[发明专利]基于非监督学习的图像处理方法、装置、计算机设备

权利要求书

1.一种基于非监督学习的图像处理方法，应用于用户终端，其特征在于，所述方法包括：

若接收到用户所输入的待处理图像，根据预置的图像采样规则对所述待处理图像进行降采样得到采样图像；所述待处理图像中包含具有跨尺度内部递归能力的特异性信息；

将所述待处理图像及所述采样图像组成为训练图像集对预存的卷积神经网络进行训练以得到训练后的卷积神经网络；

将所述待处理图像作为输入信息输入训练后的所述卷积神经网络以将输出信息作为与所述待处理图像对应的预测图像。

2.根据权利要求1所述的基于非监督学习的图像处理方法，其特征在于，所述图像采样规则中包括采样倍数及采样核生成公式，所述根据预置的图像采样规则对所述待处理图像进行降采样得到采样图像，包括：

根据所述采样倍数随机生成与所述采样倍数对应的采样核参数值；

根据所述采样核生成公式生成与所述采样核参数值对应的采样核；

根据所述采样核对所述待处理图像进行降采样得到采样图像。

3.根据权利要求1所述的基于非监督学习的图像处理方法，其特征在于，所述将所述待处理图像及所述采样图像组成为训练图像集对预存的卷积神经网络进行训练以得到训练后的卷积神经网络，包括：

根据预置的图像变换规则对所述待处理图像及所述采样图像进行同步变换处理，并将经过处理后所得到的扩展采样图像及扩展待处理图像作为图像组添加至所述训练图像集中；

根据所述训练图像集中所包含的所述图像组对所述卷积神经网络进行训练以得到训练后的卷积神经网络。

4.根据权利要求3所述的基于非监督学习的图像处理方法，其特征在于，所述图像变换规则包括90°旋转、180°旋转、270°旋转、垂直翻转及水平翻转中的一种或多种变换规则。

5.根据权利要求3或4所述的基于非监督学习的图像处理方法，其特征在于，所述根据所述训练图像集中所包含的所述图像组对所述卷积神经网络进行训练以得到训练后的卷积神经网络，包括：

根据所述卷积神经网络对所述图像组中的采样图像或扩展采样图像进行卷积以得到卷积放大图像；

将所述图像组中的待处理图像或扩展待处理图像作为目标图像，根据预置的损失函数计算所述卷积放大图像与所述目标图像之间的损失值；

根据预置的梯度计算公式及所述损失值对所述卷积神经网络中的参数值进行调整以得到训练后的卷积神经网络。

6.根据权利要求5所述的基于非监督学习的图像处理方法，其特征在于，所述根据预置的损失函数计算所述卷积放大图像与所述目标图像之间的损失值之前，还包括：

判断所述卷积放大图像是否与所述目标图像的尺寸相同；

若所述卷积放大图像与所述目标图像的尺寸不相同，根据所述目标图像的尺寸对所述卷积放大图像进行裁剪，以使所述卷积放大的图像与所述目标图像的尺寸相同。

7.根据权利要求1所述的基于非监督学习的图像处理方法，其特征在于，所述将所述待处理图像及所述采样图像组成为训练图像集对预存的卷积神经网络进行训练以得到训练后的卷积神经网络之后，还包括：

若接收到用户所输入的处理次数信息，根据所述处理次数信息及训练后的所述卷积神经网络对所述待处理图像进行多次处理，以将多次处理后的输出信息作为与所述待处理图像对应的预测图像。

8.一种基于非监督学习的图像处理装置，其特征在于，包括：

采样图像获取单元，用于若接收到用户所输入的待处理图像，根据预置的图像采样规则对所述待处理图像进行降采样得到采样图像；所述待处理图像中包含具有跨尺度内部递归能力的特异性信息；

卷积神经网络训练单元，用于将所述待处理图像及所述采样图像组成为训练图像集对预存的卷积神经网络进行训练以得到训练后的卷积神经网络；

预测图像获取单元，用于将所述待处理图像作为输入信息输入训练后的所述卷积神经网络以将输出信息作为与所述待处理图像对应的预测图像。