[发明专利]一种神经网络的输入图像生成方法和系统

权利要求书

1.一种神经网络的输入图像生成方法，其特征在于，包括：

获取多个目标图像数据；

获取目标处理操作；

对每个所述目标图像数据进行所述目标处理操作，得到多个输入图像数据，所述输入图像数据用于训练预设深度卷积神经网络模型；

所述获取目标处理操作，包括：

获取所述预设深度卷积神经网络模型的用途，所述用途包括：分辨率放大操作；

根据所述用途确定对应的目标处理操作；

根据所述用途确定对应的目标处理操作，包括：

当所述预设深度卷积神经网络模型用于进行分辨率放大操作时，确定对应的目标处理操作为分辨率缩小操作；

所述分辨率缩小操作包括：

随机获取一个或多个缩小系数；

从内存中读取各个目标图像数据，按照所述缩小系数对所述各个目标图像数据进行分辨率缩小处理，得到多个所述输入图像数据，将所述目标图像数据与对应的输入图像数据关联保存至位于预定存储空间的第三训练样本信号集合中。

2.根据权利要求1所述的神经网络的输入图像生成方法，其特征在于，

所述用途还包括以下任一项：信号去噪操作，信号增强操作。

3.根据权利要求2所述的神经网络的输入图像生成方法，其特征在于，根据所述用途确定对应的目标处理操作还包括：

当所述预设深度卷积神经网络模型用于进行信号去噪操作时，确定对应的目标处理操作为噪声叠加操作；

当所述预设深度卷积神经网络模型用于进行信号增强操作时，确定对应的目标处理操作为比特位无效操作。

4.根据权利要求3所述的神经网络的输入图像生成方法，其特征在于，所述噪声叠加操作包括：

获取多个至少一个类型的高斯噪声信号并保存在内存中；

从内存中分别读取各个目标图像数据及各个类型的高斯噪声信号，按照预定的规则利用所述内存中的高斯噪声信号对所述目标图像数据进行叠加，得到多个所述输入图像数据，将所述目标图像数据与对应的输入图像数据关联保存至位于预定存储空间的第一训练样本信号集合中；

所述比特位无效操作包括：

随机获取一个或多个比特位无效规则；

从内存中读取各个目标图像数据，按照所述比特位无效规则对所述各个目标图像数据进行部分比特位无效处理，得到多个所述输入图像数据，将所述目标图像数据与对应的输入图像数据关联保存至位于预定存储空间的第二训练样本信号集合中。

5.根据权利要求3所述的神经网络的输入图像生成方法，其特征在于，所述训练预设深度卷积神经网络模型，包括：

获取训练样本数据集合，所述训练样本数据集合包括多组训练样本数据，每组训练样本数据包括所述目标图像数据和所述输入图像数据；

将所述训练样本数据集合中的输入图像数据输入预设深度卷积神经网络模型中，得到每组训练样本数据对应的训练结果信号；

将每个所述训练结果信号与各自对应的训练样本数据中的所述目标图像数据进行对比，得到对比结果；

根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数。

6.根据权利要求5所述的神经网络的输入图像生成方法，其特征在于，所述将每个所述训练结果信号与各自对应的训练样本数据中的所述目标图像数据进行对比，得到对比结果，包括：

计算每个所述训练结果信号与各自对应的训练样本数据中的所述目标图像数据之间的信号差值；

所述根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数，包括：

根据各个信号差值确定当前神经网络的精度，在所述精度达到精度阈值时，将当前神经网络参数确定为目标神经网络参数；

在所述精度未达到精度阈值时，调整所述当前神经网络参数。

7.根据权利要求1所述的神经网络的输入图像生成方法，其特征在于，所述方法还包括：

接收激光雷达的图像数据；

利用预设深度卷积神经网络模型对所述图像数据进行预处理操作，获得处理后的图像数据；

输出所述处理后的图像数据。