[发明专利]图像处理方法、装置、介质及电子设备

说明书

本公开涉及一种图像处理方法、装置、介质及电子设备，涉及图像处理技术领域，获取输出样本图像和图像处理模型输出的输出图像，从输出图像中提取N个特征参数，并且从N个特征参数中筛选出n个特征参数，根据n个特征参数、输出图像和输出样本图像计算损失函数，通过该损失函数对图像处理模型进行训练，为提高模型的性能，可以对图像处理模型的经过m次迭代训练，在每次迭代训练中，重新获取新的n个特征参数计算新的损失函数，在经过m次迭代训练后，得到训练后的图像处理模型。在每次迭代过程中，用于模型训练的特征参数不同，避免训练后的模型处于假收敛的情况，使得最终获得的模型性能良好，获得的模型用于图像处理，提升图像处理效果。

技术领域

本公开涉及图像处理技术领域，具体地，涉及一种图像处理方法、装置、介质及电子设备。

背景技术

近年来，随着机器学习的迅猛发展，机器学习被广泛应用于多种技术领域。例如，训练后的机器学习模型可以应用在图像处理领域。在机器学习领域中，损失函数是描述模型预测值与预期值之间的差距的数学函数。最小化的损失函数可以在模型训练过程中更好地引导预测值向预期值拟合。因此，在模型训练时，可以是以最小化损失函数作为训练目标，具体做法是，寻找收敛至误差梯度为0的点，误差梯度为0的点被称为最小值。实际上，最小值的数量通常为多个，且绝大部分的最小值是局部最小值。因此，在模型训练时，损失函数极易陷入局部最小值。局部最小值会导致模型假收敛，使得训练出的模型的预测能力较差，模型输出的预测值与预期值相距甚远，实际处理效果差强人意。

发明内容

本公开的目的是提供一种图像处理方法、装置、介质及电子设备，旨在解决上述问题。

为了实现上述目的，本公开第一方面提供一种图像处理方法，所述方法包括：获取图像处理模型基于输入样本图像输出的输出图像，以及获取所述输入样本图像对应的输出样本图像；从所述输出图像中提取N个特征参数，并从所述N个特征参数中筛选出n个特征参数，其中，N和n均为正整数，N大于或等于n；根据所述n个特征参数、所述输出图像和所述输出样本图像获得损失函数；通过所述损失函数迭代训练所述图像处理模型，在迭代m次后获得训练后的图像处理模型，其中，在m次迭代训练图像处理模型中的每次迭代中均需要重新执行所述从所述N个特征参数中筛选出n个特征参数的步骤，其中，m为大于2的正整数；将待处理图像输入所述训练后的图像生成模型，获得所述训练后的图像生成模型输出的处理后的图像。

可选地，所述从所述输出图像中提取N个特征参数，包括：获取所述输出图像的图像大小X*Y，其中X和Y均为正整数；根据所述图像大小X*Y，提取所述N个特征参数，其中，X和Y两者中数值小的与N相等。

可选地，所述根据所述n个特征参数、所述输出图像和所述输出样本图像获得损失函数，包括：对所述输出图像进行奇异值分解，获得第一正交矩阵、第二正交矩阵和第一对角矩阵，以及对所述输出样本图像进行奇异值分解，获得第三正交矩阵、第四正交矩阵和第二对角矩阵；根据所述n个特征参数，获得筛选张量；根据所述筛选张量和所述第一对角矩阵，获得第一特征值张量，以及根据所述筛选张量和所述第二对角矩阵，获得第二特征值张量；根据所述第一正交矩阵、所述第二正交矩阵和所述第一特征值张量，获得恢复后的输出图像，以及根据所述第三正交矩阵、所述第四正交矩阵和所述第二特征值张量，获得恢复后的输出样本图像；根据所述恢复后的输出图像和所述恢复后的输出样本图像，获得SVD损失函数。

可选地，所述根据所述筛选张量和所述第一对角矩阵，获得第一特征值张量，包括：根据所述筛选张量和所述第一对角矩阵之间的乘积，获得第一中间张量；对所述第一中间张量进行扩充处理，获得所述第一特征值张量；所述根据所述筛选张量和所述第二对角矩阵，获得第二特征值张量，包括：根据所述筛选张量和所述第二对角矩阵之间的乘积，获得第二中间张量；对所述第二中间张量进行扩充处理，获得所述第二特征值张量。