[发明专利]一种图像降噪系统、方法及降噪神经网络训练方法

权利要求书

1.一种图像降噪系统，其特征在于，包括：

神经网络降噪模块，用于利用训练后的降噪神经网络模型对待处理图像进行降噪处理，并得到n张残差图像；其中，每一残差图像的像素值为不同频段的噪声的负值；

降噪后处理模块，用于将每一残差图像与对应的衰减因子相乘，将所有残差图像与对应衰减因子相乘的结果与待处理图像叠加，得到降噪图像。

2.如权利要求1所述的系统，其特征在于，所述降噪神经网络模型包括n个缩小层和n个残差生成层；其中，每一缩小层用于控制残差图像的频段，每一残差生成层包括至少一个卷积层和激活层。

3.如权利要求1所述的系统，其特征在于，还包括：

图像传感器，用于通过镜头的光信号转换为数字信号并进行成像，得到原始图像；

图像前处理模块，用于对原始图像进行预处理，得到待处理图像；其中，所述预处理包括黑电平矫正、坏点矫正、镜头阴影矫正、白平衡矫正和图像位宽压缩中的至少一个。

4.如权利要求1所述的系统，其特征在于，还包括：

图像后处理模块，用于对降噪图像进行矫正处理，其中，矫正处理包括颜色矫正、锐化和畸变矫正中的至少一个。

5.如权利要求1所述的系统，其特征在于，还包括：

存储模块，用于存储待处理图像和所有残差图像。

6.一种降噪神经网络模型的训练方法，其特征在于，包括：

获取没有噪声的图像作为目标图像；

将目标图像与噪声图像叠加，得到具有噪声的输入图像；

将输入图像输入降噪神经网络模型，得到n张训练残差图像；

根据n张训练残差图像与噪声图像对应的噪声分量，得到整体误差；

判断整体误差是否达到收敛条件，若否，则通过参数的梯度反向传播，迭代更新降噪神经网络模型中的参数，直到达到收敛条件，则训练结束，得到训练后的降噪神经网络模型。

7.如权利要求6所述的方法，其特征在于，所述根据n张训练残差图像与噪声图像对应的频段图像，得到整体误差，包括：

对噪声图像进行图像分频处理，得到n个频段的噪声分量；

将每一训练残差图像与对应频段的噪声分量叠加，得到每一频段的误差值；

根据所有频段的误差值，得到整体误差。

8.如权利要求7所述的方法，其特征在于，所述对噪声图像进行图像分频处理，得到n个频段的噪声分量，包括：

对噪声图像进行高斯滤波，得到滤波后图像；

将噪声图像与滤波后图像做差，得到第一频段的噪声分量；

将上一频段的噪声分量进行高斯滤波，得到下一滤波后图像，将上一频段的噪声分量与下一滤波后图像做差，得到下一频段的噪声分量，重复该步骤，直到得到第n频段的噪声分量。

9.如权利要求7所述的方法，其特征在于，所述根据所有频段的误差值，得到整体误差，包括：

根据所有频段的误差值，计算均方误差，得到整体误差；

或，根据所有频段的误差值，计算峰值信噪比，得到整体误差。

10.一种图像降噪方法，其特征在于，包括：

利用训练后的降噪神经网络模型对待处理图像进行降噪处理，并得到n张残差图像；其中，每一残差图像的像素值为不同频段的噪声的负值；

将每一残差图像与对应的衰减因子相乘，将所有残差图像与对应衰减因子相乘的结果与待处理图像叠加，得到降噪图像。