本发明实施例涉及图像处理技术领域，尤其涉及一种图像噪声检测方法、装置及电子设备。
背景技术：
噪声检测是图像处理领域十分重要的问题，有效识别图像中的噪声是图像处理中的一个基本问题，是准确识别图像内容的前提。因此，无论在学术界还是工业界，图像噪声检测的研究都一直被广泛关注。
在目前的研究中，很多方法及理论都对图像噪声的研究具有巨大的推动作用，例如经典的高斯低通滤波去噪、中值滤波去噪以及小波阈值去噪等。但现有的这些去噪方法都具有其局限性，仍需继续寻求新的去噪方法。随着近些年神经网络的发展，可尝试将神经网络应用到图像噪声检测中。
技术实现要素：
本发明实施例提供一种图像噪声检测方法、装置及电子设备，通过所述方法可以准确且快速地得到图像中噪声的分布情况，有助于噪声去除的有效实施。
为实现上述目的，本发明实施例采用如下技术方案：
第一方面，本发明实施例提供了一种图像噪声检测方法，所述方法包括：
获取待检测图像；
利用训练完成的神经网络模型对所述待检测图像中的噪声进行检测，以得到所述待检测图像中噪声的分布状态；
其中，所述训练完成的神经网络模型包括：输入层、卷积运算层和输出层；
其中，所述输入层、卷积运算层以及输出层依次相连；
所述卷积运算层包括依次相连的设定数量的第一卷积单元，每个第一卷积单元包括依次相连的卷积层、归一化层和激活函数层，每个第一卷积单元通过激活函数层连接至下一个第一卷积单元；
所述输出层包括依次相连的第二卷积单元、数据排列单元和损失函数单元，所述第二卷积单元包括卷积层，所述卷积层与所述卷积运算层中的最后一个第一卷积单元的激活函数层相连。
进一步的，所述设定数量为9，所述神经网络结构的批大小batch size为20，所述第一卷积单元的卷积核大小为3*3，步长为1，输出通道为64，所述第二卷积单元的卷积核大小为3*3，步长为1，输出通道为3。
进一步的，所述损失函数层通过如下公式计算神经网络的实际输出与样本之间的误差：
其中，表示神经网络的实际输出，表示样本值，j表示像素编号，k为设定指数值。
进一步的，所述方法还包括：
获取携带设定噪声的训练图像；
基于所述训练图像对预设的神经网络结构进行训练，得到训练完成的神经网络模型。
进一步的，所述获取携带设定噪声的训练图像，包括：
对多张彩色原图像添加设定噪声，得到携带设定噪声的彩色图像；
将每张携带设定噪声的彩色图像与其携带的设定噪声的分布图像划分为一组图像；
对每组图像进行直方图均衡化处理，得到处理后的图像；
按照设定尺寸对处理后的每组图像进行裁剪，得到大小相同的多组图像；
清洗所述多组图像中有干扰的图像，得到清洗后的多组图像；
将所述清洗后的多组图像确定为携带设定噪声的训练图像。
进一步的，所述获取携带设定噪声的训练图像，还包括：
将所述清洗后的多组图像旋转随机角度，得到旋转后的多组图像；
将所述清洗后的多组图像中的像素值进行翻转，和/或将所述旋转后的多组图像中的像素值进行翻转，得到像素值翻转后的多组图像；
将所述清洗后的多组图像、所述旋转后的多组图像以及所述像素值翻转后的多组图像确定为携带设定噪声的训练图像。
进一步的，所述基于所述训练图像对预设的神经网络结构进行训练，得到训练完成的神经网络模型之后，所述方法还包括：
利用预先准备好的测试数据对所述神经网络模型进行测试，以确定所述神经网络模型的可靠性以及泛化能力。
第二方面，本发明实施例提供了一种图像噪声检测装置，所述装置包括：
获取模块，用于获取待检测图像；
检测模块，用于利用训练完成的神经网络模型对所述待检测图像中的噪声进行检测，以得到所述待检测图像中噪声的分布状态；图4为本发明实施例一提供的又一种图像噪声检测方法流程示意图。
第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的图像噪声检测方法。
第四方面，本发明实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时实现如上述第一方面所述的图像噪声检测方法。
本发明实施例提供的一种图像噪声检测方法，通过利用训练完成的神经网络模型对待检测图像进行检测，实现了准确且快速地得到图像中噪声的分布状态，有助于噪声去除的有效实施。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1为本发明实施例一提供的一种图像噪声检测方法流程示意图；
图2为本发明实施例一提供的另一种图像噪声检测方法流程示意图；
图3为本发明实施例一提供的一种用于图像噪声检测的神经网络结构示意图；
图4为本发明实施例一提供的又一种图像噪声检测方法流程示意图；
图5为本发明实施例一提供的再一种图像噪声检测方法流程示意图；
图6为本发明实施例二提供的一种图像噪声检测装置结构示意图；
图7为本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本发明实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
图1为本发明实施例一提供的一种图像噪声检测方法流程示意图。本实施例公开的图像噪声检测方法可以由图像噪声检测装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在终端中，例如电脑等。本实施例公开的图像噪声检测方法可用于对彩色图像中的噪声分布状态进行检测。具体参见图1所示，该方法可以包括如下步骤：
110、获取待检测图像。
其中，获取待检测图像的方式有多种，例如可通过工业相机获取。
120、利用训练完成的神经网络模型对所述待检测图像中的噪声进行检测，以得到所述待检测图像中噪声的分布状态。
具体的，可以参见图2所示的另一种图像噪声检测方法流程示意图，通过将待检测带噪图像输入至预先训练完成的卷积神经网络模型，可得到所述待检测图像中噪声的分布图像。通过将神经网络应用在图像噪声检测中，充分利用了神经网络的强运算能力、分类能力以及特征提取能力，可实现准确且快速地得到待检测图像中的噪声分布状态，为图像去噪等图像处理提供了坚实的基础，有助于图像噪声去除的有效实施。
其中，所述训练完成的神经网络模型的结构可以参见图3所示，包括：输入层310、卷积运算层320和输出层330；
输入层310、卷积运算层320以及输出层330依次相连；
输入层310用于接收训练图像，并将接收到的训练图像传递至卷积运算层320；
卷积运算层320包括依次相连的设定数量的第一卷积单元321，每个第一卷积单元321包括依次相连的卷积层3211、归一化层3212和激活函数层3213，每个第一卷积单元321通过激活函数层3213连接至下一个第一卷积单元321。
输出层330包括依次相连的第二卷积单元331、数据排列单元332和损失函数单元333，第二卷积单元331与卷积运算层320中的最后一个第一卷积单元321的激活函数层3213相连，第二卷积单元331只包含一个卷积层。
通过在每个第一卷积单元中设置归一化层3212，可实现快速使损失函数单元333的数值收敛到一个极小值，完成神经网络模型的训练。
进一步的，参见图4所示的又一种图像噪声检测方法流程示意图，所述方法还包括：
410、获取携带设定噪声的训练图像。
其中，所述设定噪声例如可以是高斯噪声或者脉冲噪声。具体的，可通过如下方式获取携带设定噪声的训练图像：
对多张彩色原图像添加设定噪声，得到携带设定噪声的彩色图像；
将每张携带设定噪声的彩色图像与其携带的设定噪声的分布图像划分为一组图像；
对每组图像进行直方图均衡化处理，得到处理后的图像；
按照设定尺寸对处理后的每组图像进行裁剪，得到大小相同的多组图像；
清洗所述多组图像中有干扰的图像，得到清洗后的多组图像；
将所述清洗后的多组图像确定为携带设定噪声的训练图像。
其中，每组图像包括携带设定噪声的图像以及所述设定噪声的分布图像，添加设定噪声的图像构成训练图像集，对应的设定噪声的分布图像构成训练图像的标签集。所述携带设定噪声的图像以及其噪声的分布图像均为RGB三通道的彩色图像，其保存格式可以为BMP格式，以适应caffe框架的使用要求。所述有干扰的图像具体指像素值全部为0或者255的图像，清洗的实质为直接将有干扰的图像组删除。
进一步的，为了扩充训练图像的数量，可将所述清洗后的多组图像旋转随机角度，得到旋转后的多组图像；和/或，将所述清洗后的多组图像中的像素值进行翻转，也可以得到像素值翻转后的第一多组图像；和/或，将所述旋转后的多组图像中的像素值进行翻转，得到像素值翻转后的第二多组图像；
将所述清洗后的多组图像、所述旋转后的多组图像以及所述像素值翻转后的第一多组图像、第二多组图像确定为携带设定噪声的训练图像，从而达到扩充训练图像的目的。
通常，所述随机角度为90°、180°或者270°。所述对图像中的像素值进行翻转具体为：在原像素值上随机加上以5为最小公倍数的随机数，并进行模255运算，得到翻转后的像素值，例如原像素值为200，随机加上25，得到像素值为225，再进行模255运算后得到像素值为30，即原像素值为200的像素翻转后的像素对应的像素值为30。按照上述规则对所述原像素所在的图像中的其他像素也进行翻转，得到像素值翻转后的图像。
按照上述扩充方式得到的训练图像既保留了图像中添加的设定噪声信息，又使得各训练图像互不相同，保证了训练图像的质量，有利于使神经网络更快地被训练成神经网络模型。
420、基于所述训练图像对预设的神经网络结构进行训练，得到训练完成的神经网络模型。
具体的，
具体的，在本实施例提供的一种图像噪声检测方法中，可选取100000组训练图像，每组训练图像包括带噪声图像和噪声分布图像，带噪声图像为三通道的RGB彩色图像，每组训练图像的大小为长*宽*通道数＝60*60*3。另外可选取20000组其他图像作为测试图像，图像大小和通道数与训练图像保持一致。通过多次训练试验发现，所述第一卷积单元的数量设置为9，所述神经网络结构的批大小batch size为20，所述第一卷积单元中的卷积层的卷积核大小为3*3，步长为1，输出通道为64，第二卷积单元331的卷积层的卷积核大小为3*3，步长为1，输出通道为3。即每次输入20组大小为长*宽*通道数＝60*60*3的带噪图像和噪声分布图像进行训练，该输入经步长为1，卷积核大小为3*3，输出通道为64的卷积层3211后，再依次通过进行批归一化操作的归一化层3212(即Batch Normalization层和Scale层)，最后再通过激活函数层(即(Rectified Linear Units，ReLU))3213，输出大小为批大小*长*宽*通道数＝20*60*60*64的图像数据。上述第一卷积单元321在网络中连续重复9次，即输入连续通过9个相同的上述第一卷积单元321，然后依次通过输出层330的第二卷积单元331、数据排列单元332，最终将图像数据送入至损失函数单元333。输出层330中的第二卷积单元331只有一个卷积层，步长为1，卷积核大小为3*3，输出通道为3。即输入训练图像通过9个第一卷积单元321后的输出为20*60*60*3，与噪声分布图像数据大小一致，将其通过数据排列单元332(即Reshape层)重新排列后送入损失函数单元333。按照上述设置得到的神经网络模型具有较好的收敛效果，通过利用测试图像对该神经昂立模型进行测试发现，按照上述设置得到的神经网络模型具有较好的泛化能力和可靠性。
具体的，所述损失函数单元333通过如下公式计算神经网络的实际输出与样本之间的误差：
其中，表示神经网络的实际输出，表示样本值，j表示像素编号，k为设定指数值，通常取值为2，所述样本即为训练图像中对应的噪声分布图像。损失函数单元333采用误差反向传播算法重新调整网络的权值参数，例如以10万次迭代作为一个完整的训练，直到最后损失函数的值收敛到预设的极小值，网络的训练完成。具体可参见图5所示的再一种图像噪声检测方法流程示意图，首先获取携带设定噪声的图像以及其携带的噪声分布图像，即输入携带设定噪声的样本图像数据511，携带设定噪声的样本图像数据511经过设定数量的第一卷积单元520，再经过第二卷积单元521，重新排列单元(Reshape)530后输出至损失函数540，损失函数540通过将该输出与样本对应的噪声分布图像数据512之间的误差进行运算，并基于误差反向传播算法重新调整网络的权值参数，直到损失函数的值收敛到预设的极小值，网络的训练完成。
430、获取待检测图像。
440、利用训练完成的神经网络模型对所述待检测图像中的噪声进行检测，以得到所述待检测图像中噪声的分布状态。
本实施例提供的一种图像噪声检测方法，通过大量的携带设定噪声的训练图像对设定的神经网络结构进行训练，最终得到符合期望的训练完成的神经网络模型，通过利用训练完成的神经网络模型对待检测图像进行检测，实现了准确且快速地得到图像中噪声的分布状态，有助于噪声去除的有效实施。
实施例二
图6为本发明实施例二提供的一种图像噪声检测装置的结构示意图。参见图6所示，所述装置包括：获取模块610和检测模块620；
获取模块610，用于获取待检测图像；
检测模块620，用于利用训练完成的神经网络模型对所述待检测图像中的噪声进行检测，以得到所述待检测图像中噪声的分布状态；其中，所述训练完成的神经网络模型包括：输入层、卷积运算层和输出层；
所述输入层、卷积运算层以及输出层依次相连；
所述卷积运算层包括依次相连的设定数量的第一卷积单元，每个第一卷积单元包括依次相连的卷积层、归一化层和激活函数层，每个第一卷积单元通过激活函数层连接至下一个第一卷积单元；
所述输出层包括依次相连的第二卷积单元、数据排列单元和损失函数单元，所述第二卷积单元包括卷积层，所述卷积层与所述卷积运算层中的最后一个第一卷积单元的激活函数层相连。
进一步的，所述装置还包括：
训练图像获取模块，用于获取携带设定噪声的训练图像；
训练模块，用于基于所述训练图像对预设的神经网络结构进行训练，得到神经网络模型。
本实施例提供的图像噪声检测装置，通过大量的携带设定噪声的训练图像对设定的神经网络结构进行训练，最终得到符合期望的训练完成的神经网络模型，通过利用训练完成的神经网络模型对待检测图像进行检测，实现了准确且快速地得到图像中噪声的分布状态，有助于噪声去除的有效实施。
实施例三
图7为本发明实施例三提供的一种电子设备的结构示意图。如图7所示，该电子设备包括：处理器670、存储器671及存储在存储器671上并可在处理器670上运行的计算机程序；其中，处理器670的数量可以是一个或多个，图7中以一个处理器670为例；处理器670执行所述计算机程序时实现如上述实施例一中所述的图像噪声检测方法。如图7所示，所述电子设备还可以包括输入装置672和输出装置673。处理器670、存储器671、输入装置672和输出装置673可以通过总线或其他方式连接，图7中以通过总线连接为例。
存储器671作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中图像噪声检测装置/模块(例如，图像噪声检测装置中的获取模块610和检测模块620等)。处理器670通过运行存储在存储器671中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的图像噪声检测方法。
存储器671可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器671可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器671可进一步包括相对于处理器670远程设置的存储器，这些远程存储器可以通过网络连接至电子设备/存储介质。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置672可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置673可包括显示屏等显示设备。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种图像噪声检测方法，该方法包括：
获取待检测图像；
利用训练完成的神经网络模型对所述待检测图像中的噪声进行检测，以得到所述待检测图像中噪声的分布状态；
其中，所述训练完成的神经网络模型包括：输入层、卷积运算层和输出层；
所述输入层、卷积运算层以及输出层依次相连；
所述卷积运算层包括依次相连的设定数量的第一卷积单元，每个第一卷积单元包括依次相连的卷积层、归一化层和激活函数层，每个第一卷积单元通过激活函数层连接至下一个第一卷积单元；
所述输出层包括依次相连的第二卷积单元、数据排列单元和损失函数单元，所述第二卷积单元包括卷积层，所述卷积层与所述卷积运算层中的最后一个第一卷积单元的激活函数层相连。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的图像噪声检测相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，存储介质，或者网络设备等)执行本发明各个实施例所述的。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。