一种图像增强模型的训练方法、图像增强方法及装置制造方法及图纸

本公开提供了一种图像增强模型的训练方法、图像增强方法及装置，其中，所述图像增强模型的训练方法包括：对金标准图像分别提取至少一个约束特征参数，获得与每个所述约束特征参数对应的特征图像；分别训练得到与每个所述特征图像对应的卷积神经网络CNN的网络结构模型；根据所有所述网络结构模型，确定所述图像增强模型的损失函数；根据所述损失函数，建立所述图像增强模型。本公开对损失函数进行建模，在解决了图像增强过程中的过平滑、过模糊等问题的同时，加快了图像增强处理的速度。

A Training Method, Image Enhancement Method and Device for Image Enhancement Model

【技术实现步骤摘要】
一种图像增强模型的训练方法、图像增强方法及装置
本公开涉及图像处理领域，尤其涉及一种图像增强模型的训练方法、图像增强方法及装置。
技术介绍
神经网络作为一种数据表达方式，理论上可以逼近任何函数，其训练的本质是通过一种学习算法，找到每一层对应的权重，确保神经网络的输出能够拟合所有的训练输入，通常采用损失函数来量化这一目标。相关技术中会采用人为设计损失函数的某些特征参数的方式来进行图像增强处理，达到图像去噪、去模糊、图像复原等图像增强效果。人为进行设计时，如果将损失函数设置的比较简单，则可以采用解析的方式表达该损失函数，但是这样的损失函数绝大部分会平等对待图像中的每一个像素点，考虑的一般只是像素点的灰度信息，并没有考虑其与邻域像素的关系以及所处位置的信息，会造成最终图像的过模糊、过平滑等问题。可是一旦人为设计的损失函数比较复杂，那么该损失函数很难用解析的形式表示。即使能够得到解析表达式，也很难对其进行求导。另外，考虑到大部分的损失函数仅仅包括一部分或者两部分的特征参数，并不能全面的体现需要约束的多个特性参数，如果增加损失函数的组成部分，一方面会增加算法的运行时间，另一方面则会造成损失函数复杂所带来的上述问题。
技术实现思路
有鉴于此，本公开提供了一种图像增强模型的训练方法、图像增强方法及装置，以解决相关技术中的不足。根据本公开实施例的第一方面，提供一种图像增强模型的训练方法，所述方法包括：对金标准图像分别提取至少一个约束特征参数，获得与每个所述约束特征参数对应的特征图像；分别训练得到与每个所述特征图像对应的卷积神经网络CNN的网络结构模型；根据所有所述网络结构模型，确定所述图像增强模型的损失函数；根据所述损失函数，建立所述图像增强模型。可选地，所述约束特征参数包括：索贝尔sobel特征参数、普鲁伊特prewitt特征参数、轮廓波变换特征参数、梯度特征参数或所述网络结构模型中目标层的特征参数；其中，所述目标层的所述特征参数优于其他层的所述特征参数。可选地，所述分别训练得到与每个所述特征图像对应的卷积神经网络CNN的网络结构模型，包括：将所述金标准图像作为输入图像，且将每个所述特征图像分别作为标签label图像，基于深度学习分别训练得到与每个所述特征图像对应的CNN的所述网络结构模型。可选地，所述根据所有所述网络结构模型，确定所述图像增强模型的损失函数，包括：分别确定每个所述网络结构模型的权重值；将每个所述网络结构模型与各自对应的所述权重值相乘后的和值，作为所述图像增强模型的所述损失函数。可选地，所述分别确定每个所述网络结构模型的权重值，包括：根据每个所述网络结构模型对应的数量级和偏重程度，分别确定每个所述网络结构模型的权重值；其中，所有所述网络结构模型所对应的数量级与各自相应的权重值所对应的数量级相乘后，得到的目标数量级相同，所述权重值的数值与所述偏重程度成正比。根据本公开实施例的第二方面，提供一种图像增强方法，所述方法包括：将待增强图像输入预先建立的图像增强模型，得到增强后的目标图像；其中，所述图像增强模型是采用第一方面所述的方法进行训练后得到的模型。可选地，所述将待增强图像输入预先建立的图像增强模型，得到增强后的目标图像，包括：将待增强图像输入预先建立的图像增强模型后，采用优化算法或深度学习算法进行求解，得到增强后的目标图像。根据本公开实施例的第三方面，提供一种图像增强模型的训练装置，所述装置包括：特征参数提取模块，被配置为对金标准图像分别提取至少一个约束特征参数，获得与每个所述约束特征参数对应的特征图像；训练模块，被配置为分别训练得到与每个所述特征图像对应的卷积神经网络CNN的网络结构模型；损失函数确定模块，被配置为根据所有所述网络结构模型，确定所述图像增强模型的损失函数；模型建立模块，被配置为根据所述损失函数，建立所述图像增强模型。可选地，所述约束特征参数包括：索贝尔sobel特征参数、普鲁伊特prewitt特征参数、轮廓波变换特征参数、梯度特征参数或所述网络结构模型中目标层的特征参数；其中，所述目标层的所述特征参数优于其他层的所述特征参数。可选地，所述训练模块包括：训练子模块，被配置为将所述金标准图像作为输入图像，且将每个所述特征图像分别作为标签label图像，基于深度学习分别训练得到与每个所述特征图像对应的CNN的所述网络结构模型。可选地，所述损失函数确定模块包括：权重值确定子模块，被配置为分别确定每个所述网络结构模型的权重值；损失函数确定子模块，被配置为将每个所述网络结构模型与各自对应的所述权重值相乘后的和值，作为所述图像增强模型的所述损失函数。可选地，所述权重值确定子模块包括：权重值确定单元，被配置为根据每个所述网络结构模型对应的数量级和偏重程度，分别确定每个所述网络结构模型的权重值；其中，所有所述网络结构模型所对应的数量级与各自相应的权重值所对应的数量级相乘后，得到的目标数量级相同，所述权重值的数值与所述偏重程度成正比。根据本公开实施例的第四方面，提供一种图像增强装置，所述装置包括：图像增强模块，被配置为将待增强图像输入预先建立的图像增强模型，得到增强后的目标图像；其中，所述图像增强模型是采用第三方面所述的装置得到的模型。可选地，所述图像增强模块包括：图像增强子模块，被配置为将待增强图像输入预先建立的图像增强模型后，采用优化算法或深度学习算法进行求解，得到增强后的目标图像。本公开的实施例提供的技术方案可以包括以下有益效果：本公开实施例中可以针对每个约束特征参数，分别训练得到对应的CNN的网络结构模型，从而基于所有所述网络结构模型，得到图像增强模型的损失函数，最终建立图像增强模型。通过上述过程，不再采用解析方式表达损失函数，而是对损失函数进行建模，在解决了图像增强过程中的过平滑、过模糊等问题的同时，加快了图像增强处理的速度。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。图1A至图1B是相关技术中结合先验知识进行图像增强的效果示意图；图2是相关技术中图像增强模型的训练场景示意图；图3是本公开根据一示例性实施例示出的图像增强模型的训练方法流程图；图4A至4B是本公开根据一示例性实施例示出的图像增强模型的训练场景下特征图的示意图；图5是本公开根据一示例性实施例示出的一种网络结构模型的训练场景示意图；图6是本公开根据一示例性实施例示出的另一种图像增强模型的训练方法流程图；图7是本公开根据一示例性实施例示出的一种图像增强模型示意图；图8A至8C是本公开根据一示例性实施例示出的图像增强效果示意图；图9是本公开根据一示例性实施例示出的一种图像增强模型的训练装置框图；图10是本公开根据一示例性实施例示出的另一种图像增强模型的训练装置框图；图11是本公开根据一示例性实施例示出的另一种图像增强模型的训练装置框图；图12是本公开根据一示例性实施例示出的另一种图像增强模型的训练装置框图；图13是本公开根据一示例性实施例示出的一种图像增强装置框图；图14是本公开根据一示例性实施例示出的另一种图像增强装置框图；图15是本公开根据一示例性实施例示出的一种用于本文档来自技高网...

【技术保护点】
1.一种图像增强模型的训练方法，其特征在于，所述方法包括：对金标准图像分别提取至少一个约束特征参数，获得与每个所述约束特征参数对应的特征图像；分别训练得到与每个所述特征图像对应的卷积神经网络CNN的网络结构模型；根据所有所述网络结构模型，确定所述图像增强模型的损失函数；根据所述损失函数，建立所述图像增强模型。

【技术特征摘要】
1.一种图像增强模型的训练方法，其特征在于，所述方法包括：对金标准图像分别提取至少一个约束特征参数，获得与每个所述约束特征参数对应的特征图像；分别训练得到与每个所述特征图像对应的卷积神经网络CNN的网络结构模型；根据所有所述网络结构模型，确定所述图像增强模型的损失函数；根据所述损失函数，建立所述图像增强模型。2.根据权利要求1所述的方法，其特征在于，所述约束特征参数包括：索贝尔sobel特征参数、普鲁伊特prewitt特征参数、轮廓波变换特征参数、梯度特征参数或所述网络结构模型中目标层的特征参数；其中，所述目标层的所述特征参数优于其他层的所述特征参数。3.根据权利要求1所述的方法，其特征在于，所述分别训练得到与每个所述特征图像对应的卷积神经网络CNN的网络结构模型，包括：将所述金标准图像作为输入图像，且将每个所述特征图像分别作为标签label图像，基于深度学习分别训练得到与每个所述特征图像对应的CNN的所述网络结构模型。4.根据权利要求1所述的方法，其特征在于，所述根据所有所述网络结构模型，确定所述图像增强模型的损失函数，包括：分别确定每个所述网络结构模型的权重值；将每个所述网络结构模型与各自对应的所述权重值相乘后的和值，作为所述图像增强模型的所述损失函数。5.根据权利要求4所述的方法，其特征在于，所述分别确定每个所述网络结构模型的权重值，包括：根据每个所述网络结构模型对应的数量级和偏重程度，分别确定每个所述网络结构模型的权重值；其中，所有所述网络结构模型所对应的数量级与各自相应的权重值所对应的数量级相乘后，得到的目标数量级相同，所述权重值的数值与所述偏重程度成正比。6.一种图像增强方法，其特征在于，所述方法包括：将待增强图像输入预先建立的图像增强模型，得到增强后的目标图像；其中，所述图像增强模型是采用权利要求1-5任一项所述的方法进行训练后得到的模型。7.根据权利要求6所述的方法，其特征在于，所述将待增强图像输入预先建立的图像增强模型，得到增强后的目标图像，包括：将待增强图像输入预先建立的图像增强模型后，采用优化算法或深度学习算法进行求解，得到增强后的目标图像。8.一种图像增强模型的训练装置，...

【专利技术属性】
技术研发人员：黄峰，
申请(专利权)人：东软医疗系统股份有限公司，
类型：发明
国别省市：辽宁,21