图像去噪模型的训练方法和装置、图像去噪方法和装置

1.一种图像去噪模型的训练方法，所述图像去噪模型包括第一卷积神经网络和第二卷积神经网络，其特征在于，所述方法包括：获取训练样本集，所述训练样本集包括第一训练样本和第二训练样本，所述第一训练样本和所述第二训练样本用于分别表征所述图像去噪模型的输入和输出，所述第一训练样本包括原始图像数据样本和噪声数据样本，所述第二训练样本包括干净图像数据样本，所述原始图像数据样本和所述干净图像数据样本均包括待识别对象的图像数据；将所述原始图像数据样本输入第一卷积神经网络；所述第一卷积神经网络处理所述原始图像数据样本，得到图像特征数据；将所述噪声数据样本输入第二卷积神经网络；所述第二卷积神经网络处理所述噪声数据样本，得到噪声特征数据；对所述图像特征数据和所述噪声特征数据进行融合，得到融合特征数据；对所述融合特征数据进行卷积操作，得到增强特征数据，其中，所述增强特征数据用于表征所述待识别对象的图像特征；以及根据所述干净图像数据样本与所述增强特征数据之间的差异，调整所述图像去噪模型的各个参数；其中，所述获取训练样本集包括：在第一条件下，获取第一原始图像数据采样；根据所述第一原始图像数据采样和所述噪声数据样本，得到第二图像数据采样，其中，所述第二图像数据采样包括去除噪声的干净图像数据；根据所述第一条件中的温度值与第二条件中的温度值，确定缩放因子；根据所述缩放因子对所述第二图像数据采样进行缩放，以生成至少一个第二条件下的第三图像数据采样，其中，所述第三图像数据采样包括去除噪声的干净图像数据；根据所述第二图像数据采样和所述第三图像数据采样，得到所述干净图像数据样本，其中，在所述第一条件下获取的原始图像数据采样的信噪比高于在所述第二条件下获取的原始图像数据采样的信噪比。 2.根据权利要求1所述的方法，其中，所述对所述图像特征数据和所述噪声特征数据进行融合包括：从所述图像特征数据中去除所述噪声特征数据。 3.根据权利要求1或2所述的方法，其中，所述第一卷积神经网络包括依次连接的第一卷积层和第二卷积层，所述第一卷积层包括一维卷积层，所述第二卷积层包括二维卷积层。 4.根据权利要求3所述的方法，其中，所述第二卷积神经网络包括依次连接的第五卷积层和第六卷积层，所述第五卷积层包括一维卷积层，所述第六卷积层包括二维卷积层。 5.根据权利要求4所述的方法，其中，所述第一卷积神经网络处理所述原始图像数据样本包括：将所述原始图像数据样本输入第一卷积层，经过第一卷积操作，得到第一图像特征；以及将所述第一图像特征输入第二卷积层，经过第二卷积操作，得到第二图像特征。 6.根据权利要求5所述的方法，其中，所述第二卷积神经网络处理所述噪声数据样本包括：将所述噪声数据样本输入第五卷积层，经过第五卷积操作，得到第一噪声特征；以及将所述第一噪声特征输入第六卷积层，经过第六卷积操作，得到第二噪声特征。 7.根据权利要求6所述的方法，其中，对所述图像特征数据和所述噪声特征数据进行融合包括：对所述第二图像特征和所述第二噪声特征进行第一融合，得到第三图像特征。 8.根据权利要求7所述的方法，其中，所述第一卷积神经网络还包括第三卷积层，所述第三卷积层包括二维卷积层，所述方法还包括：将所述第三图像特征输入第三卷积层，经过第三卷积操作，得到第四图像特征。 9.根据权利要求8所述的方法，其中，所述第二卷积神经网络还包括第七卷积层，所述第七卷积层包括二维卷积层，所述方法还包括：将所述第二噪声特征输入第七卷积层，经过第七卷积操作，得到第三噪声特征。 10.根据权利要求9所述的方法，其中，对所述图像特征数据和所述噪声特征数据进行融合还包括：对所述第四图像特征和所述第三噪声特征进行第二融合，得到第五图像特征。 11.根据权利要求10所述的方法，其中，所述第一卷积神经网络还包括第四卷积层，所述第四卷积层包括二维卷积层，所述对所述融合特征数据进行卷积操作，得到增强特征数据，具体包括：将所述第五图像特征输入第四卷积层，经过第四卷积操作，得到增强特征数据。 12.根据权利要求1或2所述的方法，其中，所述获取训练样本集包括：获取规定时间段内的带噪声数据采样；对所述规定时间段内的带噪声数据采样进行平均化处理，得到期望数据；根据所述带噪声数据采样和所述期望数据，得到规定时间段内的噪声数据；根据所述规定时间段内的噪声数据，建立噪声信号模型；根据所述噪声信号模型，得到噪声数据样本。 13.根据权利要求1所述的方法，其中，所述获取训练样本集还包括：根据得到的所述噪声数据样本和所述干净图像数据样本，得到所述原始图像数据样本。 14.根据权利要求1所述的方法，其中，所述在第一条件下，获取第一原始图像数据采样，具体包括：在环境温度低于阈值温度的条件下，通过太赫兹成像装置扫描成像区域，以获取第一原始图像数据采样，其中，所述待识别对象位于所述成像区域中。 15.根据权利要求12所述的方法，其中，所述获取规定时间段内的带噪声数据采样包括：在规定时间段内，通过太赫兹成像装置扫描成像区域中的背景区域，以获取噪声数据采样。 16.根据权利要求3所述的方法，其中，所述第一卷积层包括依次连接的第一子卷积层和第二子卷积层，所述第一子卷积层和所述第二子卷积层均为一维卷积层；和/或，所述第二卷积层包括依次连接的第三子卷积层和第四子卷积层，所述第三子卷积层和所述第四子卷积层均为二维卷积层。 17.根据权利要求4所述的方法，其中，所述第五卷积层包括依次连接的第五子卷积层和第六子卷积层，所述第五子卷积层和所述第六子卷积层均为一维卷积层；和/或，所述第六卷积层包括依次连接的第七子卷积层和第八子卷积层，所述第七子卷积层和所述第八子卷积层均为二维卷积层。 18.一种图像去噪方法，其特征在于，包括：获取原始图像数据，所述原始图像数据包括待识别对象的图像数据；获取噪声数据，所述噪声数据与所述原始图像数据相关联；将所述原始图像数据输入第一卷积神经网络；所述第一卷积神经网络处理所述原始图像数据，得到图像特征数据；将所述噪声数据输入第二卷积神经网络；所述第二卷积神经网络处理所述噪声数据，得到噪声特征数据；对所述图像特征数据和所述噪声特征数据进行融合，得到融合特征数据；对所述融合特征数据进行卷积操作，得到增强特征数据，其中，所述增强特征数据用于表征所述待识别对象的图像特征，其中，所述第一卷积神经网络和所述第二卷积神经网络构成图像去噪模型，所述图像去噪模型采用权利要求1所述的训练方法进行训练。 19.根据权利要求18所述的方法，其中，所述对所述图像特征数据和所述噪声特征数据进行融合包括：从所述图像特征数据中去除所述噪声特征数据。 20.根据权利要求18或19所述的方法，其中，所述第一卷积神经网络包括依次连接的第一卷积层和第二卷积层，所述第一卷积层包括一维卷积层，所述第二卷积层包括二维卷积层。 21.根据权利要求20所述的方法，其中，所述第二卷积神经网络包括依次连接的第五卷积层和第六卷积层，所述第五卷积层包括一维卷积层，所述第六卷积层包括二维卷积层。 22.根据权利要求21所述的方法，其中，所述第一卷积神经网络处理所述原始图像数据包括：将所述原始图像数据输入第一卷积层，经过第一卷积操作，得到第一图像特征；以及将所述第一图像特征输入第二卷积层，经过第二卷积操作，得到第二图像特征。 23.根据权利要求22所述的方法，其中，所述第二卷积神经网络处理所述噪声数据包括：将所述噪声数据输入第五卷积层，经过第五卷积操作，得到第一噪声特征；以及将所述第一噪声特征输入第六卷积层，经过第六卷积操作，得到第二噪声特征。 24.根据权利要求23所述的方法，其中，对所述图像特征数据和所述噪声特征数据进行融合包括：对所述第二图像特征和所述第二噪声特征进行第一融合，得到第三图像特征。 25.根据权利要求24所述的方法，其中，所述第一卷积神经网络还包括第三卷积层，所述第三卷积层包括二维卷积层，所述方法还包括：将所述第三图像特征输入第三卷积层，经过第三卷积操作，得到第四图像特征。 26.根据权利要求25所述的方法，其中，所述第二卷积神经网络还包括第七卷积层，所述第七卷积层包括二维卷积层，所述方法还包括：将所述第二噪声特征输入第七卷积层，经过第七卷积操作，得到第三噪声特征。 27.根据权利要求26所述的方法，其中，对所述图像特征数据和所述噪声特征数据进行融合还包括：对所述第四图像特征和所述第三噪声特征进行第二融合，得到第五图像特征。 28.根据权利要求27所述的方法，其中，所述第一卷积神经网络还包括第四卷积层，所述第四卷积层包括二维卷积层，所述对所述融合特征数据进行卷积操作，得到增强特征数据，具体包括：将所述第五图像特征输入第四卷积层，经过第四卷积操作，得到增强特征数据。 29.根据权利要求28所述的方法，其中，所述方法还包括：对所述增强特征数据进行插值，以得到插值图像。 30.根据权利要求18或19所述的方法，其中，所述获取原始图像数据包括：通过太赫兹成像装置扫描成像区域，以获取原始图像数据，其中，所述待识别对象位于所述成像区域中。 31.根据权利要求30所述的方法，其中，所述获取噪声数据包括：通过太赫兹成像装置扫描成像区域中的背景区域，以获取噪声数据。 32.一种图像去噪模型的训练装置，其特征在于，包括：训练样本获取模块，用于获取训练样本集，所述训练样本集包括第一训练样本和第二训练样本，所述第一训练样本和所述第二训练样本用于分别表征所述图像去噪模型的输入和输出，所述第一训练样本包括原始图像数据样本和噪声数据样本，所述第二训练样本包括干净图像数据样本，所述原始图像数据样本和所述干净图像数据样本均包括待识别对象的图像数据；第一卷积神经网络模块，用于：接收所述原始图像数据样本的输入，并处理所述原始图像数据样本，以得到图像特征数据；第二卷积神经网络模块，用于：接收所述噪声数据样本的输入，并处理所述噪声数据样本，以得到噪声特征数据；融合模块，用于对所述图像特征数据和所述噪声特征数据进行融合，以得到融合特征数据；卷积操作模块，用于对所述融合特征数据进行卷积操作，得到增强特征数据，其中，所述增强特征数据用于表征所述待识别对象的图像特征；以及参数调整模块，用于根据所述干净图像数据样本与所述增强特征数据之间的差异，调整所述图像去噪模型的各个参数；其中，所述训练样本获取模块还用于：在第一条件下，获取第一原始图像数据采样；根据所述第一原始图像数据采样和所述噪声数据样本，得到第二图像数据采样，其中，所述第二图像数据采样包括去除噪声的干净图像数据；根据所述第一条件中的温度值与第二条件中的温度值，确定缩放因子；根据所述缩放因子对所述第二图像数据采样进行缩放，以生成至少一个第二条件下的第三图像数据采样，其中，所述第三图像数据采样包括去除噪声的干净图像数据；根据所述第二图像数据采样和所述第三图像数据采样，得到所述干净图像数据样本，其中，在所述第一条件下获取的原始图像数据采样的信噪比高于在所述第二条件下获取的原始图像数据采样的信噪比。 33.一种图像去噪装置，其特征在于，包括：原始图像数据获取模块，用于获取原始图像数据，所述原始图像数据包括待识别对象的图像数据；噪声数据获取模块，用于获取噪声数据，所述噪声数据与所述原始图像数据相关联；第一卷积神经网络模块，用于：接收所述原始图像数据的输入，并处理所述原始图像数据，以得到图像特征数据；第二卷积神经网络模块，用于：接收所述噪声数据的输入，并处理所述噪声数据，以得到噪声特征数据；融合模块，用于对所述图像特征数据和所述噪声特征数据进行融合，以得到融合特征数据；卷积操作模块，用于对所述融合特征数据进行卷积操作，得到增强特征数据，其中，所述增强特征数据用于表征所述待识别对象的图像特征，其中，所述第一卷积神经网络模块和所述第二卷积神经网络模块构成图像去噪模型，所述图像去噪模型采用权利要求1所述的训练方法进行训练。 34.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1~31中任一项所述的方法。 35.根据权利要求34所述的电子设备，其中，所述电子设备为被动式太赫兹成像装置。 36.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1~31中任一项所述的方法。 37.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1~31中任一项所述的方法。