图像预测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种图像预测方法、装置、计算机设备和存储介质。所述方法包括：获取待测图像；待测图像中包括多个图像区域，且不同的图像区域对应不同的分类类别；将待测图像输入预设的图像预测模型，得到预测图像；其中，图像预测模型为根据预设的损失函数训练得到的，预设的损失函数包括第一损失函数和第二损失函数，第一损失函数的值为根据标准图像和样本预测图像所得到的，第二损失函数的值为根据样本预测图像中各图像区域所属的样本类别和标准图像中各图像区域所属的标准类别所得到的。采用本方法能够提高得到的预测图像的准确度。本方法能够提高得到的预测图像的准确度。本方法能够提高得到的预测图像的准确度。

【技术实现步骤摘要】
图像预测方法、装置、计算机设备和存储介质


[0001]本申请涉及图像预测
，特别是涉及一种图像预测方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着深度学习技术的发展，深度学习技术逐渐运用在了图像预测或图像生成任务中，例如，通过深度学习技术对降水云图进行预测，从而得到未来一段时间内的降水云图。
[0003]传统技术中，图像预测或图像生成通常是把将要生成的图像的每个像素点当成一个回归问题，通过神经网络回归出当前像素点的值，根据回归出的当前像素点的值生成图像。
[0004]然而，传统的图像预测方法，存在生成的预测图像准确度较低的问题。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提高生成的预测图像准确度的图像预测方法、装置、计算机设备和存储介质。
[0006]一种图像预测方法，所述方法包括：
[0007]获取待测图像；所述待测图像中包括多个图像区域，且不同的图像区域对应不同的分类类别；
[0008]将所述待测图像输入预设的图像预测模型，得到预测图像；其中，所述图像预测模型为根据预设的损失函数训练得到的，所述预设的损失函数包括第一损失函数和第二损失函数，所述第一损失函数的值为根据标准图像和样本预测图像所得到的，所述第二损失函数的值为根据所述样本预测图像中各图像区域所属的样本类别和所述标准图像中各图像区域所属的标准类别所得到的。
[0009]在其中一个实施例中，所述图像预测模型的训练过程包括：
[0010]将样本图像输入预设的待训练图像预测模型，得到所述样本预测图像；
[0011]根据所述标准图像和所述样本预测图像，得到所述第一损失函数的值；
[0012]获取所述标准图像中各图像区域所属的标准类别和所述样本预测图像中各图像区域所属的样本类别；
[0013]根据所述标准图像中各图像区域所属的标准类别和所述样本预测图像中各图像区域所属的样本类别，得到所述第二损失函数的值；
[0014]根据所述第一损失函数的值和所述第二损失函数的值，得到所述待训练图像预测模型的损失函数的值，对所述待训练图像预测模型进行训练，得到所述图像预测模型。
[0015]在其中一个实施例中，所述获取所述标准图像中各图像区域所属的标准类别和所述样本预测图像中各图像区域所属的样本类别，包括：
[0016]根据预设的转换公式，将所述标准图像中各图像区域的像素值的值域转换为对应的标准概率值，根据所述标准概率值得到所述标准图像中各图像区域所属的标准类别；
[0017]根据所述预设的转换公式，将所述样本预测图像中各图像区域的像素值的值域转换为对应的样本概率值，根据所述样本概率值得到所述样本预测图像中各图像区域所属的样本类别。
[0018]在其中一个实施例中，所述根据所述第一损失函数的值和所述第二损失函数的值，得到所述待训练图像预测模型的损失函数的值，对所述待训练图像预测模型进行训练，得到所述图像预测模型，包括：
[0019]对所述第一损失函数的值和所述第二损失函数的值进行加权求和，得到所述待训练图像预测模型的损失函数的值；
[0020]根据所述待训练图像预测模型的损失函数的值，对所述待训练图像预测模型进行训练，得到所述图像预测模型。
[0021]在其中一个实施例中，所述第二损失函数包括Focal Loss函数。
[0022]在其中一个实施例中，所述第一损失函数包括BCELoss函数。
[0023]在其中一个实施例中，所述预设的转换公式为：式中，Rate表示概率值，sigmoid表示sigmoid函数，r为参数，x为所述标准图像或所述样本预测图像中各图像区域的像素值，threshold的取值为所述标准图像或所述样本预测图像中各图像区域的值阶的中心点位置的值，range的取值为所述标准图像或所述样本预测图像中各图像区域的值阶范围值的一半。
[0024]一种图像预测装置，所述装置包括：
[0025]第一获取模块，用于获取待测图像；所述待测图像中包括多个图像区域，且不同的图像区域对应不同的分类类别；
[0026]预测模块，用于将所述待测图像输入预设的图像预测模型，得到预测图像；其中，所述图像预测模型为根据预设的损失函数训练得到的，所述预设的损失函数包括第一损失函数和第二损失函数，所述第一损失函数的值为根据标准图像和样本预测图像所得到的，所述第二损失函数的值为根据所述样本预测图像中各图像区域所属的样本类别和所述标准图像中各图像区域所属的标准类别所得到的。
[0027]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0028]获取待测图像；所述待测图像中包括多个图像区域，且不同的图像区域对应不同的分类类别；
[0029]将所述待测图像输入预设的图像预测模型，得到预测图像；其中，所述图像预测模型为根据预设的损失函数训练得到的，所述预设的损失函数包括第一损失函数和第二损失函数，所述第一损失函数的值为根据标准图像和样本预测图像所得到的，所述第二损失函数的值为根据所述样本预测图像中各图像区域所属的样本类别和所述标准图像中各图像区域所属的标准类别所得到的。
[0030]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0031]获取待测图像；所述待测图像中包括多个图像区域，且不同的图像区域对应不同的分类类别；
[0032]将所述待测图像输入预设的图像预测模型，得到预测图像；其中，所述图像预测模型为根据预设的损失函数训练得到的，所述预设的损失函数包括第一损失函数和第二损失函数，所述第一损失函数的值为根据标准图像和样本预测图像所得到的，所述第二损失函数的值为根据所述样本预测图像中各图像区域所属的样本类别和所述标准图像中各图像区域所属的标准类别所得到的。
[0033]上述图像预测方法、装置、计算机设备和存储介质，由于图像预测模型是根据预设的第一损失函数和第二损失函数训练得到的，而第一损失函数的值是根据标准图像和样本预测图像所得到的，第二损失函数的值是根据样本预测图像中各图像区域所述的样本类别和标准图像中各图像区域所述的标准类别所得到的，这样通过第一损失函数和第二损失函数可以对图像预测模型进行更加准确地训练，使得到的图像预测模型在对待测图像进行预测时避免了不同强度的图像区域的占比不同对图像预测结果的影响，从而提高了得到的预测图像的准确度。
附图说明
[0034]图1为一个实施例提供的计算机设备的内部结构示意图；
[0035]图2为一个实施例中图像预测方法的流程示意图；
[0036]图3为另一个实施例中图像预测方法的流程示意图；
[0037]图4为另一个实施例中图像预测方法的流程示意图；
[0038]图5为另一个实施例中图像预测方法的流程示意图；
[0039]图6为一个实施例提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像预测方法，其特征在于，所述方法包括：获取待测图像；所述待测图像中包括多个图像区域，且不同的图像区域对应不同的分类类别；将所述待测图像输入预设的图像预测模型，得到预测图像；其中，所述图像预测模型为根据预设的损失函数训练得到的，所述预设的损失函数包括第一损失函数和第二损失函数，所述第一损失函数的值为根据标准图像和样本预测图像所得到的，所述第二损失函数的值为根据所述样本预测图像中各图像区域所属的样本类别和所述标准图像中各图像区域所属的标准类别所得到的。2.根据权利要求1所述的方法，其特征在于，所述图像预测模型的训练过程包括：将样本图像输入预设的待训练图像预测模型，得到所述样本预测图像；根据所述标准图像和所述样本预测图像，得到所述第一损失函数的值；获取所述标准图像中各图像区域所属的标准类别和所述样本预测图像中各图像区域所属的样本类别；根据所述标准图像中各图像区域所属的标准类别和所述样本预测图像中各图像区域所属的样本类别，得到所述第二损失函数的值；根据所述第一损失函数的值和所述第二损失函数的值，得到所述待训练图像预测模型的损失函数的值，对所述待训练图像预测模型进行训练，得到所述图像预测模型。3.根据权利要求2所述的方法，其特征在于，所述获取所述标准图像中各图像区域所属的标准类别和所述样本预测图像中各图像区域所属的样本类别，包括：根据预设的转换公式，将所述标准图像中各图像区域的像素值的值域转换为对应的标准概率值，根据所述标准概率值得到所述标准图像中各图像区域所属的标准类别；根据所述预设的转换公式，将所述样本预测图像中各图像区域的像素值的值域转换为对应的样本概率值，根据所述样本概率值得到所述样本预测图像中各图像区域所属的样本类别。4.根据权利要求2所述的方法，其特征在于，所述根据所述第一损失函数的值和所述第二损失函数的值，得到所述待训练图像预测模型的损失函数的值，对所述待训练图像预...

【专利技术属性】
技术研发人员：姚广，
申请(专利权)人：上海眼控科技股份有限公司，
类型：发明
国别省市：