【技术实现步骤摘要】
本公开涉及图像处理，更具体地涉及一种图像分解模型的训练方法、训练装置以及图像分解方法、电子设备、可读存储介质。
技术介绍
1、随着全球经济的发展，货物流通等变得越来越多，需要在海关、陆路口岸等关卡位置对对流通的货物进行检查，从而防止非法货物或者产品进入管控的地区内。在海关、陆路口岸中，货物流通量大，货物种类繁多，需要通过特殊的检测装置，例如x射线扫描系统对运输货物的车辆以及货物进行同时检查，以提高安检的效率。
2、目前国际上常见的针对货车车辆的安检方法是基于x射线扫描系统完成的，其首先通过x射线扫描设备对待测车辆进行扫描后形成一张x射线扫描图像，然后经过人工判图分析或机器智能识别得出该车辆中是否存在嫌疑物的结论。
3、在传统的人工判图中，由于车辆本身结构复杂，货物堆放参差不齐，人工判断图像中的货物的难度很大，效率较低，难以满足大量的通关车辆安检需要。因此，近些年机器智能识别系统发展的较为快速，逐渐取代了一部分人工的工作。机器智能识别有着速度快、效率高的优势，但由于目前智能识图算法的局限性，在图像较为复杂的情况中，其识别准确率还有待提高。例如x射线的穿透特性导致图像货物信息与车体结构信息重叠严重，在图像中的表现为货物和车体互相重叠，互相干扰，货物特征难以区分，机器无法准确识别货物，极大的降低了机器识别的准确性，无法实现准确的判断，增加了漏检的风险，降低了安检的效率。
4、此外，机器智能识别的过程中，需要进行训练，训练过程中需要大量的具有真实标签的数据，实际的x射线图像以及车辆的图像难以采集，工作
技术实现思路
1、鉴于上述问题，本公开提供了一种图像分解模型的训练方法、训练装置以及图像分解方法、电子设备、可读存储介质。可以有效提高对复杂的图像进行分解的能力，从而获取更加准确的货物的图像，进一步提高机器判断的准确性。
2、根据本公开的第一个方面，提供了一种图像分解模型的训练方法，所述图像分解模型包括：第一对抗神经网络、第二对抗神经网络，所述第一对抗神经网络包括第一生成网络和第一判别网络，所述第二对抗神经网络包括第二生成网络和第二判别网络；所述的图像分解模型的训练方法包括但不限于：获取训练集，所述训练集包括第一训练图像、第二训练图像和第三训练图像，所述第三训练图像是根据所述第一训练图像和所述第二训练图像融合生成的；将所述第一训练图像输入所述第一对抗神经网络，将所述第二训练图像输入所述第二对抗神经网络，分别确定所述第一对抗神经网络和所述第二对抗神经网络的第一损失函数值；将所述第三训练图像分别输入所述第一对抗神经网络和第二对抗神经网络，分别确定所述第一对抗神经网络和第二对抗神经网络的第二损失函数值；针对获取的融合图像与第三训练图像的比较结果，确定第三损失函数值，所述融合图像是根据所述第一对抗神经网络和所述第二对抗神经网络的生成图像进行融合生成的；以及根据所述第一损失函数值、第二损失函数值以及第三损失函数值中的至少一者，以反向传播方式调整所述图像分解模型的参数，直至满足预设训练终止条件，其中，所述第一损失函数值是基于第一损失函数计算得到的，所述第二损失函数值是基于第二损失函数计算的得到的，所述第三损失函数值是基于第三损失函数计算的得到的，所述第一损失函数、第二损失函数以及第三损失函数满足预设权重关系。
3、在本公开的一些示例性实施例中，将所述第一训练图像输入所述第一对抗神经网络，确定所述第一对抗神经网络的第一损失函数值包括：将所述第一训练图像输入所述第一对抗神经网络的第一生成网络，得到第一生成图像；将所述第一训练图像和所述第一生成图像输入所述第一对抗神经网络的第一判别网络，得到第一图像识别结果；根据所述第一图像识别结果确定所述第一对抗神经网络的第一损失函数值。
4、在本公开的一些示例性实施例中，将所述第二训练图像输入所述第二对抗神经网络，确定所述第二对抗神经网络的第一损失函数值包括：将所述第二训练图像输入所述第二对抗神经网络的第二生成网络，得到第二生成图像；将所述第二训练图像和所述第二生成图像输入所述第二对抗神经网络的第二判别网络，得到第二图像识别结果；根据所述第二图像识别结果确定所述第二对抗神经网络的第一损失函数值。
5、在本公开的一些示例性实施例中，所述将所述第三训练图像分别输入所述第一对抗神经网络和第二对抗神经网络，分别确定所述第一对抗神经网络和第二对抗神经网络的第二损失函数值包括：将所述第三训练图像输入所述第一对抗神经网络的第一生成网络，得到第三生成图像；将所述第三生成图像和与所述第三训练图像相关联的第一训练图像输入所述第一对抗神经网络的第一判别网络，得到第三图像识别结果；根据所述第三图像识别结果确定所述第一对抗神经网络的第二损失函数值；将所述第三训练图像输入所述第二对抗神经网络的第二生成网络，得到第四生成图像；将所述第四生成图像和与所述第三训练图像相关联的第二训练图像输入所述第二对抗神经网络的第二判别网络，得到第四图像识别结果；根据所述第四图像识别结果确定所述第二对抗神经网络的第二损失函数值。
6、在本公开的一些示例性实施例中，所述针对获取的融合图像与第三训练图像的比较结果，确定第三损失函数值，包括：根据图像融合算法将所述第三生成图像和所述第四生成图像融合，生成融合图像；将所述融合图像与所述第三训练图像进行比较，生成比较结果；根据所述比较结果，确定第三损失函数值。
7、在本公开的一些示例性实施例中，所述第二损失函数包括生成器损失函数和判别器损失函数，所述第二损失函数值包括生成器损失函数值和判别器损失函数值。
8、在本公开的一些示例性实施例中，所述第二损失函数中的生成器损失函数的预设权重大于其他损失函数的预设权重。
9、在本公开的一些示例性实施例中，所述训练集中的训练图像是经过负对数处理后的x射线图像。
10、在本公开的一些示例性实施例中，根据所述第二损失函数值，以反向传播方式调整所述图像分解模型的参数包括：根据所述第二损失函数值中的生成器损失函数值，调整所述第一对抗神经网络的第一生成网络的参数以及调整所述第二对抗神经网络的第二生成网络的参数；以及根据所述第二损失函数值中的判别器损失函数值，调整所述第一对抗神经网络的第一判别网络的参数以及调整所述第二对抗神经网络的第二判别网络的参数。
11、本公开的第二方面，提供了一种图像分解方法，应用于x射线图像分解，所述包括：针对获取的x射线图像，进本文档来自技高网...
【技术保护点】
1.一种图像分解模型的训练方法，其中，所述图像分解模型包括：
2.根据权利要求1所述的训练方法，其中，
3.根据权利要求1所述的训练方法，其中，
4.根据权利要求1所述的训练方法，其中，
5.根据权利要求4所述的训练方法，其中，
6.根据权利要求1至5中任一项所述的训练方法，其中，
7.根据权利要求6所述的训练方法，其中，
8.根据权利要求1所述的训练方法，其中，
9.根据权利要求6所述的训练方法，其中，
10.一种图像分解方法，应用于X射线图像分解，所述包括：
11.一种图像分解模型的训练装置，其中，所述图像分解模型包括：
12.根据权利要求11所述的训练装置，其中，
13.根据权利要求11所述的训练装置，其中，
14.根据权利要求11所述的训练装置，其中，
15.根据权利要求14所述的训练装置，其中，
16.根据权利要求11至15中任一项所述的训练装置，其中，
17.根据权利要求16所述
18.一种电子设备，包括：
19.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时，实现根据权利要求1至9中任一项所述的训练方法，或者权利要求10所述的图像分解方法。
20.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至9中任一项所述的训练方法，或者权利要求10所述的图像分解方法。
...【技术特征摘要】
1.一种图像分解模型的训练方法，其中，所述图像分解模型包括：
2.根据权利要求1所述的训练方法，其中，
3.根据权利要求1所述的训练方法，其中，
4.根据权利要求1所述的训练方法，其中，
5.根据权利要求4所述的训练方法，其中，
6.根据权利要求1至5中任一项所述的训练方法，其中，
7.根据权利要求6所述的训练方法，其中，
8.根据权利要求1所述的训练方法，其中，
9.根据权利要求6所述的训练方法，其中，
10.一种图像分解方法，应用于x射线图像分解，所述包括：
11.一种图像分解模型的训练装置，其中，所述图像分解模型包括：
12.根据权利要求11所述的训...
【专利技术属性】
技术研发人员：张丽，孙运达，胡峥，傅罡，李强，
申请(专利权)人：同方威视技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。