图像去噪方法及装置、电子设备和存储介质与流程
本公开涉及计算机技术领域，尤其涉及一种图像去噪方法及装置、电子设备和存储介质。
背景技术：
图像是一种视觉信息载体，人们可以通过图像获取信息。通常情况下，在图像生成以及传输等过程中经常会受到噪声的干扰，这会增加计算机的图像处理难度。图像去噪是指对带噪声图像进行图像去噪，得到清晰的去噪后图像。去噪后图像还可以进行其它图像处理操作，比如图像分割，目标识别等。因此，图像去噪成为了图像处理和计算机视觉领域中重要的研究课题。
技术实现要素：
本公开提出了一种图像去噪方法及装置、电子设备和存储介质的技术方案。
根据本公开的一方面，提供了一种图像去噪方法，包括：通过梯度信息预测网络对带噪声图像进行图像处理，得到所述带噪声图像对应的第一预测梯度信息，其中，所述第一预测梯度信息用于表示所述带噪声图像对应的清晰图像中像素点的梯度变化信息；根据所述第一预测梯度信息，对所述带噪声图像中的像素点进行分类，得到所述带噪声图像中各像素点对应的第一分类结果；根据所述第一分类结果，对所述带噪声图像进行去噪，得到所述带噪声图像对应的去噪后图像。
利用梯度信息预测网络预测得到的第一预测梯度信息，可以较好的反映带噪声图像对应的清晰图像的像素梯度分布，从而使得基于第一预测梯度信息可以得到更接近清晰图像中像素梯度分布的第一分类结果，进而根据第一分类结果对带噪声图像进行去噪，可以得到清晰度较高的去噪后图像。
在一种可能的实现方式中，所述根据所述第一预测梯度信息，对所述带噪声图像中的像素点进行分类，得到所述带噪声图像中各像素点对应的第一分类结果，包括：针对所述带噪声图像中的任一像素点，根据所述第一预测梯度信息，确定该像素点的梯度特征值；根据该像素点的梯度特征值所处的梯度特征值区间，确定该像素点对应的梯度类别，其中，不同梯度类别对应不同的梯度特征值区间；根据各像素点对应的梯度类别，确定所述第一分类结果。
基于第一预测梯度信息可以确定各像素点的梯度特征值，进而使得利用预先设置的不同梯度类别对应的不同梯度特征值区间，可以对各像素点进行分类，从而有效得到后续用于分类卷积去噪的第一分类结果。
在一种可能的实现方式中，所述根据所述第一分类结果，对所述带噪声图像进行去噪，得到所述带噪声图像对应的去噪后图像，包括：基于所述第一分类结果，通过分类去噪网络对不同类别的像素点进行分类卷积去噪，得到所述带噪声图像对应的去噪后图像。
利用更接近清晰图像中像素梯度分布的第一分类结果，对不同类别的像素点进行分类卷积去噪，使得可以减少卷积过程中的特征数量，进而有效提高去噪效率。
在一种可能的实现方式中，所述分类去噪网络包括多个卷积层；所述基于所述第一分类结果，通过分类去噪网络对不同类别的像素点进行分类卷积去噪，得到所述带噪声图像对应的去噪后图像，包括：基于所述第一分类结果，在所述分类去噪网络的至少一个卷积层中对不同类别的像素点进行分类卷积去噪，得到所述带噪声图像对应的去噪后图像。
针对包括多个卷积层的深层分类去噪网络，在至少一个卷积层中对不同类别的像素点进行分类卷积去噪，可以减少卷积过程中的特征数量，进而有效提高去噪效率。
在一种可能的实现方式中，所述方法还包括：通过所述梯度信息预测网络对训练集中包括的带噪声样本图像进行图像处理，得到所述带噪声样本图像对应的第二预测梯度信息，其中，所述第二预测梯度信息用于表示所述带噪声样本图像对应的清晰图像中像素点的梯度变化信息，所述训练集中还包括所述带噪声样本图像对应的清晰图像的参考梯度信息；基于所述第二预测梯度信息和所述参考梯度信息之间的差异，调整所述梯度信息预测网络的网络参数。
通过网络训练过程，可以训练得到符合需求的梯度信息预测网络，进而在对带噪声图像的实际去噪过程中，可以根据训练好的梯度信息预测网络，预测得到可以较好的反映带噪声图像对应的清晰图像的像素梯度分布的梯度信息预测结果。
在一种可能的实现方式中，所述训练集中还包括所述带噪声样本图像对应的清晰图像；所述方法还包括：通过对所述带噪声样本图像对应的清晰图像进行结构张量分析，确定所述参考梯度信息。
预先对训练集中包括的带噪声样本图像对应的清晰图像进行结构张量分析，可以确定用于表示带噪声样本图像对应的清晰图像的真实梯度信息的参考梯度信息，从而可以为后续对梯度信息预测网络进行训练做好准备。
在一种可能的实现方式中，所述训练集中还包括所述带噪声样本图像对应的清晰图像；所述方法还包括：根据所述第二预测梯度信息，对所述带噪声样本图像中的像素点进行分类，得到所述带噪声样本图像中各像素点对应的第二分类结果；基于所述第二分类结果，通过所述分类去噪网络对不同类别的像素点进行分类卷积去噪，得到所述带噪声样本图像对应的去噪后图像；基于所述带噪声样本图像对应的去噪后图像和所述带噪声样本图像对应的清晰图像之间的差异，调整所述分类去噪网络的网络参数。
通过网络训练过程，可以训练得到符合需求的分类去噪网络，进而在对带噪声图像的实际去噪过程中，可以根据基于梯度信息预测网络得到的第一预测梯度信息对像素点进行分类的第一分类结果，利用训练好的分类去噪网络，对不同类别的像素点进行分类卷积去噪，使得可以减少卷积过程中的特征数量，进而有效提高去噪效率。
在一种可能的实现方式中，梯度信息包括下述至少一种：梯度方向、梯度强度和梯度一致度。
根据本公开的一方面，提供了一种图像去噪装置，包括：第一梯度信息预测模块，用于通过梯度信息预测网络对带噪声图像进行图像处理，得到所述带噪声图像对应的第一预测梯度信息，其中，所述第一预测梯度信息用于表示所述带噪声图像对应的清晰图像中像素点的梯度变化信息；第一分类模块，用于根据所述第一预测梯度信息，对所述带噪声图像中的像素点进行分类，得到所述带噪声图像中各像素点对应的第一分类结果；第一去噪模块，用于根据所述第一分类结果，对所述带噪声图像进行去噪，得到所述带噪声图像对应的去噪后图像。
在一种可能的实现方式中，所述第一分类模块，包括：第一确定子模块，用于针对所述带噪声图像中的任一像素点，根据所述第一预测梯度信息，确定该像素点的梯度特征值；第二确定子模块，用于根据该像素点的梯度特征值所处的梯度特征值区间，确定该像素点对应的梯度类别，其中，不同梯度类别对应不同的梯度特征值区间；第三确定子模块，用于根据各像素点对应的梯度类别，确定所述第一分类结果。
在一种可能的实现方式中，所述第一去噪模块具体用于：基于所述第一分类结果，通过分类去噪网络对不同类别的像素点进行分类卷积去噪，得到所述带噪声图像对应的去噪后图像。
在一种可能的实现方式中，所述分类去噪网络包括多个卷积层；所述第一去噪模块具体用于：基于所述第一分类结果，在所述分类去噪网络的至少一个卷积层中对不同类别的像素点进行分类卷积去噪，得到所述带噪声图像对应的去噪后图像。
在一种可能的实现方式中，所述装置还包括：第二梯度信息预测模块，用于通过所述梯度信息预测网络对训练集中包括的带噪声样本图像进行图像处理，得到所述带噪声样本图像对应的第二预测梯度信息，其中，所述第二预测梯度信息用于表示所述带噪声样本图像对应的清晰图像中像素点的梯度变化信息，所述训练集中还包括所述带噪声样本图像对应的清晰图像的参考梯度信息；第一参数调整模块，用于基于所述第二预测梯度信息和所述参考梯度信息之间的差异，调整所述梯度信息预测网络的网络参数。
在一种可能的实现方式中，所述训练集中还包括所述带噪声样本图像对应的清晰图像；所述装置还包括：结构张量分析模块，用于通过对所述带噪声样本图像对应的清晰图像进行结构张量分析，确定所述参考梯度信息。
在一种可能的实现方式中，所述训练集中还包括所述带噪声样本图像对应的清晰图像；所述装置还包括：第二分类模块，用于根据所述第二预测梯度信息，对所述带噪声样本图像中的像素点进行分类，得到所述带噪声样本图像中各像素点对应的第二分类结果；第二去噪模块，用于基于所述第二分类结果，通过所述分类去噪网络对不同类别的像素点进行分类卷积去噪，得到所述带噪声样本图像对应的去噪后图像；第二网络参数调整模块，用于基于所述带噪声样本图像对应的去噪后图像和所述带噪声样本图像对应的清晰图像之间的差异，调整所述分类去噪网络的网络参数。
在一种可能的实现方式中，梯度信息包括下述至少一种：梯度方向、梯度强度和梯度一致度。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像去噪方法的流程图；
图2示出根据本公开实施例的网络训练的框图；
图3示出根据本公开实施例的图像去噪装置的框图；
图4示出本公开实施例的一种电子设备的框图；
图5示出本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像去噪方法的流程图。如图1所示的图像去噪方法可以由终端设备或其它处理设备执行，其中，终端设备可以为用户设备(userequipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(personaldigitalassistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该基于立体网格变形的图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，该方法可以包括：
在步骤s11中，通过梯度信息预测网络对带噪声图像进行图像处理，得到带噪声图像对应的第一预测梯度信息，其中，第一预测梯度信息用于表示带噪声图像对应的清晰图像中像素点的梯度变化信息。
在步骤s12中，根据第一预测梯度信息，对带噪声图像中的像素点进行分类，得到带噪声图像中各像素点对应的第一分类结果；
在步骤s13中，根据第一分类结果，对带噪声图像进行去噪，得到带噪声图像对应的去噪后图像。
其中，带噪声图像为需要进行图像去噪处理的待处理图像，带噪声图像对应的清晰图像为带噪声图像对应的去噪后理想图像，带噪声图像对应的去噪后图像为带噪声图像对应的去噪后实际图像。
利用梯度信息预测网络预测得到的第一预测梯度信息，可以较好的反映带噪声图像对应的清晰图像的像素梯度分布，从而使得基于第一预测梯度信息可以得到更接近清晰图像中像素梯度分布的第一分类结果，进而根据第一分类结果对带噪声图像进行去噪，可以得到清晰度较高的去噪后图像。
本公开实施例提供的图像去噪方法可以应用于拍照画质增强、安防监控画质增强，以及其它需要去噪增强图像质量的去噪场景，本公开对此不做具体限定。
在一种可能的实现方式中，根据第一预测梯度信息，对带噪声图像中的像素点进行分类，得到带噪声图像中各像素点对应的第一分类结果，包括：针对带噪声图像中的任一像素点，根据第一预测梯度信息，确定该像素点的梯度特征值；根据该像素点的梯度特征值所处的梯度特征值区间，确定该像素点对应的梯度类别，其中，不同梯度类别对应不同的梯度特征值区间；根据各像素点对应的梯度类别，确定第一分类结果。
在一种可能的实现方式中，梯度信息包括下述至少一种：梯度方向、梯度强度和梯度一致度。针对图像中的任一像素点，梯度方向用于表示该像素点邻域中变化最快的曲线方向，梯度强度用于表示该像素点延梯度方向的变化值，梯度一致度用于表示该像素点邻域中曲线方向的一致性。
在一示例中，将梯度方向的取值范围(例如，0～π)划分为m个不重叠区间，将梯度强度的取值范围(例如，0～0.2)划分为n个不重叠区间，将梯度一致度的取值范围(例如，0～1)划分为p个不重叠区间。根据对梯度信息的区间划分，可以得到多个梯度类别对应的梯度特征值区间。当梯度信息仅包括梯度方向时，则可以得到m个梯度类别对应的梯度特征值区间；当梯度信息仅包括梯度强度时，则可以得到n个梯度类别对应的梯度特征值区间；当梯度信息仅包括梯度一致度时，则可以得到p个梯度类别对应的梯度特征值区间；当梯度信息包括梯度方向和梯度强度时，则可以得到m×n个梯度类别对应的梯度特征值区间；当梯度信息包括梯度方向和梯度一致度时，则可以得到m×p个梯度类别对应的梯度特征值区间；当梯度信息包括梯度强度和梯度一致度时，则可以得到n×p个梯度类别对应的梯度特征值区间；当梯度信息包括梯度方向、梯度强度和梯度一致度时，则可以得到m×n×p个梯度类别对应的梯度特征值区间。其中，梯度方向的取值范围、梯度强度的取值范围、梯度一致度的取值范围，m、n和p的具体取值，以及各不重叠区间的具体划分方式，可以根据实际情况确定，本公开对此不做具体限定。
例如，将梯度方向的取值范围(0～π)划分为2个不重叠区间：(0～π/2]和(π/2～π)，将梯度强度的取值范围(0～0.2)划分为2个不重叠区间：(0～0.1]和(0.1～0.2)，将梯度一致度的取值范围(0～1)划分为2个不重叠区间：(0～0.5]和(0.5～1)，则可以得到8个梯度类别对应的梯度特征值区间。其中，第一梯度类别对应的梯度特征值区间为：梯度方向(0～π/2]且梯度强度(0～0.1]且梯度一致度(0～0.5]；第二梯度类别对应的梯度特征值区间为：梯度方向(0～π/2]且梯度强度(0～0.1]且梯度一致度(0.5～1)；第三梯度类别对应的梯度特征值区间为：梯度方向(0～π/2]且梯度强度(0.1～0.2)且梯度一致度(0～0.5]；第四梯度类别对应的梯度特征值区间为：梯度方向(0～π/2]且梯度强度(0.1～0.2)且梯度一致度(0.5～1)；第五梯度类别对应的梯度特征值区间为：梯度方向(π/2～π)且梯度强度(0～0.1]且梯度一致度(0～0.5]；第六梯度类别对应的梯度特征值区间为：梯度方向(π/2～π)且梯度强度(0～0.1]且梯度一致度(0.5～1)；第七梯度类别对应的梯度特征值区间为：梯度方向(π/2～π)且梯度强度(0.1～0.2)且梯度一致度(0～0.5]；第八梯度类别对应的梯度特征值区间为：梯度方向(π/2～π)且梯度强度(0.1～0.2)且梯度一致度(0.5～1)。
第一预测梯度信息是梯度信息预测网络对带噪声图像对应的清晰图像的梯度信息的预测结果，用于表示带噪声图像对应的清晰图像中像素点的梯度变化信息。第一预测梯度信息包括梯度方向、梯度强度和梯度一致度中的至少一种的具体取值，根据第一预测梯度信息，可以确定各像素点的梯度特征值，进而根据各像素点的梯度特征值所处的梯度特征值区间，确定各像素点对应的梯度类别。
例如，第一预测梯度信息包括梯度方向、梯度强度和梯度一致度。针对带噪声图像中的任一像素点，可以根据第一预测梯度信息确定该像素点对应的梯度方向取值为π/3、梯度强度取值为0.15、梯度一致度取值为0.4，则根据上述的8个梯度类别对应的梯度特征值区间，可以确定该像素点对应的梯度类别为第三梯度类别。
根据带噪声图像中各像素点对应的梯度类别，可以得到对各像素点进行分类的第一分类结果。
为了提高处理效率，可以预先将带噪声图像划分为多个图像块，其中，多个图像块的尺寸大小可以相同，也可以不相同，本公开对此不做具体限定。
通过梯度信息预测网络对带噪声图像进行图像处理，得到的第一预测梯度信息可以为带噪声图像中各个图像块对应的第一预测梯度信息。通过带噪声图像中各个图像块对应的第一预测梯度信息，确定各个图像块对应的梯度类别，根据各个图像块对应的梯度类别对各个图像块进行分类，以实现对带噪声图像中的像素点的分类，进而得到第一分类结果，可以有效提高分类效率。
在一种可能的实现方式中，根据第一分类结果，对带噪声图像进行去噪，得到带噪声图像对应的去噪后图像，包括：基于第一分类结果，通过分类去噪网络对不同类别的像素点进行分类卷积去噪，得到带噪声图像对应的去噪后图像。
利用更接近清晰图像中像素梯度分布的第一分类结果，对不同类别的像素点进行分类卷积去噪，使得可以减少卷积过程中的特征数量，进而有效提高去噪效率。
在一种可能的实现方式中，分类去噪网络包括多个卷积层；基于第一分类结果，通过分类去噪网络对不同类别的像素点进行分类卷积去噪，得到带噪声图像对应的去噪后图像，包括：基于第一分类结果，在分类去噪网络的至少一个卷积层中对不同类别的像素点进行分类卷积去噪，得到带噪声图像对应的去噪后图像。
针对包括多个卷积层的深层分类去噪网络，在至少一个卷积层中对不同类别的像素点进行分类卷积去噪，可以减少卷积过程中的特征数量，进而有效提高去噪效率。
在一示例中，分类去噪网络可以包括多个卷积层，针对任一卷积层可以采用分类卷积去噪。例如，分类去噪网络包括两个卷积层(第一卷积层和第二卷积层)。针对第一卷积层，将带噪声图像输入第一卷积层，在第一卷积层中通过梯度信息预测网络对带噪声图像进行图像处理，得到带噪声图像的第一预测梯度信息，根据第一预测梯度信息对带噪声图像中的像素点进行分类，得到第一分类结果，基于第一分类结果对带噪声图像进行分类卷积去噪后，得到去噪后特征图，并将去噪后特征图输入到第二卷积层；针对第二卷积层，通过梯度信息预测网络对去噪后特征图进行图像处理，得到去噪后特征图的第三预测梯度信息，根据第三预测梯度信息对去噪后特征图中的像素点进行分类，得到第三分类结果，基于第三分类结果对去噪后特征图进行分类卷积去噪后，输出带噪声图像对应的去噪后图像。分类去噪网络包括的卷积层的数目可以根据实际情况确定，分类去噪网络可以在所有卷积层中均采用上述方法进行分类卷积去噪，也可以在部分卷积层中采用上述方法进行分类卷积去噪，本公开对此不做具体限定。
在本公开实施例中，为了利用梯度信息预测网络和分类去噪网络实现上述图像去噪过程，可以预先对梯度信息预测网络和分类去噪网络进行网络训练，得到符合需求的梯度信息预测网络和分类去噪网络。下面详细描述对梯度信息预测网络和分类去噪网络进行网络训练的过程。
在一种可能的实现方式中，该方法还包括：通过梯度信息预测网络对训练集中包括的带噪声样本图像进行图像处理，得到带噪声样本图像对应的第二预测梯度信息，其中，第二预测梯度信息用于表示带噪声样本图像对应的清晰图像中像素点的梯度变化信息，训练集中还包括带噪声样本图像对应的清晰图像的参考梯度信息；基于第二预测梯度信息和参考梯度信息之间的差异，调整梯度信息预测网络的网络参数。
在本公开实施例中，可以预先创建训练集，该训练集中可以包括带噪声样本图像和带噪声样本图像对应的清晰图像的参考梯度信息，进而可以通过该训练集训练梯度信息预测网络。上述梯度信息预测网络可以是神经网络，也可以是其它可以实现梯度信息预测的网络模型，本公开对此不做具体限定。同样的，为了提高处理效率，可以预先将带噪声样本图像划分为多个图像块，其中，多个图像块的尺寸大小可以相同，也可以不相同，本公开对此不做具体限定。
在一种可能的实现方式中，训练集中还包括带噪声样本图像对应的清晰图像，该方法还包括：通过对带噪声样本图像对应的清晰图像进行结构张量分析，确定参考梯度信息。
在利用训练集对梯度信息预测网络进行训练之前，预先对训练集中包括的带噪声样本图像对应的清晰图像进行结构张量分析，可以确定用于表示带噪声样本图像对应的清晰图像的真实梯度信息的参考梯度信息，从而可以为后续对梯度信息预测网络进行训练做好准备。其中，参考梯度信息用于表示带噪声样本图像对应的清晰图像中像素点的梯度变化信息。由于带噪声样本图像划分为多个图像块，则带噪声样本图像对应的清晰图像也相应的划分为多个图像块。其中，参考梯度信息为带噪声样本图像对应的清晰图像中各个图像块的梯度方向、梯度强度和梯度一致度中的至少一种的具体取值。
在一示例中，针对带噪声样本图像对应的清晰图像中的任一图像块(例如，7*7图像块)，确定带噪声样本图像对应的清晰图像中的该图像块中每个像素点在x方向和y方向的梯度值，得到梯度矩阵g，通过gt*g得到特征矩阵。对特征矩阵进行特征分析，得到特征值λ1和λ2，以及特征值λ1对应的特征向量φ1和特征值λ2对应的特征向量φ2。其中，λ1>λ2。
根据下述公式(一)可以确定带噪声样本图像对应的清晰图像中的该图像块的梯度方向的具体取值θg：
θg＝arctan(φ1,y,φ1,x)(一)，
其中，φ1,x为特征向量φ1在x方向的投影，φ1,y为特征向量φ1在y方向的投影。
根据下述公式(二)可以确定带噪声样本图像对应的清晰图像中的该图像块的梯度强度的具体取值λg：
λg＝λ1(二)。
根据下述公式(三)可以确定带噪声样本图像对应的清晰图像中的该图像块的梯度一致度的具体取值μg:
根据带噪声样本图像对应的清晰图像中的该图像块的梯度方向的具体取值θg、梯度强度的具体取值λg和梯度一致度的具体取值μg，可以确定带噪声样本图像对应的清晰图像中的该图像块对应的参考梯度信息。
利用训练集中包括的带噪声样本图像和带噪声样本图像对应的清晰图像的参考梯度信息，对梯度信息预测网络进行训练。
图2示出根据本公开实施例的网络训练的框图。如图2所示，将训练集中的带噪声样本图像输入梯度信息预测网络，梯度信息预测网络对带噪声样本图像进行图像处理之后，输出带噪声样本图像对应的第二预测梯度信息。其中，第二预测梯度信息是梯度信息预测网络对带噪声样本图像对应的清晰图像的梯度信息的预测结果，第二预测梯度信息为带噪声样本图像中各个图像块的梯度方向、梯度强度和梯度一致度中的至少一种的具体取值。根据梯度信息损失函数，确定第二预测梯度信息以及训练集中包括的带噪声样本图像对应的清晰图像的参考梯度信息之间的差异，即确定梯度信息预测网络的预测损失，进而根据预测损失反向传播调整梯度信息预测网络的网络参数。其中，梯度信息损失函数可以采用平方差损失函数，也可以采用其它损失函数，本公开对此不做具体限定。
通过上述网络训练过程，可以训练得到符合需求的梯度信息预测网络，进而在对带噪声图像的实际去噪过程中，可以根据训练好的梯度信息预测网络，预测得到可以较好的反映带噪声图像对应的清晰图像的像素梯度分布的梯度信息预测结果，以及根据梯度信息预测结果得到更接近带噪声图像对应的清晰图像中像素梯度分布的像素分类结果，进而使得根据像素分类结果对带噪声图像进行去噪，可以得到清晰度较高的去噪后图像。
利用梯度信息预测网络，以及训练集中包括的带噪声样本图像和带噪声样本图像对应的清晰图像，对分类去噪网络络进行训练。上述分类去噪网络可以是神经网络，也可以是其它可以实现分类去噪的网络模型，本公开对此不做具体限定。
在一种可能的实现方式中，训练集中还包括带噪声样本图像对应的清晰图像；该方法还包括：根据第二预测梯度信息，对带噪声样本图像中的像素点进行分类，得到带噪声样本图像中各像素点对应的第二分类结果；基于第二分类结果，通过分类去噪网络对不同类别的像素点进行分类卷积去噪，得到带噪声样本图像对应的去噪后图像；基于带噪声样本图像对应的去噪后图像和带噪声样本图像对应的清晰图像之间的差异，调整分类去噪网络的网络参数。
仍以上述图2为例，如图2所示，根据梯度信息预测网络输出的带噪声样本图像对应的清晰图像的第二预测梯度信息，对带噪声样本图像中的多个图像块进行分类，以实现对带噪声样本图像中的像素点的分类，得到第二分类结果。将带噪声样本图像和第二分类结果输入分类去噪网络，基于第二分类结果，分类去噪网络对带噪声样本图像中不同类别的像素点进行分类卷积去噪(例如，针对不同类别的像素点，采用不同卷积权重核执行卷积去噪操作)，输出带噪声样本图像对应的去噪后图像。根据去噪损失函数，确定带噪声样本图像对应的去噪后图像与带噪声样本图像对应的清晰图像之间的差异，即确定分类去噪网络的去噪损失，进而根据去噪损失反向传播调整分类去噪网络的网络参数。其中，去噪损失函数可以采用平方差损失函数，也可以采用其它损失函数，本公开对此不做具体限定。
在一示例中，不同类别的像素点对应的卷积核尺寸相同但取值不同，以实现不同类别的像素点对应不同卷积权重。例如，针对带噪声样本图像中的某一类别的像素点(x，y)，通过下述公式(四)执行卷积去噪操作：
其中，q'(x,y,c)为带噪声样本图像中的像素点(x，y)在输出通道c上的去噪后输出特征，
在一示例中，不同类别的像素点对应的卷积核尺寸不同，以实现不同类别的像素点对应不同卷积权重。不同类别的像素点对应不同卷积权重还可以采用其它方式实现，本公开对此不做具体限定。
通过上述网络训练过程，可以训练得到符合需求的分类去噪网络，进而在对带噪声图像的实际去噪过程中，可以根据基于梯度信息预测网络得到的更接近带噪声图像对应的清晰图像中像素梯度分布的分类结果，利用训练好的分类去噪网络，对带噪声图像中不同类别的像素点进行分类卷积去噪，使得可以减少卷积过程中的特征数量，进而有效提高去噪效率。
利用梯度信息预测网络预测得到的第一预测梯度信息，可以较好的反映带噪声图像对应的清晰图像的像素梯度分布，从而使得基于第一预测梯度信息可以得到更接近清晰图像中像素梯度分布的第一分类结果，利用更接近清晰图像中像素梯度分布的第一分类结果，对带噪声图像中不同类别的像素点进行分类卷积去噪，使得可以减少卷积过程中的特征数量，进而有效提高去噪效率，得到清晰度较高的去噪后图像。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了图像去噪装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像去噪方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图3示出根据本公开实施例的图像去噪装置的框图。如图3所示，装置30包括：
第一梯度信息预测模块31，用于通过梯度信息预测网络对带噪声图像进行图像处理，得到带噪声图像对应的第一预测梯度信息，其中，第一预测梯度信息用于表示带噪声图像对应的清晰图像中像素点的梯度变化信息；
第一分类模块32，用于根据第一预测梯度信息，对带噪声图像中的像素点进行分类，得到带噪声图像中各像素点对应的第一分类结果；
第一去噪模块33，用于根据第一分类结果，对带噪声图像进行去噪，得到带噪声图像对应的去噪后图像。
在一种可能的实现方式中，第一分类模块32，包括：
第一确定子模块，用于针对带噪声图像中的任一像素点，根据第一预测梯度信息，确定该像素点的梯度特征值；
第二确定子模块，用于根据该像素点的梯度特征值所处的梯度特征值区间，确定该像素点对应的梯度类别，其中，不同梯度类别对应不同的梯度特征值区间；
第三确定子模块，用于根据各像素点对应的梯度类别，确定第一分类结果。
在一种可能的实现方式中，第一去噪模块33具体用于：
基于第一分类结果，通过分类去噪网络对不同类别的像素点进行分类卷积去噪，得到带噪声图像对应的去噪后图像。
在一种可能的实现方式中，分类去噪网络包括多个卷积层；
第一去噪模块33具体用于：
基于第一分类结果，在分类去噪网络的至少一个卷积层中对不同类别的像素点进行分类卷积去噪，得到带噪声图像对应的去噪后图像。
在一种可能的实现方式中，装置30还包括：
第二梯度信息预测模块，用于通过梯度信息预测网络对训练集中包括的带噪声样本图像进行图像处理，得到带噪声样本图像对应的第二预测梯度信息，其中，第二预测梯度信息用于表示带噪声样本图像对应的清晰图像中像素点的梯度变化信息，训练集中还包括带噪声样本图像对应的清晰图像的参考梯度信息；
第一参数调整模块，用于基于第二预测梯度信息和参考梯度信息之间的差异，调整梯度信息预测网络的网络参数。
在一种可能的实现方式中，训练集中还包括带噪声样本图像对应的清晰图像；
装置30还包括：
结构张量分析模块，用于通过对带噪声样本图像对应的清晰图像进行结构张量分析，确定参考梯度信息。
在一种可能的实现方式中，训练集中还包括带噪声样本图像对应的清晰图像；
装置30还包括：
第二分类模块，用于根据第二预测梯度信息，对带噪声样本图像中的像素点进行分类，得到带噪声样本图像中各像素点对应的第二分类结果；
第二去噪模块，用于基于第二分类结果，通过分类去噪网络对不同类别的像素点进行分类卷积去噪，得到带噪声样本图像对应的去噪后图像；
第二网络参数调整模块，用于基于带噪声样本图像对应的去噪后图像和带噪声样本图像对应的清晰图像之间的差异，调整分类去噪网络的网络参数。
在一种可能的实现方式中，梯度信息包括下述至少一种：梯度方向、梯度强度和梯度一致度。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图像去噪方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像去噪方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备的框图。如图4所示，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图4，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5示出根据本公开实施例的一种电子设备的框图。如图5所示，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(softwaredevelopmentkit，sdk)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
- 还没有人留言评论。精彩留言会获得点赞！