[发明专利]基于深度学习去除图像压缩噪声的方法、装置及处理器

说明书

本发明公开了一种基于深度学习去除图像压缩噪声的方法、装置及处理器，所述方法包括：将待处理的图像输入已训练的残差网络，获取所述待处理的图像的压缩质量因子估计值；所述残差网络中，最后一层为全连接层，所述全连接层的神经元数量为1，所述残差网络的损失函数为平方损失函数；将所述待处理的图像及所述压缩质量因子估计值输入已训练的全卷积神经网络进行处理，获得去除压缩噪声后的图像。应用本发明，能够解决现有技术去除压缩噪声存在的处理速度慢、效果差等的问题。

技术领域

本发明属于图像处理技术领域，具体地说，是涉及一种基于深度学习去除图像压缩噪声的方法、装置及处理器。

背景技术

在当今的信息化时代，数字化的多媒体技术已经渗透到生活的各个方面，图像信息质量的好坏对于人们的交流有很大的影响。具有图像采集功能的各类电子产品己经成为了每个人的生活必需品，各类社交软件，诸如微信、QQ、微博，需要传输大量的图像。为了提高传输效率，通常会对原始图像进行有损压缩处理来节省带宽，减轻网络载荷，提高响应速度。

但是，在有损压缩过程中，会使得图像出现压缩噪声，在不同程度上影响人们的视觉感官，有时甚至会导致丢失很多图像特征，使图像模糊不清，影响图像的结构信息而妨碍人们的视觉体验，且受噪声污染的图像也会对后续图像处理造成极大的不利影响，主要包括图像分割、提取、检测以及识别等。因此对图像进行去噪处理，使得处理复原后的图像尽可能接近原始没有压缩的图像，是相当有必要且非常重要的。

现有技术中，去除图像压缩噪声的方法可以分为基于空域、频域滤波去噪方法和基于模型优化的滤波去噪方法。虽然基于空域和频域滤波去噪方法简单有效，但这是针对简单的图像去噪情祝而言，然而现实世界中的图像引入压缩噪声是一个复杂的过程，效果总是差强人意。基于模型优化的方法是从贝叶斯的观点出发，当图像的似然概率己知，图像的先验概率将对图像的去噪声复原结果起着至关重要的作用。尽管基于模型的方法能同时处理若干个种类的图像复原问题，并且取得了较好的复原结果，但是普遍存在两大主要缺点:一是这些方法的优化都比较复杂，在测试时基本上都表现出耗时性，难以做到计算快的同时高效复原；二是模型基本上都是非凸的，模型参数需要人为地去选择，从而导致要获得好的复原效果比较艰难。

发明内容

本发明的目的之一是提供一种基于深度学习去除图像压缩噪声的方法及装置，解决现有技术去除压缩噪声存在的处理速度慢、准确性低等的问题。

为实现上述发明目的，本发明提供的方法采用下述技术方案予以实现：

一种基于深度学习去除图像压缩噪声的方法，包括：

将待处理的图像输入已训练的残差网络，获取所述待处理的图像的压缩质量因子估计值；所述残差网络中，最后一层为全连接层，所述全连接层的神经元数量为1，所述残差网络的损失函数为平方损失函数；

将所述待处理的图像及所述压缩质量因子估计值输入已训练的全卷积神经网络进行处理，获得去除压缩噪声后的图像。

优选的，所述残差网络为18层网络，包括有17层卷积层和一层所述全连接层，所述卷积层和所述全连接层之间执行全局平均池化操作。

优选的，所述全卷积神经网络的损失函数为绝对值损失函数。

如上所述的方法，所述全卷积神经网络为快速灵活去噪网络FFDNet，将所述待处理的图像及所述压缩质量因子估计值输入已训练的全卷积神经网络进行处理，获得去除噪声后的图像，具体包括：

对所述待处理的图像进行pixel_shuffle像素洗牌的逆变换，将所述待处理的图像变换为宽度和高度减半、通道数变为四倍的第一张量T1，所述第一张量T1的形状为(4*C,W/2,H/2)；C为所述待处理的图像的原始通道数，W和H分别是所述待处理的图像的原始宽度和原始高度；