模型训练方法、图像处理方法、装置、设备及存储介质

技术领域

本申请属于医学图像处理技术领域，尤其涉及一种模型训练方法、图像处理方法、装置、设备及存储介质。

背景技术

随着大数据技术的发展，应用于医学图像分析的深度学习模型性能也越来越高，参数也越来越复杂，需要的数据也越来越多。故而迁移学习技术应运而生，即通过小批量数据对已经被大量数据训练好的模型参数进行微调，以适应新的任务。但是，这种方法仍然存在局限性，被迁移的模型无法保证新任务的性能，只能保证在预训练数据下能达到良好的性能。

目前在临床上，一些脑肿瘤的类型即使是经验丰富的医生也很难通过患者的影像信息进行判断，给疾病的精准诊断和治疗带来了很多的困难。所以脑肿瘤的分类以及后续的病灶分割对精准治疗意义非凡；但是，数据的标记又是十分耗时和高成本的事情，对分类模型处理的数据无法应用于分割的模型训练，对分割模型处理的数据无法应用于分类的模型训练。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请的一个目的在于提出一种模型训练方法、图像处理方法、装置、设备及存储介质。

为了解决上述技术问题，本申请的实施例提供如下技术方案：

一种模型训练方法，包括：

获取训练任务集；其中，所述训练任务集包括多个训练任务，每个所述训练任务包括脑部分割任务或脑部分类任务；

将第N+1个所述训练任务输入至第N待训练模型，并基于第N+1个所述训练任务对所述第N待训练模型的第N模型参数进行更新，获得第N+1更新参数；其中，N为正整数；

基于所述第N+1更新参数以及所述第N模型参数，计算获得目标模型参数；

基于所述目标模型参数，获得目标模型。

可选的，所述将第N+1个所述训练任务输入至第N待训练模型，并基于第N+1个所述训练任务对所述第N待训练模型的第N模型参数进行更新，获得第N+1更新参数，包括：

将第N+1个所述训练任务的训练子任务输入至第N待训练模型，并基于第N+1个所述训练任务的所述训练子任务，对所述第N待训练模型的第N模型参数进行更新，获得第N+1更新参数以及第N+1更新模型；其中，所述训练任务包括训练子任务以及测试子任务。

可选的，所述基于所述第N+1更新参数以及所述第N模型参数，计算获得目标模型参数，包括：

将第N+1个所述训练任务的所述测试子任务输入至所述第N+1更新模型，输出第N+1测试结果；

基于所述第N+1测试结果，计算获得第N+1个损失函数；

基于第N+1个所述损失函数，计算获得第N+1梯度值；

基于所述第N+1梯度值对所述第N模型参数进行计算，获得第N+1模型参数；

基于所述第N+1模型参数，计算获得所述目标模型参数。

可选的，所述基于所述第N+1梯度值对所述第N模型参数进行计算，获得第N+1模型参数，包括：

获取第N+1学习率；

基于所述第N+1梯度值以及第N+1学习率对所述第N模型参数进行计算，获得第N+1模型参数。

本申请的实施例还提供一种图像处理方法，包括如上所述的目标模型，还包括：

获取训练图像集；其中，所述训练图像集包括多个训练图像，每个所述训练图像包括脑部分割任务或脑部分类任务；

获取第M个训练图像，对第M个所述训练图像进行尺寸处理，获得第M训练图像，并将所述第M训练图像输入至所述目标模型，获得第M模型参数；其中，M为正整数；

基于所述第M模型参数，计算获得第M检测梯度值，基于所述第M检测梯度值，获得检测梯度值集；

基于所述检测梯度值集计算获得目标检测梯度值，并基于所述目标检测梯度值，确定待处理图像的目标尺寸。

可选的，所述基于所述第M模型参数，计算获得第M检测梯度值，包括：

将第M个所述训练图像的检测子图像，输入至所述第M尺寸模型，输出第M检测结果；

基于所述第M检测结果以及所述第M模型参数，计算获得第M检测梯度值。可选的，所述基于所述检测梯度值集计算获得目标检测梯度值，包括：

对检测梯度值集中的多个检测梯度值进行比较，获得比较结果；

根据所述比较结果，确定所述检测梯度值集的检测梯度值上限，并将所述检测梯度值上限确定为所述目标检测梯度值。

可选的，所述基于所述目标检测梯度值，确定待处理图像的目标尺寸，包括：

将与所述目标检测梯度值匹配的第P训练图像，确定为目标图像；其中，P为正整数；

获取所述目标图像的尺寸，并将所述目标图像的所述尺寸，确定为所述待处理图像的所述目标尺寸。

可选的，所述获取所述目标图像的尺寸，并将所述目标图像的所述尺寸，确定为所述待处理图像的所述目标尺寸，包括：

获取所述目标图像的数量；

当所述目标图像的所述数量等于1，则获取所述目标图像的所述尺寸，并将所述目标图像的所述尺寸，确定为所述待处理图像的所述目标尺寸；或

当所述目标图像的所述数量大于1，则获取每个所述目标图像的所述尺寸，并对每个所述目标图像的所述尺寸进行计算，获得所述待处理图像的所述目标尺寸。

本申请的实施例还提供一种模型训练装置，包括：

第一获取模块，用于获取训练任务集；其中，所述训练任务集包括多个训练任务，每个所述训练任务包括脑部分割任务或脑部分类任务；

训练模块，用于将第N+1个所述训练任务输入至第N待训练模型，并基于第N+1个所述训练任务对所述第N待训练模型的第N模型参数进行更新，获得第N+1更新参数；其中，N为正整数；

第一计算模块，用于基于所述第N+1更新参数以及所述第N模型参数，计算获得目标模型参数；

获得模块，用于基于所述目标模型参数，获得目标模型。

本申请的实施例还提供一种图像处理装置，包括如上所述的目标模型，还包括：

第二获取模块，用于获取训练图像集；其中，所述训练图像集包括多个训练图像，每个所述训练图像包括脑部分割任务或脑部分类任务；

处理模块，用于获取第M个训练图像进行尺寸处理，获得第M训练图像，并将所述第M训练图像输入至所述目标模型，获得第M模型参数以及第M尺寸模型；其中，M为正整数；

第二计算模块，用于基于所述第M模型参数，计算获得第M检测梯度值，基于所述第M检测梯度值，获得检测梯度值集；

第三计算模块，用于基于所述检测梯度值集计算获得目标检测梯度值，并基于所述目标检测梯度值，确定待处理图像的目标尺寸。

本申请的实施例还提供一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。

本申请的实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的方法。

本申请的实施例，具有如下技术效果：

本申请的上述技术方案，1)训练任务集既包括脑部分割任务，也包括脑部分类任务，充分利用了脑部数据，解决了脑部数据短缺的问题，降低了脑部数据收集的成本，且基于训练任务集训练获得的目标模型可以同时处理脑部分割任务以及脑部分类任务，应用范围广泛。

2)实现了模型对图像的输入尺寸的自适应学习，使得模型能够在处理脑部分割任务以及脑部分类任务时，均快速收敛且效果良好，应用范围广泛。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

图1是本申请实施例提供的一种模型训练方法的流程示意图；

图2是本申请实施例提供的一种图像处理方法的流程示意图；

图3是本申请实施例提供的一种模型训练装置的结构示意图；

图4是本申请实施例提供的一种图像处理装置的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

为了便于本领域的技术人员对实施例的理解，对部分用语进行解释：

(1)U-Net：使用全卷积网络进行语义分割的网络模型。

(2)Dice函数：一种集合相似度度量函数。

如图1所示，本申请的实施例提供一种模型训练方法，包括：

步骤S11：获取训练任务集；其中，所述训练任务集包括多个训练任务，每个所述训练任务包括脑部分割任务或脑部分类任务；

本申请一可选的实施例，训练任务集既包括脑部分割任务，也包括脑部分任务；其中，脑部分割任务可以包括脑区分割、脑部出血位置分割、脑部肿瘤病灶分割以及脑颅骨分割等多种脑部分割任务；

脑部分类任务可以包括脑部肿瘤病灶分类任务等；

进一步地，本申请的实施例，将每一个训练任务分为训练子任务以及测试子任务；其中，基于训练子任务对待训练模型进行训练，获得训练结果，并基于与训练子任务匹配的测试子任务对该训练结果进行测试，获得测试结果，并根据测试结果，确定训练结果是否符合要求。

步骤S12：将第N+1个所述训练任务输入至第N待训练模型，并基于第N+1个所述训练任务对所述第N待训练模型的第N模型参数进行更新，获得第N+1更新参数；其中，N为正整数；

本申请一可选的实施例，所述将第N+1个所述训练任务输入至第N待训练模型，并基于第N+1个所述训练任务对所述第N待训练模型的第N模型参数进行更新，获得第N+1更新参数，包括：

将第N+1个所述训练任务的训练子任务输入至第N待训练模型，并基于第N+1个所述训练任务的所述训练子任务，对所述第N待训练模型的第N模型参数进行更新，获得第N+1更新参数以及第N+1更新模型；其中，所述训练任务包括训练子任务以及测试子任务。

本申请一可选的实施例，可以选择一个适用于医学图像分析的深度学习模型作为待训练模型，例如，可以定义一个U-Net网络作为待训练模型，并随机初始一个参数作为初始模型参数P

本申请一可选的实施例，在对待训练模型进行训练的时候，首先从训练任务集中随机选择一个训练任务作为第一个训练任务，并将第一个训练任务输入至待训练模型；

例如，随机选择脑部出血位置分割任务作为第一个训练任务，并将脑部出血位置分割任务分为训练子任务以及测试子任务；

具体的，将脑部出血位置分割任务中的训练子任务输入至待训练模型，然后基于反向传播算法以及训练子任务对待训练模型进行训练，获得第一更新参数以及第一更新模型。

依次类推，可以基于任意一个训练任务对待训练模型进行训练，并对待训练模型对应的模型参数进行更新并获得对应的更新模型。

步骤S13：基于所述第N+1更新参数以及所述第N模型参数，计算获得目标模型参数；

本申请一可选的实施例，所述基于所述第N+1更新参数以及所述第N模型参数，计算获得目标模型参数，包括：

将第N+1个所述训练任务的所述测试子任务输入至所述第N+1更新模型，输出第N+1测试结果；

基于所述第N+1测试结果，计算获得第N+1个损失函数；

基于第N+1个所述损失函数，计算获得第N+1梯度值；

基于所述第N+1梯度值对所述第N模型参数进行计算，获得第N+1模型参数；

基于所述第N+1模型参数，计算获得所述目标模型参数。

本申请一可选的实施例，在获得第一更新参数之后，获得第一更新模型，将第一个训练任务中的测试子任务输入至第一更新模型，输出第一测试结果，并基于第一测试结果，计算获得和第一更新模型匹配的第一个损失函数；

进一步地，计算获得第一个损失函数对应的第一梯度值。

基于第一梯度值以及初始模型参数P

本申请一可选的实施例，随机选择脑部肿瘤病灶分割作为第二个训练任务，并将脑部肿瘤病灶分割分为训练子任务以及测试子任务；

具体的，将脑部肿瘤病灶分割中的训练子任务输入至第一待训练模型，然后基于反向传播算法以及训练子任务对第一待训练模型进行训练，获得第二更新参数。

在获得第二更新参数之后，获得第二更新模型，将第二个训练任务中的测试子任务输入至第二更新模型，输出第二测试结果，并基于第二测试结果，计算获得和第二待训练模型匹配的第二个损失函数；

进一步地，计算获得第二个损失函数对应的第二梯度值。

基于第二梯度值以及第一模型参数P

本申请一可选的实施例，重复上述步骤，随机选择脑颅骨分割作为第N+1个训练任务，并将脑颅骨分割分为训练子任务以及测试子任务；

具体的，将脑颅骨分割中的训练子任务输入至第N待训练模型，然后基于反向传播算法以及训练子任务对第N待训练模型进行训练，获得第N+1更新参数。

在获得第N+1更新参数之后，获得第N+1更新模型，将第N+1个训练任务中的测试子任务输入至第N+1更新模型，输出第N+1测试结果，并基于第N+1测试结果，计算获得和第N+1更新模型匹配的第N+1个损失函数；

进一步地，计算获得第N+1个损失函数对应的第N+1梯度值。

基于第N+1梯度值以及第N模型参数P

本申请一可选的实施例，所述基于所述第N+1梯度值对所述第N模型参数进行计算，获得第N+1模型参数，包括：

获取第N+1学习率；

基于所述第N+1梯度值以及第N+1学习率对所述第N模型参数进行计算，获得第N+1模型参数。

本申请一可选的实施例，为了进一步加快模型训练的收敛速度，在对第N模型参数进行更新以及获得第N+1模型参数的过程中，结合了第N+1学习率；具体的，在对第N模型参数进行更新以及获得第N+1模型参数之前，可以对每一个训练任务预设一个匹配的学习率，也即不同的训练任务对应不同的学习率；例如，当两个训练任务包含的数据数量不相同或两个训练任务包含的数据复杂程度不相同，则这两个训练任务对应的学习率也不相同，依次类推，可以根据实际需要，确定每一个训练任务对应的学习率。

本申请一可选的实施例，为了便于计算，简化操作，还可以预设每个训练任务对应相同的学习率，也即在对初始待训练模型的整个训练过程中，只预设一个唯一的一个学习率；其中，学习率的数值可以为0.005或者其它合适的数值；

进一步地，对于不同的初始待训练模型或不同的训练任务集，可以分别预设对应的学习率。

步骤S14：基于所述目标模型参数，获得目标模型。

本申请一可选的实施例，在获得第N+1待训练模型之后，为了检验第N+1待训练模型是否符合要求，则获取第N+1个训练任务中的测试子任务，并将第N+1个训练任务中的测试子任务输入至第N+1待训练模型，输出检验结果；

根据检验结果计算获得检验损失函数，并根据检验损失函数确定第N+1待训练模型的精度，其中，当检验损失函数满足预设条件时，则将第N+1待训练模型确定为目标模型；反之，当检验损失函数不满足预设条件，则重复上述步骤，从任务训练集中选择第N+2个训练任务，并将第N+2个训练任务分为训练子任务以及检验子任务，基于第N+2个训练子任务对第N+1待训练模型进行训练，重复上述步骤，获得第N+2待训练模型；依次类推，直至获得目标模型为止。

本申请一可选的实施例，损失函数以及检验损失函数均可以基于Dice函数以及交叉熵损失函数获得，本申请的实施例对此不做具体的限定。

本申请的实施例，训练任务集既包括脑部分割任务，也包括脑部分类任务，充分利用了脑部数据，解决了脑部数据短缺的问题，降低了脑部数据收集的成本，且基于训练任务集训练获得的目标模型可以同时处理脑部分割任务以及脑部分类任务，应用范围广泛。

如图2所示，本申请的实施例还提供一种图像处理方法，包括如上所述的目标模型，还包括：

步骤21：获取训练图像集；其中，所述训练图像集包括多个训练图像，每个所述训练图像包括脑部分割任务或脑部分类任务；

本申请一可选的实施例，训练图像集既包括脑部分割任务，也包括脑部分任务；其中，脑部分割任务可以包括脑区分割、脑部出血位置分割、脑部肿瘤病灶分割以及脑颅骨分割等多种脑部分割任务；

脑部分类任务可以包括脑部肿瘤病灶分类任务等。

步骤22：获取第M个训练图像，对第M个所述训练图像进行尺寸处理，获得第M训练图像，并将所述第M训练图像输入至所述目标模型，获得第M模型参数以及第M尺寸模型；其中，M为正整数；

本申请一可选的实施例，从训练图像集中随机获取第一个训练图像，然后将第一个训练图像的训练子图像，输入至目标模型，获得第一模型参数以及第一尺寸模型；其中，第一个训练图像可以不做中心裁剪处理，也即将第一个训练图像中的图像保持原尺寸；

本申请一可选的实施例，从训练图像集中随机获取第二个训练图像，并对第二个训练图像中的每个图像做随机中心裁剪处理，然后将第二个训练图像的训练子图像输入至第一尺寸模型；

依次类推，将每个训练图像的训练子图像均输入至对应的尺寸模型。

步骤23：基于所述第M模型参数，计算获得第M检测梯度值，基于所述第M检测梯度值，获得检测梯度值集；

本申请一可选的实施例，所述基于所述第M模型参数，计算获得第M检测梯度值，包括：

将第M个所述训练图像的检测子图像，输入至所述第M尺寸模型，输出第M检测结果；

基于所述第M检测结果以及所述第M模型参数，计算获得第M检测梯度值。

本申请一可选的实施例，将每个训练图像分为训练子图像以及检测子图像。

本申请一可选的实施例，将第一个训练图像中的检测子图像输入至第一尺寸模型，获得第一检测结果；

根据第一检测结果，计算获得第一个检测损失函数，并根据第一个检测损失函数，计算获得第一检测梯度值，并对第一检测梯度值进行保留。

本申请一可选的实施例，将第二个训练图像中的检测子图像输入至第二尺寸模型，获得第二检测结果；

根据第二检测结果，计算获得第二个检测损失函数，并根据第二个检测损失函数，计算获得第二检测梯度值，并对第二检测梯度值进行保留。

本申请一可选的实施例，将第M个训练图像中的检测子图像输入至第M尺寸模型，获得第M检测结果；

根据第M检测结果，计算获得第M个检测损失函数，并根据第M个检测损失函数，计算获得第M检测梯度值，并对第M检测梯度值进行保留。

本申请一可选的实施例，基于第一检测梯度值、第二检测梯度值……第M检测梯度值等，获得检测梯度值集。

步骤24：基于所述检测梯度值集计算获得目标检测梯度值，并基于所述目标检测梯度值，确定待处理图像的目标尺寸。

本申请一可选的实施例，所述基于所述检测梯度值集计算获得目标检测梯度值，包括：

对检测梯度值集中的多个检测梯度值进行比较，获得比较结果；

根据所述比较结果，确定所述检测梯度值集的检测梯度值上限，并将所述检测梯度值上限确定为所述目标检测梯度值。

本申请一可选的实施例，对检测梯度值集中的第一检测梯度值、第二检测梯度值……第M检测梯度值进行比较，并从大到小进行排序，获得检测梯度值队列；

将检测梯度值队列中的第一个检测梯度值，确定为检测检测梯度值上限，也即目标检测梯度值。

本申请一可选的实施例，所述基于所述目标检测梯度值，确定待处理图像的目标尺寸，包括：

将与所述目标检测梯度值匹配的第P训练图像，确定为目标图像；其中，P为正整数；

获取所述目标图像的尺寸，并将所述目标图像的所述尺寸，确定为所述待处理图像的所述目标尺寸。

本申请一可选的实施例，在确定目标检测梯度值之后，获取与目标检测梯度值匹配的第P训练图像，并获取第P训练图像的尺寸，然后将该第P训练图像的尺寸确定为目标尺寸；其中，目标尺寸可以包括第P训练图像的长、宽以及高。

本申请一可选的实施例，所述获取所述目标图像的尺寸，并将所述目标图像的所述尺寸，确定为所述待处理图像的所述目标尺寸，包括：

获取所述目标图像的数量；

当所述目标图像的所述数量等于1，则获取所述目标图像的所述尺寸，并将所述目标图像的所述尺寸，确定为所述待处理图像的所述目标尺寸；或

当所述目标图像的所述数量大于1，则获取每个所述目标图像的所述尺寸，并对每个所述目标图像的所述尺寸进行计算，获得所述待处理图像的所述目标尺寸。

本申请一可选的实施例，由于检测梯度值上限可能对应多个检测梯度值，也即存在多个检测梯度值同时为最大值，则将这些检测梯度值均确定为目标检测梯度值，并把这些目标检测梯度值对应的训练图像均确定为目标图像。

本申请一可选的实施例，当目标图像的数量大于1时，则获得每个目标图像的长、宽以及高，并分别基于多个目标图像的长的平均值，计算获得对应的第一平均值；基于多个目标图像的宽的平均值，计算获得对应的第二平均值；基于多个目标图像的高的平均值，计算获得对应的第三平均值，并将第一平均值、第二平均值以及第三平均值确定为目标尺寸。

本申请一可选的实施例，在确定了目标尺寸之后，在将待处理图像输入至目标图像之前，首先基于目标尺寸对待处理图像进行中心裁剪，获得待输入图像，并将待输入图像输入至目标模型。

本申请一可选的实施例，将待输入图像输入至目标模型之后，基于目标模型对待输入图像进行处理，获得处理结果，为了验证目标尺寸的选取精度，可以预设验证图像，并将验证图像进行中心裁剪，获得目标尺寸的验证图像，然后将目标尺寸的验证图像输入至目标模型，获得验证结果，通过验证结果，即可验证目标模型的当前性能；其中，当目标模型的当前性能越好，则表明目标尺寸的精度越高。

本申请的实施例，实现了模型对图像的输入尺寸的自适应学习，使得模型能够在处理脑部分割任务以及脑部分类任务时，均快速收敛且效果良好，应用范围广泛。

如图3所示，本申请的实施例还提供一种模型训练装置30，包括：

第一获取模块31，用于获取训练任务集；其中，所述训练任务集包括多个训练任务，每个所述训练任务包括脑部分割任务或脑部分类任务；

训练模块32，用于将第N+1个所述训练任务输入至第N待训练模型，并基于第N+1个所述训练任务对所述第N待训练模型的第N模型参数进行更新，获得第N+1更新参数；其中，N为正整数；

第一计算模块33，用于基于所述第N+1更新参数以及所述第N模型参数，计算获得目标模型参数；

获得模块34，用于基于所述目标模型参数，获得目标模型。

可选的，所述将第N+1个所述训练任务输入至第N待训练模型，并基于第N+1个所述训练任务对所述第N待训练模型的第N模型参数进行更新，获得第N+1更新参数，包括：

将第N+1个所述训练任务的训练子任务输入至第N待训练模型，并基于第N+1个所述训练任务的所述训练子任务，对所述第N待训练模型的第N模型参数进行更新，获得第N+1更新参数以及第N+1更新模型；其中，所述训练任务包括训练子任务以及测试子任务。

可选的，所述基于所述第N+1更新参数以及所述第N模型参数，计算获得目标模型参数，包括：

将第N+1个所述训练任务的所述测试子任务输入至所述第N+1更新模型，输出第N+1测试结果；

基于所述第N+1测试结果，计算获得第N+1个损失函数；

基于第N+1个所述损失函数，计算获得第N+1梯度值；

基于所述第N+1梯度值对所述第N模型参数进行计算，获得第N+1模型参数；

基于所述第N+1模型参数，计算获得所述目标模型参数。

可选的，所述基于所述第N+1梯度值对所述第N模型参数进行计算，获得第N+1模型参数，包括：

获取第N+1学习率；

基于所述第N+1梯度值以及第N+1学习率对所述第N模型参数进行计算，获得第N+1模型参数。

如图4所示，本申请的实施例还提供一种图像处理装置40，包括如上所述的目标模型，还包括：

第二获取模块41，用于获取训练图像集；其中，所述训练图像集包括多个训练图像，每个所述训练图像包括脑部分割任务或脑部分类任务；

处理模块42，用于获取第M个训练图像进行尺寸处理，获得第M训练图像，并将所述第M训练图像输入至所述目标模型，获得第M模型参数以及第M尺寸模型；其中，M为正整数；

第二计算模块43，用于基于所述第M模型参数，计算获得第M检测梯度值，基于所述第M检测梯度值，获得检测梯度值集；

第三计算模块44，用于基于所述检测梯度值集计算获得目标检测梯度值，并基于所述目标检测梯度值，确定待处理图像的目标尺寸。

可选的，所述基于所述第M模型参数，计算获得第M检测梯度值，包括：

将第M个所述训练图像的检测子图像，输入至所述第M尺寸模型，输出第M检测结果；

基于所述第M检测结果以及所述第M模型参数，计算获得第M检测梯度值。可选的，所述基于所述检测梯度值集计算获得目标检测梯度值，包括：

对检测梯度值集中的多个检测梯度值进行比较，获得比较结果；

根据所述比较结果，确定所述检测梯度值集的检测梯度值上限，并将所述检测梯度值上限确定为所述目标检测梯度值。

可选的，所述基于所述目标检测梯度值，确定待处理图像的目标尺寸，包括：

将与所述目标检测梯度值匹配的第P训练图像，确定为目标图像；其中，P为正整数；

获取所述目标图像的尺寸，并将所述目标图像的所述尺寸，确定为所述待处理图像的所述目标尺寸。

可选的，所述获取所述目标图像的尺寸，并将所述目标图像的所述尺寸，确定为所述待处理图像的所述目标尺寸，包括：

获取所述目标图像的数量；

当所述目标图像的所述数量等于1，则获取所述目标图像的所述尺寸，并将所述目标图像的所述尺寸，确定为所述待处理图像的所述目标尺寸；或

当所述目标图像的所述数量大于1，则获取每个所述目标图像的所述尺寸，并对每个所述目标图像的所述尺寸进行计算，获得所述待处理图像的所述目标尺寸。

本申请的实施例还提供一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。

本申请的实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的方法。

另外，本申请实施例的装置的其他构成及作用对本领域的技术人员来说是已知的，为减少冗余，此处不做赘述。

需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

在本申请中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。