[发明专利]图像处理模型的训练方法、图像处理方法及装置

权利要求书

1.一种图像处理模型的训练方法，其特征在于，所述方法包括：

获取样本图像组的第一分辨率数据和第二分辨率数据；所述第二分辨率低于所述第一分辨率；

利用至少包含双边滤波网络BNN模型的图像处理模型对所述第二分辨率数据进行超分辨率重建，得到第三分辨率数据；所述第三分辨率高于所述第二分辨率；

基于所述第一分辨率数据与所述第三分辨率数据，确定所述图像处理模型的损失函数的值；

基于所述损失函数的值，更新所述图像处理模型的模型参数；

其中，所述利用至少包含BNN模型的图像处理模型对所述第二分辨率数据进行超分辨率重建，得到第三分辨率数据，包括：

针对所述第二分辨率数据中的每帧图像，进行上采样处理，得到上采样处理后的相应帧图像；

利用所述上采样处理后的相应帧图像和第一图像帧序列，提取图像中各像素点的特征，得到特征集合；所述第一图像帧序列是所述第二分辨率数据中所述相应帧图像之前各帧图像进行超分辨率重建后形成的；

利用BNN模型对所述特征集合进行融合处理，得到所述相应帧图像的超分辨率图像；所述第二分辨率数据中所有帧图像的超分辨率图像形成所述第三分辨率数据；

所述利用BNN模型对所述特征集合进行融合处理，得到所述相应帧图像的超分辨率图像，包括：

利用至少一组滤波器对所述特征集合进行过滤处理，得到过滤处理后的各特征；

利用第一滤波器对得到的处理后的各特征进行降维处理，得到所述相应帧图像的超分辨率图像；

所述利用至少一组滤波器对所述特征集合进行过滤处理，包括：

将所述特征集合中的各特征在预设维度的空间中进行映射，得到映射后的各特征；

对映射后的各特征进行卷积处理，得到卷积处理后的各特征；

利用质心插值方法将得到的卷积处理后的各特征在所述预设维度的空间中进行映射。

2.根据权利要求1所述的方法，其特征在于，所述利用至少包含BNN模型的图像处理模型对所述第二分辨率数据进行超分辨率重建，得到第三分辨率数据，包括：

利用包含BNN模型和卷积神经网络CNN模型的图像处理模型对所述第二分辨率数据进行超分辨率重建，得到第三分辨率数据。

3.根据权利要求2所述的方法，其特征在于，所述利用包含BNN模型和CNN模型的图像处理模型对所述第二分辨率数据进行超分辨率重建，得到第三分辨率数据，包括：

针对所述第二分辨率数据中的每帧图像，进行上采样处理，得到上采样处理后的相应帧图像；

利用所述上采样处理后的相应帧图像和第一图像帧序列，提取图像中各像素点的特征，得到特征集合；所述第一图像帧序列是所述第二分辨率数据中所述相应帧图像之前各帧图像进行超分辨率重建后形成的；

利用BNN模型对所述特征集合进行融合处理，得到处理后的数据；

利用CNN模型对得到的处理后的数据进行滤波处理，得到所述相应帧图像的超分辨率图像；所述第二分辨率数据中所有帧图像的超分辨率图像形成所述第三分辨率数据。

4.根据权利要求1所述的方法，其特征在于，所述基于所述第一分辨率数据与所述第三分辨率数据，确定所述图像处理模型的损失函数的值，包括：

基于所述第一分辨率数据与所述第三分辨率数据，确定所述第一分辨率数据与所述第三分辨率数据之间的残差；

基于所述第一分辨率数据与所述第三分辨率数据之间的残差，确定所述图像处理模型的损失函数的值。

5.根据权利要求1所述的方法，其特征在于，所述基于所述损失函数的值，更新所述图像处理模型的模型参数，包括：

确定所述图像处理模型的损失函数的值达到第一阈值，基于所述图像处理模型的损失函数确定相应的第一误差信号；

将所述第一误差信号在所述图像处理模型中反向传播，并在传播的过程中利用随机梯度下降法更新所述图像处理模型的各网络层的模型参数。