图像处理方法及装置与流程

1.本技术属于图像处理技术领域，具体涉及一种图像处理方法及装置。

背景技术：

2.相机在拍摄图像时，由于镜头对光折射不均匀、镜头不稳等因素会导致图像出现噪声阴影，例如图像中心部分与四周颜不一致，四周颜存在偏、而中心颜正常。通过降噪方法可以去除图像中的噪声。
3.图像去噪大多采用小波阈值去噪算法，通过人工选取的阈值对小波系数进行阈值处理，再对处理后的小波系数进行重构得到去噪后的图像。该方法中阈值的选取直接影响去噪效果，而人工选取的阈值很难达到最优，导致图像去噪效果较差。

技术实现要素：

4.本技术实施例的目的是提供一种图像处理方法及装置，能够减少图像的噪声，提高图像的去噪效果。
5.第一方面，本技术实施例提供了一种图像处理方法，包括：获取训练图像数据集；基于所述训练图像数据集对初始网络模型进行训练，得到目标网络模型；将第一图像输入所述目标网络模型，得到第二图像；其中，所述初始网络模型包括至少两个子网络模块，每一个所述子网络模块包括一个子阈值卷积网络模块和一个子残差卷积网络模块，所述子阈值卷积网络模块的输出为所述子残差卷积网络模块的输入，且所述子阈值卷积网络模块包括阈值函数层，所述阈值函数层用于通过阈值函数对所述第一图像的图像数据进行去噪处理。
6.第二方面，本技术实施例提供了一种图像处理装置，包括：第一获取模块，用于获取训练图像数据集；第一训练模块，用于基于所述训练图像数据集对初始网络模型进行训练，得到目标网络模型；第二获取模块，用于将第一图像输入所述目标网络模型，得到第二图像；其中，所述初始网络模型包括至少两个子网络模块，每一个所述子网络模块包括一个子阈值卷积网络模块和一个子残差卷积网络模块，所述子阈值卷积网络模块的输出为所述子残差卷积网络模块的输入，且所述子阈值卷积网络模块包括阈值函数层，所述阈值函数层用于通过阈值函数对所述第一图像的图像数据进行去噪处理。
7.第三方面，本技术实施例提供了一种移动终端，该移动终端包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的图像处理方法。
8.第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的图像处理方法。
9.第五方面，本技术实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的图像处理方法。
10.第六方面，本技术实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面所述的图像处理方法。
11.在本技术实施例中，将深度学习和阈值函数相结合，通过深度学习的训练来求解阈值函数，与人工选取阈值的方式相比，能够得到更优的阈值函数，从而提高图像的去噪效果。
附图说明
12.图1是本技术实施例提供的图像处理方法的流程示意图之一；
13.图2是本技术实施例提供的图像处理方法中模型的结构示意图之一；
14.图3是本技术实施例提供的图像处理方法中模型的结构示意图之二；
15.图4是本技术实施例提供的图像处理方法的流程示意图之二；
16.图5是本技术实施例提供的图像处理方法的流程示意图之三；
17.图6是本技术实施例提供的图像处理方法的流程示意图之四；
18.图7是本技术实施例提供的图像处理装置的结构示意图；
19.图8是本技术实施例提供的电子设备的结构示意图之一；
20.图9是本技术实施例提供的电子设备的结构示意图之二。
具体实施方式
21.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本技术保护的范围。
22.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
23.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的图像处理方法和图像处理装置进行详细地说明。
24.本技术实施例首先提供一种图像处理方法。示例性地，该图像处理方法可应用于如手机、平板电脑、可穿戴智能设备、虚拟现实设备、增强现实设备等各种电子设备中，也可以应用于个人计算机、服务器等电子设备中，本实施方式对此不作任何限定。
25.图1示出了本技术图像处理方法的流程图。如图1所示，该图像处理方法包括以下步骤：
26.步骤10：获取训练图像数据集。
27.从图像数据库中获取一定数量的图像，将获取到的图像作为原始的无噪图像，然后对无噪图像添加噪声，可以得到对应的含噪图像。或者，获取质量较差的含噪图像，对含噪图像进行去噪处理，得到对应的无噪图像。将含噪图像与其对应的无噪图像作为样本对，由多个样本对构成训练图像数据集。
28.步骤20：基于所述训练图像数据集对初始网络模型进行训练，得到目标网络模型。
29.本实施方式中，初始网络模型可以为深度学习模型。初始网络模型中包括至少两个子网络模块，每个子网络模块包括一个子阈值卷积网络模块和一个子残差卷积网络模块。其中，子阈值卷积网络模块的输出为子残差卷积网络模块的输入，并且子阈值卷积网络模块中包括阈值函数层，该阈值函数层用于通过阈值函数对图像数据进行去噪处理。
30.阈值函数能够对图像数据进行阈值处理，从而去除图像的噪声。阈值函数可以由特定的参数构成，将阈值函数作为初始网络模型的激活函数，然后通过上述训练图像数据集训练初始网络模型，可以确定对图像去噪较优的参数。示例性地，阈值函数可以包括如下：
[0031][0032]
其中，m为阈值函数的输入数据，例如含噪图像，为阈值函数的输出数据，n为阈值函数的参数，也称为阈值，通过训练初始网络模型可以确定n的取值。与人工选取阈值相比，通过模型训练来确定阈值函数所使用的阈值，能够优化阈值，提高阈值函数对图像去噪的精确性。
[0033]
图2示出了子阈值卷积网络模块的结构图。如图2所示，子阈值卷积网络模块200可以包括第一卷积处理层201、阈值函数层202和第二卷积处理层203。
[0034]
在训练过程中，含噪图像作为模型200的输入，第一卷积处理层201可以对含噪图像进行卷积、激活处理，得到含噪图像对应的特征图。示例性地，第一卷积处理层201具体可以包括卷积层和激活层。卷积层的卷积核大小可为3
×3×
3、步长为1，卷积核个数为10。若含噪图像是大小为m
×
m的三维图像，通过卷积层对输入的含噪图像进行卷积处理后，可以得到(m-2)
×
(m-2)
×
10的特征图，用a11表示。激活层可以采用relu激活函数，对特征图a11进行激活处理，得到处理后的特征图a12。具体的，relu激活函数为：
[0035][0036]
其中，x表示特征图a11的值，y为特征图a12中对应的值。通过relu激活函数可以将特征图a11中小于0的值转化为0，从而将数据进行稀疏化，得到稀疏化的特征图a12。
[0037]
特征图a12可作为阈值函数层202的输入，阈值函数层202同样也由卷积层和激活层构成。其中，卷积层的卷积核大小为5
×5×
10、卷积步长为1、卷积核个数为10，此外该卷积层也可以与第一卷积层201中卷积层相同，也可以根据实际情况设置为其他值，本实施方式对此不作特殊限定。通过卷积层的卷积处理后可以将特征图a12转化为特征图a13。阈值函数层202中激活层可以采用阈值函数如公式(1)，对特征图a13进行阈值处理。阈值函数中的参数n初始可以随机确定。通过阈值函数处理后，可以得到特征图a14。
[0038]
含噪图像y可以由有效信号x和噪声g组成，传统的图像去噪是将含噪图像进行小波变换，得到小波域(稀疏域)的数据，由于有效信号对应的小波系数大，噪声对应的小波系数小。因此通过将小波域中较小的系数转化为0，就可以起到对图像去噪的效果。
[0039]
本实施方式中，第一卷积处理层201通过relu激活函数可以将含噪图像进行稀疏化，能够起到将数据转化至稀疏域的效果。再通过阈值函数层202对稀疏化的数据进行阈值处理，阈值函数可以将特征图a12中小于阈值n的数据转化为0，减小噪声，得到去噪后的特
征图a14。与传统的小波变换去噪相比，无需人工选取约束项，即噪声g，也无需人为确定阈值，能够避免对人工经验的依赖，解决因人工选取参数不当而导致去噪效果无法优化到最大的问题。
[0040]
去噪后的特征图a14作为第二卷积处理层203的输入，通过第二卷积处理层203将特征图a14还原为与输入的含噪图像大小相同的图像。示例性地，第二卷积处理层203可以包括两个卷积层和一个激活层。其中，第一个卷积层的卷积核大小可以为5
×5×
10、卷积操作步长为1，卷积核个数为10，通过卷积层对特征图a14进行卷积处理可以得到特征图a15。第二卷积处理层203的激活层也可以采用relu激活函数，将特征图a15中小于0的数据转化为0，得到特征图a16。第二卷积处理层203中第二个卷积层的卷积核大小可为5
×5×
10、步长为1，卷积核个数为3，通过卷积处理将特征图a16还原为三维的数据，即去噪后的图像a17。此外，第二卷积处理层203中卷积核大小、个数也可以设置为其他情况，例如第二卷积处理层203中可以只包含一个卷积层，通过卷积核大小、个数的设置，将特征图转化为与输入的含噪图像大小相同的图像。
[0041]
可理解的，第一卷积处理层201与第二卷积处理层203的结构可以根据实际情况设置，例如第一卷积处理层201的卷积核个数可以为5，第二卷积处理层203的卷积核大小可以为3
×3×
10等等。此外，目标网络模型中也可以包括多个第一卷积处理层201、阈值函数层202以及第二卷积处理层203，本实施方式对此不作特殊限定。
[0042]
为了进一步降低图像的噪声，初始网络模型中还可以包括子残差卷积网络模块。通过上述子阈值卷积网络模块200可以获得第一次去噪后的图像，如图像a17，然后将该去噪后的图像a17再输入到子残差卷积网络模块，通过该子残差卷积网络模块再次对图像a17进行去噪处理，得到去噪后的图像。
[0043]
如图3所示，子残差卷积网络模块300可以包括多个卷积层和激活层。将子阈值卷积网络模块200输出的图像a17输入到子残差卷积网络模块300中，由其中第一个卷积层301先进行卷积处理，得到对应的特征图，记为b11。卷积层301的卷积核大小可以为3
×3×
3、步长为1、卷积核个数为10。卷积层301输出的特征图b11即为下一层，即激活层302的输入，该激活层302采用relu激活函数，对特征图b11进行处理，得到特征图b12。然后特征图b12与特征图b11通过残差连接单元303进行连接，该残差连接单元303用于将特征图b12与特征图b11进行合并，即矩阵加法操作，得到合并后的特征图b13。
[0044]
特征图b13为残差网络层300中的第二个卷积层304的输入，该卷积层304的卷积核大小可以为5
×5×
10、步长为1、卷积核个数为10。卷积层304对特征图b13进行卷积操作后，可以输出特征图b14。特征图b14与第二图像的初始的特征图b11可以通过残差连接单元305进行连接。残差连接单元305用于对输入的两个特征图进行拼接操作，即在特征图b14上拼接特征图b11。特征图b14是10个卷积核卷积得到的10个通道的数据，特征图b11也是10个通道的数据，两者拼接后可以得到具有20个通道数据的特征图b15。
[0045]
特征图b15作为第三个卷积层306的输入，该卷积层306的卷积核大小可以为3
×3×
20、步长为1、卷积核个数为3，进行卷积处理后，得到具有3个通道数据的特征图b16。特征图b16即为残差网络层300去噪得到的图像，该图像为三维数据，并且大小与图像a17大小保持一致。
[0046]
本实施例中的子残差卷积网络模块结构简单，将该子残差卷积网络模块300连接
在图2中子阈值卷积网络模块的第二卷积处理层203之后，通过阈值函数与残差网络共同进行去噪。子残差卷积网络模块300通过相加、拼接操作可以使图像更加平滑，能够进一步提高去噪效果。
[0047]
示例性地，上述子阈值卷积网络模块200与子残差卷积网络模块300共同作为初始网络模型的一个子网络模块，初始网络模型还可以包括多个子网络模块。通过多个子网络模块可以对含噪图像进行多次去噪，从而优化图像的去噪效果，得到最优的无噪图像。
[0048]
在训练过程中，通过计算特征图b16与图像对中含噪图像对应的无噪图像之间损失，使用反向梯度传播方法计算初始网络模型中各参数的梯度，并采用随机梯度下降方法来更新各参数。然后通过更新后的参数进行下一次的训练，直到损失达到最小，保存网络参数，训练完成，将训练完成时的模型作为目标网络模型。经过训练，可以得到阈值函数中的最优阈值，保证阈值函数对图像的去噪效果。
[0049]
举例来说，初始网络模型中可以包括5个子网络模块，第一个子网络模块对输入的含噪图像进行两次去噪，得到第一个图像。该第一个图像作为第二个子网络模块的输入，再由该第二个子网络模块进行两次去噪，得到第二个图像，依次类推，到第五个子网络模块输出的第五个图像，共经过了10次去噪处理，能够最大程度地去除含噪图像中的噪声。
[0050]
示例性地，若初始网络模型中包括多个子网络模块时，在训练该初始网络模型时，可以采用如下损失函数：
[0051][0052]
其中，t为图像对中的无噪图像，xi为针对含噪图像时第i个子网络模块输出的图像。n为子网络模块的数量。为了减少计算量，加速模型收敛，只计算其中一部分子网络模块输出的图像与对应的无噪图像之间的损失。在n为5时，分别计算第3、4、5个子网络模块输出的图像与无噪图像之间的差异，并对计算得到的差异进行求和，得到模型的整体损失。通过最终得到的整体损失来对模型的参数进行更新，完成对模型的训练。
[0053]
步骤30：将第一图像输入所述目标网络模型，得到第二图像。
[0054]
第一图像为需要去噪的图像，例如手机实时拍摄的图像、手机接收或存储的图像等等。将第一图像输入训练后的目标网络模型中，通过目标网络模型可以对第一图像进行去噪处理，得到不包含噪声的第二图像，展示给用户，供用户使用。示例性地，如图4所示，对第一图像进行去噪处理的具体过程可以包括如下：
[0055]
步骤41：将第一图像输入第一卷积处理层，通过第一卷积处理层将第一图像进行稀疏化处理，获得对应的第一特征图。
[0056]
步骤42：将第一特征图输入阈值函数层，通过阈值函数层的阈值函数对第一特征图进行去噪处理，得到第二特征图。
[0057]
步骤43：将第二特征图输入第二卷积处理层，通过第二卷积处理层将第二特征图还原为第二图像。
[0058]
结合图2，首先通过第一卷积处理层201可以对第一图像进行稀疏化处理，得到稀疏化的特征图，即第一特征图。阈值函数层202再对第一特征图进行去噪，得到去除噪声的第二特征图。然后由第二卷积处理层203将第二特征图还原为与第一图像大小相同的图像。可选地，第二卷积处理层203输出的图像可以为第二图像，也就是说，通过子阈值卷积网络模块可以对第一图像进行去噪处理，得到第二图像。与第一图像相比，经过阈值函数层中阈
值函数的处理后，可以去除第一图像中的噪声，得到信噪比更高、图像质量更优的图像。
[0059]
进一步的，将第二卷积处理层203输出的图像，可以再输入到子残差卷积网络模块中再次进行去噪，从而将子残差卷积网络模块输出的图像作为第二图像展示给用户、进行存储。子残差卷积网络模块通过对图像特征进行融合、拼接，可以使得图像更加平滑，从而进一步提高图像质量。
[0060]
图像中颜丰富的部分具有较多的纹理细节，若对这些部分也进行去噪可能会丢失图像的纹理细节。如图5所示，为了避免去噪对图像的纹理细节造成影响，本实施方法可以包括如下步骤：
[0061]
步骤51：根据第一图像的颜信息确定第一图像中的纯图像区域。
[0062]
步骤52：将纯图像区域对应的图像数据作为目标网络模型的输入，通过阈值函数层对纯图像区域进行去噪处理，得到第二图像。
[0063]
第一图像的颜信息中包括每个像素点的像素值。根据第一图像中每个像素点的像素值，即rgb值，若像素值的差异在预设范围内的像素点的个数超过预设个数，则将这些像素点划分为一个纯图像区域，得到颜不同的多个纯图像区域。并且，分别记录每个纯图像区域在第一图像中的位置。其中，像素值的差异在预设范围内指的是像素点的rgb值之间的差异不超过预设范围，例如r、g、b的值均不超过预设范围，或者rgb的平均值不超过预设范围等。预设个数可以根据实际情况确定，例如100、10000等，本实施方式不限于此。
[0064]
从第一图像中确定出纯图像区域后，根据目标网络模型可输入的图像大小可以对纯块进行补零，例如，目标网络模型的输入图像的大小是128
×
128，则通过补零将纯图像区域组成128
×
128大小的区块。然后，将固定大小的纯图像区域输入目标网络模型中，得到去噪后的第二图像。
[0065]
得到第二图像之后，可以将第一图像与无噪的第二图像进行融合，得到与第一图像大小相同的目标图像，将目标图像可以作为第一图像对应的无噪图像，从而展示给用户。具体的，通过预先记录的纯图像区域的位置采用去噪后的第二图像替换第一图像中原有的纯图像区域，得到融合后的第二图像。融合后的第二图像中即保留了颜变化丰富的区域的纹理细节，又提高了纯块的颜饱和度，整体提高了图像的去噪效果。
[0066]
示例性地，本实施例中的图像处理方法还可以包括如图6所示的步骤，具体地：
[0067]
步骤61：获取图像训练数据集。通过图像数据库可以获取大量的原始含噪图像，以及对应的无噪图像，组成样本对。对每对样本对可以进行预处理，例如对样本对进行裁剪、将样本对中含噪图像的纯图像区域切分出来，得到含噪的纯图像区域，并得到无噪图像对应的无噪的纯图像区域。
[0068]
步骤62：构建初始网络模型，并对初始网络模型进行训练，得到目标网络模型。通过样本对可以对初始网络模型进行训练，得到目标网络模型。或者通过含噪的纯图像区域及其对应的无噪纯图像区域，也可以对初始网络模型进行训练，得到目标网络模型。
[0069]
步骤63：获取第一图像，并获取第一图像中的纯图像区域。第一图像中像素值差异在预设范围内的像素点个数超过预设个数的图像区域为纯图像区域。
[0070]
步骤64：将纯图像区域输入目标网络模型，得到去噪后的图像区域。如果纯图像区域的尺寸不符合目标网络模型的输入要求，则对纯图像区域进行补零，使补零后的纯图像区域能够输入目标网络模型。
[0071]
步骤65：将去噪后的图像区域，融合到原始的第一图像中，得到去噪后的第二图像。按照纯图像区域在原始的第一图像中的位置，可以将该位置处替换为去噪后的图像区域，其中补零的像素点不进行替换，替换后可以图像作为去噪后的第二图像。
[0072]
可理解的，图6中各个步骤的其他实施细节，在上述实施方式中均已进行详细阐述，此处不再赘述。
[0073]
进一步的，本技术实施例还提供一种图像处理装置，可用于执行上述图像处理方法。下面说明本技术实施例提供的图像处理装置。
[0074]
如图7所示，本技术实施例提供的图像处理装置70可以包括第一获取模块71、第一训练模块72和第二获取模块73。具体地：第一获取模块71可用于获取训练图像数据集。第一训练模块72可用于基于训练图像数据集对初始网络模型进行训练，得到目标网络模型。第二获取模块73可以用于将第一图像输入目标网络模型，得到第二图像。其中，初始网络模型包括至少两个子网络模块，每一个子网络模块包括一个子阈值卷积网络模块和一个子残差卷积网络模块，子阈值卷积网络模块的输出为子残差卷积网络模块的输入，且子阈值卷积网络模块包括阈值函数层，阈值函数层用于通过阈值函数对第一图像的图像数据进行去噪处理。
[0075]
在一个示例性的实施方式中，上述第二获取模块73具体包括：第一确定模块，用于根据第一图像的颜信息，确定第一图像中的纯图像区域；第一去噪模块，用于将纯图像区域输入目标网络模型中，通过阈值函数层对纯图像区域进行去噪处理，得到第二图像。
[0076]
在一个示例性的实施方式中，上述第一确定模块还用于：将第一图像中各像素点的像素值差异在预设范围内、且像素点个数超过预设个数的图像区域作为纯图像区域。
[0077]
在一个示例性的实施方式中，该子阈值卷积网络模块还可以包括第一卷积处理层和第二卷积处理层；则上述第二获取模块73具体包括：第一卷积模块，用于将第一图像输入第一卷积处理层，通过第一卷积处理层将第一图像进行稀疏化处理，获得对应的第一特征图；第一阈值函数模块，用于将第一特征图输入阈值函数层，通过阈值函数层的阈值函数对第一特征图进行去噪处理，得到第二特征图；第二卷积模块，用于将第二特征图输入第二卷积处理层，通过第二卷积处理层将第二特征图还原为第二图像。
[0078]
在一个示例性的实施方式中，图像处理装置70还可以包括：第一融合模块，用于将第一图像与第二图像进行图像融合，得到目标图像。
[0079]
本技术实施例中的图像处理装置，将深度学习和阈值函数相结合，通过深度学习的训练来求解阈值函数，与人工选取阈值的方式相比，能够得到更优的阈值函数，从而提高图像的去噪效果。
[0080]
本技术实施例中的图像处理装置可以是移动终端，也可以是移动终端中的部件，例如集成电路或芯片。示例性地，移动终端可以为手机、平板电脑、笔记本电脑、掌上电脑、增强现实(augmented reality，ar)/虚拟现实(virtual reality，vr)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，还可以为电视机(television，tv)、柜员机或者自助机等，本技术实施例不作具体限定。
[0081]
本技术实施例中的图像处理装置可以为具有操作系统的装置。该操作系统可以为
安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本技术实施例不作具体限定。
[0082]
本技术实施例提供的图像处理装置能够实现图1至图6中的方法实施例实现的各个过程，达到相同的技术效果，为避免重复，这里不再赘述。
[0083]
可选地，如图8所示，本技术实施例还提供一种电子设备800，包括处理器801和存储器802。存储器802上存储有可在所述处理器801上运行的程序或指令，该程序或指令被处理器801执行时实现上述图像处理方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，此处不再赘述。
[0084]
例如，存储器802上存储的程序或指令，在处理器801上运行时，可执行：获取训练图像数据集；基于所述训练图像数据集对初始网络模型进行训练，得到目标网络模型；将第一图像输入所述目标网络模型，得到第二图像；其中，所述初始网络模型包括至少两个子网络模块，每一个所述子网络模块包括一个子阈值卷积网络模块和一个子残差卷积网络模块，所述子阈值卷积网络模块的输出为所述子残差卷积网络模块的输入，且所述子阈值卷积网络模块包括阈值函数层，所述阈值函数层用于通过阈值函数对所述第一图像的图像数据进行去噪处理。
[0085]
图9为实现本技术实施例的一种电子设备的硬件结构示意图。
[0086]
该电子设备900包括但不限于：射频单元901、网络模块9102、音频输出单元903、输入单元904、传感器905、显示单元906、用户输入单元907、接口单元908、存储器909、以及处理器910等部件。
[0087]
本领域技术人员可以理解，电子设备900还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器910逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图9中示出的电子设备900的结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
[0088]
其中，处理器910可用于：通过训练阈值卷积网络模型，获得所述阈值卷积网络模型的阈值函数，其中，所述阈值卷积网络通过含噪图像和所述含噪图像对应的无噪图像训练得到；获取第一图像，将所述第一图像输入训练后的所述阈值卷积网络模型中，通过所述阈值函数对所述第一图像进行映射，获得第二图像。
[0089]
示例性地，处理器910还可用于：根据所述第一图像的颜信息，确定所述第一图像中的纯图像区域；将所述纯图像区域对应的图像数据输入所述目标网络模型中，通过所述阈值函数层对所述纯图像区域进行去噪处理，得到所述第二图像。
[0090]
示例性地，处理器910还可用于：将所述第一图像中各像素点的像素值差异在预设范围内、且像素点个数超过预设个数的图像区域作为所述纯图像区域。
[0091]
示例性地，处理器910还可用于：将所述第一图像输入所述第一卷积处理层，通过所述第一卷积处理层将所述第一图像进行稀疏化处理，获得对应的第一特征图；将所述第一特征图输入所述阈值函数层，通过所述阈值函数层的所述阈值函数对所述第一特征图进行去噪处理，得到第二特征图；将所述第二特征图输入所述第二卷积处理层，通过所述第二卷积处理层将所述第二特征图还原为第二图像。其中，子阈值卷积网络模块还包括第一卷积处理层和第二卷积处理层。
[0092]
示例性地，处理器910还可用于：将所述第一图像与所述第二图像进行图像融合，得到目标图像。
[0093]
输入单元904可以包括图形处理器(graphics processing unit，gpu)1041和麦克风9042，图形处理器9041对在视频捕获模式或图像捕获模式中由图像捕获装置获得的静态图片或视频的图像数据(如第一图像等)进行处理。显示单元906可包括显示面板9061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板9061。用户输入单元907包括触控面板9071以及其他输入设备9072中的至少一种。触控面板9071，也称为触摸屏。触控面板9071可包括触摸检测装置和触摸控制器两个部分。其他输入设备9072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
[0094]
存储器909可用于存储软件程序以及各种数据。存储器909可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器909可以包括易失性存储器或非易失性存储器，或者，存储器909可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synch link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本技术实施例中的存储器909包括但不限于这些和任意其它适合类型的存储器。
[0095]
处理器910可包括一个或多个处理单元；可选地，处理器910集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器910中。
[0096]
本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述图像处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0097]
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器rom、随机存取存储器ram、磁碟或者光盘等。
[0098]
本技术实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述图像处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0099]
应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
[0100]
本技术实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述图像处理方法实施例的各个过程，且能达到相
同的技术效果，为避免重复，这里不再赘述。
[0101]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
[0102]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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可以以计算机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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，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的方法。
[0103]
上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。

技术特征：

1.一种图像处理方法，其特征在于，包括：获取训练图像数据集；基于所述训练图像数据集对初始网络模型进行训练，得到目标网络模型；将第一图像输入所述目标网络模型，得到第二图像；其中，所述初始网络模型包括至少两个子网络模块，每一个所述子网络模块包括一个子阈值卷积网络模块和一个子残差卷积网络模块，所述子阈值卷积网络模块的输出为所述子残差卷积网络模块的输入，且所述子阈值卷积网络模块包括阈值函数层，所述阈值函数层用于通过阈值函数对所述第一图像的图像数据进行去噪处理。2.根据权利要求1所述的图像处理方法，其特征在于，所述将第一图像输入所述目标网络模型，得到第二图像，包括：根据所述第一图像的颜信息，确定所述第一图像中的纯图像区域；将所述纯图像区域对应的图像数据输入所述目标网络模型中，通过所述阈值函数层对所述纯图像区域进行去噪处理，得到所述第二图像。3.根据权利要求2所述的图像处理方法，其特征在于，所述根据所述第一图像的颜信息，确定所述第一图像中的纯图像区域，包括：将所述第一图像中各像素点的像素值差异在预设范围内、且像素点个数超过预设个数的图像区域作为所述纯图像区域。4.根据权利要求1所述的图像处理方法，其特征在于，所述子阈值卷积网络模块还包括第一卷积处理层和第二卷积处理层；所述将第一图像输入所述目标网络模型，得到第二图像，包括：将所述第一图像输入所述第一卷积处理层，通过所述第一卷积处理层将所述第一图像进行稀疏化处理，获得对应的第一特征图；将所述第一特征图输入所述阈值函数层，通过所述阈值函数层的所述阈值函数对所述第一特征图进行去噪处理，得到第二特征图；将所述第二特征图输入所述第二卷积处理层，通过所述第二卷积处理层将所述第二特征图还原为第二图像。5.根据权利要求1所述的图像处理方法，其特征在于，所述得到第二图像之后，还包括：将所述第一图像与所述第二图像进行图像融合，得到目标图像。6.一种图像处理装置，其特征在于，包括：第一获取模块，用于获取训练图像数据集；第一训练模块，用于基于所述训练图像数据集对初始网络模型进行训练，得到目标网络模型；第二获取模块，用于将第一图像输入所述目标网络模型，得到第二图像；其中，所述初始网络模型包括至少两个子网络模块，每一个所述子网络模块包括一个子阈值卷积网络模块和一个子残差卷积网络模块，所述子阈值卷积网络模块的输出为所述子残差卷积网络模块的输入，且所述子阈值卷积网络模块包括阈值函数层，所述阈值函数层用于通过阈值函数对所述第一图像的图像数据进行去噪处理。7.根据权利要求6所述的图像处理装置，其特征在于，所述第二获取模块，包括：第一确定模块，用于根据所述第一图像的颜信息，确定所述第一图像中的纯图像
区域；第一去噪模块，用于将所述纯图像区域输入所述目标网络模型中，通过所述阈值函数层对所述纯图像区域进行去噪处理，得到所述第二图像。8.根据权利要求7所述的图像处理装置，其特征在于，所述第一确定模块还用于：将所述第一图像中各像素点的像素值差异在预设范围内、且像素点个数超过预设个数的图像区域作为所述纯图像区域。9.根据权利要求6所述的图像处理装置，其特征在于，所述子阈值卷积网络模块还包括第一卷积处理层和第二卷积处理层；所述第二获取模块，包括：第一卷积模块，用于将所述第一图像输入所述第一卷积处理层，通过所述第一卷积处理层将所述第一图像进行稀疏化处理，获得对应的第一特征图；第一阈值函数模块，用于将所述第一特征图输入所述阈值函数层，通过所述阈值函数层的所述阈值函数对所述第一特征图进行去噪处理，得到第二特征图；第二卷积模块，用于将所述第二特征图输入所述第二卷积处理层，通过所述第二卷积处理层将所述第二特征图还原为第二图像。10.根据权利要求6所述的图像处理装置，其特征在于，还包括：第一融合模块，用于将所述第一图像与所述第二图像进行图像融合，得到目标图像。

技术总结

本申请公开了一种图像处理方法及装置，属于图像处理技术领域。该方法包括获取训练图像数据集；基于所述训练图像数据集对初始网络模型进行训练，得到目标网络模型；将第一图像输入所述目标网络模型，得到第二图像；其中，所述初始网络模型包括至少两个子网络模块，每一个所述子网络模块包括一个子阈值卷积网络模块和一个子残差卷积网络模块，所述子阈值卷积网络模块的输出为所述子残差卷积网络模块的输入，且所述子阈值卷积网络模块包括阈值函数层，所述阈值函数层用于通过阈值函数对所述第一图像的图像数据进行去噪处理。一图像的图像数据进行去噪处理。一图像的图像数据进行去噪处理。