CN118570096A - 模型训练方法、图像去噪方法、电子设备及计算机存储介质 - Google Patents

Abstract

本申请实施例提供了一种模型训练方法、图像去噪方法、电子设备及计算机存储介质，其中，模型训练方法包括：获取原始图像，原始图像中包含沿预设方向的条纹噪声；对原始图像进行小波分解，获得预设方向上的目标细节分量图像；目标细节分量图像的像素值差异度小于预设差异度阈值；对目标细节分量图像进行像素值置零处理，得到处理后图像；基于处理后图像进行小波重构，得到原始图像对应的重构图像；以原始图像为输入样本，以重构图像为标签，进行去噪网络模型训练，得到训练完成的去噪网络模型。本申请实施例可以有效提升去噪网络模型的去噪效果。

Description

模型训练方法、图像去噪方法、电子设备及计算机存储介质

技术领域

本申请实施例涉及图像处理技术领域，尤其涉及一种模型训练方法、图像去噪方法、电子设备及计算机存储介质。

背景技术

红外探测系统在遥感领域发挥着重要作用，红外探测器件是红外探测系统的核心，相比传统的单元探测器件,线阵红外探测器（由多个线性排列的敏感元件组成）在成像范围上体现出越来越巨大的优势，逐渐成为红外探测器件发展的主流。

由于制作工艺原因,线阵红外探测器件不同敏感元之间不可避免的存在响应率和光谱响应的不一致，称之为探测器的非均匀性。这种带有非均匀性不足的线阵红外探测器在扫描成像时，会导致红外图像上出现条纹噪声，影响图像质量。

相关技术中，可以采用神经网络模型进行图像去噪。但是，由于现有的训练方式存在一定的局限性，当条纹噪声比较严重时，会导致训练完成的神经网络模型的去噪效果不佳。

发明内容

有鉴于此，本申请实施例提供一种模型训练方法、图像去噪方法、电子设备及计算机存储介质，以解决上述部分或全部问题。

根据本申请实施例的第一方面，提供了一种模型训练方法，包括：

获取原始图像，所述原始图像中包含沿预设方向的条纹噪声；

对所述原始图像进行小波分解，获得所述预设方向上的目标细节分量图像；所述目标细节分量图像的像素值差异度小于预设差异度阈值；所述像素值差异度表征所述目标细节分量图像中不同区域的像素点取值的差异程度；

对所述目标细节分量图像进行像素值置零处理，得到处理后图像；

基于所述处理后图像进行小波重构，得到所述原始图像对应的重构图像；

以所述原始图像为输入样本，以所述重构图像为标签，进行去噪网络模型训练，得到训练完成的去噪网络模型。

根据本申请实施例的第二方面，提供了一种图像去噪方法，包括：

获取包含条纹噪声的待处理图像；

将所述待处理图像输入预先训练完成的去噪网络模型，通过所述去噪网络模型对所述待处理图像进行去噪处理，得到去噪完成的目标图像；

其中，所述去噪网络模型是采用上述第一方面所述的方法训练得到的。

根据本申请实施例的第三方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；存储器用于存放至少一可执行指令，可执行指令使处理器执行如第一方面或者第二方面的方法对应的操作。

根据本申请实施例的第四方面，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面或者第二方面的方法。

根据本申请实施例提供的模型训练方案，在获取到包含条纹噪声的原始图像之后，为了获取用于去噪网络模型训练的标签图像，引入小波分解的方式确定出了在条纹噪声方向上的像素值差异度较小的目标细节分量图像；并通过对上述目标细节分量图像的像素值清零及基于清零后图像的小波重构操作，实现了对原始图像中条纹噪声的抑制，从而得到去噪效果更好的重构图像作为模型训练的标签图像，进而基于该去噪效果更好的标签图像进行模型训练，可以有效提升训练完成的去噪网络模型的去噪效果。

本申请实施例，一方面，在生成用于模型训练的标签图像时，引入小波频域分析手段对原始图像中的条纹噪声进行了噪声抑制，也即：将频域分析手段应用至去噪网络模型训练过程，从频率域角度出发得到了去噪效果更好的重构图像作为训练标签，因此，可以有效提升训练完成的去噪网络模型的去噪效果；另一方面，在小波频域分析过程中，从分解得到的细节分量图像中不同区域的像素点取值差异程度的角度出发，若差异度小于预设差异度阈值则判定该细节分量图像中呈现的信息为条纹噪声信息，进而通过将该细节分量图像的像素值置零并执行图像重构操作，则可以进一步地提升作为训练标签的重构图像的去噪效果，进而，也可以进一步地提升训练完成的去噪网络模型的去噪效果。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为含条纹噪声的图像示意图；

图2为根据本申请实施例一的一种模型训练方法的步骤流程图；

图3为根据本申请实施例得到的重构图像示意图；

图4为根据本申请实施例二的一种图像去噪方法的步骤流程图；

图5为根据本申请实施例三的一种模型训练装置的结构框图；

图6为根据本申请实施例四的一种图像去噪装置的结构框图；

图7为根据本申请实施例五提供的一种电子设备的结构示意图。

具体实施方式

为了使本领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请实施例保护的范围。

本申请实施例的总体概述

线阵红外探测器，通常由多个呈线性排布的单元探测器件（也可称为敏感元）组合而成。因成像范围广的优势，线阵红外探测器已逐渐成为红外探测器件发展的主流。但是，由于半导体工艺上的原因,线阵红外探测器件中不同敏感元之间不可避免的存在响应率和光谱响应的不一致，即：线阵红外探测器的非均匀性。这种带有非均匀性不足的线阵红外探测器在扫描成像时，会导致红外图像上出现条纹噪声，且条纹噪声垂直于线阵探测器方向。参见图1，图1为由线阵红外探测器生成的红外图像示意图，该图像中包含沿水平方向的条纹噪声，图像质量受到一定影响。

为了去除上述条纹噪声，学者们提出了许多非均匀性校正算法。从大类方面划分，主要有基于黑体的校正和基于场景的校正。其中，基于黑体的校正方法主要思路是利用高低温黑体的响应计算得到不同敏感元各自的响应系数和截距，然后通过不同敏感元各自的响应系数和截距将探测器输出转换为相同的入射量从而消除图像中的条纹噪声；而基于场景的非均匀性校正方法，典型的是通过神经网络模型实现图像的去噪。

就通过神经网络模型实现的去噪算法而言，在标签图像生成方面，主要是通过对原始图像各像素点在空间层面上的像素值融合等方式实现的。也就是说，现有技术中，在生成用于模型训练的标签图像时，均是从空间域的角度进行图像修正的。当条纹噪声比较严重时，上述方式得到的标签图像的去噪效果不佳，进而会导致训练得到的神经网络模型的去噪效果不佳。

针对上述问题，本申请实施例提供了一种新的去噪模型训练方案。具体地，一方面，在生成标签图像时，引入小波频域分析手段对原始图像中的条纹噪声进行了噪声抑制，也即：将频域分析手段应用至去噪网络模型训练过程，从频率域角度出发得到了去噪效果更好的重构图像作为训练标签，因此，可以有效提升训练完成的去噪网络模型的去噪效果；另一方面，在小波频域分析过程中，从分解得到的细节分量图像中各像素点取值差异程度的角度出发，若差异度小于预设差异度阈值则判定该细节分量图像中呈现的信息为条纹噪声信息，进而通过将该细节分量图像的像素值置零并执行图像重构操作，则可以进一步地提升作为训练标签的重构图像的去噪效果，进而，也可以进一步地提升训练完成的去噪网络模型的去噪效果。

本申请实施例的详细实现过程

实施例一

参照图2，图2为根据本申请实施例一的一种模型训练方法的步骤流程图。本申请实施例提供的模型训练方法，包括以下步骤：

步骤202，获取原始图像，原始图像中包含沿预设方向的条纹噪声。

具体地，本步骤中获取到的原始图像，可以为通过线阵红外探测器探测并生成的具有条纹噪声的图像。本申请实施例中，对于条纹噪声在原始图像中的方向不做限定，例如：条纹噪声在原始图像中可以是沿水平方向的，如图1所示；也可以沿竖直方向的。

另外，本申请实施例中，对于条纹噪声所在方向的表述，也即：原始图像的图像坐标系的设置方式，也不做限定。例如：可以将条纹噪声延伸的方向设置为第一方向（示例性地，如x轴方向），将垂直于第一方向的方向设置为第二方向（示例性地，如y轴方向），从而构成由第一方向和第二方向所定义的图像坐标系；也可以将垂直于条纹噪声的方向设置为第一方向（示例性地，如x轴方向等），而将沿条纹噪声的方向设置为第二方向，等等。

步骤204，对原始图像进行小波分解，获得预设方向上的目标细节分量图像。

其中，上述目标细节分量图像的像素值差异度小于预设差异度阈值；像素值差异度表征目标细节分量图像中不同区域的像素点取值的差异程度。

对原始图像进行小波分解的过程，主要是使用小波变换这一数学工具从频率域的层面上对原始图像的图像数据进行分析。

就小波分解算法而言，分解结果中通常包含有两部分内容：不同频率域（分辨率）上表征图像主要结构信息的近似分量图像，以及，不同频率域（分辨率）上表征图像在不同方向（如水平方向、垂直方向、对角线方向）的变化或细节信息的细节分量图像。本步骤中，采用小波频域分析手段，对原始图像进行分解从而得到分解结果之后，通过对分解结果中与条纹噪声同方向的细节分量图像的像素值差异度这一特征的分析，定位出原始图像中条纹噪声所在的位置。例如：若原始图像中的条纹噪声是沿水平方向延伸的，则本步骤中，则可以通过小波分解得到沿水平方向的细节分量图像，进而判断该细节分量图像的像素值差异度是否较小（小于预设差异度阈值），若是，则判定该细节分量图像中呈现的信息即为条纹噪声信息。

对于图像而言，其像素值差异度通常是由该图像中所包含的非噪声信息引起的，而噪声信息对于像素点取值的影响通常比较小。因此，本申请实施例利用上述理论，当分解出的沿条纹噪声方向的细节分量图像的像素值差异度较小时，则反向推断出该细节分量图像中包含的信息以噪声信息为主。此时，通过对该细节分量图像中的像素点取值进行置零操作，则可以有效消除噪声信息，进一步地，基于置零操作后的图像进行图像重构，得到的重构图像也可以达到较好的去噪效果。

本申请实施例中，在通过小波分解得到细节分量图像之后，可以采用任意合适的方式计算该图像的像素值差异度，此处对于像素值差异度的具体计算方式不做限定。例如：可以计算图像中所有像素点的像素值之间的均方根，作为细节分量图像的像素值差异度；或者，随机选择图像中的部分像素点的像素值，并计算这些像素值之间的均方根，作为图像的像素值差异度，等等。同样地，本申请实施例中，对于预设差异度阈值的设定方式也不做限定，可以根据实际情况或者历史经验自定义设定。

本申请实施例中采用小波分解算法的目的在于：定位出原始图像中条纹噪声所在的位置，以便后续通过置零操作消除该噪声后进行图像重构。因此，进一步地，为保证重构图像与原始图像在除条纹噪声信息之外的其余信息层面上的一致性，本申请实施例可以采用DB9/7小波（Daubechies 9th-order wavelet with 7 vanishing moments）进行对原始图像进行分解。

步骤206，对目标细节分量图像进行像素值置零处理，得到处理后图像。

具体地，本步骤中，可以将通过步骤204得到的目标细节分量图像中各像素点的像素值设置为零。进一步地，为便于描述，可以将通过本步骤得到的图像称为处理后图像。

步骤208，基于处理后图像进行小波重构，得到原始图像对应的重构图像。

具体地，在对经小波分解得到的目标细节分量图像进行像素值置零处理之后，可以基于该处理后图像（也即置零后图像）进行小波重构（也可称为小波逆变换），从而得到重构图像。相比于原始图像，通过本步骤得到的重构图像中去除了条纹噪声。

参见图3，图3为根据本申请实施例得到的重构图像示意图。该图像为对图1中的图像执行上述步骤204-步骤208之后得到的重构图像。从图3中可以看出，图1中原本包含的条纹噪声已经被有效去除，相比于图1，图3中的重构图像具有更高的图像质量。

步骤210，以原始图像为输入样本，以重构图像为标签，进行去噪网络模型训练，得到训练完成的去噪网络模型。

具体地，在通过上述步骤204-208从频率域层面进行分析从而得到较高质量的去噪图像（也即重构图像）之后，本申请实施例，则可以将得到的去噪图像作为去噪网络模型训练过程中的标签，进而得到具有较好去噪效果的去噪网络模型。

本申请实施例中，对于去噪网络模型的具体结构以及模型参数均不做限定，可以根据实际情况自定义设定。另外，本申请实施例，对于具体的模型训练过程也不做限定，可以根据需要自定义设定。

下面将以包含单个神经元节点的网络模型为例，对模型训练过程进行解释说明：

对于包含单个神经元节点的网络模型而言，节本结构，也即其输入输出满足下式1：

其中，是模型输出，是模型输入，和是非均匀性校正系数，也即待训练的模型参数。

训练时，可以通过上式来修正进行和的迭代计算：

其中，和均为修正量；为第K次迭代得到的的值；为第K次迭代得到的的值。

之后，则可以通过下式来计算上述修正量和：

其中，为第k次迭代过程得到的模型输出；y为模型样本。

重复上述计算过程，直至达到预设的训练停止条件，从而得到和。本申请实施例，对于训练停止条件的具体内容不做限定。

进一步地，在其中一些实施例中，在上述步骤210之后，还可以包括如下步骤：

获取包含条纹噪声的待处理图像；

将所述待处理图像输入上述训练完成的去噪网络模型，通过去噪网络模型对待处理图像进行去噪处理，得到去噪完成的目标图像。

根据本申请实施例提供的模型训练方法，在获取到包含条纹噪声的原始图像之后，为了获取用于去噪网络模型训练的标签图像，引入小波分解的方式确定出了在条纹噪声方向上的像素值差异度较小的目标细节分量图像；并通过对上述目标细节分量图像的像素值清零及基于清零后图像的小波重构操作，实现了对原始图像中条纹噪声的抑制，从而得到去噪效果更好的重构图像作为模型训练的标签图像，进而基于该去噪效果更好的标签图像进行模型训练，可以有效提升训练完成的去噪网络模型的去噪效果。

本申请实施例，一方面，在生成用于模型训练的标签图像时，引入小波频域分析手段对原始图像中的条纹噪声进行了噪声抑制，也即：将频域分析手段应用至去噪网络模型训练过程，从频率域角度出发得到了去噪效果更好的重构图像作为训练标签，因此，可以有效提升训练完成的去噪网络模型的去噪效果；另一方面，在小波频域分析过程中，从分解得到的细节分量图像中各像素点取值差异程度的角度出发，若差异度小于预设差异度阈值则判定该细节分量图像中呈现的信息为条纹噪声信息，进而通过将该细节分量图像的像素值置零并执行图像重构操作，则可以进一步地提升作为训练标签的重构图像的去噪效果，进而，也可以进一步地提升训练完成的去噪网络模型的去噪效果。

可选地，在其中一些实施例中，上述对原始图像进行小波分解，获得预设方向上的目标细节分量图像的步骤，可以包括：

对原始图像进行小波分解，得到分解结果；分解结果中包含：细节分量图像；

从细节分量图像中确定多个子区域；

判断细节分量图像中的多个子区域是否满足预设条件；

若满足，则将细节分量图像确定为目标细节分量图像；

其中，预设条件包括：

为多个子区域的总数量；为第个子区域中各像素点像素值的均方根；为个子区域的均方根的期望值；为预设差异度阈值；即可以表征细节分量图像的像素值差异度。

结合上述预设条件，上述步骤“判断细节分量图像中的多个子区域是否满足预设条件；若满足，则将细节分量图像确定为目标细节分量图像”，可以具体描述为：

分别计算各子区域中像素点像素值的均方根；计算n个子区域的均方根的期望值；分别计算各与上述期望值之间的差值的绝对值；分别计算上述各绝对值的1.12次幂，也即：；从上述幂运算结果中确定最大值；比较上述最大值与预设差异度阈值之间的大小关系，若上述最大值小于预设差异度阈值，则确定细节分量图像为目标细节分量图像。

分析上述预设条件可知：当时，对其进行1.12次幂运算，得到的结果将小于本数也就是说，当，也即：各子区域之间的像素值差异较小时，对该差异进行缩小处理，进而判断缩小处理结果是否小于预设差异度阈值，或者说，当各子区域之间的像素值差异较小时，则通过缩小处理降低对细节分量图像像素值差异度（像素取值均匀性）的要求；当时，对其进行1.12次幂运算，得到的结果将大于，也就是说，当，也即各子区域之间的像素值差异较大时，对该差异进行放大处理，进而判断放大处理结果是否小于预设差异度阈值，或者说，当各子区域之间的像素值差异较大时，则通过放大处理提升对细节分量图像像素值差异度（像素取值均匀性）的要求。

综上，通过上述预设条件进行目标细节分量图像确定，可以使得最终确定出的目标细节分量图像的像素值分布更加均匀，进而可以提升后续重构图像的去噪效果，以及，训练完成的去噪网络模型的去噪效果。

可选地，在其中一些实施例中，上述从细节分量图像中确定多个子区域的步骤，具体可以包括：

对细节分量图像进行关键点位置检测，得到关键点的位置信息，关键点包括：细节分量图像的图像顶点以及图像几何中心点；

基于关键点的位置信息，从细节分量图像中确定多个子区域；子区域的总数量与关键点的总数量相等，并且，一个子区域中包含一个关键点。

具体地，本申请上述实施例中，先通过关键点检测获取了到细节分量图像中的图像顶点和图像几何中心点的位置；进而基于上述关键点的位置从细节分量图像中确定出了在空间分布上较为关键的多个子区域：位于图像各顶点位置处的子区域，以及，位于图像几何中心位置处的子区域；并且，采用各子区域像素值均方根与期望值之间的差值之和来表征整个细节分量图像的像素值差异度，采用上述期望值的5%作为预设差异度阈值，构建出了用于进行目标细节分量图像确定的判断条件。

由于图像顶点、图像几何中心点，在图像中的空间分布上具有较好的均匀性，因此，基于上述多个点确定出的多个子区域在细节分量图像中也是均匀分布的。这样，通过对多个子区域的像素值差异度进行分析，所得到的分析结果则能较为准确的反映整个细节分量图像的像素值差异度。另外，由于上述过程仅涉及对细节分量图像中几个局部区域像素值差异程度的计算，而无需全面考虑细节分量图像中的所有像素点，因此，通过上述方式，可以在保证计算结果准确度的情况下，提升计算效率，进而提升目标细节分量图像确定的准确性。

另外，采用各子区域像素值均方根与期望值之间的差值之和来表征整个细节分量图像的像素值差异度，采用上述期望值的5%作为预设差异度阈值，以构建进行目标细节分量图像判定的判定条件。各子区域像素值的均方根可以较为准确地表征子区域的像素值差异程度，同时，各子区域像素值均方根与期望值间差值之和，亦可以较为准确地表征所有子区域之间的像素值差异程度，因此，通过上述判断条件可以较为准确地确定出像素值差异度较小的目标细节分量图像。

上述实施例中，主要对目标细节分量图像的判断条件进行了进一步细化，并说明了当分解得到的细节分量图像满足上述判断条件时，则将其确定为目标细节分量图像。以下，则对当判断出分解得到的细节分量图像不满足上述判断条件时的情况进行解释说明：

可选地，在其中一些实施例中，在上述判断细节分量图像中的多个子区域是否满足预设条件之后，方法还可以包括：

若细节分量图像中的多个子区域不满足预设条件，则对近似分量图像进行小波分解，以更新分解结果；

针对更新后的分解结果，从细节分量图像中确定多个子区域，并判断细节分量图像的多个子区域是否满足预设条件；

若是，则将更新后的分解结果中的细节分量图像确定为目标细节分量图像；

若否，则返回对近似分量图像进行小波分解的步骤，直至确定出目标细节分量图像。

具体地，采用小波分解算法可以对原始图像进行多层次的分解，并且，如上所述，每层分解结果中都可以包含两部分内容：近似分量图像，以及，不同方向的细节分量图像。本申请实施例中，在进行目标细节分量图像确定时，可以逐层分解，并逐层判断。

根据本申请上述实施例，可以先对原始图像进行第一层小波分解，得到包含近似分量图像和细节分量图像的分解结果；之后，通过上述判断条件，判断得到的分解结果中的细节分量图像是否满足判断条件，若不满足，则对上述分解结果中的近似分量图像再次进行小波分解，也即进行第二层小波分解，从而得到新的包含近似分量图像和细节分量图像的分解结果，以实现对原有分解结果的更新；之后，再针对更新后的分解结果中的细节分量图像，执行目标细节分量图像判断操作，依次类推，逐层执行小波分解及目标细节分量图像判断操作，直至得到符号条件的目标细节分量图像。

可选地，在其中一些实施例中，多个子区域均为正方形区域，并且，在单个子区域内部，沿边长方向所包含的像素点的总数量等于探测器总数量，或者，沿边长方向所包含的像素点的总数量等于探测器总数量的整数倍（如2倍、3倍，等等），其中，探测器总数量为生成原始图像的线阵探测器件所包含的单元探测器的总数量。

具体地，针对正方形区域而言，沿边长方向所包含的像素点的总数量，也即：每行所包含的像素点的总数量，或者，每列所包含的像素点的总数量。

假设线阵红外探测器中包含的单元探测器的数量为N，则根据线阵红外探测器的成像原理可知：对于原始图像中任一长方形子区域而言，位于同一行（或者同一列）的连续的N个的像素点分别对应不同的单元探测器，也就是说，上述N个连续的像素点是通过不同的单元探测器扫描生成的。

基于上述原因，本申请上述实施例中，在进行子区域确定时，将子区域中每行（列）所包含的像素点的数量设置为线阵红外探测器中包含的单元探测器的总数量的整数倍，这样，可以有效保证各单元探测器所形成的像素点在子区域中是均衡的，也即保证不同单元探测器采集到的像素点在数量上的均衡性，从而使得计算得到的各子区域的像素值均方根能够更加准确地表征子区域的像素值差异程度，最终提升重构图像的去噪效果。

可选地，在其中一些实施例中，在从细节分量图像中确定多个子区域之前，方法还包括：

判断细节分量图像在沿探测器方向上所包含的像素点的总数量是否大于探测器总数量；

若是，则执行判断细节分量图像中的多个子区域是否满足预设条件的步骤；

若否，则按照预设倍数对预设差异度阈值进行放大处理，以更新预设条件，并根据更新后的预设条件从已分解得到的多个细节分量图像中确定目标细节分量图像。

具体地，根据上述实施例的描述，进行目标细节分量图像确定时，是从细节分量图像中选择出多个具有相同尺寸（沿探测器方向所包含的像素点的总数量等于探测器总数量）的子区域，进而通过对上述子区域像素值的计算结果进行最终判定的。分析可知，上述判定方式的基本前提应该为：细节分量图像的尺寸大于上述单个子区域的尺寸，也即：针对细节分量图像，沿探测器方向所包含的像素点的总数量至少应该等于探测器总数量。当细节分量图像的尺寸小于上述单个子区域的尺寸，也即：针对细节分量图像，沿其边长方向所包含的像素点的总数量小于探测器总数量时，则无法执行后续的判定过程，进而无法确定目标细节分量图像，以及，无法生成训练标签；最终导致无法进行模型训练。

鉴于上述原因，为进一步地提升模型训练的鲁棒性，本申请实施例中，在从细节分量图像中进行子区域确定之前，先对细节分量图像的尺寸进行了判断，如果尺寸无法满足要求，也即：细节分量图像的尺寸小于单个子区域的尺寸，则通过对预设差异度阈值的放大处理，更新并放宽了预设条件，进而根据该已更新预设条件在已得到的多个细节分量图像中进行目标细节分量图像确定。

进一步地，当基于已更新预设条件无法在已得到的细节分量图像中确定出满足要求的目标细节分量图像时，则可以返回按照预设倍数对预设差异度阈值进行放大处理，以更新预设条件，并根据更新后的预设条件从已分解得到的多个细节分量图像中确定目标细节分量图像的步骤，直至确定出目标细节分量图像。

本申请上述实施例，在因细节分量图像的尺寸小于单个子区域的尺寸而导致无法确定出目标细节分量图像的情况下，通过对预设条件的迭代更新，从而根据更新后的预设条件从已分解得到的多个细节分量图像中确定目标细节分量图像。因此，本申请上述实施例可以在保证能够确定出目标细节分量图像的前提下，尽可能地使得确定出的目标细节分量图像中仅包含条纹噪音信号。

可选地，在其中一些实施例中，在得到重构图像之后，模型训练方法还可以包括：

按照预设修正等式，对重构图像中的各像素点的像素值进行修正，得到修正图像；

对应地，上述步骤210以原始图像为输入样本，以重构图像为标签，进行去噪网络模型训练，得到训练完成的去噪网络模型，则可以包括：

以原始图像为输入样本，以修正图像为标签，进行去噪网络模型训练，得到训练完成的去噪网络模型；

其中，预设修正等式为：

其中，为重构图像中坐标为的像素点的像素值；为修正图像中的坐标为的像素点的像素值。

具体地，本申请上述实施例，在通过小波频域分析手段对原始图像中的条纹噪声进行噪声抑制得到重构图像之后，还从图像空间域的角度出发，对重构图像中各像素点的像素值进行了空间融合处理，进而得到进一步地修正图像作为训练标签。也就是说，本申请上述实施例，通过频率域-空间域联合的方式，提升了标签图像的去噪效果，进而也提升了模型训练的效果。

另外，就条纹噪声沿水平方向的原始图像而言，根据上述修正等式对坐标为的像素点进行像素值的空间融合处理时，将与该像素点位于同一列（同一竖直线上）的像素点对应的权重值增加，而适当地降低其他像素点对应的权重值（具体地，上述修正等式中，将与该像素点位于同一列的像素点对应的权重值设置为4，而其他的设置为1或者2），上述方式充分考虑了线阵探测器件不同单元探测器扫描成像的不均匀性，通过增加不同单元探测器对应的像素点像素值权重的方式，尽可能地改善上述不均匀性，提升重构图像像素值在空间分布上的均匀性。

实施例二

参照图4，图4为根据本申请实施例二的一种图像去噪方法的步骤流程图。本申请实施例提供的图像去噪方法，包括以下步骤：

步骤402，获取包含条纹噪声的待处理图像。

具体地，本申请实施例中对于待处理图像的具体内容不做限定，可以为任意的包含有条纹噪声的图像。

步骤404，将待处理图像输入预先训练完成的去噪网络模型，通过去噪网络模型对待处理图像进行去噪处理，得到去噪完成的目标图像。

其中，本步骤所使用的去噪网络模型可以是采用上述任一模型训练方法训练得到的。

根据本申请实施例提供的图像去噪方法，在获取到包含条纹噪声的待处理图像之后，通过预先训练完成的去噪网络模型进行去噪处理，从而得到了去噪完成的目标图像。

由于在去噪网络模型训练阶段，一方面，在生成标签图像时，引入小波频域分析手段对原始图像中的条纹噪声进行了噪声抑制，也即：将频域分析手段应用至去噪网络模型训练过程，从频率域角度出发得到了去噪效果更好的重构图像作为训练标签，因此，可以有效提升训练完成的去噪网络模型的去噪效果；另一方面，在小波频域分析过程中，从分解得到的细节分量图像中各像素点取值差异程度的角度出发，若差异度小于预设差异度阈值则判定该细节分量图像中呈现的信息为条纹噪声信息，进而通过将该细节分量图像的像素值置零并执行图像重构操作，则可以进一步地提升作为训练标签的重构图像的去噪效果，进而，也可以进一步地提升训练完成的去噪网络模型的去噪效果。

因此，采用上述去噪网络模型对待处理图像进行去噪处理，可以获得更好的去噪效果。

实施例三

图5为根据本申请实施例三的一种模型训练装置的结构框图。本申请实施例提供的模型训练装置，可以包括：

图像获取模块502，用于获取原始图像，原始图像中包含沿预设方向的条纹噪声；

时域分解模块504，用于对原始图像进行小波分解，获得预设方向上的目标细节分量图像；目标细节分量图像的像素值差异度小于预设差异度阈值；像素值差异度表征目标细节分量图像中不同区域的像素点取值的差异程度；

图像处理模块506，用于对目标细节分量图像进行像素值置零处理，得到处理后图像；

重构模块508，用于基于处理后图像进行小波重构，得到原始图像对应的重构图像；

模型训练模块510，用于以原始图像为输入样本，以重构图像为标签，进行去噪网络模型训练，得到训练完成的去噪网络模型。

可选的，在其中一些实施例中，时域分解模块504，具体用于：

对原始图像进行小波分解，得到分解结果；分解结果中包含：细节分量图像；

从细节分量图像中确定多个子区域；

判断细节分量图像中的多个子区域是否满足预设条件；

若满足，则将细节分量图像确定为目标细节分量图像；

其中，预设条件包括：

为所述多个子区域的总数量；为第个子区域中各像素点像素值的均方根；为个子区域的均方根的期望值；为所述预设差异度阈值。

可选的，在其中一些实施例中，时域分解模块504，在执行从细节分量图像中确定多个子区域的步骤时，具体用于：

对细节分量图像进行关键点位置检测，得到关键点的位置信息，关键点包括：细节分量图像的图像顶点以及图像几何中心点；

基于关键点的位置信息，从细节分量图像中确定多个子区域；子区域的总数量与关键点的总数量相等，并且，一个子区域中包含一个关键点。

可选的，在其中一些实施例中，分解结果中还包括：近似分量图像；

时域分解模块504，执行在判断细节分量图像中的多个子区域是否满足预设条件的步骤之后，还用于：

若细节分量图像中的多个子区域不满足预设条件，则对近似分量图像进行小波分解，以更新分解结果；

针对更新后的分解结果，从细节分量图像中确定多个子区域，并判断细节分量图像的多个子区域是否满足预设条件；

若是，则将更新后的分解结果中的细节分量图像确定为目标细节分量图像；

若否，则返回对近似分量图像进行小波分解的步骤，直至确定出目标细节分量图像。

可选的，在其中一些实施例中，多个子区域均为正方形区域，并且，在单个子区域内部，沿边长方向所包含的像素点的总数量等于探测器总数量的整数倍，探测器总数量为生成原始图像的线阵探测器件所包含的单元探测器的总数量。

可选的，在其中一些实施例中，时域分解模块504，在执行在从细节分量图像中确定多个子区域的步骤之前，还用于：

判断细节分量图像在沿探测器方向上所包含的像素点的总数量是否大于探测器总数量；探测器方向垂直于预设方向；

若是，则执行判断细节分量图像中的多个子区域是否满足预设条件的步骤；

若否，则按照预设倍数对预设差异度阈值进行放大处理，以更新预设条件，并根据更新后的预设条件从已分解得到的多个细节分量图像中确定目标细节分量图像。

可选的，在其中一些实施例中，模型训练装置还包括：

修正模块，用于在得到重构图像之后，按照预设修正等式，对重构图像中的各像素点的像素值进行修正，得到修正图像；

对应地，模型训练模块510，具体用于：

以原始图像为输入样本，以修正图像为标签，进行去噪网络模型训练，得到训练完成的去噪网络模型；

其中，预设修正等式为：

其中，为重构图像中坐标为的像素点的像素值；为修正图像中的坐标为的像素点的像素值。

本实施例的模型训练装置用于实现前述实施例一中相应的模型训练方法，并具有相应的方法实施例的有益效果，在此不再赘述。此外，本实施例的模型训练装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述，在此亦不再赘述。

实施例四

图6为根据本申请实施例四的一种图像去噪装置的结构框图。本申请实施例提供的图像去噪装置，可以包括：

待处理图像获取模块602，用于获取包含条纹噪声的待处理图像；

去噪模块604，用于将待处理图像输入预先训练完成的去噪网络模型，通过去噪网络模型对待处理图像进行去噪处理，得到去噪完成的目标图像；

其中，去噪网络模型是上述任一实施例的模型训练方法训练得到的。

本实施例的图像去噪装置用于实现前述实施例二中相应的图像去噪方法，并具有相应的方法实施例的有益效果，在此不再赘述。此外，本实施例的图像去噪装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述，在此亦不再赘述。

实施例五

参照图7，示出了根据本申请实施例五的一种电子设备的结构示意图，本申请具体实施例并不对电子设备的具体实现做限定。

如图7所示，该电子设备可以包括：处理器(processor)702、通信接口(Communications Interface)704、存储器(memory)706、以及通信总线708。

其中：

处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通信。

通信接口704，用于与其它电子设备进行通信。

处理器702，用于执行程序710，具体可以执行上述方法实施例中的相关步骤。

具体地，程序710可以包括程序代码，该程序代码包括计算机操作指令。

处理器702可能是CPU，或者是特定集成电路ASIC（Application SpecificIntegrated Circuit），或者是被配置成实施本申请实施例的一个或多个集成电路。智能设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器706，用于存放程序710。存储器706可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。

程序710可包括多条计算机指令，程序710具体可以通过多条计算机指令使得处理器702执行前述多个方法实施例中任一方法对应的操作。

程序710中各步骤的具体实现可以参见上述方法实施例中的相应步骤和单元中对应的描述，并具有相应的有益效果，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。

本申请实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述多个方法实施例中任一实施例所描述的方法。该计算机存储介质包括但不限于：只读光盘（Compact Disc Read-Only Memory，CD-ROM）、随机存储器（RandomAccess Memory ，RAM）、软盘、硬盘或磁光盘等。

本申请实施例还提供了一种计算机程序产品，包括计算机指令，该计算机指令指示计算设备执行上述多个方法实施例中的方法对应的操作。

需要指出，根据实施的需要，可将本申请实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本申请实施例的目的。

上述根据本申请实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质（诸如CD-ROM、RAM、软盘、硬盘或磁光盘）中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件（诸如专用集成电路（Application Specific Integrated Circuit，ASIC）或现场可编辑门阵列（Field Programmable Gate Array，FPGA））的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件（例如，随机存储器（Random Access Memory ，RAM）、只读存储器（Read-Only Memory， ROM）、闪存等），当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的方法。此外，当通用计算机访问用于实现在此示出的方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的方法的专用计算机。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请实施例的范围。

以上实施方式仅用于说明本申请实施例，而并非对本申请实施例的限制，有关技术领域的普通技术人员，在不脱离本申请实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本申请实施例的范畴，本申请实施例的专利保护范围应由权利要求限定。

Claims (10)

1.一种模型训练方法，其特征在于，包括：

获取原始图像，所述原始图像中包含沿预设方向的条纹噪声；

对所述原始图像进行小波分解，获得所述预设方向上的目标细节分量图像；所述目标细节分量图像的像素值差异度小于预设差异度阈值；所述像素值差异度表征所述目标细节分量图像中不同区域的像素点取值的差异程度；

对所述目标细节分量图像进行像素值置零处理，得到处理后图像；

基于所述处理后图像进行小波重构，得到所述原始图像对应的重构图像；

以所述原始图像为输入样本，以所述重构图像为标签，进行去噪网络模型训练，得到训练完成的去噪网络模型。

2.根据权利要求1所述的方法，其特征在于，所述对所述原始图像进行小波分解，获得所述预设方向上的目标细节分量图像，包括：

对所述原始图像进行小波分解，得到分解结果；所述分解结果中包含：细节分量图像；

从细节分量图像中确定多个子区域；

判断所述细节分量图像中的所述多个子区域是否满足预设条件；

若满足，则将所述细节分量图像确定为目标细节分量图像；

其中，所述预设条件包括：

为所述多个子区域的总数量；为第个子区域中各像素点像素值的均方根；为个子区域的均方根的期望值；为所述预设差异度阈值。

3.根据权利要求2所述的方法，其特征在于，所述从细节分量图像中确定多个子区域，包括：

对细节分量图像进行关键点位置检测，得到关键点的位置信息，所述关键点包括：所述细节分量图像的图像顶点以及图像几何中心点；

基于所述关键点的位置信息，从所述细节分量图像中确定多个子区域；所述子区域的总数量与所述关键点的总数量相等，并且，一个子区域中包含一个关键点。

4.根据权利要求2所述的方法，其特征在于，所述分解结果中还包括：近似分量图像；

在所述判断所述细节分量图像中的所述多个子区域是否满足预设条件之后，所述方法还包括：

若所述细节分量图像中的所述多个子区域不满足所述预设条件，则对所述近似分量图像进行小波分解，以更新所述分解结果；

针对更新后的分解结果，从细节分量图像中确定多个子区域，并判断所述细节分量图像的所述多个子区域是否满足所述预设条件；

若是，则将所述更新后的分解结果中的细节分量图像确定为目标细节分量图像；

若否，则返回所述对所述近似分量图像进行小波分解的步骤，直至确定出目标细节分量图像。

5.根据权利要求2-4任一项所述的方法，其特征在于，所述多个子区域均为正方形区域，并且，在单个子区域内部，沿边长方向所包含的像素点的总数量等于探测器总数量的整数倍，所述探测器总数量为生成所述原始图像的线阵探测器件所包含的单元探测器的总数量。

6.根据权利要求5所述的方法，其特征在于，在所述从细节分量图像中确定多个子区域之前，所述方法还包括：

判断细节分量图像在沿探测器方向上所包含的像素点的总数量是否大于所述探测器总数量；所述探测器方向垂直于所述预设方向；

若是，则执行判断所述细节分量图像中的所述多个子区域是否满足预设条件的步骤；

若否，则按照预设倍数对所述预设差异度阈值进行放大处理，以更新所述预设条件，并根据更新后的预设条件从已分解得到的多个细节分量图像中确定目标细节分量图像。

7.根据权利要求1所述的方法，其特征在于，在得到重构图像之后，所述方法还包括：

按照预设修正等式，对所述重构图像中的各像素点的像素值进行修正，得到修正图像；

所述以所述原始图像为输入样本，以所述重构图像为标签，进行去噪网络模型训练，得到训练完成的去噪网络模型，包括：

以所述原始图像为输入样本，以所述修正图像为标签，进行去噪网络模型训练，得到训练完成的去噪网络模型；

其中，所述预设修正等式为：

其中，为所述重构图像中坐标为的像素点的像素值；为所述修正图像中的坐标为的像素点的像素值。

8.一种图像去噪方法，其特征在于，包括：

获取包含条纹噪声的待处理图像；

将所述待处理图像输入预先训练完成的去噪网络模型，通过所述去噪网络模型对所述待处理图像进行去噪处理，得到去噪完成的目标图像；

其中，所述去噪网络模型是采用如权利要求1-7任一项所述的方法训练得到的。

9.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-8中任一项所述的方法对应的操作。

10.一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-8中任一项所述的方法。