CN109118430B - 超分辨率图像重建方法及装置、电子设备及存储介质 - Google Patents
超分辨率图像重建方法及装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109118430B CN109118430B CN201810974986.0A CN201810974986A CN109118430B CN 109118430 B CN109118430 B CN 109118430B CN 201810974986 A CN201810974986 A CN 201810974986A CN 109118430 B CN109118430 B CN 109118430B
- Authority
- CN
- China
- Prior art keywords
- frame
- feature
- images
- image
- intra
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 238000010586 diagram Methods 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 29
- 230000006872 improvement Effects 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Processing (AREA)
Abstract
本公开涉及超分辨率图像重建方法及装置、电子设备及存储介质。该方法包括:获取多帧输入图像;对所述多帧输入图像进行特征提取,得到所述多帧输入图像间的联合特征图;基于所述联合特征图进行图像重建,得到所述多帧输入图像的目标图像。本公开通过融合多帧输入图像的特征信息,能够获取更高质量的高分辨率图像。
Description
技术领域
本公开涉及计算机视觉技术领域,尤其涉及一种超分辨率图像重建方法及装置、电子设备及存储介质。
背景技术
超分辨率图像重建是指通过低分辨率图像得到高分辨率图像的过程,通常情况下,受限于电子设备的数据采集能力以及流媒体的传输带宽,终端无法直接接收高分辨率的图像或视频。因此,如果不进行超分辨率图像重建,则用户无法观看到高清质量的画面。因此,如何进行超分辨率图像重建以获得更高质量的高分辨率图像是亟待解决的问题。
发明内容
有鉴于此,本公开提出了一种超分辨率图像重建技术方案。
根据本公开的一方面,提供了超分辨率图像重建方法,包括:
获取多帧输入图像;
对所述多帧输入图像进行特征提取,得到所述多帧输入图像间的联合特征图;
基于所述联合特征图进行图像重建,得到所述多帧输入图像的目标图像。
在一种可能的实现方式中,所述对所述多帧输入图像进行特征提取,得到所述多帧输入图像间的联合特征图,包括:
对所述多帧输入图像进行帧内特征提取,得到与所述多帧输入图像对应的多帧帧内特征图;
对所述多帧帧内特征图进行帧间特征融合,得到所述多帧输入图像间的联合特征图。
在一种可能的实现方式中,所述对所述多帧输入图像进行帧内特征提取,得到与所述多帧输入图像对应的多帧帧内特征图,包括:
使用多个卷积核对所述多帧输入图像中的每帧输入图像进行卷积操作,得到与所述每帧输入图像对应的多帧帧内特征图。
在一种可能的实现方式中,所述对所述多帧帧内特征图进行帧间特征融合,得到所述多帧输入图像间的联合特征图,包括:
将所述多帧帧内特征图分为多组,其中,每组帧内特征图包含每帧输入图像的帧内特征图;
对所述每组帧内特征图分别进行帧间特征融合,得到所述每组帧内特征图的联合特征图。
在一种可能的实现方式中,所述对所述每组帧内特征图分别进行帧间特征融合,得到所述每组帧内特征图的联合特征图,包括:
通过卷积神经网络对所述每组帧内特征图进行卷积操作,得到所述每组帧内特征图的联合特征图。
在一种可能的实现方式中,在所述基于所述联合特征图进行图像重建,得到所述多帧输入图像对应的目标图像之前,还包括:
对所述联合特征图进行多尺度特征编码,得到多尺度编码特征图;
基于所述多尺度编码特征图进行图像重建,得到所述多帧输入图像的目标图像。
在一种可能的实现方式中,所述对所述联合特征图进行多尺度特征编码,得到多尺度编码特征图,包括:
基于所述联合特征图进行正向操作,得到多个尺度的第一特征图;
基于所述多个尺度的第一特征图进行反向操作和叠加处理,得到第二特征图,其中,所述第二特征图的尺度与所述联合特征图的尺度相同;
将所述第二特征图确定为所述多尺度编码特征图。
在一种可能的实现方式中,所述正向操作包括池化、下采样和卷积中的至少一种操作。
在一种可能的实现方式中,所述反向操作包括反池化、上采样和反卷积中的至少一种操作。
在一种可能的实现方式中,所述基于所述联合特征图进行图像重建,得到所述多帧输入图像的目标图像,包括:
根据多个待重建图像逐像素重建所述目标图像中的像素,其中,所述待重建图像包括所述联合特征图和多尺度编码特征图。
在一种可能的实现方式中,在得到所述多帧输入图像的目标图像之后,所述方法还包括:
对所述目标图像进行图像质量提升处理,得到优化后的目标图像。
根据本公开的一方面,提供了一种超分辨率图像重建装置,包括:
获取模块,用于获取多帧输入图像;
特征提取模块,用于对所述多帧输入图像进行特征提取,得到所述多帧输入图像间的联合特征图;
第一图像重建模块,用于基于所述联合特征图进行图像重建,得到所述多帧输入图像的目标图像。
在一种可能的实现方式中,所述特征提取模块包括:
帧内特征提取子模块,用于对所述多帧输入图像进行帧内特征提取,得到与所述多帧输入图像对应的多帧帧内特征图;
帧间特征融合子模块,用于对所述多帧帧内特征图进行帧间特征融合,得到所述多帧输入图像间的联合特征图。
在一种可能的实现方式中,所述帧内特征提取子模块用于:
使用多个卷积核对所述多帧输入图像中的每帧输入图像进行卷积操作,得到与所述每帧输入图像对应的多帧帧内特征图。
在一种可能的实现方式中,所述帧间特征融合子模块包括:
分组单元,用于将所述多帧帧内特征图分为多组,其中,每组帧内特征图包含每帧输入图像的帧内特征图;
帧间特征融合单元,用于对所述每组帧内特征图分别进行帧间特征融合,得到所述每组帧内特征图的联合特征图。
在一种可能的实现方式中,所述帧间特征融合单元用于:
通过卷积神经网络对所述每组帧内特征图进行卷积操作,得到所述每组帧内特征图的联合特征图。
在一种可能的实现方式中,所述装置还包括:
多尺度特征编码模块,用于对所述联合特征图进行多尺度特征编码,得到多尺度编码特征图;
第二图像重建模块,用于基于所述多尺度编码特征图进行图像重建,得到所述多帧输入图像的目标图像。
在一种可能的实现方式中,所述多尺度特征编码模块包括:
正向操作子模块,用于基于所述联合特征图进行正向操作,得到多个尺度的第一特征图;
反向操作和叠加处理子模块,用于基于所述多个尺度的第一特征图进行反向操作和叠加处理,得到第二特征图,其中,所述第二特征图的尺度与所述联合特征图的尺度相同;
确定子模块,用于将所述第二特征图确定为所述多尺度编码特征图。
在一种可能的实现方式中,所述正向操作包括池化、下采样和卷积中的至少一种操作。
在一种可能的实现方式中,所述反向操作包括反池化、上采样和反卷积中的至少一种操作。
在一种可能的实现方式中,所述第一图像重建模块用于:
根据多个待重建图像逐像素重建所述目标图像中的像素,其中,所述待重建图像包括所述联合特征图和多尺度编码特征图。
在一种可能的实现方式中,所述装置还包括:
图像质量提升处理模块,用于对所述目标图像进行图像质量提升处理,得到优化后的目标图像。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述超分辨率图像重建方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述超分辨率图像重建方法。
在本公开实施例中,通过获取多帧输入图像,对多帧输入图像进行提取,得到多帧输入图像间的联合特征图,并基于联合特征图进行图像重建,得到多帧输入图像的目标图像,由此通过融合多帧输入图像的特征信息,能够获取更高质量的高分辨率图像。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开实施例的超分辨率图像重建方法的流程图。
图2示出根据本公开实施例的超分辨率图像重建方法步骤S12的一示例性的流程图。
图3示出根据本公开实施例的超分辨率图像重建方法中使用多个卷积核对多帧输入图像中的每帧输入图像进行卷积操作,得到与每帧输入图像对应的多帧帧内特征图的示意图。
图4示出根据本公开实施例的超分辨率图像重建方法中对多帧输入图像进行帧内特征提取,以及对多帧帧内特征图进行帧间特征融合的示意图。
图5示出根据本公开实施例的超分辨率图像重建方法步骤S122的一示例性的流程图。
图6示出根据本公开实施例的超分辨率图像重建方法中通过卷积神经网络对每组帧内特征图进行卷积操作,得到每组帧内特征图的联合特征图的示意图。
图7示出根据本公开实施例的超分辨率图像重建方法中对联合特征图进行多尺度特征编码,得到多尺度编码特征图的一示例性的流程图。
图8示出根据本公开实施例的超分辨率图像重建方法中步骤S21和步骤S22的示意图。
图9示出根据本公开实施例的超分辨率图像重建方法中根据多个待重建图像逐像素重建目标图像中的像素的示意图。
图10示出根据本公开实施例的超分辨率图像重建方法的一示例性的流程图。
图11示出根据本公开实施例的超分辨率图像重建装置的框图。
图12示出根据本公开实施例的超分辨率图像重建装置的一示例性的框图。
图13是根据一示例性实施例示出的一种电子设备800的框图。
图14是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的超分辨率图像重建方法的流程图。如图1所示,该方法包括步骤S11至步骤S13。
在步骤S11中,获取多帧输入图像。
在本公开实施例中,多帧输入图像可以对应于相同的拍摄场景。例如,多帧输入图像可以是通过不同的硬件、以相同的拍摄角度和拍摄参数对相同的拍摄场景进行拍摄得到的输入图像。由于硬件不同,因此即使拍摄角度和拍摄参数相同,多帧输入图像之间也存在差异。
在步骤S12中,对多帧输入图像进行特征提取,得到多帧输入图像间的联合特征图。
本公开实施例中,联合特征图结合了多帧输入图像的特征信息,可以表现各帧输入图像的特征。
在步骤S13中,基于联合特征图进行图像重建,得到多帧输入图像的目标图像。
在本公开实施例中,目标图像的分辨率高于输入图像的分辨率。
本公开实施例通过获取多帧输入图像,对多帧输入图像进行提取,得到多帧输入图像间的联合特征图,并基于联合特征图进行图像重建,得到多帧输入图像的目标图像,由此通过融合多帧输入图像的特征信息,能够消除多帧输入图像中的噪声,从而能够获取更高质量的高分辨率图像。其中,输入图像中的噪声是指存在于输入图像中的不必要的或多余的干扰信息。
图2示出根据本公开实施例的超分辨率图像重建方法步骤S12的一示例性的流程图。如图2所示,步骤S12可以包括步骤S121和步骤S122。
在步骤S121中,对多帧输入图像进行帧内特征提取,得到与多帧输入图像对应的多帧帧内特征图。
在本公开实施例中,通过获取多帧输入图像中的每帧输入图像的帧内特征图,能够获取多帧输入图像对于同一拍摄对象的信息表达。
在一种可能的实现方式中,对多帧输入图像进行帧内特征提取,得到与多帧输入图像对应的多帧帧内特征图,包括:使用多个卷积核对多帧输入图像中的每帧输入图像进行卷积操作,得到与每帧输入图像对应的多帧帧内特征图。例如,可以使用f个卷积核对n帧输入图像中的每帧输入图像进行卷积操作,得到与每帧输入图像对应的f帧帧内特征图,其中,f为正整数,n为大于1的整数。在该实现方式中,使用f个卷积核对n帧输入图像中的每帧输入图像进行卷积操作,总共可以得到n×f帧帧内特征图。
图3示出根据本公开实施例的超分辨率图像重建方法中使用多个卷积核对多帧输入图像中的每帧输入图像进行卷积操作,得到与每帧输入图像对应的多帧帧内特征图的示意图。如图3所示,例如,卷积核的个数f=1,卷积核的核大小(kernel size)k=1×1,填充大小(padding size)p=1×1,步长(stride)s=1×1,对n帧5×5的输入图像进行卷积操作,可以得到n帧5×5的帧内特征图。
在步骤S122中,对多帧帧内特征图进行帧间特征融合,得到多帧输入图像间的联合特征图。
在本公开实施例中,通过对多帧帧内特征图进行帧间特征融合,可以提取多帧输入图像的帧间特征信息。本公开实施例通过对多帧帧内特征图进行帧间特征融合,有利于提升感受野。
在一种可能的实现方式中,可以通过输入层、帧内特征提取层和帧间特征融合层完成特征提取的步骤。其中,输入层可以接收多帧输入图像,并缓存接收的输入图像。输入层可以将多帧输入图像传递给帧内特征提取层,由帧内特征提取层对多帧输入图像进行帧内特征提取,得到与多帧输入图像对应的多帧帧内特征图。帧间特征融合层对多帧帧内特征图进行帧间特征融合,得到多帧输入图像间的联合特征图。
图4示出根据本公开实施例的超分辨率图像重建方法中对多帧输入图像进行帧内特征提取,以及对多帧帧内特征图进行帧间特征融合的示意图。在图4所示的示例中,对n帧输入图像进行帧内特征提取,得到与n帧输入图像对应的n帧帧内特征图,并对n帧帧内特征图进行帧间特征融合,得到n帧输入图像间的联合特征图。
图5示出根据本公开实施例的超分辨率图像重建方法步骤S122的一示例性的流程图。如图5所示,步骤S122可以包括步骤S1221和步骤S1222。
在步骤S1221中,将多帧帧内特征图分为多组,其中,每组帧内特征图包含每帧输入图像的帧内特征图。
例如,可以将n×f帧帧内特征图分为f组,其中,每组帧内特征图包含n帧输入图像中的每帧输入图像的一帧帧内特征图。
在步骤S1222中,对每组帧内特征图分别进行帧间特征融合,得到每组帧内特征图的联合特征图。
例如,可以对f组帧内特征图中的每组帧内特征图分别进行特征融合,得到f组特征图对应的f个联合特征图。
在一种可能的实现方式中,对每组帧内特征图分别进行帧间特征融合,得到每组帧内特征图的联合特征图,包括:通过卷积神经网络对每组帧内特征图进行卷积操作,得到每组帧内特征图的联合特征图。例如,可以通过卷积神经网络对f组帧内特征图中的每组帧内特征图分别进行卷积操作,得到f组特征图对应的f个联合特征图。
图6示出根据本公开实施例的超分辨率图像重建方法中通过卷积神经网络对每组帧内特征图进行卷积操作,得到每组帧内特征图的联合特征图的示意图。如图6所示,可以采用C层卷积层对每组帧内特征图分别进行卷积操作,得到每组帧内特征图的联合特征图,其中,C为正整数。
在一种可能的实现方式中,在基于联合特征图进行图像重建,得到多帧输入图像对应的目标图像之前,还包括:对联合特征图进行多尺度特征编码,得到多尺度编码特征图;基于多尺度编码特征图进行图像重建,得到多帧输入图像的目标图像。在该实现方式中,多尺度编码特征图的尺度与联合特征图的尺度相同。
图7示出根据本公开实施例的超分辨率图像重建方法中对联合特征图进行多尺度特征编码,得到多尺度编码特征图的一示例性的流程图。如图7所示,对联合特征图进行多尺度特征编码,得到多尺度编码特征图,可以包括步骤S21至步骤S23。
在步骤S21中,基于联合特征图进行正向操作,得到多个尺度的第一特征图。
在一种可能的实现方式中,正向操作包括池化、下采样和卷积中的至少一种操作。在该实现方式中,通过池化、下采样和卷积中的至少一种操作,可以逐渐改变特征图的大小,从而获得多个尺度的第一特征图。其中,尺度的个数可以根据超分辨率的倍率确定。超分辨率的倍率可以根据具体情况而定。
在本公开实施例中,由于不同尺度的第一特征图的细节信息的频率不同,因此,通过联合特征图得到多个尺度的第一特征图,能够大大提升目标图像的细节信息的恢复能力。
在步骤S22中,基于多个尺度的第一特征图进行反向操作和叠加处理,得到第二特征图,其中,第二特征图的尺度与联合特征图的尺度相同。
在一种可能的实现方式中,反向操作包括反池化、上采样和反卷积中的至少一种操作。
在一种可能的实现方式中,基于多个尺度的第一特征图进行反向操作和叠加处理,得到第二特征图,包括:叠加第1种尺度的第一特征图,得到第1种尺度的第三特征图,其中,第1种尺度为多个尺度中的最小尺度;基于第i-1种尺度的第三特征图进行反向操作,得到第i种尺度的第四特征图,其中,1<i≤M,i和M均为整数,M表示尺度的总数;叠加第i种尺度的第一特征图和第i种尺度的第四特征图,得到第i种尺度的第三特征图;将第M种尺度的第三特征图确定为第二特征图。在该实现方式中,第M种尺度等于联合特征图的尺度。
作为该实现方式的一个示例,可以通过计算第1种尺度的第一特征图中相同位置的像素的平均值,来叠加第1种尺度的第一特征图,得到第1种尺度的第三特征图。
作为该实现方式的一个示例,可以通过计算第i种尺度的第一特征图和第i种尺度的第四特征图中相同位置的像素的平均值,来叠加第i种尺度的第一特征图和第i种尺度的第四特征图,得到第i种尺度的第三特征图。
在步骤S23中,将第二特征图确定为多尺度编码特征图。
图8示出根据本公开实施例的超分辨率图像重建方法中步骤S21和步骤S22的示意图。
在一种可能的实现方式中,基于联合特征图进行图像重建,得到多帧输入图像的目标图像,包括:根据多个待重建图像逐像素重建目标图像中的像素,其中,待重建图像包括联合特征图和多尺度编码特征图。例如,可以利用m×m个高为h、宽为w的待重建图像,得到高为m×h、宽为m×w的目标图像,其中,m、h和w均为正整数。
图9示出根据本公开实施例的超分辨率图像重建方法中根据多个待重建图像逐像素重建目标图像中的像素的示意图。在图9所示的示例中,待重建图像的高为2像素、宽为2像素,待重建图像的个数为2×2=4,目标图像的高为2×2像素、宽为2×2像素。在图9中,根据4个待重建图像中相同位置的像素进行四倍升采样,重建目标图像中的像素。例如,目标图像中左上角的4个像素由4个待重建图像的左上角的第一个像素确定。
图10示出根据本公开实施例的超分辨率图像重建方法的一示例性的流程图。如图10所示,该方法可以包括步骤S11至步骤S14。
在步骤S11中,获取多帧输入图像。
在步骤S12中,对多帧输入图像进行特征提取,得到多帧输入图像间的联合特征图。
在步骤S13中,基于联合特征图进行图像重建,得到多帧输入图像的目标图像。
在步骤S14中,对目标图像进行图像质量提升处理,得到优化后的目标图像。
在一种可能的实现方式中,图像质量提升处理包括滤波处理。在该实现方式中,可以通过一个或多个滤波器对目标图像进行滤波处理。滤波器输出的图像的大小可以与滤波前的图像大小相同。该实现方式通过对目标图像进行滤波处理,得到滤波后的目标图像,可以对目标图像的细节进行调整,得到更高质量的高分辨率图像。
在另一种可能的实现方式中,图像质量提升处理可以包括降噪处理。
在另一种可能的实现方式中,图像质量提升处理可以包括图像增强处理。
在另一种可能的实现方式中,图像质量提升处理可以包括去模糊处理。
需要说明的是,尽管以滤波、降噪、图像增强和去模糊为例介绍了图像质量提升处理的方式如上,但本领域技术人员能够理解,本公开应不限于此。本领域技术人员可以根据实际应用场景需求和/或个人喜好灵活设置图像质量提升处理的具体实现方式。
本公开实施例通过对目标图像进行图像质量提升处理,能够提升图像质量或者视觉效果,以满足用户的不同应用需求。
本公开实施例可以应用于任何需要进行超分辨率图像重建的应用场景中。例如,可以将本公开实施例应用于将多个低分辨率图像重构为高分辨率图像的应用场景中,可以将本公开实施例应用于获取高分辨率的视频帧序列的应用场景中,也可以将本公开实施例应用于拍照系统中,以获取高质量图像。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了超分辨率图像重建装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种超分辨率图像重建方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图11示出根据本公开实施例的超分辨率图像重建装置的框图。如图11所示,该装置包括:获取模块31,用于获取多帧输入图像;特征提取模块32,用于对多帧输入图像进行特征提取,得到多帧输入图像间的联合特征图;第一图像重建模块33,用于基于联合特征图进行图像重建,得到多帧输入图像的目标图像。
图12示出根据本公开实施例的超分辨率图像重建装置的一示例性的框图。如图12所示:
在一种可能的实现方式中,特征提取模块32包括:帧内特征提取子模块321,用于对多帧输入图像进行帧内特征提取,得到与多帧输入图像对应的多帧帧内特征图;帧间特征融合子模块322,用于对多帧帧内特征图进行帧间特征融合,得到多帧输入图像间的联合特征图。
在一种可能的实现方式中,帧内特征提取子模块321用于:使用多个卷积核对多帧输入图像中的每帧输入图像进行卷积操作,得到与每帧输入图像对应的多帧帧内特征图。
在一种可能的实现方式中,帧间特征融合子模块322包括:分组单元,用于将多帧帧内特征图分为多组,其中,每组帧内特征图包含每帧输入图像的帧内特征图;帧间特征融合单元,用于对每组帧内特征图分别进行帧间特征融合,得到每组帧内特征图的联合特征图。
在一种可能的实现方式中,帧间特征融合单元用于:通过卷积神经网络对每组帧内特征图进行卷积操作,得到每组帧内特征图的联合特征图。
在一种可能的实现方式中,该装置还包括:多尺度特征编码模块34,用于对联合特征图进行多尺度特征编码,得到多尺度编码特征图;第二图像重建模块35,用于基于多尺度编码特征图进行图像重建,得到多帧输入图像的目标图像。
在一种可能的实现方式中,多尺度特征编码模块34包括:正向操作子模块341,用于基于联合特征图进行正向操作,得到多个尺度的第一特征图;反向操作和叠加处理子模块342,用于基于多个尺度的第一特征图进行反向操作和叠加处理,得到第二特征图,其中,第二特征图的尺度与联合特征图的尺度相同;确定子模块343,用于将第二特征图确定为多尺度编码特征图。
在一种可能的实现方式中,正向操作包括池化、下采样和卷积中的至少一种操作。
在一种可能的实现方式中,反向操作包括反池化、上采样和反卷积中的至少一种操作。
在一种可能的实现方式中,第一图像重建模块33用于:根据多个待重建图像逐像素重建目标图像中的像素,其中,待重建图像包括联合特征图和多尺度编码特征图。
在一种可能的实现方式中,该装置还包括:图像质量提升处理模块36,用于对目标图像进行图像质量提升处理,得到优化后的目标图像。
本公开实施例通过获取多帧输入图像,对多帧输入图像进行提取,得到多帧输入图像间的联合特征图,并基于联合特征图进行图像重建,得到多帧输入图像的目标图像,由此通过融合多帧输入图像的特征信息,能够获取更高质量的高分辨率图像。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图13是根据一示例性实施例示出的一种电子设备800的框图。例如,装置800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13,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800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802可以包括一个或多个处理器820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802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800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804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806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800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。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述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808包括一个前置摄像头和/或后置摄像头。当装置800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810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800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804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802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814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814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814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814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816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800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816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,所述通信组件816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800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,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图14是根据一示例性实施例示出的一种电子设备1900的框图。例如,装置1900可以被提供为一服务器。参照图14,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932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1922被配置为执行指令,以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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动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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (18)
1.一种超分辨率图像重建方法,其特征在于,包括:
获取多帧输入图像;
使用多个卷积核对所述多帧输入图像中的每帧输入图像进行卷积操作,得到与所述每帧输入图像对应的多帧帧内特征图;
将所述多帧帧内特征图分为多组,其中,每组帧内特征图包含每帧输入图像的帧内特征图;
对所述每组帧内特征图分别进行帧间特征融合,得到每组所述帧内特征图的联合特征图;
基于每组所述帧内特征图的联合特征图进行图像重建,得到所述多帧输入图像的目标图像。
2.根据权利要求1所述的方法,其特征在于,所述对所述每组帧内特征图分别进行帧间特征融合,得到所述每组帧内特征图的联合特征图,包括:
通过卷积神经网络对所述每组帧内特征图进行卷积操作,得到所述每组帧内特征图的联合特征图。
3.根据权利要求1所述的方法,其特征在于,在所述基于每组所述帧内特征图的联合特征图进行图像重建,得到所述多帧输入图像对应的目标图像之前,还包括:
对所述联合特征图进行多尺度特征编码,得到多尺度编码特征图;
基于所述多尺度编码特征图进行图像重建,得到所述多帧输入图像的目标图像。
4.根据权利要求3所述的方法,其特征在于,所述对所述联合特征图进行多尺度特征编码,得到多尺度编码特征图,包括:
基于所述联合特征图进行正向操作,得到多个尺度的第一特征图;
基于所述多个尺度的第一特征图进行反向操作和叠加处理,得到第二特征图,其中,所述第二特征图的尺度与所述联合特征图的尺度相同;
将所述第二特征图确定为所述多尺度编码特征图。
5.根据权利要求4所述的方法,其特征在于,所述正向操作包括池化、下采样和卷积中的至少一种操作。
6.根据权利要求4所述的方法,其特征在于,所述反向操作包括反池化、上采样和反卷积中的至少一种操作。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,所述基于每组所述帧内特征图的联合特征图进行图像重建,得到所述多帧输入图像的目标图像,包括:
根据多个待重建图像逐像素重建所述目标图像中的像素,其中,所述待重建图像包括所述联合特征图和多尺度编码特征图。
8.根据权利要求1至6中任意一项所述的方法,其特征在于,在得到所述多帧输入图像的目标图像之后,所述方法还包括:
对所述目标图像进行图像质量提升处理,得到优化后的目标图像。
9.一种超分辨率图像重建装置,其特征在于,包括:
获取模块,用于获取多帧输入图像;
特征提取模块,用于对所述多帧输入图像进行特征提取,得到所述多帧输入图像间的联合特征图;
第一图像重建模块,用于基于所述联合特征图进行图像重建,得到所述多帧输入图像的目标图像;
其中,所述特征提取模块包括帧内特征提取子模块和帧间特征融合子模块;
所述帧内特征提取子模块用于:
使用多个卷积核对所述多帧输入图像中的每帧输入图像进行卷积操作,得到与所述每帧输入图像对应的多帧帧内特征图;
所述帧间特征融合子模块包括:
分组单元,用于将所述多帧帧内特征图分为多组,其中,每组帧内特征图包含每帧输入图像的帧内特征图;
帧间特征融合单元,用于对所述每组帧内特征图分别进行帧间特征融合,得到所述每组帧内特征图的联合特征图。
10.根据权利要求9所述的装置,其特征在于,所述帧间特征融合单元用于:
通过卷积神经网络对所述每组帧内特征图进行卷积操作,得到所述每组帧内特征图的联合特征图。
11.根据权利要求9所述的装置,其特征在于,所述装置还包括:
多尺度特征编码模块,用于对所述联合特征图进行多尺度特征编码,得到多尺度编码特征图;
第二图像重建模块,用于基于所述多尺度编码特征图进行图像重建,得到所述多帧输入图像的目标图像。
12.根据权利要求11所述的装置,其特征在于,所述多尺度特征编码模块包括:
正向操作子模块,用于基于所述联合特征图进行正向操作,得到多个尺度的第一特征图;
反向操作和叠加处理子模块,用于基于所述多个尺度的第一特征图进行反向操作和叠加处理,得到第二特征图,其中,所述第二特征图的尺度与所述联合特征图的尺度相同;
确定子模块,用于将所述第二特征图确定为所述多尺度编码特征图。
13.根据权利要求12所述的装置,其特征在于,所述正向操作包括池化、下采样和卷积中的至少一种操作。
14.根据权利要求12所述的装置,其特征在于,所述反向操作包括反池化、上采样和反卷积中的至少一种操作。
15.根据权利要求9至14中任意一项所述的装置,其特征在于,所述第一图像重建模块用于:
根据多个待重建图像逐像素重建所述目标图像中的像素,其中,所述待重建图像包括所述联合特征图和多尺度编码特征图。
16.根据权利要求9至14中任意一项所述的装置,其特征在于,所述装置还包括:
图像质量提升处理模块,用于对所述目标图像进行图像质量提升处理,得到优化后的目标图像。
17.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器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8中任意一项所述的方法。
18.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810974986.0A CN109118430B (zh) | 2018-08-24 | 2018-08-24 | 超分辨率图像重建方法及装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810974986.0A CN109118430B (zh) | 2018-08-24 | 2018-08-24 | 超分辨率图像重建方法及装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109118430A CN109118430A (zh) | 2019-01-01 |
CN109118430B true CN109118430B (zh) | 2023-05-09 |
Family
ID=64860140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810974986.0A Active CN109118430B (zh) | 2018-08-24 | 2018-08-24 | 超分辨率图像重建方法及装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118430B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829863B (zh) * | 2019-01-22 | 2021-06-25 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN112215748B (zh) * | 2019-07-12 | 2024-06-28 | 华为技术有限公司 | 图像处理方法和装置 |
CN110675355B (zh) * | 2019-09-27 | 2022-06-17 | 深圳市商汤科技有限公司 | 图像重建方法及装置、电子设备和存储介质 |
CN110930342B (zh) * | 2019-10-28 | 2021-10-29 | 杭州电子科技大学 | 一种基于彩色图引导的深度图超分辨率重建网络构建方法 |
CN113298705A (zh) * | 2020-02-24 | 2021-08-24 | 华为技术有限公司 | 一种图像超分辨率处理方法及装置 |
CN111369438B (zh) * | 2020-02-28 | 2022-07-26 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN111462268B (zh) * | 2020-03-31 | 2022-11-11 | 北京市商汤科技开发有限公司 | 图像重建方法及装置、电子设备和存储介质 |
CN113556496B (zh) * | 2020-04-23 | 2022-08-09 | 京东方科技集团股份有限公司 | 视频分辨率提升方法及装置、存储介质及电子设备 |
CN113592965B (zh) * | 2021-07-28 | 2024-07-23 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
US20240135488A1 (en) * | 2021-10-28 | 2024-04-25 | Boe Technology Group Co., Ltd. | Video processing method and device, electronic apparatus, and readable storage medium |
CN117934286B (zh) * | 2024-03-21 | 2024-06-04 | 西华大学 | 一种轻量级图像超分辨率方法、装置及其电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913409A (zh) * | 2016-07-12 | 2016-08-31 | 常俊苹 | 一种基于多帧图像融合的图像处理方法 |
CN106815827A (zh) * | 2017-01-18 | 2017-06-09 | 聚龙智瞳科技有限公司 | 基于Bayer格式的图像融合方法及图像融合装置 |
CN107392852A (zh) * | 2017-07-10 | 2017-11-24 | 深圳大学 | 深度图像的超分辨率重建方法、装置、设备及存储介质 |
CN108229330A (zh) * | 2017-12-07 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸融合识别方法及装置、电子设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070031058A1 (en) * | 2005-06-08 | 2007-02-08 | Canamet Canadian National Medical Technologies Inc. | Method and system for blind reconstruction of multi-frame image data |
CN103942768B (zh) * | 2013-01-18 | 2017-05-24 | 诺基亚技术有限公司 | 图像融合的方法和装置 |
-
2018
- 2018-08-24 CN CN201810974986.0A patent/CN109118430B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913409A (zh) * | 2016-07-12 | 2016-08-31 | 常俊苹 | 一种基于多帧图像融合的图像处理方法 |
CN106815827A (zh) * | 2017-01-18 | 2017-06-09 | 聚龙智瞳科技有限公司 | 基于Bayer格式的图像融合方法及图像融合装置 |
CN107392852A (zh) * | 2017-07-10 | 2017-11-24 | 深圳大学 | 深度图像的超分辨率重建方法、装置、设备及存储介质 |
CN108229330A (zh) * | 2017-12-07 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸融合识别方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109118430A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118430B (zh) | 超分辨率图像重建方法及装置、电子设备及存储介质 | |
CN110060215B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113766313B (zh) | 视频数据处理方法及装置、电子设备和存储介质 | |
CN111445414B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109859144B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110675355B (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN111340733B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110458771B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110580688B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN113706421B (zh) | 一种图像处理方法及装置、电子设备和存储介质 | |
CN108900903B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN111369482B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112634160A (zh) | 拍照方法及装置、终端、存储介质 | |
CN111192218A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111583142A (zh) | 图像降噪方法及装置、电子设备和存储介质 | |
CN109840890B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109816620B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113660531B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN113506229B (zh) | 神经网络训练和图像生成方法及装置 | |
CN118368430A (zh) | 视频数据处理方法及装置、增强网络的训练方法及装置 | |
CN111275641A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112651880B (zh) | 视频数据处理方法及装置、电子设备和存储介质 | |
CN112200745A (zh) | 遥感影像的处理方法及装置、电子设备和存储介质 | |
CN111553865B (zh) | 图像修复方法及装置、电子设备和存储介质 | |
CN113592733A (zh) | 图像处理方法、装置、存储介质及电子设备 |
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 |