本公开涉及信息技术领域，尤其涉及信息处理方法及设备。
背景技术：
图像去噪是图像处理中极其重要的步骤，去噪常常在更高级的图像处理步骤之前进行，是图像处理的基础。噪声信号的位置、强度均存在随机性，如何提高去噪的准确性是图像去噪的难点。
技术实现要素：
本公开的实施例提供信息处理方法及设备，技术方案如下：
根据本公开实施例的第一方面，提供一种信息处理方法，包括：
获取原始图像；
将所述原始图像输入深度卷积网络模型，所述深度卷积网络模型用于根据噪声图像预测得到去噪图像；
通过所述深度卷积网络模型得到预测图像，所述预测图像为所述深度卷积网络模型根据所述原始图像预测得到的去除噪声后的图像。
本公开提供的技术方案，利用深度卷积网络模型，根据原始图像预测得到去除噪声后的图像。得益于深度卷积网络强大的建模能力，深度卷积网络模型可更准确地预测噪声信号的位置、强度，从而提高去噪的准确性。
在一个实施例中，所述深度卷积网络模型包括k个残差结构，k≥2，相邻前一残差结构的输出为相邻后一残差结构的输入；
每个残差结构通过l个连续的卷积层预测输入图像x的噪声f(x)，输出去除噪声f(x)后的图像f(x)+x，其中，l≥2，f(x)的参数为l个卷积层的参数。
在一个实施例中，所述获取原始图像之前，还包括：
以mean_squared_error为目标函数，以噪声图训练样本集训练深度卷积网络，得到所述深度卷积网络模型的每个残差结构中各卷积层的参数。
在一个实施例中，所述获取原始图像，包括：
获取原始rgb图像；
或者，获取原始红外图像；
或者，获取原始深度图像。
在一个实施例中，所述将所述原始图像输入深度卷积网络模型之前，还包括：
填补所述原始图像中的缺失值。
根据本公开实施例的第二方面，提供一种信息处理设备，包括：
获取模块，用于获取原始图像；
输入模块，用于将所述原始图像输入预测模块的深度卷积网络模型，所述深度卷积网络模型用于根据噪声图像预测得到去噪图像；
所述预测模块，用于通过所述深度卷积网络模型得到预测图像，所述预测图像为所述深度卷积网络模型根据所述原始图像预测得到的去除噪声后的图像。
在一个实施例中，所述预测模块的深度卷积网络模型包括k个残差结构，k≥2，相邻前一残差结构的输出为相邻后一残差结构的输入；
每个残差结构通过l个连续的卷积层预测输入图像x的噪声f(x)，输出去除噪声f(x)后的图像f(x)+x，其中，l≥2，f(x)的参数为l个卷积层的参数。
在一个实施例中，所述预测模块包括：
训练子模块，用于以mean_squared_error为目标函数，以噪声图训练样本集训练深度卷积网络，得到所述深度卷积网络模型的每个残差结构中各卷积层的参数。
在一个实施例中，所述获取模块包括rgb图子模块、红外图子模块或者深度图子模块其中之一；
所述rgb图子模块，用于获取原始rgb图像；
所述红外图子模块，用于获取原始红外图像；
所述深度图子模块，用于获取原始深度图像。
在一个实施例中，还包括：
补缺模块，用于填补所述原始图像中的缺失值。
根据本公开实施例的第三方面，提供一种信息处理设备，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：
获取原始图像；
将所述原始图像输入深度卷积网络模型，所述深度卷积网络模型用于根据噪声图像预测得到去噪图像；
通过所述深度卷积网络模型得到预测图像，所述预测图像为所述深度卷积网络模型根据所述原始图像预测得到的去除噪声后的图像。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面所提供信息处理方法的步骤。
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，并不能限制本公开。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的信息处理方法的流程图。
图2是根据一示例性实施例示出的信息处理方法的流程图。
图3是根据一示例性实施例示出的残差结构说明示意图。
图4是根据一示例性实施例示出的深度卷积网络模型说明示意图。
图5是根据一示例性实施例示出的电子设备的框图。
图6是根据一示例性实施例示出的电子设备的框图。
图7是根据一示例性实施例示出的电子设备的框图。
图8是根据一示例性实施例示出的电子设备的框图。
图9是根据一示例性实施例示出的电子设备的框图。
图10是根据一示例性实施例示出的电子设备的框图。
图11是根据一示例性实施例示出的电子设备的框图。
图12是根据一示例性实施例示出的终端设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的设备和方法的例子。
传统的去噪算法，通常对满足一定条件的噪声信号有效，但是由于噪声信号的位置、强度均存在随机性，导致传统的去噪算法只对某些噪声信号有效。例如高斯低通滤波去噪，对去除服从正态分布的噪声信号非常有效，而对不服从正态分布的噪声信号则去噪效果有限。
本公开的实施例提供信息处理方法，以及用于执行该方法的设备。该设备可以是手机、个人电脑、平板电脑等电子设备。本公开提供的技术方案，利用深度卷积网络模型，根据原始图像预测得到去除噪声后的图像，可取得更好的去噪效果。图1是根据一示例性实施例示出的信息处理方法的流程图，包括步骤101-103：
在步骤101中，获取原始图像。
原始图像可以是拍摄所得的照片、从网络或者其他设备所接收到的照片或者图片等。原始图像可以为rgb图像、红外图像或者深度图像等。
在步骤102中，将原始图像输入深度卷积网络模型。
深度卷积网络模型用于根据噪声图像预测得到去噪图像。在一个实施例中，深度卷积网络模型不包括具有下采样功能的池化层，以确保输出的去噪图像与输入的噪声图像具有相同的尺寸。
通常，用于图像分类的深度卷积网络，需要采用激活层和池化层来提升网络的建模能力，激活层和池化层能够增强网络的位移不变性。本公开的方案目的是为了得到没有噪音的图像，因此可去掉激活层和池化层，即深度卷积神经网络由卷积层构成。
在步骤103中，通过深度卷积网络模型得到预测图像。
深度卷积网络模型的输入为原始图像，输出为预测图像。预测图像为深度卷积网络模型根据原始图像预测得到的去除噪声后的图像。
本公开实施例提供的信息处理方法，利用深度卷积网络模型，根据原始图像预测得到去除噪声后的图像。得益于深度卷积网络强大的建模能力，深度卷积网络模型可更准确地预测噪声信号的位置、强度，从而提高去噪的准确性。
基于上述图1对应的实施例提供的信息处理方法，图2是根据一示例性实施例示出的一种信息处理方法的流程图，图2对应的实施例中对深度卷积网络模型的结构做了进一步补充和说明。其中部分步骤中的内容与图1对应的实施例中的步骤相同或类似，以下只对步骤中不同之处做详细说明。参照图2所示，本实施例提供的信息处理方法包括步骤201-205：
在步骤201中，训练得到深度卷积网络模型。
在一个实施例中，深度卷积网络模型包括k个残差结构，k≥2。参照图3所示，以x表示输入图像，残差结构输出的图像为f(x)+x，其中f(x)表示输入图像x的噪声估计值，f(x)+x为在x基础上去除噪声f(x)后的图像。
残差结构通过l个连续的卷积层预测输入图像x的噪声f(x)，输出去除噪声f(x)后的图像f(x)+x。图3所示为l＝2的情形。
以k＝3的情形为例，参照图4所示，在一个实施例中，深度卷积网络模型由3个残差结构堆叠而成。相邻前一残差结构的输出图像为相邻后一残差结构的输入图像，最后一个残差结构的输出即为预测图像。图4中，3个残差结构以残差结构1、残差结构2、残差结构3标识。每个残差结构包括两个卷积层，以卷积层1、卷积层2标识。残差结构1的卷积层1，记作残差结构1/卷积层1，依次类推。
f(x)的参数为l个卷积层的参数，对深度卷积网络进行训练的过程，就是对每个残差结构中各卷积层的参数进行求解的过程。在一个实施例中，以mean_squared_error为目标函数来衡量预测的无噪声图像和真实的无噪声图像之间的误差，以噪声图训练样本集训练深度卷积网络，得到深度卷积网络模型的每个残差结构中各卷积层的参数。
在步骤202中，获取原始图像。
在步骤203中，填补原始图像中的缺失值。
当原始图像中存在缺失时，可采用最近邻补缺法填补原始图像中的缺失值缺失值。例如，当原始图像为深度图像时，将缺失值用最近的深度值填补。或者，原始图像为rgb图像时，将缺失值用最近的颜色值填补。
在步骤204中，将填补缺失值后的图像输入深度卷积网络模型。
深度卷积网络模型为经过步骤201训练得到，用于根据噪声图像预测得到去噪图像。
在步骤205中，通过深度卷积网络模型得到预测图像。
预测图像为深度卷积网络模型根据输入图像预测得到的去除噪声后的图像。
本公开实施例提供的信息处理方法，利用深度卷积网络模型，根据原始图像预测得到去除噪声后的图像。得益于深度卷积网络强大的建模能力，深度卷积网络模型可更准确地预测噪声信号的位置、强度，从而提高去噪的准确性。
下述为本公开设备实施例，可以用于执行本公开方法实施例。
图5是根据一示例性实施例示出的一种电子设备的框图，该设备可以通过软件、硬件或者两者的结合实现其部分或者全部功能，用于执行图1-图4对应的实施例中所描述的信息处理方法。如图5所示，电子设备包括：
获取模块501，用于获取原始图像。
输入模块502，用于将原始图像输入预测模块503的深度卷积网络模型，深度卷积网络模型用于根据噪声图像预测得到去噪图像。
预测模块503，用于通过深度卷积网络模型得到预测图像，预测图像为深度卷积网络模型根据原始图像预测得到的去除噪声后的图像。
在一个实施例中，预测模块503的深度卷积网络模型包括k个残差结构，k≥2，相邻前一残差结构的输出为相邻后一残差结构的输入。
每个残差结构通过l个连续的卷积层预测输入图像x的噪声f(x)，输出去除噪声f(x)后的图像f(x)+x，其中，l≥2，f(x)的参数为l个卷积层的参数。
如图6所示，在一个实施例中，预测模块503包括：
训练子模块5031，用于以mean_squared_error为目标函数，以噪声图训练样本集训练深度卷积网络，得到深度卷积网络模型的每个残差结构中各卷积层的参数。
如图7所示，在一个实施例中，获取模块501包括rgb图子模块5011。
rgb图子模块5011，用于获取原始rgb图像。
如图8所示，在一个实施例中，获取模块501包括红外图子模块5012。
红外图子模块5012，用于获取原始红外图像。
如图9所示，在一个实施例中，获取模块501包括深度图子模块5013。
深度图子模块5013，用于获取原始深度图像。
如图10所示，在一个实施例中，还包括：
补缺模块504，用于填补原始图像中的缺失值。
本公开实施例提供的电子设备，利用深度卷积网络模型，根据原始图像预测得到去除噪声后的图像。得益于深度卷积网络强大的建模能力，深度卷积网络模型可更准确地预测噪声信号的位置、强度，从而提高去噪的准确性。
图11是根据一示例性实施例示出的一种电子设备的框图，该设备可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部，该电子设备用于执行上述图1-图4对应的实施例中所描述的信息处理方法。如图11所示，电子设备110包括：
处理器1101。
用于存储处理器1101可执行指令的存储器1102。
其中，处理器1101被配置为：
获取原始图像。
将原始图像输入深度卷积网络模型，深度卷积网络模型用于根据噪声图像预测得到去噪图像。
通过深度卷积网络模型得到预测图像，预测图像为深度卷积网络模型根据原始图像预测得到的去除噪声后的图像。
在一个实施例中，深度卷积网络模型包括k个残差结构，k≥2，相邻前一残差结构的输出为相邻后一残差结构的输入。
每个残差结构通过l个连续的卷积层预测输入图像x的噪声f(x)，输出去除噪声f(x)后的图像f(x)+x，其中，l≥2，f(x)的参数为l个卷积层的参数。
在一个实施例中，上述处理器1101还可被配置为：
以mean_squared_error为目标函数，以噪声图训练样本集训练深度卷积网络，得到深度卷积网络模型的每个残差结构中各卷积层的参数。
在一个实施例中，上述处理器1101还可被配置为：
获取原始rgb图像。
或者，获取原始红外图像。
或者，获取原始深度图像。
在一个实施例中，上述处理器1101还可被配置为：
填补原始图像中的缺失值。
本公开实施例提供的电子设备，利用深度卷积网络模型，根据原始图像预测得到去除噪声后的图像。得益于深度卷积网络强大的建模能力，深度卷积网络模型可更准确地预测噪声信号的位置、强度，从而提高去噪的准确性。
本公开实施例提供的电子设备可以是一个如图12所示的终端设备，
图12是根据一示例性实施例示出的一种终端设备的框图，该终端设备120可以是智能手机、平板电脑等，该终端设备120用于执行上述图1-图4对应的实施例中所描述的信息处理方法。
终端设备120可以包括以下一个或多个组件：处理组件1201，存储器1202，电源组件1203，多媒体组件1204，音频组件1205，输入/输出(i/o)的接口1206，传感器组件1207，以及通信组件1208。
处理组件1201通常控制终端设备120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1201可以包括一个或多个处理器12011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1201可以包括一个或多个模块，便于处理组件1201和其他组件之间的交互。例如，处理组件1201可以包括多媒体模块，以方便多媒体组件1204和处理组件1201之间的交互。
存储器1202被配置为存储各种类型的数据以支持在终端设备120的操作。这些数据的示例包括用于在终端设备120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1202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(英文全称：staticrandomaccessmemory，英文简称：sram)，电可擦除可编程只读存储器(英文全称：electricallyerasableprogrammablereadonlymemory，英文简称：eeprom)，可擦除可编程只读存储器(英文全称：erasableprogrammablereadonlymemory，英文简称：eprom)，可编程只读存储器(英文全称：programmablereadonlymemory，英文简称：prom)，只读存储器(英文全称：readonlymemory，英文简称：rom)，磁存储器，快闪存储器，磁盘或光盘。
电源组件1203为终端设备120的各种组件提供电力。电源组件1203可以包括电源管理系统，一个或多个电源，及其他与为终端设备120生成、管理和分配电力相关联的组件。
多媒体组件1204包括在终端设备120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(英文全称：liquidcrystaldisplay，英文简称：lcd)和触摸面板(英文全称：touchpanel，英文简称：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。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1204包括一个前置摄像头和/或后置摄像头。当终端设备120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1205被配置为输出和/或输入音频信号。例如，音频组件1205包括一个麦克风(英文全称：microphone，英文简称：mic)，当终端设备120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1202或经由通信组件1208发送。在一些实施例中，音频组件1205还包括一个扬声器，用于输出音频信号。
i/o接口1206为处理组件1201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1207包括一个或多个传感器，用于为终端设备120提供各个方面的状态评估。例如，传感器组件1207可以检测到终端设备120的打开/关闭状态，组件的相对定位，例如组件为终端设备120的显示器和小键盘，传感器组件1207还可以检测终端设备120或终端设备120一个组件的位置改变，用户与终端设备120接触的存在或不存在，终端设备120方位或加速/减速和终端设备120的温度变化。传感器组件1207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1207还可以包括光传感器，如互补金属氧化物半导体(英文全称：complementarymetaloxidesemiconductor，英文简称：cmos)或电荷耦合元件(英文全称：chargecoupleddevice，英文简称：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1207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1208被配置为便于终端设备120和其他设备之间有线或无线方式的通信。终端设备120可以接入基于通信标准的无线网络，如无线保真(英文全称：wireless-fidelity，英文简称：wifi)，2g或3g，或它们的组合。在一个示例性实施例中，通信组件1208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，通信组件1208还包括近场通信(英文全称：nearfieldcommunication，英文简称：nfc)模块，以促进短程通信。例如，该nfc模块可基于射频识别(英文全称：radiofrequencyidentification，英文简称：rfid)技术，红外数据协会(英文全称：infrareddataassociation，英文简称：irda)技术，超宽带(英文全称：ultrawideband，英文简称：uwb)技术，蓝牙(英文全称：bluetooth，英文简称：bt)技术和其他技术来实现。
在示例性实施例中，终端设备120可以被一个或多个应用专用集成电路(英文全称：applicationspecificintegratedcircuit，英文简称：asic)、数字信号处理器(英文全称：digitalsignalprocessing，英文简称：dsp)、数字信号处理设备(英文全称：digitalsignalprocessingdevice，英文简称：dspd)、可编程逻辑器件(英文全称：programmablelogicdevice，英文简称：pld)、现场可编程门阵列(英文全称：fieldprogrammablegatearray，英文简称：fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述图1-图4对应的实施例中所描述的信息处理方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1202，上述指令可由终端设备120的处理组件1201执行以完成上述方法。例如，非临时性计算机可读存储介质可以是rom、随机存取存储器(英文全称：randomaccessmemory，英文简称：ram)、cd-rom、磁带、软盘和光数据存储设备等。当存储介质中的指令由终端设备120的处理组件1201执行时，使得终端设备120能够执行上述图1-图4对应的实施例中所描述的信息处理方法，该方法包括：
获取原始图像。
将原始图像输入深度卷积网络模型，深度卷积网络模型用于根据噪声图像预测得到去噪图像。
通过深度卷积网络模型得到预测图像，预测图像为深度卷积网络模型根据原始图像预测得到的去除噪声后的图像。
在一个实施例中，该方法包括：
深度卷积网络模型包括k个残差结构，k≥2，相邻前一残差结构的输出为相邻后一残差结构的输入。
每个残差结构通过l个连续的卷积层预测输入图像x的噪声f(x)，输出去除噪声f(x)后的图像f(x)+x，其中，l≥2，f(x)的参数为l个卷积层的参数。
在一个实施例中，该方法包括：
以mean_squared_error为目标函数，以噪声图训练样本集训练深度卷积网络，得到深度卷积网络模型的每个残差结构中各卷积层的参数。
在一个实施例中，该方法包括：
获取原始rgb图像。
或者，获取原始红外图像。
或者，获取原始深度图像。
在一个实施例中，该方法包括：
填补原始图像中的缺失值。
本公开实施例提供的终端设备以及存储介质，利用深度卷积网络模型，根据原始图像预测得到去除噪声后的图像。得益于深度卷积网络强大的建模能力，深度卷积网络模型可更准确地预测噪声信号的位置、强度，从而提高去噪的准确性。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。