图像处理方法、图像处理网络训练方法、装置、设备
技术领域
本公开的实施例涉及计算机技术领域,具体涉及图像处理方法、图像处理网络训练方法、装置、电子设备和计算机可读介质。
背景技术
图像样本集合中图像样本中包括的人们想获得的特征信息大多数是不相同的,然而,网络模型不容易学习到图像样本之间的特征差异信息。因此,需求一种图像样本划分方法来更关注样本之间特征差异信息以及根据图像样本的划分结果来训练网络模型的方法。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了图像处理方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种图像处理方法,该方法包括:对获取的待处理图像进行预处理;将预处理后的结果输入至预先训练的图像处理网络中,得到输出结果,其中,上述预先训练的图像处理网络是基于第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合训练得到的。
第二方面,本公开的一些实施例提供了一种图像处理网络的训练方法,该方法包括:将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合;基于上述第一非噪声图像样本集合,对初始第二图像处理网络进行训练,得到经过第一非噪声图像样本集合训练后的第二图像处理网络;基于上述第一非噪声图像样本集合和上述第二非噪声图像样本集合,对上述经过第一非噪声图像样本集合训练后的第二图像处理网络进行训练,得到经过非噪声图像样本集合训练后的第二图像处理网络;基于上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合,对上述经过非噪声图像样本集合训练后的第二图像处理网络进行训练,得到训练后的第二图像处理网络作为上述预先训练的图像处理网络。
第三方面,本公开的一些实施例提供了一种图像处理装置,装置包括:处理单元,被配置成对获取的待处理图像进行预处理;输入单元,被配置成将预处理后的结果输入至预先训练的图像处理网络中,得到输出结果,其中,上述预先训练的图像处理网络是基于第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合训练得到的。
第四方面,本公开的一些实施例提供了一种图像处理网络的训练装置,装置包括:划分单元,被配置成将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合;第一训练单元,被配置成基于上述第一非噪声图像样本集合,对初始第二图像处理网络进行训练,得到经过第一非噪声图像样本集合训练后的第二图像处理网络;第二训练单元,被配置成基于上述第一非噪声图像样本集合和上述第二非噪声图像样本集合,对上述经过第一非噪声图像样本集合训练后的第二图像处理网络进行训练,得到经过非噪声图像样本集合训练后的第二图像处理网络;第三训练单元,被配置成基于上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合,对上述经过非噪声图像样本集合训练后的第二图像处理网络进行训练,得到训练后的第二图像处理网络作为上述预先训练的图像处理网络。
第五方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一、二方面中任一的方法。
第六方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一、二方面中任一的方法。
本公开的上述各个实施例中的多个实施例具有如下有益效果:通过对获取的待处理图像进行预处理可以将上述待处理图像处理为符合上述图像处理网络输入格式的图像。然后将预处理后的结果输入至预先训练的图像处理网络中,得到输出结果。其中,上述预先训练的图像处理网络是基于第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合训练得到的。上面提到的图像处理网络的训练方式使得输出结果的准确度有了较高的提升。进而,侧面提高了上述图像处理网络的学习能力和预测能力。
除此之外,上述图像处理网络的训练方法可以先将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合。然后利用上述第一非噪声图像样本集合对初始第二图像处理网络进行训练,得到经过第一非噪声图像样本集合训练后的第二图像处理网络,这样初始第二图像处理网络可以更有针对性的学习第一非噪声图像样本集合中样本的特征。进而,基于上述第一非噪声图像样本集合和上述第二非噪声图像样本集合,对上述经过第一非噪声图像样本集合训练后的第二图像处理网络进行训练,得到经过非噪声图像样本集合训练后的第二图像处理网络。这样,上述经过第一非噪声图像样本集合训练后的第二图像处理网络不仅可以学习到第二非噪声图像样本集合中第二非噪声样本的特征,还学习到更多的第一非噪声样本的特征和第二非噪声样本的特征之间的差别。最后,基于上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合,对上述经过非噪声图像样本集合训练后的第二图像处理网络进行训练,得到训练后的第二图像处理网络作为上述预先训练的图像处理网络。这样,上述经过非噪声图像样本集合训练后的第二图像处理网络可以学习更多的关于哪些是噪声图像样本和哪些是非噪声样本的信息。
由此可以得到,利用第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合来对上述图像处理网络训练,使得训练后图像处理网络可以更加学习到更多有关第一非噪声图像样本、第二非噪声图像样本和噪声图像样本的特征信息和它们之间的差别信息,进而使得上述图像处理网络的学习能力和预测能力都有了较高的提升。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的图像处理方法的一个应用场景的示意图;
图2是根据本公开的一些实施例的图像处理网络的训练方法的一个应用场景的示意图;
图3是根据本公开的图像处理方法的一些实施例的流程图;
图4是根据本公开的图像处理网络的训练方法的一些实施例的流程图;
图5是根据本公开的图像处理网络的训练方法的另一些实施例的流程图;
图6是根据本公开的图像处理装置的一些实施例的结构示意图;
图7是根据本公开的图像处理网络的训练装置的一些实施例的结构示意图;
图8是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的一些实施例的图像处理方法的一个应用场景的示意图100。
如图1所示,作为示例,电子设备101可以将上述待处理图像102输入至预先训练的残差网络103,得到待处理图像的类别信息。其中,上述预先训练的残差网络103是基于第一非噪声图像样本集合104、第二非噪声图像样本集合105和噪声图像样本集合106训练得到的。可选的,上述第一非噪声图像样本集合104中的第一非噪声样本可以是待处理图像分类得到的类别的概率大于0.8。上述第二非噪声图像样本集合104中的第二非噪声样本可以是待处理图像分类得到的类别的概率大于0.5且小于0.8。上述噪声图像样本集合104中的噪声样本可以是待处理图像分类得到的类别的概率小于0.5。
可以理解的是,上述图像处理方法的电子设备101可以是终端设备,可以是服务器,也可以是上述终端设备与上述服务器通过网络相集成所构成的设备,或者还可以是各种软件。作为示例,电子设备101可以是具有信息处理能力的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当执行主体为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的电子设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电子设备。
图2是根据本公开的一些实施例的图像处理网络的训练方法的一个应用场景的示意图200。
如图2所示,作为示例,电子设备201可以将图像样本集合202划分为第一非噪声图像样本集合203、第二非噪声图像样本集合204和噪声图像样本集合205。基于上述第一非噪声图像样本集合203,对初始第二图像处理网络206进行训练,得到经过第一非噪声图像样本集合训练后的第二图像处理网络207。基于上述第一非噪声图像样本集合203和上述第二非噪声图像样本集合204,对上述经过第一非噪声图像样本集合训练后的第二图像处理网络207进行训练,得到经过非噪声图像样本集合训练后的第二图像处理网络208。基于上述第一非噪声图像样本集合203、上述第二非噪声图像样本集合204和上述噪声图像样本集合205,对上述经过非噪声图像样本集合训练后的第二图像处理网络208进行训练,得到训练后的第二图像处理网络209作为上述预先训练的图像处理网络。
可以理解的是,上述图像处理网络的训练方法的电子设备201可以是终端设备,可以是服务器,也可以是上述终端设备与上述服务器通过网络相集成所构成的设备,或者还可以是各种软件。作为示例,电子设备201可以是具有信息处理能力的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当执行主体为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
继续参考图3,示出了根据本公开的图像处理方法的一些实施例的流程300。该图像处理方法,包括以下步骤:
步骤301,对获取的待处理图像进行预处理。
在一些实施例中,上述图像处理方法的执行主体(例如图1所示的电子设备)可以通过各种方式对获取的待处理图像进行预处理。其中,对于图像的预处理可以包括但不限于以下至少一项:图像旋转变换,图像镜像变换,图像模糊变换,图像光照强度变换,图像分辨率大小变换。其中,上述待处理图像可以通过有线连接方式或者无线连接方式来获取到。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。作为示例,还可以对获取的待处理图像进行灰度化处理。
步骤302,将预处理后的结果输入至预先训练的图像处理网络中,得到输出结果。
在一些实施例中,上述执行主体可以通过各种方法将预处理后的结果输入至预先训练的图像处理网络中,得到输出结果。其中,上述预先训练的图像处理网络是基于第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合训练得到的。在这里,上述图像处理网络可以是用于处理图像的各种网络,上述图像处理网络可以包括以下之一:VGG模型(VGGNet,Visual Geometry Group Network),残差网络(Residual Network,ResNet),R-CNN(Region-CNN)。除此之外,由于上述图像处理网络的分类任务的不同,进而得到的输出结果可以是不相同的,作为示例,上述图像处理网络用于对男性图像和女性图像的分类,这里,上述输出结果可以是“男性图像”或“女性图像”。
需要进一步说明的是,对于非噪声图像样本和噪声图像样本之间的差别可以是噪声图像样本所包括的无用特征信息远远大于有用特征信息。非噪声图像样本包括的有用特征信息大于无用特征信息。除此之外,非噪声图像可以依据一定比例随机划分成第一非噪声图像样本集和第二非噪声图像样本。
在一些实施例的一些可选的实现方式中,上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合可以通过以下步骤得到的:
利用聚类算法将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合。
其中,上述聚类算法可以包括以下之一:K-means聚类算法,均值偏移聚类算法,DBSCAN聚类算法,使用高斯混合模型(GMM)的期望最大化(EM)聚类。
在一些实施例的一些可选的实现方式中,上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合可以通过以下步骤得到的:
第一步,基于图像样本集合,对初始第一图像处理网络进行训练,得到训练后的第一图像处理网络。其中,上述第一图像处理网络可以是目标检测网络,上述目标检测网络可以包括以下之一:SSD(Single Shot MultiBox Detector)算法,R-CNN(Region-Convolutional Neural Networks)算法,Fast R-CNN(Fast Region-ConvolutionalNeural Networks)算法,YOLO(You Only Look Once)算法,FPN(Feature PyramidNetworks)算法,RetinaNet目标检测算法。上述第一图像处理网络可以是图像分割网络,上述图像分割网络可以包括以下之一:FCN网络(Fully Convolutional Networks,全卷积网络),SegNet网络(Semantic Segmentation Network,图像语义分割网络),DeepLab语义分割网络,PSPNet网络(Pyramid Scene Parsing Network,语义分割网络),Mask-RCNN网络(Mask-Region-CNN,图像实例分割网络)。
需要说明的是,上述初始第一图像处理网络可以是指第一图像处理网络的参数是初始化后的参数。
第二步,将上述图像样本集合输入至上述训练后的第一图像处理网络,得到上述图像样本集合对应的分类概率集合。其中,上述分类概率可以是图像样本输入至用于分类任务的上述训练后的第一图像处理网络而得到的概率。作为示例,上述图像样本是女性图像,将上述图像样本输入至做分类任务的上述训练后的第一图像处理网络,得到上述图像样本包括的主体是女性的概率。
第三步,将上述分类概率集合中的每个分类概率与至少两个预先设定的阈值进行对比,得到上述每个分类概率对应的图像样本的样本类型。其中,上述样本类型包括:第一非噪声图像样本、第二非噪声图像样本和噪声图像样本。
作为示例,上述每个分类概率与两个预先设定的阈值比较,响应于分类概率小于预先设定的第一阈值,则上述分类概率对应的图像样本的样本类型是噪声图像样本。响应于分类概率小于预先设定的第一阈值以及上述分类概率小于预先设定的第二阈值,则上述分类概率对应的图像样本的样本类型是第二非噪声图像样本。响应于分类概率大于预先设定的第二阈值,则上述分类概率对应的图像样本的样本类型是第一非噪声图像样本。
第四步,基于所得到的每个图像样本的样本类型,对上述图像样本集合进行分类,得到上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合。
作为示例,基于样本集合和图像样本集合,对初始图像处理网络进行训练,得到训练后的图像处理网络可以包括以下步骤:
第一步,确定上述初始图像处理网络的网络结构以及初始化上述初始图像处理网络的网络参数。
第二步,获取训练图像样本集。其中,训练图像样本集包括上述图像样本集合和与上述图像样本集合对应的标注信息集合。
第三步,将上述训练图像样本集中的图像样本集合和与上述标注信息集合分别作为上述初始图像处理网络的输入和期望输出,利用深度学习方法训练上述初始图像处理网络。
第四步,将训练得到的上述初始图像处理网络确定为上述训练后的图像处理网络。
在一些实施例的一些可选的实现方式中,上述预先训练的图像处理网络可以通过以下步骤进行训练:
第一步,基于上述第一非噪声图像样本集合,对初始第二图像处理网络进行训练,得到经过第一非噪声图像样本集合训练后的第二图像处理网络。需要说明的是,上述初始第二图像处理网络与上述初始第一图像处理网络可以是相同的网络模型,也可以是不同的网络模型。
第二步,基于上述第一非噪声图像样本集合和上述第二非噪声图像样本集合,对上述经过第一非噪声图像样本集合训练后的第二图像处理网络进行训练,得到经过非噪声图像样本集合训练后的第二图像处理网络。
第三步,基于上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合,对上述经过非噪声图像样本集合训练后的第二图像处理网络进行训练,得到训练后的第二图像处理网络作为上述预先训练的图像处理网络。
需要说明的是,上述初始第二图像处理网络、经过第一非噪声图像样本集合训练后的第二图像处理网络和经过非噪声图像样本集合训练后的第二图像处理网络进行训练有相同网络结构,不同的网络参数。
本公开的一些实施例提供的方法,通过上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合来对图像处理网络进行训练,学习到上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合之间的差别特征信息,上面提到的图像处理网络的训练方式使得输出结果的准确度有了较高的提升。侧面提高了上述图像处理网络的学习能力和预测能力。
继续参考图4,示出了根据本公开的图像处理网络的训练方法的一些实施例的流程400。该图像处理网络的训练方法,包括以下步骤:
步骤401,将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合。
在一些实施例中,图像处理网络的训练方法的执行主体可以通过各种方式将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合。其中,对于非噪声图像样本和噪声图像样本之间的差别可以是噪声图像样本所包括的无用特征信息远远大于有用特征信息。非噪声图像样本包括的有用特征信息大于无用特征信息。除此之外,非噪声图像可以依据一定比例随机划分成第一非噪声图像样本集和第二非噪声图像样本。作为示例,可以利用支持向量机(SVM,Support Vector Machine)将上述样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像集合。
在一些实施例的一些可选的实现方式中,上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合可以通过以下步骤得到的:
第一步,基于图像样本集合,对初始第一图像处理网络进行训练,得到训练后的第一图像处理网络。其中,上述第一图像处理网络可以是目标检测网络,上述目标检测网络可以包括以下之一:SSD(Single Shot MultiBox Detector)算法,R-CNN(Region-Convolutional Neural Networks)算法,Fast R-CNN(Fast Region-ConvolutionalNeural Networks)算法,YOLO(You Only Look Once)算法,FPN(Feature PyramidNetworks)算法,RetinaNet目标检测算法。上述第一图像处理网络可以是图像分割网络,上述图像分割网络可以包括以下之一:FCN网络(Fully Convolutional Networks,全卷积网络),SegNet网络(Semantic Segmentation Network,图像语义分割网络),DeepLab语义分割网络,PSPNet网络(Pyramid Scene Parsing Network,语义分割网络),Mask-RCNN网络(Mask-Region-CNN,图像实例分割网络)。
需要说明的是,上述初始第一图像处理网络可以是指第一图像处理网络的参数是初始化后的参数。
第二步,将上述图像样本集合输入至上述训练后的第一图像处理网络,得到上述图像样本集合对应的分类概率集合。其中,上述分类概率可以是图像样本输入至用于分类任务的上述训练后的第一图像处理网络后得到的概率。作为示例,上述图像样本是女性图像,将上述图像样本输入至用于分类任务的上述训练后的第一图像处理网络,得到上述图像样本包括的主体是女性的概率。
第三步,将上述分类概率集合中的每个分类概率与至少两个预先设定的阈值进行对比,得到上述每个分类概率对应的图像样本的样本类型。其中,上述样本类型包括:第一非噪声图像样本、第二非噪声图像样本和噪声图像样本。
作为示例,上述每个分类概率与两个预先设定的阈值比较,响应于分类概率小于预先设定的第一阈值,则上述分类概率对应的图像样本的样本类型是噪声图像样本。响应于分类概率小于预先设定的第一阈值以及上述分类概率小于预先设定的第二阈值,则上述分类概率对应的图像样本的样本类型是第二非噪声图像样本。响应于分类概率大于预先设定的第二阈值,则上述分类概率对应的图像样本的样本类型是第一非噪声图像样本。
第四步,基于所得到的每个图像样本的样本类型,对上述图像样本集合进行分类,得到上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合。
作为示例,基于图像样本集合,对初始图像处理网络进行训练,得到训练后的图像处理网络可以包括以下步骤:
第一步,确定上述初始图像处理网络的网络结构以及初始化上述初始图像处理网络的网络参数。
第二步,获取训练图像样本集,其中,训练图像样本集包括上述图像样本集合和与上述图像样本集合对应的标注信息集合。
第三步,将上述训练图像样本集中的训练图像样本集中的图像样本集合和与上述标注信息集合分别作为上述初始图像处理网络的输入和期望输出,利用深度学习方法训练上述初始图像处理网络。
第四步,将训练得到的上述初始图像处理网络确定为上述训练后的图像处理网络。
步骤402,基于上述第一非噪声图像样本集合,对初始第二图像处理网络进行训练,得到经过第一非噪声图像样本集合训练后的第二图像处理网络。
在一些实施例中,上述执行主体可以基于上述第一非噪声图像样本集合,对初始第二图像处理网络进行训练,得到经过第一非噪声图像样本集合训练后的第二图像处理网络。上述初始第二图像处理网络与上述初始第一图像处理网络可以是相同的网络模型,也可以是不同的网络模型。
步骤403,基于上述第一非噪声图像样本集合和上述第二非噪声图像样本集合,对上述经过第一非噪声图像样本集合训练后的第二图像处理网络进行训练,得到经过非噪声图像样本集合训练后的第二图像处理网络。
步骤404,基于上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合,对上述经过非噪声图像样本集合训练后的第二图像处理网络进行训练,得到训练后的第二图像处理网络作为上述预先训练的图像处理网络。
需要说明的是,上述初始第二图像处理网络、经过第一非噪声图像样本集合训练后的第二图像处理网络和经过非噪声图像样本集合训练后的第二图像处理网络有相同网络结构和不同的网络参数。
本公开的一些实施例提供的方法通过划分图像样本集合和选取特定的图像处理网络训练方式,使得预训练后的图像处理网络的学习能力和预测能力都有了较高的提升。
进一步参考图5,其示出了图像处理网络的训练方法的另一些实施例的流程500。该图像处理网络的训练方法的流程500,包括以下步骤:
步骤501,利用聚类算法将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合。
在一些实施例中,上述执行主体可以利用聚类算法将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合。其中,上述聚类算法可以包括以下之一:K-MEANS聚类算法,均值偏移聚类算法,DBSCAN聚类算法,使用高斯混合模型(GMM)的期望最大化(EM)聚类。
步骤502,基于上述第一非噪声图像样本集合,对初始第二图像处理网络进行训练,得到经过第一非噪声图像样本集合训练后的第二图像处理网络。
步骤503,基于上述第一非噪声图像样本集合和上述第二非噪声图像样本集合,对上述经过第一非噪声图像样本集合训练后的第二图像处理网络进行训练,得到经过非噪声图像样本集合训练后的第二图像处理网络。
步骤504,基于上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合,对上述经过非噪声图像样本集合训练后的第二图像处理网络进行训练,得到训练后的第二图像处理网络作为上述预先训练的图像处理网络。
在一些实施例中,步骤502-504的具体实现及所带来的技术效果可以参考图4对应的那些实施例中的步骤402-404,在此不再赘述。
从图5中可以看出,与图4对应的一些实施例的描述相比,图5对应的一些实施例中的图像处理网络的训练方法的流程400体现了利用聚类算法来对图像样本集合进行分类的步骤。由此,通过聚类算法可以方便,较为准确地将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合,进而使得图像处理网络的训练效果更佳。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种图像处理装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,一些实施例的图像处理装置600包括:处理单元601和输入单元602。其中,处理单元601被配置成对获取的待处理图像进行预处理。输入单元602被配置成将预处理后的结果输入至预先训练的图像处理网络中,得到输出结果,其中,上述预先训练的图像处理网络是基于第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合训练得到的。
在一些实施例的一些可选的实现方式中,上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合是通过以下步骤得到的:利用聚类算法将图像样本集合划分为上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合。
在一些实施例的一些可选的实现方式中,上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合是通过以下步骤得到的:基于图像样本集合,对初始第一图像处理网络进行训练,得到训练后的第一图像处理网络;将上述图像样本集合输入至上述训练后的第一图像处理网络,得到上述图像样本集合对应的分类概率集合;将上述分类概率集合中的每个分类概率与至少两个预先设定的阈值进行对比,得到上述每个分类概率对应的图像样本的样本类型;基于所得到的每个图像样本的样本类型,对上述图像样本集合进行分类,得到上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合。
在一些实施例的一些可选的实现方式中,上述预先训练的图像处理网络是通过以下步骤进行训练的:基于上述第一非噪声图像样本集合,对初始第二图像处理网络进行训练,得到经过第一非噪声图像样本集合训练后的第二图像处理网络;基于上述第一非噪声图像样本集合和上述第二非噪声图像样本集合,对上述经过第一非噪声图像样本集合训练后的第二图像处理网络进行训练,得到经过非噪声图像样本集合训练后的第二图像处理网络;基于上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合,对上述经过非噪声图像样本集合训练后的第二图像处理网络进行训练,得到训练后的第二图像处理网络作为上述预先训练的图像处理网络。
可以理解的是,该装置600中记载的诸单元与参考图3描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元,在此不再赘述。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种图像处理网络的训练装置的一些实施例,这些装置实施例与图4所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,一些实施例的图像处理网络的训练装置700包括:划分单元701、第一训练单元702、第二训练单元703和第三训练单元704。其中,划分单元701被配置成将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合。第一训练单元702被配置成基于上述第一非噪声图像样本集合,对初始第二图像处理网络进行训练,得到经过第一非噪声图像样本集合训练后的第二图像处理网络。第二训练单元703被配置成基于上述第一非噪声图像样本集合和上述第二非噪声图像样本集合,对上述经过第一非噪声图像样本集合训练后的第二图像处理网络进行训练,得到经过非噪声图像样本集合训练后的第二图像处理网络。第三训练单元704被配置成基于上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合,对上述经过非噪声图像样本集合训练后的第二图像处理网络进行训练,得到训练后的第二图像处理网络作为上述预先训练的图像处理网络。
在一些实施例的一些可选的实现方式中,上述图像处理网络的训练装置700的划分单元701可以进一步被配置成:利用聚类算法将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合。
在一些实施例的一些可选的实现方式中,上述图像处理网络的训练装置700的划分单元701可以进一步被配置成:基于图像样本集合,对初始第一图像处理网络进行训练,得到训练后的第一图像处理网络;将上述图像样本集合输入至上述训练后的第一图像处理网络,得到上述图像样本集合对应的分类概率集合;将上述分类概率集合中的每个分类概率与至少两个预先设定的阈值进行对比,得到上述每个分类概率对应的图像样本的样本类型;基于所得到的每个图像样本的样本类型,对上述图像样本集合进行分类,得到上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合。
可以理解的是,该装置700中记载的诸单元与参考图4描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置700及其中包含的单元,在此不再赘述。
下面参考图8,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1或图2中的电子设备)800的结构示意图。图8示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对获取的待处理图像进行预处理;将预处理后的结果输入至预先训练的图像处理网络中,得到输出结果,其中,上述预先训练的图像处理网络是基于第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合训练得到的。或当上述一个或者多个程序被该电子设备执行时,使得该电子设备:将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合;基于上述第一非噪声图像样本集合,对初始第二图像处理网络进行训练,得到经过第一非噪声图像样本集合训练后的第二图像处理网络;基于上述第一非噪声图像样本集合和上述第二非噪声图像样本集合,对上述经过第一非噪声图像样本集合训练后的第二图像处理网络进行训练,得到经过非噪声图像样本集合训练后的第二图像处理网络;基于上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合,对上述经过非噪声图像样本集合训练后的第二图像处理网络进行训练,得到训练后的第二图像处理网络作为上述预先训练的图像处理网络。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括处理单元和输入单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,处理单元还可以被描述为“对获取的待处理图像进行预处理的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例,提供了一种图像处理方法,包括:对获取的待处理图像进行预处理;将预处理后的结果输入至预先训练的图像处理网络中,得到输出结果,其中,上述预先训练的图像处理网络是基于第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合训练得到的。
根据本公开的一个或多个实施例,上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合是通过以下步骤得到的:利用聚类算法将图像样本集合划分为上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合。
根据本公开的一个或多个实施例,第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合是通过以下步骤得到的:基于图像样本集合,对初始第一图像处理网络进行训练,得到训练后的第一图像处理网络;将上述图像样本集合输入至上述训练后的第一图像处理网络,得到上述图像样本集合对应的分类概率集合;将上述分类概率集合中的每个分类概率与至少两个预先设定的阈值进行对比,得到上述每个分类概率对应的图像样本的样本类型;基于所得到的每个图像样本的样本类型,对上述图像样本集合进行分类,得到上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合。
根据本公开的一个或多个实施例,上述预先训练的图像处理网络是通过以下步骤进行训练的:基于上述第一非噪声图像样本集合,对初始第二图像处理网络进行训练,得到经过第一非噪声图像样本集合训练后的第二图像处理网络;基于上述第一非噪声图像样本集合和上述第二非噪声图像样本集合,对上述经过第一非噪声图像样本集合训练后的第二图像处理网络进行训练,得到经过非噪声图像样本集合训练后的第二图像处理网络;基于上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合,对上述经过非噪声图像样本集合训练后的第二图像处理网络进行训练,得到训练后的第二图像处理网络作为上述预先训练的图像处理网络。
根据本公开的一个或多个实施例,提供了一种图像处理网络的训练方法,包括:将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合;基于上述第一非噪声图像样本集合,对初始第二图像处理网络进行训练,得到经过第一非噪声图像样本集合训练后的第二图像处理网络;基于上述第一非噪声图像样本集合和上述第二非噪声图像样本集合,对上述经过第一非噪声图像样本集合训练后的第二图像处理网络进行训练,得到经过非噪声图像样本集合训练后的第二图像处理网络;基于上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合,对上述经过非噪声图像样本集合训练后的第二图像处理网络进行训练,得到训练后的第二图像处理网络作为上述预先训练的图像处理网络。
根据本公开的一个或多个实施例,上述将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合,包括:利用聚类算法将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合。
根据本公开的一个或多个实施例,上述将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合,包括:基于图像样本集合,对初始第一图像处理网络进行训练,得到训练后的第一图像处理网络;将上述图像样本集合输入至上述训练后的第一图像处理网络,得到上述图像样本集合对应的分类概率集合;将上述分类概率集合中的每个分类概率与至少两个预先设定的阈值进行对比,得到上述每个分类概率对应的图像样本的样本类型;基于所得到的每个图像样本的样本类型,对上述图像样本集合进行分类,得到上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合。根据本公开的一个或多个实施例,上述样本集合中每个样本对应的概率是上述第一深度学习网络识别出样本集合中每个样本的概率。
根据本公开的一个或多个实施例,提供了一种图像处理装置,包括:处理单元,被配置成对获取的待处理图像进行预处理;输入单元,被配置成将预处理后的结果输入至预先训练的图像处理网络中,得到输出结果,其中,上述预先训练的图像处理网络是基于第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合训练得到的。
根据本公开的一个或多个实施例,提供了一种图像处理网络的训练装置,包括:划分单元,被配置成将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合;第一训练单元,被配置成基于上述第一非噪声图像样本集合,对初始第二图像处理网络进行训练,得到经过第一非噪声图像样本集合训练后的第二图像处理网络;第二训练单元,被配置成基于上述第一非噪声图像样本集合和上述第二非噪声图像样本集合,对上述经过第一非噪声图像样本集合训练后的第二图像处理网络进行训练,得到经过非噪声图像样本集合训练后的第二图像处理网络;第三训练单元,被配置成基于上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合,对上述经过非噪声图像样本集合训练后的第二图像处理网络进行训练,得到训练后的第二图像处理网络作为上述预先训练的图像处理网络。
根据本公开的一个或多个实施例,上述图像处理网络的训练装置的划分单元可以进一步被配置成:利用聚类算法将图像样本集合划分为第一非噪声图像样本集合、第二非噪声图像样本集合和噪声图像样本集合。
根据本公开的一个或多个实施例,上述图像处理网络的训练装置的划分单元可以进一步被配置成:基于图像样本集合,对初始第一图像处理网络进行训练,得到训练后的第一图像处理网络;将上述图像样本集合输入至上述训练后的第一图像处理网络,得到上述图像样本集合对应的分类概率集合;将上述分类概率集合中的每个分类概率与至少两个预先设定的阈值进行对比,得到上述每个分类概率对应的图像样本的样本类型;基于所得到的每个图像样本的样本类型,对上述图像样本集合进行分类,得到上述第一非噪声图像样本集合、上述第二非噪声图像样本集合和上述噪声图像样本集合。
根据本公开的一个或多个实施例,提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述任一实施例描述的方法。
根据本公开的一个或多个实施例,提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如上述任一实施例描述的方法。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。