【技术实现步骤摘要】
图像处理方法、装置、系统、存储介质和学习模型制造法
本专利技术涉及可以提高神经网络中的抗噪声的稳健性的图像处理方法。
技术介绍
日本专利公开No.(“JP”)2016-110232公开了一种用于使用神经网络来高精确度地确定图像中的识别目标的位置的方法。然而，当图像具有低S/N比时，JP2016-110232中公开的方法减小了确定精确度。由于图像中的噪声取决于成像期间的ISO感光度和图像传感器的性能，因此具有各种强度的噪声的图像可以被输入到神经网络。因为由于噪声影响而不能排他地提取对象特征量，所以低S/N比将减小识别精确度。有两种可以想到的方法来改善神经网络抗噪声的稳健性。第一种方法是在用于神经网络的学习数据中包括具有各种噪声量的图像。这种方法可以改善抗噪声的稳健性，但是可能减小最大精确度值。第二种方法是针对每个不同的噪声量来学习神经网络。这种方法需要针对每个噪声量存储学习结果，并且可能使得数据量增大。
技术实现思路
本专利技术提供图像处理方法等，这些图像处理方法等中的每个都可以维持高精确度...
【技术保护点】
1.一种图像处理方法，其特征在于包括：/n取得输入数据，所述输入数据包括输入图像和基于与输入图像相对应的光学黑色区域的表示输入图像中的噪声量的噪声图；以及/n将输入数据输入到神经网络中以执行识别或回归的任务。/n
【技术特征摘要】
20190305 JP 2019-0390881.一种图像处理方法，其特征在于包括：
取得输入数据，所述输入数据包括输入图像和基于与输入图像相对应的光学黑色区域的表示输入图像中的噪声量的噪声图；以及
将输入数据输入到神经网络中以执行识别或回归的任务。
2.根据权利要求1所述的图像处理方法，还包括：
取得与输入图像相对应的光学黑色区域；
提取作为光学黑色区域的至少一部分的一个或多个部分光学黑色图像；以及
基于部分光学黑色图像和输入图像的像素数来生成噪声图。
3.根据权利要求2所述的图像处理方法，其特征在于，通过排列部分光学黑色图像来生成噪声图。
4.根据权利要求1所述的图像处理方法，还包括：
取得与输入图像相对应的光学黑色区域；
计算光学黑色区域中的信号值的离散度；以及
基于离散度生成噪声图。
5.根据权利要求2所述的图像处理方法，其特征在于，输入图像和光学黑色区域被从同一捕获的图像中提取。
6.根据权利要求1所述的图像处理方法，其特征在于，输入图像和噪声图在单个通道中具有相同数量的像素。
7.根据权利要求1所述的图像处理方法，其特征在于，输入数据包括通过在通道方向上连接输入图像和噪声图而取得的数据。
8.根据权利要求1所述的图像处理方法，包括在输入输入数据之前从输入数据的信号值中减去黑电平。
9.根据权利要求1所述的图像处理方法，其特征在于，任务是为了使图像的分辨率或对比度较高。
10.一种图像处理装置，其特征在于包括：
取得器，被配置成取得输入数据，所述输入数据包括输入图像和基于与输入图像相对应的光学黑色区域的表示输入图像中的噪声量的噪声图；以及
处理器，被配置成将输入数据输入到神经网络中以执行识别或回归的任务。
11.根据权利要求10所述的图像处理装置，还包括存储器(111，301a，601a)，所述存储器被配置成存储关于用于神经网络的权重的信息。
12.一种非瞬态计算机可读存储介质，所述非瞬态计算机可读存储介质存储...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。