机器学习模型的训练方法、装置和图像的重建方法、装置制造方法及图纸

本公开涉及一种机器学习模型的训练方法、装置和图像的重建方法、装置，涉及图像处理技术领域。该训练方法包括：将第一图像样本输入第一机器学习模型，对第一图像样本进行图像重建处理，生成重建图像，重建图像的分辨率高于第一图像样本；将重建图像和第二图像样本输入第二机器学习模型，计算重建图像与第二图像样本的图像差异，第二图像样本的分辨率高于第一图像样本；根据图像差异，调整第一机器学习模型；利用调整后的第一机器学习模型重复上述步骤，直到计算的图像差异小于或等于阈值，以完成第一机器学习模型的训练。成第一机器学习模型的训练。成第一机器学习模型的训练。

【技术实现步骤摘要】
机器学习模型的训练方法、装置和图像的重建方法、装置


[0001]本公开涉及图像处理
，特别涉及一种机器学习模型的训练方法、机器学习模型的训练装置、图像的重建方法、图像的重建装置、电子设备和非易失性计算机可读存储介质。

技术介绍

[0002]图像分辨率的高低关系到图像中存储的信息量的多少，所以图像分辨率直接影响到以图像分析为基础的各种技术的处理效果。例如，在医学领域，齿科CT(Computed Tomography，电子计算机断层扫描)图像中包含大量的细节信息，是医生对病人病情进行分析、诊断的基础。
[0003]在相关技术中，主要依靠获取图像的硬件性能的提升来提高图像分辨率。

技术实现思路

[0004]本公开的专利技术人发现上述相关技术中存在如下问题：受硬件设备性能的限制，图像采集过程中不可避免收到外界因素的影响，导致图像分辨率较低。
[0005]鉴于此，本公开提出了一种机器学习模型的训练技术方案，能够训练用于图像重建的机器学习模型，从而提高图像的分辨率。
[0006]根据本公开的一些实施例，提供了一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器学习模型的训练方法，包括：将第一图像样本输入第一机器学习模型，对所述第一图像样本进行图像重建处理，生成重建图像，所述重建图像的分辨率高于所述第一图像样本；将所述重建图像和第二图像样本输入第二机器学习模型，计算所述重建图像与所述第二图像样本的图像差异，所述第二图像样本的分辨率高于所述第一图像样本；根据所述图像差异，调整所述第一机器学习模型；利用调整后的第一机器学习模型重复上述步骤，直到计算的图像差异小于或等于阈值，以完成所述第一机器学习模型的训练。2.根据权利要求1所述的训练方法，其中，所述将第一图像样本输入第一机器学习模型，对所述第一图像样本进行图像重建处理，生成重建图像包括：将所述第一图像样本输入所述第一机器学习模型的卷积神经网络模块，提取所述第一图像样本的特征向量；根据所述特征向量，利用所述第一机器学习模型生成所述重建图像。3.根据权利要求2所述的训练方法，其中，所述卷积神经网络模块包括多个大小为3
×
3的卷积核算子。4.根据权利要求1所述的训练方法，其中，所述将所述重建图像和第二图像样本输入第二机器学习模型，计算所述重建图像与所述第二图像样本的图像差异包括：将所述重建图像和所述第二图像样本输入所述第二机器学习模型的多个残差模块进行处理，计算所述图像差异。5.根据权利要求1所述的训练方法，其中，所述计算所述重建图像与所述第二图像样本的图像差异包括：计算所述重建图像与所述第二图像样本的峰值信噪比，确定第一差异；计算所述重建图像与所述第二图像样本的结构相似性，确定第二差异；计算所述第一差异和所述第二差异的加权平均值，确定所述图像差异。6.根据权利要求1
‑
5任一项所述的训练方法，还包括：将待处理图像输入完成训练的第二机器学习模型，对所述待处理图像进行图像重建处理，生成相应的重建图像，所述相应的重建图像的分辨率高于所述待处理图像。7.根据权利要求1
‑
5任一项所述的训练方法，其中，所述第一图像样本、所述第二图像样本均为医学影像图片；还包括：将待处理医学影像图片输入完成训练的第二机器学习模型，对所述待处理医学影像图片进行图像重建处理，生成相应的重建医学影像图片，所述重建医学影像图片的分辨率高于所述待处理医学影像图片。8.一种图像的...

【专利技术属性】
技术研发人员：魏珺洁，
申请(专利权)人：北京京东拓先科技有限公司，
类型：发明
国别省市：