[发明专利]神经网络模型训练方法、装置及终端设备

权利要求书

1.一种神经网络模型训练方法，其特征在于，包括：

获取用于对图像进行超分辨处理的神经网络模型和用于训练所述神经网络模型的初始图像；

对所述初始图像添加噪声；

对添加噪声后的初始图像进行下采样处理，生成所述初始图像对应的采样图像；

将所述初始图像及对应的采样图像作为训练数据，对所述神经网络模型进行训练。

2.如权利要求1所述的神经网络模型训练方法，其特征在于，所述对所述初始图像添加噪声包括：

对所述初始图像添加噪声，并进行模糊处理。

3.如权利要求1所述的神经网络模型训练方法，其特征在于，所述噪声为至少一类，所述对所述初始图像添加噪声包括：

将各类噪声分别添加到所述初始图像，得到各类噪声对应的噪声图像；

将各类噪声对应的噪声图像中每个像素点与所述初始图像中对应像素点的像素值作差，得到各类噪声对应的各个像素点的像素差值；

获取各类噪声的预设权重值，将各类噪声对应的同一像素点的像素差值进行加权求平均，得到各个像素点对应的噪声均值；

将各个像素点对应的噪声均值添加到所述初始图像的对应像素点的像素值上。

4.如权利要求1所述的神经网络模型训练方法，其特征在于，所述对添加噪声后的初始图像进行下采样处理包括：

根据近邻采样法对添加噪声后的初始图像进行下采样处理。

5.如权利要求1至4任一项所述的神经网络模型训练方法，其特征在于，所述对所述神经网络模型进行训练包括：

根据结构相似性理论中两幅图像之间亮度、对比度和结构的相似关系，建立损失函数；

根据所述训练数据和所述损失函数对所述神经网络模型进行训练。

6.如权利要求5所述的神经网络模型训练方法，其特征在于，所述损失函数为：

Loss_new(A,C)＝-l(A,C)-c(A,C)-s(A,C)

其中，A表示第一图像，C表示第二图像，l(A,C)为第一图像和第二图像之间的亮度对比函数；c(A,C)为第一图像和第二图像之间的对比度对比函数；s(A,C)为第一图像和第二图像之间的结构对比函数；其中第一图像为所述初始图像；第二图像为在训练过程中将所述初始图像对应的采样图像输入所述神经网络模型后，所述神经网络模型输出的图像。

7.如权利要求6所述的神经网络模型训练方法，其特征在于，所述亮度对比函数为所述对比度对比函数为所述结构对比函数为

其中，μ_A为第一图像的像素平均值，μ_C为第二图像的像素平均值，σ_A为第一图像的像素标准差，σ_C为第二图像的像素标准差，σ_Aσ_C为第一图像和第二图像的像素协方差；K₁，K₂和K₃均为常量。

8.一种神经网络模型训练装置，其特征在于，包括：

获取模块，用于获取用于对图像进行超分辨处理的神经网络模型和用于训练所述神经网络模型的初始图像；

预处理模块，用于对所述初始图像添加噪声；

采样模块，用于对添加噪声后的初始图像进行下采样处理，生成所述初始图像对应的采样图像；

训练模块，用于将所述初始图像及对应的采样图像作为训练数据，对所述神经网络模型进行训练。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。