[发明专利]通过神经网络进行图像处理的方法和训练神经网络的方法

说明书

本发明涉及一种计算机实现的用于处理图像的方法，包括以下步骤：将所述图像划分为至少两个图像区域；将所述图像区域中的至少一个图像区域分组为至少一组，将所述图像区域中的每一个分配至仅一组或不分配至组；以及将神经网络的层中的至少一个内核应用于至少一组的所述图像区域，每一组所述图像区域被应用至多一个内核。本发明还涉及计算机实现的用于训练神经网络的方法、用于在神经网络中处理图像和/或用于训练神经网络的设备、以及计算机可读介质。

技术领域

本发明涉及一种计算机实现的用于在神经网络中处理图像的方法。

背景技术

神经网络，更确切地，卷积神经网络(CNN)，是已知的，例如从YannLeCun等人的“Object Recognition with Gradient-Based Learning”。特别地，在文中讨论了找到一组合适特征。CNN被证明特别适合这项任务。

数码相机被用于各种工业应用中。待记录的场景通常使用照明单元照明并且借助于物镜成像于相机的图像传感器上。然后，可以将任何处理步骤应用于形成的原始图像，其中，它随后可以经由对应的接口被传输。

数码相机尤其被用于交通工程，例如，用于检测牌照，用于检查生产中的产品质量，以及用于监控技术。样品，例如细胞样品，经常在医学技术以及生物学领域中被评估。样品的研究通常借助于安装有数码相机的显微镜来进行。相机记录样品并且随后向用户提供样品的数字图像。然后，该图像可以被用于其他研究，例如对细胞进行计数或分类。

还存在数码相机和图像的许多其他应用，例如，在天文学、医学、物理学、生物学、化学和艺术历史领域，仅举几例。

为了能够完成相应的任务，需要足够的图像质量。这意味着与任务相关的图像内容必须能够在图像中被足够清楚地识别，并且不会由于图像噪声或其他影响而不可识别。

此外，重要的是，特别是在医学技术领域中，没有图像内容被校正方法或各个操作扭曲。在显微镜中，几毫秒到几分钟的曝光时间是常见的。因此，处理方法的评估时间应该在相似的时间帧内。

图像噪声的去除，所谓的去噪，是用于改进图像质量或用于在处理图像数据时维持图像内容的重要方法。

去噪可以直接在相机中或在外部硬件中计算，例如在计算机中，例如具有处理器(CPU)或具有图形处理器(GPU)的客户计算机。因此，期望经济地利用资源以及计算时间，以便最小化客户计算机上的负担并节省硬件资源。此外，可以在现场可编程门阵列(FPGA)或特定硬件(诸如帧抓取器或微控制器(MCU))中的相机中执行计算。

在这种情况下，对资源的需求也应该保持为最小，因为计算能力、能量和芯片面积总是与成本相关联。

医疗或生物样品通常非常敏感并且可能被过量的光损坏或破坏。因此，这种样品的成像记录经常使用少量的光产生，例如在低光强度下，例如在显微镜中通常是这种情况。在最正确假设下，即记录中涉及至少很大程度上满足EMVA1288标准的相机，结果是记录随后具有低信噪比。这可显著损害图像的可识别性和可用性。因此，期望通过降低图像中的噪声来改善信噪比。

如果样品在记录期间暴露于少量的光，则通常导致图像传感器的低曝光。低曝光下的显著形式的图像噪声主要是光子噪声(也是光子散粒噪声)和暗噪声(由电读出噪声控制，也是“读取噪声”)。

在低水平光强度的情况下，原则上可以通过增加曝光时间来增加曝光。结果，通常可以降低光子噪声，从而可以提高图像的可识别性和可用性。然而，根据EMVA1288的曝光时间的增加还导致暗噪声的增加及图像中的所谓热像素的数目的增加。

所谓暗噪声在没有光照射在相机的传感器上的情况下发生。一方面，这种噪声的原因是个别光敏元件(即，像素)的暗电流，另一方面，还有读出放大器的噪声。例如，暗噪声在荧光显微镜中发生。