[发明专利]基于可学习曲率图的图像增强方法与系统

说明书

本发明提出了一种基于可学习曲率图的图像增强方法与系统，属于计算机科学图像处理的技术领域。其中图像增强方法包括：步骤1、构建两阶段去噪模型；步骤2、将待分析的图像数据传输至去噪模型；步骤3、在第一阶段，利用去噪模型执行特征提取，获得噪声等级估计和噪声分布估计；步骤4、基于获得的噪声等级估计和噪声分布估计，计算高斯曲率；步骤5、在第二阶段，基于高斯曲率利用去噪模型结合局部信息和全局信息，获得去噪后的图像数据；步骤6、输出去噪图像数据。本发明不仅可以有效去除图像的高斯噪声，而且通过模型训练可以提高不同噪声类型的去噪效果，具有较强的鲁棒性。

技术领域

本发明涉及计算机科学图像处理的技术领域，特别涉及一种基于可学习曲率图的图像增强方法与系统。

背景技术

随着影像技术和更高带宽的快速发展，人们对高准确度、高清晰图像的需求也日益提高。然而相机在拍摄、传播过程中受到硬件、环境、ISP处理等会产生各种各样未知噪声的污染，导致图像质量下降。

图像去噪是为了去除噪声，恢复真实的图像，对已知图像去噪的问题，在数学上是一个逆解过程，其解也不是唯一的。由于噪声、纹理及边缘等都属于高频信息，在去噪过程中，不可避免会损失一些细节特征。故而从已有信息中恢复有意义特征达到高质图像是当今各领域积极解决的重要问题。

经大量实验证明，基于卷积神经网络的特征提取对噪声去除具有较好的表现，但主要针对高斯噪声展开的研究，噪声形态单一，缺乏泛化性；同时前沿采用高斯分布或泊松分布的噪声等级估计已经达到较为准确的研究。但实际图像中的噪声类型复杂且未知，增加卷积层提高网络训练能力会加大计算负担，增加特征监督模块又会导致图像高频细节的丢失，这些都增加了图像去噪的技术难度。

发明内容

发明目的：提出一种基于可学习曲率图的图像增强方法与系统，以解决现有技术存在的上述问题。通过基于两阶段去噪模型对噪声进行分类，在增加特征监督的同时，增加曲率监督，实现在去噪的同时大大提升对细节纹理效果的把控。

技术方案：第一方面，提出了一种基于可学习曲率图的图像增强方法，该方法包括以下步骤：

步骤1、构建两阶段去噪模型；构建过程包括：

步骤1.1、构建用于执行特征提取，获得噪声等级估计和噪声分布估计的噪声估计子网络；

步骤1.2、构建用于基于噪声估计子网络的输出数据对真实图像执行去噪操作的去噪子网络。

步骤2、将待分析的图像数据传输至去噪模型；

步骤3、在第一阶段，利用去噪模型执行特征提取，获得噪声等级估计和噪声分布估计；

步骤4、基于获得的噪声等级估计和噪声分布估计，计算高斯曲率；

步骤5、在第二阶段，基于高斯曲率利用去噪模型结合局部信息和全局信息，获得去噪后的图像数据；

步骤6、输出去噪图像数据。

在第一方面的一些可实现方式中，噪声估计子网络按序包含：卷积层、注意力机制、卷积层、噪声输出模块、高斯曲率模块；去噪子网络包括：深层网络、浅层网络、残差模块、多尺度模块；深层网络用于提取输入混合图像的噪声残差特征；浅层网络用来进行多特征提取。

在第一阶段，噪声估计子网络采用卷积层为3*3的卷积核构建4层神经网络模型，并使用padding操作得到各层大小相等的网络特征；随后，在最后一个卷积层前采用注意力机制对噪声分布估计执行加权提取；最后，将高斯曲率作为先验，计算高斯曲率。

在第二阶段，将获得的高斯曲率、噪声等级估计、噪声图像输入去噪子网络，同时基于第一阶段得到的特定位置噪声进行处理。