[发明专利]一种图像处理模型的训练方法、装置及存储介质

说明书

本申请实施例提供了一种图像处理模型的训练方法、装置及存储介质，所述方法包括：对样本图像进行分割，得到所述样本图像的多个子图像，对所述样本图像的多个子图像中的每个子图像进行特征提取，得到所述多个子图像的特征；针对每个所述子图像，利用图像处理模型根据所述子图像的特征确定所述子图像对应的子网络，并利用所述子网络对所述子图像进行超分辨率重建；基于重建后的多个子图像生成目标图像，所述目标图像的分辨率高于所述样本图像的分辨率；基于所述目标图像和所述样本图像对应的标注图像，对所述图像处理模型进行训练。如此，针对同一图像的不同子图像，选择合适的子网络对其进行超分辨率重建，大大提高了重建图像的质量。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种图像处理模型的训练方法、装置及存储介质。

背景技术

常用的图像超分辨率重建算法有基于插值的算法、基于稀疏表示的算法和基于深度学习的算法。由于基于插值的算法是根据特定的数学表达式来预测出增加像素的数值，所以其并不能增加图像的信息量，只能改变图像的视觉效果。而基于稀疏表示的算法需要对大量采样数据进行稀疏编码，导致耗时较长。虽然基于深度学习的算法可以利用神经网络结构，重建出效果较好的超分辨率图像。但是，基于深度学习的算法对整个图像上所有的特征均采取相同的策略进行处理，从而导致出现重建图像过于平滑和模糊的问题。

发明内容

有鉴于此，本申请实施例为解决现有技术中存在的至少一个问题而提供一种图像处理模型的训练方法、装置及存储介质。

为达到上述目的，本申请实施例的技术方案是这样实现的：

第一方面，本申请实施例提供一种图像处理模型的训练方法，所述方法包括：

对样本图像进行分割，得到所述样本图像的多个子图像，对所述样本图像的多个子图像中的每个子图像进行特征提取，得到所述多个子图像的特征；

针对每个所述子图像，利用图像处理模型根据所述子图像的特征确定所述子图像对应的子网络，并利用所述子网络对所述子图像进行超分辨率重建；

基于重建后的多个子图像生成目标图像，所述目标图像的分辨率高于所述样本图像的分辨率；

基于所述目标图像和所述样本图像对应的标注图像，对所述图像处理模型进行训练。

进一步地，在所述对样本图像进行分割之前，所述方法还包括：

基于样本图像，对所述子网络进行预训练。

进一步地，所述针对每个所述子图像，利用图像处理模型根据所述子图像的特征确定所述子图像对应的子网络，并利用所述子网络对所述子图像进行超分辨率重建，包括：

针对每个所述子图像，将所述子图像的特征输入所述图像处理模型，通过所述图像处理模型确定所述子图像对应的子网络；

将所述子图像的特征输入所述子图像对应的子网络，通过所述子图像对应的子网络对所述子图像进行超分辨率重建。

进一步地，所述基于所述目标图像和所述样本图像对应的标注图像，对所述图像处理模型进行训练，包括：

基于所述目标图像和所述样本图像对应的标注图像，确定损失函数的值；

基于所述损失函数的值，更新所述图像处理模型的参数。

第二方面，本申请实施例提供一种基于图像处理模型的图像处理方法，所述方法包括：

获得第一图像；

对所述第一图像进行分割，得到所述第一图像的多个子图像，对所述多个子图像中的每个子图像进行特征提取，得到所述多个子图像的特征；