图像处理方法、神经网络的训练方法及相关装置与流程

本技术涉及人工智能，尤其涉及一种图像处理方法、神经网络的训练方法及相关装置。

背景技术：

1、人工智能（artificial intelligence, ai）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人，自然语言处理，计算机视觉，决策与推理，人机交互，推荐与搜索，ai基础理论等。

2、神经网络（neural network，nn）作为人工智能的重要分支，是一种模仿动物神经网络行为特征进行信息处理的网络结构。神经网络的结构由大量的节点（或称神经元）相互联接构成，基于特定运算模型通过对输入信息进行学习和训练达到处理信息的目的。一个神经网络包括输入层、隐藏层及输出层，输入层负责接收输入信号，输出层负责输出神经网络的计算结果，隐藏层负责学习、训练等计算过程，是网络的记忆单元，隐藏层的记忆功能由权重矩阵来表征，通常每个神经元对应一个权重系数。

3、申请人在研究中发现，通过通用的卷积神经网络模型（例如，unet模型）对图像进行处理时，对非均匀的图像噪声拟合存在偏差，容易被图像亮部的损失主导，从而导致暗部纹理损失，图像涂抹感重。因此，如何提高神经网络模型对图像的处理效果是亟需解决的技术问题。

技术实现思路

1、本技术实施例提供一种图像处理方法、神经网络的训练方法及相关装置，可以提高神经网络模型对图像的处理效果。

2、第一方面，本技术实施例提供了一种神经网络的训练方法，该方法应用于训练设备，包括：

3、获取训练数据对，其中，所述训练数据对包括无噪声图像和有噪声图像；

4、基于所述无噪声图像、所述有噪声图像以及损失函数对第一神经网络模型进行训练，得到训练好的第二神经网络模型。

5、实施本技术实施例，由于训练数据对充分考虑了训练数据的多样性，具体地，训练数据对（无噪声图像和有噪声图像）是通过标定的泊松噪声参数和高斯噪声参数仿真生成，并对其进行随机增强处理，可以提高训练好的第二神经网络模型的性能，例如，可以提高训练好的第二神经网络模型在处理图像时的效果。

6、在一种可能的实现方式中，所述损失函数与在所述有噪声图像中标定出的泊松噪声参数有关。

7、在一种可能的实现方式中，所述获取训练数据对，包括：

8、通过第一图像采集设备获取n张有噪声图像，并通过第二图像采集设备获取n张无噪声图像；

9、在所述第一图像采集设备获取的n张有噪声图像中，标定出泊松噪声参数和高斯噪声参数；

10、利用所述泊松噪声参数和所述高斯噪声参数对通过所述第二图像采集设备获取的无噪声图像进行处理，得到所述训练数据对。

11、例如，第一图像采集设备可以为手机，第二图像采集设备可以为单反。可以理解的是，通过第二图像采集设备获取的图像的质量要优于通过第一图像采集设备获取的图像。

12、可以理解的是，在本技术提出的技术方案中，有噪声图像分为两方面，一方面是第一图像采集设备上采集的有噪声图像，用于标定该设备的噪声参数；另一方面是对通过第二图像采集设备获取的无噪声图像增加高斯噪声参数和泊松噪声参数得到图像，形成训练用的数据对。以这种方式，充分考虑了训练数据的多样性，可以提高训练好的第二神经网络模型的性能。

13、在一种可能的实现方式中，所述方法还包括：

14、通过验证数据集对所述训练好的第二神经网络模型进行验证，直至最终训练好的第二神经网络模型的精度的变化值小于或等于预设阈值。

15、当通过验证数据集，对训练好的第二神经网络模型进行训练，得到第二神经网络的模型精度不发生变化的情况下，表示训练过程结束，此时，可以通过最终训练好的第二神经网络来完成图像降噪、图像画质增强、分割等特定任务。由于神经网络模型在训练阶段经历了多次训练的过程，使得训练好的第二神经网络的模型精度不发生变化，当通过测试数据集进行测试时，可以避免测试精度低的情形，从而可以提高神经网络模型的泛化能力。

16、在一种可能的实现方式中，所述第一神经网络模型为unet网络模型。

17、第二方面，本技术实施例提供了一种数据处理方法，该方法包括：接收输入图像；并对所述输入图像进行格式转换和/或随机增强处理，得到处理后的输入图像；

18、将所述处理后的输入图像输入到训练好的第二神经网络模型中，通过所述第二神经网络模型对所述输入图像进行处理，得到处理好的图像；其中，所述训练好的第二神经网络模型为通过第一方面任一项所述的神经网络的训练方法得到的；输出所述处理好的图像，并对所述处理好的图像进行逆向后处理，得到输出结果。

19、实施本技术实施例，由于训练数据对中充分考虑了训练数据的多样性，可以保证训练好的第二神经网络模型具有很好的泛化能力。当通过训练好的第二神经网络模型对输入图像进行处理时，可以提高训练好的第二神经网络模型的性能；进一步地，通过泊松参数相关的损失函数，训练好的第二神经网络模型可以无偏的拟合图像亮部区域和暗部区域，避免暗部纹理损失。

20、第三方面，本技术实施例提供了一种神经网络的训练装置，包括：

21、图像获取单元，用于获取训练数据对，其中，所述训练数据对包括无噪声图像和有噪声图像；

22、训练单元，用于基于所述无噪声图像、所述有噪声图像以及损失函数对第一神经网络模型进行训练，得到训练好的第二神经网络模型。

23、第四方面，本技术实施例提供了一种图像处理装置，包括：

24、接收单元，用于接收输入图像，并对所述输入图像进行格式转换和/或随机增强处理，得到处理后的输入图像；

25、处理单元，用于将所述处理后输入图像输入到训练好的第二神经网络模型，通过所述第二神经网络模型对所述输入图像进行处理，得到处理好的图像；其中，所述训练好的第二神经网络模型为通过上述第一方面任一项所述的神经网络的训练方法得到的；

26、输出单元，用于输出所述处理好的图像，并对所述处理好的图像进行逆向后处理，得到输出结果。

27、第六方面，本技术实施例提供一种终端，该终端包括存储器和处理器，所述存储器用于存储支持终端执行上述第二方面方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面，或第二方面的方法。

28、第七方面，本技术实施例还提供一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。

29、第八方面，本技术实施例还提供一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第二方面的方法。

30、第九方面，本技术实施例还提供了一种计算机程序，所述计算机程序包括计算机软件指令，所述计算机软件指令当被计算机执行时使所述计算机执行如第一方面所述的任一种神经网络的训练方法。

31、第十方面，本技术实施例还提供了一种计算机程序，所述计算机程序包括计算机软件指令，所述计算机软件指令当被计算机执行时使所述计算机执行如第二方面所述的任一种图像处理方法。