[发明专利]图像合成模型的训练方法、装置与电子设备

权利要求书

1.一种图像合成模型的训练方法，其特征在于，包括：

对第一灰度图像样本和第二灰度遮罩图像样本进行合成处理，以获得合成图像样本；

将所述图像样本输入至卷积神经网络进行训练，所述卷积神经网络的输出为单应性变换矩阵；

根据单应性变换矩阵对所述第一灰度图像样本进行变换，以得第一灰度变换图像样本；

确定所述第一灰度变换图像样本的第i个索引位置的第一像素值，所述第二灰度遮罩图像样本的第i个索引位置的第二像素值，并确定所述第一像素值与所述第二像素值之间的较大值；

根据所述第一像素值、所述第二像素值和所述第二灰度遮罩图像样本的全部索引位置的像素值确定所述卷积神经网络的训练损失，并根据所述训练损失调整所述卷积神经网络的配置参数，包括：

确定所述第i个索引位置的第一像素值和第二像素值之间的差值绝对值；

确定所述第i个索引位置的差值绝对值与所述较大值之间的像素乘积；

对全部索引位置的像素乘积进行累加，并将累加结果确定为第一累加和；

对所述第二灰度遮罩图像样本的全部索引位置的像素值进行累加，并将累加结果确定为第二累加和；

根据所述第一累加和与所述第二累加和之间的比例关系，确定所述卷积神经网络的训练损失；

根据所述训练损失调整所述卷积神经网络的配置参数。

2.如权利要求1所述的图像合成模型的训练方法，其特征在于，在对第一灰度图像样本和第二灰度遮罩图像样本进行合成处理前，还包括：

对待合成的两个灰度图像进行高斯滤波，以获得滤波图像；

对所述滤波图像进行梯度算子处理，以获得梯度图像；

确定所述梯度图像中的灰度较大值，并将所述梯度图像中的每个点的像素值除以所述灰度较大值，以获得归一化的灰度图像样本；

将所述灰度图像样本中的一个样本确定为所述第一灰度图像样本，将所述灰度图像样本中的另一个样本确定为所述第二灰度遮罩图像样本。

3.如权利要求1所述的图像合成模型的训练方法，其特征在于，对第一灰度图像样本和第二灰度遮罩图像样本进行合成处理，以获得合成图像样本，具体包括：

对所述第一灰度图像样本和所述第二灰度遮罩图像样本进行合并处理，以获得合并图像样本；

对所述合并图像样本进行下采样处理，并将采样处理的结果确定为所述合成图像样本。

4.如权利要求1所述的图像合成模型的训练方法，其特征在于，将所述图像样本输入至卷积神经网络进行训练，所述卷积神经网络的输出为单应性变换矩阵，具体包括：

将所述合成图像样本输入至所述卷积神经网络，所述卷积神经网络执行1×1的卷积操作，所述卷积神经网络的输入通道为2，所述卷积神经网络的输出通道为3；

将所述输出通道的结果执行块归一化操作；

将所述块归一化操作的结果输入至回归骨干网，所述回归骨干网络输出单应性变换参数；

将所述单应性变换参数输入至直接线性变换层，所述直接线性变换层输出为所述单应性变换矩阵。

5.如权利要求1所述的图像合成模型的训练方法，其特征在于，所述卷积神经网络执行卷积核为5×5，所述卷积神经网络的执行步长为2，所述卷积神经网络的执行填充为2。

6.如权利要求1所述的图像合成模型的训练方法，其特征在于，根据单应性变换矩阵对所述第一灰度图像样本进行变换，以得第一灰度变换图像样本，具体包括：

将所述第一灰度图像样本输入至空间变换层，通过所述空间变换层的单应性变换矩阵对所述第一灰度图像样本进行变换，以得第一灰度变换图像样本。