CN113570497B 图像处理方法、装置、计算机设备和存储介质 （腾讯科技（深圳）有限公司）

质第一图像特征以及第二图像对应的第二图像特像特征对应的第一特征值分布以及第二图像特2获取第一图像域的第一图像，将所述第一图像输入到待训练的图像处计算所述第一图像特征与所述第二图像特征之间的征关联度得到第一模型损失值，所述第一模型损失值与所述目标特征关联度成负相关关系；所述目标特征关联度用于反映所述第一图像特征与所述第二图像特征之间的相似程获取所述第一图像特征对应的第一特征值分布以及所述第二图像特征对应的第二特从所述第一特征值分布中获取第一分布值，从所述第二特征值分布中获取基于所述第一模型损失值以及所述第二模型损失值得到目基于所述目标模型损失值调整所述图像处理模型的模型参数，得到根据所述第一图像特征中的第一特征值进行统计，得到根据所述第一统计值确定所述第一图像特征对应的第一特获取目标系数集合，所述目标系数集合包括多个目标系数；基于所述目标均值对所述目标缩放值进行平移处理，得到目标数基于所述目标数值集合确定各个所述目标数值对应的目标获取标准概率分布，基于所述标准概率分布进行数值采样，得到满3将所述第一图像特征以及所述第二图像特征进行拼接，将拼接将目标图像特征与所述第三图像特征作为负样本特征，将所述负基于所述第一特征判别概率以及所述第二特征判别概率得基于所述第一模型损失值得到所述特征判别模型对应的模型参基于所述模型参数调整梯度调整所述特征判别基于所述目标模型损失值调整所述图像处理模型、所述第一编码模型返回获取第一图像域的第一图像的步骤，以继续进行模型训练，确定所述原始图像所属的第一图像域以及待迁移至的第二图像4基于所述第一图像域以及所述第二图像域确定已训练的图像处理模模型损失值根据第一图像特征对应的第一特征值分布与第二图像特征对应的第二特征值第一模型损失值得到模块，用于计算所述第一图像特征值分布获取模块，用于获取所述第一图像特征第二模型损失值得到模块，用于从所述第一特征值13.根据权利要求12所述的图像处理装置，其特征在于，所述特征值分布获取模块包第一统计值得到单元，用于根据所述第一图像特征中的第一5第一统计值分布确定单元，用于根据所述第一统计正样本特征得到单元，用于将所述第一图像特征以第一特征判别概率得到单元，用于将所述正样本特17.根据权利要求16所述的图像处理装置，其特征在于，所述第一模型损失值得到单别概率得到第一模型损失值，所述第二特征判别概率与所述第一模型损失值成正相关关模型参数调整梯度得到模块，用于基于所述第一模型损失值得到所述当前图像处理模型得到模块，用于基于训练图像对所述初始图像处理模型进行训练，处理图像得到模块，用于将参考图像输入到当前图像处理模型中进行处6模型参数调整单元，用于基于所述目标模型损失值调整所述图像处理模理器执行时实现权利要求1至11中任一项所7述第二图像特征之间的目标特征关联度，基于所述目标特征关联度得到第一模型损失值，取所述第一图像特征对应的第一特征值分布以及所述第二图像特征对应的第二特征值分8标数值对应的目标出现概率得到第一特征值述第二特征判别概率与所述第一模型损失值成正相关述模型参数调整梯度调整所述特征判别模型9损失值得到目标模型损失值；基于所述目标模型损失值调整所述图像处理模型的模型参图像域确定已训练的图像处理模型；所述图像处理模型是基于目标模型损失值训练得到图像对应的图像特征，所述第一图像特征为所述第二图像域的第二图像对应的图像特征，所述第二图像基于所述第一图像生成；将所述原始图像输入到已训练的图像处理模型中，像域确定已训练的图像处理模型；所述图像处理模型是基于目标模型损失值训练得到的，像域确定已训练的图像处理模型；所述图像处理模型是基于目标模型损失值训练得到的，二图像域确定已训练的图像处理模型；图像处理模型是基于目标模型损失值训练得到的，[0031]图6为一些实施例中将样本特征输入到特征判别模型的大特征判别概率的原理[0040]人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控务器104可以根据第一图像域以及第二图像域获取已训练的图像处理模型，该图像处理模[0052]第一图像域与第二图像域分别为两种不同的图像域，第一图像域也可以称为源以称为域适应(DomainAdaption，DA)，是一种用来解决两个域之间数据分布不一致的方理模型的训练过程满足预设训练方式调整条件时，可以执行获取第一图像域的第一图像，练方式调整条件可以包括训练次数达到预设与训练次数或图像处理模型输出的图像符合的训练集所属的图像域。REFUGE数据集由1200个眼底图像组成，可用于视盘(OD，optic[0058]在一些实施例中，图像处理模型可以是生成对抗网络(GenerativeAdversarialNetwork，GAN)中的生成网络模型，例如可以是循环生成对抗网络(Cycle_ConsistentGBA型时，可以利用传统的训练方法对CycleGAN进行训练，但由于传统的训练方法容易使得练CycleGAN第一预设次数(例如一次)，再利用本申请实施例提供的联合训练方法对第一编码模型以及第二编码模型的模型参数。损失值是根据损失函数得到的，损失函数[0067]其中，目标特征关联度用于反映第一图像特征与第二图[0070]具体地，服务器可以将第一图像特征以及第二图像特征[0074]在一些实施例中，服务器可以根据第一图像特征或第二以根据第一统计值确定第一图像特征所满足的分布函数，从所满足的分布函数中进行采[0083]其中，分布关联度用于反映第一特征值分布与第二特征第一特征值分布与第二特征值分布之间的相似程度与分布关联度相关关系。目标模型损失值可以是第一模型损失值与第二模型损失值加权计算得到的结[0092]在一些实施例中，服务器可以基于目标模型损失值调整图像处理模型的模型参[0096]根据信息瓶颈理论可以确定图像内容信息的表示形式以及图像域信息的表示形ababab1以及λ2表示约束优化的拉格朗日乘数，均abab)成负相关关系，aba)与p(Zab|Iab)的相似度与两者之间的KL散度成负相关关[0103]i""(z,:zs)是使用KL散度的Donsker_Varadhan(DV)表示的互信息下界。DMI:Za[0109]在一些实施例中，服务器可以根据目标均值以及目标标第一统计值确定第一图像特征对应的第一特征值分布，可以提高第一特征值分布的准确[0117]在一些实施例中，服务器可以根据目标均值以及目标标第一分布值与第二特征值分布中的第二分布值之间具有对应[0119]在一些实施例中，目标出现概率是基于目标数值集合对应的概率分布关系确定目标系数组成目标系数集合，由于目标系数集合中的目标系数是从标准数据集合中选取[0124]第一特征判别概率是将第一图像特征以及第二图像特征得到的正样本特征输入若第一图像特征和第二图像特征的大小均为16*16*128，则第一图像特征和第二图像特征[0126]在一些实施例中，服务器可以将第一特征判别概率的相反数作为第一模型损失[0131]在一些实施例中，服务器可以根据第二特征判别概率与第一特征判别概率的差一特征对数概率的差异得到第一模型损失值。当正样本特征或负样本特征的数量为多个[0132]在一些实施例中，特征判别模型可以根据计算得到的概值以及各个负样本损失值加权计算得到第一沿着模型参数调整梯度下降的方向更新特征判[0141]本实施例中，基于第一模型损失值得到特征判别模型对[0144]具体地，服务器可以通过不同的训练图像对初始图像处考图像的目标形变度大于形变度阈值时，根据目标模型损失值调整图像处理模型的参数，[0148]在一些实施例中，计算第一特征值分布与第二特征值分布之间的分布关联度包即若第一分布值是通过目标系数A计算得到的，则第一分布值对应的第二分布值也是通过现概率之间的差异值，根据差异值确定第一特征值分布与第二特征值分布之间的目标散[0152]由于第一特征值分布与第二特征值分布的相似度与目标型损失值的变化小于预设损失值变化值，也可以是模型参数的变化小于预设参数变化值。特征对应的第一特征值分布与第二图像特征对应的第二特征值分布之间的分布关联度得型损失值根据第一图像特征对应的第一特征值分布与第二图像特征对应的第二特征值分试集中的医学图像通过另外一种医学设备采集得到，由于每个设备采用的拍摄参数不一样，从而导致训练集中的医学图像与测试集中的医学图像属于不同的图像域的情况发生，训练域指的是训练集对应的图像域，确定第一图像对应的第一图像特征的第一特征值分[0172]本申请提供的图像处理方法所得到的已训练的图像处理模型还可以用于对图像有已训练的图像处理模型，前端A802可以向云服务器804发送携带待进行图像域转换的图二图像域的眼底图像，云服务器将第二图像域的眼底图像输入到图像检测模型中进行检[0184]912、获取第一图像特征对应的第一特征值分布以及第二图像特征对应的第二特是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或块1002、图像特征提取模块1004、第一模型损失值得到模块1006、特征值分布获取模块标数值对应的目标出现概率，根据各个目标数值对应的目标出现概率得到第一特征值分[0207]在一些实施例中，目标出现概率是基于目标数值集合对应的概率分布关系确定二特征判别概率得到第一模型损失值，第二特征判别概率与第一模型损失值成正相关关[0218]当前图像处理模型得到模块，用于基于训练图像对初始[0227]已训练的图像处理模型得到单元，用于返回获取第一图算机设备的通信接口用于与外部的终端进行有线或