基于生成对抗网络的图像处理方法及装置制造方法及图纸

本发明专利技术实施例公开了一种基于生成对抗网络的图像处理方法及装置，方法包括：获取待处理图像，将所述待处理图像输入预先训练的图像识别模型，即可得到增强图像；其中，所述图像识别模型是基于预先构建的生成对抗网络利用图像样本进行训练得到的，在所述生成对抗网络的训练过程中，根据当前迭代次数利用不同的优化策略对所述生成对抗网络的生成器参数和/或所述图像识别模型的参数进行更新。在利用该图像识别模型进行图像识别时，能够更符合深度学习训练的图像增强要求，具有很好的泛化性，解决了图像增强的泛化性较差的问题。了图像增强的泛化性较差的问题。了图像增强的泛化性较差的问题。

【技术实现步骤摘要】
基于生成对抗网络的图像处理方法及装置


[0001]本专利技术涉及图像处理
，具体涉及一种基于生成对抗网络的图像处理方法及装置。

技术介绍

[0002]生成对抗网络(Generative adversarial networks)是深度学习领域的一个重要生成模型，GAN由生成器G和判别器D两部分组成，即两个网络(生成器G和判别器D)在同一时间训练，并且在极小化极大算法(minimax)中进行竞争。这种对抗方式避免了一些传统生成模型在实际应用中的一些困难，巧妙地通过对抗学习来近似一些不可解的损失函数，在图像、视频、自然语言和音乐等数据的生成方面有着广泛应用。
[0003]在图像处理中，多使用GAN进行图像增强，网络训练过程中，需要收集若干不同形态的图像，通过弱监督方法训练出GAN。G和D迭代训练时，当训练G时，D的梯度反向传播关闭，当训练D时，G的梯度反向传播关闭，在指定的迭代次数下如此循环迭代多次后得到训练好的GAN。在使用过程中，GAN的判别器不参与图像的生成，生成器G处于eval模式下，梯度反向传播关闭，GAN参数不再更新。假设现有两个不同域的图像数据X、Y，输入属于X域的图像x，生成器G输出对应Y域下的图像y'＝G(x)；输入属于Y域的图像y，生成器输G出对应X域下的图像x'＝G(y)。输出的图像x
’
、y
’
和原始图像x、y都用于训练图像识别模型M，随着M的迭代训练M的性能得到提升，识别精度上升，当生成器G提供的图像丰富度不足时，会造成M的过拟合，表现为M训练时在验证集上的精度表现过于优异，实际测试使用时效果不佳，图像增强的泛化性较差。

技术实现思路

[0004]为此，本专利技术实施例提供一种基于生成对抗网络的图像处理方法及装置，以期至少部分解决现有技术中存在的问题。
[0005]为了实现上述目的，本专利技术实施例提供如下技术方案：
[0006]本专利技术提供一种基于生成对抗网络的图像处理方法，所述方法包括：
[0007]获取待处理图像；
[0008]将所述待处理图像输入预先训练的图像识别模型，以得到增强图像；
[0009]其中，所述图像识别模型是基于预先构建的生成对抗网络利用图像样本进行训练得到的，在所述生成对抗网络的训练过程中，根据当前迭代次数利用不同的优化策略对所述生成对抗网络的生成器参数和/或所述图像识别模型的参数进行更新。
[0010]在一些实施例中，基于预先构建的生成对抗网络利用图像样本进行训练得到所述图像识别模型，具体包括：
[0011]获取图像样本；
[0012]将所述图像样本输入预先构建的生成对抗网络，以得到增强图像样本；
[0013]基于所述增强图像样本进行训练，以得到所述图像识别模型。
[0014]在一些实施例中，基于所述增强图像样本进行训练，以得到所述图像识别模型，之后还包括：
[0015]根据当前迭代次数将训练过程划分为多个阶段；
[0016]在各阶段下利用不同的优化策略对所述生成对抗网络的生成器参数和/或所述图像识别模型的参数进行更新。
[0017]在一些实施例中，在各阶段下利用不同的优化策略对所述生成对抗网络的生成器参数和/或所述图像识别模型的参数进行更新，具体包括：
[0018]在所述当前迭代次数小于第一预设迭代次数的情况下，将所述增强图像样本输入所述图像识别模型，以得到识别结果；
[0019]根据所述识别结果和所述增强图像样本得到第一损失函数；
[0020]按照提高所述第一损失函数的方向更新所述图像识别模型的参数。
[0021]在一些实施例中，在各阶段下利用不同的优化策略对所述生成对抗网络的生成器参数和/或所述图像识别模型的参数进行更新，具体包括：
[0022]在所述当前迭代次数大于第一预设迭代次数、且小于第二预设迭代次数的情况下，根据所述增强图像样本得到识别结果；
[0023]根据所述识别结果和所述增强图像样本得到第一损失函数，根据所述增强图像样本与所述图像样本得到第二损失函数；
[0024]按照提高所述第一损失函数和降低所述第二损失函数的方向更新所述生成对抗网络的生成器的参数。
[0025]在一些实施例中，在各阶段下利用不同的优化策略对所述生成对抗网络的生成器参数和/或所述图像识别模型的参数进行更新，具体包括：
[0026]在所述当前迭代次数大于第二预设迭代次数的情况下，将所述增强图像样本输入所述图像识别模型，以得到识别结果；
[0027]根据所述识别结果和所述增强图像样本得到第一损失函数；
[0028]向降低所述第一损失函数的方向更新所述图像识别模型的参数。
[0029]在一些实施例中，预先构建的生成对抗网络的生成器包括：
[0030]编码器，所述编码器包括卷积层和池化层，构成所述编码器的卷积层用于将图像编码为高维向量；
[0031]解码器，所述解码器包括卷积层，构成所述解码器的卷积层进行反卷积操作，用于将编码器输出的高维向量输出为图像。
[0032]本专利技术还提供了一种基于生成对抗网络的图像处理装置，所述装置包括：
[0033]图像获取单元，用不获取待处理图像；
[0034]图像处理单元，用于将所述待处理图像输入预先训练的图像识别模型，以得到增强图像；
[0035]其中，所述图像识别模型是基于预先构建的生成对抗网络利用图像样本进行训练得到的，在所述生成对抗网络的训练过程中，根据当前迭代次数利用不同的优化策略对所述生成对抗网络的生成器参数和/或所述图像识别模型的参数进行更新。
[0036]本专利技术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程序时实现如上所述方法的步骤。
[0037]本专利技术还提供一种非暂态计算机可读存储介质，其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如上所述方法的步骤。
[0038]本专利技术所提供的基于生成对抗网络的图像处理方法和装置，通过获取待处理图像，将所述待处理图像输入预先训练的图像识别模型，即可得到增强图像；其中，所述图像识别模型是基于预先构建的生成对抗网络利用图像样本进行训练得到的，在所述生成对抗网络的训练过程中，根据当前迭代次数利用不同的优化策略对所述生成对抗网络的生成器参数和/或所述图像识别模型的参数进行更新。
[0039]这样，在训练图像识别模型时，将生成器加入到图像识别模型的训练当中，图像识别模型的训练包含两个阶段，当图像识别模型的参数随梯度反向传播更新时，生成器的梯度保持关闭，而当图像识别模型梯度关闭时，生成器的参数随梯度反向传播进行，这样生成器在不同的迭代次数时都会发生改变，使得生成器输出的增强图像也会随之发生改变，以使每一次迭代生成的增强图像都有所差异，在利用该图像识别模型进行图像识别时，能够更符合深度学习训练的图像增强要求，具有很好的泛化性，解决了图像增强的泛化性较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的图像处理方法，其特征在于，所述方法包括：获取待处理图像；将所述待处理图像输入预先训练的图像识别模型，以得到增强图像；其中，所述图像识别模型是基于预先构建的生成对抗网络利用图像样本进行训练得到的，在所述生成对抗网络的训练过程中，根据当前迭代次数利用不同的优化策略对所述生成对抗网络的生成器参数和/或所述图像识别模型的参数进行更新。2.根据权利要求1所述的基于生成对抗网络的图像处理方法，其特征在于，基于预先构建的生成对抗网络利用图像样本进行训练得到所述图像识别模型，具体包括：获取图像样本；将所述图像样本输入预先构建的生成对抗网络，以得到增强图像样本；基于所述增强图像样本进行训练，以得到所述图像识别模型。3.根据权利要求2所述的基于生成对抗网络的图像处理方法，其特征在于，基于所述增强图像样本进行训练，以得到所述图像识别模型，之后还包括：根据当前迭代次数将训练过程划分为多个阶段；在各阶段下利用不同的优化策略对所述生成对抗网络的生成器参数和/或所述图像识别模型的参数进行更新。4.根据权利要求3所述的基于生成对抗网络的图像处理方法，其特征在于，在各阶段下利用不同的优化策略对所述生成对抗网络的生成器参数和/或所述图像识别模型的参数进行更新，具体包括：在所述当前迭代次数小于第一预设迭代次数的情况下，将所述增强图像样本输入所述图像识别模型，以得到识别结果；根据所述识别结果和所述增强图像样本得到第一损失函数；按照提高所述第一损失函数的方向更新所述图像识别模型的参数。5.根据权利要求3所述的基于生成对抗网络的图像处理方法，其特征在于，在各阶段下利用不同的优化策略对所述生成对抗网络的生成器参数和/或所述图像识别模型的参数进行更新，具体包括：在所述当前迭代次数大于第一预设迭代次数、且小于第二预设迭代次数的情况下，根据所述增强图像样本得到识别结果；根据所述识别结果...

【专利技术属性】
技术研发人员：王晓梅，蔡博君，
申请(专利权)人：杭州医策科技有限公司，
类型：发明
国别省市：