一种图像优化方法、装置、设备和存储介质制造方法及图纸

本发明专利技术实施例公开了一种图像优化方法、装置、设备和存储介质，该方法包括：基于预训练网络确定噪声图像的预测分类，根据预测分类和为噪声图像设置的分类标签确定噪声图像的分类损失；其中，预训练网络用于图像分类；对噪声图像进行畸变约束和正则化处理，得到正则损失；根据分类损失和正则损失确定损失函数；对噪声图像进行优化处理，根据处理后的噪声图像计算损失函数的函数值，并在损失函数的函数值满足预设条件时，将处理后的噪声图像确定为优化图像。上述技术方案，优化噪声图像得到的优化图像，可以作为训练图像对预训练网络进行再次训练，以提升预训练网络的分类精确度，解决现有技术中难以获取到用于模型训练的真实图像的问题。问题。问题。

【技术实现步骤摘要】
一种图像优化方法、装置、设备和存储介质


[0001]本专利技术实施例涉及图像处理技术，尤其涉及一种图像优化方法、装置、设备和存储介质。

技术介绍

[0002]图像分类是目前研究的热点，其在许多领域都有广泛的应用。近年来深度学习技术广泛的应用于图像分类中。深度学习需要强大的硬件计算能力、大量的训练数据和较深的网络层数提取数据，这既是它发挥优势的关键所在，同时又是限制它使用范围的因素。
[0003]现有技术中，需要大规模的有标注的真实图像来训练深度学习模型，以提升深度学习模型分类的精确度。
[0004]在实现本专利技术的过程中，发现现有技术中至少存在以下技术问题：
[0005]由于隐私、存储和传输等诸多限制，往往难以获取到用于模型训练的真实图像。

技术实现思路

[0006]本专利技术提供一种图像优化方法、装置、设备和存储介质，以优化噪声图像得到用于对模型进行训练的优化图像，以解决现有技术中难以获取到用于模型训练的真实图像的问题。
[0007]第一方面，本专利技术实施例提供了一种图像优化方法，包括：
[0008]基于预训练网络确定噪声图像的预测分类，根据所述预测分类和为所述噪声图像设置的分类标签确定所述噪声图像的分类损失；其中，所述预训练网络用于图像分类；
[0009]对所述噪声图像进行畸变约束和正则化处理，得到正则损失；根据所述分类损失和所述正则损失确定损失函数；
[0010]对所述噪声图像进行优化处理，根据处理后的噪声图像计算所述损失函数的函数值，并在所述损失函数的函数值满足预设条件时，将所述处理后的噪声图像确定为优化图像。
[0011]第二方面，本专利技术实施例还提供了一种图像优化装置，包括：
[0012]确定模块，用于基于预训练网络确定噪声图像的预测分类，根据所述预测分类和为所述噪声图像设置的分类标签确定所述噪声图像的分类损失；其中，所述预训练网络用于图像分类；
[0013]处理模块，用于对所述噪声图像进行畸变约束和正则化处理，得到正则损失；
[0014]执行模块，用于根据所述分类损失和所述正则损失确定损失函数；
[0015]优化模块，用于对所述噪声图像进行优化处理，根据处理后的噪声图像计算所述损失函数的函数值，并在所述损失函数的函数值满足预设条件时，将所述处理后的噪声图像确定为优化图像。
[0016]第三方面，本专利技术实施例还提供了一种计算机设备，所述设备包括：
[0017]至少一个处理器；以及与所述至少一个处理器通信连接的存储器；
[0018]其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面中任一项所述的图像优化方法。
[0019]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如第一方面中任一所述的图像优化方法。
[0020]第五方面，本专利技术实施例还提供了一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面中任一项所述的图像优化方法。
[0021]上述专利技术中的实施例具有如下优点或有益效果：
[0022]本专利技术实施例提供一种图像优化方法，包括：基于预训练网络确定噪声图像的预测分类，根据所述预测分类和为所述噪声图像设置的分类标签确定所述噪声图像的分类损失；其中，所述预训练网络用于图像分类；对所述噪声图像进行畸变约束和正则化处理，得到正则损失；根据所述分类损失和所述正则损失确定损失函数；对所述噪声图像进行优化处理，根据处理后的噪声图像计算所述损失函数的函数值，并在所述损失函数的函数值满足预设条件时，将所述处理后的噪声图像确定为优化图像。上述技术方案，预训练网络的图像分类精确度较低，还需要大量的真实图像对其进行再次训练，但是真实图像难以获取；首先可以根据预训练网络确定噪声图像的预测分类；其次根据预测分类和为噪声图像随机设置的分类标签确定噪声图像的分类损失，在确定噪声图像的正则损失后，根据分类损失和正则损失可以确定损失函数，优化处理噪声图像，并根据处理后的噪声图像计算损失函数的函数值，在损失函数的函数值满足预设条件时，将处理后的噪声图像确定为优化图像。损失函数满足预设条件时预测分类接近分类标签，图像的纹理分布自然，图像特征分布接近真实的图像特征，因此，可以将该优化图像确定为训练图像，对预训练网络进行再次训练，以提升预训练网络的分类精确度，解决现有技术中难以获取到用于模型训练的真实图像的问题。
附图说明
[0023]图1为本专利技术实施例提供的一种图像优化方法的流程图；
[0024]图2为本专利技术实施例提供的另一种图像优化方法的流程图；
[0025]图3为本专利技术实施例中提供的另一种图像优化方法中步骤240的流程图；
[0026]图4为本专利技术实施例提供的另一种图像优化方法中损失函数的确定方式示意图；
[0027]图5为本专利技术实施例提供的一种图像优化装置的结构示意图；
[0028]图6为本专利技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0029]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0030]本文中术语“和/或”，仅仅是一种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：单独存在A，同时存在A和B，单独存在B这三种情况。
[0031]本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象，或者用于区别对同一对象的不同处理，而不是用于描述对象的特定顺序。
[0032]此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选的还包括其他没有列出的步骤或单元，或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0033]在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。此外，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0034]需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像优化方法，其特征在于，包括：基于预训练网络确定噪声图像的预测分类，根据所述预测分类和为所述噪声图像设置的分类标签确定所述噪声图像的分类损失；其中，所述预训练网络用于图像分类；对所述噪声图像进行畸变约束和正则化处理，得到正则损失；根据所述分类损失和所述正则损失确定损失函数；对所述噪声图像进行优化处理，根据处理后的噪声图像计算所述损失函数的函数值，并在所述损失函数的函数值满足预设条件时，将所述处理后的噪声图像确定为优化图像。2.根据权利要求1所述的图像优化方法，其特征在于，在基于预训练网络确定噪声图像的预测分类之前，还包括：构建用于图像分类的网络模型，并对所述网络模型进行预训练，得到所述预训练网络。3.根据权利要求1所述的图像优化方法，其特征在于，根据所述预测分类和为所述噪声图像设置的分类标签确定所述噪声图像的分类损失，包括：确定所述分类标签和所述预测分类的交叉熵损失函数，并将所述交叉熵损失函数确定为所述分类损失。4.根据权利要求1所述的图像优化方法，其特征在于，对所述噪声图像进行畸变约束和正则化处理，得到正则损失，包括：确定所述噪声图像的正则损失函数，根据所述正则损失函数确定畸变约束结果；根据所述预训练网络确定所述噪声图像的图像特征的输入统计值和存储统计值，根据所述输入统计值和所述存储统计值确定正则化处理结果，其中，所述输入统计值包括所述噪声图像所属批次噪声图像中各图像的图像特征的均值和/或方差，存储统计值包括所述预训练网络中存储的图像特征的均值和/或方差；将所述畸变约束结果和所述正则化处理结果的和值确定为所述正则损失。5.根据权利要求1所述的图像优化方法，其特征在于，在根据所述分类损失和所述正则损失确定损失函数之前，还包括：根据所述噪声图像的最简单正样本、最困难正样本和最困难负样本确定所述噪声图像的多样化损失；相应地，根据所述分类损失和所述正则损失确定损失函数，包括：对所述分类损失、所述正则损失和所述多样化损失进行求和，并将求和结果确定为所述损失函数。6.根据权利要求5所述的图像优化方法，其特征在于，根据所述噪声图像的最简单正样本、最困难正样本和最困难负样本确定所述噪声图像的多样化损失，包括：确定所述噪声图像的所述最简单正样本、所述最困难正样本和所述最困难负样本；根据所述噪声图像和所述最简单正样本确定第一多样化损失；根据所述噪声图像、所述最困难正样本和所述最困难负样本确定第二多样化损失；通过所述第一多样化损失和所述第二多样化损失确定所述多样化损失。7.根据权利要求6所述的图像优化方法，其特征在于，确定所述噪声图像的所述最简单正样本、所述最困难正样本和所述最困难负样本，包括：确定所述噪声图像的图像特征与所述噪声图像所属批次噪声图像中其他图像的图像特征的特征欧式距离；...

【专利技术属性】
技术研发人员：曹琼，陈夏宁，陶大程，
申请(专利权)人：京东科技信息技术有限公司，
类型：发明
国别省市：