[发明专利]图像处理模型的训练方法、图像处理方法及装置

说明书

本申请公开了一种图像处理模型的训练方法、图像处理方法及装置，用于提高图像去噪效果。所述训练方法包括：利用原始样本图像、原始样本图像对应的局部擦除图像及基准去噪图像，对待训练模型进行模型迭代训练，得到图像处理模型；待训练模型包括第一分支去噪网络、第二分支去噪网络和融合网络；每次模型训练的具体实现方式有：第一分支去噪网络基于基准去噪图像，对原始样本图像进行去噪处理，得到第一去噪图像；第二分支去噪网络对局部擦除图像进行去噪处理，得到第二去噪图像；融合网络对第一去噪图像和第二去噪图像进行融合处理，得到第三去噪图像；基于第一去噪图像、第二去噪图像、第三去噪图像以及基准去噪图像，调整待训练模型的模型参数。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种图像处理模型的训练方法、图像处理方法及装置。

背景技术

随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而，在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使得图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行去噪处理，以在保持原始信息的完整性(即主要特征)的同时，又能去除信号中无用的信息。

目前，常用的去噪方法是利用噪声估计图像作为输入，通过权衡对均布噪声的抑制和细节的保持，实现对图像的去噪。但是，这种去噪方式对局部模糊的图像去噪的效果较差。

发明内容

本申请实施例的目的是提供一种图像处理模型的训练方法、图像处理方法及装置，用于解决现有的去噪方法对局部模糊的图像去噪的效果较差的问题。

为了实现上述目的，本申请实施例采用下述技术方案：

第一方面，本申请实施例提供一种图像处理模型的训练方法，包括：

利用原始样本图像、所述原始样本图像对应的局部擦除图像及基准去噪图像，对待训练模型进行模型迭代训练，得到图像处理模型；

其中，所述待训练模型包括第一分支去噪网络、第二分支去噪网络和融合网络；每次模型迭代训练的具体实现方式均有：

所述第一分支去噪网络基于所述基准去噪图像，对所述原始样本图像进行去噪处理，得到第一去噪图像；

所述第二分支去噪网络对所述局部擦除图像进行去噪处理，得到第二去噪图像；

所述融合网络对所述第一去噪图像和所述第二去噪图像进行融合处理，得到第三去噪图像；

基于所述第一去噪图像、所述第二去噪图像、所述第三去噪图像以及所述基准去噪图像，调整所述待训练模型的模型参数。

可以看出，本申请实施例中，采用包含融合网络和两条分支去噪网络的待训练模型，基于半监督学习方法，由第一分支去噪网络基于原始样本图像及其对应的基准去噪图像进行有监督学习，通过从整体角度学习原始样本图像中的重要信息，得到整体效果上的第一去噪图像；由第二条分支去噪网络基于原始样本图像对应的局部擦除图像进行无监督学习，由于局部擦除图像相较于原始样本图像缺失了局部数据，使得第二分支去噪网络能够通过随机性地能够学习局部擦除图像的、具有代表性的特征，得到局部效果上的第二去噪图像，从而能够为第一分支去噪网络的有监督学习提供更多的指向性信息及多样性信息；由融合网络对有监督学习的效果和无监督学习的效果进行融合，得到相应的第三去噪图像；进一步，基于各条分支去噪网络及融合网络各自得到的去噪图像以及原始样本图像对应的基准去噪图像，调整待训练模型的模型参数，通过进行多次上述模型迭代训练，使得待训练模型能够分别从图像整体和局部对原始样本图像进行理解和学习，提炼出有指向性且多样性的图像特征而具备更优的去噪能力，从而得到的图像处理模型无论是对整体模糊的图像还是局部模糊的图像，都具有较好的去噪效果。

第二方面，本申请实施例提供一种图像处理方法，包括：