CN110363288A - 一种神经网络的输入图像生成方法和系统 - Google Patents
一种神经网络的输入图像生成方法和系统 Download PDFInfo
- Publication number
- CN110363288A CN110363288A CN201910635440.7A CN201910635440A CN110363288A CN 110363288 A CN110363288 A CN 110363288A CN 201910635440 A CN201910635440 A CN 201910635440A CN 110363288 A CN110363288 A CN 110363288A
- Authority
- CN
- China
- Prior art keywords
- image data
- signal
- convolutional neural
- neural networks
- networks model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 44
- 241001269238 Data Species 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims description 32
- 230000002708 enhancing effect Effects 0.000 claims description 26
- 230000009467 reduction Effects 0.000 claims description 14
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims 1
- 238000004321 preservation Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了一种神经网络的输入图像生成方法和系统，包括:获取多个目标图像数据；获取目标处理操作；对每个所述目标图像数据进行所述目标处理操作，得到多个输入图像数据，所述输入图像数据用于训练预设深度卷积神经网络模型。该技术方案，可以生成训练深度卷积神经网络模型的标准图像数据，以训练得到深度卷积神经网络模型，通过深度卷积神经网络模型对图像进行处理，而该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中，从而简化图像的预处理过程，并且可以满足不同噪声环境下的图像处理需求。
Description
技术领域
本发明涉及深度学习技术领域，更具体地，涉及一种神经网络的输入图像生成方法和系统。
背景技术
相关技术中，对于图像的预处理，如图形的还原、增强和去噪等，一般采用过滤器进行处理，但是，采用过滤器进行处理时，每种过滤器只能解决部分问题，这样，可能需要几十种过滤器，很难找到通用的过滤器。
发明内容
鉴于上述问题，本发明提出了一种神经网络的输入图像生成方法和系统，其可以生成训练深度卷积神经网络模型的标准图像数据，以训练得到深度卷积神经网络模型，通过深度卷积神经网络模型对图像进行处理，而该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中，从而简化图像的预处理过程，并且可以满足不同噪声环境下的图像处理需求。
根据本发明实施例的第一方面，提供一种神经网络的输入图像生成方法，包括：
获取多个目标图像数据；
获取目标处理操作；
对每个所述目标图像数据进行所述目标处理操作，得到多个输入图像数据，所述输入图像数据用于训练预设深度卷积神经网络模型。
在一个实施例中，优选地，所述获取目标处理操作，包括：
获取所述预设深度卷积神经网络模型的用途，所述用途包括以下任一项：信号去噪操作，信号增强操作和分辨率放大操作；
根据所述用途确定对应的目标处理操作。
在一个实施例中，优选地，优选地，根据所述用途确定对应的目标处理操作，包括：
当所述预设类型的深度卷积神经网络模型用于进行信号去噪操作时，确定对应的目标处理操作为噪声叠加操作；
当所述预设类型的深度卷积神经网络模型用于进行信号增强操作时，确定对应的目标处理操作为比特位无效操作；
当所述预设类型的深度卷积神经网络模型用于进行分辨率放大操作时，确定对应的目标处理操作为分辨率缩小操作。
在一个实施例中，优选地，优选地，所述噪声叠加操作包括：
获取多个至少一个类型的高斯噪声信号并保存在内存中；
从内存中分别读取各个目标图像数据及各个类型的高斯噪声信号，按照预定的规则利用所述内存中的高斯噪声信号对所述目标图像数据进行叠加，得到多个所述输入图像数据，将所述目标图像数据与对应的输入图像数据关联保存至位于预定存储空间的第一训练样本信号集合中；
所述比特位无效操作包括：
随机获取一个或多个比特位无效规则；
从内存中读取各个目标图像数据，按照所述比特位无效规则对所述各个目标图像数据进行部分比特位无效处理，得到多个所述输入图像数据，将所述目标图像数据与对应的输入图像数据关联保存至位于预定存储空间的第二训练样本信号集合中；
所述分辨率缩小操作包括：
随机获取一个或多个缩小系数；
从内存中读取各个目标图像数据，按照所述缩小系数对所述各个目标图像数据进行分辨率缩小处理，得到多个所述输入图像数据，将所述目标图像数据与对应的输入图像数据关联保存至位于预定存储空间的第三训练样本信号集合中。
在一个实施例中，优选地，优选地，所述训练预设深度卷积神经网络模型，包括：
获取训练样本数据集合，所述训练样本数据集合包括多组训练样本数据，每组训练样本数据包括所述目标图像数据和所述输入图像数据；
将所述训练样本信号集合中的输入图像数据输入预设深度卷积神经网络模型中，得到每组训练样本信号对应的训练结果信号；
将每个所述训练结果信号与各自对应的训练样本信号中的所述目标图像数据进行对比，得到对比结果；
根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数。
在一个实施例中，优选地，优选地，所述将每个所述训练结果信号与各自对应的训练样本信号中的所述目标图像数据进行对比，得到对比结果，包括：
计算每个所述训练结果信号与各自对应的训练样本信号中的所述目标图像数据之间的信号差值；
所述根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数，包括：
根据各个信号差值确定当前神经网络的精度，在所述精度达到精度阈值时，将当前神经网络参数确定为目标神经网络参数；
在所述精度未达到精度阈值时，调整所述当前神经网络参数。
在一个实施例中，优选地，优选地，所述方法还包括：
接收激光雷达的图像数据；
利用预设深度卷积神经网络模型对所述图像数据进行预处理操作，获得处理后的图像数据；
输出所述处理后的图像数据。
在一个实施例中，优选地，所述利用预设深度卷积神经网络模型对所述图像数据进行预处理操作，包括：
通过检测所述图像数据确定所需的预处理操作；
利用所述所需的预处理操作对应的预设深度卷积神经网络模型对所述图像数据进行预处理操作；
或者，
利用第一深度卷积神经网络模型对所述图像数据进行信号增强操作，得到信号增强图像数据；
通过检测所述信号增强图像数据判断是否进行进一步的预处理操作；
在确定需要进一步的预处理操作后，利用所需要的进一步预处理操作对应的预设深度卷积神经网络模型对所述图像数据进行预处理操作。
在一个实施例中，优选地，所述至少一个类型的高斯噪声信号，包括：深度高斯噪声信号，平面位移高斯噪声信号和图像数据丢失噪声掩码。
根据本发明实施例的第二方面，提供一种神经网络的输入图像生成系统，包括：
一个或多个处理器；
一个或多个存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被配置为执行如第一方面或第一方面任一实施例中所述的方法。
本发明实施例中，可以生成训练深度卷积神经网络模型的输入图像数据，以训练得到深度卷积神经网络模型，通过深度卷积神经网络模型对图像进行处理，而该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中，从而简化图像的预处理过程，并且可以满足不同噪声环境下的图像处理需求。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域技术人员来讲，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。
图1是本发明一个实施例的神经网络的输入图像生成方法流程图。
图2是本发明另一个实施例的神经网络的输入图像生成方法的流程图。
图3是本发明又一个实施例的神经网络的输入图像生成方法流程图。
图4是本发明一个实施例的深度学习的单层网络定义参考图。
图5是本发明一个实施例的深度学习的单层网络定义示意图。
图6是本发明另一个实施例的神经网络的输入图像生成方法的流程图。
图7A是本发明又一个实施例的神经网络的输入图像生成方法流程图。
图7B是本发明一个实施例的激光雷达的点云数据处理过程的示意图。
图8是本发明又一个实施例的神经网络的输入图像生成方法流程图。
图9是本发明又一个实施例的神经网络的输入图像生成方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明一个实施例的神经网络的输入图像生成方法流程图。
如图1所示，神经网络的输入图像生成方法包括：
步骤S101，获取多个目标图像数据；目标图像数据是样本数据。
步骤S102，获取目标处理操作。
步骤S103，对每个所述目标图像数据进行所述目标处理操作，得到多个输入图像数据，所述输入图像数据用于训练预设深度卷积神经网络模型。
在该实施例中，可以通过获取的多个目标图像数据和目标处理操作得到多个输入图像数据，这样，不但可以得到较多的训练数据，还可以使得训练得到的神经网络模型更加准确，并使得神经网络模型可以满足不同气象条件下的图像处理需求。
图2是本发明另一个实施例的神经网络的输入图像生成方法流程图。
如图2所示，在一个实施例中，优选地，上述步骤S102包括：
步骤S201，获取预设深度卷积神经网络模型的用途，用途包括以下任一项：信号去噪操作，信号增强操作和分辨率放大操作；预设深度卷积神经网络模型可以进行图像去噪，增强，曝光增强，曝光不足，背光，黑夜增强，还原，弱信号增强，去雨，去雾，去雪等。其中，每个处理功能对应一个深度卷积神经网络模型，不同的处理功能对应不同的深度卷积神经网络模型。
步骤S202，根据用途确定对应的目标处理操作。
在一个实施例中，优选地，上述步骤S202包括：
当预设类型的深度卷积神经网络模型用于进行信号去噪操作时，确定对应的目标处理操作为噪声叠加操作；
当预设类型的深度卷积神经网络模型用于进行信号增强操作时，确定对应的目标处理操作为比特位无效操作；
当预设类型的深度卷积神经网络模型用于进行分辨率放大操作时，确定对应的目标处理操作为分辨率缩小操作。
在一个实施例中，优选地，噪声叠加操作包括：
获取多个至少一个类型的高斯噪声信号并保存在内存中；在一个实施例中，优选地，至少一个类型的高斯噪声信号，包括：深度高斯噪声信号，平面位移高斯噪声信号和图像数据丢失噪声掩码。高斯噪声信号可以是随机生成之后存储在预定存储空间，也可以是存储了高斯噪声列表，随机或者按照某个规则从列表中选取高斯噪声。
从内存中分别读取各个目标图像数据及各个类型的高斯噪声信号，按照预定的规则利用内存中的高斯噪声信号对目标图像数据进行叠加，得到多个输入图像数据，将目标图像数据与对应的输入图像数据关联保存至位于预定存储空间的第一训练样本信号集合中。
在该实施例中，可以在目标图像数据中加入不同的噪声信号，以模拟不同的气象，如下雨噪声，下雪噪声等。还可以在目标图像数据中加入不同的回波信号，以模拟不同的地形。这样，就可以使得训练得到的预设深度卷积神经网络模型可以满足不同地形和不同气象条件下的数据处理需求。
在一个实施例中，优选地，比特位无效操作包括：
随机获取一个或多个比特位无效规则；
从内存中读取各个目标图像数据，按照比特位无效规则对各个目标图像数据进行部分比特位无效处理，得到多个输入图像数据，将目标图像数据与对应的输入图像数据关联保存至位于预定存储空间的第二训练样本信号集合中；
在一个实施例中，优选地，分辨率缩小操作包括：
随机获取一个或多个缩小系数；
从内存中读取各个目标图像数据，按照缩小系数对各个目标图像数据进行分辨率缩小处理，得到多个输入图像数据，将目标图像数据与对应的输入图像数据关联保存至位于预定存储空间的第三训练样本信号集合中。
当然，除了对目标图像数据进行缩小处理外，还可以将目标图像数据作为输入图像数据，对目标图像数据进行分辨率放大，放大结果作为目标图像数据。
图3是本发明一个实施例的预设深度卷积神经网络模型训练方法的流程图。
如图3所示，在一个实施例中，优选地，训练预设深度卷积神经网络模型，包括：
步骤S301，获取训练样本数据集合，训练样本数据集合包括多组训练样本数据，每组训练样本数据包括目标图像数据和输入图像数据；
步骤S302，将训练样本信号集合中的输入图像数据输入预设深度卷积神经网络模型中，得到每组训练样本信号对应的训练结果信号；
步骤S303，将每个训练结果信号与各自对应的训练样本信号中的目标图像数据进行对比，得到对比结果；
步骤S304，根据对比结果确定预设深度卷积神经网络模型的神经网络参数。
在一个实施例中，优选地，神经网络参数包括以下至少一项：神经网络的层数和神经网络的节点数。
在该实施例中，可以通过端对端训练的方式训练得到预设深度卷积神经网络模型，具体地，通过预设深度卷积神经网络模型对输入图像数据进行处理，得到训练结果信号，再通过训练结果数据和目标图像数据的差异确定神经网络的层数和节点数，从而得到合适的深度卷积神经网络模型。
在一个实施例中，优选地，深度学习可以采用U-Net网络，但是不限于U-Net，深度学习的单层网络定义参考图4和图5。
图6是本发明另一个实施例的预设深度卷积神经网络模型训练方法的流程图。
如图6所示，在一个实施例中，优选地，上述步骤S303包括：
步骤S601，计算每个训练结果信号与各自对应的训练样本信号中的目标图像数据之间的信号差值；
上述步骤S304包括：
步骤S602，根据各个信号差值确定当前神经网络的精度，在精度达到精度阈值时，将当前神经网络参数确定为目标神经网络参数；
步骤S603，在精度未达到精度阈值时，调整当前神经网络参数。
下面同样以对图像数据进行去噪为例，详细说明书本发明的上述技术方案。例如，获取目标图像数据和深度高斯噪声信号，平面位移高斯噪声信号和图像数据丢失噪声掩码等，并将它们进行叠加，得到标准图像数据，之后利用具有去噪功能的深度卷积神经网络模型对标准图像数据进行深度学习以及训练推理过程的处理，得到处理后的图像数据，将处理后的图像数据与目标图像数据进行对比，以确定神经网络的参数。这样，不需要通过多个过滤器进行图像处理，而只通过深度卷积神经网络模型就可以实现图像处理，该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中，从而简化图像的预处理过程，并且可以满足不同噪声环境下的图像处理需求。
同样的，对于图像信号增强处理，可以通过深度学习算法，训练出具有图像增强功能的深度卷积神经网络模型，对图像进行信号增强处理，对于图像的去噪处理，可以通过深度学习算法，训练出具有去噪功能的深度卷积神经网络模型对图像进行去噪处理。每个处理功能对应一个深度卷积神经网络模型，不同的处理功能对应不同的深度卷积神经网络模型。
其中，神经网络的层数和深度可以根据实际需求进行调整，层数一般在5-13层，每层节点数在7-19个之间。
图7A是本发明又一个实施例的神经网络的输入图像生成方法流程图。
如图7A所示，在一个实施例中，优选地，方法还包括：
步骤S701，接收激光雷达的图像数据；
步骤S702，利用预设深度卷积神经网络模型对图像数据进行预处理操作，获得处理后的图像数据；
步骤S703，输出处理后的图像数据。
在该实施例中，通过预设深度卷积神经网络模型对激光雷达的图像数据进行预处理操作，如进行图像数据的分辨率放大或者信号增强等，这样，不需要通过滤波算法进行图像数据的处理，而只通过深度卷积神经网络模型就可以实现图像数据处理，与滤波算法相比，可以具有更广泛的应用范围，可以满足不同地形和不同气象条件下的数据处理需求。
下面以一个具体实施例详细说明本申请的技术方案。
如图7B所示，接收激光雷达的图像数据A，利用预设深度卷积神经网络模型对图像数据A进行预处理操作，获得处理后的图像数据B，这样，不需要通过滤波算法进行图像数据的处理，而只通过深度卷积神经网络模型就可以实现图像数据处理，与滤波算法相比，可以具有更广泛的应用范围，可以满足不同地形和不同气象条件下的数据处理需求。
图8是本发明又一个实施例的神经网络的输入图像生成方法流程图。
如图8所示，在一个实施例中，优选地，上述步骤S702包括：
步骤S801，通过检测图像数据确定所需的预处理操作；
步骤S802，利用所需的预处理操作对应的预设深度卷积神经网络模型对图像数据进行预处理操作；
在该实施例中，可以检测图像数据的分辨率是否达到预设分辨率，图像数据的信号强度是否达到预设强度等，进而确定是否需要对图像数据进行信号增强，或者分辨率放大和信号去噪等预处理操作，如果需要，则利用所需的预处理操作对应的预设深度卷积神经网络模型对图像数据进行预处理操作。
图9是本发明又一个实施例的神经网络的输入图像生成方法流程图。
如图9所示，在一个实施例中，优选地，上述步骤S702还包括：
步骤S901，利用第一深度卷积神经网络模型对图像数据进行信号增强操作，得到信号增强图像数据；
步骤S902，通过检测信号增强图像数据判断是否进行进一步的预处理操作；
步骤S903，在确定需要进一步的预处理操作后，利用所需要的进一步预处理操作对应的预设深度卷积神经网络模型对图像数据进行预处理操作。
在该实施例中，还可以先对图像数据进行信号增强操作，再根据信号增强图像数据判断是否进行进一步的预处理操作，如是否进行进一步的分辨率放大等，其中，在进行信号增强时，可以通过用于进行信号增强的预设深度卷积神经网络模型对图像数据进行处理。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种便携式多功能设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种神经网络的输入图像生成方法，其特征在于，包括：
获取多个目标图像数据；
获取目标处理操作；
对每个所述目标图像数据进行所述目标处理操作，得到多个输入图像数据，所述输入图像数据用于训练预设深度卷积神经网络模型。
2.根据权利要求1所述的神经网络的输入图像生成方法，其特征在于，所述获取目标处理操作，包括：
获取所述预设深度卷积神经网络模型的用途，所述用途包括以下任一项：信号去噪操作，信号增强操作和分辨率放大操作；
根据所述用途确定对应的目标处理操作。
3.根据权利要求2所述的神经网络的输入图像生成方法，其特征在于，优选地，根据所述用途确定对应的目标处理操作，包括：
当所述预设类型的深度卷积神经网络模型用于进行信号去噪操作时，确定对应的目标处理操作为噪声叠加操作；
当所述预设类型的深度卷积神经网络模型用于进行信号增强操作时，确定对应的目标处理操作为比特位无效操作；
当所述预设类型的深度卷积神经网络模型用于进行分辨率放大操作时，确定对应的目标处理操作为分辨率缩小操作。
4.根据权利要求3所述的神经网络的输入图像生成方法，其特征在于，优选地，所述噪声叠加操作包括：
获取多个至少一个类型的高斯噪声信号并保存在内存中；
从内存中分别读取各个目标图像数据及各个类型的高斯噪声信号，按照预定的规则利用所述内存中的高斯噪声信号对所述目标图像数据进行叠加，得到多个所述输入图像数据，将所述目标图像数据与对应的输入图像数据关联保存至位于预定存储空间的第一训练样本信号集合中；
所述比特位无效操作包括：
随机获取一个或多个比特位无效规则；
从内存中读取各个目标图像数据，按照所述比特位无效规则对所述各个目标图像数据进行部分比特位无效处理，得到多个所述输入图像数据，将所述目标图像数据与对应的输入图像数据关联保存至位于预定存储空间的第二训练样本信号集合中；
所述分辨率缩小操作包括：
随机获取一个或多个缩小系数；
从内存中读取各个目标图像数据，按照所述缩小系数对所述各个目标图像数据进行分辨率缩小处理，得到多个所述输入图像数据，将所述目标图像数据与对应的输入图像数据关联保存至位于预定存储空间的第三训练样本信号集合中。
5.根据权利要求3所述的神经网络的输入图像生成方法，其特征在于，优选地，所述训练预设深度卷积神经网络模型，包括：
获取训练样本数据集合，所述训练样本数据集合包括多组训练样本数据，每组训练样本数据包括所述目标图像数据和所述输入图像数据；
将所述训练样本信号集合中的输入图像数据输入预设深度卷积神经网络模型中，得到每组训练样本信号对应的训练结果信号；
将每个所述训练结果信号与各自对应的训练样本信号中的所述目标图像数据进行对比，得到对比结果；
根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数。
6.根据权利要求5所述的神经网络的输入图像生成方法，其特征在于，优选地，所述将每个所述训练结果信号与各自对应的训练样本信号中的所述目标图像数据进行对比，得到对比结果，包括：
计算每个所述训练结果信号与各自对应的训练样本信号中的所述目标图像数据之间的信号差值；
所述根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数，包括：
根据各个信号差值确定当前神经网络的精度，在所述精度达到精度阈值时，将当前神经网络参数确定为目标神经网络参数；
在所述精度未达到精度阈值时，调整所述当前神经网络参数。
7.根据权利要求1所述的神经网络的输入图像生成方法，其特征在于，优选地，所述方法还包括：
接收激光雷达的图像数据；
利用预设深度卷积神经网络模型对所述图像数据进行预处理操作，获得处理后的图像数据；
输出所述处理后的图像数据。
8.根据权利要求1所述的神经网络的输入图像生成方法，其特征在于，优选地，
所述利用预设深度卷积神经网络模型对所述图像数据进行预处理操作，包括：
通过检测所述图像数据确定所需的预处理操作；
利用所述所需的预处理操作对应的预设深度卷积神经网络模型对所述图像数据进行预处理操作；
或者，
利用第一深度卷积神经网络模型对所述图像数据进行信号增强操作，得到信号增强图像数据；
通过检测所述信号增强图像数据判断是否进行进一步的预处理操作；
在确定需要进一步的预处理操作后，利用所需要的进一步预处理操作对应的预设深度卷积神经网络模型对所述图像数据进行预处理操作。
9.根据权利要求4所述的神经网络的输入图像生成方法，其特征在于，所述至少一个类型的高斯噪声信号，包括：深度高斯噪声信号，平面位移高斯噪声信号和图像数据丢失噪声掩码。
10.一种神经网络的输入图像生成系统，其特征在于，包括：
一个或多个处理器；
一个或多个存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被配置为执行权利要求1至9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910635440.7A CN110363288B (zh) | 2019-07-15 | 2019-07-15 | 一种神经网络的输入图像生成方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910635440.7A CN110363288B (zh) | 2019-07-15 | 2019-07-15 | 一种神经网络的输入图像生成方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110363288A true CN110363288A (zh) | 2019-10-22 |
| CN110363288B CN110363288B (zh) | 2023-05-09 |
Family
ID=68219500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910635440.7A Active CN110363288B (zh) | 2019-07-15 | 2019-07-15 | 一种神经网络的输入图像生成方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110363288B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091517A (zh) * | 2019-12-26 | 2020-05-01 | 东软医疗系统股份有限公司 | 一种残差加权成像方法和装置 |
| WO2023216057A1 (en) * | 2022-05-09 | 2023-11-16 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for medical imaging |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106874914A (zh) * | 2017-01-12 | 2017-06-20 | 华南理工大学 | 一种基于深度卷积神经网络的工业机械臂视觉控制方法 |
| CN109658344A (zh) * | 2018-11-12 | 2019-04-19 | 哈尔滨工业大学（深圳） | 基于深度学习的图像去噪方法、装置、设备和存储介质 |
| US20190138838A1 (en) * | 2017-11-09 | 2019-05-09 | Boe Technology Group Co., Ltd. | Image processing method and processing device |
| WO2019104705A1 (zh) * | 2017-12-01 | 2019-06-06 | 华为技术有限公司 | 图像处理的方法和设备 |
-
2019
- 2019-07-15 CN CN201910635440.7A patent/CN110363288B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106874914A (zh) * | 2017-01-12 | 2017-06-20 | 华南理工大学 | 一种基于深度卷积神经网络的工业机械臂视觉控制方法 |
| US20190138838A1 (en) * | 2017-11-09 | 2019-05-09 | Boe Technology Group Co., Ltd. | Image processing method and processing device |
| WO2019104705A1 (zh) * | 2017-12-01 | 2019-06-06 | 华为技术有限公司 | 图像处理的方法和设备 |
| CN109658344A (zh) * | 2018-11-12 | 2019-04-19 | 哈尔滨工业大学（深圳） | 基于深度学习的图像去噪方法、装置、设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李传朋等: "基于深度卷积神经网络的图像去噪研究", 《计算机工程》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091517A (zh) * | 2019-12-26 | 2020-05-01 | 东软医疗系统股份有限公司 | 一种残差加权成像方法和装置 |
| CN111091517B (zh) * | 2019-12-26 | 2023-05-02 | 东软医疗系统股份有限公司 | 一种残差加权成像方法和装置 |
| WO2023216057A1 (en) * | 2022-05-09 | 2023-11-16 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for medical imaging |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110363288B (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104680508B (zh) | 卷积神经网络和基于卷积神经网络的目标物体检测方法 | |
| CN108416755A (zh) | 一种基于深度学习的图像去噪方法及系统 | |
| CN106295637B (zh) | 一种基于深度学习与强化学习的车辆识别方法 | |
| CN110346808A (zh) | 一种激光雷达的点云数据处理方法和系统 | |
| DE112019000340T5 (de) | Epistemische und aleatorische tiefe plastizität auf grundlage vontonrückmeldungen | |
| CN109858487A (zh) | 基于分水岭算法和图像类别标签的弱监督语义分割方法 | |
| CN109581190B (zh) | 一种用于电路故障诊断的最优诊断树生成方法 | |
| JP2020119500A (ja) | ラプラシアンピラミッドネットワークを利用して自律走行自動車レベル４及びレベル５を満足させるために要求される道路障害物検出におけるセグメンテーション性能向上のための学習方法及び学習装置、並びにこれを利用したテスト方法及びテスト装置 | |
| CN109711534A (zh) | 降维模型训练方法、装置及电子设备 | |
| CN108021923A (zh) | 一种用于深度神经网络的图像特征提取方法 | |
| CN110390684A (zh) | 一种闪烁噪声下的多目标跟踪方法及系统 | |
| CN110363288A (zh) | 一种神经网络的输入图像生成方法和系统 | |
| Khaw et al. | High‐density impulse noise detection and removal using deep convolutional neural network with particle swarm optimisation | |
| CN107945210A (zh) | 基于深度学习和环境自适应的目标跟踪算法 | |
| CN110728636A (zh) | 一种基于生成式对抗网络的蒙特卡洛渲染图去噪模型、方法及装置 | |
| CN110245602A (zh) | 一种基于深度卷积特征的水下静目标识别方法 | |
| CN108614998B (zh) | 一种单像素红外目标检测方法 | |
| CN110110794A (zh) | 基于特征函数滤波的神经网络参数更新的图像分类方法 | |
| CN108509949B (zh) | 基于注意力地图的目标检测方法 | |
| CN106971377A (zh) | 一种基于稀疏与低秩矩阵分解的单幅图像去雨方法 | |
| Wen et al. | Identifying poultry farms from satellite images with residual dense u-net | |
| CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
| CN114783021A (zh) | 一种口罩佩戴智能检测方法、装置、设备及介质 | |
| CN114357526A (zh) | 抵御推断攻击的医疗诊断模型差分隐私联合训练方法 | |
| CN110349088A (zh) | 一种图像处理方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |