CN109003272B - 图像处理方法、装置及系统 - Google Patents

图像处理方法、装置及系统 Download PDF

Info

Publication number
CN109003272B
CN109003272B CN201810833997.7A CN201810833997A CN109003272B CN 109003272 B CN109003272 B CN 109003272B CN 201810833997 A CN201810833997 A CN 201810833997A CN 109003272 B CN109003272 B CN 109003272B
Authority
CN
China
Prior art keywords
loss function
image
loss
initial
convolution network
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
CN201810833997.7A
Other languages
English (en)
Other versions
CN109003272A (zh
Inventor
杨松
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 Xiaomi Mobile Software Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software 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 Xiaomi Mobile Software Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to CN201810833997.7A priority Critical patent/CN109003272B/zh
Publication of CN109003272A publication Critical patent/CN109003272A/zh
Application granted granted Critical
Publication of CN109003272B publication Critical patent/CN109003272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

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

Abstract

本公开是关于一种图像处理方法、装置及系统，属于电子技术应用领域。该方法包括：基于至少两种损失函数对初始全卷积网络进行训练，得到全卷积网络；向终端发送全卷积网络，全卷积网络用于供终端对图像进行增强处理。本公开能解决现有的图像处理技术处理的图像质量较差的问题。本公开用于图像的处理。

Description

图像处理方法、装置及系统
技术领域
本公开涉及图像处理领域，特别涉及一种图像处理方法、装置及系统。
背景技术
终端，如手机的普及使得其拍照功能越来越受到用户的重视，用户对终端拍摄的图像质量也提出了更高的要求。
终端对其拍摄的图像进行处理的一般过程是获取待处理图像，然后通过终端中的各种滤波器对待处理图像进行处理，进而得到处理后的图像。
但是，由于目前的技术手段设计的滤波器存在缺陷，导致经过滤波处理获得的图像质量与用户要求的图像质量之间差距较大，因此，现有的图像处理技术处理的图像质量较差。
发明内容
本公开实施例提供了一种图像处理方法、装置及系统。能够解决现有的图像处理技术处理的图像质量较差的问题。所述技术方案如下：
根据本公开实施例的第一方面，提供一种图像处理方法，包括；
将待处理图像输入全卷积网络，所述全卷积网络基于至少两种损失函数训练得到；
接收所述全卷积网络输出的增强处理后的图像。
可选的，所述全卷积网络基于目标损失函数训练得到，所述目标损失函数满足损失函数确定公式为：
Figure BDA0001744090820000011
其中，所述L为目标损失函数，lx表示所述至少两种损失函数中第x个损失函数，wx表示第x个损失函数的权重，n表示损失函数的总数，n为大于1的整数。
可选的，所述至少两种损失函数包括：色彩误差函数、纹理误差函数和内容误差函数。
可选的，所述全卷积网络输入图像的尺寸与所述全卷积网络输出图像的尺寸相同。
根据本公开实施例的第二方面，提供一种图像处理方法，包括；
基于所述至少两种损失函数对初始全卷积网络进行训练，得到全卷积网络；
向终端发送所述全卷积网络，所述全卷积网络用于供所述终端对图像进行增强处理。
可选的，所述基于所述至少两种损失函数对初始全卷积网络进行训练，得到全卷积网络，包括：
基于所述至少两种损失函数，采用损失函数确定公式，计算目标损失函数；
基于所述目标损失函数对所述初始全卷积网络进行训练，得到所述全卷积网络；
所述损失函数确定公式为：
Figure BDA0001744090820000021
其中，所述L为目标损失函数，lx表示所述至少两种损失函数中第x个损失函数，wx表示第x个损失函数的权重，n表示损失函数的总数，n为大于1的整数。
可选的，所述基于所述至少两种损失函数，采用损失函数确定公式，计算目标损失函数，包括：
获取所述至少两种损失函数的多组初始权重；
将所述多组初始权重和所述至少两种损失函数代入所述损失函数确定公式，得到多个初始损失函数；
分别基于所述多个初始损失函数对所述初始全卷积网络进行训练，得到多个训练结果；
在所述多个训练结果中选择符合预设条件的目标训练结果；
将所述目标训练结果所对应的初始损失函数作为所述目标损失函数。
或者，所述基于所述至少两种损失函数，采用损失函数确定公式，计算目标损失函数，包括：
获取所述至少两种损失函数的一组初始权重；
将所述一组初始权重和所述至少两种损失函数代入所述损失函数确定公式，得到一个初始损失函数；
执行至少一次训练过程，直至得到符合预设条件的目标训练结果，将所述目标训练结果所对应的初始损失函数作为所述目标损失函数，所述训练过程包括：
基于当前的初始损失函数对所述初始全卷积网络进行训练，得到训练结果；
当所述训练结果中不符合预设条件时，调整所述初始损失函数的权重，基于调整后的初始损失函数再次执行所述训练过程。
可选的，所述至少两种损失函数包括：色彩误差函数、纹理误差函数和内容误差函数。
根据本公开实施例的第三方面，提供一种图像处理装置，包括：
输入模块，被配置为将待处理图像输入全卷积网络，所述全卷积网络基于至少两种损失函数训练得到；
第一接收模块，被配置为接收所述全卷积网络输出的增强处理后的图像。
可选的，所述全卷积网络基于目标损失函数训练得到，所述目标损失函数满足损失函数确定公式为：
Figure BDA0001744090820000031
其中，所述L为目标损失函数，lx表示所述至少两种损失函数中第x个损失函数，wx表示第x个损失函数的权重，n表示损失函数的总数，n为大于1的整数。
可选的，所述至少两种损失函数包括：色彩误差函数、纹理误差函数和内容误差函数。
可选的，所述全卷积网络输入图像的尺寸与所述全卷积网络输出图像的尺寸相同。
根据本公开实施例的第四方面，提供一种图像处理装置，包括：
训练模块，被配置为基于所述至少两种损失函数对初始全卷积网络进行训练，得到全卷积网络；
发送模块，被配置为向终端发送所述全卷积网络，所述全卷积网络用于供所述终端对图像进行增强处理。
可选的，所述训练模块，包括：
计算子模块，被配置为基于所述至少两种损失函数，采用损失函数确定公式，计算目标损失函数；
训练子模块，被配置为基于所述目标损失函数对所述初始全卷积网络进行训练，得到所述全卷积网络；
所述损失函数确定公式为：
Figure BDA0001744090820000041
其中，所述L为目标损失函数，lx表示所述至少两种损失函数中第x个损失函数，wx表示第x个损失函数的权重，n表示损失函数的总数，n为大于1的整数。
可选的，所述计算子模块，被配置为：
获取所述至少两种损失函数的多组初始权重；
将所述多组初始权重和所述至少两种损失函数代入所述损失函数确定公式，得到多个初始损失函数；
分别基于所述多个初始损失函数对所述初始全卷积网络进行训练，得到多个训练结果；
在所述多个训练结果中选择符合预设条件的目标训练结果；
将所述目标训练结果所对应的初始损失函数作为所述目标损失函数；
或者，所述计算子模块，被配置为：
获取所述至少两种损失函数的一组初始权重；
将所述一组初始权重和所述至少两种损失函数代入所述损失函数确定公式，得到一个初始损失函数；
执行至少一次训练过程，直至得到符合预设条件的目标训练结果，将所述目标训练结果所对应的初始损失函数作为所述目标损失函数，所述训练过程包括：
基于当前的初始损失函数对所述初始全卷积网络进行训练，得到训练结果；
当所述训练结果中不符合预设条件时，调整所述初始损失函数的权重，基于调整后的初始损失函数再次执行所述训练过程。
可选的，所述至少两种损失函数包括：色彩误差函数、纹理误差函数和内容误差函数。
根据本公开实施例的第五方面，提供一种图像处理装置，所述装置包括：
处理器；
用于存储所述处理器的可执行指令的存储器；
其中，所述处理器被配置为执行第一方面任一所述的图像处理方法；
或者，所述处理器被配置为执行第二方面任一所述的图像处理方法。
根据本公开实施例的第六方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述可读存储介质在处理组件上运行时，使得处理组件执行如第一方面任一所述的图像处理方法；
或者，使得处理组件执行如第二方面任一所述的图像处理方法；
根据本公开实施例的第七方面，提供一种图像处理系统，包括：终端和管理服务器，
所述终端包括第三方面任一所述的图像处理装置；
所述管理服务器包括第四方面任一所述的图像处理装置。
本公开的实施例提供的图像处理方法、装置及系统，由于可以基于至少两种损失函数对初始全卷积网络进行训练，得到全卷积网络，并将待处理图像输入全卷积网络中，由该全卷积网络对待处理图像进行增强处理，由于该全卷积网络是基于至少两种损失函数训练得到的，采用该全卷积网络处理后的图像，相较于现有的图像处理技术，有效提高了处理的图像的质量。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
为了更清楚地说明本公开的实施例，下面将对实施例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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据相关技术示出的一种图像处理方法所涉及的实施环境的示意图；
图2是根据一示例性实施例示出的一种图像处理方法的流程图；
图3是根据一示例性实施例示出另的一种图像处理方法的流程图；
图4是根据一示例性实施例示出再的一种图像处理方法的流程图；
图5是根据一示例性实施例示出的一种训练全卷积网络的流程图；
图6是根据一示例性实施例示出的另一种训练全卷积网络的流程图；
图7是根据一示例性实施例示出的再一种训练全卷积网络的流程图；
图8是根据一示例性实施例示出的一种初始图像的示意图；
图9是根据一示例性实施例示出的一种输出图像的示意图；
图10是根据一示例性实施例示出的一种图像处理装置的框图；
图11是根据一示例性实施例示出的另一种图像处理装置的框图；
图12是根据一示例性实施例示出的再一种图像处理装置的框图；
图13是根据一示例性实施例示出的又一种图像处理装置的框图；
图14是根据另一示例性实施例示出的一种图像处理装置的框图；
图15是根据另一示例性实施例示出的另一种图像处理装置的框图；
图16是根据另一示例性实施例示出的再一种图像处理装置的框图；
图17是根据一示例性实施例示出的一种用于图像处理装置的框图；
图18是根据一示例性实施例示出的另一种用于图像处理装置的框图。
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开作进一步地详细描述，显然，所描述的实施例仅仅是本公开一部份实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。
随着诸如手机等终端在现代生活中的逐渐普及，用户对其拍摄的图像质量提出了更高的要求，现有的图像处理任务一般是用终端中的各种滤波器来完成，但是由于技术手段的不成熟，导致使用现有的技术手段设计的滤波器处理的图像质量较差。
请参考图1，图1示出了本公开实施例中提供的图像处理方法所涉及的实施环境的示意图。该实施环境可以包括：管理服务器110和至少一个终端120。
管理服务器110可以是一台服务器，或者由若干台服务器组成的服务器集群，或者是一个云计算服务中心。终端120可以为智能手机、电脑、相机、电子阅读器等具有图像处理功能的装置。
管理服务器110和终端120之间可以通过有线网络或无线网络建立连接。
本公开实施例提供的图像处理方法可以提升图像质量，该方法可以应用于如图1所示的终端，如图2所示，该方法包括：
步骤201、将待处理图像输入全卷积网络，该全卷积网络基于至少两种损失函数训练得到。
步骤202、接收全卷积网络输出的增强处理后的图像。
本公开实施例提供的图像处理方法，可以将待处理图像输入全卷积网络中，由该全卷积网络对待处理图像进行增强处理，由于该全卷积网络是基于至少两种损失函数训练得到的，采用该全卷积网络处理后的图像，相较于现有的图像处理技术，有效提高了获得的图像的质量。
本公开实施例提供的图像处理方法可以提升图像质量，该方法可以应用于如图1所示的管理服务器，如图3所示，该方法包括：
步骤301、基于至少两种损失函数对初始全卷积网络进行训练，得到全卷积网络。
步骤302、向终端发送全卷积网络，该全卷积网络用于供终端对图像进行增强处理。
本公开实施例提供的图像处理方法，由于可以基于至少两种损失函数对初始全卷积网络进行训练，得到全卷积网络，该全卷积网络用于供终端对图像进行增强处理，相较于现有的图像处理技术，有效提高了获得的图像的质量。
本公开实施例提供一种图像处理方法，终端通过全卷积网络对图像进行处理，该全卷积网络可以是终端从管理服务器获取，也可以是终端通过其他专有的通道获取，其中，当全卷积网络为从管理服务器获取时，该全卷积网络可以是管理服务器从其他服务器获取，也可以是管理服务器自行训练获得的，本公开对此不做限定，本公开实施例以管理服务器自行训练全卷积网络，并将该全卷积网络提供给终端为例进行说明。此时该方法可以应用于如图1所示的实施环境。如图4所示，该方法包括：
步骤401、管理服务器基于至少两种损失函数对初始全卷积网络进行训练，得到全卷积网络。
在本公开实施例中，全卷积网络的训练是基于至少两种损失函数实现的，该至少两种损失函数包括：色彩误差函数、纹理误差函数和内容误差函数。需要说明的是，全卷积网络还可以基于其他损失函数进行训练，上述至少两种损失函数只是示意性说明，本公开对此不作限定。
示例的，在色彩误差函数的确定过程中，首先对全卷积网络的输出图像O和目标图像T(英文：groundtruth，即标准图像)进行高斯模糊处理，该输出图像O为用于训练全卷积网络的参考图像M输入初始全卷积网络所得到的图像，目标图像T为已经确定好的标准图像，对二者进行高斯模糊处理，得到的高斯模糊处理后的输出图像为O′和高斯模糊处理后的目标图像为T′，色彩误差则为图像O′和图像T′之间的欧氏距离，则色彩误差函数的确定公式为：
Figure BDA0001744090820000081
其中，N为高斯模糊处理后的输出图像O′的像素个数(高斯模糊处理后的目标图像T′的像素个数也是N)，pi为高斯模糊处理后的输出图像O′的第i个像素，
Figure BDA0001744090820000082
为高斯模糊处理后的目标图像T′的第i个像素，图像O′和图像T′的像素排布方式相同，也即是两者的第i个像素在图像中的位置相同，
Figure BDA0001744090820000083
表示图像T′的第i个像素值与图像O′的第i个像素值之间差值的2范数的平方值。
示例的，纹理误差函数的确定是通过生成对抗性网络(英文：GenerativeAdversarialNetworks，缩写：GAN)来实现的，它的优化能让由它训练的全卷积网络处理的图像更加接近真实的图像，纹理误差函数的确定公式如下：
Figure BDA0001744090820000084
其中，S为预处理之后的图像,该预处理过程是指分别对参考图像M中的每个色彩通道的数据进行标准差标准化处理，该标准差标准化处理包括减均值处理和除方差处理，简称标准化处理，或者z-score标准化(英文：zero-meannormalization),该处理过程可以使图像中的数据符合标准正态分布，更易于后续的数据处理，参考图像M的色彩通道通常指的是该图像的红绿蓝三个颜色通道，T为目标图像，E()为期望，G()为对抗性网络中的生成模型，用于提取预处理之后图像S的纹理特征，D()为对抗性网络中的判别模型，用于判断提取的预处理之后的图像S的纹理特征是否为期望的纹理特征。
示例的，内容误差函数的确定公式如下：
Figure BDA0001744090820000085
其中，O为对用于训练全卷积网络的参考图像M输入初始全卷积网络后获得的输出图像，T为目标图像，VGG()表示提取输出图像O和目标图像T的图像特征,
Figure BDA0001744090820000091
表示对输出图像O和目标图像T的图像特征值差值的2范数求平方。
在实施过程中，管理服务器通过步两个步骤去训练全卷积网络，其过程如图5所示的步骤4011和4012：
步骤4011、基于至少两种损失函数，采用损失函数确定公式，计算目标损失函数。
该损失函数的确定公式为：
Figure BDA0001744090820000092
其中，L为目标损失函数，lx表示至少两种损失函数中第x个损失函数，wx表示第x个损失函数的权重，n表示损失函数的个数，n为大于1的整数。本公开实施例以以下两种目标损失函数的确定过程为例进行说明：
如图6所示，第一种目标损失函数的确定过程包括：
步骤A1、获取至少两种损失函数的多组初始权重，初始权重可以为全卷积网络训练时预先设定好的值。
步骤A2、将多组初始权重和至少两种损失函数代入损失函数确定公式，得到多个初始损失函数。
示例的，假设n＝2，第一个损失函数L1为色彩误差函数Lcolor，且预先设定的色彩误差函数权重为w1-1，第二个损失函数L2为纹理误差函数Ltexture，且预先设定的纹理误差函数权重为w1-2，则第一初始损失函数为:
L1＝w1-1Lcolor+w1-2Ltexture；
同理，当第一个损失函数L1为色彩误差函数Lcolor，且预先设定的色彩误差函数权重为w2-1，第二个损失函数L2为内容误差函数Lcontent，且预先设定的内容误差函数权重为w2-2时，第二初始损失函数为:
L2＝w2-1Lcolor+w2-2Lcontent；
当第一个损失函数L1为纹理误差函数Ltexture，且预先设定的纹理误差函数权重为w3-1，第二个损失函数L2为内容误差函数Lcontent，且预先设定的内容误差函数权重为w3-2时，第三初始损失函数为:
L3＝w3-1Ltexture+w3-2Lcontent；
假设n＝3，第一个损失函数L1为色彩误差函数Lcolor，且预先设定的色彩误差函数权重为w4-1，第二个损失函数L2为纹理误差函数Ltexture，且预先设定的纹理误差函数权重为w4-2，第三个损失函数L3为内容误差函数Lcontent，且预先设定的内容误差函数权重为w4-3，则第四初始损失函数为:
L4＝w4-1Lcolor+w4-2Ltexture+w4-3Lcontent。
步骤A3、分别基于多个初始损失函数对初始全卷积网络进行训练，得到多个训练结果。
参见上述步骤A2，将由步骤A2所得到的四个初始损失函数用于训练全卷积网络，得到四个不同的全卷积网络C1、C2、C3、C4。
步骤A4、在多个训练结果中选择符合预设条件的目标训练结果。
参见上述步骤A3，将参考图像M输入由步骤A3所获得的四个全卷积网络中，得到输出图像O1、O2、O3、O4，分别将其与目标图像T进行比对，将比对结果符合预设条件的输出图像Om对应的全卷积网络Cm确定为目标训练结果,其中，m取1、2、3、或4。
步骤A5、将目标训练结果所对应的初始损失函数作为目标损失函数。
示例的，假设经过步骤A4判定出由步骤A3所获得的四个全卷积网络中，m取3时，经过全卷积网络C3处理得到的输出图像O3最接近目标图像T,则将用于训练全卷积网络C3的第三初始损失函数L3确定为目标损失函数，则目标损失函数为:
L3＝w3-1Ltexture+w3-2Lcontent。
如图7所示，第二种目标损失函数的确定过程包括：
步骤B1、获取至少两种损失函数的一组初始权重，初始权重可以为全卷积网络训练时预先设定好的值。
步骤B2、将一组初始权重和至少两种损失函数代入损失函数确定公式，得到一个初始损失函数。
此处以得到的一个初始损失函数为L5-1为例进行说明，假设得到的L5-1为：
L5-1＝w1-1Lcolor+w2-1Ltexture+w3-1Lcontent；
其中，第一个损失函数L1为色彩误差函数Lcolor,且预先设定的色彩误差函数权重为W1-1，第二个损失函数L2为纹理误差函数Ltexture，且预先设定的纹理误差函数权重为W2-1，第三个损失函数L3为内容误差函数Lcontent，且预先设定的内容误差函数权重为W3-1。
步骤B3、执行至少一次训练过程，直至得到符合预设条件的目标训练结果，将目标训练结果所对应的初始损失函数作为目标损失函数，训练过程包括：
基于当前的初始损失函数对初始全卷积网络进行训练，得到训练结果。在实施过程中，采用步骤B2所得到的L5-1去训练全卷积网络，得到一个训练结果C5-1，将参考图像M输入得到的全卷积网络C5-1中得到一个输出图像O5-1，将其与目标图像T进行比对，若符合预设条件，则将全卷积网络C5-1对应的初始损失函数L5-1确定为目标损失函数。
当训练结果中不符合预设条件时，调整初始损失函数的权重，基于调整后的初始损失函数再次执行训练过程。
假设得到一个训练结果C5-1处理的参考图像M与目标图像T的比对结果不符合预设条件时，则需要调整L5-1的权重，获得新的初始损失函数为L5-d：
L5-d＝w1-dLcolor+w2-dLtexture+w3-dLcontent；
其中，第一个损失函数L1为色彩误差函数Lcolor,且预先设定的色彩误差函数权重为W1-d,第二个损失函数L2为纹理误差函数Ltexture，且预先设定的纹理误差函数权重为W2-d，第三个损失函数L3为内容误差函数Lcontent，且预先设定的内容误差函数权重为W3-d,其中，d表示训练次数，d取大于或等于1的整数。
采用新的初始损失函数去训练全卷积网络，直至训练出的全卷积网络C5-d处理的参考图像M与目标图像T的比对结果符合预设条件，将初始损失函数L5-d确定为目标损失函数，其中d表示训练次数，d取大于或等于1的整数。
需要说明的是，本公开实施中第二种目标损失函数的确定过程是以初始损失函数为L5-d为例进行说明的，若获得的初始损失函数为以下函数中的一个时，目标损失函数的确定方法请参见步骤B1至B3,其中d表示训练次数，d取大于或等于1的整数：
L6-d＝w1-dLcolor+w2-dLtexture；
L7-d＝w1-dLcolor+w2-dLcontent；
L8-d＝w1-dLtexture+w2-dLcontent；
其中，L6-d表示第一个损失函数L1为色彩误差函数Lcolor,且预先设定的色彩误差函数权重为W1-d,第二个损失函数L2为纹理误差函数Ltexture，且预先设定的纹理误差函数权重为W2-d时，经过d次训练后获得的目标损失函数；
L7-d表示第一个损失函数L1为色彩误差函数Lcolor,且预先设定的色彩误差函数权重为W1-d,第二个损失函数L2为内容误差函数Lcontent，且预先设定的内容误差函数权重为W2-d时，经过d次训练后获得的目标损失函数；
L8-d表示第一个损失函数L1为纹理误差函数Ltexture，且预先设定的纹理误差函数权重为W1-d，第二个损失函数L2为内容误差函数Lcontent，且预先设定的内容误差函数权重为W2-d时，经过d次训练后获得的目标损失函数。
步骤4012、基于目标损失函数对初始全卷积网络进行训练，得到全卷积网络。
请参见步骤4011，采用步骤4011中得到的目标损失函数去训练全卷积网络，得到所要获得的全卷积网络，在训练过程中，全卷积网络输入图像的尺寸与输出图像的尺寸相同，这可以保证在全卷积网络的训练过程中，不需要对输入图像或者输出图像进行缩小、剪裁或放大等尺寸变换上的处理，简化了全卷积网络的训练过程。
步骤402、管理服务器向终端发送全卷积网络，该全卷积网络用于供终端对图像进行增强处理。
步骤403、终端获取初始图像。
终端在接收到管理服务器发送的全卷积网络后，可以获取需要进行处理的初始图像，终端可以从其自身图库中获取初始图像，也可以通过拍摄图片来实时获取需要进行处理的初始图像。
步骤404、终端将初始图像进行预处理，得到待处理图像。
在实施过程中，终端获取初始图像中具有至少两种色彩通道的数据，终端在对其获取的数据进行增强处理前，通常先会对其进行预处理，即分别对该初始图像中的每个色彩通道的数据进行标准差标准化处理，使得得到待处理图像中的数据符合标准正态分布，图像对至少两种色彩通道的数据进行标准差标准化处理可以使这些数据便于全卷积网络的处理，减少数据处理时长，提高图像处理的速度。
步骤405、终端将待处理图像输入全卷积网络。
在实施过程中，终端将待处理图像输入全卷积网络，经过该全卷积网络处理的图像就是增强处理后的图像，由于该全卷积网络基于至少两种损失函数训练得到，该训练步骤请参见上述步骤401，因此可以提取到更多的图像特征，提高了获得的图像的质量，同时该全卷积网络可以对任意尺寸的图像进行增强处理，降低了其对待处理图像的尺寸大小的要求，提高了图像处理的灵活性。
步骤406、终端接收全卷积网络输出的增强处理后的图像。
本公开实施例以初始图像为图8终端中所示图像为例，对其通过用步骤401至405方法进行图像增强处理后获得的输出图像如图9终端中的图像所示，图9中所示的图像的显示效果较图8所示的图像的显示效果更佳。
综上所述,公开实施例提供的图像增强方法，由于管理服务器基于至少两种损失函数对初始全卷积网络进行训练，得到全卷积网络，并向终端发送该全卷积网络，该全卷积网络用于供终端对图像进行增强处理，终端在接收到管理服务器发送的全卷积网络后，将待处理图像输入全卷积网络进行图像处理，经过全卷积网络处理的输出图像就为增强处理后的图像，相较于现有的图像处理技术，有效提高了获得的图像的质量。
本公开实施例提供一种图像处理装置50，该装置可以应用于终端，如图10所示，装置50包括：
输入模块501，被配置为将待处理图像输入全卷积网络，该全卷积网络基于至少两种损失函数训练得到；
第一接收模块502，被配置为接收全卷积网络输出的增强处理后的图像。
综上所述，本公开实施例提供的图像处理装置，输入模块可以将待处理图像输入全卷积网络中，由该全卷积网络对待处理图像进行增强处理，第一接收模块可以接收该全卷积网络输出的增强处理后的图像，由于该全卷积网络是基于至少两种损失函数训练得到的，采用该全卷积网络处理后的图像，相较于现有的图像处理技术，有效提高了获得的图像的质量。
可选的，如图11所示，装置50还包括：
第二接收模块503，被配置为接收管理服务器发送的全卷积网络。
可选的，全卷积网络基于目标损失函数训练得到，目标损失函数满足损失函数确定公式为：
Figure BDA0001744090820000131
其中，L为目标损失函数，lx表示至少两种损失函数中第x个损失函数，wx表示第x个损失函数的权重，n表示损失函数的总数，n为大于1的整数。
可选的，至少两种损失函数包括：色彩误差函数、纹理误差函数和内容误差函数。
可选的，如图12所示，装置50还包括：
预处理模块504，被配置为将初始图像进行预处理，得到待处理图像。
可选的，初始图像中具有至少两种色彩通道的数据；
预处理模块504，被配置为：
分别对初始图像中的每个色彩通道的数据进行标准差标准化处理，得到待处理图像。
可选的，全卷积网络输入图像的尺寸与全卷积网络输出图像的尺寸相同。
综上所述，本公开实施例提供的图像处理装置，第二接收模块可以接收管理服务器发送的全卷积网络，输入模块将对初始图像经过预处理模块处理后获得的待处理图像输入全卷积网络进行增强处理，第一接收模块可以接收该全卷积网络输出的增强处理后的图像，由于该全卷积网络是基于至少两种损失函数训练得到的，采用该全卷积网络处理后的图像，相较于现有的图像处理技术，有效提高了获得的图像的质量。
本公开实施例提供一种图像处理装置60，该装置可以应用于管理服务器，如图13所示，装置60包括：
训练模块601，被配置为基于至少两种损失函数对初始全卷积网络进行训练，得到全卷积网络；
发送模块602，被配置为向终端发送全卷积网络，该全卷积网络用于供终端对图像进行增强处理。
综上所述，本公开实施例提供的图像处理装置，由于训练模块可以基于至少两种损失函数对初始全卷积网络进行训练，得到全卷积网络，发送模块向终端发送该全卷积网络，该全卷积网络用于供终端对图像进行增强处理，相较于现有的图像处理技术，有效提高了获得的图像的质量。
可选的，如图14所示，训练模块601包括：
计算子模块6011，被配置为基于至少两种损失函数，采用损失函数确定公式，计算目标损失函数；
训练子模块6012，被配置为基于目标损失函数对初始全卷积网络进行训练，得到全卷积网络；
损失函数确定公式为：
Figure BDA0001744090820000151
其中，L为目标损失函数，lx表示至少两种损失函数中第x个损失函数，wx表示第x个损失函数的权重，n表示损失函数的总数，n为大于1的整数。
可选的，计算子模块6011，被配置为：
获取至少两种损失函数的多组初始权重；
将多组初始权重和至少两种损失函数代入损失函数确定公式，得到多个初始损失函数；
分别基于多个初始损失函数对初始全卷积网络进行训练，得到多个训练结果；
在多个训练结果中选择符合预设条件的目标训练结果；
将目标训练结果所对应的初始损失函数作为目标损失函数。
可选的，计算子模块6011，被配置为：
获取至少两种损失函数的一组初始权重；
将一组初始权重和至少两种损失函数代入损失函数确定公式，得到一个初始损失函数；
执行至少一次训练过程，直至得到符合预设条件的目标训练结果，将目标训练结果所对应的初始损失函数作为目标损失函数，训练过程包括：
基于当前的初始损失函数对初始全卷积网络进行训练，得到训练结果；
当训练结果中不符合预设条件时，调整初始损失函数的权重，基于调整后的初始损失函数再次执行训练过程。
可选的，至少两种损失函数包括：色彩误差函数、纹理误差函数和内容误差函数。
可选的，全卷积网络输入图像的尺寸与全卷积网络输出图像的尺寸相同。
综上所述，本公开实施例提供的图像处理装置，由于训练模块可以基于至少两种损失函数对初始全卷积网络进行训练，得到全卷积网络，发送模块向终端发送该全卷积网络，该全卷积网络用于供终端对图像进行增强处理，相较于现有的图像处理技术，有效提高了获得的图像的质量。
本公开实施例提供一种图像处理装置70，应用于终端，如图15所示，装置70包括：
处理器701；
用于存储处理器的可执行指令的存储器702；
其中，处理器被配置为执行上述实施例提供的终端所执行的图像处理方法。
本公开实施例提供一种图像处理装置80，应用于管理服务器，如图16所示，装置80包括：
处理器801；
用于存储处理器的可执行指令的存储器802；
其中，处理器被配置为执行上述实施例提供的管理服务器所执行的图像处理方法。
本公开实施例提供一种图像处理系统，该系统包括：终端和管理服务器，
终端包括图10至图12任一所示的图像处理装置50；
管理服务器包括图13所示的图像处理装置60。
或者，终端包括图15所示的图像处理装置70，管理服务器包括图16所示的图像处理装置80。
图17是根据一示例性实施例示出的一种用于图像处理的装置900的框图。例如，装置900可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图17，装置900可以包括以下一个或多个组件：处理组件9002，存储器9004，电源组件9006，多媒体组件9008，音频组件9010，输入/输出(I/O)的接口9012，传感器组件9014，以及通信组件9016。
处理组件9002通常控制装置900的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件9002可以包括一个或多个处理器9020来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件9002可以包括一个或多个模块，便于处理组件9002和其他组件之间的交互。例如，处理组件9002可以包括多媒体模块，以方便多媒体组件9008和处理组件9002之间的交互。
存储器9004被配置为存储各种类型的数据以支持在装置900的操作。这些数据的示例包括用于在装置900上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器9004可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件9006为装置900的各种组件提供电力。电源组件9006可以包括电源管理系统，一个或多个电源，及其他与为装置900生成、管理和分配电力相关联的组件。
多媒体组件9008包括在装置900和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件9008包括一个前置摄像头和/或后置摄像头。当装置900处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件9010被配置为输出和/或输入音频信号。例如，音频组件9010包括一个麦克风(MIC)，当装置900处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器9004或经由通信组件9016发送。在一些实施例中，音频组件9010还包括一个扬声器，用于输出音频信号。
I/O接口9012为处理组件9002和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件9014包括一个或多个传感器，用于为装置900提供各个方面的状态评估。例如，传感器组件9014可以检测到装置900的打开/关闭状态，组件的相对定位，例如组件为装置900的显示器和小键盘，传感器组件9014还可以检测装置900或装置900一个组件的位置改变，用户与装置900接触的存在或不存在，装置900方位或加速/减速和装置900的温度变化。传感器组件9014可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件9014还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件9014还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件9016被配置为便于装置900和其他设备之间有线或无线方式的通信。装置900可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件9016经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件9016还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置900可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器9004，上述指令可由装置900的处理器9020执行以完成上述方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质，当存储介质中的指令由装置900的处理器执行时，使得装置900能够执行本公开实施例提供的一种图像处理方法。
图18是根据一示例性实施例示出的一种用于图像处理的装置00的框图。例如，装置00可以被提供为一服务器。参照图18，装置00包括处理组件022，其进一步包括一个或多个处理器，以及由存储器032所代表的存储器资源，用于存储可由处理组件022执行的指令，例如应用程序。存储器032中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件022被配置为执行指令，以执行上述图像处理方法。
装置00还可以包括一个电源组件026被配置为执行装置00的电源管理，一个有线或无线网络接口050被配置为将装置00连接到网络，和一个输入输出(I/O)接口058。装置00可以操作基于存储在存储器032的操作系统，例如WindowsServerTM，MacOSXTM，UnixTM,LinuxTM，FreeBSDTM或类似。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (15)

1.一种图像处理方法，其特征在于，包括：
将待处理图像输入全卷积网络，所述全卷积网络基于目标损失函数训练得到，所述目标损失函数基于至少两种损失函数训练得到，所述目标损失函数满足的损失函数确定公式为：
Figure FDA0002636365360000011
其中，所述L为目标损失函数，lx表示所述至少两种损失函数中第x个损失函数，wx表示第x个损失函数的权重，n表示损失函数的总数，n为大于1的整数，所述至少两种损失函数包括内容误差函数，所述内容误差函数用于表示对输出图像和目标图像的图像特征值差值的2范数求平方；
接收所述全卷积网络输出的增强处理后的图像。
2.根据权利要求1所述的方法，其特征在于，
所述至少两种损失函数还包括：色彩误差函数和纹理误差函数。
3.根据权利要求1或2所述的方法，其特征在于，所述全卷积网络输入图像的尺寸与所述全卷积网络输出图像的尺寸相同。
4.一种图像处理方法，其特征在于，包括：
基于至少两种损失函数，采用损失函数确定公式，计算目标损失函数；
基于所述目标损失函数对初始全卷积网络进行训练，得到全卷积网络；所述损失函数确定公式为：
Figure FDA0002636365360000012
其中，所述L为目标损失函数，lx表示所述至少两种损失函数中第x个损失函数，wx表示第x个损失函数的权重，n表示损失函数的总数，n为大于1的整数，所述至少两种损失函数包括内容误差函数，所述内容误差函数用于表示对输出图像和目标图像的图像特征值差值的2范数求平方；
向终端发送所述全卷积网络，所述全卷积网络用于供所述终端对图像进行增强处理。
5.根据权利要求4所述的方法，其特征在于，
所述基于至少两种损失函数，采用损失函数确定公式，计算目标损失函数，包括：
获取所述至少两种损失函数的多组初始权重；
将所述多组初始权重和所述至少两种损失函数代入所述损失函数确定公式，得到多个初始损失函数；
分别基于所述多个初始损失函数对所述初始全卷积网络进行训练，得到多个训练结果；
在所述多个训练结果中选择符合预设条件的目标训练结果；
将所述目标训练结果所对应的初始损失函数作为所述目标损失函数；
或者，所述基于所述至少两种损失函数，采用损失函数确定公式，计算目标损失函数，包括：
获取所述至少两种损失函数的一组初始权重；
将所述一组初始权重和所述至少两种损失函数代入所述损失函数确定公式，得到一个初始损失函数；
执行至少一次训练过程，直至得到符合预设条件的目标训练结果，将所述目标训练结果所对应的初始损失函数作为所述目标损失函数，所述训练过程包括：
基于当前的初始损失函数对所述初始全卷积网络进行训练，得到训练结果；
当所述训练结果中不符合预设条件时，调整所述初始损失函数的权重，基于调整后的初始损失函数再次执行所述训练过程。
6.根据权利要求4所述的方法，其特征在于，
所述至少两种损失函数还包括：色彩误差函数和纹理误差函数。
7.一种图像处理装置，其特征在于，包括：
输入模块，被配置为将待处理图像输入全卷积网络，所述全卷积网络基于目标损失函数训练得到，所述目标损失函数基于至少两种损失函数训练得到，所述目标损失函数满足的损失函数确定公式为：
Figure FDA0002636365360000021
其中，所述L为目标损失函数，lx表示所述至少两种损失函数中第x个损失函数，wx表示第x个损失函数的权重，n表示损失函数的总数，n为大于1的整数，所述至少两种损失函数包括内容误差函数，所述内容误差函数用于表示对输出图像和目标图像的图像特征值差值的2范数求平方；
第一接收模块，被配置为接收所述全卷积网络输出的增强处理后的图像。
8.根据权利要求7所述的装置，其特征在于，
所述至少两种损失函数还包括：色彩误差函数和纹理误差函数。
9.根据权利要求7或8所述的装置，其特征在于，所述全卷积网络输入图像的尺寸与所述全卷积网络输出图像的尺寸相同。
10.一种图像处理装置，其特征在于，包括：
计算子模块，被配置为基于至少两种损失函数，采用损失函数确定公式，计算目标损失函数；
训练子模块，被配置为基于所述目标损失函数对初始全卷积网络进行训练，得到全卷积网络；所述损失函数确定公式为：
Figure FDA0002636365360000031
其中，所述L为目标损失函数，lx表示所述至少两种损失函数中第x个损失函数，wx表示第x个损失函数的权重，n表示损失函数的总数，n为大于1的整数，所述至少两种损失函数包括内容误差函数，所述内容误差函数用于表示对输出图像和目标图像的图像特征值差值的2范数求平方；
发送模块，被配置为向终端发送所述全卷积网络，所述全卷积网络用于供所述终端对图像进行增强处理。
11.根据权利要求10所述的装置，其特征在于，所述计算子模块，被配置为：
获取所述至少两种损失函数的多组初始权重；
将所述多组初始权重和所述至少两种损失函数代入所述损失函数确定公式，得到多个初始损失函数；
分别基于所述多个初始损失函数对所述初始全卷积网络进行训练，得到多个训练结果；
在所述多个训练结果中选择符合预设条件的目标训练结果；
将所述目标训练结果所对应的初始损失函数作为所述目标损失函数；
或者，所述计算子模块，被配置为：
获取所述至少两种损失函数的一组初始权重；
将所述一组初始权重和所述至少两种损失函数代入所述损失函数确定公式，得到一个初始损失函数；
执行至少一次训练过程，直至得到符合预设条件的目标训练结果，将所述目标训练结果所对应的初始损失函数作为所述目标损失函数，所述训练过程包括：
基于当前的初始损失函数对所述初始全卷积网络进行训练，得到训练结果；
当所述训练结果中不符合预设条件时，调整所述初始损失函数的权重，基于调整后的初始损失函数再次执行所述训练过程。
12.根据权利要求10所述的装置，其特征在于，所述至少两种损失函数还包括：色彩误差函数和纹理误差函数。
13.一种图像处理装置，其特征在于，所述装置包括：
处理器；
用于存储所述处理器的可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1至3任一所述的图像处理方法；
或者，所述处理器被配置为执行权利要求4至6任一所述的图像处理方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述可读存储介质在处理组件上运行时，使得处理组件执行如权利要求1至3任一所述的图像处理方法；
或者，使得处理组件执行如权利要求4至6任一所述的图像处理方法。
15.一种图像处理系统，其特征在于，包括：终端和管理服务器，
所述终端包括权利要求7至9任一所述的图像处理装置；
所述管理服务器包括权利要求10至12任一所述的图像处理装置。
CN201810833997.7A 2018-07-26 2018-07-26 图像处理方法、装置及系统 Active CN109003272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810833997.7A CN109003272B (zh) 2018-07-26 2018-07-26 图像处理方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810833997.7A CN109003272B (zh) 2018-07-26 2018-07-26 图像处理方法、装置及系统

Publications (2)

Publication Number Publication Date
CN109003272A CN109003272A (zh) 2018-12-14
CN109003272B true CN109003272B (zh) 2021-02-09

Family

ID=64597926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810833997.7A Active CN109003272B (zh) 2018-07-26 2018-07-26 图像处理方法、装置及系统

Country Status (1)

Country Link
CN (1) CN109003272B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800807B (zh) * 2019-01-18 2021-08-31 北京市商汤科技开发有限公司 分类网络的训练方法及分类方法和装置、电子设备
CN110210524B (zh) * 2019-05-13 2023-05-02 东软医疗系统股份有限公司 一种图像增强模型的训练方法、图像增强方法及装置
CN112562069B (zh) * 2020-12-24 2023-10-27 北京百度网讯科技有限公司 三维模型的构造方法、装置、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103590A (zh) * 2017-03-22 2017-08-29 华南理工大学 一种基于深度卷积对抗生成网络的图像反射去除方法
CN107403415A (zh) * 2017-07-21 2017-11-28 深圳大学 基于全卷积神经网络的压缩深度图质量增强方法及装置
CN107590786A (zh) * 2017-09-08 2018-01-16 深圳市唯特视科技有限公司 一种基于对抗学习网络的图像增强方法
CN107993210A (zh) * 2017-11-30 2018-05-04 北京小米移动软件有限公司 图像修复方法、装置及计算机可读存储介质
CN108230240A (zh) * 2017-12-31 2018-06-29 厦门大学 一种基于深度学习获取图像城市范围内位置及姿态的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9569864B2 (en) * 2014-09-12 2017-02-14 Siemens Aktiengesellschaft Method and apparatus for projection image generation from tomographic images
US10032256B1 (en) * 2016-11-18 2018-07-24 The Florida State University Research Foundation, Inc. System and method for image processing using automatically estimated tuning parameters

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103590A (zh) * 2017-03-22 2017-08-29 华南理工大学 一种基于深度卷积对抗生成网络的图像反射去除方法
CN107403415A (zh) * 2017-07-21 2017-11-28 深圳大学 基于全卷积神经网络的压缩深度图质量增强方法及装置
CN107590786A (zh) * 2017-09-08 2018-01-16 深圳市唯特视科技有限公司 一种基于对抗学习网络的图像增强方法
CN107993210A (zh) * 2017-11-30 2018-05-04 北京小米移动软件有限公司 图像修复方法、装置及计算机可读存储介质
CN108230240A (zh) * 2017-12-31 2018-06-29 厦门大学 一种基于深度学习获取图像城市范围内位置及姿态的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Aesthetic-Driven Image Enhancement by Adversarial Learning》;Yubin Deng等;《arXiv.org》;20170717;第1-9页 *
《UnitBox_ An Advanced Object Detection Network》;Jiahui Yu等;《arXiv.org》;20160804;第1-5页 *

Also Published As

Publication number Publication date
CN109003272A (zh) 2018-12-14

Similar Documents

Publication Publication Date Title
CN106331504B (zh) 拍摄方法及装置
WO2016011745A1 (zh) 图像分割方法、装置及设备
CN108154465B (zh) 图像处理方法及装置
US20210390341A1 (en) Image denoising model training method, imaging denoising method, devices and storage medium
CN107944367B (zh) 人脸关键点检测方法及装置
CN107967459B (zh) 卷积处理方法、装置及存储介质
CN108154466B (zh) 图像处理方法及装置
CN109003272B (zh) 图像处理方法、装置及系统
CN110569822A (zh) 图像处理方法及装置、电子设备和存储介质
CN109784164B (zh) 前景识别方法、装置、电子设备及存储介质
CN111340731A (zh) 图像处理方法及装置、电子设备和存储介质
CN112188091B (zh) 人脸信息识别方法、装置、电子设备及存储介质
CN110944230A (zh) 视频特效的添加方法、装置、电子设备及存储介质
US11222235B2 (en) Method and apparatus for training image processing model, and storage medium
CN113707134A (zh) 一种模型训练方法、装置和用于模型训练的装置
CN109145878B (zh) 图像提取方法及装置
CN107730443B (zh) 图像处理方法、装置及用户设备
CN114143471B (zh) 图像处理方法、系统、移动终端及计算机可读存储介质
CN113689362B (zh) 图像处理方法及装置、电子设备和存储介质
CN115953339A (zh) 图像融合处理方法、装置、设备、存储介质及芯片
CN105653623B (zh) 图片收集方法及装置
CN113315904B (zh) 拍摄方法、拍摄装置及存储介质
CN108062787B (zh) 三维人脸建模方法及装置
CN107025638B (zh) 图像处理的方法及装置
CN116347248B (zh) 图像获取方法和装置、电子设备、介质及芯片

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