一种用于多视图数据的图像去噪方法及其相关装置与流程

1.本技术涉及图像处理技术领域，尤其涉及一种用于多视图数据的图像去噪方法及其相关装置。


背景技术：

2.图像去噪是计算机视觉领域中的常见问题，是数据表示学习、目标检测和目标识别等高级应用任务的基础工作。同样，人工智能系统要求算法安全、可靠且足够稳健，但是在系统的设计、开发、执行、部署和使用阶段经常会遇到非人为设计的因素(如自然噪声、干扰等)影响系统稳定性，因此需要进行数据去噪以去除非人为设计的因素的影响。
3.在多视图数据中，若某一视图受到自然噪声和干扰，会影响后续多视图数据处理过程。目前针对常用的多视图表示学习模型难以处理噪声视图中隐含噪声结构学习与数据去噪，同时常用的数据去噪模型可以针对某一视图去噪但无法建模多视图数据间的关联性，使得多视图数据去噪效果不理想，影响后续多视图表示学习等任务。


技术实现要素：

4.本技术提供了一种用于多视图数据的图像去噪方法及其相关装置，用于改善现有技术仅针对某一视图去噪，无法建模多视图数据间的关联性，使得多视图数据去噪效果不理想的技术问题。
5.有鉴于此，本技术第一方面提供了一种用于多视图数据的图像去噪方法，包括：
6.获取多视图训练数据，所述多视图训练数据包括无噪声多视图数据和对所述无噪声多视图数据加噪声后得到的有噪声多视图数据；
7.通过所述无噪声多视图数据训练第一多模态玻尔兹曼机模型，使得所述第一多模态玻尔兹曼机模型学习所述无噪声多视图数据中各视图数据的统一特征表示和私有特征表示，得到训练好的第一多模态玻尔兹曼机模型；
8.根据所述有噪声多视图数据中的噪声视图数据和所述训练好的第一多模态玻尔兹曼机模型的模型参数对第二多模态玻尔兹曼机模型的模型参数进行初始化；
9.通过初始化后的第二多模态玻尔兹曼机模型学习所述有噪声多视图数据中的噪声结构，得到训练好的第二多模态玻尔兹曼机模型；
10.将待去噪多视图数据输入到所述训练好的第二多模态玻尔兹曼机模型进行图像去噪，得到去噪后的多视图数据。
11.可选的，所述第一多模态玻尔兹曼机模型的能量函数和条件概率为：
12.[0013][0014][0015][0016]
式中，e1(
·
)为第一多模态玻尔兹曼机模型的能量函数，v为多视图训练数据的视图数量，x1,x2,
…
,xv为输入的无噪声多视图数据，h1,h2,
…
，hv为每个视图数据的私有特征表示，q为无噪声多视图数据的统一特征表示，jv为第v视图上私有特征层节点数目，dv为统一特征层节点数目，cv为第v视图可见层上的偏置，σv为第v视图可见层上的标准差，wv为第v视图可见层到有特征层的权值，为第v视图上私有特征层上的偏置，uv为第v视图上可见层到统一特征层的权值，bj为统一特征层上的偏置，f(
·
)为sigmoid激活函数。
[0017]
可选的，所述第二多模态玻尔兹曼机模型的能量函数和条件概率为：
[0018][0019][0020][0021][0022][0023][0024][0025]
[0026][0027]
式中，e2(
·
)为第二多模态玻尔兹曼机模型的能量函数，为输入的有噪声多视图数据，为有噪声的第一视图数据，x1为去噪后的第一视图数据，h1,h2,
…
,hv为每个视图数据的私有特征表示，q为无噪声多视图数据的统一特征表示，s1为第一视图上的噪声结构，g1为第一视图上的噪声结构的特征表示，e1为第一视图上的噪声结构的特征层上的偏置，d1为第一视图上的噪声结构的可见层上的偏置，o1为第一视图上的噪声结构上可见层到特征层的权值，为第一视图上输入噪声数据的可见层的方差，为第一视图上输入噪声数据的可见层的偏置，uv为第v视图上可见层到统一特征层的权值，为可知输入噪声数据和去噪后的数据的耦合因子，f(
·
)为sigmoid激活函数。
[0028]
可选的，所述获取多视图训练数据，之后还包括：
[0029]
采用归一化方法将所述多视图训练数据中的每个视图数据归一化为均值为0、方差为1的视图数据。
[0030]
本技术第二方面提供了一种用于多视图数据的图像去噪装置，包括：
[0031]
获取单元，用于获取多视图训练数据，所述多视图训练数据包括无噪声多视图数据和对所述无噪声多视图数据加噪声后得到的有噪声多视图数据；
[0032]
第一训练单元，用于通过所述无噪声多视图数据训练第一多模态玻尔兹曼机模型，使得所述第一多模态玻尔兹曼机模型学习所述无噪声多视图数据中各视图数据的统一特征表示和私有特征表示，得到训练好的第一多模态玻尔兹曼机模型；
[0033]
初始化单元，用于根据所述有噪声多视图数据中的噪声视图数据和所述训练好的第一多模态玻尔兹曼机模型的模型参数对第二多模态玻尔兹曼机模型的模型参数进行初始化；
[0034]
第二训练单元，用于通过初始化后的第二多模态玻尔兹曼机模型学习所述有噪声多视图数据中的噪声结构，得到训练好的第二多模态玻尔兹曼机模型；
[0035]
图像去噪单元，用于将待去噪多视图数据输入到所述训练好的第二多模态玻尔兹曼机模型进行图像去噪，得到去噪后的多视图数据。
[0036]
可选的，所述第一多模态玻尔兹曼机模型的能量函数和条件概率为：
[0037][0038][0039]
[0040][0041]
式中，e1(
·
)为第一多模态玻尔兹曼机模型的能量函数，v为多视图训练数据的视图数量，x1,x2,
…
,xv为输入的无噪声多视图数据，h1,h2,
…
,hv为每个视图数据的私有特征表示，q为无噪声多视图数据的统一特征表示，jv为第v视图上私有特征层节点数目，dv为统一特征层节点数目，cv为第v视图可见层上的偏置，σv为第v视图可见层上的标准差，wv为第v视图可见层到有特征层的权值，为第v视图上私有特征层上的偏置，uv为第v视图上可见层到统一特征层的权值，bj为统一特征层上的偏置。
[0042]
可选的，所述第二多模态玻尔兹曼机模型的能量函数和条件概率为：
[0043][0044][0045][0046][0047][0048][0049][0050][0051][0052]
式中，e2(
·
)为第二多模态玻尔兹曼机模型的能量函数，为输入的有噪声多视图数据，为有噪声的第一视图数据，x1为去噪后的第一视图数据，h1,h2,
…
,hv为每个视图数据的私有特征表示，q为无噪声多视图数据的统一特征表示，s1为第一视图上的噪声结构，g1为第一视图上的噪声结构的特征表示，e1为第一视图上的噪声结构的特征层上
的偏置，d1为第一视图上的噪声结构的可见层上的偏置，o1为第一视图上的噪声结构上可见层到特征层的权值，为第一视图上输入噪声数据的可见层的方差，为第一视图上输入噪声数据的可见层的偏置，uv为第v视图上可见层到统一特征层的权值，为可知输入噪声数据和去噪后的数据的耦合因子。
[0053]
可选的，还包括：
[0054]
归一化单元，用于采用归一化方法将所述多视图训练数据中的每个视图数据归一化为均值为0、方差为1的视图数据。
[0055]
本技术第三方面提供了一种用于多视图数据的图像去噪设备，所述设备包括处理器以及存储器；
[0056]
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0057]
所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的用于多视图数据的图像去噪方法。
[0058]
本技术第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码被处理器执行时实现第一方面任一种所述的用于多视图数据的图像去噪方法。
[0059]
从以上技术方案可以看出，本技术具有以下优点：
[0060]
本技术提供了一种用于多视图数据的图像去噪方法，包括：获取多视图训练数据，多视图训练数据包括无噪声多视图数据和对无噪声多视图数据加噪声后得到的有噪声多视图数据；通过无噪声多视图数据训练第一多模态玻尔兹曼机模型，使得第一多模态玻尔兹曼机模型学习无噪声多视图数据中各视图数据的统一特征表示和私有特征表示，得到训练好的第一多模态玻尔兹曼机模型；根据有噪声多视图数据中的噪声视图数据和训练好的第一多模态玻尔兹曼机模型的模型参数对第二多模态玻尔兹曼机模型的模型参数进行初始化；通过初始化后的第二多模态玻尔兹曼机模型学习有噪声多视图数据中的噪声结构，得到训练好的第二多模态玻尔兹曼机模型；将待去噪多视图数据输入到训练好的第二多模态玻尔兹曼机模型进行图像去噪，得到去噪后的多视图数据。
[0061]
本技术中，通过无噪声多视图数据训练第一多模态玻尔兹曼机模型，使得第一多模态玻尔兹曼机模型在学习得到无噪声多视图数据中各视图数据的统一特征表示的同时学习每个视图数据的私有特征表示，可以更好的学习多个视图数据间的相关性，通过有噪声多视图数据中的噪声视图数据和训练好的第一多模态玻尔兹曼机模型的模型参数对第二多模态玻尔兹曼机模型的参数进行初始化后，通过初始化后的第二多模态玻尔兹曼机模型学习有噪声多视图数据中的噪声结构，利用多视图数据的一致性特征和噪声视图数据的私有特征生成噪声视图数据，提高利用其余视图数据辅助学习噪声视图中隐含的噪声结构的同时实现噪声视图数据的去噪，使去噪后的视图数据更为自然与准确，为后续的多视图表示学习等任务提供数据支撑，改善了现有技术仅针对某一视图去噪，无法建模多视图数据间的关联性，使得多视图数据去噪效果不理想的技术问题。
附图说明
[0062]
为了更清楚地说明本技术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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0063]
图1为本技术实施例提供的一种用于多视图数据的图像去噪方法的一个流程示意图；
[0064]
图2为本技术实施例提供的第二多模态玻尔兹曼机模型的一个结构示意图；
[0065]
图3为本技术实施例提供的一种用于多视图数据的图像去噪装置的一个结构示意图。
具体实施方式
[0066]
本技术提供了一种用于多视图数据的图像去噪方法及其相关装置，用于改善现有技术仅针对某一视图去噪，无法建模多视图数据间的关联性，使得多视图数据去噪效果不理想的技术问题。
[0067]
为了使本技术领域的人员更好地理解本技术方案，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、完整地描述，显然，所描述的实施例仅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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0068]
为了便于理解，请参阅图1，本技术实施例提供了一种用于多视图数据的图像去噪方法，包括：
[0069]
步骤101、获取多视图训练数据，多视图训练数据包括无噪声多视图数据和对无噪声多视图数据加噪声后得到的有噪声多视图数据。
[0070]
可以从现有公开的数据库中获取多视图训练数据，也可以通过摄像头采集多视图数据，以获取多视图训练数据。本技术实施例中的多视图训练数据包括无噪声多视图数据，以及对无噪声多视图数据中某一个视图数据加噪声后得到的有噪声多视图数据。
[0071]
进一步，在获取到多视图训练数据后，可以对其进行预处理，以便后续受限玻尔兹曼机模型的处理。本技术实施例考虑到，现有的受限玻尔兹曼机模型只能处理二值数据，而噪声数据的形式是各种各样的，基于此，本技术实施例采用归一化方法将多视图训练数据中的每个视图数据归一化为均值为0、方差为1的视图数据，得到实值数据，使得本技术实施例中的第二多模态玻尔兹曼机模型不仅可以处理带噪声的二值多视图数据，还可以处理带噪声的实值多视图数据。
[0072]
步骤102、通过无噪声多视图数据训练第一多模态玻尔兹曼机模型，使得第一多模态玻尔兹曼机模型学习无噪声多视图数据中各视图数据的统一特征表示和私有特征表示，得到训练好的第一多模态玻尔兹曼机模型。
[0073]
现有的多视图模型往往得到一个统一的数据表示，而忽略了每个视图数据的独特性。基于此，本技术实施例采用第一多模态受限玻尔兹曼机将多视图数据映射到统一特征表示的同时学习每个视图数据的私有特征表示，该统一特征表示和私有特征表示用于重构每个视图数据。
[0074]
本技术实施例中，通过无噪声多视图数据训练第一多模态玻尔兹曼机模型，使得第一多模态玻尔兹曼机模型学习无噪声多视图数据中各视图数据的统一特征表示和私有
特征表示，得到训练好的第一多模态玻尔兹曼机模型。其中，第一多模态玻尔兹曼机模型的能量函数和条件概率为：
[0075][0076][0077][0078][0079]
式中，e1(
·
)为第一多模态玻尔兹曼机模型的能量函数，v为多视图训练数据的视图数量，x1,x2,
…
,xv为输入的无噪声多视图数据，h1,h2,
…
,hv为每个视图数据的私有特征表示，q为无噪声多视图数据的统一特征表示，jv为第v视图上私有特征层节点数目，dv为统一特征层节点数目，cv为第v视图可见层上的偏置，σv为第v视图可见层上的标准差，wv为第v视图可见层到有特征层的权值，为第v视图上私有特征层上的偏置，uv为第v视图上可见层到统一特征层的权值，bj为统一特征层上的偏置，f(
·
)为sigmoid激活函数。
[0080]
第一多模态玻尔兹曼机模型的输入数据为样本数为n的训练数据集(无噪声多视图数据)隐含层节点数目为jv，其训练过程为：
[0081]
a1.随机初始化第一多模态玻尔兹曼机模型的网络参数{wv,cv,bv,σv,uv},b；
[0082]
a2.设置最大迭代次数t，for t＝1to t执行
[0083]
a3.for每个样本n＝1to n执行
[0084]
a4.
[0085]
a5.
[0086]
a6.end for
[0087]
a7.令
[0088]
a8.fork＝1to k(交替gibbs采样次数)执行
[0089]
a9.for每个样本，n＝1to n执行
[0090]
a10.使用gibbs采样方法依据上述的条件概率，从中采样得到
[0091]
a11.end for
[0092]
a12.end for
[0093]
a13.更新模型参数：
[0094][0095][0096][0097][0098][0099][0100]
a14.降低学习率
[0101]
a15.endfor
[0102]
最终得到训练好的第一多模态玻尔兹曼机模型，得到训练的第一多模态玻尔兹曼机模型的模型参数{wv,cv,bv,σv,uv},b。
[0103]
步骤103、根据有噪声多视图数据中的噪声视图数据和训练好的第一多模态玻尔兹曼机模型的模型参数对第二多模态玻尔兹曼机模型的模型参数进行初始化。
[0104]
在基于无噪声多视图数据得到训练好的第一多模态玻尔兹曼机模型基础上，针对某一视图数据出现噪声干扰的情况下，本技术实施例为了消除噪声视图数据带来的干扰，从而得到去噪后的多视图数据，本技术实施例针对该视图的噪声结构建立第二多模态玻尔兹曼机模型，用于将噪声视图数据分解成该视图数据的噪声结构和去噪后的视图数据，以实现噪声结构的学习和根据噪声视图数据生成去噪视图数据。
[0105]
首先，根据有噪声多视图数据中的噪声视图数据和训练好的第一多模态玻尔兹曼机模型的模型参数对第二多模态玻尔兹曼机模型的模型参数进行初始化，使得初始化后的第二多模态玻尔兹曼机模型可以提取有噪声多视图数据中各视图数据的统一特征表示以及无噪声的视图数据的私有特征表示。
[0106]
步骤104、通过初始化后的第二多模态玻尔兹曼机模型学习有噪声多视图数据中的噪声结构，得到训练好的第二多模态玻尔兹曼机模型。
[0107]
通过有噪声多视图数据训练初始化后的第二多模态玻尔兹曼机模型，使得初始化后的第二多模态玻尔兹曼机模型学习有噪声多视图数据中的噪声结构，得到训练好的第二多模态玻尔兹曼机模型。
[0108]
其中，当第一视图为带噪声的视图数据，第二多模态玻尔兹曼机模型的能量函数
和条件概率为：
[0109][0110][0111][0112][0113][0114][0115][0116][0117][0118]
式中，e2(
·
)为第二多模态玻尔兹曼机模型的能量函数，为输入的有噪声多视图数据，每一个视图的数据为多维数据，为有噪声的第一视图数据，x1为去噪后的第一视图数据，即第二多模态玻尔兹曼机模型的输出数据，h1,h2,
…
,hv为每个视图数据的私有特征表示，q为无噪声多视图数据的统一特征表示，s1为第一视图上的噪声结构，g1为第一视图上的噪声结构的特征表示，e1为第一视图上的噪声结构的特征层上的偏置，d1为第一视图上的噪声结构的可见层上的偏置，o1为第一视图上的噪声结构上可见层到特征层的权值，为第一视图上输入噪声数据的可见层的方差，为第一视图上输入噪声数据的可见层的偏置，uv为第v视图上可见层到统一特征层的权值，为可知输入噪声数据和去噪后的数据的耦合因子，f(
·
)为sigmoid激活函数。为在第i维上的数据，即有噪声多视图数据在第一视图数据上第i个可见层节点上的值，当时，说明第一视图数据在
第i个可见层节点上是没有噪声的，此时无噪声多视图数据中的第一视图数据等于
[0119]
第二多模态玻尔兹曼机模型的输入数据为有噪声多视图数据训练好的第一多模态玻尔兹曼机模型的模型参数{wv,cv,bv,σv,uv},b，其训练过程为：
[0120]
b1.根据有噪声多视图数据中的噪声视图数据初始化h1：
[0121]
b2.根据噪声视图数据和训练好的第一多模态玻尔兹曼机模型的模型参数初始化q：
[0122]
b3.随机初始化g1；
[0123]
b4.设置最大迭代次数t，for t＝1to t执行
[0124]
b5.根据上述的条件概率采样噪声结构和生成去噪后的视图数据：
[0125][0126][0127]
b6.根据上述的条件概率采样第二多模态玻尔兹曼机模型的隐藏层状态：
[0128][0129][0130][0131]
b7.end for
[0132]
通过有噪声多视图数据训练第二多模态玻尔兹曼机模型，得到训练好的模型参数，包括e1,d1，o1，等，最终得到训练好的第二多模态玻尔兹曼机模型，用于多视图数据去噪。最终的第二多模态玻尔兹曼机模型结构可以表示为如图2所示的结构。
[0133]
步骤105、将待去噪多视图数据输入到训练好的第二多模态玻尔兹曼机模型进行图像去噪，得到去噪后的多视图数据。
[0134]
在训练得到训练好的第二多模态玻尔兹曼机模型后，可以将待去噪多视图数据输入到训练好的第二多模态玻尔兹曼机模型进行图像去噪，得到去噪后的多视图数据。
[0135]
本技术实施例中，通过无噪声多视图数据训练第一多模态玻尔兹曼机模型，使得第一多模态玻尔兹曼机模型在学习得到无噪声多视图数据中各视图数据的统一特征表示的同时学习每个视图数据的私有特征表示，可以更好的学习多个视图数据间的相关性，通过有噪声多视图数据中的噪声视图数据和训练好的第一多模态玻尔兹曼机模型的模型参
数对第二多模态玻尔兹曼机模型的参数进行初始化后，通过初始化后的第二多模态玻尔兹曼机模型学习有噪声多视图数据中的噪声结构，利用多视图数据的一致性特征和噪声视图数据的私有特征生成噪声视图数据，提高利用其余视图数据辅助学习噪声视图中隐含的噪声结构的同时实现噪声视图数据的去噪，使去噪后的视图数据更为自然与准确，为后续的多视图表示学习等任务提供数据支撑，改善了现有技术仅针对某一视图去噪，无法建模多视图数据间的关联性，使得多视图数据去噪效果不理想的技术问题。
[0136]
以上为本技术提供的一种用于多视图数据的图像去噪方法的一个实施例，以下为本技术提供的一种用于多视图数据的图像去噪装置的一个实施例。
[0137]
请参考图3，本技术实施例提供的一种用于多视图数据的图像去噪装置，包括：
[0138]
获取单元，用于获取多视图训练数据，多视图训练数据包括无噪声多视图数据和对无噪声多视图数据加噪声后得到的有噪声多视图数据；
[0139]
第一训练单元，用于通过无噪声多视图数据训练第一多模态玻尔兹曼机模型，使得第一多模态玻尔兹曼机模型学习无噪声多视图数据中各视图数据的统一特征表示和私有特征表示，得到训练好的第一多模态玻尔兹曼机模型；
[0140]
初始化单元，用于根据有噪声多视图数据中的噪声视图数据和训练好的第一多模态玻尔兹曼机模型的模型参数对第二多模态玻尔兹曼机模型的模型参数进行初始化；
[0141]
第二训练单元，用于通过初始化后的第二多模态玻尔兹曼机模型学习有噪声多视图数据中的噪声结构，得到训练好的第二多模态玻尔兹曼机模型；
[0142]
图像去噪单元，用于将待去噪多视图数据输入到训练好的第二多模态玻尔兹曼机模型进行图像去噪，得到去噪后的多视图数据。
[0143]
作为进一步地改进，第一多模态玻尔兹曼机模型的能量函数和条件概率为：
[0144][0145][0146][0147][0148]
式中，e1(
·
)为第一多模态玻尔兹曼机模型的能量函数，v为多视图训练数据的视图数量，x1,x2,
…
,xv为输入的无噪声多视图数据，h1,h2,
…
，hv为每个视图数据的私有特征表示，q为无噪声多视图数据的统一特征表示，jv为第v视图上私有特征层节点数目，dv为统一特征层节点数目，cv为第v视图可见层上的偏置，σv为第v视图可见层上的标准差，wv为第v视图可见层到有特征层的权值，为第v视图上私有特征层上的偏置，uv为第v视图上可见
层到统一特征层的权值，bj为统一特征层上的偏置。
[0149]
作为进一步地改进，第二多模态玻尔兹曼机模型的能量函数和条件概率为：
[0150][0151][0152][0153][0154][0155][0156][0157][0158][0159]
式中，e2(
·
)为第二多模态玻尔兹曼机模型的能量函数，为输入的有噪声多视图数据，为有噪声的第一视图数据，x1为去噪后的第一视图数据，h1,h2,
…
,hv为每个视图数据的私有特征表示，q为无噪声多视图数据的统一特征表示，s1为第一视图上的噪声结构，g1为第一视图上的噪声结构的特征表示，e1为第一视图上的噪声结构的特征层上的偏置，d1为第一视图上的噪声结构的可见层上的偏置，o1为第一视图上的噪声结构上可见层到特征层的权值，为第一视图上输入噪声数据的可见层的方差，为第一视图上输入噪声数据的可见层的偏置，uv为第v视图上可见层到统一特征层的权值，为可知输入噪声数据和去噪后的数据的耦合因子。
[0160]
作为进一步地改进，装置还包括：
[0161]
归一化单元，用于采用归一化方法将多视图训练数据中的每个视图数据归一化为
均值为0、方差为1的视图数据。
[0162]
本技术实施例中，通过无噪声多视图数据训练第一多模态玻尔兹曼机模型，使得第一多模态玻尔兹曼机模型在学习得到无噪声多视图数据中各视图数据的统一特征表示的同时学习每个视图数据的私有特征表示，可以更好的学习多个视图数据间的相关性，通过有噪声多视图数据中的噪声视图数据和训练好的第一多模态玻尔兹曼机模型的模型参数对第二多模态玻尔兹曼机模型的参数进行初始化后，通过初始化后的第二多模态玻尔兹曼机模型学习有噪声多视图数据中的噪声结构，利用多视图数据的一致性特征和噪声视图数据的私有特征生成噪声视图数据，提高利用其余视图数据辅助学习噪声视图中隐含的噪声结构的同时实现噪声视图数据的去噪，使去噪后的视图数据更为自然与准确，为后续的多视图表示学习等任务提供数据支撑，改善了现有技术仅针对某一视图去噪，无法建模多视图数据间的关联性，使得多视图数据去噪效果不理想的技术问题。
[0163]
本技术实施例还提供了一种用于多视图数据的图像去噪设备，设备包括处理器以及存储器；
[0164]
存储器用于存储程序代码，并将程序代码传输给处理器；
[0165]
处理器用于根据程序代码中的指令执行前述方法实施例中的用于多视图数据的图像去噪方法。
[0166]
本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码被处理器执行时实现前述方法实施例中的用于多视图数据的图像去噪方法。
[0167]
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。
[0168]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必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，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0169]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于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：只存在a，只存在b以及同时存在a和b三种情况，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(个)”或其类似表达，是指这些项中的任意组合，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和b和c”，其中a，b，c可以是单个，也可以是多个。
[0170]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的
相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0171]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0172]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0173]
所述集成的单元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全部或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，包括若干指令用以通过一台计算机设备(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(英文全称：read-only memory，英文缩写：rom)、随机存取存储器(英文全称：randomaccess memory，英文缩写：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0174]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。