[发明专利]神经网络模型的训练方法、装置及智能终端

说明书

本发明适用于图像处理技术领域，提供了一种神经网络模型的训练方法、装置及智能终端，通过对训练样本图像HRsupgt;*/supgt;进行图像预处理，得到训练样本图像HRsupgt;*/supgt;的至少两个训练样本图像副本，训练样本图像HRsupgt;*/supgt;与该至少两个训练样本图像副本构成图像组；并构建神经网络模型，神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成；再将图像组输入所构建的神经网络模型，对神经网络模型进行训练，通过区分网络对所构建的神经网络模型进行有效的对抗式训练，使得图像放大网络最终输出的图像未能被区分网络正确区分，从而更好地达到了对图像放大网络的训练效果，使得图像放大网络最终输出的图像质量更高，达到用户预期的图像效果。

技术领域

本发明属于图像处理技术领域，尤其涉及一种神经网络模型的训练方法、装置及智能终端。

背景技术

图像放大技术是计算机视觉和图像处理领域的一个经典问题，有着重要的学术和工业研究价值。图像放大的目标就是，由给定的低分辨率图像得到它相应的高分辨率图像,使得图像的内容信息得到保留甚至加强,同时给人的以更好的视觉效果。目前主流的图像超分辨方法可以分为三大类：基于插值的方法，基于重构的方法，基于深度学习的方法。

然而，虽然主流的图像处理方法解决了图像放大的基本需求，但由于设计环节的不完善，普遍存在锯齿效应、模糊效应、过于平滑等问题，特别是基于深度学习的图像处理方法，利用传统方法训练所得到神经网络模型，在利用测试集进行放大测试时表现优异，但在对实际图像进行放大时效果并不能令人满意，也即对神经网络模型的训练达不到输出较为理想的放大图像。

发明内容

有鉴于此，本发明实施例提供了一种神经网络模型的训练方法、装置及智能终端，以解决对神经网络模型的训练方法使得其所输出的图像达不到较为理想的放大图像的问题。

本发明实施例的第一方面提供了一种神经网络模型的训练方法，包括：

对训练样本图像HR^*进行图像预处理，得到所述训练样本图像HR^*的至少两个训练样本图像副本，所述至少两个训练样本图像副本构成图像组；

构建神经网络模型，所述神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成；其中，所述第一区分网络用于区分由所述图像缩小网络输出的图像与第一预设图像是否相同，第二区分网络用于区分由所述图像放大网络输出的图像与第二预设图像是否相同；

将所述图像组输入所构建的神经网络模型，对所述神经网络模型进行训练。

本发明实施例的第二方面提供了一种神经网络模型的训练装置，包括：

图像预处理单元，用于对训练样本图像HR^*进行图像预处理，得到所述训练样本图像HR^*的至少两个训练样本图像副本，所述至少两个训练样本图像副本构成图像组；

神经网络模型构建单元，用于构建神经网络模型，所述神经网络模型由第一区分网络、第二区分网络、图像缩小网络和图像放大网络组成；其中，所述第一区分网络用于区分由所述图像缩小网络输出的图像与第一预设图像是否相同，第二区分网络用于区分由所述图像放大网络输出的图像与第二预设图像是否相同；

神经网络训练单元，用于将所述图像组输入所构建的神经网络模型，对所述神经网络模型进行训练。

本发明实施例的第三方面提供了一种智能终端，包括：

存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现本发明实施例的第一方面提供的神经网络模型的训练方法的步骤。

其中，所述计算机程序包括：