技术特征：
1.一种用于去除低照度图片噪声的方法，其特征在于，所述方法包括：获取待去噪的低照度图片；将所获取的低照度图片作为输入数据输入经训练的宽度学习网络进行空间特征提取以得到对应的特征向量，其中所述宽度学习网络是通过确定所述输入数据所映射到的特征节点和增强节点到给定目标值的伪逆来训练得到的；以及将所得到的特征向量输入经训练的生成对抗网络中的生成网络以生成去噪图片，其中所述生成对抗网络是通过将所述生成网络和判别网络进行交替训练来得到的。2.如权利要求1所述的方法，其特征在于，所述方法进一步包括：对所获取的低照度图片进行特征提取以得到对应的低照度特征向量；并且在所述低照度特征向量与高照度参照特征库中的一个或多个高照度参照特征向量之间的余弦相似度大于预定阈值时，返回与所述一个或多个高照度参照特征向量中与所述低照度特征向量的余弦相似度最大的高照度参照特征向量相对应的高照度参照图片作为输入数据输入所述宽度学习网络。3.如权利要求2所述的方法，其特征在于，所述高照度参照特征库是通过以下方式来构建的：定期采集高照度参照图片，其中所述高照度参照图片的亮度高于一阈值；对所述高照度参照图片进行特征提取以得到对应的高照度参照特征向量；将所述高照度参照特征向量与所述高照度参照特征库中已有特征向量进行比对；在所述高照度参照特征向量与所述高照度参照特征库中已有特征向量中的每一者之间的余弦相似度小于预定阈值时，将所述高照度参照特征向量加入所述高照度参照特征库中；对所述高照度参照特征向量所对应的高照度参照图片进行灰度处理；对所述经灰度处理的图片进行拉普拉斯变换并且序列化保存。4.如权利要求1所述的方法，其特征在于，所述生成对抗网络的训练是通过重复以下步骤来实现的，其中将不含噪声的清晰图片与对应的低照度图片作为训练数据集：将所述训练数据集中的低照度图片经由所述宽度学习网络所提取到的特征向量输入所述生成对抗网络中的生成网络以生成去噪图片；将所生成的去噪图片与对应的不含噪声的清晰图片输入所述生成对抗网络中的判别网络以供所述判别网络进行真实图片判别；基于损失计算来对所述生成网络和所述判别网络进行优化。5.一种用于去除低照度图片噪声的系统，其特征在于，所述系统包括：特征提取模块，所述特征提取模块被配置成：获取待去噪的低照度图片；对所获取的低照度图片进行特征提取以得到对应的低照度特征向量；相似图片对比模块，所述相似图片对比模块被配置成：将所述低照度特征向量与高照度参照特征库中的一个或多个高照度参照特征向量进行逐一比对；并且在所述低照度特征向量与所述一个或多个高照度参照特征向量之间的余弦相似度大于预定阈值时，确定存在相似图片并且返回与所述一个或多个高照度参照特征向量中与所
述低照度特征向量余弦相似度最大的高照度参照特征向量相对应的高照度参照图片作为输入数据；否则，确定不存在相似图片并且直接将所获取的低照度图片作为输入数据；宽度学习特征提取模块，所述宽度学习特征提取模块被配置成将所述输入数据输入经训练的宽度学习网络进行空间特征提取以得到对应的特征向量，其中所述宽度学习网络是通过确定所述输入数据所映射到的特征节点和增强节点到给定目标值的伪逆来训练得到的；以及生成对抗网络去噪模块，所述生成对抗网络去噪模块被配置成将所得到的特征向量输入经训练的生成对抗网络中的生成网络以生成去噪图片，其中所述生成对抗网络是通过将所述生成网络和判别网络进行交替训练来得到的。6.如权利要求5所述的系统，其特征在于，所述高照度参照特征库是通过以下方式来构建的：定期采集高照度参照图片，其中所述高照度参照图片的亮度高于一阈值；对所述高照度参照图片进行特征提取以得到对应的高照度参照特征向量；将所述高照度参照特征向量与所述高照度参照特征库中已有特征向量进行比对；在所述高照度参照特征向量与所述高照度参照特征库中已有特征向量中的每一者之间的余弦相似度小于预定阈值时，将所述高照度参照特征向量加入所述高照度参照特征库中；对所述高照度参照特征向量所对应的高照度参照图片进行灰度处理；对所述经灰度处理的图片进行拉普拉斯变换并且序列化保存。7.如权利要求6所述的系统，其特征在于，对所述低照度图片和高照度参照图片的特征提取是采用尺度不变特征变换sift算子来进行的。8.如权利要求5所述的系统，其特征在于，所述生成对抗网络的训练是通过重复以下步骤来实现的，其中将不含噪声的清晰图片与对应的低照度图片作为训练数据集：将所述训练数据集中的低照度图片经由所述宽度学习网络所提取到的特征向量输入所述生成对抗网络中的生成网络以生成去噪图片；将所生成的去噪图片与对应的不含噪声的清晰图片输入所述生成对抗网络中的判别网络以供所述判别网络进行真实图片判别；基于损失计算来对所述生成网络和所述判别网络进行优化。9.一种用于去除低照度图片噪声的系统，其特征在于，所述系统包括：存储器，所述存储器存储有经训练的宽度学习网络和生成对抗网络以及计算机可执行指令；以及至少一个处理器，所述计算机可执行指令在被执行时使所述至少一个处理器执行以下操作：获取待去噪的低照度图片；将所获取的低照度图片作为输入数据输入所述宽度学习网络进行空间特征提取以得到对应的特征向量，其中所述宽度学习网络是通过确定所述输入数据所映射到的特征节点和增强节点到给定目标值的伪逆来训练得到的；以及将所得到的特征向量输入所述生成对抗网络中的生成网络以生成去噪图片，其中所述
生成对抗网络是通过将所述生成网络和判别网络进行交替训练来得到的。10.如权利要求9所述的系统，其特征在于，所述存储器进一步存储有高照度参照特征库，并且所述计算机可执行指令在被执行时使所述至少一个处理器进一步执行以下操作：对所获取的低照度图片进行特征提取以得到对应的低照度特征向量；并且在所述低照度特征向量与所述高照度参照特征库中的一个或多个高照度参照特征向量之间的余弦相似度大于预定阈值时，返回与所述一个或多个高照度参照特征向量中与所述低照度特征向量的余弦相似度最大的高照度参照特征向量相对应的高照度参照图片作为输入数据输入所述宽度学习网络。
技术总结
本发明提供了一种基于宽度学习和生成对抗网络技术去除低照度视频噪声的装置和方法，方法包括：获取待去噪的低照度图片；将所获取的低照度图片作为输入数据输入经训练的宽度学习网络进行空间特征提取以得到对应的特征向量，其中所述宽度学习网络是通过确定所述输入数据所映射到的特征节点和增强节点到给定目标值的伪逆来训练得到的；以及将所得到的特征向量输入经训练的生成对抗网络中的生成网络以生成去噪图片，其中所述生成对抗网络是通过将所述生成网络和判别网络进行交替训练来得到的。得到的。得到的。
技术研发人员：史国杰 曹靖城 吕超 吴宇松
受保护的技术使用者：天翼数字生活科技有限公司
技术研发日：2021.12.22
技术公布日：2022/8/18