[发明专利]一种图像去噪处理方法

说明书

本发明实施例公开了一种图像去噪处理方法，所述图像去噪处理方法在获取了待处理的包含噪声数据的原始图像之后，采用优化的网络模型对原始图像进行去噪处理得到目标图像，在处理过程中不需要对原始图像进行分层处理，从而保证了目标图像的清晰度以及信息完整性，提高了去噪处理后的图像的质量。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像去噪处理方法。

背景技术

传统技术中，图像去噪的方法主要包括分层去噪，分层去噪是基于一些视觉特征将有噪图像分成噪声层和背景层，再将噪声层从该有噪图像中分离出来的图像处理方法。

然而该分层去噪方法在图像处理过程中会使得背景层的图像模糊和信息丢失，从而使得处理后图像的质量较低。

发明内容

本发明实施例提供了一种图像去噪处理方法，包括如下步骤：

获取图像去噪指令；

获取用于网络优化的数据集，所述数据集包括至少一个噪声图像和至少一个干净图像；

选取任一个噪声图像及其对应的干净图像构成合成图像；

将所述合成图像输入至去噪处理神经网络模型进行去噪处理得到去噪样本图像；

将所述去噪样本图像及所述合成图像包括的干净图像输入至判别神经网络模型进行判别处理得到判别结果；

根据所述判别结果对所述去噪处理神经网络模型和所述判别神经网络模型进行优化，包括：

根据优化公式以及所述判别结果，确定所述优化公式的参数值，所述优化公式为：

其中，y表示输入至判别神经网络模型的干净图像，D(y)表示将干净图像输入至判别神经网络模型中所得到的判别结果，x表示噪声图像，G(x)表示去噪样本图像；D(G(x))表示将去噪样本图像输入至判别神经网络模型中所得到的判别结果；

获取所述判别神经网络模型的损失函数，以及所述判别神经网络模型的当前网络参数，其中所述判别神经网络模型的损失函数L_D用于计算所述判别神经网络模型在判别所述去噪样本图像时所产生的损失值，所述判别神经网络模型的损失函数L_D为：

其中，所述N表示数据集中样本对的总数；

调整所述判别神经网络模型的当前网络参数以减小所述判别神经网络模型的损失函数的损失值，以优化所述判别神经网络模型，其中优化后的判别神经网络模型能增大所述优化公式的参数值；

将所述判别结果进行反向传播处理，调整所述去噪处理神经网络模型的当前网络参数，以优化所述去噪处理神经网络模型，其中，优化后的去噪处理神经网络模型能减小所述优化公式的参数值；

根据所述优化后的去噪处理神经网络模型以及判别神经网络模型对输入的待处理目标图像进行去噪处理。

本发明实施例在获取了待处理的包含噪声数据的原始图像之后，采用优化的网络模型对原始图像进行去噪处理得到目标图像，在处理过程中不需要对原始图像进行分层处理，从而保证了目标图像的清晰度以及信息完整性，提高了去噪处理后的图像的质量。

附图说明

图1是本发明实施例提供的一种网络优化方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

如图1所示，本发明实施例提供了一种图像去噪处理方法，包括如下步骤：