[发明专利]一种图像摩尔纹消除方法及装置

权利要求书

1.一种图像摩尔纹消除方法，其特征在于，包括：

获取初始测试样本集，所述初始测试样本集包含存在摩尔纹缺陷和不存在摩尔纹缺陷的显示屏面板图像；

获取初始神经网络模型，所述初始神经网络模型包括Dense模块、Trans模块以及恢复重构模块，所述Dense模块由至少两组BN层-Relu层-Conv层和Res残差网络组成，所述BN层-Relu层-Conv层中每一层的输出都作为下一个BN层-Relu层-Conv层的输入，所述恢复重构模块由Up_sample子模块、Up_conv子模块和Conv_out子模块连接组成；

从所述初始测试样本集中随机选取样本通过所述初始神经网络模型输出第一样本图像，包括：

将所述初始测试样本集中随机选取样本通过卷积特征提取处理，生成第一样本特征；

将所述第一样本特征通过所述Trans模块进行全局平均池化和通道混洗处理，生成第二样本特征；

将所述第二样本特征通过所述Up_sample子模块进行双线性插值、通道降维以及通道叠加处理，再进行DropBlock生成第三样本特征；

将所述第三样本特征通过所述Up_conv子模块进行反卷积和通道叠加处理，再进行DropBlock生成第四样本特征；

将所述第四样本特征通过所述Conv_out子模块进行反卷积处理，以生成并输出第一样本图像；

将所述第一样本图像和相应标准图像的对应像素进行MSE损失值计算，以生成损失值变化数据，所述损失值变化数据为每一次训练所述初始神经网络模型时统计的损失值数据；

判断所述损失值变化数据在预设区间的损失值是否小于预设阈值；

若所述损失值变化数据在预设区间的损失值小于预设阈值，则确定消除摩尔纹效果达到预设要求，并确定所述初始神经网络模型为目标神经网络模型。

2.根据权利要求1所述的图像摩尔纹消除方法，其特征在于，所述将所述初始测试样本集中随机选取样本通过卷积特征提取处理，生成第一样本特征，包括：

将所述初始测试样本集中随机选取样本进行特征提取处理，并通过所述Dense模块进行通道叠加所述特征，生成第一样本特征。

3.根据权利要求2所述的图像摩尔纹消除方法，其特征在于，所述Trans模块包括通道混合子模块和全局平均池化子模块；

所述将所述第一样本特征通过所述Trans模块进行全局平均池化和通道混洗处理，生成第二样本特征，具体包括：

将所述第一样本特征通过所述全局平均池化子模块进行池化降维处理，并输出对应通道的平均池化数据；

将各个通道的平均池化数据通过所述通道混合子模块进行通道混洗处理，生成第二样本特征。

4.根据权利要求3所述的图像摩尔纹消除方法，其特征在于，所述判断所述损失值变化数据在预设区间的损失值是否小于预设阈值之后，所述图像摩尔纹消除方法还包括：

若所述损失值变化数据在预设区间的损失值不小于预设阈值，则判断训练次数是否达到预设值；

若确定训练次数达到预设值，则通过小批梯度下降法更新所述初始神经网络模型的权重值，并将所述初始测试样本集重新输入所述初始神经网络模型中进行训练。

5.根据权利要求4所述的图像摩尔纹消除方法，其特征在于，所述判断训练次数是否达到预设值之后，所述图像摩尔纹消除方法还包括：

若确定训练次数未达到预设值，则通过小批梯度下降法更新所述初始神经网络模型的权重值，并从所述初始测试样本集中重新选取训练样本输入所述初始神经网络模型中训练。

6.根据权利要求1至5任一项所述的图像摩尔纹消除方法，其特征在于，所述获取初始测试样本集，包括：

以垂直于显示屏方向拍摄显示屏集合，以生成初始样本集，所述显示屏集合包括存在摩尔纹缺陷和不存在摩尔纹缺陷的显示屏；

对所述初始样本集内的样本进行预处理，以生成初始测试样本集，所述预处理包括图像的裁剪处理、缩放处理、对齐矫正以及数据增强。