图像全局保幅去噪和补全模型构建方法、设备及存储介质

本申请涉及机器学习，尤其涉及一种图像全局保幅去噪和补全模型构建方法、电子设备及可读存储介质。

背景技术：

1、图像具有信息量大、传送距离远、传输速度快等特点，成为人类获取信息的重要来源和手段，然而，图像在生成、传输及拍摄过程中，难免受到噪声污染，进而易出现图像不全、图像部分残缺或图像部分破损等情况。

2、目前，针对于图像质量受到损害的图片，通常通过深度学习模型对图像进行去噪与补全，以提高图像的信噪比，但是，当前基于深度学习的去噪补全方法只关注于减少训练期间恢复的数据和原始数据之间的差异，并且在额图像连续大间隙缺失时，由于深度学习模型只能捕捉局部关系，进而导致低振幅缺失分量的插值无法获得合理的结果，也即，不利于相关人员对去噪补全后的图像进行后续处理及解释，所以，当前去噪补全后的图像的可解释性差。

技术实现思路

1、本申请的主要目的在于提供一种图像全局保幅去噪和补全模型构建方法、电子设备及可读存储介质，旨在解决现有技术中去噪补全后的图像的可解释性差的技术问题。

2、为实现上述目的，本申请提供一种图像全局保幅去噪和补全模型构建方法，所述图像全局保幅去噪和补全模型构建方法包括：

3、获取由原始样本图像和对应的含噪缺失图像组成的二维图像对；

4、根据所述二维图像对和目标损失函数，迭代训练预设两级多尺度模型的初级图像重构模型，得到模型重构参数和模型重构图像，其中，所述目标损失函数由图像重构模型损失函数和图像分割模型损失函数组成；

5、根据所述模型重构图像，对所述二维图像对进行更新，得到目标图像对；

6、根据所述模型重构参数和所述目标损失函数和所述目标图像对，迭代训练所述预设两级多尺度模型的次级图像分割模型和所述初级图像重构模型，得到目标图像解释模型。

7、为实现上述目的，本申请还提供一种图像全局保幅去噪和补全模型构建装置，所述图像全局保幅去噪和补全模型构建装置包括：

8、获取模块，用于获取由原始样本图像和对应的含噪缺失图像组成的二维图像对；

9、第一训练模块，用于根据所述二维图像对和目标损失函数，迭代训练预设两级多尺度模型的初级图像重构模型，得到模型重构参数和模型重构图像，其中，所述目标损失函数由图像重构模型损失函数和图像分割模型损失函数组成；

10、更新模块，用于根据所述模型重构图像，对所述二维图像对进行更新，得到目标图像对；

11、第二训练模块，用于根据所述模型重构参数和所述目标损失函数和所述目标图像对，迭代训练所述预设两级多尺度模型的次级图像分割模型和所述初级图像重构模型，得到目标图像解释模型。

12、本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述图像全局保幅去噪和补全模型构建方法的程序，所述图像全局保幅去噪和补全模型构建方法的程序被处理器执行时可实现如上述的图像全局保幅去噪和补全模型构建方法的步骤。

13、本申请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上存储有实现图像全局保幅去噪和补全模型构建方法的程序，所述图像全局保幅去噪和补全模型构建方法的程序被处理器执行时实现如上述的图像全局保幅去噪和补全模型构建方法的步骤。

14、本申请还提供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如上述的图像全局保幅去噪和补全模型构建方法的步骤。

15、本申请提供了一种图像全局保幅去噪和补全模型构建方法、电子设备及可读存储介质，也即，获取由原始样本图像和对应的含噪缺失图像组成的二维图像对；根据所述二维图像对和目标损失函数，迭代训练预设两级多尺度模型的初级图像重构模型，得到模型重构参数和模型重构图像，其中，所述目标损失函数由图像重构模型损失函数和图像分割模型损失函数组成；根据所述模型重构图像，对所述二维图像对进行更新，得到目标图像对；根据所述模型重构参数和所述目标损失函数和所述目标图像对，迭代训练所述预设两级多尺度模型的次级图像分割模型和所述初级图像重构模型，得到目标图像解释模型。由于在迭代训练预设两级多尺度模型时依赖的目标损失函数由图像重构模型损失函数和图像分割模型损失函数组成，进而使得迭代训练得到的初级图像重构模型更关注于图像全局特征，以及在迭代训练初级图像重构模型的基础上迭代训练的两级多尺度模型更关注图像局部特征，与此同时，由于目标图像解释模型是通过采用多轮迭代训练方式迭代训练预设两级多尺度模型而成，所以能够解决图像振幅缺失分类模糊的问题，也即，目标图像解释模型能够对输入图像进行全局保幅去噪补全，进而使得通过目标图像解释模型输出的图像能够刻画出图像的全局特征和局部特征，克服了深度学习模型只能捕捉局部关系，进而导致低振幅缺失分量的插值无法获得合理的结果的技术缺陷，所以，提高了去噪补全后的图像的可解释性。

技术特征：

1.一种图像全局保幅去噪和补全模型构建方法，其特征在于，所述图像全局保幅去噪和补全模型构建方法包括：

2.如权利要求1所述图像全局保幅去噪和补全模型构建方法，其特征在于，所述根据所述模型重构参数和所述目标损失函数和所述目标图像对，迭代训练所述预设两级多尺度模型的次级图像分割模型和所述初级图像重构模型，得到目标图像解释模型的步骤包括：

3.如权利要求2所述图像全局保幅去噪和补全模型构建方法，其特征在于，所述获取由原始样本图像和对应的含噪缺失图像组成的二维图像对的步骤包括；

4.如权利要求3所述图像全局保幅去噪和补全模型构建方法，其特征在于，所述图像重构模型损失函数如下：

5.如权利要求4所述图像全局保幅去噪和补全模型构建方法，其特征在于，所述目标损失函数如下：

6.如权利要求5所述图像全局保幅去噪和补全模型构建方法，其特征在于，所述初级图像重构模型和所述次级图像分割模型均为u形的编码器-解码器神经网络模型，其中，所述初级图像重构模型或者所述次级图像分割模型的编码器部分由m个下采样模块组成，所述m个下采样模块由浅至深依次如下：

7.如权利要求6所述图像全局保幅去噪和补全模型构建方法，其特征在于，所述下采样模块具有：

8.如权利要求7所述图像全局保幅去噪和补全模型构建方法，其特征在于，所述横纵注意力模块数量为所述上采样模块和所述下采样模块的模块数量之和，所述横纵注意力模块具有：

9.一种电子设备，其特征在于，所述电子设备包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有实现图像全局保幅去噪和补全模型构建方法的程序，所述实现图像全局保幅去噪和补全模型构建方法的程序被处理器执行以实现如权利要求1至8中任一项所述图像全局保幅去噪和补全模型构建方法的步骤。

技术总结
本申请公开了图像全局保幅去噪和补全模型构建方法、设备及存储介质，包括：获取由原始样本图像和对应的含噪缺失图像组成的二维图像对；根据所述二维图像对和目标损失函数，迭代训练预设两级多尺度模型的初级图像重构模型，得到模型重构参数和模型重构图像，其中，所述目标损失函数由图像重构模型损失函数和图像分割模型损失函数组成；根据所述模型重构图像，对所述二维图像对进行更新，得到目标图像对；根据所述模型重构参数和所述目标损失函数和所述目标图像对，迭代训练所述预设两级多尺度模型的次级图像分割模型和所述初级图像重构模型，得到目标图像解释模型。本申请解决了去噪补全后的图像的可解释性差的技术问题。

技术研发人员：康宇,李传玲,张文婷,李鲲,吕文君
受保护的技术使用者：中国科学技术大学先进技术研究院
技术研发日：
技术公布日：2024/1/13