CN108564550B - 图像处理方法、装置及终端设备 - Google Patents
图像处理方法、装置及终端设备 Download PDFInfo
- Publication number
- CN108564550B CN108564550B CN201810380866.8A CN201810380866A CN108564550B CN 108564550 B CN108564550 B CN 108564550B CN 201810380866 A CN201810380866 A CN 201810380866A CN 108564550 B CN108564550 B CN 108564550B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- constructed
- cost function
- inputting
- 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.)
- Expired - Fee Related
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 82
- 238000004590 computer program Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于图像处理技术领域，提供了图像处理方法、装置及终端设备，包括：获取生成网络以及判别网络；将图像训练集中的实际图像输入生成网络，输出对应的构造图像；根据构造图像以及实际图像生成所述生成网络的重建代价函数；将构造图像和实际图像输入判别网络，输出判断结果；根据判断结果、输入的构造图像的标签和实际图像的标签生成判别网络的对抗代价函数；根据重建代价函数、对抗代价函数以及图像训练集的实际图像交替训练生成网络和判别网络，直到判断出训练后的生成网络满足要求；获取待去噪图像；将待去噪图像输入满足要求的生成网络，生成去噪后的图像。通过上述方法能够实现图像去噪且不失真。
Description
技术领域
本申请属于图像处理技术领域，尤其涉及图像处理方法、装置及终端设备。
背景技术
在拍照过程中，噪声的来源有很多种，例如亚采样、大气因素(如雾霾)、成像噪声(如相机运动导致的噪声、成像传感器光学极限导致的噪声等)、几何运动、投影以及附加噪声(如成像传感器自身的噪声)等，会导致拍出来的照片出现噪声的情况。
为了使图像尽量的清晰，传统的方法通常是通过双线性滤波、中值滤波、小波变换等方法去除图像的噪声。但是传统的图像去噪方法在去除噪声的同时有可能会产生图像的失真等问题。
发明内容
有鉴于此，本申请实施例提供了图像处理方法、装置及终端设备，以解决现有技术在在去除噪声的同时产生的图像的失真的问题。
本申请实施例的第一方面提供了一种图像处理方法，包括：
获取生成网络以及判别网络；
将图像训练集中的实际图像输入所述生成网络，输出对应的构造图像；
根据所述构造图像以及所述实际图像生成所述生成网络的重建代价函数；
将所述构造图像和所述实际图像输入所述判别网络，输出判断结果；
根据所述判断结果、输入的所述构造图像的标签和所述实际图像的标签生成所述判别网络的对抗代价函数；
根据所述重建代价函数、所述对抗代价函数以及所述图像训练集的实际图像交替训练所述生成网络和所述判别网络，直到判断出训练后的所述生成网络满足要求；
获取待去噪图像；
将所述待去噪图像输入满足要求的生成网络，生成去噪后的图像。
本申请实施例的第二方面提供了一种图像处理装置，包括：
网络获取单元，用于获取生成网络以及判别网络；
构造图像输出单元，用于将图像训练集中的实际图像输入所述生成网络，输出对应的构造图像；
重建代价函数生成单元，用于根据所述构造图像以及所述实际图像生成所述生成网络的重建代价函数；
判别网络的判断结果输出单元，用于将所述构造图像和所述实际图像输入所述判别网络，输出判断结果；
对抗代价函数生成单元，用于根据所述判断结果、输入的所述构造图像的标签和所述实际图像的标签生成所述判别网络的对抗代价函数；
网络训练单元，用于根据所述重建代价函数、所述对抗代价函数以及所述图像训练集的实际图像交替训练所述生成网络和所述判别网络，直到判断出训练后的所述生成网络满足要求；
待去噪图像获取单元，用于获取待去噪图像；
图像去噪单元，用于将所述待去噪图像输入满足要求的生成网络，生成去噪后的图像。
本申请实施例的第三方面提供了一种终端设备，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，所述处理器执行所述计算机程序时实现如所述图像处理方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述图像处理方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：
由于在获取生成网络和判别网络后，通过图像训练集交替训练该生成网络和判别网络，直到判别网络难以识别出训练后的生成网络输出的图像的真伪，因此，在将待去噪图像输入到满足要求的生成网络后，其输出的图像能够实现图像的去噪且不会产生图像失真。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1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2是本申请实施例提供的询问是否对显示的图像执行去噪的示意图；
图3是本申请实施例提供的另一种图像处理方法的流程示意图；
图4是本申请实施例提供的步骤S302的细化流程图；
图5是本申请实施例提供的图像处理装置的示意图；
图6是本申请实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中，本申请实施例中描述的移动终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，上述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中，描述了包括显示器和触摸敏感表面的移动终端。然而，应当理解的是，移动终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
移动终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在移动终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
实施例一：
图1示出了本申请实施例提供的一种图像处理方法的流程示意图，详述如下：
步骤S101，获取生成网络以及判别网络；
具体地，获取的生成网络可基于残差网络(Residual Network，ResNet)建立，为了便于优化及收敛，该ResNet至少具有2个残差块，优选地，该ResNet的残差块的数量为3。
具体地，所述判别网络可基于牛津大学的视觉几何组织(Visual GeometryGroup，VGG)建立，基于VGG的判别网络对图片有更精确的估值以及更少的空间。
步骤S102，将图像训练集中的实际图像输入所述生成网络，输出对应的构造图像；
其中，这里的图像训练集可以为常用的图像训练集，如ImageNet训练集和Places365训练集等。在图像训练集的实际图像为没有噪声或噪声可以忽略的图像。
该步骤中，若初始建立的生成网络没有经过训练，则其输出的构造图像与实际图像差别较大。
步骤S103，根据所述构造图像以及所述实际图像生成所述生成网络的重建代价函数；
具体地，该重建代价函数根据所述生成网络生成的构造图像和该构造图像对应的实际图像之间的范数进行构建，如根据L2范数构建。
步骤S104，将所述构造图像和所述实际图像输入所述判别网络，输出判断结果；
具体地，为了使得判别网络输出的判断结果更准确，可分别将生成网络输出的构造图像和图像训练集的实际图像输入所述判别网络，得到对应的判断结果。该判断结果表示输入判别网络的图像是构造图像还是实际图像的概率，例如，当判别网络判断输入的图像为实际图像时，输出的判断结果为1(或者趋向于1)，当判别网络判断输入的图像为构造图像时，输出的判断结果为0(或者趋向于0)。当然，判断结果还可以为其他表现形式，此处不作限定。
步骤S105，根据所述判断结果、输入的所述构造图像的标签和所述实际图像的标签生成所述判别网络的对抗代价函数；
其中，构造图像的标签表示该图像为伪造的图像，例如，构造图像的标签采用“0”表示，实际图像的标签采用“1”表示。
具体地，对抗代价函数使用判别网络的输出(判断结果)和输入的图像对应的标签之间的交叉熵进行构造，其用于度量两个概率分布间(判断结果和标签)的差异性信息。
步骤S106，根据所述重建代价函数、所述对抗代价函数以及所述图像训练集的实际图像交替训练所述生成网络和所述判别网络，直到判断出训练后的所述生成网络满足要求；
其中，满足要求的生成网络是指其输出的图像与实际图像很接近，例如，采用判别网络难以判断出生成网络输出的图像是真的图像还是假的图像。
该步骤中，交替训练生成网络和判别网络，进而实现生成网络和判别网络的交替更新。具体地，在更新生成网络时，首先固定判别网络的参数，更新生成网络的参数，固定更新后的生成网络的参数后再更新判别网络的参数。
其中，生成网络(或判别网络)的参数包括生成网络(或判别网络)的神经元之间的连接权重以及每个神经元本身的偏置等。
步骤S107，获取待去噪图像；
其中，该待去噪图像包括以下至少一种：终端设备(如手机)已存储的图像、终端设备从网络接收的图像、具有拍摄功能的终端设备拍摄的图像等。
步骤S108，将所述待去噪图像输入满足要求的生成网络，生成去噪后的图像。
例如，在终端设备拍摄图像后，该终端设备可采用2种方式去除图像的噪声：一种是拍摄并存储图像后，若接收到去噪指令，将存储的图像输入满足要求的生成网络执行去噪动作，如图2所示；另一种是直接将拍摄的图像输入满足要求的生成网络执行去噪动作。
该步骤中，在生成去噪后的图像后输出该去噪后的图像。
本申请实施例中，由于在获取生成网络和判别网络后，通过图像训练集交替训练该生成网络和判别网络，直到判别网络难以识别出训练后的生成网络输出的图像的真伪，因此，在将待去噪图像输入到满足要求的生成网络后，其输出的图像能够实现图像的去噪且不会产生图像失真。
由于在实际情况中，图像总会存在噪声，因此，为了使得训练后的生成网络输出的图像更逼真，对图像训练集的图像增加预设噪声，如图3所示，图3示出了本申请实施例提供的另一种图像处理方法的流程示意图，其中，步骤S101～步骤S105、步骤S107、步骤S108与图1中相同，此处不再赘述：
步骤S101，获取生成网络以及判别网络；
步骤S102，将图像训练集中的实际图像输入所述生成网络，输出对应的构造图像；
步骤S103，根据所述构造图像以及所述实际图像生成所述生成网络的重建代价函数；
步骤S104，将所述构造图像和所述实际图像输入所述判别网络，输出判断结果；
步骤S105，根据所述判断结果、输入的所述构造图像的标签和所述实际图像的标签生成所述判别网络的对抗代价函数；
步骤S301，将预设噪声加入所述图像训练集的实际图像，得到对应的噪声图像；
其中，预设噪声可以为高斯噪声，椒盐噪声等，由于高斯噪声的概率密度函数服从正态分布，因此，优选地，该预设噪声为高斯噪声。
步骤S302，根据所述重建代价函数、所述对抗代价函数以及所述噪声图像交替训练所述生成网络和所述判别网络，直到判断出训练后的所述生成网络满足要求。
由于采用加入噪声的噪声图像交替训练生成网络和判别网络，因此，能够提高生成网络输出更逼真图像的概率。
步骤S107，获取待去噪图像；
步骤S108，将所述待去噪图像输入满足要求的生成网络，生成去噪后的图像。
图4示出了本申请实施例提供的步骤S302的细化流程图，如下所述：
步骤S401，将所述噪声图像输入所述生成网络，输出构造图像；
步骤S402，将所述构造图像和所述构造图像对应的实际图像输入所述重建代价函数，输出重建代价值；
需要指出的是，这里的实际图像是指没有加入噪声之前的图像。
步骤S403，根据所述重建代价值调整所述生成网络的参数，得到训练后的生成网络；
具体地，当重建代价值越大，表明生成网络输出的图像与实际的图像差别越大，此时，增大调整生成网络的参数的幅度；反之，则降低调整生成网络的参数的幅度。
步骤S404，根据所述噪声图像和所述训练后的生成网络生成新的构造图像；
将噪声图像输入训练后的生成网络，该训练后的生成网络将输出新的构造图像。
步骤S405，将所述新的构造图像输入所述判别网络，输出判断结果；
步骤S406，判断所述判断结果是否在预设值范围内，若在预设值范围内，将所述训练后的生成网络判定为满足要求的生成网络；若不在预设值范围内，将所述判断结果和所述新的构造图像的标签和所述新的构造图像对应的实际图像的标签输入所述对抗代价函数，输出对抗代价值，根据所述对抗代价值调整所述判别网络的参数，得到训练后的判别网络，再返回执行步骤S401。其中，可采用梯度下降法调整所述判别网络的参数。在该步骤中，若判断结果采用1(或趋向于1)表示输入判别网络的图像是真的图像，采用0(或趋向于0)表示输入判别网络的图像是假的图像，则该预设值范围可设置为0.5(或趋向于0.5)附近的范围，若判断出判断结果不在预设值范围内，则更新判别网络，再重新执行步骤S401～步骤S406。
可选地，由于随着每一次的迭代，生成网络的输出图像是逐步变化的，相应的，判别网络能够有效识别的图像也集中在最近的生成网络的输出中。如果一幅一幅的输入，可能会导致判别网络遗忘图像的部分特征，因此，为了改善判别网络的能力，维持生成网络和判别网络的稳定性，可设置一个缓存来存储迭代中生成的图像，具体地：
所述步骤S405包括：
缓存所述生成网络输出的新的构造图像；选择缓存的预设个数的新的构造图像同时输入所述判别网络，输出相同个数的判断结果；
对应地，所述步骤S406包括：
判断所述相同个数的判断结果中在预设值范围内的判断结果的个数是否大于预设的数量阈值，若大于预设的数量阈值，将所述训练后的生成网络判定为满足要求的生成网络；若小于或等于预设的数量阈值，将所述相同个数的判断结果和对应的相同个数的所述新的构造图像的标签和/或所述新的构造图像对应的实际图像的标签输入所述对抗代价函数，输出相同个数的对抗代价值，根据所述相同个数的对抗代价值调整所述判别网络的参数，得到训练后的判别网络，再将所述噪声图像输入所述生成网络，输出构造图像。
可选地，在本申请实施例中，除了可以根据判别网络输出的判断结果判断训练的生成网络是否满足要求外，还可以通过以下方式判断训练的生成网络是否满足要求，具体如下：
A1、确定所述生成网络输出的构造图像以及对应的实际图像的峰值信噪比；其中，峰值信噪比(Peak Signal to Noise Ratio，PSNR)是一种评价图像的客观标准，PSNR值越大，代表图像失真越少。
A2、判断所述峰值信噪比是否大于预设的信噪比阈值，若大于预设的信噪比阈值，判定所述生成网络满足要求，若小于或等于预设的信噪比阈值，判定所述生成网络不满足要求；
或者，通过以下方式判断训练的生成网络是否满足要求，具体如下：
B1、确定所述生成网络输出的构造图像以及对应的实际图像的结构相似性；其中，结构相似性(Structural Similarity Index，SSIM)是一种衡量两幅图像相似度的指标，结构相似性的范围为-1到1。当两张图像一模一样时，SSIM的值等于1。
B2、判断所述结构相似性是否大于预设的结构相似阈值，若大于预设的结构相似阈值，判定所述生成网络满足要求，若小于或等于预设的结构相似阈值，判定所述生成网络不满足要求。具体地，该结构相似阈值可设置为接近1的数，如1.98等，此处不作限定。
可选地，将上述两种方式结合，具体地，判断所述峰值信噪比是否大于预设的信噪比阈值，若大于预设的信噪比阈值，确定所述生成网络输出的构造图像以及对应的实际图像的结构相似性，判断所述结构相似性是否大于预设的结构相似阈值，若大于预设的结构相似阈值，判定所述生成网络满足要求，否则，判定所述生成网络不满足要求。
当然，若结合判别网络输出的判断结果以及以上方式判断训练的生成网络是否满足要求将提高判断的精确性，具体地，可在判断出判断结果在预设值范围内之后，进一步通过上述方式判断生成网络是否符合要求将提高判断的准确性。
实施例二：
图5示出了本申请实施例提供的一种图像处理装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分：
该图像处理装置包括：网络获取单元51、构造图像输出单元52、重建代价函数生成单元53、判别网络的判断结果输出单元54、对抗代价函数生成单元55、网络训练单元56、待去噪图像获取单元57、图像去噪单元58。其中：
网络获取单元51，用于获取生成网络以及判别网络；
具体地，所述判别网络可基于牛津大学的VGG建立。
构造图像输出单元52，用于将图像训练集中的实际图像输入所述生成网络，输出对应的构造图像；
其中，这里的图像训练集可以为常用的图像训练集，如ImageNet训练集和Places365训练集等。
重建代价函数生成单元53，用于根据所述构造图像以及所述实际图像生成所述生成网络的重建代价函数；
具体地，该重建代价函数根据所述生成网络生成的构造图像和该构造图像对应的实际图像之间的范数进行构建，如根据L2范数构建。
判别网络的判断结果输出单元54，用于将所述构造图像和所述实际图像输入所述判别网络，输出判断结果；
对抗代价函数生成单元55，用于根据所述判断结果、输入的所述构造图像的标签和所述实际图像的标签生成所述判别网络的对抗代价函数；
具体地，对抗代价函数使用判别网络的输出(判断结果)和输入的图像对应的标签之间的交叉熵进行构造，其用于度量两个概率分布间(判断结果和标签)的差异性信息。
网络训练单元56，用于根据所述重建代价函数、所述对抗代价函数以及所述图像训练集的实际图像交替训练所述生成网络和所述判别网络，直到判断出训练后的所述生成网络满足要求；
具体地，交替训练生成网络和判别网络，进而实现生成网络和判别网络的交替更新。具体地，在更新生成网络时，首先固定判别网络的参数，更新生成网络的参数，固定更新后的生成网络的参数后再更新判别网络的参数。
其中，生成网络(或判别网络)的参数包括生成网络(或判别网络)的神经元之间的连接权重以及每个神经元本身的偏置等。
待去噪图像获取单元57，用于获取待去噪图像；
其中，该待去噪图像包括以下至少一种：终端设备(如手机)已存储的图像、终端设备从网络接收的图像、具有拍摄功能的终端设备拍摄的图像等。
图像去噪单元58，用于将所述待去噪图像输入满足要求的生成网络，生成去噪后的图像。
例如，在终端设备拍摄图像后，该终端设备可采用2种方式去除图像的噪声：一种是拍摄并存储图像后，若接收到去噪指令，将存储的图像输入满足要求的生成网络执行去噪动作。
由于在实际情况中，图像总会存在噪声，因此，为了使得训练后的生成网络输出的图像更逼真，对图像训练集的图像增加预设噪声，此时，所述网络训练单元56包括：
噪声图像生成模块，用于将预设噪声加入所述图像训练集的实际图像，得到对应的噪声图像；
其中，预设噪声可以为高斯噪声，椒盐噪声等，由于高斯噪声的概率密度函数服从正态分布，因此，优选地，该预设噪声为高斯噪声。
网络交替训练模块，用于根据所述重建代价函数、所述对抗代价函数以及所述噪声图像交替训练所述生成网络和所述判别网络，直到判断出训练后的所述生成网络满足要求。
可选的，所述网络交替训练模块包括：
生成网络输出模块，用于将所述噪声图像输入所述生成网络，输出构造图像；
重建代价值输出模块，用于将所述构造图像和所述构造图像对应的实际图像输入所述重建代价函数，输出重建代价值；
生成网络参数调整模块，用于根据所述重建代价值调整所述生成网络的参数，得到训练后的生成网络；
具体地，当重建代价值越大，表明生成网络输出的图像与实际的图像差别越大，此时，增大调整生成网络的参数的幅度；反之，则降低调整生成网络的参数的幅度。
新的构造图像生成模块，用于根据所述噪声图像和所述训练后的生成网络生成新的构造图像；
判断结果输出模块，用于将所述新的构造图像输入所述判别网络，输出判断结果；
判断结果比较模块，用于判断所述判断结果是否在预设值范围内，若在预设值范围内，将所述训练后的生成网络判定为满足要求的生成网络；若不在预设值范围内，将所述判断结果和所述新的构造图像的标签和所述新的构造图像对应的实际图像的标签输入所述对抗代价函数，输出对抗代价值，根据所述对抗代价值调整所述判别网络的参数，得到训练后的判别网络，再转所述生成网络输出模块。
其中，可采用梯度下降法调整所述判别网络的参数。在该步骤中，若判断结果采用1(或趋向于1)表示输入判别网络的图像是真的图像，采用0(或趋向于0)表示输入判别网络的图像是假的图像，则该预设值范围可设置为0.5(或趋向于0.5)附近的范围，若判断出判断结果不在预设值范围内，则更新判别网络，
可选地，由于随着每一次的迭代，生成网络的输出图像是逐步变化的，相应的，判别网络能够有效识别的图像也集中在最近的生成网络的输出中。如果一幅一幅的输入，可能会导致判别网络遗忘图像的部分特征，因此，为了改善判别网络的能力，维持生成网络和判别网络的稳定性，所述判断结果输出模块包括：
新的构造图像缓存模块，用于缓存所述生成网络输出的新的构造图像；
多个判断结果输出模块，用于选择缓存的预设个数的新的构造图像同时输入所述判别网络，输出相同个数的判断结果；
对应地，所述判断结果比较模块具体用于判断所述相同个数的判断结果中在预设值范围内的判断结果的个数是否大于预设的数量阈值，若大于预设的数量阈值，将所述训练后的生成网络判定为满足要求的生成网络；若小于或等于预设的数量阈值，将所述相同个数的判断结果和对应的相同个数的所述新的构造图像的标签和所述新的构造图像对应的实际图像的标签输入所述对抗代价函数，输出相同个数的对抗代价值，根据所述相同个数的对抗代价值调整所述判别网络的参数，得到训练后的判别网络，再转所述生成网络输出模块。
可选地，在本申请实施例中，除了可以根据判别网络输出的判断结果判断训练的生成网络是否满足要求外，还可以通过以下方式判断训练的生成网络是否满足要求，当然，若结合判别网络输出的判断结果以及以下方式判断训练的生成网络是否满足要求将提高判断的精确性，此时，所述图像处理装置包括：
峰值信噪比确定单元，用于确定所述生成网络输出的构造图像以及对应的实际图像的峰值信噪比；
峰值信噪比判断单元，用于判断所述峰值信噪比是否大于预设的信噪比阈值，若大于预设的信噪比阈值，判定所述生成网络满足要求，若小于或等于预设的信噪比阈值，判定所述生成网络不满足要求；
或者，所述图像处理装置包括：
结构相似性确定单元，用于确定所述生成网络输出的构造图像以及对应的实际图像的结构相似性；
结构相似性判断单元，判断所述结构相似性是否大于预设的结构相似阈值，若大于预设的结构相似阈值，判定所述生成网络满足要求，若小于或等于预设的结构相似阈值，判定所述生成网络不满足要求。
可选地，将上述两种方式结合判断生成网络是否满足要求，此时，所述图像处理装置包括：
峰值信噪比及结构相似性判断单元，用于判断所述峰值信噪比是否大于预设的信噪比阈值，若大于预设的信噪比阈值，确定所述生成网络输出的构造图像以及对应的实际图像的结构相似性，判断所述结构相似性是否大于预设的结构相似阈值，若大于预设的结构相似阈值，判定所述生成网络满足要求，否则，判定所述生成网络不满足要求。
当然，若结合判别网络输出的判断结果以及以上方式判断训练的生成网络是否满足要求将提高判断的精确性，具体地，可在判断出判断结果在预设值范围内之后，进一步通过上述方式判断生成网络是否符合要求将提高判断的准确性。
本申请实施例中，由于在获取生成网络和判别网络后，通过图像训练集交替训练该生成网络和判别网络，直到判别网络难以识别出训练后的生成网络输出的图像的真伪，因此，在将待去噪图像输入到满足要求的生成网络后，其输出的图像能够实现图像的去噪且不会产生图像失真。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例三：
图6是本申请一实施例提供的终端设备的示意图。如图6所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个图像处理方法实施例中的步骤，例如图1所示的步骤S101至S108。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示单元51至58的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。例如，所述计算机程序62可以被分割成网络获取单元51、构造图像输出单元52、重建代价函数生成单元53、判别网络的判断结果输出单元54、对抗代价函数生成单元55、网络训练单元56、待去噪图像获取单元57、图像去噪单元58，各单元具体功能如下：
网络获取单元51，用于获取生成网络以及判别网络；
构造图像输出单元52，用于将图像训练集中的实际图像输入所述生成网络，输出对应的构造图像；
重建代价函数生成单元53，用于根据所述构造图像以及所述实际图像生成所述生成网络的重建代价函数；
判别网络的判断结果输出单元54，用于将所述构造图像和所述实际图像输入所述判别网络，输出判断结果；
对抗代价函数生成单元55，用于根据所述判断结果、输入的所述构造图像的标签和所述实际图像的标签生成所述判别网络的对抗代价函数；
网络训练单元56，用于根据所述重建代价函数、所述对抗代价函数以及所述图像训练集的实际图像交替训练所述生成网络和所述判别网络，直到判断出训练后的所述生成网络满足要求；
待去噪图像获取单元57，用于获取待去噪图像；
图像去噪单元58，用于将所述待去噪图像输入满足要求的生成网络，生成去噪后的图像。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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，在本申请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。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (7)
1.一种图像处理方法，其特征在于，包括：
获取生成网络以及判别网络；
将图像训练集中的实际图像输入所述生成网络，输出对应的构造图像；
根据所述构造图像以及所述实际图像生成所述生成网络的重建代价函数；
将所述构造图像和所述实际图像输入所述判别网络，输出判断结果；
根据所述判断结果、输入的所述构造图像的标签和所述实际图像的标签生成所述判别网络的对抗代价函数；
根据所述重建代价函数、所述对抗代价函数以及所述图像训练集的实际图像交替训练所述生成网络和所述判别网络，直到判断出训练后的所述生成网络满足要求；
获取待去噪图像；
将所述待去噪图像输入满足要求的生成网络，生成去噪后的图像；
所述根据所述重建代价函数、所述对抗代价函数以及所述图像训练集的实际图像交替训练所述生成网络和所述判别网络，直到判断出训练后的所述生成网络满足要求，包括：
将预设噪声加入所述图像训练集的实际图像，得到对应的噪声图像；
根据所述重建代价函数、所述对抗代价函数以及所述噪声图像交替训练所述生成网络和所述判别网络，直到判断出训练后的所述生成网络满足要求；
所述根据所述重建代价函数、所述对抗代价函数以及所述噪声图像交替训练所述生成网络和所述判别网络，直到判断出训练后的所述生成网络满足要求，包括：
将所述噪声图像输入所述生成网络，输出构造图像；
将所述构造图像和所述构造图像对应的实际图像输入所述重建代价函数，输出重建代价值；
根据所述重建代价值调整所述生成网络的参数，得到训练后的生成网络；
根据所述噪声图像和所述训练后的生成网络生成新的构造图像；
将所述新的构造图像输入所述判别网络，输出判断结果；
判断所述判断结果是否在预设值范围内，若在预设值范围内，将所述训练后的生成网络判定为满足要求的生成网络；若不在预设值范围内，将所述判断结果和所述新的构造图像的标签和所述新的构造图像对应的实际图像的标签输入所述对抗代价函数，输出对抗代价值，根据所述对抗代价值调整所述判别网络的参数，得到训练后的判别网络，再返回执行将所述噪声图像输入所述生成网络，输出构造图像的步骤。
2.根据权利要求1所述的图像处理方法，其特征在于，所述将所述新的构造图像输入所述判别网络，输出判断结果，包括：
缓存所述生成网络输出的新的构造图像；
选择缓存的预设个数的新的构造图像同时输入所述判别网络，输出相同个数的判断结果；
对应地，所述判断所述判断结果是否在预设值范围内，若不在预设值范围内，将所述判断结果和所述新的构造图像的标签和所述新的构造图像对应的实际图像的标签输入所述对抗代价函数，输出对抗代价值，根据所述对抗代价值调整所述判别网络的参数，得到训练后的判别网络，再将所述噪声图像输入所述生成网络，输出构造图像，包括：
判断所述相同个数的判断结果中在预设值范围内的判断结果的个数是否大于预设的数量阈值，若小于或等于预设的数量阈值，将所述相同个数的判断结果和对应的相同个数的所述新的构造图像的标签和所述新的构造图像对应的实际图像的标签输入所述对抗代价函数，输出相同个数的对抗代价值，根据所述相同个数的对抗代价值调整所述判别网络的参数，得到训练后的判别网络，再将所述噪声图像输入所述生成网络，输出构造图像。
3.根据权利要求1至2任一项所述的图像处理方法，其特征在于，所述方法还包括通过以下方式判断所述生成网络是否满足要求：
确定所述生成网络输出的构造图像以及对应的实际图像的峰值信噪比；
判断所述峰值信噪比是否大于预设的信噪比阈值，若大于预设的信噪比阈值，判定所述生成网络满足要求，若小于或等于预设的信噪比阈值，判定所述生成网络不满足要求。
4.根据权利要求1至2任一项所述的图像处理方法，其特征在于，所述方法还包括通过以下方式判断所述生成网络是否满足要求：
确定所述生成网络输出的构造图像以及对应的实际图像的结构相似性；
判断所述结构相似性是否大于预设的结构相似阈值，若大于预设的结构相似阈值，判定所述生成网络满足要求，若小于或等于预设的结构相似阈值，判定所述生成网络不满足要求。
5.一种图像处理装置，其特征在于，包括：
网络获取单元，用于获取生成网络以及判别网络；
构造图像输出单元，用于将图像训练集中的实际图像输入所述生成网络，输出对应的构造图像；
重建代价函数生成单元，用于根据所述构造图像以及所述实际图像生成所述生成网络的重建代价函数；
判别网络输出单元，用于将所述构造图像和所述实际图像输入所述判别网络，输出判断结果；
对抗代价函数生成单元，用于根据所述判断结果、输入的所述构造图像的标签和所述实际图像的标签生成所述判别网络的对抗代价函数；
网络训练单元，用于根据所述重建代价函数、所述对抗代价函数以及所述图像训练集的实际图像交替训练所述生成网络和所述判别网络，直到判断出训练后的所述生成网络满足要求；
待去噪图像获取单元，用于获取待去噪图像；
图像去噪单元，用于将所述待去噪图像输入满足要求的生成网络，生成去噪后的图像；
所述网络训练单元包括：
噪声图像生成模块，用于将预设噪声加入所述图像训练集的实际图像，得到对应的噪声图像；
网络交替训练模块，用于根据所述重建代价函数、所述对抗代价函数以及所述噪声图像交替训练所述生成网络和所述判别网络，直到判断出训练后的所述生成网络满足要求；
所述网络交替训练模块包括：
生成网络输出模块，用于将所述噪声图像输入所述生成网络，输出构造图像；
重建代价值输出模块，用于将所述构造图像和所述构造图像对应的实际图像输入所述重建代价函数，输出重建代价值；
生成网络参数调整模块，用于根据所述重建代价值调整所述生成网络的参数，得到训练后的生成网络；新的构造图像生成模块，用于根据所述噪声图像和所述训练后的生成网络生成新的构造图像；
判断结果输出模块，用于将所述新的构造图像输入所述判别网络，输出判断结果；
判断结果比较模块，用于判断所述判断结果是否在预设值范围内，若在预设值范围内，将所述训练后的生成网络判定为满足要求的生成网络；若不在预设值范围内，将所述判断结果和所述新的构造图像的标签和所述新的构造图像对应的实际图像的标签输入所述对抗代价函数，输出对抗代价值，根据所述对抗代价值调整所述判别网络的参数，得到训练后的判别网络，再转所述生成网络输出模块。
6.一种终端设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至4任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810380866.8A CN108564550B (zh) | 2018-04-25 | 2018-04-25 | 图像处理方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810380866.8A CN108564550B (zh) | 2018-04-25 | 2018-04-25 | 图像处理方法、装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108564550A CN108564550A (zh) | 2018-09-21 |
| CN108564550B true CN108564550B (zh) | 2020-10-02 |
Family
ID=63536783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810380866.8A Expired - Fee Related CN108564550B (zh) | 2018-04-25 | 2018-04-25 | 图像处理方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108564550B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109345527B (zh) * | 2018-09-28 | 2021-05-04 | 广西师范大学 | 一种基于MaskRcnn的膀胱肿瘤检测方法 |
| CN109685116B (zh) * | 2018-11-30 | 2022-12-30 | 腾讯科技（深圳）有限公司 | 图像描述信息生成方法和装置及电子装置 |
| CN110322407A (zh) * | 2019-06-03 | 2019-10-11 | 辽宁师范大学 | 基于深度残差网络的图像椒盐噪声去除方法 |
| CN110223254A (zh) * | 2019-06-10 | 2019-09-10 | 大连民族大学 | 一种基于对抗生成网络的图像去噪方法 |
| CN113706392A (zh) * | 2020-05-20 | 2021-11-26 | Tcl科技集团股份有限公司 | 摩尔纹处理方法、计算机可读存储介质及终端设备 |
| CN113362259B (zh) * | 2021-07-13 | 2024-01-09 | 商汤集团有限公司 | 图像降噪处理方法、装置、电子设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8907973B2 (en) * | 2012-10-22 | 2014-12-09 | Stmicroelectronics International N.V. | Content adaptive image restoration, scaling and enhancement for high definition display |
| CN106127702A (zh) * | 2016-06-17 | 2016-11-16 | 兰州理工大学 | 一种基于深度学习的图像去雾算法 |
| CN107133934A (zh) * | 2017-05-18 | 2017-09-05 | 北京小米移动软件有限公司 | 图像补全方法及装置 |
| CN107273936A (zh) * | 2017-07-07 | 2017-10-20 | 广东工业大学 | 一种gan图像处理方法及系统 |
| CN107507153A (zh) * | 2017-09-21 | 2017-12-22 | 百度在线网络技术（北京）有限公司 | 图像去噪方法和装置 |
| CN107545277A (zh) * | 2017-08-11 | 2018-01-05 | 腾讯科技（上海）有限公司 | 模型训练、身份验证方法、装置、存储介质和计算机设备 |
| CN107563493A (zh) * | 2017-07-17 | 2018-01-09 | 华南理工大学 | 一种多生成器卷积合成图像的对抗网络算法 |
| CN107798669A (zh) * | 2017-12-08 | 2018-03-13 | 北京小米移动软件有限公司 | 图像去雾方法、装置及计算机可读存储介质 |
| CN107944546A (zh) * | 2017-11-14 | 2018-04-20 | 华南理工大学 | 一种基于原始生成对抗网络模型的残差网络方法 |
-
2018
- 2018-04-25 CN CN201810380866.8A patent/CN108564550B/zh not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8907973B2 (en) * | 2012-10-22 | 2014-12-09 | Stmicroelectronics International N.V. | Content adaptive image restoration, scaling and enhancement for high definition display |
| CN106127702A (zh) * | 2016-06-17 | 2016-11-16 | 兰州理工大学 | 一种基于深度学习的图像去雾算法 |
| CN107133934A (zh) * | 2017-05-18 | 2017-09-05 | 北京小米移动软件有限公司 | 图像补全方法及装置 |
| CN107273936A (zh) * | 2017-07-07 | 2017-10-20 | 广东工业大学 | 一种gan图像处理方法及系统 |
| CN107563493A (zh) * | 2017-07-17 | 2018-01-09 | 华南理工大学 | 一种多生成器卷积合成图像的对抗网络算法 |
| CN107545277A (zh) * | 2017-08-11 | 2018-01-05 | 腾讯科技（上海）有限公司 | 模型训练、身份验证方法、装置、存储介质和计算机设备 |
| CN107507153A (zh) * | 2017-09-21 | 2017-12-22 | 百度在线网络技术（北京）有限公司 | 图像去噪方法和装置 |
| CN107944546A (zh) * | 2017-11-14 | 2018-04-20 | 华南理工大学 | 一种基于原始生成对抗网络模型的残差网络方法 |
| CN107798669A (zh) * | 2017-12-08 | 2018-03-13 | 北京小米移动软件有限公司 | 图像去雾方法、装置及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108564550A (zh) | 2018-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108564550B (zh) | 图像处理方法、装置及终端设备 | |
| CN108765340B (zh) | 模糊图像处理方法、装置及终端设备 | |
| CN108921806B (zh) | 一种图像处理方法、图像处理装置及终端设备 | |
| CN110059744B (zh) | 训练神经网络的方法、图像处理的方法、设备及存储介质 | |
| CN109345553B (zh) | 一种手掌及其关键点检测方法、装置和终端设备 | |
| CN110660066A (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
| CN108961157B (zh) | 图片处理方法、图片处理装置及终端设备 | |
| CN109215037B (zh) | 目标图像分割方法、装置及终端设备 | |
| CN111489290B (zh) | 一种人脸图像超分辨重建方法、装置及终端设备 | |
| CN110288710B (zh) | 一种三维地图的处理方法、处理装置及终端设备 | |
| CN108961183B (zh) | 图像处理方法、终端设备及计算机可读存储介质 | |
| CN108961267B (zh) | 图片处理方法、图片处理装置及终端设备 | |
| CN110266994B (zh) | 一种视频通话方法、视频通话装置及终端 | |
| CN108156452B (zh) | 一种检测传感器的方法、装置、设备及存储介质 | |
| CN109657543B (zh) | 人流量监控方法、装置及终端设备 | |
| CN112668577A (zh) | 大尺度图像中目标物体的检测方法、终端及装置 | |
| CN110166696B (zh) | 拍摄方法、装置、终端设备以及计算机可读存储介质 | |
| CN110163095B (zh) | 回环检测方法、回环检测装置及终端设备 | |
| CN108932703B (zh) | 图片处理方法、图片处理装置及终端设备 | |
| CN109873980B (zh) | 视频监控方法、装置及终端设备 | |
| CN111754435B (zh) | 图像处理方法、装置、终端设备及计算机可读存储介质 | |
| CN108776959B (zh) | 图像处理方法、装置及终端设备 | |
| CN109089040B (zh) | 图像处理方法、图像处理装置及终端设备 | |
| CN108763491B (zh) | 图片处理方法、装置及终端设备 | |
| CN111105440A (zh) | 视频中目标物体的跟踪方法、装置、设备及存储介质 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201002 |