[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

说明书

本申请提供一种图像降噪系统、方法及降噪神经网络训练方法，涉及图像处理技术领域。采用本申请提供的图像降噪系统，降噪神经网络不直接输出降噪后的图像，而是输出n张残差图像，每一残差图像的像素值为不同频段的噪声的负值，即降噪神经网络输出不同频段的噪声的残差。通过相应配置不同频段的残差对应衰减因子，上述残差乘上各自对应的衰减因子，再将该残差加回降噪前的图像，得到最终的降噪后的图像。由于衰减因子为相应配置，可以根据需求对最终降噪图像的噪声形态进行控制，从而实现对多种不同的应用场景进行适配。

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种图像降噪系统、方法及降噪神经网络训练方法。

背景技术

图像降噪是指利用特定的处理手段，去除图像中的噪声，估计并恢复出图像的真实信号值。近年来，利用神经网络训练，进行图像降噪的技术越来越普遍，该技术的优势在于克服了传统人工设计的降噪算法的一些缺点，例如降噪后的图像模糊，降噪效果不够明显等。

神经网络的训练依赖大量的训练数据集，以及复杂庞大的模型结构，如此的复杂度通常使得训练中的人为干预变得不可能或者结果无法预估。因此，常见的降噪神经网络都是“端到端”的结构。所谓“端到端”的结构，即降噪神经网络的输入为降噪前的图像，输出为降噪后的图像。

实际的应用中通常对噪声的形态有比较具体的要求，并且，这种对噪声形态的要求对不同的应用，不同的场景来说也是各不相同的，例如：对于消费电子类的相机用户，通常会期望降噪后的图像中依然保留一部分高频噪声，使得整体的图像看上去更有颗粒感；而对于安防监控类的应用，通常会期待降噪后的图像干净，没有多与的噪声。

然而由于现有的降噪神经网络是一个“端到端”的降噪网络，无法根据需求对中间的计算过程进行控制或者调参，导致图像降噪的结果完全由网络来决定，降噪后的噪声形态不可控，不能适配多种不同的应用不同的场景中。

发明内容

本申请实施例的目的在于提供一种图像降噪系统、方法及降噪神经网络训练方法，用以解决现有的降噪方案，无法人为对中间的计算过程进行控制或者调参，导致图像降噪的结果完全由网络来决定，降噪后的噪声形态不可控，不能适配多种不同的应用不同的场景中的问题。

本申请实施例提供的一种图像降噪系统，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。

上述技术方案中，降噪神经网络不直接输出降噪后的图像，而是输出n张残差图像，每一残差图像的像素值为不同频段的噪声的负值，即降噪神经网络输出不同频段的噪声的残差。通过相应配置不同频段的残差对应衰减因子，上述残差乘上各自对应的衰减因子，再将该残差加回降噪前的图像，得到最终的降噪后的图像。由于衰减因子为相应配置，可以根据需求对最终降噪图像的噪声形态进行控制(例如通过人工进行人为的控制)，图像降噪系统从而实现对多种不同的应用场景进行适配。

在一些可选的实施方式中，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。

在一些可选的实施方式中，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，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。