[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

说明书

本发明实施例提供了一种神经网络训练方法、装置、电子设备和存储介质，以及，一种图像处理方法、装置、电子设备和存储介质。其中，神经网络训练方法包括：获取带噪样本图像及对应的无噪样本图像；基于神经网络，生成带噪样本图像对应的无噪预估图像；根据无噪预估图像及无噪样本图像，对神经网络进行训练；其中，神经网络为双线性神经网络。采用本发明的技术方案，可以避免神经网络训练时易出现的图像噪声过拟合的问题，从而保证了训练得到的神经网络对图像中信息的影响，而且通过本实施例的神经网络训练方法训练得到的神经网络，可以实现对带雾带噪的自然图像进行的去雾去噪处理，并且有效地提高去雾去噪效果。

技术领域

本发明实施例涉及人工智能技术领域，尤其涉及一种神经网络训练及图像处理方法、装置、电子设备和存储介质。

背景技术

随着计算机技术和图像处理技术的发展，图像识别被广泛应用于众多领域，如视频监控、人脸识别等等。图像识别通过对图像进行处理、分析和理解，可以识别出各种目标对象。在进行图像识别时，图像的清晰度越高，识别的准确度也越高。

但拍摄图像会受到环境和空气的影响，尤其是在有雾、有霾、雨天等等天气条件不好的情况下，无法拍摄到清晰的便于后续识别的图像。为此，自然图像的去雾技术应运而生。目前，在图像去雾技术领域已经提出了多种算法，比较有代表性的是基于图像增强的去雾算法和基于图像复原的去雾算法。

其中，基于图像增强的去雾算法中，利用直方图均衡化、Retinex理论等来提高带雾图像的对比度，突出或弱化某些信息，减小雾对图像的影响。该方法不考虑图像降质原因，适用范围广，能有效地提高雾天图像的对比度，改善图像的视觉效果，但对于突出部分的信息会造成一定损失。而基于图像复原的去雾算法如基于先验信息的去雾算法，包括：暗通道去雾算法，假设物体阴影和反射率局部不相关算法等等，这些算法都能得到较好的去雾效果，但需要利用先验信息进行估计，且在去雾过程中增强了原图像中的噪声等非自然信息。

可见，现有的自然图像的去雾方式都会对原图像中的信息造成相当程度的影响，不能很好地实现自然图像的去雾处理。

发明内容

本发明实施例提供了一种神经网络训练的技术方案和一种图像处理的技术方案。

根据本发明实施例的第一方面，提供了一种神经网络训练方法，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。

可选地，所述双线性神经网络包括透射率参数及大气光参数；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：基于神经网络获取所述带噪样本图像的透射率预测值及大气光预测值；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。

可选地，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。

可选地，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。

可选地，所述大气光参数的训练网络和所述透射率参数的训练网络均为三层卷积网络。

可选地，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。