[发明专利]图像降噪方法、装置、电子设备以及存储介质

说明书

本发明实施例提供一种图像降噪方法、装置、电子设备以及存储介质，该方法包括：利用预获取的噪声模型对目标RAW图进行处理得到噪声分量图像；将目标RAW图以及噪声分量图像输入预训练的AI降噪网络模型得到降噪后的RAW图；其中，AI降噪网络模型包括：深度可分离通道注意力模块、倒置残差通道注意力模块、短接倒置残差通道注意力模块、离散小波变换模块以及逆离散小波变换模块。采用噪声模型提取噪声分量，结合离散小波变换DWT、逆离散小波变换IWT实现特征图的尺寸压缩和恢复，实现点可分离卷积、深度可分离卷积、预激活、通道注意力机制以及残差结构，实现轻量级降噪网络，改善可降噪效果。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像降噪方法、装置、电子设备以及存储介质。

背景技术

在每个成像系统中，由于传感器、光照强度等因素的影响，噪声是不可避免的，使图像丢失细节信息，甚至变得模糊。尤其是在低光环境下，图像噪声会严重降低图像质量，因此需要对图像进行降噪。图像降噪技术是通过对噪声图像提取特征，借助图像先验知识、图像自相似性和多帧图像互补信息等手段去除噪声，保留图像细节，重建出高质量图像，图像降噪技术在手机拍照视频、高清电视、监控设备、卫星图像和医学影像等领域都有重要的应用价值。

图像降噪算法主要分为传统滤波方法和基于学习的方法。当前主流传统降噪算法分为两种：一是块匹配3D滤波算法(Block-matching and 3D filtering，BM3D)，但对于噪声严重的场景，噪声依然不能很好去除，容易产生不连续的噪点；二是叠加多帧图像，通过对齐来匹配多帧图像，通过多帧互补信息来消除随机噪声，但可能导致图像中出现“鬼影”区域，且只适用于拍照场景，无法适用于实时性要求较高的视频场景。

随着人工智能(artificial intelligence，AI)技术的发展，利用数据驱动的AI降噪算法应运而生。AI降噪算法通过学习大规模的噪声图像-干净图像对中的规律，来实现图降噪，其降噪性能很快超过了传统降噪算法。但现有技术中的AI降噪算法模型的规模和运算量较大，或模型小但降噪效果不理想。

发明内容

针对现有技术中的问题，本发明提供一种图像降噪方法、装置、电子设备以及存储介质，能够至少部分地解决现有技术中存在的问题。

为了实现上述目的，本发明采用如下技术方案：

第一方面，提供一种图像降噪方法，包括：

获取目标RAW图；

利用预获取的噪声模型对所述目标RAW图进行处理得到噪声分量图像；

将所述目标RAW图以及所述噪声分量图像输入预训练的AI降噪网络模型得到降噪后的RAW图；

其中，所述AI降噪网络模型包括：深度可分离通道注意力模块、倒置残差通道注意力模块、短接倒置残差通道注意力模块、离散小波变换模块以及逆离散小波变换模块。

进一步地，所述深度可分离通道注意力模块的数量为6个，分别为第一深度可分离通道注意力模块至第六深度可分离通道注意力模块；所述倒置残差通道注意力模块的数量为3个，分别为第一倒置残差通道注意力模块至第三倒置残差通道注意力模块；所述短接倒置残差通道注意力模块的数量为3个，分别为第一短接倒置残差通道注意力模块至第三短接倒置残差通道注意力模块；所述离散小波变换模块的数量为2个，分别为第一离散小波变换模块以及第二离散小波变换模块；所述逆离散小波变换模块的数量为2个，分别为第一逆离散小波变换模块以及第二逆离散小波变换模块；

所述AI降噪网络模型还包括：第一拼接模块、第二拼接模块、加法模块以及以及3x3卷积模块；