[发明专利]一种图像噪声去除方法、装置、存储介质及电子设备

说明书

本申请的实施例公开了一种图像噪声去除方法、装置、存储介质及电子设备，涉及图像处理技术领域，包括：将原始图像输入去噪模型，获得目标图像；去噪模型包括第一部分与第二部分，第一部分基于指数幂混合对噪声成分建模获得，第二部分基于低秩张量奇异值分解对无噪成分建模获得，无噪成分与噪声成分基于对若干含噪图像分解获得。本申请通过利用指数幂混合分布建模高维噪声数据中的复杂噪声，利用低秩张量奇异值分解建模噪声中的低秩成分，使模型既能够学习到含噪图像的分布，将原始图像进行准确分解；又能够学习到噪声分量，更好地在细节的情况下从噪声干扰的多维数据中恢复真实的低秩张量，有效提升了对含噪图像上噪声去除的质量。

技术领域

本申请涉及图像处理技术领域，具体涉及一种图像噪声去除方法、装置、存储介质及电子设备。

背景技术

高维数据，如含噪声的图像在采集过程中因设备故障、测量资源限制、环境干扰或人为等因素而造成采集的数据包含复杂噪声，这将严重阻碍高维数据的后续应用。作为有用的子空间学习工具，低秩张量分解（Low-rank Tensor Decomposition，LRTD）可以提取数据中有效的低维结构。

但目前大多数LRTD技术都是基于L2范数测量误差的最小化，这些方法对噪声的类型很敏感，因为L2范数在使用过程中往往导致的重构误差放大。为了缓解这一问题，可行的策略是将LRTD的L2范数替换为L1范数，这可以归结为L1范数对重尾噪声或异常值具有更好的鲁棒性。然而，由于L1范数的LRTD算法会导致非光滑且非凸的优化问题，导致很难被广泛应用到张量数据降噪问题中。也即，现有技术对于含噪图像的去噪质量偏低。

发明内容

本申请的主要目的在于提供一种图像噪声去除方法、装置、存储介质及电子设备，旨在解决现有技术中对含噪图像的去噪质量偏低的问题。

为实现上述目的，本申请的实施例采用的技术方案如下：

第一方面，本申请实施例提供一种图像噪声去除方法，包括以下步骤：

获取原始图像；

将原始图像输入去噪模型，获得目标图像；其中，去噪模型包括第一部分与第二部分，第一部分基于指数幂混合对噪声成分建模获得，第二部分基于低秩张量奇异值分解对无噪成分建模获得，无噪成分与噪声成分基于对若干含噪图像分解获得。

在第一方面的一种可能实现方式中，获取原始图像之前，图像噪声去除方法还包括：

对若干含噪图像进行分解，获得无噪成分与噪声成分；

基于指数幂混合，对噪声成分进行建模，获得第一部分；

基于低秩张量奇异值分解，对无噪成分进行建模，获得第二部分；

根据第一部分与第二部分，获得去噪模型。

在第一方面的一种可能实现方式中，根据第一部分与第二部分，获得去噪模型之后，图像噪声去除方法还包括：

初始化去噪模型中的无噪成分与噪声成分；

估计去噪模型中的噪声成分；

根据估计的噪声成分，获得无噪成分，并返回估计去噪模型中的噪声成分的步骤，直至满足迭代终止条件，获得目标去噪模型。

在第一方面的一种可能实现方式中，估计去噪模型中的噪声成分，包括：

基于期望最大化算法，估计去噪模型中的噪声成分。

在第一方面的一种可能实现方式中，基于期望最大化算法，估计去噪模型中的噪声成分，包括：

基于贝叶斯规则，获得噪声成分的条件期望；

根据条件期望，构造期望函数；

根据最大化的期望函数，估计去噪模型中的噪声成分。

在第一方面的一种可能实现方式中，根据估计的噪声成分，获得无噪成分，包括：

基于交替方向乘子法，根据估计的噪声成分，获得无噪成分。