图像处理模型训练方法、图像处理方法、装置及电子设备制造方法及图纸

本申请提供一种图像处理模型训练方法、图像处理方法、装置及电子设备，图像处理模型训练方法，包括：获取训练样本图像；将训练样本图像输入待训练模型，利用目标损失值进行训练得到目标图像处理模型；其中，待训练模型包括图像去噪网络和图像评价网络，图像去噪网络用于对训练样本图像进行处理得到去噪图像，并根据去噪图像计算第一损失值，图像评价网络用于对训练样本图像进行处理得到训练样本图像的评价分数，并根据评价分数计算第二损失值，目标损失值为根据第一损失值与第二损失值得到。这样，可以提高模型训练效果，从而可得到去噪效果更好的目标图像处理模型。果更好的目标图像处理模型。果更好的目标图像处理模型。

【技术实现步骤摘要】
图像处理模型训练方法、图像处理方法、装置及电子设备


[0001]本申请涉及图像处理
，尤其涉及到一种图像处理模型训练方法、图像处理方法、装置及电子设备。

技术介绍

[0002]随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理，以保持原始信息的完整性(即主要特征)的同时，又能去除信号中无用的信息。
[0003]目前，常采用的去噪方法是通过将噪声估计图作为输入，权衡对均匀分布的噪声的抑制和细节的保持，然而，对于局部模糊的图像去噪的效果较差。

技术实现思路

[0004]本申请实施例提供一种图像处理模型训练方法、图像处理方法、装置及电子设备，以解决图像去噪效果较差的问题。
[0005]为了解决上述技术问题，本申请实施例是这样实现的：
[0006]第一方面，本申请实施例提供了一种图像处理模型训练方法，包括：
[0007]获取训练样本图像；
[0008]将所述训练样本图像输入待训练模型，利用目标损失值进行训练得到目标图像处理模型；
[0009]其中，所述待训练模型包括图像去噪网络和图像评价网络，所述图像去噪网络用于对所述训练样本图像进行处理得到去噪图像，并根据所述去噪图像计算第一损失值，所述图像评价网络用于对所述训练样本图像进行处理得到所述训练样本图像的评价分数，并根据所述评价分数计算第二损失值，所述目标损失值为根据所述第一损失值与所述第二损失值得到。
[0010]可以看出，在本实施例中，待训练模型是包括图像去噪网络和图像评价网络的，在训练过程中，是采用根据所述第一损失值与所述第二损失值得到的目标损失值进行模型训练，也即是在训练过程中，考虑了图像去噪网络的第一损失值和图像评价网络的第二损失值，以提高模型训练效果，从而可得到去噪效果更好的目标图像处理模型，通过目标图像处理模型对图像进行去噪，可提高图像去噪效果。
[0011]第二方面，本申请实施例提供了一种图像处理方法，获取待处理图像；
[0012]将所述待处理图像输入目标图像处理模型的目标图像去噪网络中，得到目标去噪图像；
[0013]其中，所述目标图像处理模型根据上述图像处理模型训练方法训练得到。
[0014]可以看出，在本实施例中，所述目标图像处理模型根据上述实施例中的图像处理模型训练方法训练得到，其中待训练模型是包括图像去噪网络和图像评价网络的，在训练过程中，是采用根据所述第一损失值与所述第二损失值得到的目标损失值进行模型训练，也即是在训练过程中，考虑了图像去噪网络的第一损失值和图像评价网络的第二损失值，以提高模型训练效果，从而可得到去噪效果更好的目标图像处理模型，通过目标图像处理模型对待处理图像进行去噪，可提高图像去噪效果。
[0015]第三方面，本申请实施例还提供一种图像处理模型训练装置，包括：
[0016]第一获取模块，用于获取训练样本图像；
[0017]训练模块，用于将所述训练样本图像输入待训练模型，利用目标损失值进行训练得到目标图像处理模型；
[0018]其中，所述待训练模型包括图像去噪网络和图像评价网络，所述图像去噪网络用于对所述训练样本图像进行处理得到去噪图像，并根据所述去噪图像计算第一损失值，所述图像评价网络用于对所述训练样本图像进行处理得到所述训练样本图像的评价分数，并根据所述评价分数计算第二损失值，所述目标损失值为根据所述第一损失值与所述第二损失值得到。
[0019]第四方面，本申请实施例还提供一种图像处理装置，包括：
[0020]第二获取模块，用于获取待处理图像；
[0021]去噪模块，用于将所述待处理图像输入目标图像处理模型的目标图像去噪网络中，得到目标去噪图像；
[0022]其中，所述目标图像处理模型根据上述图像处理模型训练方法训练得到。
[0023]第五方面，本申请实施例还提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述图像处理模型训练方法或者图像处理方法中的步骤。
[0024]第六方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述图像处理模型训练方法或者图像处理方法中的步骤。
附图说明
[0025]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例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申请的一些实施例，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他的附图。
[0026]图1是本申请实施例提供的一种图像处理模型训练方法的流程图；
[0027]图2是本申请实施例提供的一种图像处理模型训练方法的原理图；
[0028]图3是本申请实施例提供的一种图像去噪网络的结构图示意图；
[0029]图4是本申请实施例提供的一种图像去噪网络中自注意力模块中一个自注意力子模块的结构图示意图；
[0030]图5是本申请实施例提供的一种图像评价网络的结构图示意图；
[0031]图6是本申请实施例提供的一种图像处理方法的流程图；
[0032]图7是本申请实施例提供的一种图像处理方法的原理图；
[0033]图8是本申请实施例提供的一种图像处理模型训练装置的结构示意图；
[0034]图9是本申请实施例提供的一种图像处理装置的结构示意图；
[0035]图10是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0036]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0037]参见图1，图1是本申请实施例提供的一种图像处理模型训练方法的流程图，如图1所示，包括以下步骤：
[0038]步骤101：获取训练样本图像。
[0039]训练样本图像中每张图像的尺寸大小不作限定，可根据实际需求选择，例如，可以是480行640列(即480*640)。训练样本图像有对应的标签。本申请实施例中，标签采用双标签，即任一图像的标签包括该图像对应的标准去噪图像以及该图像对应的标准评价分数，图像的标准评价分数用于评价图像的质量，分数越高，图像质量越高，图像越清晰，反之图像质量越差，图像越模糊。例如，图像的标准评价分数可以是在一个预设范围内，例如，在0到1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理模型训练方法，其特征在于，包括：获取训练样本图像；将所述训练样本图像输入待训练模型，利用目标损失值进行训练得到目标图像处理模型；其中，所述待训练模型包括图像去噪网络和图像评价网络，所述图像去噪网络用于对所述训练样本图像进行处理得到去噪图像，并根据所述去噪图像计算第一损失值，所述图像评价网络用于对所述训练样本图像进行处理得到所述训练样本图像的评价分数，并根据所述评价分数计算第二损失值，所述目标损失值为根据所述第一损失值与所述第二损失值得到。2.根据权利要求1所述的方法，其特征在于，所述目标损失值为所述第一损失值与所述第二损失值的线性加权和。3.根据权利要求1所述的方法，其特征在于，所述图像去噪网络包括依次相连的第一卷积层、第一变换层、字典层、第一全连接层、第二变换层、第一合并层、第二卷积层、自注意力模块、第二合并层、第三卷积层、第一相加层以及第四卷积层；其中，所述第二合并层的输入还与所述第二卷积层的输出连接，所述第一相加层的输入还与所述第一卷积层的输出连接；所述第一卷积层的输入包括所述训练样本图像，所述第四卷积层输出所述去噪图像。4.根据权利要求3所述的方法，其特征在于，所述自注意力模块包括依次相连的N个自注意力子模块，所述第二合并层的输入分别与所述N个自注意力子模块的输出连接，N为正整数；所述N个自注意力子模块中的第i个自注意力子模块包括第五卷积层、第一支路层、第二支路层以及乘积层，其中，i为小于或等于N的正整数；所述第五卷积层的输入连接所述第二卷积层的输出或所述N个自注意力子模块中的第i
‑
1个自注意力子模块的输出；所述第一支路层对所述第五卷积层的输出中C个通道的第一特征图进行处理得到C个权重，C为正整数，所述第二支路层对所述第五卷积层的输出中C个通道的第二特征图进行处理得到C个第三特征图，所述乘积层对所述C个权重以及所述C个第三特征图进行相乘得到C个目标特征图。5.根据权利要求4所述的方法，其特征在于，所述第一支路层包括依次相连的第六卷积层、第一池化层、第七卷积层、第八卷积层、第二相加层以及回归层，所述第二相加层的输入还与所述第六卷积层的输出连接，所述乘积层的输入与所述第一支路层中所述回归层的输出连接。6.根据权利要求4所述的方法，其特征在于，所述第二支路层包括依次相连的第九卷积层、第三合并层、第十卷积层、第四合并层、第十一卷积层、第五合并层、第十二卷积层、第六合并层以及第十三卷积层；其中，所述第四合并层的输入还与所述第九卷积层的输出的连接，所述第五合并层的输入还与所述第九卷积层的输出以及所述第十卷积层的输出连接，所述第六合并层的输入还与所述第九卷积层的输出、所述第十卷积层的输出以及所述第十一卷积层的输出连接，所述乘积层的输入与所述第二支路层中所述第十三卷积层的输出连接。
7.根据权利要求3所述的方法，其特征在于，所述第一卷积层包括第一子卷积层和第二子卷积层，所述第二子卷积层连接于所述第一子卷积层与所述第一变换层之间，所述第一变换层的输入连接所述第一卷积层中所述第二子卷积层的输出，所述第一相加层的输入与所述第一卷积层中所述第二子卷积层的输出连接；所述字典层包括P个子字典层，所述P为正整数，所述第一全连接层包括P个子全连接层，所述第二变换层包括P个子变换层，所述第一合并层的输入连接所述P个子变换层的输出；所述P个子字典层中每个子字典层的输入连接所述第一变换层的输出，一个子字典层通过一个子全连接层连接到一个子变换层。8.根据权利要求1所述的方法，其特征在于，所述图像评价网络包括依次相连的第十四卷积层、第十五卷积层、第三相加层、特征提取层以及第二池化层以及第二全连接层，所述第十四卷积层的输入包括所述训练样本图像，所述第二全连接层输出所述评价分数。9...

【专利技术属性】
技术研发人员：陈圣，曾定衡，蒋宁，王洪斌，周迅溢，吴海英，
申请(专利权)人：马上消费金融股份有限公司，
类型：发明
国别省市：