CN116342984B - 一种模型训练的方法以及图像处理的方法及装置 - Google Patents
一种模型训练的方法以及图像处理的方法及装置 Download PDFInfo
- Publication number
- CN116342984B CN116342984B CN202310631275.4A CN202310631275A CN116342984B CN 116342984 B CN116342984 B CN 116342984B CN 202310631275 A CN202310631275 A CN 202310631275A CN 116342984 B CN116342984 B CN 116342984B
- Authority
- CN
- China
- Prior art keywords
- image
- image processing
- processing model
- processed
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012549 training Methods 0.000 title claims abstract description 68
- 238000003672 processing method Methods 0.000 title description 3
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 68
- 230000008569 process Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 230000003416 augmentation Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims 4
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 108020004414 DNA Proteins 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000011176 pooling Methods 0.000 description 6
- 102000053602 DNA Human genes 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000002493 microarray Methods 0.000 description 1
- 238000012775 microarray technology Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种模型训练的方法以及图像处理的方法及装置，本说明书提供的模型训练方法可以利用通过荧光显微镜采集到的基因芯片图像作为样本图像，利用通过样本图像与模型输出的处理后图像的信噪比所确定出的损失值，来对图像处理模型进行训练，这样一来，可以在不至增加设备成本的同时，训练出一个图像处理模型，将训练后的图像处理模型应用在实际中，可以对采集到的基因芯片图像进行去噪，以得到高质量、高分辨率的基因芯片图像。
Description
技术领域
本说明书涉及人工智能领域以及生物工程领域，尤其涉及一种模型训练的方法以及图像处理的方法及装置。
背景技术
脱氧核糖核酸（DeoxyriboNucleic Acid，DNA）微阵列，即基因芯片，属于微阵列技术应用中的一种，主要是用于高通量地定性或定量测量存在于生物体内的核酸，荧光显微成像则是基因芯片数据采集的主要方法。
但是，目前采集到的基因芯片图像的图像质量往往较低，究其原因，主要有以下几点：
一、为了保持DNA生物活性，荧光种类及荧光剂量都需严格控制，但是同一焦平面上邻近区域所激发的荧光干扰会降低采集图像的对比度；二、由于光学采集信息并完成成像过程中往往伴随着一定的误差，例如电子器件的工作误差，连续信号转换为数字信号的信息损失等，这些误差反映在最终成像上即为图像噪声，导致最终得到的基因芯片图像的图像质量较低；三、由于正置荧光显微镜中发光二极管（Light-Emitting Diode，LED）光源本身的缺陷，以及易受轴向干扰和侧向干扰的影响，采集到的基因芯片图像具有光照不均匀的问题，大大降低了有效信息的占比，从而导致采集到的基因芯片图像的图像质量较低。
当然，目前可以通过激光共聚焦***来可以获得高质量、高分辨率的基因芯片图像，但是设备成本却较为高昂。
所以，如何能够低成本的获取到图像成像质量较高的基因芯片图像，则是一个亟待解决的技术问题。
发明内容
本说明书提供一种模型训练的方法以及图像处理的方法及装置，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种模型训练的方法，包括：
获取通过荧光显微镜采集到的基因芯片图像，作为样本图像；
将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型输出所述样本图像对应的处理后图像；
确定所述样本图像与所述处理后图像之间的像素误差；
根据所述像素误差，确定所述处理后图像对应的信噪比；
根据所述信噪比与预设的信噪比阈值，确定所述处理后图像对应的损失值；
根据所述损失值，对所述图像处理模型进行训练。
可选地，在根据所述损失值，对所述图像处理模型进行训练之前，所述方法还包括：
确定所述处理后图像与所述样本图像之间的亮度比对值，确定所述处理后图像与所述样本图像之间的对比度比对值，以及确定所述处理后图像与所述样本图像之间的图像结构比对值；
根据所述亮度比对值、所述对比度比对值以及所述图像结构比对值，确定所述处理后图像与所述样本图像之间的结构相似度；
根据所述损失值，对所述图像处理模型进行训练，具体包括：
根据所述损失值以及所述结构相似度，对所述图像处理模型进行训练。
可选地，所述图像处理模型中包含有若干卷积网络层；
将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型输出所述样本图像对应的处理后图像，具体包括：
将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型中的每个卷积网络层，对该卷积网络层的上一网络层输出的图像特征进行卷积处理，得到卷积后图像特征，并对所述卷积后图像特征进行特征填充，以得到输出给下一网络层的图像特征并输出，直至输入到所述图像处理模型中的最后一个网络层中为止，以得到所述样本图像对应的处理后图像。
可选地，所述图像处理模型中包含有若干个转置卷积层；
将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型输出所述样本图像对应的处理后图像，具体包括：
将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型中的每个转置卷积层，对该转置卷积层的上一网络层输出的图像特征进行处理，并得到的处理后图像特征进行特征尺寸增扩，以得到输出给下一网络层的图像特征并输出，直至输入到所述图像处理模型中的最后一个网络层中为止，以得到所述样本图像对应的处理后图像。
本说明书提供了一种图像处理的方法，包括：
获取通过荧光显微镜采集到的基因芯片图像；
将所述基因芯片图像输入到预先训练的图像处理模型中，以使所述图像处理模型对所述基因芯片图像进行图像处理，得到所述基因芯片图像对应的处理后图像，所述图像处理模型是通过上述模型训练的方法进行训练得到的；
根据所述处理后图像，执行任务。
本说明书提供了一种模型训练的装置，包括：
获取模块，用于获取通过荧光显微镜采集到的基因芯片图像，作为样本图像；
输入模块，用于将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型输出所述样本图像对应的处理后图像；
第一确定模块，用于确定所述样本图像与所述处理后图像之间的像素误差；
第二确定模块，用于根据所述像素误差，确定所述处理后图像对应的信噪比；
第三确定模块，用于根据所述信噪比与预设的信噪比阈值，确定所述处理后图像对应的损失值；
训练模块，用于根据所述损失值，对所述图像处理模型进行训练。
可选地，所述装置还包括：
第四确定模块，用于所述训练模块在根据所述损失值，对所述图像处理模型进行训练之前，确定所述处理后图像与所述样本图像之间的亮度比对值，确定所述处理后图像与所述样本图像之间的对比度比对值，以及确定所述处理后图像与所述样本图像之间的图像结构比对值；根据所述亮度比对值、所述对比度比对值以及所述图像结构比对值，确定所述处理后图像与所述样本图像之间的结构相似度；
所述训练模块，用于根据所述损失值以及所述结构相似度，对所述图像处理模型进行训练。
可选地，所述图像处理模型中包含有若干卷积网络层；
所述输入模块，用于将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型中的每个转置卷积层，对该转置卷积层的上一网络层输出的图像特征进行处理，并得到的处理后图像特征进行特征尺寸增扩，以得到输出给下一网络层的图像特征并输出，直至输入到所述图像处理模型中的最后一个网络层中为止，以得到所述样本图像对应的处理后图像。
可选地，所述图像处理模型中包含有若干个转置卷积层；
所述输入模块，用于将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型中的每个转置卷积层，对该转置卷积层的上一网络层输出的图像特征进行处理，并得到的处理后图像特征进行特征尺寸增扩，以得到输出给下一网络层的图像特征并输出，直至输入到所述图像处理模型中的最后一个网络层中为止，以得到所述样本图像对应的处理后图像。
本说明书提供了一种图像处理的装置，包括：
获取模块，用于获取通过荧光显微镜采集到的基因芯片图像；
输入模块，用于将所述基因芯片图像输入到预先训练的图像处理模型中，以使所述图像处理模型对所述基因芯片图像进行图像处理，得到所述基因芯片图像对应的处理后图像，所述图像处理模型是通过上述模型训练的方法进行训练得到的；
执行模块，用于根据所述处理后图像，执行任务。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模型训练的方法或图像处理的方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型训练的方法或图像处理的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
从上述方法中可以看出，本说明书提供的模型训练方法可以利用通过荧光显微镜采集到的基因芯片图像作为样本图像，利用通过样本图像与模型输出的处理后图像的信噪比所确定出的损失值，来对图像处理模型进行训练，这样一来，可以在不至增加设备成本的同时，训练出一个图像处理模型，将训练后的图像处理模型应用在实际中，可以对采集到的基因芯片图像进行去噪，以得到高质量、高分辨率的基因芯片图像。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种模型训练的方法的流程示意图；
图2为本说明书中提供的一种图像处理的方法的流程示意图；
图3为本说明书提供的一种模型训练的装置的示意图；
图4为本说明书提供的一种图像处理的装置的示意图；
图5为本说明书中提供的一种对应于图1或图2的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种模型训练的方法的流程示意图，包括以下步骤：
S101：获取通过荧光显微镜采集到的基因芯片图像，作为样本图像。
本说明书提供的模型训练的方法的执行主体可以是诸如台式电脑、笔记本电脑等终端设备，也可以是服务器，为了便于说明，本说明书仅以终端设备为执行主体，对所提供的模型训练方法进行说明。
本说明书提供的模型训练的方法主要是用于训练一个用于对荧光显微镜采集到的基因芯片图像进行去噪的图像处理模型，通过该图像处理模型，可以对荧光显微镜采集到的基因芯片图像进行去噪，从而得到图像质量更好、分辨率更高的基因芯片图像。而在使用图像处理模型执行图像去噪之前，需要先对该图像处理模型进行训练。
具体的，终端设备首先可以先进行数据采集，即，利用正置荧光显微镜获取装载DNA链以及荧光剂的基因芯片图像，可以理解成通过荧光显微镜采集到使用荧光剂进行标记的DNA链的基因芯片图像，并将采集到的基因芯片图像作为样本图像。
需要说明的是，在将采集到的样本图像输入到待训练的图像处理模型中之前，可以先对样本图像进行预处理。在本说明书中，对样本图像进行预处理的方式可以有多种，例如，将样本图像的图像通道转换成单通道的图像；再例如，将样本图像中的像素值进行归一化处理，得到归一化后的样本图像；再例如，将样本图像的图像大小进行调整，得到符合尺寸要求的样本图像；再例如，将样本图像进行图像切割，得到切割后的样本图像，其他预处理的方式在此就不一一举例说明了。
S102：将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型输出所述样本图像对应的处理后图像。
在获取到上述基因芯片图像作为样本图像后，可以将样本图像输入到待训练的图像处理模型中，图像处理模型则会对输入的样本图像进行图像处理，得到样本图像对应的处理后图像。
需要说明的是，在实际应用中，通过荧光显微镜采集到的基因芯片图像的数量往往较少，而为了提高图像处理模型的训练效果，需要进一步地增加样本图像的数量。所以，在获取到上述通过荧光显微镜采集到的基因芯片图像后，可以通过诸如图像切割、图像缩放、图像旋转和对比度增强等图像增强方式，来获取到更多的样本图像。
在本说明书中，上述提到的图像处理模型的具体形式可以根据实际需求而定，例如，图像处理模型可以是Noise2Noise模型，本说明书不对图像处理模型的具体形式进行限定。
另外，目前常规的图像处理模型中会设置多个卷积层，每个卷积层通常会采用诸如线性整流函数（ReLU）作为激活函数，以避免梯度消失并进一步地减轻计算压力。进一步地，使用诸如Adam等优化器进行循环迭代，损失函数选择均方误差（如MSELoss函数），便于使用梯度下降算法，且随着误差的减小，梯度也在减小，有利于收敛。最后由诸如带泄露线性整流函数（LeakyReLU）作为输出层的激活函数。
但是，而经过卷积层的卷积操作后会逐步缩减图像特征的尺寸，这会导致图像处理模型在进行图像处理的过程中会丢失一些图像信息，从而导致最终得到的处理后图像在图像质量上可能较差。
为此，在本说明书中，图像处理模型中包含有若干卷积网络层，而对于每个卷积网络层来说，在将样本图像输入到待训练的图像处理模型中后，该卷积网络层对上一网络层输出的图像特征进行卷积处理，得到卷积后图像特征，并对卷积后图像特征进行特征填充，以得到输出给下一网络层的图像特征并输出，直至输入到图像处理模型中的最后一个网络层中为止，以得到样本图像对应的处理后图像。
从这里可以看出，每个卷积层网络对输入的图像特征进行卷积处理后，都会执行特征填充的操作，其目的是将图像特征的尺寸进行恢复，可以通过使用固定的特征值来进行特征填充，或是使用卷积后图像特征中的平均特征值，来进行特征填充，本说明书不对具体的填充方式进行限定。
例如，假设一个样本图像的尺寸为256×256，将该样本图像输入到图像处理模型中的第一个卷积网络层中后，经过卷积处理后得到的卷积后图像特征为128×128，可见，经过第一个卷积网络层的卷积处理后得到的卷积后图像特征在尺寸上相比于原始的样本图像的尺寸有所缩小。所以，可以对该卷积后图像特征进行特征填充，即在该卷积后图像特征的边界处补充特征值，从而得到256×256的卷积后图像特征。
需要说明的是，在实际应用中，并不要求一定要将卷积后图像特征填充到与原始的样本图像的尺寸相同的图像特征，只要保证填充后的图像特征相比于卷积后图像特征在尺寸上有所增加即可。进一步地，在实际应用中，可以在每个卷积网络层中都执行该特征填充的操作，也可以在部分的卷积网络层中执行该特征填充的操作。当然，需要保证包含有多个卷积网络层的图像处理模型最终输出的处理后图像的尺寸要与输入到图像处理模型中的样本图像的尺寸是相同的。
进一步地，对于图像处理模型中任意一个卷积网络层来说，该卷积网络层的上一网络层可以是其他的卷积网络层，也可以不是卷积网络层，如池化层。同理，该卷积网络层的下一网络层可以是其他的卷积网络层，也可以不是卷积网络层，如池化层、转置卷积层。
还需要指出的是，由于图像处理模型中除了包含有会降低图像特征尺寸的卷积网络层外，还包含有上述提到的池化层，池化层通常也会进一步地降低图像特征的尺寸，从而导致图像处理模型在进行图像处理的过程中会丢失一些图像信息，从而导致最终得到的处理后图像在图像质量上可能较差。
为此，在本说明书中，图像处理模型中还可以设置若干个上述提到的转置卷积层，那么，在将样本图像输入到待训练的图像处理模型中后，针对该图像处理模型中设置的每个转置卷积层，该转置卷积层可以对其上一网络层输出的图像特征进行处理，并将得到的处理后图像特征进行特征尺寸增扩，以得到输出给下一网络层的图像特征并输出，直至输入到图像处理模型中的最后一个网络层为止，以得到样本图像对应的处理后图像。
即，转置卷积层与上述提到的特征填充类似，都是为了降低获取到的上一网络层输出的图像特征与原始的样本图像在尺寸上的差距。而需要指出的是，本说明书提到的转置卷积层中的网络参数可以通过图像处理模型的训练来进行确定。
进一步地，对于图像处理模型中任意一个转置卷积层来说，该转置网络层的上一网络层可以是卷积网络层，也可以不是卷积网络层，如池化层。同理，该转置卷积层的下一网络层可以是卷积网络层，也可以不是卷积网络层，如池化层。
S103：确定所述样本图像与所述处理后图像之间的像素误差。
S104：根据所述像素误差，确定所述处理后图像对应的信噪比。
S105：根据所述信噪比与预设的信噪比阈值，确定所述处理后图像对应的损失值。
S106：根据所述损失值，对所述图像处理模型进行训练。
在实际应用中，难以获取到清晰度较高，分辨率较高的基因芯片图像，所以，本说明书提供的模型训练方法无法通过常规的有监督训练的方式来实现，即，没有合适的高清晰的基因芯片图像作为标签数据。
所以，在图像处理模型的训练过程中，在获取到上述样本图像对应的处理后图像后，可以将该处理后图像视为经过图像处理模型去噪后的图像，如果图像处理模型的去噪能力显著，那么，该处理后图像中所包含的噪声数据相比于样本图像中包含的噪声数据要少。
所以，可以该处理后图像中所包含的噪声数据相比于样本图像中包含的噪声数据要少为优化目标，对图像处理模型进行训练。具体的，在得到上述处理后图像后，可以确定样本图像与处理后图像之间的像素误差，其中，可以采用确定均方误差的方式来确定该像素误差，具体可以参考如下公式：
其中，即为上述提到的处理后图像，/>即为上述提到的样本图像，/>即用于表示处理后图像中第i行第j列的像素值，/>用于表示样本图像中第i行第j列的像素值。样本图像和处理后图像的图像尺寸为m×n，/>即用于表示样本图像与处理后图像之间在像素值上的均方误差。
在确定出上述像素误差后，可以进一步地基于该像素误差，确定出处理后图像对应的信噪比。还以通过均方误差得到像素误差为例，具体可以参考如下公式：
在上述公式中，用于表示图像（样本图像或是处理后图像）中可能出现的最大像素值，若是样本图像或是处理后图像均以8位的二进制数表示，那么/>可以取255。当然，/>的取值可以根据实际情况而定。/>即用于表示确定出的信噪比。
通过信噪比的含义可知，若是信噪比越大，所以处理后图像中所包含的噪声越少，处理后图像越为清晰，分辨率越高，所以，在本说明书中，可以最大化处理后图像对应的信噪比为优化目标，来对图像处理模型进行训练。
当然，在实际应用中，可以设置预设的信噪比阈值，并在确定出处理后图像对应的信噪比后，根据该信噪比与预设的信噪比阈值，确定处理后图像对应的损失值，并根据该损失值，对图像处理模型进行训练。
可以理解成若是处理后图像对应的信噪比越接近上述信噪比阈值，则认为处理后图像相比于原始的样本图像来说，噪声越少，清晰度、分辨率越高，所以，可以通过确定该信噪比与该信噪比阈值之间的差值，来确定处理后图像对应的损失值，并以最小化该损失值为优化目标，对图像处理模型进行训练。
需要说明的是，上述内容中提到的通过均方误差的方式来确定信噪比只是以示例的形式来说明确定信噪比的过程，而实际上，确定信噪比也可以采用其他的方式，例如，通过确定样本图像与处理后图像之间每个像素值的差值（即不需要确定方差），来确定上述信噪比。在此就不详细举例说明了。
从上述内容可以看出，本说明书提供的模型训练方法可以利用通过荧光显微镜采集到的基因芯片图像作为样本图像，利用通过样本图像与模型输出的处理后图像的信噪比所确定出的损失值，来对图像处理模型进行训练，这样一来，可以在不至增加设备成本的同时，训练出一个图像处理模型，将训练后的图像处理模型应用在实际中，可以对采集到的基因芯片图像进行去噪，以得到高质量、高分辨率的基因芯片图像。
为了进一步地提高图像处理模型的训练效果，以得到图像质量更高的处理后图像，在本说明书中，在通过上述损失值对图像处理模型进行训练之前，终端设备还可以确定处理后图像与样本图像之间的亮度比对值、对比度比对值以及处理后图像与样本图像之间的图像结构比对值，并根据亮度比对值、对比度比对值以及图像结构比对值，来确定处理后图像与样本图像之间的结构相似度。之后，终端设备可以通过上述损失值以及该结构相似度，来对图像处理模型进行训练。
从这里可以看出，确定上述亮度比对值，是为了保证处理后图像的亮度更为均衡，不会出现图像中部分过暗或是过亮的情况出现，保证处理后图像的清晰度。确定上述对比度比对值，主要是为了保证处理后图像中涉及的图像对象（如DNA链）能够更为清晰，界限更为分明。而确定上述图像结构比对值则是为了保证处理后图像的图像内容在结构上符合样本图像的图像内容的结构，即，要保证处理后图像所呈现出的图像内容是与样本图像相符的。
下面将以示例的形式，分别介绍确定上述亮度比对值、对比度比对值以及图像结构比对值的过程。
在确定上述亮度比对值的过程中，可以通过以下公式来确定：
其中，用于表示处理后图像I中像素的像素均值，/>用于表示样本图像K中像素的像素均值，/>为预设的常数，可以通过/>来确定，/>在该示例中可以取0.01，/>为像素动态取值，在该示例中可以取256。/>则用于表示处理后图像I和样本图像L之间的亮度比对值。
在确定上述对比度比对值的过程中，可以通过以下公式来确定：
其中，用于表示处理后图像I中像素的像素方差，/>用于表示样本图像K中像素的像素方差，/>为预设的常数，可以通过/>来确定，/>在该示例中可以取0.03。/>则用于表示处理后图像I和样本图像L之间的对比度比对值。
在确定上述图像结构比对值的过程中，可以通过以下公式来确定：
其中，用于表示处理后图像I与样本图像K之间的像素协方差，/>为预设的常数，可以通过/>来确定。/>则用于表示处理后图像I和样本图像L之间的图像结构比对值。
在确定出上述的亮度比对值、对比度比对值以及图像结构比对值之后，可以通过以下公式，来确定处理后图像与样本图像之间的结构相似度：
其中，、/>以及/>为预设的参数，用于衡量亮度比对值、对比度比对值和图像结构比对值这三者在结构相似度中的占比。而/>则用于表示处理后图像I与样本图像K之间的结构相似度。
结合上述其他公式，确定上述结构相似度的具体公式如下：
上述公式是在、/>以及/>均为1的情况下的具体形式。
在通过上述结构相似度之后，终端设备可以最小化上述信噪比与预设的信噪比阈值之间的偏差，以及最大化该结构相似度为优化目标，对图像处理模型进行训练。
需要说明的是，上述介绍的确定结构相似度的过程只是以具体的示例进行说明，并不代表需要使用上述完全相同的公式来进行确定，至于能够采用的其他方式，在此就不详细举例说明了。
在完成上述模型训练后，可以将模型训练应用到实际的图像处理过程中，具体将在以下内容中进行描述。
图2为本说明书中提供的一种图像处理的方法的流程示意图，包括以下步骤：
S201：获取通过荧光显微镜采集到的基因芯片图像。
在本说明书中，可以获取到通过荧光显微镜采集到的基因芯片图像，其中，获取该基因芯片图像的执行主体可以是指服务器，也可以是指诸如台式电脑、笔记本电脑等终端设备，下面仅以终端设备是执行主体为例，对本说明书提供的图像处理方法进行说明。
S202：将所述基因芯片图像输入到预先训练的图像处理模型中，以使所述图像处理模型对所述基因芯片图像进行图像处理，得到所述基因芯片图像对应的处理后图像，所述图像处理模型是通过上述模型训练的方法进行训练得到的。
由于获取到的基因芯片图像中包含有噪声数据，所以，需要将获取到的基因芯片图像输入到预先训练的图像处理模型中，而该图像处理模型则也对输入的基因芯片图像进行降噪处理，以输出图像质量更高、清晰度更好、分辨率更高的处理后图像。
S203：根据所述处理后图像，执行任务。
在得到上述处理后图像后，可以执行相应的任务。具体执行何种任务可以根据实际情况而定，如，可以对该处理后图像中所包含的对象（如DNA链）进行识别，执行目标识别任务，或是，将该处理后图像在指定的显示设备中进行展示。
综上所述，本说明书提供的模型训练方法可以利用通过荧光显微镜采集到的基因芯片图像作为样本图像，利用通过样本图像与模型输出的处理后图像的信噪比所确定出的损失值以及确定出的结构相似度，来对图像处理模型进行训练，这样一来，可以在不至增加设备成本的同时，训练出一个图像处理模型，而将训练后的图像处理模型应用在实际中，可以对采集到的基因芯片图像进行去噪，以得到高质量、高分辨率的基因芯片图像。
以上为本说明书的一个或多个实施的方法，基于同样的思路，本说明书还提供了相应的模型训练的装置以及图像处理的装置，如图3、图4所示。
图3为本说明书提供的一种模型训练的装置的示意图，包括：
获取模块301，用于获取通过荧光显微镜采集到的基因芯片图像，作为样本图像；
输入模块302，用于将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型输出所述样本图像对应的处理后图像；
第一确定模块303，用于确定所述样本图像与所述处理后图像之间的像素误差；
第二确定模块304，用于根据所述像素误差，确定所述处理后图像对应的信噪比；
第三确定模块305，用于根据所述信噪比与预设的信噪比阈值，确定所述处理后图像对应的损失值；
训练模块306，用于根据所述损失值，对所述图像处理模型进行训练。
可选地，所述装置还包括：
第四确定模块307，用于所述训练模块306在根据所述损失值，对所述图像处理模型进行训练之前，确定所述处理后图像与所述样本图像之间的亮度比对值，确定所述处理后图像与所述样本图像之间的对比度比对值，以及确定所述处理后图像与所述样本图像之间的图像结构比对值；根据所述亮度比对值、所述对比度比对值以及所述图像结构比对值，确定所述处理后图像与所述样本图像之间的结构相似度；
所述训练模块306，用于根据所述损失值以及所述结构相似度，对所述图像处理模型进行训练。
可选地，所述图像处理模型中包含有若干卷积网络层；
所述输入模块302，用于将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型中的每个转置卷积层，对该转置卷积层的上一网络层输出的图像特征进行处理，并得到的处理后图像特征进行特征尺寸增扩，以得到输出给下一网络层的图像特征并输出，直至输入到所述图像处理模型中的最后一个网络层中为止，以得到所述样本图像对应的处理后图像。
可选地，所述图像处理模型中包含有若干个转置卷积层；
所述输入模块302，用于将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型中的每个转置卷积层，对该转置卷积层的上一网络层输出的图像特征进行处理，并得到的处理后图像特征进行特征尺寸增扩，以得到输出给下一网络层的图像特征并输出，直至输入到所述图像处理模型中的最后一个网络层中为止，以得到所述样本图像对应的处理后图像。
图4为本说明书提供的一种图像处理的装置的示意图，包括：
获取模块401，用于获取通过荧光显微镜采集到的基因芯片图像；
输入模块402，用于将所述基因芯片图像输入到预先训练的图像处理模型中，以使所述图像处理模型对所述基因芯片图像进行图像处理，得到所述基因芯片图像对应的处理后图像，所述图像处理模型是通过上述模型训练的方法进行训练得到的；
执行模块403，用于根据所述处理后图像，执行任务。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种模型训练的方法或是图2提供的一种图像处理的方法。
本说明书还提供了图5所示的一种对应于图1或图2的电子设备的示意结构图。如图5所示，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的模型训练的方法或图2所述的图像处理的方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、***、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (8)
1.一种模型训练的方法，其特征在于，图像处理模型中包含有若干卷积网络层以及若干个转置卷积层，包括：
获取通过荧光显微镜采集到的基因芯片图像，作为样本图像；
将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型输出所述样本图像对应的处理后图像，其中，将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型中的每个卷积网络层，对该卷积网络层的上一网络层输出的图像特征进行卷积处理，得到卷积后图像特征，并对所述卷积后图像特征进行特征填充，以得到输出给下一网络层的图像特征并输出，以及使得所述图像处理模型中的每个转置卷积层，对该转置卷积层的上一网络层输出的图像特征进行处理，并将得到的处理后图像特征进行特征尺寸增扩，以得到输出给下一网络层的图像特征并输出，直至输入到所述图像处理模型中的最后一个网络层中为止，以得到所述样本图像对应的处理后图像；
确定所述样本图像与所述处理后图像之间的像素误差；
根据所述像素误差，确定所述处理后图像对应的信噪比；
根据所述信噪比与预设的信噪比阈值，确定所述处理后图像对应的损失值；
根据所述损失值，对所述图像处理模型进行训练。
2.如权利要求1所述的方法，其特征在于，在根据所述损失值，对所述图像处理模型进行训练之前，所述方法还包括：
确定所述处理后图像与所述样本图像之间的亮度比对值，确定所述处理后图像与所述样本图像之间的对比度比对值，以及确定所述处理后图像与所述样本图像之间的图像结构比对值；
根据所述亮度比对值、所述对比度比对值以及所述图像结构比对值，确定所述处理后图像与所述样本图像之间的结构相似度；
根据所述损失值，对所述图像处理模型进行训练，具体包括：
根据所述损失值以及所述结构相似度，对所述图像处理模型进行训练。
3.一种图像处理的方法，其特征在于，包括：
获取通过荧光显微镜采集到的基因芯片图像；
将所述基因芯片图像输入到预先训练的图像处理模型中，以使所述图像处理模型对所述基因芯片图像进行图像处理，得到所述基因芯片图像对应的处理后图像，所述图像处理模型是通过如权利要求1或2所述的方法进行训练得到的；
根据所述处理后图像，执行任务。
4.一种模型训练的装置，其特征在于，图像处理模型中包含有若干卷积网络层以及若干个转置卷积层，包括：
获取模块，用于获取通过荧光显微镜采集到的基因芯片图像，作为样本图像；
输入模块，用于将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型输出所述样本图像对应的处理后图像，其中，将所述样本图像输入到待训练的图像处理模型中，以使所述图像处理模型中的每个卷积网络层，对该卷积网络层的上一网络层输出的图像特征进行卷积处理，得到卷积后图像特征，并对所述卷积后图像特征进行特征填充，以得到输出给下一网络层的图像特征并输出，以及使得所述图像处理模型中的每个转置卷积层，对该转置卷积层的上一网络层输出的图像特征进行处理，并将得到的处理后图像特征进行特征尺寸增扩，以得到输出给下一网络层的图像特征并输出，直至输入到所述图像处理模型中的最后一个网络层中为止，以得到所述样本图像对应的处理后图像；
第一确定模块，用于确定所述样本图像与所述处理后图像之间的像素误差；
第二确定模块，用于根据所述像素误差，确定所述处理后图像对应的信噪比；
第三确定模块，用于根据所述信噪比与预设的信噪比阈值，确定所述处理后图像对应的损失值；
训练模块，用于根据所述损失值，对所述图像处理模型进行训练。
5.如权利要求4所述的装置，其特征在于，所述装置还包括：
第四确定模块，用于所述训练模块在根据所述损失值，对所述图像处理模型进行训练之前，确定所述处理后图像与所述样本图像之间的亮度比对值，确定所述处理后图像与所述样本图像之间的对比度比对值，以及确定所述处理后图像与所述样本图像之间的图像结构比对值；根据所述亮度比对值、所述对比度比对值以及所述图像结构比对值，确定所述处理后图像与所述样本图像之间的结构相似度；
所述训练模块，用于根据所述损失值以及所述结构相似度，对所述图像处理模型进行训练。
6.一种图像处理的装置，其特征在于，包括：
获取模块，用于获取通过荧光显微镜采集到的基因芯片图像；
输入模块，用于将所述基因芯片图像输入到预先训练的图像处理模型中，以使所述图像处理模型对所述基因芯片图像进行图像处理，得到所述基因芯片图像对应的处理后图像，所述图像处理模型是通过如权利要求1或2所述的方法进行训练得到的；
执行模块，用于根据所述处理后图像，执行任务。
7.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~3任一项所述的方法。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~3任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310631275.4A CN116342984B (zh) | 2023-05-31 | 2023-05-31 | 一种模型训练的方法以及图像处理的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310631275.4A CN116342984B (zh) | 2023-05-31 | 2023-05-31 | 一种模型训练的方法以及图像处理的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116342984A CN116342984A (zh) | 2023-06-27 |
| CN116342984B true CN116342984B (zh) | 2023-08-08 |
Family
ID=86891619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310631275.4A Active CN116342984B (zh) | 2023-05-31 | 2023-05-31 | 一种模型训练的方法以及图像处理的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116342984B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117876263B (zh) * | 2024-03-13 | 2024-05-17 | 之江实验室 | 一种天文图像处理方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021030952A1 (zh) * | 2019-08-16 | 2021-02-25 | 深圳市真迈生物科技有限公司 | 碱基识别方法、***、计算机程序产品和测序*** |
| CN113112536A (zh) * | 2021-03-19 | 2021-07-13 | 北京达佳互联信息技术有限公司 | 图像处理模型训练方法、图像处理方法及装置 |
| CN113436112A (zh) * | 2021-07-21 | 2021-09-24 | 杭州海康威视数字技术股份有限公司 | 一种图像增强方法、装置及设备 |
| CN113947565A (zh) * | 2021-09-03 | 2022-01-18 | 中国科学院西安光学精密机械研究所 | 基于深度学习的结构光照明超分辨成像基因检测方法 |
| WO2022166298A1 (zh) * | 2021-02-05 | 2022-08-11 | 歌尔股份有限公司 | 一种图像处理方法、装置、电子设备及可读存储介质 |
| CN115131247A (zh) * | 2022-07-04 | 2022-09-30 | 北京三快在线科技有限公司 | 一种图像处理的方法、装置、存储介质及电子设备 |
| CN115880516A (zh) * | 2021-09-27 | 2023-03-31 | 马上消费金融股份有限公司 | 图像分类方法、图像分类模型训练方法及相关设备 |
| WO2023070447A1 (zh) * | 2021-10-28 | 2023-05-04 | 京东方科技集团股份有限公司 | 模型训练方法、图像处理方法、计算处理设备及非瞬态计算机可读介质 |
-
2023
- 2023-05-31 CN CN202310631275.4A patent/CN116342984B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021030952A1 (zh) * | 2019-08-16 | 2021-02-25 | 深圳市真迈生物科技有限公司 | 碱基识别方法、***、计算机程序产品和测序*** |
| WO2022166298A1 (zh) * | 2021-02-05 | 2022-08-11 | 歌尔股份有限公司 | 一种图像处理方法、装置、电子设备及可读存储介质 |
| CN113112536A (zh) * | 2021-03-19 | 2021-07-13 | 北京达佳互联信息技术有限公司 | 图像处理模型训练方法、图像处理方法及装置 |
| CN113436112A (zh) * | 2021-07-21 | 2021-09-24 | 杭州海康威视数字技术股份有限公司 | 一种图像增强方法、装置及设备 |
| CN113947565A (zh) * | 2021-09-03 | 2022-01-18 | 中国科学院西安光学精密机械研究所 | 基于深度学习的结构光照明超分辨成像基因检测方法 |
| CN115880516A (zh) * | 2021-09-27 | 2023-03-31 | 马上消费金融股份有限公司 | 图像分类方法、图像分类模型训练方法及相关设备 |
| WO2023070447A1 (zh) * | 2021-10-28 | 2023-05-04 | 京东方科技集团股份有限公司 | 模型训练方法、图像处理方法、计算处理设备及非瞬态计算机可读介质 |
| CN115131247A (zh) * | 2022-07-04 | 2022-09-30 | 北京三快在线科技有限公司 | 一种图像处理的方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 朱宜生 ; 孙成 ; .基于卷积神经网络的红外图像去噪方法研究.环境技术.2019,(06),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116342984A (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220319155A1 (en) | Image Processing Method, Image Processing Apparatus, and Device | |
| Diederich et al. | cellSTORM—Cost-effective super-resolution on a cellphone using dSTORM | |
| CN116342984B (zh) | 一种模型训练的方法以及图像处理的方法及装置 | |
| US20210090328A1 (en) | Tile-based sparsity aware dataflow optimization for sparse data | |
| US11816870B2 (en) | Image processing method and device, neural network and training method thereof, storage medium | |
| CN114419020B (zh) | 医学图像分割方法、装置、计算机设备及存储介质 | |
| CN116342888B (zh) | 一种基于稀疏标注训练分割模型的方法及装置 | |
| CN111476729B (zh) | 一种目标识别的方法及装置 | |
| CN116030247B (zh) | 一种医学图像样本生成方法、装置、存储介质及电子设备 | |
| CN116821647B (zh) | 基于样本偏离评估的数据标注的优化方法、装置及设备 | |
| CN116091895B (zh) | 一种面向多任务知识融合的模型训练方法及装置 | |
| CN109377504B (zh) | 一种颅内动脉血管图像分割方法及*** | |
| CN116524295A (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
| CN116664513A (zh) | 一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备 | |
| CN116805393A (zh) | 一种基于3DUnet光谱-空间信息融合的高光谱图像分类方法和*** | |
| CN116580199A (zh) | 基于DeepLabV3+的图像分割方法、装置和存储介质 | |
| WO2023060459A1 (en) | Sample-adaptive 3d feature calibration and association agent | |
| CN116229218B (zh) | 一种模型训练、图像配准方法及装置 | |
| CN117357132B (zh) | 一种基于多层脑网络节点参与系数的任务执行方法及装置 | |
| CN117173321B (zh) | 一种三维重建纹理视图的选择方法及装置 | |
| CN116363390B (zh) | 一种红外弱小目标检测方法、装置、存储介质及电子设备 | |
| WO2023035221A1 (en) | Sample-adaptive cross-layer norm calibration and relay neural network | |
| CN110634129B (zh) | 一种基于dsa图像的定位方法及*** | |
| CN112801082B (zh) | 图像的采样方法、装置及电子设备 | |
| CN116958551A (zh) | 图像分割方法、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |