[发明专利]神经网络训练及图像处理方法、装置、电子设备和存储介质

权利要求书

1.一种神经网络训练方法，其特征在于，包括：

获取带噪样本图像及对应的无噪样本图像；

基于神经网络，生成所述带噪样本图像对应的无噪预估图像；

根据所述无噪预估图像及所述无噪样本图像，对所述神经网络进行训练；其中，所述神经网络为双线性神经网络，

其中，所述双线性神经网络包括用于训练透射率参数的第一分支网络和用于训练大气光参数的第二分支网络，

所述基于神经网络，生成所述带噪样本图像对应的无噪预估图像，包括：

基于所述第一分支网络获取所述带噪样本图像的透射率预测值；

基于所述第二分支网络获取所述带噪样本图像的大气光预测值；

根据获取的所述透射率预测值及所述大气光预测值，生成所述带噪样本图像对应的无噪预估图像。

2.根据权利要求1所述的方法，其特征在于，所述根据所述无噪预估图像及所述无噪样本图像，对所述神经网络进行训练，包括：

基于预设组合损失函数，获取所述无噪预估图像及所述无噪样本图像之间的第一差异；

根据所述第一差异调整所述双线性神经网络的透射率参数及大气光参数。

3.根据权利要求2所述的方法，其特征在于，所述预设组合损失函数为I＝J*T+A(1–T)，其中，I为所述无噪预估图像，J为所述带噪样本图像，A为所述大气光参数，T为所述透射率参数。

4.根据权利要求3所述的方法，其特征在于，所述第一分支网络和所述第二分支网络均为三层卷积网络。

5.根据权利要求4所述的方法，其特征在于，所述三层卷积网络包括第一卷积层、第二卷积层和第三卷积层；所述第一卷积层、所述第二卷积层及所述第三卷积层的输入均为RGB三通道图像；

所述第一卷积层的卷积核大小为9乘以9，所述第一卷积层包括96个通道；

所述第二卷积层的卷积核大小为5乘以5，所述第二卷积层包括32 个通道；

所述第一卷积层与所述第二卷积层之后均连接有Relu层。

6.根据权利要求4或5中任一项所述的方法，其特征在于，第二分支网络的第三卷积层的输出为三通道，所述第一分支网络的第三卷基层的输出为一通道。

7.根据权利要求5～6中任一项所述的方法，其特征在于，所述第一分支网络还包括用于对所述透射率预测值进行导向滤波的导向滤波器。

8.根据权利要求2～7中任一项所述的方法，其特征在于，在所述根据所述第一差异调整所述双线性神经网络的透射率参数及大气光参数之前，还包括：

获取所述透射率预测值与所述透射率参数之间的第二差异，以及所述大气光预测值与所述大气光参数之间的第三差异；

所述根据所述第一差异调整所述双线性神经网络的透射率参数及大气光参数，包括：

根据所述第一差异及其对应的第一权重、所述第二差异及其对应的第二权重，和所述第三差异及其对应的第三权重，调整所述双线性神经网络的透射率参数及大气光参数。

9.根据权利要求8所述的方法，其特征在于，所述第一权重小于所述第二权重，且所述第一权重小于所述第三权重。

10.一种图像处理方法，其特征在于，包括：

获取原始图像；

基于神经网络，对所述原始图像进行去噪处理，得到第一去噪图像；

其中，所述神经网络为采用如权利要求1～9任一项所述的神经网络训练方法训练获得的神经网络。

11.根据权利要求10所述的方法，其特征在于，所述方法还包括：

基于图像增强网络，对所述第一去噪网络进行处理，得到第二去噪图像。