[发明专利]图像处理方法、装置、系统、存储介质和学习模型制造法

说明书

公开了图像处理方法、装置、系统、存储介质和学习模型制造法。一种图像处理方法，包括：取得输入数据，该输入数据包括输入图像和基于与输入图像相对应的光学黑色区域的表示输入图像中的噪声量的噪声图，以及将输入数据输入到神经网络中以执行识别或回归的任务。

技术领域

本发明涉及可以提高神经网络中的抗噪声的稳健性的图像处理方法。

背景技术

日本专利公开No.(“JP”)2016-110232公开了一种用于使用神经网络来高精确度地确定图像中的识别目标的位置的方法。

然而，当图像具有低S/N比时，JP 2016-110232中公开的方法减小了确定精确度。由于图像中的噪声取决于成像期间的ISO感光度和图像传感器的性能，因此具有各种强度的噪声的图像可以被输入到神经网络。因为由于噪声影响而不能排他地提取对象特征量，所以低S/N比将减小识别精确度。

有两种可以想到的方法来改善神经网络抗噪声的稳健性。第一种方法是在用于神经网络的学习数据中包括具有各种噪声量的图像。这种方法可以改善抗噪声的稳健性，但是可能减小最大精确度值。第二种方法是针对每个不同的噪声量来学习神经网络。这种方法需要针对每个噪声量存储学习结果，并且可能使得数据量增大。

发明内容

本发明提供图像处理方法等，这些图像处理方法等中的每个都可以维持高精确度和小数据量，并且改善神经网络中抗噪声的稳健性。

根据本发明的一个方面的图像处理方法包括：取得输入数据，该输入数据包括输入图像和基于与输入图像相对应的光学黑色区域的表示输入图像中的噪声量的噪声图，以及将输入数据输入到神经网络中以执行识别或回归的任务。与该图像处理方法相对应的图像处理装置和存储用于使计算机执行上述图像处理方法的程序的非瞬态计算机可读存储介质也构成本发明的另一方面。

根据本发明的另一方面的图像处理系统包括第一设备和被配置成与第一设备通信的第二设备。第一设备包括发送器，该发送器被配置成发送用于使第二设备处理捕获的图像的请求。第二设备包括：接收器，被配置成接收由发送器发送的请求；取得器，被配置成取得输入数据，该输入数据包括捕获的图像和基于与捕获的图像相对应的光学黑色区域的表示捕获的图像中的噪声量的噪声图；处理器，被配置成将输入数据输入到神经网络中以执行识别或回归的任务；以及发送器，被配置成发送任务的结果。

根据本发明的另一方面的图像处理方法或用于制造已学习模型的方法包括取得真实(ground truth)数据和输入数据，该输入数据包括训练图像和基于与训练图像相对应的光学黑色区域的表示训练图像中的噪声量的噪声图，以及学习用于使用输入数据和真实数据来执行识别或回归的任务的神经网络。存储用于使计算机执行上述图像处理方法的程序的非瞬态计算机可读存储介质以及图像处理装置也构成本发明的另一方面。

通过以下参考附图对示例性实施例的描述，本发明的更多特征将变得清楚。

附图说明

图1示出根据第一实施例的神经网络的配置。

图2是根据第一实施例的图像处理系统的框图。

图3是根据第一实施例的图像处理系统的外部图。

图4是根据第一实施例的权重学习的流程图。

图5A和图5B示出根据第一实施例的例示性训练图像和例示性真实类别图。

图6是生成根据第一实施例的估计的类别图的方式的流程图。

图7是根据第二实施例的图像处理系统的框图。

图8是根据第二实施例的图像处理系统的外部图。

图9是根据第二实施例的权重学习的流程图。