一种图像处理模型的训练方法和系统技术方案

本发明专利技术提供了一种图像处理模型的训练方法，包括以下步骤：获取多个参考图像作为训练样本，将参考图像输入到神经网络模型中，以得到指定神经网络层输出的特征图；将特征图和噪声叠加图进行叠加处理，得到目标特征图；将目标特征图输入至下一神经网络层进行卷积池化运算，得到神经网络模型对参考图像的预测图像；利用预测图像和参考图像之间的损失值对神经网络模型进行训练

【技术实现步骤摘要】
一种图像处理模型的训练方法和系统


[0001]本专利技术主要涉及图像处理的
，具体涉及一种图像处理模型的训练方法和系统
。

技术介绍

[0002]图像训练是指在图像上抽取已知地物属性或物体特征的区域或少量像元
,
通过对这些像元图像特征的分析和统计
,
建立分类模型的过程
。
[0003]根据申请号为
CN202110412250.6
的专利文献所提供的一种图像处理模型的训练方法和系统可知，该训练方法和系统包括：获取多个训练样本，其中，多个训练样本中的每个训练样本包括样本低能图像；将训练样本输入至图像处理模型，确定样本低能图像对应的基材料密度图像；基于标签基材料密度图像
、
样本低能图像
、
样本高能图像
、
样本拓扑数据中的一种或多种和基材料密度图像，以优化目标损失函数为训练目标，对图像处理模型的参数进行调整，得到训练好的图像处理模型
。
[0004]上述训练方法和系统优化目标损失函数为训练目标，对图像处理模型的参数进行调整，得到训练好的图像处理模型，但传统的图像处理模型的训练方法和系统往往在定义好人工神经网络模型后，确定了输入层
、
输出层的节点数，而剩余的权值向量难以确定，从而难以与真实的模型相逼近，影响图像处理训练效果
。

技术实现思路

[0005]本专利技术主要提供了一种图像处理模型的训练方法和系统用以解决上述
技术介绍
中提出的技术问题
。
[0006]本专利技术解决上述技术问题采用的技术方案为：
[0007]一种图像处理模型的训练方法，包括以下步骤：
[0008]获取多个参考图像作为训练样本，
[0009]将参考图像输入到神经网络模型中，以得到指定神经网络层输出的特征图；
[0010]将特征图和噪声叠加图进行叠加处理，得到目标特征图；
[0011]将目标特征图输入至下一神经网络层进行卷积池化运算，得到神经网络模型对参考图像的预测图像；
[0012]利用预测图像和参考图像之间的损失值对神经网络模型进行训练
。
[0013]进一步的，所述神经网络模型为人工神经网络
。
[0014]进一步的，神经网络层接收参考图像过程中，
[0015]所述神经网络模型对输入和输出的数据进行量化；
[0016]定义输入层的神经元节点数，使得输入层的神经元节点数与输入的数据的个数相同；
[0017]定义输出层的神经元节点数，使得输出层的神经元节点数与输出的分类相同
。
[0018]进一步的，所述神经网络模型的神经元的节点数为上一层节点数的1～
1.5
倍
。
[0019]进一步的，所述利用预测图像和参考图像之间的损失值对神经网络模型进行训练中
[0020]预测图像和参考图像之间的损失值收敛到设定阈值或者等于零时，停止训练，得到确定的分类结果
。
[0021]根据以上的一种图像处理模型的训练方法，还将提供一种图像处理模型的训练系统，包括：
[0022]图像采集单元，用于获取多个参考图像作为训练样本
[0023]神经网络层，用于将得到的参考图像输出为特征图，将特征图和噪声叠加图进行叠加处理，得到目标特征图，将目标特征图输入至下一神经网络层进行卷积池化运算，得到神经网络模型对参考图像的预测图像，利用预测图像和参考图像之间的损失值对神经网络模型进行训练
[0024]进一步的，所述图像采集单元包括：
[0025]存储模块，用于存储参考图像；
[0026]存取单元，与所述存储模块连接，用于从存储模块中读取参考图像；
[0027]读取单元，与存取单元连接，用于从存取单元中读取参考图像
。
进一步的，所述神经网络层包括：
[0028]输入层，用于接收参考图像，对参考图像进行量化；
[0029]卷积云运算单元，用于对数据进行卷积运算，并将得到的卷积结果传输至池化运算单元；
[0030]池化运算单元，与卷积读取单元连接，用于对卷积结果进行池化运算，得到池化结果；
[0031]输出层，与池化运算单元相连接，用于输出
。
[0032]与现有技术相比，本专利技术的有益效果为：
[0033]本专利技术利用神经网络对参考图像进行处理，得到目标特征图，利用多级神经网络层得到神经网络模型对参考图像的预测图像，以利用预测图像和参考图像之间的损失值对神经网络模型进行训练
。
[0034]以下将结合附图与具体的实施例对本专利技术进行详细的解释说明
。
附图说明
[0035]图1为本专利技术的流程图
。
[0036]图中：
10、
图像采集单元；
11、
存储模块；
12、
存取单元；
13、
读取单元；
20、
神经网络层；
21、
输入层；
22、
卷积云运算单元；
23、
池化运算单元；
24、
输出层
。
具体实施方式
[0037]为了便于理解本专利技术，下面将参照相关附图对本专利技术进行更加全面的描述，附图中给出了本专利技术的若干实施例，但是本专利技术可以通过不同的形式来实现，并不限于文本所描述的实施例，相反的，提供这些实施例是为了使对本专利技术公开的内容更加透彻全面
。
[0038]需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上也可以存在居中的元件，当一个元件被认为是“连接”另一个元件，它可以是直接连接到另
一个元件或者可能同时存在居中元件，本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的
。
[0039]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同，本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术，本文所使用的术语“及
/
或”包括一个或多个相关的所列项目的任意的和所有的组合
。
[0040]实施例，请参照附图1，一种图像处理模型的训练方法和系统，包括以下步骤：
[0041]获取多个参考图像作为训练样本，
[0042]将参考图像输入到神经网络模型中，以得到指定神经网络层
20
输出的特征图；
[0043]将特征图和噪声叠加图进行叠加处理，得到目标特征图；
[0044]将目标特征图输入至下一神经网络层
20
进行卷积池化运算，得到神经网络模型对参考图像的预测图像；
[0045]利用预测图像和参考图像之间的损失值对神经网络模型进行训练
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种图像处理模型的训练方法，其特征在于，包括以下步骤：获取多个参考图像作为训练样本，将参考图像输入到神经网络模型中，以得到指定神经网络层
(20)
输出的特征图；将特征图和噪声叠加图进行叠加处理，得到目标特征图；将目标特征图输入至下一神经网络层
(20)
进行卷积池化运算，得到神经网络模型对参考图像的预测图像；利用预测图像和参考图像之间的损失值对神经网络模型进行训练
。2.
根据权利要求1所述的一种图像处理模型的训练方法，其特征在于，所述神经网络模型为人工神经网络
。3.
根据权利要求1所述的一种图像处理模型的训练方法，其特征在于，神经网络层
(20)
接收参考图像过程中，所述神经网络模型对输入和输出的数据进行量化；定义输入层
(21)
的神经元节点数，使得输入层
(21)
的神经元节点数与输入的数据的个数相同；定义输出层的神经元节点数，使得输出层的神经元节点数与输出的分类相同
。4.
根据权利要求1所述的一种图像处理模型的训练方法，其特征在于，所述神经网络模型的神经元的节点数为上一层节点数的1～
1.5
倍
。5.
根据权利要求1所述的一种图像处理模型的训练方法，其特征在于，所述利用预测图像和参考图像之间的损失值对神经网络模型进行训练中预测图像和参考图像之间的损失值收敛到设定阈值或者等于零时，停止训练，得到确定的分类结果
。6.
一种图像处理模型的训练系统，用于实施权利要求1‑5任一项所述的一种图像处理模型的训练方法，其特征在于，包括：图像采集单元
(10)

【专利技术属性】
技术研发人员：陶悦，韩佳慧，李紫兰，吴悦，吴涛，
申请(专利权)人：安徽信息工程学院，
类型：发明
国别省市：