[发明专利]图像去噪方法、系统、设备及存储介质

说明书

本发明提供了一种图像去噪方法、系统、设备及存储介质，该方法包括：构建图像去噪模型，所述图像去噪模型用于对输入的带噪声图像分别进行小波域的特征映射以及空间域的特征映射，得到去除噪声的图像；训练所述图像去噪模型；将待处理图像输入训练好的所述图像去噪模型中，得到所述图像去噪模型输出的去噪后图像。本发明提出了一种新型基于双域网络的图像去噪模型，同时在空域和小波域上进行特征提取并互相补充，能够在有效地去除图像噪声、提高图像信噪比的同时，恢复出图像的纹理、边缘等细节信息，从而获得更加理想的图像去噪效果。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种图像去噪方法、系统、设备及存储介质。

背景技术

在真实场景中，影响图像质量的因素有很多，如数据采集、传输过程中引入的误差以及环境干扰等。图像噪声则是引起图像降质的最常见因素，不仅会降低图像信噪比和分辨率，导致视觉体验大打折扣，对后续的图像分析和理解也会造成影响。

现有图像去噪方法可大致分为传统模型驱动去噪方法和基于深度学习的去噪方法。传统方法包括基于偏微分方程的去噪方法、非局部均值去噪方法、基于小波变换的去噪方法以及基于稀疏表示和低秩逼近的方法等。其中，Dabov等人通过利用非局部自相似性和稀疏性先验，提出了一种三维块匹配(BM3D)去噪算法。该方法不仅在主客观评价上都达到了较为出色的效果，而且一定程度上简化了算法。然而，由于只涉及图像的全局结构特性，不涉及图像局部的几何建模，这些传统方法对于图像边缘和细节结构的恢复仍得不到令人满意的效果。

近年来，随着GPU技术的突破，深度学习发展形势大好，很多基于卷积神经网络的图像去噪方法也应运而生。一般来说，传统方法总是在主动地选择特征、设计模型，而基于深度学习的方法却能直接从大量的训练数据中自适应地学习，从而得到图像去噪模型。2017年，Zhang等人提出了一种前馈降噪卷积神经网络(DnCNN)的残差学习策略，用于加速训练和改善性能。2018年，Yang等人提出了一种Wasserstein距离和感知损失的生成对抗网络用于图像去噪。这类方法均具有较高的计算效率并且取得了不错的结果。但由于它们都仅利用图像空域上的特征信息，因此存在着去噪后图像丢失边缘、细节模糊等问题。

目前最先进的模型驱动去噪方法是利用图像的非局部自相似性进行建模。虽然这类方法在图像去噪领域取得了很大的成就，但仍然存在很多问题。首先，基于模型驱动的方法需要对图像进行特征分析，然后手工设计去噪模型，不仅很难表征复杂的图像结构，在特征分析和提取时也需要花费大量的时间精力。再者，这种基于图像先验信息进行建模的方法往往会产生一个非凸模型，会给后续的模型优化带来很大的挑战，要想通过手动调整参数来达到模型最佳的去噪性能也相当困难。

与基于模型驱动的方法不同，深度学习方法可以自动地从初始数据中学习到丰富的图像先验信息。卷积神经网络在图像去噪方向所取得的成功主要归功于其强大的建模能力以及它在网络设计和训练方面的不断进步。可最初的卷积神经网络方法存在着鲁棒性较差，灵活性不够的问题。针对这些不足，Zhang等人提出了一种快速、灵活的卷积神经网络去噪方法(FFDNet)。该方法在网络训练过程中对卷积滤波器进行正交正则化处理，并采用批量归一化和残差学习策略。通过对下采样后的子图像进行处理，FFDNet大大加快了训练和测试速度、扩大了感受野。然而，现有的卷积神经网络去噪方法在恢复图像的复杂结构和细节上仍有待提升，当图像具有更多的纹理细节时，去噪效果就会变差。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种图像去噪方法、系统、设备及存储介质，提高图像信噪比，改善图像质量问题。

本发明实施例提供一种图像去噪方法，包括如下步骤：

构建图像去噪模型，所述图像去噪模型用于对输入的带噪声图像分别进行小波域的特征映射以及空间域的特征映射，得到去除噪声的图像；

训练所述图像去噪模型；