一种图像处理方法及装置与流程

本发明涉及人工智能，具体涉及一种图像处理方法及装置。

背景技术：

1、随着数字技术的不断发展，图像已成为人们日常生活照不可或缺的信息载体，人脸图像识别也广泛应用在银行业务中，图像在生成、传输或存储过程中通常会受到各种噪声干扰从而导致图像质量的降低，在金融领域对图像的质量有着较高要求，这将对后续的图像处理流程产生严重影响。图像去噪是提高图像质量的重要手段，作为一项基础的图像处理技术，其通过将含噪图像中对噪声进行压制的同时减少对原图信息的影响，并尽可能修复受损特征，从而提高图像质量显得尤为必要。

2、中值滤波作为一种基于排序统计理论的常用图像去噪方法，通过对图像中各个像素点的领域进行排序，之后将排序结果的中间值作为该像素点的新值，从而达到压制噪声的效果。中值滤波对噪声具有一定的压制效果，相比于其他滤波算法能够较好地保护图像边缘信息，但其在噪声压制的同时会损失图像细节，并且其对于大面积噪声的压制效果有限。

3、dncnn作为一种基于深度学习神经网络的图像去噪方法，通过残差学习的思想对目标图像和噪声图像的差异进行学习，从而在神经网络中的隐藏层逐步将噪声分离出来，同时采用批量处理归一化的机制，加速了网络的训练过程并提高了去噪性能。然而，dncnn采用单一尺度的卷积核进行特征提取，无法做到从多个尺度对数据特征进行复用，这限制了其噪声压制以及图像细节还原的能力。

技术实现思路

1、针对现有技术中的问题，本发明实施例提供一种图像处理方法及装置，能够至少部分地解决现有技术中存在的问题。

2、一方面，本发明提出一种图像处理方法，包括：

3、获取包含噪声的目标图像；

4、基于预设去噪模型对包含噪声的目标图像进行处理，得到保留原图像特征且去除噪声的目标图像；

5、其中，所述预设去噪模型根据去噪样本图像训练去噪网络得到，所述去噪网络包括依次相连的深层特征提取模块和特征融合模块；所述深层特征提取模块包括多层级布置的多尺度残差密集块，每个多尺度残差密集块的输入端分别连接有池化层，每个多尺度残差密集块的输出端分别连接有卷积层，通过卷积层输出的各层局部深层特征通过所述特征融合模块进行特征融合。

6、其中，所述特征融合模块包括数量等于多层级数量减一的反卷积层，每个反卷积层的输出端通过若干卷积层与连接节点相连，通过各连接节点分别对各层局部深层特征进行融合。

7、其中，所述特征融合模块的首个反卷积层接收由所述深层特征提取模块中的与最后一层多尺度残差密集块对应的卷积层输出的最后一层局部深层特征，对最后一层局部深层特征进行分辨率还原后经由对应的卷积层将分辨率还原后的最后一层局部深层特征发送至首个连接节点，以使首个连接节点将分辨率还原后的最后一层局部深层特征与最后一层局部深层特征的前一层局部深层特征进行特征融合，将融合后的首个融合特征作为最后一层的前一层级的输入特征，并重复执行直到遍历完成所有层级为止，得到总融合特征。

8、其中，所述去噪网络包括依次相连的浅层特征提取模块、深层特征提取模块和特征融合模块；

9、其中，所述深层特征提取模块的首个池化层接收由所述浅层特征提取模块发送的浅层特征，在降低浅层特征的分辨率后通过与首个池化层对应的多尺度残差密集块学习首层局部深层特征，经由与首个池化层对应的多尺度残差密集块对应的卷积层输出首层局部深层特征至所述特征融合模块中的最后一个连接节点，以及将首层局部深层特征作为首层的后一层级的输入特征，并重复执行直到遍历完成所有层级为止，得到最后一层局部深层特征。

10、其中，所述去噪网络包括依次相连的浅层特征提取模块、深层特征提取模块、特征融合模块和上采样模块；

11、其中，所述上采样模块包括依次相连的一反卷积层和串联的两个卷积层，通过所述一反卷积层接收由所述特征融合模块发送的总融合特征，对所述总融合特征进行分辨率还原，将分辨率还原后的总融合特征依次输入两个卷积层，得到保留原图像特征且去除噪声的目标图像。

12、其中，所述两个卷积层中的后一卷积层为一去除批量归一化层和激活函数层的卷积层，通过一去除批量归一化层和激活函数层的卷积层输出得到保留原图像特征且去除噪声的目标图像。

13、其中，所述多尺度残差密集块包括依次相连的m个基本块，每个基本块包括并联的三条通路，每条通路包括一个1x1的卷积层，后一通路在前一通路上依次增加一个串联的3x3的卷积层，三条通路的输出端通过一连接节点相连。

14、一方面，本发明提出一种图像处理装置，包括：

15、获取单元，用于获取包含噪声的目标图像；

16、处理单元，用于基于预设去噪模型对包含噪声的目标图像进行处理，得到保留原图像特征且去除噪声的目标图像；

17、其中，所述预设去噪模型根据去噪样本图像训练去噪网络得到，所述去噪网络包括依次相连的深层特征提取模块和特征融合模块；所述深层特征提取模块包括多层级布置的多尺度残差密集块，每个多尺度残差密集块的输入端分别连接有池化层，每个多尺度残差密集块的输出端分别连接有卷积层，通过卷积层输出的各层局部深层特征通过所述特征融合模块进行特征融合。

18、再一方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，

19、所述处理器和所述存储器通过所述总线完成相互间的通信；

20、所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：

21、获取包含噪声的目标图像；

22、基于预设去噪模型对包含噪声的目标图像进行处理，得到保留原图像特征且去除噪声的目标图像；

23、其中，所述预设去噪模型根据去噪样本图像训练去噪网络得到，所述去噪网络包括依次相连的深层特征提取模块和特征融合模块；所述深层特征提取模块包括多层级布置的多尺度残差密集块，每个多尺度残差密集块的输入端分别连接有池化层，每个多尺度残差密集块的输出端分别连接有卷积层，通过卷积层输出的各层局部深层特征通过所述特征融合模块进行特征融合。

24、本发明实施例提供一种非暂态计算机可读存储介质，包括：

25、所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：

26、获取包含噪声的目标图像；

27、基于预设去噪模型对包含噪声的目标图像进行处理，得到保留原图像特征且去除噪声的目标图像；

28、其中，所述预设去噪模型根据去噪样本图像训练去噪网络得到，所述去噪网络包括依次相连的深层特征提取模块和特征融合模块；所述深层特征提取模块包括多层级布置的多尺度残差密集块，每个多尺度残差密集块的输入端分别连接有池化层，每个多尺度残差密集块的输出端分别连接有卷积层，通过卷积层输出的各层局部深层特征通过所述特征融合模块进行特征融合。

29、本发明实施例提供的图像处理方法及装置，获取包含噪声的目标图像；基于预设去噪模型对包含噪声的目标图像进行处理，得到保留原图像特征且去除噪声的目标图像；其中，所述预设去噪模型根据去噪样本图像训练去噪网络得到，所述去噪网络包括依次相连的深层特征提取模块和特征融合模块；所述深层特征提取模块包括多层级布置的多尺度残差密集块，每个多尺度残差密集块的输入端分别连接有池化层，每个多尺度残差密集块的输出端分别连接有卷积层，通过卷积层输出的各层局部深层特征通过所述特征融合模块进行特征融合，能够提高图像质量。