CN107507153B - 图像去噪方法和装置 - Google Patents

图像去噪方法和装置 Download PDF

Info

Publication number
CN107507153B
CN107507153B CN201710859689.7A CN201710859689A CN107507153B CN 107507153 B CN107507153 B CN 107507153B CN 201710859689 A CN201710859689 A CN 201710859689A CN 107507153 B CN107507153 B CN 107507153B
Authority
CN
China
Prior art keywords
image
image matrix
matrix
category
processed
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.)
Active
Application number
CN201710859689.7A
Other languages
English (en)
Other versions
CN107507153A (zh
Inventor
刘文献
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201710859689.7A priority Critical patent/CN107507153B/zh
Publication of CN107507153A publication Critical patent/CN107507153A/zh
Application granted granted Critical
Publication of CN107507153B publication Critical patent/CN107507153B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了图像去噪方法和装置。该方法的一具体实施方式包括:获取原始图像,其中,原始图像包含噪声;生成原始图像的图像矩阵;将原始图像的图像矩阵输入至预先训练的卷积神经网络,得到原始图像的特征向量,其中,卷积神经网络用于表征图像矩阵与特征向量的对应关系;执行以下去噪步骤:将原始图像的特征向量输入至反卷积神经网络,得到处理后图像矩阵,其中,反卷积神经网络用于将特征向量处理为图像矩阵;确定处理后图像矩阵是否满足预设条件,若满足预设条件,则将处理后图像矩阵作为去噪后图像矩阵。该实施方式实现了去除图像中的噪声。

Description

图像去噪方法和装置
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及图像去噪方法和装置。
背景技术
图像去噪是指减少图像中噪声的过程。现实中的图像通常包含噪声,称为含噪图像或噪声图像。一幅图像在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。噪声是图像干扰的重要原因。因此,如何去除图像中的噪声已经成为一种值得研究的问题。
发明内容
本申请实施例的目的在于提出一种改进的图像去噪方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种图像去噪方法,该方法包括:获取原始图像,其中,原始图像包含噪声;生成原始图像的图像矩阵,其中,图像矩阵的行对应图像的高,图像矩阵的列对应图像的宽,图像矩阵的元素对应图像的像素;将原始图像的图像矩阵输入至预先训练的卷积神经网络,得到原始图像的特征向量,其中,卷积神经网络用于表征图像矩阵与特征向量的对应关系;执行以下去噪步骤:将原始图像的特征向量输入至反卷积神经网络,得到处理后图像矩阵,其中,反卷积神经网络用于将特征向量处理为图像矩阵;确定处理后图像矩阵是否满足预设条件,若满足预设条件,则将处理后图像矩阵作为去噪后图像矩阵。
在一些实施例中,该方法还包括:响应于不满足预设条件,调整反卷积神经网络的参数,并继续执行去噪步骤。
在一些实施例中,确定处理后图像矩阵是否满足预设条件,包括:分别将参考图像的图像矩阵和处理后图像矩阵输入至对抗网络,得到参考图像的图像矩阵的类别和处理后图像矩阵的类别,其中,对抗网络用于判别图像矩阵的类别;基于参考图像的图像矩阵的类别和处理后图像矩阵的类别,确定处理后图像矩阵是否满足预设条件。
在一些实施例中,基于原始图像的图像矩阵的类别和处理后图像矩阵的类别,确定处理后图像矩阵是否满足预设条件,包括:分别确定原始图像的图像矩阵的类别和处理后图像矩阵的类别是否是第一类别;若均是第一类别,则满足预设条件;若不均是第一类别,则不满足预设条件。
在一些实施例中,确定处理后图像矩阵是否满足预设条件,包括:将处理后图像矩阵输入至卷积神经网络,得到处理后图像矩阵所对应的特征向量;计算原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的距离;基于所计算的结果,确定处理后图像矩阵是否满足预设条件。
在一些实施例中,计算原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的距离,包括:计算原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的欧氏距离。
在一些实施例中,基于所计算的结果,确定处理后图像矩阵是否满足预设条件,包括:确定原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的欧氏距离是否小于预设距离阈值;若小于预设距离阈值,则满足预设条件;若不小于预设距离阈值,则不满足预设条件。
第二方面,本申请实施例提供了一种图像去噪装置,该装置包括:获取单元,配置用于获取原始图像,其中,原始图像包含噪声;生成单元,配置用于生成原始图像的图像矩阵,其中,图像矩阵的行对应图像的高,图像矩阵的列对应图像的宽,图像矩阵的元素对应图像的像素;输入单元,配置用于将原始图像的图像矩阵输入至预先训练的卷积神经网络,得到原始图像的特征向量,其中,卷积神经网络用于表征图像矩阵与特征向量的对应关系;去噪单元,配置用于执行以下去噪步骤:将原始图像的特征向量输入至反卷积神经网络,得到处理后图像矩阵,其中,反卷积神经网络用于将特征向量处理为图像矩阵;确定处理后图像矩阵是否满足预设条件,若满足预设条件,则将处理后图像矩阵作为去噪后图像矩阵。
在一些实施例中,该装置还包括:调整单元,配置用于响应于不满足预设条件,调整反卷积神经网络的参数,并继续执行去噪步骤。
在一些实施例中,去噪单元包括:第一输入子单元,配置用于分别将参考图像的图像矩阵和处理后图像矩阵输入至对抗网络,得到参考图像的图像矩阵的类别和处理后图像矩阵的类别,其中,对抗网络用于判别图像矩阵的类别;第一确定子单元,配置用于基于参考图像的图像矩阵的类别和处理后图像矩阵的类别,确定处理后图像矩阵是否满足预设条件。
在一些实施例中,第一确定子单元包括:第一确定模块,配置用于分别确定原始图像的图像矩阵的类别和处理后图像矩阵的类别是否是第一类别;第一满足模块,配置用于若均是第一类别,则满足预设条件;第一不满足模块,配置用于若不均是第一类别,则不满足预设条件。
在一些实施例中,去噪单元包括:第二输入子单元,配置用于将处理后图像矩阵输入至卷积神经网络,得到处理后图像矩阵所对应的特征向量;计算子单元,配置用于计算原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的距离;第二确定子单元,配置用基于所计算的结果,确定处理后图像矩阵是否满足预设条件。
在一些实施例中,计算子单元进一步配置用于:计算原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的欧氏距离。
在一些实施例中,第二确定子单元包括:第二确定模块,配置用于确定原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的欧氏距离是否小于预设距离阈值;第二满足模块,配置用于若小于预设距离阈值,则满足预设条件;第二不满足模块,配置用于若不小于预设距离阈值,则不满足预设条件。
第三方面,本申请实施例提供了一种服务器,该服务器包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的图像去噪方法和装置,首先,通过获取包含噪声的原始图像,以便生成原始图像的图像矩阵;然后,将原始图像的图像矩阵输入至预先训练的卷积神经网络,以便得到原始图像的特征向量;最后,执行以下去噪步骤:将原始图像的特征向量输入至反卷积神经网络,以便得到处理后图像矩阵,并确定处理后图像矩阵是否满足预设条件,在满足预设条件的情况下,将处理后图像矩阵作为去噪后图像矩阵。从而实现了去除图像中的噪声。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的图像去噪方法的一个实施例的流程图;
图3是根据本申请实施例的图像去噪方法的一个应用场景的示意图;
图4是根据本申请的图像去噪方法的又一个实施例的流程图;
图5是根据本申请的图像去噪装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的图像去噪方法或图像去噪装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如图像去噪类应用、图像编辑类应用、浏览器类应用、阅读类应用等。
终端设备101、102、103可以是具有显示屏并且支持图像浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。
服务器105可以提供各种服务,例如服务器105可以通过网络104从终端设备101、102、103中获取原始图像,并对所获取到的原始图像进行分析等处理,并生成处理结果(例如去噪后图像矩阵)。
需要说明的是,本申请实施例所提供的图像去噪方法一般由服务器105执行,相应地,图像去噪装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在服务器105中存储有原始图像的情况下,系统架构100可以不设置终端设备101、102、103。
继续参考图2,其示出了根据本申请的图像去噪方法的一个实施例的流程200。该图像去噪方法,包括以下步骤:
步骤201,获取原始图像。
在本实施例中,图像去噪方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接或者无线连接的方式从终端设备(例如图1所示的终端设备101、102、103)获取原始图像。其中,原始图像通常包含噪声。作为示例,原始图像中包含人脸图像区域,而人脸图像区域中存在遮挡物,或者人脸图像区域模糊不清等等。
需要说明的是,在电子设备本地存储有原始图像的情况下,电子设备可以直接从本地获取原始图像。
步骤202,生成原始图像的图像矩阵。
在本实施例中,基于步骤201所获取的原始图像,电子设备可以生成原始图像的图像矩阵。实践中,图像可以用矩阵来表示,具体地,可以采用矩阵理论和矩阵算法对图像进行分析和处理。其中,图像矩阵的行对应图像的高,图像矩阵的列对应图像的宽,图像矩阵的元素对应图像的像素。作为示例,在图像是灰度图像的情况下,图像矩阵的元素可以对应灰度图像的灰度值;在图像是彩色图像的情况下,图像矩阵的元素对应彩色图像的RGB(RedGreen Blue,红绿蓝)值。通常,人类视力所能感知的所有颜色均是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到的。
步骤203,将原始图像的图像矩阵输入至预先训练的卷积神经网络,得到原始图像的特征向量。
在本实施例中,基于步骤202所生成的原始图像的图像矩阵,电子设备可以将原始图像的图像矩阵输入至预先训练的卷积神经网络,从而得到原始图像的特征向量。其中,图像的特征向量可以用于描述图像所具有的特征。原始图像的特征向量可以用于描述原始图像所具有的特征。
在本实施例中,卷积神经网络(Convolutional Neural Network,CNN)可以是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。通常,卷积神经网络的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。并且,卷积神经网络的输入是图像矩阵,卷积神经网络的输出是特征向量,使得卷积神经网络可以用于表征图像矩阵与特征向量之间的对应关系。
作为一种示例,卷积神经网络可以是AlexNet。其中,AlexNet是卷积神经网络的一种现有的结构,在2012年的ImageNet(一个计算机视觉系统识别项目名称,是目前世界上图像识别最大的数据库)的竞赛中,Geoffrey(杰弗里)和他学生Alex(亚历克斯)所用的结构被称为AlexNet。通常,AlexNet包括8层,其中,前5层是convolutional(卷积层),后面3层是full-connected(全连接层)。将图像的图像矩阵输入至AlexNet中,经过AlexNet的各层的处理,可以输出图像的特征向量。
作为另一种示例,卷积神经网络可以是GoogleNet。其中,GoogleNet也是卷积神经网络的一种现有结构,是2014年的ImageNet的竞赛中的冠军模型。其基本构成部件和AlexNet类似,是一个22层的模型。将图像的图像矩阵输入至GoogleNet中,经过GoogleNet的各层的处理,可以输出图像的特征向量。
在本实施例中,电子设备可以通过多种方式预先训练出卷积神经网络。
作为一种示例,电子设备可以基于对大量图像的图像矩阵和特征向量的统计而生成存储有多个图像矩阵与特征向量的对应关系的对应关系表,并将该对应关系表作为卷积神经网络。
作为另一种示例,电子设备可以获取大量样本图像的图像矩阵,并获取一个未经训练的初始化卷积神经网络,其中,初始化卷积神经网络中存储有初始化参数。此时,电子设备可以利用大量样本图像的图像矩阵对初始化卷积神经网络进行训练,并在训练过程中基于预设的约束条件不断地调整初始化参数,直至训练出能够表征图像矩阵和特征向量之间准确对应关系的卷积神经网络为止。
步骤204,将原始图像的特征向量输入至反卷积神经网络,得到处理后图像矩阵。
在本实施例中,基于步骤203所得到的原始图像的特征向量,电子设备可以将原始图像的特征向量输入至反卷积神经网络,从而得到处理后图像矩阵。其中,反卷积神经网络的处理过程与卷积神经网络的处理过程的反过程,其输入是特征向量,其输出是图像矩阵,使得反卷积神经网络可以用于将特征向量处理为图像矩阵。这里的反卷积神经网络可以是未经训练的,其参数可以是初始化的。作为一种示例,反卷积神经网络可以是反AlexNet。将图像的特征向量输入至反AlexNet中,经过反AlexNet的各层的处理,可以输出图像的图像矩阵。作为另一种示例,反卷积神经网络可以是反GoogleNet。将图像的特征向量输入至反GoogleNet中,经过反GoogleNet的各层的处理,可以输出图像的图像矩阵。
步骤205,确定处理后图像矩阵是否满足预设条件。
在本实施例中,基于步骤204所得到的处理后图像矩阵,电子设备可以确定处理后图像矩阵是否满足预设条件。并在满足预设条件的情况下,执行步骤206。具体地,电子设备可以首先获取处理后图像矩阵或处理后图像矩阵所对应的处理后图像所具有的某些规律;然后确定所获取的规律是否符合预设规律;若符合预设规律,则满足预设条件;若不符合预设规律,则不满足预设条件。
步骤206,将处理后图像矩阵作为去噪后图像矩阵。
在本实施例中,在满足预设条件的情况下,则说明原始图像去噪完成,此时,电子设备可以将处理后图像矩阵作为去噪后图像矩阵。其中,去噪后图像矩阵可以是不包含噪声或仅包含少量噪声的图像矩阵,基于去噪后图像矩阵可以生成去噪后图像。
继续参见图3,图3是根据本申请实施例的图像去噪方法的应用场景的一个示意图。在图3的应用场景中,首先,用户通过终端设备将模糊不清的原始图像301上传至电子设备;而后,电子设备生成原始图像301的图像矩阵;之后,电子设备可以将原始图像301的图像矩阵输入至预先训练的卷积神经网络,从而得到原始图像301的特征向量;然后,电子设备可以将原始图像301的特征向量输入至反卷积神经网络,从而得到处理后图像矩阵;最后,电子设备可以确定处理后图像矩阵是否满足预设条件,若满足预设条件,则将处理后图像矩阵作为去噪后图像矩阵,并将去噪后图像矩阵所对应的去噪后图像302发送至终端设备。其中,终端设备上可以呈现原始图像301和去噪后图像302。
本申请实施例提供的图像去噪方法,首先,通过获取包含噪声的原始图像,以便生成原始图像的图像矩阵;然后,将原始图像的图像矩阵输入至预先训练的卷积神经网络,以便得到原始图像的特征向量;最后,执行以下去噪步骤:将原始图像的特征向量输入至反卷积神经网络,以便得到处理后图像矩阵,并确定处理后图像矩阵是否满足预设条件,在满足预设条件的情况下,将处理后图像矩阵作为去噪后图像矩阵。从而实现了去除图像中的噪声。
进一步参考图4,其示出了图像去噪方法的又一个实施例的流程400。该图像去噪方法的流程400,包括以下步骤:
步骤401,获取原始图像。
在本实施例中,图像去噪方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接或者无线连接的方式从终端设备(例如图1所示的终端设备101、102、103)获取原始图像。其中,原始图像通常包含噪声。作为示例,原始图像中包含人脸图像区域,而人脸图像区域中存在遮挡物,或者人脸图像区域模糊不清等等。
步骤402,生成原始图像的图像矩阵。
在本实施例中,基于步骤401所获取的原始图像,电子设备可以生成原始图像的图像矩阵。实践中,图像可以用矩阵来表示,具体地,可以采用矩阵理论和矩阵算法对图像进行分析和处理。其中,图像矩阵的行对应图像的高,图像矩阵的列对应图像的宽,图像矩阵的元素对应图像的像素。作为示例,在图像是灰度图像的情况下,图像矩阵的元素可以对应灰度图像的灰度值;在图像是彩色图像的情况下,图像矩阵的元素对应彩色图像的RGB值。通常,人类视力所能感知的所有颜色均是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到的。
步骤403,将原始图像的图像矩阵输入至预先训练的卷积神经网络,得到原始图像的特征向量。
在本实施例中,基于步骤402所生成的原始图像的图像矩阵,电子设备可以将原始图像的图像矩阵输入至预先训练的卷积神经网络,从而得到原始图像的特征向量。其中,图像的特征向量可以用于描述图像所具有的特征。原始图像的特征向量可以用于描述原始图像所具有的特征。卷积神经网络可以用于表征图像矩阵与特征向量之间的对应关系。
步骤404,将原始图像的特征向量输入至反卷积神经网络,得到处理后图像矩阵。
在本实施例中,基于步骤403所得到的原始图像的特征向量,电子设备可以将原始图像的特征向量输入至反卷积神经网络,从而得到处理后图像矩阵。这里,反卷积神经网络可以用于将特征向量处理为图像矩阵。其中,反卷积神经网络可以是未经训练的,其参数可以是初始化的。作为示例,反卷积神经网络可以是反AlexNet。
步骤405,分别将参考图像的图像矩阵和处理后图像矩阵输入至对抗网络,得到参考图像的图像矩阵的类别和处理后图像矩阵的类别。
在本实施例中,电子设备可以分别将参考图像的图像矩阵和处理后图像矩阵输入至对抗网络,从而得到参考图像的图像矩阵的类别和处理后图像矩阵的类别。其中,参考图像可以是不包含噪声或仅包含少量噪声的未经处理过的图像。这里,电子设备可以基于参考图像,生成参考图像的图像矩阵。
在本实施例中,对抗网络(GANs,Generative Adversarial Nets)可以包括生成器(Generator)和鉴别器(Discriminator)。生成器和鉴别器都是常见的卷积加全连网络,生成器可以用于从随机向量生成样本,鉴别器可以用于鉴别生成的样本以及训练集样本究竟谁真谁假。生成器和鉴别器同时训练。在训练鉴别器时,最小化鉴别误差;在训练生成器时,最大化鉴别误差。训练好的生成器可以不断捕捉参考图像的图像矩阵的概率分布,训练好的鉴别器可以同时观察参考图像的图像矩阵和处理后图像矩阵,确定参考图像的图像矩阵和处理后图像矩阵是否是相同的类别。
步骤406,基于参考图像的图像矩阵的类别和处理后图像矩阵的类别,确定处理后图像矩阵是否满足预设条件。
在本实施例中,基于步骤405所得到的参考图像的图像矩阵的类别和处理后图像矩阵的类别,电子设备可以确定处理后图像矩阵是否满足预设条件。
在实施例的一些可选的实现方式中,电子设备可以分别确定原始图像的图像矩阵的类别和处理后图像矩阵的类别是否是第一类别;若均是第一类别,则进一步执行步骤407;若不均是第一类别,则不满足预设条件,并执行411。其中,图像的图像矩阵的类别可以包括第一类别和第二类别,第一类别可以于表征图像是未经处理过的真实图像。第二类别可以用于表征图像是处理过的虚假图像。
在实施例的一些可选的实现方式中,电子设备可以分别确定原始图像的图像矩阵的类别和处理后图像矩阵的类别是否是第一类别;若均是第一类别,则满足预设条件,并直接执行步骤410;若不均是第一类别,则不满足预设条件,并执行步骤411。
步骤407,将处理后图像矩阵输入至卷积神经网络,得到处理后图像矩阵所对应的特征向量。
在本实施例中,基于步骤404所得到的处理后图像矩阵,电子设备可以将处理后图像矩阵输入至卷积神经网络,从而得到处理后图像矩阵所对应的特征向量。其中,处理后图像矩阵所对应的特征向量可以用于描述处理后图像矩阵所对应的处理后图像所具有的特征。
步骤408,计算原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的距离。
在本实施例,基于步骤403所得到的原始图像的特征向量和步骤407所得到的处理后图像矩阵所对应的特征向量,电子设备可以计算原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的距离。其中,原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的距离可以用于衡量原始图像的特征向量和处理后图像矩阵所对应的特征向量之间的相似度。通常,距离越小或越接近某一个数值,相似度越高,距离越大或越偏离某一个数值,相似度越低。
在本实施例的一些可选的实现方式中,电子设备可以计算原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的欧氏距离。其中,欧氏距离又可以被称为欧几里得度量(euclidean metric),通常指在m维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。通常,两个向量之间的欧氏距离越小,相似度越高;两个向量之间的欧氏距离越大,相似度越低。
在本实施例的一些可选的实现方式中,电子设备可以计算计算原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的余弦距离。其中,余弦距离又可以被称为余弦相似度,是通过计算两个向量的夹角余弦值来评估它们的相似度。通常,两个向量之间的夹角越小,余弦值越接近于1,相似度越高;两个向量之间的夹角越大,余弦值越偏离1,相似度越低。
步骤409,基于所计算的结果,确定处理后图像矩阵是否满足预设条件。
在本实施中,基于步骤408所计算的结果,电子设备可以利用各种分析方式对所计算的结果进行数值分析,以确定处理后图像矩阵是否满足预设条件。
在本实施例的一些可选的实现方式中,电子设备可以确定原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的欧氏距离是否小于预设距离阈值;若小于预设距离阈值,则满足预设条件,并执行步骤410;若不小于预设距离阈值,则不满足预设条件,并执行步骤411。
在本实施例的一些可选的实现方式中,电子设备可以确定原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的余弦距离是否接近1;若接近1,则满足预设条件,并执行步骤410;若偏离1,则不满足预设条件,并执行步骤411。
步骤410,将处理后图像矩阵作为去噪后图像矩阵。
在本实施例中,在满足预设条件的情况下,则说明原始图像去噪完成,此时,电子设备可以将处理后图像矩阵作为去噪后图像矩阵。其中,去噪后图像矩阵可以是不包含噪声或仅包含少量噪声的图像矩阵,基于去噪后图像矩阵可以生成去噪后图像。
步骤411,调整反卷积神经网络的参数。
在本实施例中,在不满足预设条件的情况下,电子设备可以调整反卷积神经网络的参数,并返回执行步骤404。直至得到去噪后图像矩阵为止。
在本实施例中,电子设备可以利用BP(Back Propagation,反向传播)算法来调整反卷积神经网络的参数。BP算法可以由信号的正向传播和误差的反向传播两个过程组成。正向传播时,输入样本从输入层进入网络,经隐层逐层传递至输出层,如果输出层的实际输出与期望输出(导师信号)不同,则转至误差反向传播;如果输出层的实际输出与期望输出(导师信号)相同,结束学习算法。反向传播时,将输出误差(期望输出与实际输出之差)按原通路反传计算,通过隐层反向,直至输入层,在反传过程中将误差分摊给各层的各个单元,获得各层各单元的误差信号,并将其作为修正各单元权值的根据。这一计算过程使用梯度下降法完成,在不停地调整各层神经元的权值和阈值后,使误差信号减小到最低限度。权值和阈值不断调整的过程,就是网络的学习与训练过程,经过信号正向传播与误差反向传播,权值和阈值的调整反复进行,一直进行到预先设定的学习训练次数,或输出误差减小到允许的程度。
从图4中可以看出,与图2对应的实施例相比,本实施例中的图像去噪方法的流程400突出了确定是否满足预设条件的步骤。由此,本实施例描述的方案在去除图像噪声的同时,还确保了不改变图像的特征。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种图像去噪装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的图像去噪装置500可以包括:获取单元501、生成单元502、输入单元503和去噪单元504。其中,获取单元501,配置用于获取原始图像,其中,原始图像包含噪声;生成单元502,配置用于生成原始图像的图像矩阵,其中,图像矩阵的行对应图像的高,图像矩阵的列对应图像的宽,图像矩阵的元素对应图像的像素;输入单元503,配置用于将原始图像的图像矩阵输入至预先训练的卷积神经网络,得到原始图像的特征向量,其中,卷积神经网络用于表征图像矩阵与特征向量的对应关系;去噪单元504,配置用于执行以下去噪步骤:将原始图像的特征向量输入至反卷积神经网络,得到处理后图像矩阵,其中,反卷积神经网络用于将特征向量处理为图像矩阵;确定处理后图像矩阵是否满足预设条件,若满足预设条件,则将处理后图像矩阵作为去噪后图像矩阵。
在本实施例中,图像去噪装置500中:获取单元501、生成单元502、输入单元503和去噪单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204-206的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,图像去噪装置500还可以包括:调整单元(图中未示出),配置用于响应于不满足预设条件,调整反卷积神经网络的参数,并继续执行去噪步骤。
在本实施例的一些可选的实现方式中,去噪单元504可以包括:第一输入子单元(图中未示出),配置用于分别将参考图像的图像矩阵和处理后图像矩阵输入至对抗网络,得到参考图像的图像矩阵的类别和处理后图像矩阵的类别,其中,对抗网络用于判别图像矩阵的类别;第一确定子单元(图中未示出),配置用于基于参考图像的图像矩阵的类别和处理后图像矩阵的类别,确定处理后图像矩阵是否满足预设条件。
在本实施例的一些可选的实现方式中,第一确定子单元可以包括:第一确定模块(图中未示出),配置用于分别确定原始图像的图像矩阵的类别和处理后图像矩阵的类别是否是第一类别;第一满足模块(图中未示出),配置用于若均是第一类别,则满足预设条件;第一不满足模块(图中未示出),配置用于若不均是第一类别,则不满足预设条件。
在本实施例的一些可选的实现方式中,去噪单元504可以包括:第二输入子单元(图中未示出),配置用于将处理后图像矩阵输入至卷积神经网络,得到处理后图像矩阵所对应的特征向量;计算子单元(图中未示出),配置用于计算原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的距离;第二确定子单元(图中未示出),配置用基于所计算的结果,确定处理后图像矩阵是否满足预设条件。
在本实施例的一些可选的实现方式中,计算子单元可以进一步配置用于:计算原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的欧氏距离。
在本实施例的一些可选的实现方式中,第二确定子单元可以包括:第二确定模块(图中未示出),配置用于将原始图像的特征向量与处理后图像矩阵所对应的特征向量之间的欧氏距离与预设距离阈值进行比较;第二满足模块(图中未示出),配置用于若小于预设距离阈值,则满足预设条件;第二不满足模块(图中未示出),配置用于若不小于预设距离阈值,则不满足预设条件。
下面参考图6,其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、生成单元、输入单元和去噪单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取原始图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的服务器中所包含的;也可以是单独存在,而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该服务器执行时,使得该服务器:获取原始图像,其中,原始图像包含噪声;生成原始图像的图像矩阵,其中,图像矩阵的行对应图像的高,图像矩阵的列对应图像的宽,图像矩阵的元素对应图像的像素;将原始图像的图像矩阵输入至预先训练的卷积神经网络,得到原始图像的特征向量,其中,卷积神经网络用于表征图像矩阵与特征向量的对应关系;执行以下去噪步骤:将原始图像的特征向量输入至反卷积神经网络,得到处理后图像矩阵,其中,反卷积神经网络用于将特征向量处理为图像矩阵;确定处理后图像矩阵是否满足预设条件,若满足预设条件,则将处理后图像矩阵作为去噪后图像矩阵。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种图像去噪方法,其特征在于,所述方法包括:
获取原始图像,其中,所述原始图像包含噪声;
生成所述原始图像的图像矩阵,其中,图像矩阵的行对应图像的高,图像矩阵的列对应图像的宽,图像矩阵的元素对应图像的像素;
将所述原始图像的图像矩阵输入至预先训练的卷积神经网络,得到所述原始图像的特征向量,其中,所述卷积神经网络用于表征图像矩阵与特征向量的对应关系;
执行以下去噪步骤:将所述原始图像的特征向量输入至反卷积神经网络,得到处理后图像矩阵,其中,所述反卷积神经网络用于将特征向量处理为图像矩阵;确定所述处理后图像矩阵是否满足预设条件,若满足所述预设条件,则将所述处理后图像矩阵作为去噪后图像矩阵;
响应于不满足所述预设条件,调整所述反卷积神经网络的参数,并继续执行所述去噪步骤;
其中,所述确定所述处理后图像矩阵是否满足预设条件,包括:
分别将参考图像的图像矩阵和所述处理后图像矩阵输入至对抗网络,得到所述参考图像的图像矩阵的类别和所述处理后图像矩阵的类别,其中,所述对抗网络用于判别图像矩阵的类别;
基于所述参考图像的图像矩阵的类别和所述处理后图像矩阵的类别,确定所述处理后图像矩阵是否满足预设条件。
2.根据权利要求1所述的方法,其特征在于,所述基于所述原始图像的图像矩阵的类别和所述处理后图像矩阵的类别,确定所述处理后图像矩阵是否满足预设条件,包括:
分别确定所述原始图像的图像矩阵的类别和所述处理后图像矩阵的类别是否是第一类别;
若均是所述第一类别,则满足所述预设条件;
若不均是所述第一类别,则不满足所述预设条件。
3.根据权利要求1-2之一所述的方法,其特征在于,所述确定所述处理后图像矩阵是否满足预设条件,包括:
将所述处理后图像矩阵输入至所述卷积神经网络,得到所述处理后图像矩阵所对应的特征向量;
计算所述原始图像的特征向量与所述处理后图像矩阵所对应的特征向量之间的距离;
基于所计算的结果,确定所述处理后图像矩阵是否满足预设条件。
4.根据权利要求3所述的方法,其特征在于,所述计算所述原始图像的特征向量与所述处理后图像矩阵所对应的特征向量之间的距离,包括:
计算所述原始图像的特征向量与所述处理后图像矩阵所对应的特征向量之间的欧氏距离。
5.根据权利要求4所述的方法,其特征在于,所述基于所计算的结果,确定所述处理后图像矩阵是否满足预设条件,包括:
确定所述原始图像的特征向量与所述处理后图像矩阵所对应的特征向量之间的欧氏距离是否小于预设距离阈值;
若小于所述预设距离阈值,则满足所述预设条件;
若不小于所述预设距离阈值,则不满足所述预设条件。
6.一种图像去噪装置,其特征在于,所述装置包括:
获取单元,配置用于获取原始图像,其中,所述原始图像包含噪声;
生成单元,配置用于生成所述原始图像的图像矩阵,其中,图像矩阵的行对应图像的高,图像矩阵的列对应图像的宽,图像矩阵的元素对应图像的像素;
输入单元,配置用于将所述原始图像的图像矩阵输入至预先训练的卷积神经网络,得到所述原始图像的特征向量,其中,所述卷积神经网络用于表征图像矩阵与特征向量的对应关系;
去噪单元,配置用于执行以下去噪步骤:将所述原始图像的特征向量输入至反卷积神经网络,得到处理后图像矩阵,其中,所述反卷积神经网络用于将特征向量处理为图像矩阵;确定所述处理后图像矩阵是否满足预设条件,若满足所述预设条件,则将所述处理后图像矩阵作为去噪后图像矩阵;
调整单元,配置用于响应于不满足所述预设条件,调整所述反卷积神经网络的参数,并继续执行所述去噪步骤;
其中,所述去噪单元包括:
第一输入子单元,配置用于分别将参考图像的图像矩阵和所述处理后图像矩阵输入至对抗网络,得到所述参考图像的图像矩阵的类别和所述处理后图像矩阵的类别,其中,所述对抗网络用于判别图像矩阵的类别;
第一确定子单元,配置用于基于所述参考图像的图像矩阵的类别和所述处理后图像矩阵的类别,确定所述处理后图像矩阵是否满足预设条件。
7.根据权利要求6所述的装置,其特征在于,所述去噪单元包括:
第二输入子单元,配置用于将所述处理后图像矩阵输入至所述卷积神经网络,得到所述处理后图像矩阵所对应的特征向量;
计算子单元,配置用于计算所述原始图像的特征向量与所述处理后图像矩阵所对应的特征向量之间的距离;
第二确定子单元,配置用基于所计算的结果,确定所述处理后图像矩阵是否满足预设条件。
8.根据权利要求7所述的装置,其特征在于,所述计算子单元进一步配置用于:
计算所述原始图像的特征向量与所述处理后图像矩阵所对应的特征向量之间的欧氏距离。
9.一种服务器,其特征在于,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN201710859689.7A 2017-09-21 2017-09-21 图像去噪方法和装置 Active CN107507153B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710859689.7A CN107507153B (zh) 2017-09-21 2017-09-21 图像去噪方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710859689.7A CN107507153B (zh) 2017-09-21 2017-09-21 图像去噪方法和装置

Publications (2)

Publication Number Publication Date
CN107507153A CN107507153A (zh) 2017-12-22
CN107507153B true CN107507153B (zh) 2021-03-09

Family

ID=60697998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710859689.7A Active CN107507153B (zh) 2017-09-21 2017-09-21 图像去噪方法和装置

Country Status (1)

Country Link
CN (1) CN107507153B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416744B (zh) * 2018-01-30 2019-11-26 百度在线网络技术(北京)有限公司 图像处理方法、装置、设备及计算机可读存储介质
CN108564550B (zh) * 2018-04-25 2020-10-02 Oppo广东移动通信有限公司 图像处理方法、装置及终端设备
CN108765319B (zh) * 2018-05-09 2020-08-14 大连理工大学 一种基于生成对抗网络的图像去噪方法
CN108961174A (zh) * 2018-05-24 2018-12-07 北京飞搜科技有限公司 一种图像修复方法、装置以及电子设备
CN108765334A (zh) * 2018-05-24 2018-11-06 北京飞搜科技有限公司 一种图像去噪方法、装置以及电子设备
CN108961184B (zh) * 2018-06-28 2021-04-20 北京邮电大学 一种深度图像的校正方法、装置及设备
CN109344778A (zh) * 2018-10-10 2019-02-15 成都信息工程大学 基于生成对抗网络的无人机影像道路信息提取方法
CN109948699B (zh) * 2019-03-19 2020-05-15 北京字节跳动网络技术有限公司 用于生成特征图的方法和装置
CN109993710B (zh) * 2019-03-20 2022-03-11 西北工业大学 一种基于生成对抗网络的水下图像去噪方法
CN113052767A (zh) * 2019-12-26 2021-06-29 深圳市万普拉斯科技有限公司 滤波矩阵生成方法、装置、终端设备和可读存储介质
CN115147500B (zh) * 2021-03-30 2024-06-28 中国电信股份有限公司 图像特征的传输方法、装置和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104282012A (zh) * 2013-07-05 2015-01-14 江南大学 一种基于小波域的半参考图像质量评价算法
CN105611303A (zh) * 2016-03-07 2016-05-25 京东方科技集团股份有限公司 图像压缩系统、解压缩系统、训练方法和装置、显示装置
CN106204449A (zh) * 2016-07-06 2016-12-07 安徽工业大学 一种基于对称深度网络的单幅图像超分辨率重建方法
CN106780662A (zh) * 2016-11-16 2017-05-31 北京旷视科技有限公司 人脸图像生成方法、装置及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104282012A (zh) * 2013-07-05 2015-01-14 江南大学 一种基于小波域的半参考图像质量评价算法
CN105611303A (zh) * 2016-03-07 2016-05-25 京东方科技集团股份有限公司 图像压缩系统、解压缩系统、训练方法和装置、显示装置
CN106204449A (zh) * 2016-07-06 2016-12-07 安徽工业大学 一种基于对称深度网络的单幅图像超分辨率重建方法
CN106780662A (zh) * 2016-11-16 2017-05-31 北京旷视科技有限公司 人脸图像生成方法、装置及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Image De-raining Using a Conditional Generative;He Zhang,Vishwanath Sindagi,Vishal M.Patel;《Arxiv》;20170125;1-7 *
基于卷积神经网络的图像去噪研究;李传朋,秦品乐,张晋京;《计算机工程》;20170315;第43卷(第3期);253-260 *

Also Published As

Publication number Publication date
CN107507153A (zh) 2017-12-22

Similar Documents

Publication Publication Date Title
CN107507153B (zh) 图像去噪方法和装置
CN107679466B (zh) 信息输出方法和装置
CN110163080B (zh) 人脸关键点检测方法及装置、存储介质和电子设备
CN108898186B (zh) 用于提取图像的方法和装置
US11416781B2 (en) Image processing method and apparatus, and computer-readable medium, and electronic device
CN109816589B (zh) 用于生成漫画风格转换模型的方法和装置
CN108038880B (zh) 用于处理图像的方法和装置
US11487995B2 (en) Method and apparatus for determining image quality
US11163991B2 (en) Method and apparatus for detecting body
JP6994588B2 (ja) 顔特徴抽出モデル訓練方法、顔特徴抽出方法、装置、機器および記憶媒体
CN108830235B (zh) 用于生成信息的方法和装置
US20230081645A1 (en) Detecting forged facial images using frequency domain information and local correlation
CN108197652B (zh) 用于生成信息的方法和装置
CN108197618B (zh) 用于生成人脸检测模型的方法和装置
CN109101919B (zh) 用于生成信息的方法和装置
CN107330731B (zh) 一种识别广告位点击异常的方法和装置
CN108230346B (zh) 用于分割图像语义特征的方法和装置、电子设备
CN109389072B (zh) 数据处理方法和装置
CN111275784B (zh) 生成图像的方法和装置
EP4290448A1 (en) Image generation model training method, generation method, apparatus, and device
CN109285181A (zh) 用于识别图像的方法和装置
CN111311480A (zh) 图像融合方法和装置
CN115984930A (zh) 微表情识别方法、装置、微表情识别模型的训练方法
CN109241930B (zh) 用于处理眉部图像的方法和装置
CN113643260A (zh) 用于检测图像质量的方法、装置、设备、介质和产品

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