【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种图像处理网络模型的训练方法、装置、介质和设备。
技术介绍
1、目前，随着图像处理器技术的不断发展，人们对图像质量的要求越来越高。在不同光强条件下，图像处理方法的选择对最终图像质量具有重要影响。然而，现有的图像处理方法往往需要手动调整参数以适应不同的光强条件，这不仅繁琐且难以满足实际需求。因此，研究一种自适应的图像处理方法对于提高图像质量具有重要意义。
技术实现思路
1、本专利技术实施例提供一种图像处理网络模型的训练方法、装置、介质和设备，用以实现根据外部环境光变化自动进行图像处理，提高图像处理效果。
2、第一方面，本专利技术提供一种图像处理网络模型的训练方法，该训练方法可以包括如下步骤：构建包括不同曝光强度的图像数据集；所述图像数据集包括训练集、验证集和测试集；构建初始图像处理网络模型；将所述图像数据集输入到初始图像处理网络模型中进行训练，直至达到设定迭代次数或者损失值小于设定阈值，输出训练后的图像处理网络模型；其中，所述图像处理网络模型用于提取输入图像中的prnu特征，学习曝光强度与prnu噪声特征之间的关系。
3、在一种可能的实施方式中，所述训练后的图像处理网络模型包括多个卷积层、池化层和全连接层，所述卷积层用于捕捉输入的图像中的prnu噪声特征，所述池化层用于降低prnu噪声特征的空间分辨率，所述全连接层用于将prnu噪声特征映射到特征描述符。
4、在另一种可能的实施方式中，将所述图像数据集输入到初始图像
5、在一种可能的实施方式中，所述卷积层用于捕捉输入的图像中的prnu噪声特征，包括：所述卷积层计算输入图像的均值图像，计算每个输入图像与均值图像的残差图像和残差图像的直方图，根据各个输入图像对应的残差图像的直方图，使用非参数核密度估计算法计算prnu的概率密度函数，以得到输入的图像中的prnu噪声特征。
6、另一种可能的实施方式中，所述图像数据集包括暗场、半饱和和饱和三组子集。
7、一种可能的实施方式中，所述prnu噪声特征满足如下公式：prnu(x,y)～n(μ,σ2)为高斯函数；其中，(x,y)表示图像像素的坐标，n(μ,σ2)为高斯函数，σ2表示prnu噪声特征的方差。
8、第二方面，本专利技术实施例还提供一种图像处理网络模型的训练装置，该训练装置包括执行上述第一方面的任意一种可能的实施方式的方法的模块/单元。这些模块/单元可以通过硬件实现，也可以通过硬件执行相应的软件实现。
9、第三方面，本专利技术实施例还提供一种图像处理方法，该方法包括获取图像处理器采集的初始图像，将初始图像输入上述第一方面的任意一种可能的实施方式的图像处理网络模型，输出去噪增强后的图像。
10、第四方面，本专利技术实施例提供一种电子设备，包括处理器和存储器。其中，存储器用于存储一个或多个程序；当存储器存储的一个或多个程序被处理器执行时，使得该电子设备能够实现上述第一方面的任意一种可能的实施方式的方法。
11、第五方面，本专利技术实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质包括程序，当程序在电子设备上运行时，使得所述电子设备执行上述第一方面的任意一种可能的实施方式的方法。
12、第六方面，本专利技术实施例还提供一种包含计算机程序产品，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行上述第一方面的任意一种可能的实施方式的方法。
13、本专利技术提供一种图像处理网络模型的训练方法、装置、介质和设备的有益效果在于：基于卷积神经网络模型进行训练，使得训练后的网络模型能够根据外部环境光变化自动进行图像处理的方法，该方法结合了prnu特性和神经网络技术，在不同光强条件下实现去噪、增强、色彩校正和细节恢复等图像处理任务的自适应处理，能够有效地提高图像处理效果。
本文档来自技高网...【技术保护点】
1.一种图像处理网络模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述训练后的图像处理网络模型包括多个卷积层、池化层和全连接层，所述卷积层用于捕捉输入的图像中的PRNU噪声特征，所述池化层用于降低PRNU噪声特征的空间分辨率，所述全连接层用于将PRNU噪声特征映射到特征描述符。
3.根据权利要求1所述的方法，其特征在于，将所述图像数据集输入到初始图像处理网络模型中进行训练之前，还包括：
4.根据权利要求2所述的方法，其特征在于，所述卷积层用于捕捉输入的图像中的PRNU噪声特征，包括：所述卷积层计算输入图像的均值图像，计算每个输入图像与均值图像的残差图像和残差图像的直方图，根据各个输入图像对应的残差图像的直方图，使用非参数核密度估计算法计算PRNU的概率密度函数，以得到输入的图像中的PRNU噪声特征。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述图像数据集包括暗场、半饱和和饱和三组子集。
6.根据权利要求4所述的方法，其特征在于，所述PRNU噪声特征满足如下公式：
...【技术特征摘要】
1.一种图像处理网络模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述训练后的图像处理网络模型包括多个卷积层、池化层和全连接层，所述卷积层用于捕捉输入的图像中的prnu噪声特征，所述池化层用于降低prnu噪声特征的空间分辨率，所述全连接层用于将prnu噪声特征映射到特征描述符。
3.根据权利要求1所述的方法，其特征在于，将所述图像数据集输入到初始图像处理网络模型中进行训练之前，还包括：
4.根据权利要求2所述的方法，其特征在于，所述卷积层用于捕捉输入的图像中的prnu噪声特征，包括：所述卷积层计算输入图像的均值图像，计算每个输入图像与均值图像的残差图像和残差图像的直方图，根据各个输入图像对应的残差图像的直方图，使用非参数核密度估计算法计算prnu的概率...
【专利技术属性】
技术研发人员：庄天涯，姚清志，张崯，李云龙，
申请(专利权)人：上海微阱电子科技有限公司，
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。