本技术涉及图像处理,尤其涉及一种图像降噪模型池的管理方法、系统及电子设备。
背景技术:
1、图像在数字化和传输过程中会受到成像设备与外部环境等因素的影响,出现各种形式的噪声,比如加性噪声、乘性噪声以及量化噪声等。噪声会对原始的图像信号产生干扰,影响图像信号的成像效果。因此,可通过特定的图像降噪模型对图像执行降噪,改善图像效果。
2、图像降噪模型是基于深度学习算法,通过特定的样本数据训练生成的。针对于不同硬件设备及不同光照条件下拍摄的图像,在训练时需要设置不同的训练目标、采集不同的样本数据,而通过不同训练目标及样本数据训练出的降噪模型,可适用的硬件设备与光照条件也不相同。一个训练好的降噪模型可适用的硬件设备与光照条件是有限的,如果待处理的图像不符合该模型的使用范围,则需要重新采集数据来训练降噪模型。
3、然而,由于样本数据的数据量比较大,采集数据的过程则需要消耗较长的时间,导致图像降噪模型的准备时间被延长,使图像降噪模型的降噪效率降低。
技术实现思路
1、本技术提供了一种图像降噪模型池的管理方法、系统及电子设备,以解决图像降噪模型降噪效率低的问题。
2、第一方面,本技术一些实施例提供一种图像降噪模型池的管理方法,包括:
3、采集样本数据,所述样本数据为包含噪声的图像数据;
4、通过图像降噪模型提取所述样本数据的第一特征向量,所述第一特征向量为所述样本数据的高维特征向量;
5、保存所述第一特征向量与所述图像降噪模型的模型信息,所述模型信息包括模型超参数与模型权重;
6、将所述图像降噪模型与所述第一特征向量、所述模型信息关联,以生成模型关联信息;
7、根据所述模型关联信息生成模型索引;
8、获取待处理图像,以及提取所述待处理图像的第二特征向量,所述第二特征向量为所述待处理图像的高维特征向量;
9、计算所述第一特征向量与所述第二特征向量的相似度;
10、按照所述模型索引查询目标降噪模型,所述目标降噪模型为所述相似度最高的第一特征向量对应的图像降噪模型;
11、通过所述目标降噪模型对所述待处理图像执行图像降噪。
12、结合第一方面,在一种可实施的方式中,采集样本数据后,还包括:对所述样本数据执行预处理,所述预处理包括数据分类、数据缺失值处理以及数据平滑处理;检测所述样本数据的图源信息,所述图源信息包括样本数据的光照条件与图像信号处理器;按照所述图源信息标注所述样本数据的特征标签,所述特征标签包括光照条件标签与图像信号处理器标签。
13、结合第一方面,在一种可实施的方式中,所述模型超参数包括噪声方差与亮度值;所述模型信息还包括模型标识码、模型性能指标、模型版本及模型更新记录,所述模型性能指标包括模型计算速度与模型降噪量。
14、结合第一方面,在一种可实施的方式中,将所述图像降噪模型与所述第一特征向量、所述模型信息关联,包括:检测所述第一特征向量对应的模型超参数,以生成模型超参数集合;查询所述第一特征向量对应的模型标识码;将所述第一特征向量与所述模型标识码匹配,以及将所述模型超参数集合与所述模型标识码匹配。
15、结合第一方面,在一种可实施的方式中,还包括:设置所述模型超参数的备选值,所述备选值与所述模型超参数的数值不同;对所述模型超参数、所述备选值执行排列组合,以作为所述模型超参数集合;将所述模型超参数集合与所述第一特征向量匹配。
16、结合第一方面,在一种可实施的方式中,计算所述第一特征向量与所述第二特征向量的相似度,包括:检测第二特征向量对应的图像超参数,所述图像超参数为所述待处理图像的超参数;查询所述第一特征向量的模型超参数;基于模糊匹配算法求解所述图像超参数与所述模型超参数的编辑距离。
17、结合第一方面,在一种可实施的方式中,还包括:检测所述图像降噪模型的使用记录;根据所述使用记录生成模型评估分数,所述模型评估分数用于表征所述图像降噪模型的适用范围;输出所述模型评估分数。
18、第二方面,本技术一些实施例还提供一种图像降噪模型池的管理系统,包括数据处理模块、模型池数据库、模型管理模块与降噪模块,其中:
19、数据处理模块被配置为采集样本数据,所述样本数据为包含噪声的图像数据;通过图像降噪模型提取所述样本数据的第一特征向量;
20、模型池数据库被配置为保存所述第一特征向量与所述图像降噪模型的模型信息,所述模型信息包括模型超参数与模型权重;
21、模型管理模块被配置为将所述图像降噪模型与所述第一特征向量、所述模型信息关联,以生成模型关联信息;根据所述模型关联信息生成模型索引;获取待处理图像,以及提取所述待处理图像的第二特征向量;计算所述第一特征向量与所述第二特征向量的相似度;按照所述模型索引查询目标降噪模型,所述目标降噪模型为所述相似度最高的第一特征向量对应的图像降噪模型;
22、降噪模块被配置为通过所述目标降噪模型对所述待处理图像执行图像降噪。
23、结合第二方面,在一种可实施的方式中,所述数据处理模块在执行采集样本数据后,还被配置为:对所述样本数据执行预处理,所述预处理包括数据分类、数据缺失值处理以及数据平滑处理;检测所述样本数据的图源信息,所述图源信息包括样本数据的光照条件与图像信号处理器;按照所述图源信息标注所述样本数据的特征标签,所述特征标签包括光照条件标签与图像信号处理器标签。
24、第三方面,本技术一些实施例还提供一种电子设备,包括:处理器、存储器和总线;
25、所述处理器和所述存储器通过所述总线完成相互间的通信;
26、所述存储器存储有可被所述处理器执行的计算机程序指令,所述处理器被配置为:
27、采集样本数据,所述样本数据为包含噪声的图像数据;
28、通过图像降噪模型提取所述样本数据的第一特征向量;
29、保存所述第一特征向量与所述图像降噪模型的模型信息,所述模型信息包括模型超参数与模型权重;
30、将所述图像降噪模型与所述第一特征向量、所述模型信息关联,以生成模型关联信息;
31、根据所述模型关联信息生成模型索引;
32、获取待处理图像,以及提取所述待处理图像的第二特征向量;
33、计算所述第一特征向量与所述第二特征向量的相似度;
34、按照所述模型索引查询目标降噪模型,所述目标降噪模型为所述相似度最高的第一特征向量对应的图像降噪模型;
35、通过所述目标降噪模型对所述待处理图像执行图像降噪。
36、由以上技术方案可知,本技术一些实施例提供的图像降噪模型池的管理方法、系统及电子设备,所述方法可采集包含不同噪声的样本数据,并通过图像降噪模型提取样本数据的第一特征向量。再保存第一特征向量与图像降噪模型的模型信息,模型信息包括模型超参数与模型权重。将图像降噪模型与第一特征向量、模型信息关联,以生成模型关联信息,并根据模型关联信息生成模型索引。再获取待处理图像,以及提取待处理图像的第二特征向量。计算第一特征向量与第二特征向量的相似度,并按照模型索引查询相似度最高的目标降噪模型,以通过目标降噪模型对待处理图像执行图像降噪。所述方法可自动选择最合适的降噪模型对待处理图像进行降噪处理,进而提高模型的降噪效率。