CN110298790A - 一种对图像进行超分辨率重建的处理方法及装置 - Google Patents
一种对图像进行超分辨率重建的处理方法及装置 Download PDFInfo
- Publication number
- CN110298790A CN110298790A CN201910580137.1A CN201910580137A CN110298790A CN 110298790 A CN110298790 A CN 110298790A CN 201910580137 A CN201910580137 A CN 201910580137A CN 110298790 A CN110298790 A CN 110298790A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- super
- processed
- resolution
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 119
- 238000003672 processing method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims description 107
- 238000003709 image segmentation Methods 0.000 claims description 49
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 14
- 230000000007 visual effect Effects 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005192 partition Methods 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than 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 by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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]
-
- 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
-
- 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
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Abstract
本发明实施例提供了对图像进行超分辨率重建的处理方法及装置，包括：获取待处理图像；对待处理图像进行图像分割处理，得到目标区域和背景区域；其中，目标区域为待处理图像中的目标所在的区域，背景区域为待处理图像中除目标区域之外的区域；对目标区域进行目标超分辨率重建处理，得到目标区域超分辨率重建图像；对背景区域进行背景超分辨率重建处理，得到背景区域超分辨率重建图像；将目标区域超分辨率重建图像和背景区域超分辨率重建图像进行合并，生成待处理图像对应的超分辨率重建图像。该方法可以保留待处理图像的目标区域的细节，还可以修复计算过程中产生的背景区域的马赛克和毛刺等噪声，从而可以提高得到的超分辨率重建图像的视觉效果。
Description
技术领域
本发明涉及计算机应用技术领域，特别是涉及一种对图像进行超分辨率重建的处理方法及装置。
背景技术
一些场景中，需要对低分辨率的图像进行超分处理，得到相应的超分辨率重建图像，可以理解，相比于低分辨率图像，超分辨率重建图像更加清晰，能够提供更多的细节，从而可以适应于更广泛的应用。
相关技术中，对低分辨率的图像进行超分处理的方式通常为：首先，把低分辨率图像配准到要计算的超分辨率重建图像的格点上，然后，利用插值算法对低分辨率图像进行插值，从而得到对应的超分辨率重建图像每一像素点的值，生成对应的超分辨率重建图像。
但是，上述超分处理方式，在对低分辨率的图像进行插值时，会导致视觉效果变差，产生马赛克，影响超分辨率重建图像的视觉效果；如果进一步对超分辨率重建图像中的马赛克和毛刺等噪声进行修复，又可能会丢失图像细节，也会影响超分辨率重建图像的视觉效果。
发明内容
本发明实施例的目的在于提供一种对图像进行超分辨率重建的处理方法和装置，以提高超分处理得到的超分辨率重建图像的视觉效果。具体技术方案如下：
本发明实施例提供了一种对图像进行超分辨率重建的处理方法，所述方法包括：
获取待处理图像；
对所述待处理图像进行图像分割处理，得到目标区域和背景区域；其中，所述目标区域为所述待处理图像中的目标所在的区域，所述背景区域为所述待处理图像中除所述目标区域之外的区域；
对所述目标区域进行目标超分辨率重建处理，得到目标区域超分辨率重建图像；
对所述背景区域进行背景超分辨率重建处理，得到背景区域超分辨率重建图像；
将所述目标区域超分辨率重建图像和所述背景区域超分辨率重建图像进行合并，生成所述待处理图像对应的超分辨率重建图像。
可选的，所述对所述待处理图像进行图像分割处理，得到目标区域和背景区域，包括：
对所述待处理图像进行检测，识别出所述待处理图像中的目标的边界；
根据所述待处理图像中的目标的边界，将所述待处理图像分割为目标区域和背景区域。
可选的，所述对所述待处理图像进行检测，识别出所述待处理图像中的目标的边界，包括：
将所述待处理图像输入至预先训练得到的图像分割模型中，得到所述待处理图像中的目标的边界。
可选的，采用如下步骤，训练得到所述图像分割模型：
获取多张图像分割样本图像及对应的样本目标区域；
将所述多张图像分割样本图像及对应的样本目标区域输入预设的第一训练模型，判断输出结果是否满足预设条件，如果不满足，对所述预设的第一训练模型进行迭代调整，直至输出结果满足预设条件，得到所述图像分割模型。
可选的，所述对所述目标区域进行目标超分辨率重建处理，得到目标区域超分辨率重建图像，包括：
将所述目标区域输入至预先训练得到的目标超分模型中，得到所述目标区域超分辨率重建图像；其中，所述目标超分模型是基于目标样本图像作为训练集进行训练得到；所述目标样本图像是指包含目标且所述目标为主体的图像；
所述对所述背景区域进行背景超分辨率重建处理，得到背景区域超分辨率重建图像，包括：
将所述背景区域输入至预先训练得到的背景超分模型中，得到所述背景区域超分辨率重建图像；其中，所述背景超分模型是基于非定类样本图像作为训练集进行训练得到；所述非定类样本图像是指各种不同类别的图像。
可选的，采用如下步骤，训练得到所述目标超分模型：
获取多张目标样本图像；
对所述多张目标样本图像进行低分辨率处理，得到对应的低分辨率图像；
将所述多张目标样本图像及对应的低分辨率图像输入预设的第二训练模型，判断输出结果是否满足预设条件，如果不满足，对所述预设的第二训练模型进行迭代调整，直至输出结果满足预设条件，得到所述目标超分模型。
可选的，采用如下步骤，训练得到所述背景超分模型：
获取多张非定类样本图像；
对所述多张非定类样本图像进行低分辨率处理，得到对应的低分辨率图像；
将所述多张非定类样本图像及对应的低分辨率图像输入预设的第三训练模型，判断输出结果是否满足预设条件，如果不满足，对所述预设的第三训练模型进行迭代调整，直至输出结果满足预设条件，得到所述背景超分模型。
可选的，所述待处理图像为包含脸部和/或毛发的图像；其中，所述脸部为人脸和/或动物脸部，所述毛发为人的毛发和/或动物毛发；所述目标区域为脸部区域，所述背景区域为所述待处理图像中除脸部区域及毛发区域以外的区域。
本发明实施例还提供了一种对图像进行超分辨率重建的处理装置，所述装置包括：
获取模块，用于获取待处理图像；
图像分割模块，用于对所述待处理图像进行图像分割处理，得到目标区域和背景区域；其中，所述目标区域为所述待处理图像中的目标所在的区域，所述背景区域为所述待处理图像中除所述目标区域之外的区域；
目标处理模块，用于对所述目标区域进行目标超分辨率重建处理，得到目标区域超分辨率重建图像；
背景处理模块，用于对所述背景区域进行背景超分辨率重建处理，得到背景区域超分辨率重建图像；
合并模块，用于将所述目标区域超分辨率重建图像和所述背景区域超分辨率重建图像进行合并，生成所述待处理图像对应的超分辨率重建图像。
可选的，所述图像分割模块，包括：
目标检测单元，用于对所述待处理图像进行检测，识别出所述待处理图像中的目标的边界；
图像分割单元，用于根据所述待处理图像中的目标的边界，将所述待处理图像分割为目标区域和背景区域。
可选的，所述目标检测单元，还用于将所述待处理图像输入至预先训练得到的图像分割模型中，得到所述待处理图像中的目标的边界。
可选的，还包括图像分割模型训练模块，用于：
获取多张图像分割样本图像及对应的样本目标区域；
将所述多张图像分割样本图像及对应的样本目标区域输入预设的第一训练模型，判断输出结果是否满足预设条件，如果不满足，对所述预设的第一训练模型进行迭代调整，直至输出结果满足预设条件，得到所述图像分割模型。
可选的，所述目标处理模块，用于将所述目标区域输入至预先训练得到的目标超分模型中，得到所述目标区域超分辨率重建图像；其中，所述目标超分模型是基于目标样本图像作为训练集进行训练得到；所述目标样本图像是指包含目标且所述目标为主体的图像；
所述背景处理模块，用于将所述背景区域输入至预先训练得到的背景超分模型中，得到所述背景区域超分辨率重建图像；其中，所述背景超分模型是基于非定类样本图像作为训练集进行训练得到；所述非定类样本图像是指各种不同类别的图像。
可选的，还包括目标超分模型训练模块，用于：
获取多张目标样本图像；
对所述多张目标样本图像进行低分辨率处理，得到对应的低分辨率图像；
将所述多张目标样本图像及对应的低分辨率图像输入预设的第二训练模型，判断输出结果是否满足预设条件，如果不满足，对所述预设的第二训练模型进行迭代调整，直至输出结果满足预设条件，得到所述目标超分模型。
可选的，还包括背景超分模型训练模块，用于：
获取多张非定类样本图像；
对所述多张非定类样本图像进行低分辨率处理，得到对应的低分辨率图像；
将所述多张非定类样本图像及对应的低分辨率图像输入预设的第三训练模型，判断输出结果是否满足预设条件，如果不满足，对所述预设的第三训练模型进行迭代调整，直至输出结果满足预设条件，得到所述背景超分模型。
可选的，所述待处理图像为包含脸部和/或毛发的图像；其中，所述脸部为人脸和/或动物脸部，所述毛发为人的毛发和/或动物毛发；所述目标区域为脸部区域，所述背景区域为所述待处理图像中除脸部区域及毛发区域以外的区域。。
本发明实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的对图像进行超分辨率重建的处理方法。
本发明实施例还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内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的对图像进行超分辨率重建的处理方法。
本发明实施例提供的对图像进行超分辨率重建的处理方法及装置，在获取待处理图像之后，先对待处理图像进行图像分割处理，得到目标区域和背景区域，然后分别对目标区域和背景区域进行目标超分辨率重建处理和背景超分辨率重建处理，得到目标区域超分辨率重建图像和背景区域超分辨率重建图像，再将目标区域超分辨率重建图像和背景区域超分辨率重建图像进行合并，生成待处理图像对应的超分辨率重建图像。
也就是说，对待处理图像的不同性质的区域进行了不同的超分处理，可以理解，不同的超分处理会产生相应的不同的处理结果，这样，对待处理图像的目标区域而言，可以保留目标的细节，而对待处理图像的背景区域而言，可以修复计算过程中产生的马赛克和毛刺等噪声，从而可以提高得到的超分辨率重建图像的视觉效果。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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为本发明实施例提供的一种对图像进行超分辨率重建的处理方法的架构图；
图2A为应用本发明实施例提供的对图像进行超分辨率重建的处理方法得到的超分辨率重建图像；
图2B为应用相关技术中的对图像进行超分辨率重建的处理方法得到的超分辨率重建图像；
图3为本发明实施例提供的另一种对图像进行超分辨率重建的处理方法的流程示意图；
图4为本发明实施例提供的对图像进行超分辨率重建的处理方法的方案示意图；
图5为本发明实施例提供的一种对图像进行超分辨率重建的处理装置的结构示意图；
图6为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
相关技术中，在通过插值对低分辨率的图像进行超分处理时，会导致视觉效果变差，产生马赛克，影响超分辨率重建图像的视觉效果；而如果进一步对超分辨率重建图像中的马赛克和毛刺等噪声进行修复，又可能会丢失图像细节，也会影响超分辨率重建图像的视觉效果。例如，图像中存在人脸等皮肤，超分时会对人脸等皮肤产生磨皮效果，使其视觉效果不够自然；又例如，图像中存在带毛发的动物，超分时会把动物毛发当作噪声修复。
为了解决上述技术问题，本发明提出了一种对图像进行超分辨率重建的处理方法及装置，该方法可以应用于电子设备，如计算机、服务器、摄像机等等，具体不做限定。
下面从总体上对本发明实施例提供对图像进行超分辨率重建的处理方法进行说明。
本发明的一种实现方式中，上述对图像进行超分辨率重建的处理方法包括：
获取待处理图像；
对待处理图像进行图像分割处理，得到目标区域和背景区域；其中，目标区域为待处理图像中的目标所在的区域，背景区域为待处理图像中除目标区域之外的区域；
对目标区域进行目标超分辨率重建处理，得到目标区域超分辨率重建图像；
对背景区域进行背景超分辨率重建处理，得到背景区域超分辨率重建图像；
将目标区域超分辨率重建图像和背景区域超分辨率重建图像进行合并，生成待处理图像对应的超分辨率重建图像。
由以上可见，本发明实施例提供的对图像进行超分辨率重建的处理方法及装置，对待处理图像的不同性质的区域进行了不同的超分处理，可以理解，不同的超分处理会产生相应的不同的处理结果，这样，对待处理图像的目标区域而言，可以保留目标的细节，而对待处理图像的背景区域而言，可以修复计算过程中产生的马赛克和毛刺等噪声，从而可以提高得到的超分辨率重建图像的视觉效果。
下面将通过具体的实施例，对本发明实施例提供的对图像进行超分辨率重建的处理方法进行详细描述。
如图1所示，为本发明实施例提供的一种对图像进行超分辨率重建的处理方法的流程示意图，包括如下步骤：
S101：获取待处理图像。
一些场景中，需要对低分辨率的图像进行超分辨率处理，得到相应的超分辨率重建图像，也就是说，待处理图像通常为分辨率较低的图像，举例而言，待处理图像可以是单张静态图像，也可以是视频或动态图像中的某一帧，具体不做限定。
S102：对待处理图像进行图像分割处理，得到目标区域和背景区域。
其中，目标区域为待处理图像中的目标所在的区域，背景区域为待处理图像中除目标区域之外的区域。举例而言，待处理图像中的目标可以是人脸，也可以是动物毛发，或其他需要保留其细节的物体。
一种实现方式中，待处理图像为包含脸部和/或毛发的图像，其中，脸部可以为人脸和/或动物脸部，毛发可以为人的毛发和/或动物毛发，在这种情况下，待处理图像的目标区域为脸部区域，背景区域为除脸部区域及毛发区域以外的区域。
一种情况下，可以根据用户的指令对待处理图像中的目标区域和背景区域进行分割，比如，在获取到待处理图像之后，可以将待处理图像展示在屏幕上，然后，根据用户的鼠标输入，确定待处理图像中的目标区域的坐标范围，进而对待处理图像中的目标区域和背景区域进行分割。
或者，在另一种情况下，也可以由电子设备(执行主体)检测出待处理图像中的目标的边界，然后，将待处理图像分割为目标区域和背景区域两部分。
其中，可以利用预先训练得到的图像分割模型对待处理图像进行图像分割，其中，预先训练得到的图像分割模型可以为ROI(region of interest，感兴趣区域)模型或边缘分割模型等。
一种情况下，图像分割模型为卷积神经网络模型，在这种情况下，可以采用如下步骤，训练得到图像分割模型：首先，获取多张图像分割样本图像及对应的样本目标区域，然后，将多张图像分割样本图像及对应的样本目标区域输入预设的第一训练模型，判断输出结果是否满足预设条件，如果不满足，对预设的第一训练模型进行迭代调整，直至输出结果满足预设条件，得到图像分割模型。
或者，也可以利用基于小波变换的图像分割方法、基于遗传算法的图像分割方法或阈值分割方法等方法，检测出待处理图像中的目标的边界，本发明实施例对此不做限定。
或者，在另一种实现方式中，还可以由电子设备(执行主体)对待处理图像进行目标检测，识别出待处理图像中的目标所在的区域，进而，根据目标所在的区域，确定出待处理图像的目标区域和背景区域。
举例而言，可以利用预先训练得到的目标检测模型对待处理图像进行目标检测，其中，预先训练得到的目标检测模型可以为特征提取模型或人脸检测模型等。或者，如果待处理图像中的目标为人脸，那么，也可以利用矩形特征级联分类器算法、基于二进小波变换的人脸检测算法、基于弹性模型的方法、人脸等密度线分析匹配方法等方法对待处理图像进行人脸检测，确定待处理图像中的目标区域，本发明实施例对此不做限定。
其中，在确定待处理图像中的目标区域和背景区域之后，可以对待处理图像进行裁剪，得到目标区域和背景区域两部分，再分别对目标区域和背景区域进行处理；或者，也可以不对待处理图像进行裁剪，仅对目标区域和背景区域进行标注，在后续的超分处理过程中，根据不同的标注对不同的区域分别进行处理，具体不做限定。
S103：对目标区域进行目标超分辨率重建处理，得到目标区域超分辨率重建图像。
在确定出待处理图像中的目标区域之后，就可以对目标区域进行目标超分辨率重建处理。
其中，一种实现方式中，可以通过将目标区域输入至预先训练得到的目标超分模型，实现对目标区域进行目标超分辨率重建处理，得到目标区域超分辨率重建图像。目标超分模型是基于目标样本图像作为训练集进行训练得到的。
一种情况下，目标超分模型为卷积神经网络模型，在这种情况下，可以采用如下步骤，训练得到目标超分模型：首先，获取多张目标样本图像，然后，对多张目标样本图像进行低分辨率处理，得到对应的低分辨率图像，进而，将多张目标样本图像及对应的低分辨率图像输入预设的第二训练模型，判断输出结果是否满足预设条件，如果不满足，对预设的第二训练模型进行迭代调整，直至输出结果满足预设条件，得到所述目标超分模型。
其中，多张目标样本图像是指包含目标且所述目标为主体的图像，比如，如果待处理图像中的目标为人脸，那么，目标样本图像为人脸图像；如果待处理图像中的目标为动物毛发，那么，目标样本图像为动物毛发的图像。
或者，目标超分模型也可以是基于插值或基于重建的模型，具体不做限定。
另外，在另一种实现方式中，还可以利用稀疏编码方法、贝叶斯方法或金字塔算法等图像超分方法，实现对目标区域进行目标超分辨率重建处理。
S104：对背景区域进行背景超分辨率重建处理，得到背景区域超分辨率重建图像。
在确定出待处理图像中的背景区域之后，就可以对背景区域进行背景超分辨率重建处理。该步骤可以与S103同时进行，以节省对图像进行超分辨率重建的处理所需的时间；或者，也可以与S103先后进行，以减少对电子设备(执行主体)的资源占用率，具体不做限定。
其中，可以通过将背景区域输入至预先训练得到的背景超分模型，实现对背景区域进行背景超分辨率重建处理，得到背景区域超分辨率重建图像。背景超分模型是基于非定类样本图像作为训练集进行训练得到的。
一种情况下，背景超分模型为卷积神经网络模型，在这种情况下，可以采用如下步骤，训练得到背景超分模型：首先，获取多张非定类样本图像，然后，对多张非定类样本图像进行低分辨率处理，得到对应的低分辨率图像，进而，将多张非定类样本图像及对应的低分辨率图像输入预设的第三训练模型，判断输出结果是否满足预设条件，如果不满足，对预设的第三训练模型进行迭代调整，直至输出结果满足预设条件，得到背景超分模型。
其中，非定类样本图像是指各种不同类别的图像，可以理解，基于非定类样本图像作为训练集进行训练得到的背景超分模型能够适应更多的场景，但是，在一定程度对于特定目标的超分辨率处理的效果较差。
或者，背景超分模型也可以是基于插值或基于重建的模型，具体不做限定。
另外，在另一种实现方式中，还可以利用稀疏编码方法、贝叶斯方法或金字塔算法等图像超分方法，实现对背景区域进行背景超分辨率重建处理。
S105：将目标区域超分辨率重建图像和背景区域超分辨率重建图像进行合并，生成待处理图像对应的超分辨率重建图像。
在得到目标区域超分辨率重建图像和背景区域超分辨率重建图像之后，可以对目标区域超分辨率重建图像和背景区域超分辨率重建图像进行拼接，从而得到待处理图像对应的超分辨率重建图像。
由以上可见，本发明实施例提供的对图像进行超分辨率重建的处理方法，在获取待处理图像之后，先对待处理图像进行图像分割处理，得到目标区域和背景区域，然后分别对目标区域和背景区域进行目标超分辨率重建处理和背景超分辨率重建处理，得到目标区域超分辨率重建图像和背景区域超分辨率重建图像，再将目标区域超分辨率重建图像和背景区域超分辨率重建图像进行合并，生成待处理图像对应的超分辨率重建图像。
也就是说，对待处理图像的不同性质的区域进行了不同的超分处理，可以理解，不同的超分处理会产生相应的不同的处理结果，这样，对待处理图像的目标区域而言，可以保留目标的细节，而对待处理图像的背景区域而言，可以修复计算过程中产生的马赛克和毛刺等噪声，从而可以提高得到的超分辨率重建图像的视觉效果。
举例而言，如图2A为应用本发明实施例提供的对图像进行超分辨率重建的处理方法得到的超分辨率重建图像，图2B为应用相关技术中的对图像进行超分辨率重建的处理方法得到的超分辨率重建图像，可以看出，本发明实施例提供的对图像进行超分辨率重建的处理方法可以保留人脸等皮肤部位的图像细节，使得到的超分辨率重建图像具有更好的视觉效果。
如图3所示，为本发明实施例提供的另一种对图像进行超分辨率重建的处理方法的流程示意图，包括如下步骤：
S301：获取待处理图像。
一些场景中，需要对低分辨率的图像进行超分辨率处理，得到相应的超分辨率重建图像，也就是说，待处理图像通常为分辨率较低的图像，举例而言，待处理图像可以是单张静态图像，也可以是视频或动态图像中的某一帧，具体不做限定。
一种实现方式中，待处理图像为包含脸部和/或毛发的图像，其中，脸部可以为人脸和/或动物脸部，毛发可以为人的毛发和/或动物毛发，在这种情况下，待处理图像的目标区域为脸部区域，背景区域为除脸部区域及毛发区域以外的区域。
S302：对待处理图像进行检测，识别出待处理图像中的目标的边界。
其中，待处理图像中的目标可以是人脸，也可以是动物毛发或其他需要保留其细节的物体。
举例而言，可以由电子设备(执行主体)检测出待处理图像中的目标的边界，然后，将待处理图像分割为目标区域和背景区域两部分。
其中，可以利用预先训练得到的图像分割模型对待处理图像进行图像分割，其中，预先训练得到的图像分割模型可以为ROI(region of interest，感兴趣区域)模型或边缘分割模型等。
一种情况下，图像分割模型为卷积神经网络模型，在这种情况下，可以采用如下步骤，训练得到图像分割模型：首先，获取多张图像分割样本图像及对应的样本目标区域，然后，将多张图像分割样本图像及对应的样本目标区域输入预设的第一训练模型，判断输出结果是否满足预设条件，如果不满足，对预设的第一训练模型进行迭代调整，直至输出结果满足预设条件，得到图像分割模型。
或者，也可以利用基于小波变换的图像分割方法、基于遗传算法的图像分割方法或阈值分割方法等方法，检测出待处理图像中的目标的边界，本发明实施例对此不做限定。
S303：根据待处理图像中的目标的边界，将待处理图像分割为目标区域和背景区域。
其中，目标区域为待处理图像中的目标所在的区域，也就是目标的边界所确定的区域，背景区域为待处理图像中除目标区域之外的区域。
在确定待处理图像中的目标区域和背景区域之后，可以对待处理图像进行裁剪，得到目标区域和背景区域两部分，再分别对目标区域和背景区域进行处理；或者，也可以不对待处理图像进行裁剪，仅对目标区域和背景区域进行标注，在后续的超分处理过程中，根据不同的标注对不同的区域分别进行处理，具体不做限定。
S304：将目标区域输入至预先训练得到的目标超分模型中，得到目标区域超分辨率重建图像。
其中，目标超分模型是基于目标样本图像作为训练集进行训练得到的。
一种情况下，目标超分模型为卷积神经网络模型，在这种情况下，可以采用如下步骤，训练得到目标超分模型：首先，获取多张目标样本图像，然后，对多张目标样本图像进行低分辨率处理，得到对应的低分辨率图像，进而，将多张目标样本图像及对应的低分辨率图像输入预设的第二训练模型，判断输出结果是否满足预设条件，如果不满足，对预设的第二训练模型进行迭代调整，直至输出结果满足预设条件，得到所述目标超分模型。
其中，多张目标样本图像是指包含目标且所述目标为主体的图像，比如，如果待处理图像中的目标为人脸，那么，目标样本图像为人脸图像；如果待处理图像中的目标为动物毛发，那么，目标样本图像为动物毛发的图像。
S305：将目标区域输入至预先训练得到的背景超分模型中，得到背景区域超分辨率重建图像。
该步骤可以与S304同时进行，以节省对图像进行超分辨率重建的处理所需的时间；或者，也可以与S304先后进行，以减少对电子设备(执行主体)的资源占用率，具体不做限定。
其中，背景超分模型是基于非定类样本图像作为训练集进行训练得到的。
一种情况下，背景超分模型为卷积神经网络模型，在这种情况下，可以采用如下步骤，训练得到背景超分模型：首先，获取多张非定类样本图像，然后，对多张非定类样本图像进行低分辨率处理，得到对应的低分辨率图像，进而，将多张非定类样本图像及对应的低分辨率图像输入预设的第三训练模型，判断输出结果是否满足预设条件，如果不满足，对预设的第三训练模型进行迭代调整，直至输出结果满足预设条件，得到背景超分模型。
其中，非定类样本图像是指各种不同类别的图像，可以理解，基于非定类样本图像作为训练集进行训练得到的背景超分模型能够适应更多的场景，但是，在一定程度对于特定目标的超分辨率处理的效果较差。
S306：对目标区域超分辨率重建图像和背景区域超分辨率重建图像进行合并，生成待处理图像对应的超分辨率重建图像。
在得到目标区域超分辨率重建图像和背景区域超分辨率重建图像之后，可以对目标区域超分辨率重建图像和背景区域超分辨率重建图像进行拼接，从而得到待处理图像对应的超分辨率重建图像。
由以上可见，本发明实施例提供的对图像进行超分辨率重建的处理方法，在获取待处理图像之后，先对待处理图像进行图像分割处理，得到目标区域和背景区域，然后分别对目标区域和背景区域进行目标超分辨率重建处理和背景超分辨率重建处理，得到目标区域超分辨率重建图像和背景区域超分辨率重建图像，再将目标区域超分辨率重建图像和背景区域超分辨率重建图像进行合并，生成待处理图像对应的超分辨率重建图像。
也就是说，对待处理图像的不同性质的区域进行了不同的超分处理，可以理解，不同的超分处理会产生相应的不同的处理结果，这样，对待处理图像的目标区域而言，可以保留目标的细节，而对待处理图像的背景区域而言，可以修复计算过程中产生的马赛克和毛刺等噪声，从而可以提高得到的超分辨率重建图像的视觉效果。
举例而言，如图4所示，为本发明实施例提供的对图像进行超分辨率重建的处理方法的方案示意图。
首先，在获取待处理图像之后，对待处理图像进行图像分割处理，得到目标区域和背景区域，比如，如图4所示，利用ROI模型对待处理图像进行分割处理，得到待处理图像中的目标区域和背景区域；
然后，可以将目标区域输入至预先训练得到的目标超分模型中，得到目标区域超分辨率重建图像；将目标区域输入至预先训练得到的背景超分模型中，得到背景区域超分辨率重建图像，比如，如图4所示，利用预先训练得到的人脸超分神经网络模型和背景超分神经网络模型，分别对目标区域和背景区域进行处理，得到目标区域超分辨率重建图像和背景区域超分辨率重建图像；
然后，将目标区域超分辨率重建图像和背景区域超分辨率重建图像进行合并，生成待处理图像对应的超分辨率重建图像，比如，如图4所示，对目标区域超分辨率重建图像和背景区域超分辨率重建图像进行拼接，从而得到待处理图像对应的超分辨率重建图像。
与上述对图像进行超分辨率重建的处理方法相对应，本发明实施例还提供了一种对图像进行超分辨率重建的处理装置。
如图5所示，为本发明实施例提供的一种对图像进行超分辨率重建的处理装置的结构示意图，该装置包括：
获取模块501，用于获取待处理图像；
图像分割模块502，用于对待处理图像进行图像分割处理，得到目标区域和背景区域；其中，目标区域为待处理图像中的目标所在的区域，背景区域为待处理图像中除目标区域之外的区域；
目标处理模块503，用于对目标区域进行目标超分辨率重建处理，得到目标区域超分辨率重建图像；
背景处理模块504，用于对背景区域进行背景超分辨率重建处理，得到背景区域超分辨率重建图像；
合并模块505，用于将目标区域超分辨率重建图像和背景区域超分辨率重建图像进行合并，生成待处理图像对应的超分辨率重建图像。
一种实现方式中，图像分割模块502，包括：
目标检测单元(图中未示出)，用于对待处理图像进行检测，识别出待处理图像中的目标的边界；
图像分割单元(图中未示出)，用于根据待处理图像中的目标的边界，将待处理图像分割为目标区域和背景区域。
一种实现方式中，目标检测单元(图中未示出)，还用于将待处理图像输入至预先训练得到的图像分割模型中，得到待处理图像中的目标的边界。
一种实现方式中，还包括图像分割模型训练模块(图中未示出)，用于：
获取多张图像分割样本图像及对应的样本目标区域；
将多张图像分割样本图像及对应的样本目标区域输入预设的第一训练模型，判断输出结果是否满足预设条件，如果不满足，对预设的第一训练模型进行迭代调整，直至输出结果满足预设条件，得到图像分割模型。
一种实现方式中，目标处理模块503，用于将目标区域输入至预先训练得到的目标超分模型中，得到目标区域超分辨率重建图像；其中，目标超分模型是基于目标样本图像作为训练集进行训练得到；目标样本图像是指包含目标且目标为主体的图像；
背景处理模块504，用于将背景区域输入至预先训练得到的背景超分模型中，得到背景区域超分辨率重建图像；其中，背景超分模型是基于非定类样本图像作为训练集进行训练得到；非定类样本图像是指各种不同类别的图像。
一种实现方式中，还包括目标超分模型训练模块(图中未示出)，用于：
获取多张目标样本图像；
对多张目标样本图像进行低分辨率处理，得到对应的低分辨率图像；
将多张目标样本图像及对应的低分辨率图像输入预设的第二训练模型，判断输出结果是否满足预设条件，如果不满足，对预设的第二训练模型进行迭代调整，直至输出结果满足预设条件，得到目标超分模型。
一种实现方式中，还包括背景超分模型训练模块(图中未示出)，用于：
获取多张非定类样本图像；
对多张非定类样本图像进行低分辨率处理，得到对应的低分辨率图像；
将多张非定类样本图像及对应的低分辨率图像输入预设的第三训练模型，判断输出结果是否满足预设条件，如果不满足，对预设的第三训练模型进行迭代调整，直至输出结果满足预设条件，得到背景超分模型。
一种实现方式中，待处理图像为包含脸部和/或毛发的图像；其中，脸部为人脸和/或动物脸部，毛发为人的毛发和/或动物毛发；目标区域为脸部区域，背景区域为待处理图像中除脸部区域及毛发区域以外的区域。
由以上可见，本发明实施例提供的对图像进行超分辨率重建的处理装置，对待处理图像的不同性质的区域进行了不同的超分处理，可以理解，不同的超分处理会产生相应的不同的处理结果，这样，对待处理图像的目标区域而言，可以保留目标的细节，而对待处理图像的背景区域而言，可以修复计算过程中产生的马赛克和毛刺等噪声，从而可以提高得到的超分辨率重建图像的视觉效果。
本发明实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现如下步骤：
获取待处理图像；
对待处理图像进行图像分割处理，得到目标区域和背景区域；其中，目标区域为待处理图像中的目标所在的区域，背景区域为待处理图像中除目标区域之外的区域；
对目标区域进行目标超分辨率重建处理，得到目标区域超分辨率重建图像；
对背景区域进行背景超分辨率重建处理，得到背景区域超分辨率重建图像；
将目标区域超分辨率重建图像和背景区域超分辨率重建图像进行合并，生成待处理图像对应的超分辨率重建图像。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。
由以上可见，本发明实施例提供的对图像进行超分辨率重建的处理方法，对待处理图像的不同性质的区域进行了不同的超分处理，可以理解，不同的超分处理会产生相应的不同的处理结果，这样，对待处理图像的目标区域而言，可以保留目标的细节，而对待处理图像的背景区域而言，可以修复计算过程中产生的马赛克和毛刺等噪声，从而可以提高得到的超分辨率重建图像的视觉效果。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的对图像进行超分辨率重建的处理方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的对图像进行超分辨率重建的处理方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例、电子设备实施例、存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (18)
1.一种对图像进行超分辨率重建的处理方法，其特征在于，包括：
获取待处理图像；
对所述待处理图像进行图像分割处理，得到目标区域和背景区域；其中，所述目标区域为所述待处理图像中的目标所在的区域，所述背景区域为所述待处理图像中除所述目标区域之外的区域；
对所述目标区域进行目标超分辨率重建处理，得到目标区域超分辨率重建图像；
对所述背景区域进行背景超分辨率重建处理，得到背景区域超分辨率重建图像；
将所述目标区域超分辨率重建图像和所述背景区域超分辨率重建图像进行合并，生成所述待处理图像对应的超分辨率重建图像。
2.根据权利要求1所述的方法，其特征在于，所述对所述待处理图像进行图像分割处理，得到目标区域和背景区域，包括：
对所述待处理图像进行检测，识别出所述待处理图像中的目标的边界；
根据所述待处理图像中的目标的边界，将所述待处理图像分割为目标区域和背景区域。
3.根据权利要求2所述的方法，其特征在于，所述对所述待处理图像进行检测，识别出所述待处理图像中的目标的边界，包括：
将所述待处理图像输入至预先训练得到的图像分割模型中，得到所述待处理图像中的目标的边界。
4.根据权利要求3所述的方法，其特征在于，采用如下步骤，训练得到所述图像分割模型：
获取多张图像分割样本图像及对应的样本目标区域；
将所述多张图像分割样本图像及对应的样本目标区域输入预设的第一训练模型，判断输出结果是否满足预设条件，如果不满足，对所述预设的第一训练模型进行迭代调整，直至输出结果满足预设条件，得到所述图像分割模型。
5.根据权利要求1所述的方法，其特征在于，所述对所述目标区域进行目标超分辨率重建处理，得到目标区域超分辨率重建图像，包括：
将所述目标区域输入至预先训练得到的目标超分模型中，得到所述目标区域超分辨率重建图像；其中，所述目标超分模型是基于目标样本图像作为训练集进行训练得到；所述目标样本图像是指包含目标且所述目标为主体的图像；
所述对所述背景区域进行背景超分辨率重建处理，得到背景区域超分辨率重建图像，包括：
将所述背景区域输入至预先训练得到的背景超分模型中，得到所述背景区域超分辨率重建图像；其中，所述背景超分模型是基于非定类样本图像作为训练集进行训练得到；所述非定类样本图像是指各种不同类别的图像。
6.根据权利要求5所述的方法，其特征在于，采用如下步骤，训练得到所述目标超分模型：
获取多张目标样本图像；
对所述多张目标样本图像进行低分辨率处理，得到对应的低分辨率图像；
将所述多张目标样本图像及对应的低分辨率图像输入预设的第二训练模型，判断输出结果是否满足预设条件，如果不满足，对所述预设的第二训练模型进行迭代调整，直至输出结果满足预设条件，得到所述目标超分模型。
7.根据权利要求5所述的方法，其特征在于，采用如下步骤，训练得到所述背景超分模型：
获取多张非定类样本图像；
对所述多张非定类样本图像进行低分辨率处理，得到对应的低分辨率图像；
将所述多张非定类样本图像及对应的低分辨率图像输入预设的第三训练模型，判断输出结果是否满足预设条件，如果不满足，对所述预设的第三训练模型进行迭代调整，直至输出结果满足预设条件，得到所述背景超分模型。
8.根据权利要求1所述的方法，其特征在于，所述待处理图像为包含脸部和/或毛发的图像；其中，所述脸部为人脸和/或动物脸部，所述毛发为人的毛发和/或动物毛发；所述目标区域为脸部区域，所述背景区域为所述待处理图像中除脸部区域及毛发区域以外的区域。
9.一种对图像进行超分辨率重建的处理装置，其特征在于，包括：
获取模块，用于获取待处理图像；
图像分割模块，用于对所述待处理图像进行图像分割处理，得到目标区域和背景区域；其中，所述目标区域为所述待处理图像中的目标所在的区域，所述背景区域为所述待处理图像中除所述目标区域之外的区域；
目标处理模块，用于对所述目标区域进行目标超分辨率重建处理，得到目标区域超分辨率重建图像；
背景处理模块，用于对所述背景区域进行背景超分辨率重建处理，得到背景区域超分辨率重建图像；
合并模块，用于将所述目标区域超分辨率重建图像和所述背景区域超分辨率重建图像进行合并，生成所述待处理图像对应的超分辨率重建图像。
10.根据权利要求9所述的装置，其特征在于，所述图像分割模块，包括：
目标检测单元，用于对所述待处理图像进行检测，识别出所述待处理图像中的目标的边界；
图像分割单元，用于根据所述待处理图像中的目标的边界，将所述待处理图像分割为目标区域和背景区域。
11.根据权利要求10所述的装置，其特征在于，所述目标检测单元，还用于将所述待处理图像输入至预先训练得到的图像分割模型中，得到所述待处理图像中的目标的边界。
12.根据权利要求11所述的装置，其特征在于，还包括图像分割模型训练模块，用于：
获取多张图像分割样本图像及对应的样本目标区域；
将所述多张图像分割样本图像及对应的样本目标区域输入预设的第一训练模型，判断输出结果是否满足预设条件，如果不满足，对所述预设的第一训练模型进行迭代调整，直至输出结果满足预设条件，得到所述图像分割模型。
13.根据权利要求9所述的装置，其特征在于，
所述目标处理模块，用于将所述目标区域输入至预先训练得到的目标超分模型中，得到所述目标区域超分辨率重建图像；其中，所述目标超分模型是基于目标样本图像作为训练集进行训练得到；所述目标样本图像是指包含目标且所述目标为主体的图像；
所述背景处理模块，用于将所述背景区域输入至预先训练得到的背景超分模型中，得到所述背景区域超分辨率重建图像；其中，所述背景超分模型是基于非定类样本图像作为训练集进行训练得到；所述非定类样本图像是指各种不同类别的图像。
14.根据权利要求13所述的装置，其特征在于，还包括目标超分模型训练模块，用于：
获取多张目标样本图像；
对所述多张目标样本图像进行低分辨率处理，得到对应的低分辨率图像；
将所述多张目标样本图像及对应的低分辨率图像输入预设的第二训练模型，判断输出结果是否满足预设条件，如果不满足，对所述预设的第二训练模型进行迭代调整，直至输出结果满足预设条件，得到所述目标超分模型。
15.根据权利要求13所述的装置，其特征在于，还包括背景超分模型训练模块，用于：
获取多张非定类样本图像；
对所述多张非定类样本图像进行低分辨率处理，得到对应的低分辨率图像；
将所述多张非定类样本图像及对应的低分辨率图像输入预设的第三训练模型，判断输出结果是否满足预设条件，如果不满足，对所述预设的第三训练模型进行迭代调整，直至输出结果满足预设条件，得到所述背景超分模型。
16.根据权利要求9所述的装置，其特征在于，所述待处理图像为包含脸部和/或毛发的图像；其中，所述脸部为人脸和/或动物脸部，所述毛发为人的毛发和/或动物毛发；所述目标区域为脸部区域，所述背景区域为所述待处理图像中除脸部区域及毛发区域以外的区域。
17.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-8任一所述的方法步骤。
18.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910580137.1A CN110298790A (zh) | 2019-06-28 | 2019-06-28 | 一种对图像进行超分辨率重建的处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910580137.1A CN110298790A (zh) | 2019-06-28 | 2019-06-28 | 一种对图像进行超分辨率重建的处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110298790A true CN110298790A (zh) | 2019-10-01 |
Family
ID=68029751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910580137.1A Pending CN110298790A (zh) | 2019-06-28 | 2019-06-28 | 一种对图像进行超分辨率重建的处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110298790A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796600A (zh) * | 2019-10-29 | 2020-02-14 | Oppo广东移动通信有限公司 | 一种图像超分重建方法、图像超分重建装置及电子设备 |
| CN110991310A (zh) * | 2019-11-27 | 2020-04-10 | 北京金山云网络技术有限公司 | 人像检测方法、装置、电子设备及计算机可读介质 |
| CN111079624A (zh) * | 2019-12-11 | 2020-04-28 | 北京金山云网络技术有限公司 | 一种样本信息采集的方法、装置、电子设备以及介质 |
| CN111145202A (zh) * | 2019-12-31 | 2020-05-12 | 北京奇艺世纪科技有限公司 | 模型生成方法、图像处理方法、装置、设备及存储介质 |
| CN111242087A (zh) * | 2020-01-21 | 2020-06-05 | 华为技术有限公司 | 物体识别方法及装置 |
| CN111415299A (zh) * | 2020-03-26 | 2020-07-14 | 浙江科技学院 | 一种高分辨率图像风格迁移方法 |
| CN111489293A (zh) * | 2020-03-04 | 2020-08-04 | 北京思朗科技有限责任公司 | 图像的超分辨率重建方法及装置 |
| CN111553846A (zh) * | 2020-05-12 | 2020-08-18 | Oppo广东移动通信有限公司 | 超分辨率处理方法及装置 |
| CN111612698A (zh) * | 2020-05-29 | 2020-09-01 | 西安培华学院 | 一种图像超分辨率修复重建方法 |
| CN111667411A (zh) * | 2020-06-12 | 2020-09-15 | 深圳天度物联信息技术有限公司 | 一种图像传输方法、装置、电子设备及存储介质 |
| CN113240687A (zh) * | 2021-05-17 | 2021-08-10 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备和可读存储介质 |
| CN113409192A (zh) * | 2021-06-17 | 2021-09-17 | Oppo广东移动通信有限公司 | 超分辨率芯片、超分辨率算法的更新方法和电子设备 |
| CN114202651A (zh) * | 2020-09-01 | 2022-03-18 | 武汉Tcl集团工业研究院有限公司 | 一种增强感兴趣区域的图像超分方法、系统及介质 |
| CN114450709A (zh) * | 2020-09-04 | 2022-05-06 | 华为技术有限公司 | 用于提高图像分辨率的方法、视频生成方法及相关装置 |
| CN115471398A (zh) * | 2022-08-31 | 2022-12-13 | 北京科技大学 | 图像超分辨率方法、系统、终端设备及存储介质 |
| WO2023131189A1 (zh) * | 2022-01-06 | 2023-07-13 | 北京字跳网络技术有限公司 | 一种图像修复方法及装置 |
| CN117726656A (zh) * | 2024-02-08 | 2024-03-19 | 开拓导航控制技术股份有限公司 | 基于超分辨率图像的目标跟踪方法、装置、系统和介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809461A (zh) * | 2015-05-08 | 2015-07-29 | 内蒙古科技大学 | 结合序列图像超分辨率重建的车牌识别方法及系统 |
| CN105374023A (zh) * | 2015-08-25 | 2016-03-02 | 上海联影医疗科技有限公司 | 一种分割目标区域方法，及其图像重建方法和装置 |
| CN105678728A (zh) * | 2016-01-19 | 2016-06-15 | 西安电子科技大学 | 分区域管理的高效超分辨率成像装置及方法 |
| CN106340027A (zh) * | 2016-08-26 | 2017-01-18 | 西北大学 | 一种基于图像超分辨率的书法背景重建方法 |
| CN106600538A (zh) * | 2016-12-15 | 2017-04-26 | 武汉工程大学 | 一种基于区域深度卷积神经网络的人脸超分辨率算法 |
| CN108665509A (zh) * | 2018-05-10 | 2018-10-16 | 广东工业大学 | 一种超分辨率重构方法、装置、设备及可读存储介质 |
| CN108961279A (zh) * | 2018-06-28 | 2018-12-07 | Oppo（重庆）智能科技有限公司 | 图像处理方法、装置及移动终端 |
| CN109064399A (zh) * | 2018-07-20 | 2018-12-21 | 广州视源电子科技股份有限公司 | 图像超分辨率重建方法和系统、计算机设备及其存储介质 |
-
2019
- 2019-06-28 CN CN201910580137.1A patent/CN110298790A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809461A (zh) * | 2015-05-08 | 2015-07-29 | 内蒙古科技大学 | 结合序列图像超分辨率重建的车牌识别方法及系统 |
| CN105374023A (zh) * | 2015-08-25 | 2016-03-02 | 上海联影医疗科技有限公司 | 一种分割目标区域方法，及其图像重建方法和装置 |
| CN105678728A (zh) * | 2016-01-19 | 2016-06-15 | 西安电子科技大学 | 分区域管理的高效超分辨率成像装置及方法 |
| CN106340027A (zh) * | 2016-08-26 | 2017-01-18 | 西北大学 | 一种基于图像超分辨率的书法背景重建方法 |
| CN106600538A (zh) * | 2016-12-15 | 2017-04-26 | 武汉工程大学 | 一种基于区域深度卷积神经网络的人脸超分辨率算法 |
| CN108665509A (zh) * | 2018-05-10 | 2018-10-16 | 广东工业大学 | 一种超分辨率重构方法、装置、设备及可读存储介质 |
| CN108961279A (zh) * | 2018-06-28 | 2018-12-07 | Oppo（重庆）智能科技有限公司 | 图像处理方法、装置及移动终端 |
| CN109064399A (zh) * | 2018-07-20 | 2018-12-21 | 广州视源电子科技股份有限公司 | 图像超分辨率重建方法和系统、计算机设备及其存储介质 |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021083059A1 (zh) * | 2019-10-29 | 2021-05-06 | Oppo广东移动通信有限公司 | 一种图像超分重建方法、图像超分重建装置及电子设备 |
| CN110796600B (zh) * | 2019-10-29 | 2023-08-11 | Oppo广东移动通信有限公司 | 一种图像超分重建方法、图像超分重建装置及电子设备 |
| CN110796600A (zh) * | 2019-10-29 | 2020-02-14 | Oppo广东移动通信有限公司 | 一种图像超分重建方法、图像超分重建装置及电子设备 |
| CN110991310A (zh) * | 2019-11-27 | 2020-04-10 | 北京金山云网络技术有限公司 | 人像检测方法、装置、电子设备及计算机可读介质 |
| CN110991310B (zh) * | 2019-11-27 | 2023-08-22 | 北京金山云网络技术有限公司 | 人像检测方法、装置、电子设备及计算机可读介质 |
| CN111079624A (zh) * | 2019-12-11 | 2020-04-28 | 北京金山云网络技术有限公司 | 一种样本信息采集的方法、装置、电子设备以及介质 |
| CN111079624B (zh) * | 2019-12-11 | 2023-09-01 | 北京金山云网络技术有限公司 | 一种样本信息采集的方法、装置、电子设备以及介质 |
| CN111145202B (zh) * | 2019-12-31 | 2024-03-08 | 北京奇艺世纪科技有限公司 | 模型生成方法、图像处理方法、装置、设备及存储介质 |
| CN111145202A (zh) * | 2019-12-31 | 2020-05-12 | 北京奇艺世纪科技有限公司 | 模型生成方法、图像处理方法、装置、设备及存储介质 |
| CN111242087A (zh) * | 2020-01-21 | 2020-06-05 | 华为技术有限公司 | 物体识别方法及装置 |
| CN111489293A (zh) * | 2020-03-04 | 2020-08-04 | 北京思朗科技有限责任公司 | 图像的超分辨率重建方法及装置 |
| CN111415299A (zh) * | 2020-03-26 | 2020-07-14 | 浙江科技学院 | 一种高分辨率图像风格迁移方法 |
| CN111415299B (zh) * | 2020-03-26 | 2023-03-28 | 浙江科技学院 | 一种高分辨率图像风格迁移方法 |
| CN111553846A (zh) * | 2020-05-12 | 2020-08-18 | Oppo广东移动通信有限公司 | 超分辨率处理方法及装置 |
| CN111553846B (zh) * | 2020-05-12 | 2023-05-26 | Oppo广东移动通信有限公司 | 超分辨率处理方法及装置 |
| CN111612698A (zh) * | 2020-05-29 | 2020-09-01 | 西安培华学院 | 一种图像超分辨率修复重建方法 |
| CN111667411A (zh) * | 2020-06-12 | 2020-09-15 | 深圳天度物联信息技术有限公司 | 一种图像传输方法、装置、电子设备及存储介质 |
| CN114202651A (zh) * | 2020-09-01 | 2022-03-18 | 武汉Tcl集团工业研究院有限公司 | 一种增强感兴趣区域的图像超分方法、系统及介质 |
| CN114450709A (zh) * | 2020-09-04 | 2022-05-06 | 华为技术有限公司 | 用于提高图像分辨率的方法、视频生成方法及相关装置 |
| CN113240687A (zh) * | 2021-05-17 | 2021-08-10 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备和可读存储介质 |
| CN113409192A (zh) * | 2021-06-17 | 2021-09-17 | Oppo广东移动通信有限公司 | 超分辨率芯片、超分辨率算法的更新方法和电子设备 |
| WO2023131189A1 (zh) * | 2022-01-06 | 2023-07-13 | 北京字跳网络技术有限公司 | 一种图像修复方法及装置 |
| CN114331912B (zh) * | 2022-01-06 | 2023-09-29 | 北京字跳网络技术有限公司 | 一种图像修复方法及装置 |
| CN115471398B (zh) * | 2022-08-31 | 2023-08-15 | 北京科技大学 | 图像超分辨率方法、系统、终端设备及存储介质 |
| CN115471398A (zh) * | 2022-08-31 | 2022-12-13 | 北京科技大学 | 图像超分辨率方法、系统、终端设备及存储介质 |
| CN117726656A (zh) * | 2024-02-08 | 2024-03-19 | 开拓导航控制技术股份有限公司 | 基于超分辨率图像的目标跟踪方法、装置、系统和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298790A (zh) | 一种对图像进行超分辨率重建的处理方法及装置 | |
| CN108875732B (zh) | 模型训练与实例分割方法、装置和系统及存储介质 | |
| Liu et al. | Blind image quality assessment by relative gradient statistics and adaboosting neural network | |
| CN110288530A (zh) | 一种对图像进行超分辨率重建的处理方法及装置 | |
| CN108921800B (zh) | 基于形状自适应搜索窗口的非局部均值去噪方法 | |
| CN103530878B (zh) | 一种基于融合策略的边缘提取方法 | |
| Zhang et al. | Multi-focus image fusion algorithm based on focused region extraction | |
| CN104486618B (zh) | 视频图像的噪声检测方法及装置 | |
| CN101271514A (zh) | 一种快速目标检测和目标输出的图像检测方法及装置 | |
| CN112712546A (zh) | 一种基于孪生神经网络的目标跟踪方法 | |
| Li et al. | Blind image quality assessment in the contourlet domain | |
| Omer et al. | Denoising ct images using median based filters: a review | |
| Chen et al. | The enhancement of catenary image with low visibility based on multi-feature fusion network in railway industry | |
| CN106027854A (zh) | 一种应用于相机中适于fpga实现的联合滤波降噪方法 | |
| Wu et al. | Gradient-aware blind face inpainting for deep face verification | |
| CN111814682A (zh) | 人脸活体检测方法及装置 | |
| Vyavahare et al. | Segmentation using region growing algorithm based on CLAHE for medical images | |
| Widynski et al. | A contrario edge detection with edgelets | |
| CN108694398A (zh) | 一种图像分析方法及装置 | |
| CN110033443B (zh) | 一种显示面板缺陷检测方法 | |
| CN115294162B (zh) | 目标识别方法、装置、设备及存储介质 | |
| Gun et al. | A contour detector with improved corner detection | |
| CN113392895A (zh) | 一种膝关节软骨损伤检测方法和系统 | |
| Dharmalingam et al. | Adaptive frost filtered quantile regressive artificial deep structure learning framework for image quality assessment | |
| Han et al. | Image enhancement based on spatial multi-scale homomorphic filtering and local entropy guided image filtering |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191001 |