图像去噪方法、装置和存储介质与流程

1.本技术涉及图像处理技术领域，具体涉及一种图像去噪方法、装置和存储介质。


背景技术：

2.图像去噪一直是图像处理领域非常重要的一个方向。特别近年来，监控领域流行星光级拍摄，黑夜环境的光照条件非常恶劣，传感器感光不足的情况，导致采集出来的图片会遗留很多的噪声，接收到的图像或视频与光照条件好的情况下采集出来的图像或视频相比分辨力降低，不仅影响视觉效果，对于需要从中识别运动目标的图像或视频，更是影响了识别工作的准确性，因此需要更好的去噪算法来实现图像质量的提升。
3.目前基于神经网络的自适应去噪算法，效果较好的都是属于监督式学习类型神经网络算法，即训练样本包括输入样本与输出样本对，通过梯度下降算法更新神经网络中的参数，使得训练样本的输入经过神经网络后的输出接近真值样本。
4.但是，目前的自适应去噪算法中，无法在实现较好的去噪性能的基础上，兼顾去噪后的图像质量。


技术实现要素：

5.本技术提供一种图像去噪方法、装置和存储介质，以解决目前无法兼顾去噪性能以及去噪后的图像质量的技术问题。
6.本技术实施例提供一种图像去噪方法，包括：
7.获取待处理图像；
8.将所述待处理图像输入至图像去噪模型中，获取去噪后的图像；其中，所述图像去噪模型为结合u型网络、残差网络以及稠密网络形成的模型。
9.本技术实施例提供一种图像去噪装置，包括：
10.第一获取模块，被配置为获取待处理图像；
11.第二获取模块，被配置为将所述待处理图像输入至图像去噪模型中，获取去噪后的图像；其中，所述图像去噪模型为结合u型网络、残差网络以及稠密网络形成的模型。
12.本技术实施例提供了一种图像去噪设备，包括：
13.一个或多个处理器；
14.存储器，用于存储一个或多个程序；
15.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本技术实施例中的任意一种图像去噪方法。
16.本技术实施例提供了一种存储介质，存储介质存储有计算机程序，计算机程序被处理器执行时实现本技术实施例中的任意一种图像去噪方法。
17.关于本技术的以上实施例和其他方面以及其实现方式，在附图说明、具体实施方式和权利要求中提供更多说明。
附图说明
18.图1为一实施例提供的一种图像去噪方法的流程图；
19.图2为一实施例提供的图像去噪模型的结构示意图；
20.图3为一实施例提供的图像去噪模型中第一稠密残差子模块的结构示意图；
21.图4为一实施例提供的另一种图像去噪方法的流程图；
22.图5a为一实施例提供的获取第一训练噪声图像以及对应的第一训练真值图像的流程图；
23.图5b为一实施例提供的生成第二训练真值图像的流程图；
24.图6为一实施例提供的对抗网络中的生成网络的结构示意图；
25.图7为一实施例提供的对抗网络中的判别网络的结构示意图；
26.图8为一实施例提供的一种图像去噪装置的结构示意图；
27.图9为一实施例提供的另一种图像去噪装置的结构示意图；
28.图10为一实施例提供的又一种图像去噪装置的结构示意图；
29.图11为一实施例提供的一种图像去噪设备的结构示意图。
具体实施方式
30.为使本技术的目的、技术方案和优点更加清楚明白，下文中将结合附图对本技术的实施例进行详细说明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
31.图1为一实施例提供的一种图像去噪方法的流程图。本实施例适用于对图像进行去噪的场景。本实施例可以由图像去噪装置来执行，该图像去噪装置可以由软件和/或硬件的方式实现，该图像去噪装置可以集成于图像去噪设备中。如图1所示，本实施例提供的图像去噪方法包括如下步骤：
32.步骤101：获取待处理图像。
33.步骤102：将待处理图像输入至图像去噪模型中，获取去噪后的图像。
34.其中，图像去噪模型为结合u型网络、残差网络以及稠密网络形成的模型。
35.具体地，本实施例中的待处理图像可以为前端监控设备拍摄的图像，或者，前端监控设备拍摄的视频中的图像帧。当然，本实施例中的待处理图像还可以为其他领域中的图像，例如，医学图像等。
36.本实施例中的图像去噪模型为预先训练好的模型。该模型为结合u型网络、残差网络以及稠密网络形成的模型。本实施例中的u型网络，即，unet，指的是包括特征提取，即编码部分，以及，上采样，即解码部分的呈u型的网络。本实施例中的残差网络指的是包括直接映射部分和残差部分，且直接映射部分和残差部分进行相加操作的网络。本实施例中的稠密网络指的是包括直接映射部分和残差部分，且直接映射部分和残差部分进行通道连结操作的网络。
37.本实施例中的图像去噪模型，可以结合残差网络和稠密网络的特点，更好地利用待处理图像的深层和浅层特征，能实现在去掉噪声的同时，尽可能保留待处理图像的细节，从而，在实现较好的去噪性能的基础上，兼顾去噪后的图像质量。
38.图2为一实施例提供的图像去噪模型的结构示意图。如图2所示，本实施例提供的
图像去噪模型可以包括：依次连接的输入层、第一卷积层、至少一个稠密残差模块、稠密残差块、至少一个上采样模块、第二卷积层、第三卷积层以及输出层。
39.其中，输入层的输出端还与第三卷积层的输出端进行相减操作，相减操作后的结果输入至输出层的输入端。
40.第一卷积层的输出端还与第二卷积层的输出端进行相加操作，相加操作后的结果输入至第三卷积层的输入端。
41.稠密残差模块包括依次连接的第一稠密残差子模块以及卷积子模块，上采样模块包括依次连接的上采样子模块以及第二稠密残差子模块。第一稠密残差子模块的输出端还与上采样子模块的输入端进行相加操作。
42.可选地，稠密残差模块的数量可以为4个，上采样模块的数量可以为4个。
43.在稠密残差模块的数量以及上采样模块的数量均为多个时，可以建立稠密残差模块与上采样模块的映射关系。根据该映射关系，实现稠密残差模块中的第一稠密残差子模块的输出端与该映射关系中对应的上采样模块中的上采样子模块的输入端进行相加操作。
44.图像去噪模型中，输入层输入的待处理图像的分辨率为n*n，通道数为3。第一卷积层的卷积核为3*3，通道数变为128。卷积子模块中的卷积核也为3*3，跨度为2。第二卷积层以及第三卷积层的卷积核均为3*3。第二卷积层中通道数为128。第三卷积层的通道数为3。
45.图3为一实施例提供的图像去噪模型中第一稠密残差子模块的结构示意图。如图3所示，更具体地，第一稠密残差子模块包括：依次连接的第四卷积层、第五卷积层、第六卷积层以及第七卷积层。
46.其中，第四卷积层的输入端还与第七卷积层的输入端进行相加操作。第五卷积层的输入端与第四卷积层的输入端进行融合操作。第六卷积层的输入端与第四卷积层的输出端以及第四卷积层的输入端进行融合操作。第七卷积层的输入端与第四卷积层的输入端、第五卷积层的输出端以及第四卷积层的输出端进行融合操作。
47.可选地，本实施例中的融合操作指的是稠密网络中的通道连结操作。
48.需要说明的是，第二稠密残差子模块以及稠密残差块的结构与第一稠密残差子模块的结构相同，此处不再赘述。
49.第四卷积层、第五卷积层以及第六卷积层的卷积核均为3*3。第七卷积层的卷积核为1*1。以m表示第四卷积层、第五卷积层、第六卷积层以及第七卷积层中的通道数。
50.本实施例提供的图像去噪方法，包括：获取待处理图像，将待处理图像输入至图像去噪模型中，获取去噪后的图像，其中，图像去噪模型为结合u型网络、残差网络以及稠密网络形成的模型。本实施例中的图像去噪模型，可以结合残差网络和稠密网络的特点，更好地利用待处理图像的深层和浅层特征，能实现在去掉噪声的同时，尽可能保留待处理图像的细节，从而，在实现较好的去噪性能的基础上，兼顾去噪后的图像质量。
51.图4为一实施例提供的另一种图像去噪方法的流程图。本实施例在图1所示实施例及各种可选的方案的基础上，对如何训练图像去噪模型的步骤作一详细说明。本实施例仅示出训练图像去噪模型的步骤。如图4所示，本实施例提供的图像去噪方法包括如下步骤：
52.步骤401：获取第一训练噪声图像以及对应的第一训练真值图像。
53.一种实现方式中，可以通过实际拍摄获取第一训练噪声图像以及对应的第一训练真值图像。
54.另一种实现方式中，可以通过实际拍摄与对抗网络，获取第一训练噪声图像以及对应的第一训练真值图像。
55.图5a为一实施例提供的获取第一训练噪声图像以及对应的第一训练真值图像的流程图。如图5a所示，获取过程包括如下步骤：
56.步骤501：根据在第一预设光源亮度下拍摄的多张目标图像，生成第二训练真值图像。
57.可选地，第一预设光源亮度可以为200勒克斯。在第一预设光源亮度下拍摄目标图像时，使能摄像头模组，将图像信号处理模块中去噪算法、去坏点算法全部关闭。在拍摄时，保持摄像头以及场景绝对静止。目标图像的数量可以为200张。
58.一实现方式中，在根据多张目标图像，生成第二训练真值图像时，可以是根据多张目标图像，确定该多张目标图像的平均图像，将该多张目标图像的平均图像作为第二训练真值图像。
59.另一实现方式中，可以对该多张目标图像进行去坏点、强度对其以及均值获取等步骤，生成最终的第二训练真值图像。该实现方式将在后文进行详细描述。
60.步骤502：将在第二预设光源亮度与第三预设光源亮度范围内，随机调节光源亮度拍摄的多张图像，作为第二训练噪声图像。
61.其中，第二预设光源亮度小于第三预设光源亮度，第三预设光源亮度小于第一预设光源亮度。
62.本实施例中，将在第二预设光源亮度与第三预设光源亮度范围内，随机调节光源亮度拍摄的多张图像，作为第二训练噪声图像。
63.第二预设光源亮度可以为0.1勒克斯，第三预设光源亮度可以为100勒克斯。第二训练噪声图像的数量可以为200张。在拍摄第二训练噪声图像时，可以记录下拍摄每张第二训练噪声图像时的摄像头参数，例如，模拟增益与数字增益。
64.需要说明的是，本实施例中可以变换场景，拍摄不同场景中的多张目标图像以及第二训练噪声图像。同一场景中的多张目标图像，生成第二训练真值图像。针对一个场景来说，一个第二训练真值图像对应多张第二训练噪声图像。
65.步骤503：根据第二训练真值图像以及第二训练噪声图像，训练初始对抗网络，获取最终训练形成的对抗网络。
66.具体地，本实施例中的对抗网络包括生成网络和判决网络。对抗网络中的生成网络以及判别网络均可以为u型网络。
67.初始对抗网络中的初始生成网络用于生成噪声图像，初始对抗网络中的初始判决网络用于判决初始生成网络输出的噪声图像与实际的第二训练噪声图像的相似性。根据初始生成网络的损失函数以及初始判决网络的损失函数，单独交替迭代训练初始对抗网络，直至收敛。具体过程如下所示。
68.将正态分布噪声、第二训练真值图像、任一个第二训练噪声图像对应的摄像头参数，输入至初始对抗网络中的初始生成网络，获取输出的噪声图像；
69.将噪声图像、该任一个第二训练噪声图像、该任一个第二训练噪声图像对应的摄像头参数以及第二训练真值图像，输入至初始对抗网络中的初始判别网络中，获取初始判别网络的输出概率；
70.根据输出概率、任一个第二训练噪声图像对应的摄像头参数、第二训练真值图像、任一个第二训练噪声图像以及噪声图像，确定初始判别网络的损失函数以及初始生成网络的损失函数，当根据初始判别网络的损失函数以及初始生成网络的损失函数确定初始对抗网络不收敛时，交替执行返回执行将正态分布噪声、第二训练真值图像、任一个第二训练噪声图像对应的摄像头参数，输入至初始对抗网络中的初始生成网络，获取输出的噪声图像的步骤，以及，返回将噪声图像、任一个第二训练噪声图像、任一个第二训练噪声图像对应的摄像头参数以及第二训练真值图像，输入至初始对抗网络中的初始判别网络中，获取初始判别网络的输出概率的步骤，直至根据初始判别网络的损失函数以及初始生成网络的损失函数确定对抗网络收敛，将收敛的对抗网络确定为最终训练形成的对抗网络。
71.初始判别网络的输出概率为0～1之间的值，来表示真假噪声图像的概率。0表示为生成网络生成的噪声图像，1表示为实际采集到的第二训练噪声图像。
72.其中，对抗网络中的生成网络的损失函数为：
73.l
g
＝e[(d(n
c
,n
r
,n
f
))2] e[(d(n
c
,n
f
,n
r
)-1)2]
[0074]
判决网络的损失函数为：
[0075]
l
d
＝e[(d(n
c
,n
r
,n
f
)-1)2] e[(d(n
c
,n
f
,n
r
))2]
[0076]
n
c
为生成噪声图片的条件信号，包括摄像头的模拟增益、数字增益以及第二训练真值图像，n
f
为生成网络生成的噪声图片，n
r
为真实采集的第二训练噪声图像。d(*)表示判别网络的输出。e(*)表示求均值。
[0077]
步骤504：将预先获取的第三训练真值图像输入至对抗网络中，获取对抗网络的生成网络输出的第三训练噪声图像。
[0078]
在训练得到对抗网络之后，可以将预先获取的第三训练真值图像输入至对抗网络中，获取对抗网络的生成网络输出的第三训练噪声图像。
[0079]
步骤505：将第二训练噪声图像以及第三训练噪声图像均作为第一训练图像，将第二训练真值图像以及第三训练真值图像均作为对应的第一训练真值图像。
[0080]
本实施例中，可以将实际采集到的第二训练噪声图像，以及，对抗网络生成的第三训练噪声图像均作为训练图像去噪模型的第一训练噪声图像，将第二训练真值图像以及第三训练真值图像均作为对应的第一训练真值图像。利用对抗网络生成训练样本对，大大丰富了训练样本的数量，基于这些丰富的训练样本，可以对图像去噪模型进行充分训练，从而，提高了图像去噪模型的去噪性能。
[0081]
步骤402：将第一训练噪声图像输入至初始图像去噪模型中，获取输出结果。
[0082]
步骤403：根据输出结果以及对应的第一训练真值图像，确定损失函数。
[0083]
步骤404：当损失函数大于预设阈值时，根据损失函数，调整初始图像去噪模型的网络结构以及网络参数，确定更新后的图像去噪模型，将更新后的图像去噪模型作为新的初始图像去噪模型，返回执行将第一训练噪声图像输入至初始图像去噪模型中，获取输出结果的步骤，直至损失函数小于或者等于预设阈值，将损失函数小于或者等于预设阈值时的图像去噪模型确定为图像去噪模型。
[0084]
步骤402-步骤404为迭代训练图像去噪模型的过程。
[0085]
由于步骤401中获取到的第一训练噪声图像比较丰富，因此，基于这些第一训练噪声图像训练图像去噪模型，可以显著提高图像去噪模型的去噪性能和泛化能力。
[0086]
图5b为一实施例提供的生成第二训练真值图像的流程图。如图5b所示，生成第二训练真值图像的过程可以如下所示：
[0087]
步骤601：根据在无光线环境中拍摄的多张图像，生成多张图像的平均图像。
[0088]
该平均图像中的每个像素点的像素值为无光线环境中拍摄的所有图像对应位置像素点的像素值的平均值。
[0089]
步骤602：针对每张目标图像，比较目标图像的每个像素点的第一像素值与平均图像中对应位置处的像素点的第二像素值。
[0090]
步骤603：若第一像素值与第二像素值的差值的绝对值大于预设第一像素差值阈值，则采用双线性插值法，确定第一像素值更新后的值，形成更新后的目标图像。
[0091]
步骤601-步骤603的过程为去坏点过程。坏点像素会影响真值图像估计的准确性，因为它们不遵循在正常像素位置产生噪声的随机过程。第一像素值与第二像素值的差值的绝对值大于预设第一像素差值阈值，说明第一像素值对应的像素点为缺陷像素点。采用双线性插值法来确定第一像素值更新后的值。对所有坏点修正完成后，形成了更新后的目标图像。若某张目标图像中，所有像素点的第一像素值与平均图像的对应位置的像素点的第二像素值的差值的绝对值均小于或者等于预设第一像素差值阈值，则将该目标图像作为更新后的目标图像。
[0092]
步骤604：根据更新后的目标图像，生成第二训练真值图像。
[0093]
一实现方式中，可以将多个更新后的目标图像的平均图像，作为第二训练真值图像。
[0094]
另一实现方式中，步骤604具体可以为：针对每个更新后的目标图像，确定更新后的目标图像中所有像素点的平均像素值；根据每个更新后的目标图像的平均像素值，确定多个更新后的目标图像的平均像素值的平均值；将对应的平均像素值与平均像素值的平均值的差值的绝对值大于预设第二像素差值阈值的更新后的目标图像删除，形成过滤后的更新目标图像；根据过滤后的更新目标图像，生成第二训练真值图像。
[0095]
该实现方式实现了图片强度对齐。由于曝光算法的不精确，仍然需要考虑同一场景，同一亮度下采集到图片的微小变化。将对应的平均像素值与平均像素值的平均值的差值的绝对值大于预设第二像素差值阈值的更新后的目标图像删除。
[0096]
根据每个更新后的目标图像的平均像素值，确定多个更新后的目标图像的平均像素值的平均值以及方差。基于均值和方差得到一个置信区间，然后把在置信区间以外的图像删除。
[0097]
更具体地，根据过滤后的更新目标图像，生成第二训练真值图像，包括：针对每个过滤后的更新目标图像，若过滤后的更新目标图像中的第一位置处的像素值小于或者等于预设第一像素阈值或者大于或者等于预设第二像素阈值，则将第一位置处的像素值更新为所有过滤后的更新目标图像的第一位置处的像素值中，出现次数最多的像素值，生成过滤后的二次更新目标图像，其中，第一像素阈值小于第二像素阈值；将所有过滤后的二次更新目标图像的平均图像，确定为第二训练真值图像。示例性地，预设第一像素阈值可以为0，预设第二像素阈值可以为255。
[0098]
图6为一实施例提供的对抗网络中的生成网络的结构示意图。如图6所示，生成网络可以包括：依次连接的输入层、3层第一卷积模块、第一池化层、3层第二卷积模块、第二池
化层、8层第三卷积模块、第一上采样层、3层第四卷积模块、第二上采样层、3层第五卷积模块以及卷积层。卷积模块均包括卷积层、归一化层以及激活层。生成网络中涉及到的卷积核均为3*3。每层或者每个模块中的图像的分辨率以及通道数如图中所示。
[0099]
图7为一实施例提供的对抗网络中的判别网络的结构示意图。如图7所示，判决网络包括：依次连接的输入层、3层第一卷积模块、第一池化层、3层第二卷积模块、第二池化层、3层第三卷积模块、第三池化层、2层第四卷积模块、第四池化层、第五卷积模块、全连接层以及激活层。其中，激活层的激活函数可以为sigmoid函数。卷积模块均包括卷积层、归一化层以及激活层。判决网络中涉及到的卷积核均为3*3。每层或者每个模块中的图像的分辨率以及通道数如图中所示。
[0100]
本实施例提供的图像去噪方法中，可以将实际采集到的第二训练噪声图像，以及，对抗网络生成的第三训练噪声图像均作为训练图像去噪模型的第一训练噪声图像，将第二训练真值图像以及第三训练真值图像均作为对应的第一训练真值图像。利用对抗网络生成训练样本对，大大丰富了训练样本的数量，基于这些丰富的训练样本，可以对图像去噪模型进行充分训练，从而，提高了图像去噪模型的去噪性能。
[0101]
图8为一实施例提供的一种图像去噪装置的结构示意图。如图8所示，本实施例提供的图像去噪装置包括如下模块：第一获取模块81以及第二获取模块82。
[0102]
第一获取模块81，被配置为获取待处理图像。
[0103]
第二获取模块82，被配置为将所述待处理图像输入至图像去噪模型中，获取去噪后的图像。
[0104]
其中，所述图像去噪模型为结合u型网络、残差网络以及稠密网络形成的模型。
[0105]
可选地，所述图像去噪模型包括：依次连接的输入层、第一卷积层、至少一个稠密残差模块、稠密残差块、至少一个上采样模块、第二卷积层、第三卷积层以及输出层。
[0106]
其中，所述输入层的输出端还与所述第三卷积层的输出端进行相减操作，相减操作后的结果输入至所述输出层的输入端。
[0107]
所述第一卷积层的输出端还与所述第二卷积层的输出端进行相加操作，相加操作后的结果输入至所述第三卷积层的输入端。
[0108]
所述稠密残差模块包括依次连接的第一稠密残差子模块以及卷积子模块，所述上采样模块包括依次连接的上采样子模块以及第二稠密残差子模块。所述第一稠密残差子模块的输出端还与所述上采样子模块的输入端进行相加操作。
[0109]
可选地，所述第一稠密残差子模块包括：依次连接的第四卷积层、第五卷积层、第六卷积层以及第七卷积层。
[0110]
其中，所述第四卷积层的输入端还与所述第七卷积层的输入端进行相加操作。
[0111]
所述第五卷积层的输入端与所述第四卷积层的输入端进行融合操作。
[0112]
所述第六卷积层的输入端与所述第四卷积层的输出端以及所述第四卷积层的输入端进行融合操作。
[0113]
所述第七卷积层的输入端与所述第四卷积层的输入端、所述第五卷积层的输出端以及所述第四卷积层的输出端进行融合操作。
[0114]
本实施例提供的图像去噪装置用于执行上述任意实施例的图像去噪方法，本实施例提供的图像去噪装置实现原理和技术效果类似，此处不再赘述。
[0115]
图9为一实施例提供的另一种图像去噪装置的结构示意图。本实施例在图8所示实施例的基础上，对图像去噪装置包括的其他模块作一详细说明。如图9所示，本实施例提供的图像去噪装置还包括如下模块：第三获取模块91、第四获取模块92、第一确定模块93以及第二确定模块94。
[0116]
第三获取模块91，被配置为获取第一训练噪声图像以及对应的第一训练真值图像。
[0117]
第四获取模块92，被配置为将所述第一训练噪声图像输入至初始图像去噪模型中，获取输出结果。
[0118]
第一确定模块93，被配置为根据所述输出结果以及对应的第一训练真值图像，确定损失函数。
[0119]
第二确定模块94，被配置为当所述损失函数大于预设阈值时，根据所述损失函数，调整所述初始图像去噪模型的网络结构以及网络参数，确定更新后的图像去噪模型，将所述更新后的图像去噪模型作为新的初始图像去噪模型，返回执行将所述第一训练噪声图像输入至初始图像去噪模型中，获取输出结果的步骤，直至所述损失函数小于或者等于所述预设阈值，将所述损失函数小于或者等于所述预设阈值时的图像去噪模型确定为所述图像去噪模型。
[0120]
本实施例提供的图像去噪装置用于执行上述任意实施例的图像去噪方法，本实施例提供的图像去噪装置实现原理和技术效果类似，此处不再赘述。
[0121]
图10为一实施例提供的又一种图像去噪装置的结构示意图。本实施例在图9所示实施例的基础上，对第三获取模块91的具体结构作一详细说明。如图10所示，第三获取模块91包括：生成子模块911、第一确定子模块912、第一获取子模块913、第二获取子模块914以及第二确定子模块915。
[0122]
生成子模块911，被配置为根据在第一预设光源亮度下拍摄的多张目标图像，生成第二训练真值图像。
[0123]
可选地，生成子模块911具体用于：根据在无光线环境中拍摄的多张图像，生成所述多张图像的平均图像；针对每张目标图像，比较所述目标图像的每个像素点的第一像素值与所述平均图像中对应位置处的像素点的第二像素值；若所述第一像素值与所述第二像素值的差值的绝对值大于预设第一像素差值阈值，则采用双线性插值法，确定所述第一像素值更新后的值，形成更新后的目标图像；根据所述更新后的目标图像，生成所述第二训练真值图像。
[0124]
一实现方式中，在根据所述更新后的目标图像，生成所述第二训练真值图像的方面，生成子模块911具体用于：针对每个更新后的目标图像，确定所述更新后的目标图像中所有像素点的平均像素值；根据每个更新后的目标图像的平均像素值，确定多个更新后的目标图像的平均像素值的平均值；将对应的平均像素值与所述平均像素值的平均值的差值的绝对值大于预设第二像素差值阈值的更新后的目标图像删除，形成过滤后的更新目标图像；根据所述过滤后的更新目标图像，生成所述第二训练真值图像。
[0125]
一实现方式中，在根据所述过滤后的更新目标图像，生成所述第二训练真值图像的方面，生成子模块911具体用于：针对每个过滤后的更新目标图像，若所述过滤后的更新目标图像中的第一位置处的像素值小于或者等于预设第一像素阈值或者大于或者等于预
设第二像素阈值，则将所述第一位置处的像素值更新为所有过滤后的更新目标图像的第一位置处的像素值中，出现次数最多的像素值，生成过滤后的二次更新目标图像，其中，所述第一像素阈值小于所述第二像素阈值；将所有过滤后的二次更新目标图像的平均图像，确定为所述第二训练真值图像。
[0126]
第一确定子模块912，被配置为将在第二预设光源亮度与第三预设光源亮度范围内，随机调节光源亮度拍摄的多张图像，作为第二训练噪声图像。
[0127]
其中，所述第二预设光源亮度小于所述第三预设光源亮度，所述第三预设光源亮度小于所述第一预设光源亮度。
[0128]
第一获取子模块913，被配置为根据所述第二训练真值图像以及所述第二训练噪声图像，训练初始对抗网络，获取最终训练形成的对抗网络。
[0129]
可选地，第一获取子模块913具体用于：
[0130]
将正态分布噪声、所述第二训练真值图像、任一个第二训练噪声图像对应的摄像头参数，输入至初始对抗网络中的初始生成网络，获取输出的噪声图像；
[0131]
将所述噪声图像、所述任一个第二训练噪声图像、所述任一个第二训练噪声图像对应的摄像头参数以及所述第二训练真值图像，输入至所述初始对抗网络中的初始判别网络中，获取所述初始判别网络的输出概率；
[0132]
根据所述输出概率、所述任一个第二训练噪声图像对应的摄像头参数、所述第二训练真值图像、所述任一个第二训练噪声图像以及所述噪声图像，确定所述初始判别网络的损失函数以及所述初始生成网络的损失函数，当根据所述初始判别网络的损失函数以及所述初始生成网络的损失函数确定所述初始对抗网络不收敛时，交替执行返回执行将正态分布噪声、所述第二训练真值图像、任一个第二训练噪声图像对应的摄像头参数，输入至初始对抗网络中的初始生成网络，获取输出的噪声图像的步骤，以及，返回将所述噪声图像、所述任一个第二训练噪声图像、所述任一个第二训练噪声图像对应的摄像头参数以及所述第二训练真值图像，输入至所述初始对抗网络中的初始判别网络中，获取所述初始判别网络的输出概率的步骤，直至根据所述初始判别网络的损失函数以及所述初始生成网络的损失函数确定对抗网络收敛，将收敛的对抗网络确定为所述最终训练形成的对抗网络。
[0133]
可选地，所述对抗网络中的生成网络以及判别网络均为u型网络。
[0134]
第二获取子模块914，被配置为将预先获取的第三训练真值图像输入至所述对抗网络中，获取所述对抗网络的生成网络输出的第三训练噪声图像。
[0135]
第二确定子模块915，被配置为将所述第二训练噪声图像以及所述第三训练噪声图像均作为所述第一训练图像，将所述第二训练真值图像以及所述第三训练真值图像均作为所述对应的第一训练真值图像。
[0136]
本实施例提供的图像去噪装置用于实现上述任意实施例的图像去噪方法，本实施例提供的图像去噪装置实现原理和技术效果类似，此处不再赘述。
[0137]
图11为一实施例提供的一种图像去噪设备的结构示意图。如图11所示，该图像去噪设备包括处理器111和存储器112；图像去噪设备中处理器111的数量可以是一个或多个，图11中以一个处理器111为例；图像去噪设备中的处理器111和存储器112；可以通过总线或其他方式连接，图11中以通过总线连接为例。
[0138]
存储器112作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程
序以及模块，如本技术实施例中的图像去噪方法对应的程序指令/模块(例如，图像去噪装置中的第一获取模块81以及第二获取模块82)。处理器111通过运行存储在存储器112中的软件程序、指令以及模块，从而图像去噪设备的各种功能应用以及数据处理，即实现上述的图像去噪方法。
[0139]
存储器112可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据图像去噪设备的使用所创建的数据等。此外，存储器112可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
[0140]
本技术实施例还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种图像去噪方法，该方法包括：
[0141]
获取待处理图像；
[0142]
将所述待处理图像输入至图像去噪模型中，获取去噪后的图像；其中，所述图像去噪模型为结合u型网络、残差网络以及稠密网络形成的模型。
[0143]
当然，本技术所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本技术任意实施例所提供的图像去噪方法中的相关操作。
[0144]
以上所述，仅为本技术的示例性实施例而已，并非用于限定本技术的保护范围。
[0145]
一般来说，本技术的多种实施例可以在硬件或专用电路、软件、逻辑或其任何组合中实现。例如，一些方面可以被实现在硬件中，而其它方面可以被实现在可以被控制器、微处理器或其它计算装置执行的固件或软件中，尽管本技术不限于此。
[0146]
本技术的实施例可以通过移动装置的数据处理器执行计算机程序指令来实现，例如在处理器实体中，或者通过硬件，或者通过软件和硬件的组合。计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码。
[0147]
本技术附图中的任何逻辑流程的框图可以表示程序步骤，或者可以表示相互连接的逻辑电路、模块和功能，或者可以表示程序步骤与逻辑电路、模块和功能的组合。计算机程序可以存储在存储器上。存储器可以具有任何适合于本地技术环境的类型并且可以使用任何适合的数据存储技术实现，例如但不限于只读存储器(rom)、随机访问存储器(ram)、光存储器装置和系统(数码多功能光碟dvd或cd光盘)等。计算机可读介质可以包括非瞬时性存储介质。数据处理器可以是任何适合于本地技术环境的类型，例如但不限于通用计算机、专用计算机、微处理器、数字信号处理器(dsp)、专用集成电路(asic)、可编程逻辑器件(fgpa)以及基于多核处理器架构的处理器。
[0148]
通过示范性和非限制性的示例，上文已提供了对本技术的示范实施例的详细描述。但结合附图和权利要求来考虑，对以上实施例的多种修改和调整对本领域技术人员来说是显而易见的，但不偏离本发明的范围。因此，本发明的恰当范围将根据权利要求确定。