[發明專利]圖像處理方法、裝置、介質及電子設備

在審

• 申請號: 202211415817.6
• 申請日: 2022-11-11
• 公開（公告）號: CN115761272A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 韓宇星;蔡明睿;王俊舒;李曉欣;劉振
• 申請（專利權）人: 華南農業大學
• 主分類號: G06V10/70
• 分類號: G06V10/70;G06N20/00;G06V10/771
• 代理公司: 北京英創嘉友知識產權代理事務所(普通合伙) 11447
• 代理人: 王波

本公開涉及一種圖像處理方法、裝置、介質及電子設備，涉及圖像處理技術領域，獲取輸出樣本圖像和圖像處理模型輸出的輸出圖像，從輸出圖像中提取N個特征參數，并且從N個特征參數中篩選出n個特征參數，根據n個特征參數、輸出圖像和輸出樣本圖像計算損失函數，通過該損失函數對圖像處理模型進行訓練，為提高模型的性能，可以對圖像處理模型的經過m次迭代訓練，在每次迭代訓練中，重新獲取新的n個特征參數計算新的損失函數，在經過m次迭代訓練后，得到訓練后的圖像處理模型。在每次迭代過程中，用于模型訓練的特征參數不同，避免訓練后的模型處于假收斂的情況，使得最終獲得的模型性能良好，獲得的模型用于圖像處理，提升圖像處理效果。

技術領域

本公開涉及圖像處理技術領域，具體地，涉及一種圖像處理方法、裝置、介質及電子設備。

背景技術

近年來，隨著機器學習的迅猛發展，機器學習被廣泛應用于多種技術領域。例如，訓練后的機器學習模型可以應用在圖像處理領域。在機器學習領域中，損失函數是描述模型預測值與預期值之間的差距的數學函數。最小化的損失函數可以在模型訓練過程中更好地引導預測值向預期值擬合。因此，在模型訓練時，可以是以最小化損失函數作為訓練目標，具體做法是，尋找收斂至誤差梯度為0的點，誤差梯度為0的點被稱為最小值。實際上，最小值的數量通常為多個，且絕大部分的最小值是局部最小值。因此，在模型訓練時，損失函數極易陷入局部最小值。局部最小值會導致模型假收斂，使得訓練出的模型的預測能力較差，模型輸出的預測值與預期值相距甚遠，實際處理效果差強人意。

發明內容

本公開的目的是提供一種圖像處理方法、裝置、介質及電子設備，旨在解決上述問題。

為了實現上述目的，本公開第一方面提供一種圖像處理方法，所述方法包括：獲取圖像處理模型基于輸入樣本圖像輸出的輸出圖像，以及獲取所述輸入樣本圖像對應的輸出樣本圖像；從所述輸出圖像中提取N個特征參數，并從所述N個特征參數中篩選出n個特征參數，其中，N和n均為正整數，N大于或等于n；根據所述n個特征參數、所述輸出圖像和所述輸出樣本圖像獲得損失函數；通過所述損失函數迭代訓練所述圖像處理模型，在迭代m次后獲得訓練后的圖像處理模型，其中，在m次迭代訓練圖像處理模型中的每次迭代中均需要重新執行所述從所述N個特征參數中篩選出n個特征參數的步驟，其中，m為大于2的正整數；將待處理圖像輸入所述訓練后的圖像生成模型，獲得所述訓練后的圖像生成模型輸出的處理后的圖像。

可選地，所述從所述輸出圖像中提取N個特征參數，包括：獲取所述輸出圖像的圖像大小X*Y，其中X和Y均為正整數；根據所述圖像大小X*Y，提取所述N個特征參數，其中，X和Y兩者中數值小的與N相等。

可選地，所述根據所述n個特征參數、所述輸出圖像和所述輸出樣本圖像獲得損失函數，包括：對所述輸出圖像進行奇異值分解，獲得第一正交矩陣、第二正交矩陣和第一對角矩陣，以及對所述輸出樣本圖像進行奇異值分解，獲得第三正交矩陣、第四正交矩陣和第二對角矩陣；根據所述n個特征參數，獲得篩選張量；根據所述篩選張量和所述第一對角矩陣，獲得第一特征值張量，以及根據所述篩選張量和所述第二對角矩陣，獲得第二特征值張量；根據所述第一正交矩陣、所述第二正交矩陣和所述第一特征值張量，獲得恢復后的輸出圖像，以及根據所述第三正交矩陣、所述第四正交矩陣和所述第二特征值張量，獲得恢復后的輸出樣本圖像；根據所述恢復后的輸出圖像和所述恢復后的輸出樣本圖像，獲得SVD損失函數。

可選地，所述根據所述篩選張量和所述第一對角矩陣，獲得第一特征值張量，包括：根據所述篩選張量和所述第一對角矩陣之間的乘積，獲得第一中間張量；對所述第一中間張量進行擴充處理，獲得所述第一特征值張量；所述根據所述篩選張量和所述第二對角矩陣，獲得第二特征值張量，包括：根據所述篩選張量和所述第二對角矩陣之間的乘積，獲得第二中間張量；對所述第二中間張量進行擴充處理，獲得所述第二特征值張量。