图像处理方法、装置、计算机设备及存储介质制造方法及图纸

本申请公开了一种图像处理方法、装置、计算机设备及存储介质，属于计算机技术领域。方法包括：获取待训练的原始图像处理模型，根据样本图像及对应的目标图像，对原始图像处理模型中的参数信息进行训练，在训练后的原始图像处理模型中，确定每两个节点之间的目标算子，每两个节点之间的目标算子为每两个节点之间的权重参数最大的算子；根据多个节点和每两个节点之间的目标算子，确定目标图像处理模型；基于目标图像处理模型，对待处理图像进行处理。实现了基于人工智能来自动确定图像处理模型的网络结构，无需人工设计图像处理模型，不仅节约了人工成本，还提高了图像处理模型的准确度，有利于提高图像处理的效果。有利于提高图像处理的效果。有利于提高图像处理的效果。

【技术实现步骤摘要】
图像处理方法、装置、计算机设备及存储介质


[0001]本申请实施例涉及计算机
，特别涉及一种图像处理方法、装置、计算机设备及存储介质。

技术介绍

[0002]近年来，随着人工智能技术的飞速发展，基于网络模型的图像处理方法得到了广泛的应用。相关技术中，通常是先人工设计好图像处理模型的网络结构，然后基于样本数据对图像处理模型进行训练，后续基于训练好的图像处理模型对图像进行处理。但是，由于人工设计的图像处理模型依赖于主观经验，难以保证图像处理模型的准确性，导致图像处理效果较差。

技术实现思路

[0003]本申请实施例提供了一种图像处理方法、装置、计算机设备及存储介质，能够提高图像处理模型的准确性和图像处理的效果。技术方案如下：
[0004]根据本申请实施例的一方面，提供了一种图像处理方法，所述方法包括：
[0005]获取待训练的原始图像处理模型，所述原始图像处理模型包括多个节点、所述多个节点中的每两个节点之间的多个算子以及每个算子对应的参数信息，所述参数信息包括权重参数；
[0006]根据样本图像及对应的目标图像，对所述原始图像处理模型中的参数信息进行训练，所述样本图像对应的目标图像是对所述样本图像进行图像处理后的图像；
[0007]在训练后的所述原始图像处理模型中，确定所述每两个节点之间的目标算子，所述每两个节点之间的目标算子为所述每两个节点之间的权重参数最大的算子；
[0008]根据所述多个节点和所述每两个节点之间的目标算子，确定目标图像处理模型；
[0009]基于所述目标图像处理模型，对待处理图像进行处理。
[0010]根据本申请实施例的另一方面，提供了一种图像处理装置，所述装置包括：
[0011]模型获取模块，用于获取待训练的原始图像处理模型，所述原始图像处理模型包括多个节点、所述多个节点中的每两个节点之间的多个算子以及每个算子对应的参数信息，所述参数信息包括权重参数；
[0012]模型训练模块，用于根据样本图像及对应的目标图像，对所述原始图像处理模型中的参数信息进行训练，所述样本图像对应的目标图像是对所述样本图像进行图像处理后的图像；
[0013]算子确定模块，用于在训练后的所述原始图像处理模型中，确定所述每两个节点之间的目标算子，所述每两个节点之间的目标算子为所述每两个节点之间的权重参数最大的算子；
[0014]模型确定模块，用于根据所述多个节点和所述每两个节点之间的目标算子，确定目标图像处理模型；
[0015]图像处理模块，用于基于所述目标图像处理模型，对待处理图像进行处理。
[0016]根据本申请实施例的另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器；所述存储器存储有至少一条指令，所述至少一条指令用于被所述处理器执行以实现如上述方面所述的图像处理方法。
[0017]根据本申请实施例的另一方面，提供了一种计算机可读存储介质，所述存储介质存储有至少一条指令，所述至少一条指令用于被处理器执行以实现如上述方面所述的图像处理方法。
[0018]根据本申请实施例的另一方面，提供了一种计算机程序产品，该计算机程序产品存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行以实现上述方面所述的图像处理方法。
[0019]本申请实施例提供的图像处理方法、装置、计算机设备及存储介质，图像处理模型中每两个节点之间的算子对应的参数信息包括权重参数，通过训练参数信息来实现对算子对应的权重参数进行优化，然后根据多个节点和权重参数最大的目标算子来确定图像处理模型，从而实现了基于人工智能来自动确定图像处理模型的网络结构，无需人工设计图像处理模型，不仅节约了人工成本，还提高了图像处理模型的准确度，有利于提高图像处理的效果。
附图说明
[0020]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0021]图1示出了本申请一个示例性实施例提供的一种实施环境的示意图；
[0022]图2示出了本申请一个示例性实施例提供的一种图像处理方法的流程图；
[0023]图3示出了本申请一个示例性实施例提供的一种图像处理方法的流程图；
[0024]图4示出了本申请一个示例性实施例提供的一种节点和算子的示意图；
[0025]图5示出了本申请一个示例性实施例提供的一种训练图像处理模型的示意图；
[0026]图6示出了本申请一个示例性实施例提供的一种图像处理方法的示意图；
[0027]图7示出了本申请一个示例性实施例提供的一种图像去噪方法的流程图；
[0028]图8示出了本申请一个示例性实施例提供的一种图像去噪方法的流程图；
[0029]图9示出了本申请一个示例性实施例提供的一种图像处理装置的结构框图；
[0030]图10示出了本申请一个示例性实施例提供的一种图像处理装置的结构框图；
[0031]图11示出了本申请一个示例性实施例提供的一种终端的结构方框图；
[0032]图12示出了本申请一个示例性实施例提供的一种服务器的结构方框图。
具体实施方式
[0033]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地详细描述。
[0034]在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关
系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0035]本申请实施例提供了一种图像处理方法，执行主体为计算机设备，计算机设备通过训练图像处理模型，自动确定图像处理模型的网络结构，后续基于训练好的图像处理模型进行图像处理，例如图像去噪处理、图像复原处理或者图像去雾处理等。
[0036]在一些实施例中，该计算机设备为终端，例如终端为手机、台式电脑、笔记本电脑、平板电脑、智能电视、智能音箱、车载终端、智能机器人等多种类型的终端。在一些实施例中，该计算机设备为服务器，该服务器可以为一台服务器，或者由若干台服务器组成的服务器集群，或者是一个云计算服务器中心。在一些实施例中，如图1所示，该计算机设备包括服务器101和终端102，其中，服务器101训练原始图像处理模型，得到目标图像处理模型，并将目标图像处理模型发送给终端102，终端102基于该目标图像处理模型进行图像处理。或者，终端102训练原始图像处理模型，得到目标图像处理模型，基于该目标图像处理模型进行图像处理。并且终端102还会将该目标图像处理模型发送给服务器101，由服务器101将目标图像处理模型下发给其他终端，以使其他终端基于该目标图像处理模型进行图像处理。
[0037]本申请实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：获取待训练的原始图像处理模型，所述原始图像处理模型包括多个节点、所述多个节点中的每两个节点之间的多个算子以及每个算子对应的参数信息，所述参数信息包括权重参数；根据样本图像及对应的目标图像，对所述原始图像处理模型中的参数信息进行训练，所述样本图像对应的目标图像是对所述样本图像进行图像处理后的图像；在训练后的所述原始图像处理模型中，确定所述每两个节点之间的目标算子，所述每两个节点之间的目标算子为所述每两个节点之间的权重参数最大的算子；根据所述多个节点和所述每两个节点之间的目标算子，确定目标图像处理模型；基于所述目标图像处理模型，对待处理图像进行处理。2.根据权利要求1所述的方法，其特征在于，所述根据样本图像及对应的目标图像，对所述原始图像处理模型中的参数信息进行训练，包括：基于所述原始图像处理模型，对第一样本图像进行处理，得到所述第一样本图像对应的第一预测图像；根据所述第一预测图像与所述第一样本图像对应的第一目标图像之间的差值图像，对所述原始图像处理模型中的至少一个算子对应的参数信息进行训练。3.根据权利要求2所述的方法，其特征在于，所述基于所述原始图像处理模型，对第一样本图像进行处理，得到所述第一样本图像对应的第一预测图像，包括：将所述第一样本图像输入至所述原始图像处理模型的第一个节点中；基于所述第一个节点与下一个节点之间的多个算子，对所述第一样本图像进行处理，按照所述多个算子对应的权重参数，对所述多个算子的处理结果进行加权求和，得到所述下一个节点的处理结果，直至得到所述原始图像处理模型的最后一个节点的处理结果，将所述最后一个节点的处理结果确定为所述第一预测图像。4.根据权利要求2所述的方法，其特征在于，所述第一样本图像包括多个，所述基于所述原始图像处理模型，对第一样本图像进行处理，得到所述第一样本图像对应的第一预测图像，包括：基于所述原始图像处理模型，对多个第一样本图像进行处理，得到每个第一样本图像对应的第一预测图像；所述根据所述第一预测图像与所述第一样本图像对应的第一目标图像之间的差值图像，对所述图像处理模型中的至少一个算子对应的参数信息进行训练，包括：根据所述每个第一样本图像对应的第一预测图像与第一目标图像之间的差值图像之和，对所述至少一个算子对应的参数信息进行训练。5.根据权利要求1所述的方法，其特征在于，所述参数信息还包括算子参数，所述在训练后的所述原始图像处理模型中，确定所述每两个节点之间的目标算子，包括：在训练后的所述原始图像处理模型中，确定所述每两个节点之间的目标算子和所述目标算子对应的算子参数；所述根据所述多个节点和所述每两个节点之间的目标算子，确定目标图像处理模型，包括：根据所述多个节点、每两个节点之间的目标算子和所述目标算子对应的算子参数，确
定所述目标图像处理模型。6.根据权利要求5所述的方法，其特征在于，所述根据所述多个节点、每两个节点之间的目标算子和所述目标算子对应的算子参数，确定所述目标图像处理模型，包括：将所述多个节点、所述每两个节点之间的目标算子和所述目标算子对应的算子参数，构成第一图像处理模型；基于所述第一图像处理模型，对第二样本图像进行处理，得到所述第二样本图像对应的第二预测图像；根据所述第二预测图像与所述第二样本图像对应的第二目标图像之间的差值图像，对所述第一图像处理模型中的算子参数进行训练；响应于所述第一图像处理模型中的算子参数收敛，得到所述目标图像处理模型。7.根据权利要求1所述的方法，其特征在于，所述参数信息还包括算子参数，所述根据样本图像及对应的目标图像，对所述原始图像处理模型中的参数信息进行训练，包括：保持所述图像处理模型中的算子参数不变，根据所述样本图像及对应的目标图像，对所述原始图像处理模型中的权重参数进行训练；响应于训练权重参数的次数达到目标次数，保持所述原始图像处理模型中的权重参数不变，根据所述样本图像及对应的目标图像，对所述原始图像处理模型中的算子参数进行训练；响应于训练算子参数的次数达到所述目标次数，继续保持所述原始图像处理模型中的算子参数不变，根据所述样本图像及对应的目标图像，对所述原始图像处理模型中的权重参数进行训练，直至所述原始图像处理模型中的权重参数和算子参数收敛。8.根据权利要求1所述的方法，其...

【专利技术属性】
技术研发人员：赵娟萍，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：