声图像进行去噪处理；

其中，所述图像去噪模型包括依次连接的15层神经网络层，第一层神经网络层和第八层神经网络层由卷积层组成；第二层神经网络层到第七层神经网络层均由卷积层、WN层和激活函数层组成；第九层神经网络层到第十四层神经网络层均由卷积层、WN层和激活函数层组成；第十五层神经网络层由dropout层和卷积层组成；所述卷积层由组卷积层构成；

所述图像去噪模型的输入、第八层神经网络层的输出和第十五层神经网络层的和值作为所述图像去噪模型的输出；

所述WN层为用于将数据统一到同一范围内，解决协变量转移问题的参数规范化层；

所述第二层神经网络层到所述第七层神经网络层中的激活函数包括PReLU函数；

所述第九层神经网络层到所述第十四层神经网络层中的激活函数包括ReLU函数；

其中，所述PReLU函数中参数a的值为0.01。

5.一种图像去噪模型训练设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至3任一项所述图像去噪模型训练方法的步骤。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述图像去噪模型训练方法的步骤。