降噪模型训练方法、图像降噪方法及相关设备与流程

1.本技术涉及图像处理领域，尤其涉及一种降噪模型训练方法、图像降噪方法及相关设备。


背景技术：

2.目前，在图像降噪算法的实际应用中，通常会使用深度学习训练模型，以便进行图像降噪。然而，由于同一个图像降噪模型应用于不同的电子设备时，噪声表现会存在差异，也就是降噪效果会存在差异。因此，对于不同的电子设备，需要训练不同的图像降噪模型，由此会提高训练的复杂度，降低了模型训练的效率。


技术实现要素：

3.本技术提供了一种降噪模型训练方法、图像降噪方法及相关设备，有助于解决降噪模型的普适性问题。
4.第一方面，本技术提供了一种降噪模型训练方法，包括：获取图像对，所述图像对包括一张不包含噪声的样本图像及其对应的包含噪声的样本图像；对所述图像对进行方差稳定变换，得到方差稳定变换后的图像对；基于预设降噪模型对所述方差稳定变换后的图像对进行训练。
5.本技术中，通过对包括带噪声的图像和不带噪声的图像组成的图像对进行方差稳定变换，使得方差稳定变换后的图像中的噪声仅包含高斯噪声，从而可以使得训练模型可以基于不同的噪声分布进行训练，使得训练后的模型具有普适性。
6.其中一种可能的实现方式中，所述包含噪声的样本图像由对所述不包含噪声的样本图像添加目标噪声后获得。
7.其中一种可能的实现方式中，所述目标噪声包括泊松噪声及高斯噪声。
8.其中一种可能的实现方式中，所述方差稳定变换由公式：
[0009][0010]
确定；其中，所述t为方差稳定变换后的图像，所述img为方差稳定变换前的图像，所述a为泊松噪声参数，所述b为高斯噪声参数，所述g为黑电平。
[0011]
其中一种可能的实现方式中，所述目标噪声由对预设标定图像计算获得，所述预设标定图像为包含噪声的原始图像。
[0012]
其中一种可能的实现方式中，所述图像对包括一张不包含噪声的样本图像及其对应的包含噪声的样本图像包括：所述图像对包括一张不包含噪声的原始样本图像及其对应的包含噪声的原始样本图像。
[0013]
其中一种可能的实现方式中，所述方差稳定变换后的图像对包括第一图像和第二图像，所述第一图像为方差稳定变换后的包含噪声的图像，所述第二图像为方差稳定变换
后的不包含噪声的图像，所述基于预设降噪模型对所述方差稳定变换后的图像对进行训练包括：将所述第一图像输入预设降噪模型进行降噪处理，得到第三图像；对所述第三图像进行反方差稳定变换，对反方差稳定变换后的第三图像进行图像信号处理，得到第四图像；对所述第二图像进行反方差稳定变换，对反方差稳定变换后的第二图像进行图像信号处理，得到第五图像；基于所述第四图像及所述第五图像之间的损失进行训练。
[0014]
第二方面，本技术提供了一种图像降噪方法，所述方法包括：
[0015]
获取待降噪图像；对所述待降噪图像进行方差稳定变换，得到方差稳定变换后的图像；将所述方差稳定变换后的图像输入预设降噪模型进行降噪处理，得到第一降噪图像；对所述第一降噪图像进行反方差稳定变换，得到第二降噪图像，所述第二降噪图像为最终降噪后的输出图像。
[0016]
其中一种可能的实现方式中，所述预设降噪模型为使用如第一方面所述的方法训练后获得的模型。
[0017]
第三方面，本技术提供了一种芯片，包括一个或多个功能模块，所述一个或多个功能模块用于执行如第二方面所述的图像降噪方法。
[0018]
第四方面，本技术提供了一种电子设备，包括：处理器和存储器，所述存储器用于存储计算机程序；所述处理器用于运行所述计算机程序，实现如第二方面所述的图像降噪方法。
[0019]
第五方面，本技术提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机实现如第二方面所述的图像降噪方法。
[0020]
第六方面，本技术提供了一种计算机程序，当上述计算机程序在电子设备的处理器上运行时，使得所述电子设备执行如第二方面所述的图像降噪方法。
[0021]
在一种可能的设计中，第六方面中的程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。
附图说明
[0022]
图1为本技术提供的数据部署方法一个实施例的流程示意图；
[0023]
图2为本技术提供的数据部署方法另一个实施例流程的示意图；
[0024]
图3为本技术提供的数据部署方法再一个实施例流程的示意图；
[0025]
图4为本技术提供的芯片一个实施例的结构示意图；
[0026]
图5为本技术提供的芯片另一个实施例的结构示意图；
[0027]
图6为本技术实施例提供的电子设备的结构示意图。
具体实施方式
[0028]
本技术实施例中，除非另有说明，字符“/”表示前后关联对象是一种或的关系。例如，a/b可以表示a或b。“和/或”描述关联对象的关联关系，表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。
[0029]
需要指出的是，本技术实施例中涉及的“第一”、“第二”等词汇，仅用于区分描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量，也不能
理解为指示或暗示顺序。
[0030]
本技术实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。此外，“以下至少一项(个)”或者其类似表达，是指的这些项中的任意组合，可以包括单项(个)或复数项(个)的任意组合。例如，a、b或c中的至少一项(个)，可以表示：a，b，c，a和b，a和c，b和c，或a、b和c。其中，a、b、c中的每个本身可以是元素，也可以是包含一个或多个元素的集合。
[0031]
本技术实施例中，“示例的”、“在一些实施例中”、“在另一实施例中”等用于表示作例子、例证或说明。本技术中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用示例的一词旨在以具体方式呈现概念。
[0032]
本技术实施例中的“的(of)”、“相应的(corresponding，relevant)”和“对应的(corresponding)”有时可以混用，应当指出的是，在不强调其区别时，所要表达的含义是一致的。本技术实施例中，通信、传输有时可以混用，应当指出的是，在不强调其区别时，其所表达的含义是一致的。例如，传输可以包括发送和/或接收，可以为名词，也可以是动词。
[0033]
本技术实施例中涉及的等于可以与大于连用，适用于大于时所采用的技术方案，也可以与小于连用，适用于小于时所采用的技术方案。需要说明的是，当等于与大于连用时，不能与小于连用；当等于与小于连用时，不与大于连用。
[0034]
目前，在图像降噪算法的实际应用中，通常会使用深度学习训练模型，以便进行图像降噪。然而，由于同一个图像降噪模型应用于不同的电子设备时，噪声表现会存在差异，也就是降噪效果会存在差异。因此，对于不同的电子设备，需要训练不同的图像降噪模型，由此会提高训练的复杂度，降低了模型训练的效率。
[0035]
基于上述问题，本技术实施例提出了一种降噪模型训练方法，有助于解决降噪模型的普适性问题。
[0036]
现结合图1-图4对本技术实施例提供的降噪模型训练方法进行示例性说明。
[0037]
图1为本技术提供的降噪模型训练方法一个实施例的流程示意图，具体包括以下步骤：
[0038]
步骤101，获取第一样本图像。
[0039]
具体地，上述第一样本图像可以是加工图像，该第一样本图像可以包括一张或多张带有噪声的加工图像；或者第一样本图像也可以是原始图像(raw)，该第一样本图像可以包括一张或多张带有噪声的原始图像。本技术实施例对样本图像的类型不做特殊限定。
[0040]
可以理解的是，上述第一样本图像可以从本地获取，也可以从互联网获取，本技术实施例对第一样本图像的来源不作特殊限定。
[0041]
步骤102，基于第一样本图像确定噪声参数。
[0042]
具体地，当获取到上述第一样本图像后，可以基于该第一样本图像标定噪声参数。其中，上述标定的具体方式可以参考现有技术的相关描述，在此不再赘述。
[0043]
可以理解的是，噪声参数可以包括泊松噪声参数和高斯噪声参数。泊松噪声分布与图像的像素值相关，具体的表现形式为方差与像素值成线性正比关系。高斯噪声分布与图像的像素值无关。
[0044]
图2示例性的示出了泊松噪声分布的数学表现形式。参考图2，对于泊松噪声分布
的图像，原始图像中的每个像素点的方差都不同。
[0045]
步骤103，获取第二样本图像。
[0046]
具体地，上述第二样本图像可以是加工图像，该第二样本图像可以包括一张或多张不带噪声的加工图像；或者上述第二样本图像可以是原始图像，该第二样本图像可以包括一张或多张不带噪声的原始图像。
[0047]
可以理解的是，上述第二样本可以从本地获取，也可以从互联网获取，本技术实施例对第二样本图像的来源不作特殊限定。
[0048]
步骤104，将噪声添加至第二样本图像，得到第三样本图像。
[0049]
具体地，可以将步骤102中确定的噪声加入第二样本图像，由此可以得到第三样本图像，该第三样本图像为带有泊松噪声和高斯噪声的原始图像。
[0050]
步骤105，将图像对进行方差稳定变换vst。
[0051]
具体地，上述图像对可以包括一张不带噪声的图像和一张与其对应的不带噪声的图像。示例性的，该图像对可以包括一张第二样本图像和一张第三样本图像。可以理解的是，第二样本图像为不带噪声的原始图像，第三样本图像为带噪声的原始图像。
[0052]
上述组成图像对的方式可以是将任意一张第二样本图像与其对应的第三样本图像组成图像对。
[0053]
以第二样本图像包括a、b、c三张图像为例，将第二样本图像a添加噪声后可以得到第三样本图像a’；将第二样本图像b添加噪声后可以得到第三样本图像b’；将第二样本图像c添加噪声后可以得到第三样本图像c’。接着，可以将第二样本图像a和第三样本图像a’作为图像对a”，该图像对a”为成对的第二样本图像与第三样本图像，将第二样本图像b和第三样本图像b’作为图像对b”，该图像对b”为成对的第二样本图像与第三样本图像；将第二样本图像c和第三样本图像c’作为图像对c”，该图像对c”为成对的第二样本图像与第三样本图像。也就是说，对包含图像a、b、c的第二样本图像添加噪声后，可以组成三个图像对，例如，图像对a”、图像对b”及图像对c”。
[0054]
在一些可选的实施例中，也可以选取一张带噪声的图像及其对应的不带噪声的图像，以组成图像对，本技术实施例对组成图像对的方式不做特殊限定。
[0055]
当获取上述图像对后，可以对图像对进行方差稳定变换(variance stabilizing transform，vst)，由此可以得到方差稳定变换后的图像对。示例性的，以图像对包括第二样本图像和第三样本图像为例，该方差稳定变换后的图像对可以包括两张图像，其中，一张是方差稳定变换后的第二样本图像，另一张是方差稳定变换后的第三样本图像。
[0056]
其中，vst的变换公式可以参考如下公式：
[0057][0058]
img为vst前的输入图像，t为vst后的图像，a为泊松噪声参数，b为高斯噪声参数，g为黑电平。
[0059]
可以理解的是，当对图像进行vst之后，与像素值相关的泊松噪声分布会变换为与像素值无关的高斯噪声分布，使得vst后的图像仅包含高斯噪声。
[0060]
图3示例性的示出了高斯噪声分布的数学表现形式。参考图3，对于高斯噪声分布
的图像，图像中的所有像素值都具有相同的方差。
[0061]
步骤106，基于卷积神经网络模型对方差稳定变换后的图像对进行降噪训练，直至收敛。
[0062]
具体地，上述卷积神经网络可以是unet，也可以是其他类型的卷积神经网络，本技术实施例对此不作特殊限定。
[0063]
当获取到方差稳定变换后的图像对后，可以基于卷积神经网络模型对方差稳定变换后的图像对进行降噪训练。其中，训练的方式可以是：将方差稳定变换后的图像对中的包含噪声的图像输入卷积神经网络模型进行降噪处理，得到降噪后的图像。其中，方差稳定变换后的图像对可以包括两张图像，以方差稳定变换后的图像对包括方差稳定变换后的第二样本图像和方差稳定变换后的第三样本图像为例，方差稳定变换后的第二样本图像为不包含噪声的图像，方差稳定变换后的第三样本图像为包含噪声的图像，降噪后的图像可以为对方差稳定变换后的第三样本图像进行降噪后得到的图像。接着，可以分别对降噪后的图像和方差稳定变换后的第二样本图像进行反vst，得到第一反vst图像和第二反vst图像。其中，第一反vst图像为对降噪后的图像进行反vst得到的图像，第二反vst图像为对方差稳定变换后的第二样本图像进行反vst得到的图像。然后分别对第一反vst图像和第二反vst图像进行图像信号处理(image signal process，isp)，由此可以得到第一输出图像和第二输出图像。通过计算第一输出图像和第二输出图像之间的损失，可以不断对模型进行训练，直至模型收敛，完成对模型的训练。
[0064]
可以理解的是，在现有技术中，如果使用卷积神经网络模型对未进行vst变换的图像进行降噪训练，由于未进行vst变换的图像中包含泊松噪声，而泊松噪声与像素值相关，且每个电子设备的噪声强度分布是不同的，因此，卷积神经网络模型为了去除不同电子设备中的泊松噪声，需要学习各种强度的噪声，使得一个训练好的模型适配一个电子设备，这样既增加了网络学习的难度，也使得模型不具有普适性。本技术中，使用卷积神经网络模型对进行vst变换的图像进行降噪训练，由于vst变换后的图像仅包含高斯噪声，而高斯噪声与像素值无关，因此，无需学习不同强度的噪声，由此可以减轻模型的学习负担，也可以使得训练好的模型可以适配不同的电子设备，具有普适性。
[0065]
图4为本技术实施例提供的图像降噪方法的流程示意图，该图像降噪方法可以应用于电子设备，该电子设备可以具有降噪模组，具体包括以下步骤：
[0066]
步骤401，获取待降噪图像。
[0067]
具体地。该待降噪图像可以是本地获取的带噪声的图像，或者可以是互联网获取的带噪声的图像，或者可以是通过电子设备的摄像头拍摄获得的图像，本技术实施例对待降噪图像的来源不作特殊限定。
[0068]
步骤402，对待降噪图像进行vst，得到vst图像。
[0069]
具体地，当获取待降噪图像后，可以对该待降噪图像进行vst，得到vst图像，使得该待降噪图像中的泊松噪声变为高斯噪声。
[0070]
步骤403，将vst图像输入预设降噪模型进行降噪处理，得到第一降噪图像。
[0071]
具体地，当获取到vst图像后，可以将vst图像输入预设降噪模型进行降噪处理，得到第一降噪图像。其中，预设降噪模型可以是通过图1所述训练方法获得的卷积神经网络模型。
[0072]
步骤404，对第一降噪图像进行反vst，得到第二降噪图像。
[0073]
具体地，当获得第一降噪图像之后，对该第一降噪图像进行反vst，得到第二降噪图像。
[0074]
可以理解的是，该第二降噪图像为最终降噪后的目标图像。
[0075]
图5为本技术芯片一个实施例的结构示意图，如图5所示，上述芯片50可以包括：获取模块51、变换模块52、降噪模块53和输出模块54；其中，
[0076]
获取模块51，用于获取待降噪图像；
[0077]
变换模块52，用于对所述待降噪图像进行方差稳定变换，得到方差稳定变换后的图像；
[0078]
降噪模块53，用于将所述方差稳定变换后的图像输入预设降噪模型进行降噪处理，得到第一降噪图像；
[0079]
输出模块54，用于对所述第一降噪图像进行反方差稳定变换，得到第二降噪图像，所述第二降噪图像为最终降噪后的输出图像。
[0080]
图5所示实施例提供的芯片50可用于执行本技术所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述。
[0081]
应理解以上芯片50的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块以软件通过处理元件调用的形式实现，部分模块通过硬件的形式实现。例如，检测模块可以为单独设立的处理元件，也可以集成在电子设备的某一个芯片中实现。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0082]
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit；以下简称：asic)，或，一个或多个微处理器(digital signal processor；以下简称：dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array；以下简称：fpga)等。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip；以下简称：soc)的形式实现。
[0083]
下面结合图6进一步介绍本技术实施例中提供的示例性电子设备。图6示出了电子设备600的结构示意图。
[0084]
上述电子设备600可以包括：至少一个处理器；以及与上述处理器通信连接的至少一个存储器，其中：上述存储器存储有可被上述处理器执行的程序指令，处理器调用上述程序指令能够执行本技术图4所示实施例提供的方法。
[0085]
图6示出了适用于实现本技术实施方式的示例性电子设备600的框图。图6显示的电子设备600仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0086]
如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：一个或者多个处理器610，存储器620，连接不同系统组件(包括存储器620和处理器610)的通信总线640以及通信接口630。
[0087]
通信总线640表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总
线。举例来说，这些体系结构包括但不限于工业标准体系结构(industry standard architecture；以下简称：isa)总线，微通道体系结构(micro channel architecture；以下简称：mac)总线，增强型isa总线、视频电子标准协会(video electronics standards association；以下简称：vesa)局域总线以及外围组件互连(peripheral component interconnection；以下简称：pci)总线。
[0088]
电子设备600典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0089]
存储器620可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(random access memory；以下简称：ram)和/或高速缓存存储器。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(compact disc read only memory；以下简称：cd-rom)、数字多功能只读光盘(digital video disc read only memory；以下简称：dvd-rom)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与通信总线640相连。存储器620可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本技术各实施例的功能。
[0090]
具有一组(至少一个)程序模块的程序/实用工具，可以存储在存储器620中，这样的程序模块包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执行本技术所描述的实施例中的功能和/或方法。
[0091]
电子设备600也可以与一个或多个外部设备(例如键盘、指向设备、显示器等)通信，还可与一个或者多个使得用户能与该电子设备交互的设备通信，和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过通信接口630进行。并且，电子设备600还可以通过网络适配器(图6中未示出)与一个或者多个网络(例如局域网(local area network；以下简称：lan)，广域网(wide area network；以下简称：wan)和/或公共网络，例如因特网)通信，上述网络适配器可以通过通信总线640与电子设备的其它模块通信。应当明白，尽管图6中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(redundant arrays of independent drives；以下简称：raid)系统、磁带驱动器以及数据备份存储系统等。
[0092]
处理器610通过运行存储在存储器620中的程序，从而执行各种功能应用以及数据处理，例如实现本技术实施例提供的方法。
[0093]
可以理解的是，本技术实施例示意的各模块间的接口连接关系，只是示意性说明，并不构成对电子设备600的结构限定。在本技术另一些实施例中，电子设备600也可以采用上述实施例中不同的接口连接方式，或多种接口连接方式的组合。
[0094]
以上各实施例中，涉及的处理器可以例如包括cpu、dsp、微控制器或数字信号处理器，还可包括gpu、嵌入式神经网络处理器(neural-network process units；以下简称：npu)和图像信号处理器(image signal processing；以下简称：isp)，该处理器还可包括必要的硬件加速器或逻辑处理硬件电路，如asic，或一个或多个用于控制本技术技术方案程
序执行的集成电路等。此外，处理器可以具有操作一个或多个软件程序的功能，软件程序可以存储在存储介质中。
[0095]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行本技术所示实施例提供的方法。
[0096]
本技术实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，当其在计算机上运行时，使得计算机执行本技术所示实施例提供的方法。
[0097]
本技术实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示单独存在a、同时存在a和b、单独存在b的情况。其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。
[0098]
本领域普通技术人员可以意识到，本文中公开的实施例中描述的各单元及算法步骤，能够以电子硬件、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技术的范围。
[0099]
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，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0100]
在本技术所提供的几个实施例中，任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory；以下简称：rom)、随机存取存储器(random access memory；以下简称：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0101]
以上所述，仅为本技术的具体实施方式，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种降噪模型训练方法，其特征在于，所述方法包括：获取图像对，所述图像对包括一张不包含噪声的样本图像及其对应的包含噪声的样本图像；对所述图像对进行方差稳定变换，得到方差稳定变换后的图像对；基于预设降噪模型对所述方差稳定变换后的图像对进行训练。2.根据权利要求1所述的方法，其特征在于，所述包含噪声的样本图像由对所述不包含噪声的样本图像添加目标噪声后获得。3.根据权利要求2所述的方法，其特征在于，所述目标噪声包括泊松噪声及高斯噪声。4.根据权利要求3所述的方法，其特征在于，所述方差稳定变换由公式：确定；其中，所述t为方差稳定变换后的图像，所述img为方差稳定变换前的图像，所述a为泊松噪声参数，所述b为高斯噪声参数，所述g为黑电平。5.根据权利要求2-4任一项所述的方法，其特征在于，所述目标噪声由对预设标定图像计算获得，所述预设标定图像为包含噪声的原始图像。6.根据权利要求1所述的方法，其特征在于，所述图像对包括一张不包含噪声的样本图像及其对应的包含噪声的样本图像包括：所述图像对包括一张不包含噪声的原始样本图像及其对应的包含噪声的原始样本图像。7.根据权利要求1所述的方法，其特征在于，所述方差稳定变换后的图像对包括第一图像和第二图像，所述第一图像为方差稳定变换后的包含噪声的图像，所述第二图像为方差稳定变换后的不包含噪声的图像，所述基于预设降噪模型对所述方差稳定变换后的图像对进行训练包括：将所述第一图像输入预设降噪模型进行降噪处理，得到第三图像；对所述第三图像进行反方差稳定变换，对反方差稳定变换后的第三图像进行图像信号处理，得到第四图像；对所述第二图像进行反方差稳定变换，对反方差稳定变换后的第二图像进行图像信号处理，得到第五图像；基于所述第四图像及所述第五图像之间的损失进行训练。8.一种图像降噪方法，其特征在于，所述方法包括：获取待降噪图像；对所述待降噪图像进行方差稳定变换，得到方差稳定变换后的图像；将所述方差稳定变换后的图像输入预设降噪模型进行降噪处理，得到第一降噪图像；对所述第一降噪图像进行反方差稳定变换，得到第二降噪图像，所述第二降噪图像为最终降噪后的输出图像。9.根据权利要求8所述的方法，其特征在于，所述预设降噪模型为使用如权利要求1-7任一项所述的方法训练后获得的模型。
10.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器用于存储计算机程序；所述处理器用于运行所述计算机程序，实现如权利要求8或9所述的图像降噪方法。11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序在计算机上运行时，实现如权利要求8或9所述的图像降噪方法。

技术总结
本申请提供一种降噪模型训练方法、图像降噪方法及相关设备，该方法包括：获取图像对，所述图像对包括一张不包含噪声的样本图像及其对应的包含噪声的样本图像；对所述图像对进行方差稳定变换，得到方差稳定变换后的图像对；基于预设降噪模型对所述方差稳定变换后的图像对进行训练。本申请提供的方法，有助于解决降噪模型的普适性问题。降噪模型的普适性问题。降噪模型的普适性问题。


技术研发人员：赵薇 刘千顺
受保护的技术使用者：展讯通信（天津）有限公司
技术研发日：2023.05.16
技术公布日：2023/7/21