CN110798630B - 图像处理方法及装置、电子设备和存储介质 - Google Patents

图像处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN110798630B
CN110798630B CN201911041851.XA CN201911041851A CN110798630B CN 110798630 B CN110798630 B CN 110798630B CN 201911041851 A CN201911041851 A CN 201911041851A CN 110798630 B CN110798630 B CN 110798630B
Authority
CN
China
Prior art keywords
frame
image
optical flow
sample
flow diagram
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
CN201911041851.XA
Other languages
English (en)
Other versions
CN110798630A (zh
Inventor
李思尧
许翔宇
孙文秀
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 Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development 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 Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN201911041851.XA priority Critical patent/CN110798630B/zh
Priority to JP2022519417A priority patent/JP2022549719A/ja
Priority to PCT/CN2019/127981 priority patent/WO2021082241A1/zh
Priority to KR1020227010034A priority patent/KR20220053631A/ko
Publication of CN110798630A publication Critical patent/CN110798630A/zh
Priority to TW109108716A priority patent/TWI736179B/zh
Application granted granted Critical
Publication of CN110798630B publication Critical patent/CN110798630B/zh
Priority to US17/709,695 priority patent/US20220262012A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/01—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level
    • H04N7/0135—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level involving interpolation processes
    • H04N7/0137—Conversion of standards, e.g. involving analogue television standards or digital television standards processed at pixel level involving interpolation processes dependent on presence/absence of motion, e.g. of motion zones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/14—Picture signal circuitry for video frequency region
    • H04N5/21—Circuitry for suppressing or minimising disturbance, e.g. moiré or halo
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H04N5/265—Mixing
    • 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

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

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质，所述方法包括：获取第t帧图像到第t‑1帧图像的第一光流图、第t帧图像到第t+1帧图像的第二光流图、第t+1帧图像到第t帧图像的第三光流图及第t+1帧图像到第t+2帧图像的第四光流图；根据第一光流图、第二光流图确定第一插帧光流图，并根据第三光流图、第四光流图确定第二插帧光流图；根据第一插帧光流图及第t帧图像确定第一插帧图像，并根据第二插帧光流图图像及第t+1帧图像确定第二插帧图像；对第一插帧图像及第二插帧图像进行融合处理，得到插入第t帧图像与第t+1帧图像之间的插帧图像。本公开实施例可实现提高获得的插帧图像的精度。

Description

图像处理方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
为了使视频中的运动看起来更为平滑、流畅，往往在该段视频的每两帧图像之间生成中间帧图像，并将该中间帧图像插入该两帧图像之间。
相关技术中直接或者间接的以两帧图像之间的运动为匀速运动为前提假设，利用待插帧的两帧图像生成中间帧图像。但实际场景中的运动可能是复杂的、非匀速的，导致上述生成中间帧图像的方法生成的中间帧图像的准确度并不高。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面，提供了一种图像处理方法，包括：
获取第t帧图像到第t-1帧图像的第一光流图、所述第t帧图像到第t+1帧图像的第二光流图、所述第t+1帧图像到所述第t帧图像的第三光流图及所述第t+1帧图像到所述第t+2帧图像的第四光流图，其中，t为整数；
根据所述第一光流图、所述第二光流图确定第一插帧光流图，并根据所述第三光流图、所述第四光流图确定第二插帧光流图；
根据所述第一插帧光流图及所述第t帧图像确定第一插帧图像，并根据所述第二插帧光流图图像及所述第t+1帧图像确定第二插帧图像；
对所述第一插帧图像及所述第二插帧图像进行融合处理，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像。
在一种可能的实现方式中，所述根据所述第一光流图、所述第二光流图确定第一插帧光流图，并根据所述第三光流图、所述第四光流图确定第二插帧光流图，包括：
根据所述第一光流图、所述第二光流图及预设的插帧时间确定第一插帧光流图，并根据所述第三光流图、所述第四光流图确定第二插帧光流图，其中，所述预设的插帧时间为位于采集所述第t帧图像与所述第t+1帧图像的时间的时间间隔之间的任一时间。
在一种可能的实现方式中，所述根据所述第一插帧光流图及所述第t帧图像确定第一插帧图像，并根据所述第二插帧光流图及所述第t+1帧图像确定第二插帧图像，包括：
对所述第一插帧光流图及所述第二插帧光流图进行逆转处理，得到逆转后的第一插帧光流图及逆转后的第二插帧光流图；
根据逆转后的第一插帧光流图及所述第t帧图像确定第一插帧图像，及根据逆转后的所述第二插帧光流图及所述第t+1帧图像确定第二插帧图像。
在一种可能的实现方式中，所述对所述第一插帧光流图及所述第二插帧光流图进行逆转处理，得到逆转后的第一插帧光流图及逆转后的第二插帧光流图，包括：
根据所述第一插帧光流图及所述第t帧图像确定第三插帧图像，并根据所述第二插帧光流图及所述第t+1帧图像确定第四插帧图像；
确定所述第三插帧图像中任一位置的第一邻域，并逆转所述第一邻域中各位置在所述第一插帧光流图中的光流后，确定逆转后的各位置的光流均值为该位置在所述第三插帧图像中的逆转光流；
确定所述第四插帧图像中任一位置的第二邻域，并逆转所述第二邻域中各位置在所述第二插帧光流图中的光流后，确定逆转后的各位置的光流均值为该位置在所述第四插帧图像中的逆转光流；
所述第三插帧图像中所有位置的逆转光流组成所述逆转后的第一插帧光流图，所述第四插帧图像中所有位置的逆转光流组成所述逆转后的第二插帧光流图。
在一种可能的实现方式中，所述根据逆转后的第一插帧光流图及所述第t帧图像确定第一插帧图像，及根据逆转后的所述第二插帧光流图及所述第t+1帧图像确定第二插帧图像，包括：
对所述逆转后的第一插帧光流图进行滤波处理，得到滤波后的第一插帧光流图，并对逆转后的第二插帧光流图进行滤波处理，得到滤波后的第二插帧光流图；
根据滤波后的第一插帧光流图及所述第t帧图像确定第一插帧图像，及根据滤波后的第二插帧光流图及所述第t+1帧图像确定第二插帧图像。
在一种可能的实现方式中，所述对所述逆转后的第一插帧光流图进行滤波处理，得到滤波后的第一插帧光流图，并对逆转后的第二插帧光流图进行滤波处理，得到滤波后的第二插帧光流图，包括：
根据逆转后的所述第一插帧光流图确定第一采样偏移量及第一残差，并根据逆转后的所述第二插帧光流图确定第二采样偏移量及第二残差；
根据所述第一采样偏移量及所述第一残差对所述逆转后的所述第一插帧光流图进行滤波，得到滤波后的第一插帧光流图，并根据所述第二采样偏移量及所述第二残差对所述逆转后的所述第二插帧光流图进行滤波，得到滤波后的第二插帧光流图。
在一种可能的实现方式中，所述对所述第一插帧图像及所述第二插帧图像进行融合处理，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像，包括：
根据所述第一插帧图像及所述第二插帧图像确定所述插帧图像中各位置的叠加权重；
根据所述第一插帧图像及所述第二插帧图像、及所述各位置的叠加权重，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像。
在一种可能的实现方式中，所述获取第t帧图像到第t-1帧图像的第一光流图、所述第t帧图像到第t+1帧图像的第二光流图、所述第t+1帧图像到所述第t帧图像的第三光流图及所述第t+1帧图像到所述第t+2帧图像的第四光流图，包括：
对所述第t帧图像及第t-1帧图像进行光流预测，得到所述第t帧图像到第t-1帧图像的第一光流图；
对所述第t帧图像及第t+1帧图像进行光流预测，得到所述第t帧图像到第t+1帧图像的第二光流图；
对所述第t+1帧图像及所述第t帧图像进行光流预测，得到所述第t+1帧图像到所述第t帧图像的第三光流图；
对所述第t+1帧图像及所述第t+2帧图像进行光流预测，得到所述第t+1帧图像到所述第t+2帧图像的第四光流图。
在一种可能的实现方式中，所述方法可以通过神经网络实现，所述方法还包括：通过预设的训练集训练所述神经网络，所述训练集包括多个样本图像组，每个样本图像组至少包括待插帧的第i帧样本图像和第i+1帧样本图像、及第i-1帧样本图像、第i+2帧图像、及插入所述第i帧样本图像和第i+1帧样本图像间的插帧样本图像、及所述插帧样本图像的插帧时间。
在一种可能的实现方式中，该神经网络包括：第一光流预测网络、第二光流预测网络、图像合成网络，所述通过预设的训练集训练所述神经网络，包括：
通过所述第一光流预测网络对分别对第i-1帧样本图像、第i帧样本图像、第i+1帧样本图像及第i+2帧样本图像进行光流预测，得到所述第i帧样本图像到所述第i-1帧样本图像的第一样本光流图、所述第i帧样本图像到所述第i+1帧样本图像的第二样本光流图、所述第i+1帧样本图像到所述第i帧样本图像的第三样本光流图及所述第i+1帧样本图像到所述第i+2帧样本图像的第四样本光流图，1<i<I-1，I为图像的总帧数，i、I为整数；
所述第二光流预测网络根据所述第一样本光流图、所述第二样本光流图及所述插帧样本图像的插帧时间进行光流预测，得到第一样本插帧光流图；
所述第二光流预测网络根据所述第三样本光流图、所述第四样本光流图及所述插帧样本图像的插帧时间进行光流预测，得到第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述第一样本插帧光流图及所述第二样本插帧光流图进行融合处理，得到插帧图像；
通过所述插帧图像及所述样本插帧图像确定神经网络的图像损失；
根据所述图像损失，训练所述神经网络。
在一种可能的实现方式中，所述神经网络还包括光流逆转网络，所述通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述第一样本插帧光流图及所述第二样本插帧光流图进行融合处理，得到插帧图像，包括：
通过所述光流逆转网络对第一样本插帧光流图及所述第二样本插帧光流图进行光流逆转，得到逆转后的第一样本插帧光流图、及逆转后的第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述逆转后的第一样本插帧光流图及所述逆转后的第二样本插帧光流图进行融合处理，得到插帧图像。
在一种可能的实现方式中，所述神经网络还包括滤波网络，所述通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述逆转后的第一样本插帧光流图及所述逆转后的第二样本插帧光流图进行融合处理，得到插帧图像，包括：
通过所述滤波网络对所述逆转后的第一样本插帧光流图及所述逆转后的第二样本插帧光流图进行滤波处理，得到滤波后的第一样本插帧光流图、及滤波后的第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述滤波后的第一样本插帧光流图及滤波后的第二样本插帧光流图进行融合处理，得到插帧图像。
根据本公开的一方面，提供了一种图像处理装置，包括：
获取模块，用于获取第t帧图像到第t-1帧图像的第一光流图、所述第t帧图像到第t+1帧图像的第二光流图、所述第t+1帧图像到所述第t帧图像的第三光流图及所述第t+1帧图像到所述第t+2帧图像的第四光流图，其中，t为整数；
第一确定模块，用于根据所述第一光流图、所述第二光流图确定第一插帧光流图，并根据所述第三光流图、所述第四光流图确定第二插帧光流图；
第二确定模块，用于根据所述第一插帧光流图及所述第t帧图像确定第一插帧图像，并根据所述第二插帧光流图图像及所述第t+1帧图像确定第二插帧图像；
融合模块，用于对所述第一插帧图像及所述第二插帧图像进行融合处理，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像。
在一种可能的实现方式中，所述第一确定模块，还用于：
根据所述第一光流图、所述第二光流图及预设的插帧时间确定第一插帧光流图，并根据所述第三光流图、所述第四光流图确定第二插帧光流图，其中，所述预设的插帧时间为位于采集所述第t帧图像与所述第t+1帧图像的时间的时间间隔之间的任一时间。
在一种可能的实现方式中，所述第二确定模块，还用于：
对所述第一插帧光流图及所述第二插帧光流图进行逆转处理，得到逆转后的第一插帧光流图及逆转后的第二插帧光流图；
根据逆转后的第一插帧光流图及所述第t帧图像确定第一插帧图像，及根据逆转后的所述第二插帧光流图及所述第t+1帧图像确定第二插帧图像。
在一种可能的实现方式中，所述第二确定模块，还用于：
根据所述第一插帧光流图及所述第t帧图像确定第三插帧图像，并根据所述第二插帧光流图及所述第t+1帧图像确定第四插帧图像；
确定所述第三插帧图像中任一位置的第一邻域，并逆转所述第一邻域中各位置在所述第一插帧光流图中的光流后，确定逆转后的各位置的光流均值为该位置在所述第三插帧图像中的逆转光流；
确定所述第四插帧图像中任一位置的第二邻域，并逆转所述第二邻域中各位置在所述第二插帧光流图中的光流后，确定逆转后的各位置的光流均值为该位置在所述第四插帧图像中的逆转光流；
所述第三插帧图像中所有位置的逆转光流组成所述逆转后的第一插帧光流图，所述第四插帧图像中所有位置的逆转光流组成所述逆转后的第二插帧光流图。
在一种可能的实现方式中，所述第二确定模块，还用于：
对所述逆转后的第一插帧光流图进行滤波处理，得到滤波后的第一插帧光流图，并对逆转后的第二插帧光流图进行滤波处理，得到滤波后的第二插帧光流图；
根据滤波后的第一插帧光流图及所述第t帧图像确定第一插帧图像，及根据滤波后的第二插帧光流图及所述第t+1帧图像确定第二插帧图像。
在一种可能的实现方式中，所述第二确定模块，还用于：
根据逆转后的所述第一插帧光流图确定第一采样偏移量及第一残差，并根据逆转后的所述第二插帧光流图确定第二采样偏移量及第二残差；
根据所述第一采样偏移量及所述第一残差对所述逆转后的所述第一插帧光流图进行滤波，得到滤波后的第一插帧光流图，并根据所述第二采样偏移量及所述第二残差对所述逆转后的所述第二插帧光流图进行滤波，得到滤波后的第二插帧光流图。
在一种可能的实现方式中，所述融合模块，还用于：
根据所述第一插帧图像及所述第二插帧图像确定所述插帧图像中各位置的叠加权重；
根据所述第一插帧图像及所述第二插帧图像、及所述各位置的叠加权重，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像。
在一种可能的实现方式中，所述获取模块，还用于：
对所述第t帧图像及第t-1帧图像进行光流预测，得到所述第t帧图像到第t-1帧图像的第一光流图；
对所述第t帧图像及第t+1帧图像进行光流预测，得到所述第t帧图像到第t+1帧图像的第二光流图；
对所述第t+1帧图像及所述第t帧图像进行光流预测，得到所述第t+1帧图像到所述第t帧图像的第三光流图；
对所述第t+1帧图像及所述第t+2帧图像进行光流预测，得到所述第t+1帧图像到所述第t+2帧图像的第四光流图。
在一种可能的实现方式中，所述装置可以通过神经网络实现，所述装置还包括：
训练模块，用于通过预设的训练集训练所述神经网络，所述训练集包括多个样本图像组，每个样本图像组至少包括待插帧的第i帧样本图像和第i+1帧样本图像、及第i-1帧样本图像、第i+2帧图像、及插入所述第i帧样本图像和第i+1帧样本图像间的插帧样本图像、及所述插帧样本图像的插帧时间。
在一种可能的实现方式中，所述神经网络包括：第一光流预测网络、第二光流预测网络、图像合成网络，所述训练模块，还用于：
通过所述第一光流预测网络对分别对第i-1帧样本图像、第i帧样本图像、第i+1帧样本图像及第i+2帧样本图像进行光流预测，得到所述第i帧样本图像到所述第i-1帧样本图像的第一样本光流图、所述第i帧样本图像到所述第i+1帧样本图像的第二样本光流图、所述第i+1帧样本图像到所述第i帧样本图像的第三样本光流图及所述第i+1帧样本图像到所述第i+2帧样本图像的第四样本光流图，1<i<I-1，I为图像的总帧数，i、I为整数；
所述第二光流预测网络根据所述第一样本光流图、所述第二样本光流图及所述插帧样本图像的插帧时间进行光流预测，得到第一样本插帧光流图；
所述第二光流预测网络根据所述第三样本光流图、所述第四样本光流图及所述插帧样本图像的插帧时间进行光流预测，得到第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述第一样本插帧光流图及所述第二样本插帧光流图进行融合处理，得到插帧图像；
通过所述插帧图像及所述样本插帧图像确定神经网络的图像损失；
根据所述图像损失，训练所述神经网络。
在一种可能的实现方式中，所述神经网络还包括光流逆转网络，所述训练模块，还用于：
通过所述光流逆转网络对第一样本插帧光流图及所述第二样本插帧光流图进行光流逆转，得到逆转后的第一样本插帧光流图、及逆转后的第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述逆转后的第一样本插帧光流图及所述逆转后的第二样本插帧光流图进行融合处理，得到插帧图像。
在一种可能的实现方式中，所述神经网络还包括滤波网络，所述训练模块，还用于：
通过所述滤波网络对所述逆转后的第一样本插帧光流图及所述逆转后的第二样本插帧光流图进行滤波处理，得到滤波后的第一样本插帧光流图、及滤波后的第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述滤波后的第一样本插帧光流图及滤波后的第二样本插帧光流图进行融合处理，得到插帧图像。
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调用所述存储器存储的指令，以执行上述方法。
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，所述计算机程序指令被处理器执行时实现上述方法。
这样一来，针对待插帧的第t帧图像和第t+1帧图像，可以分别对第t-1帧图像、第t帧图像、第t+1帧图像及第t+2帧图像进行光流预测，得到所述第t帧图像到所述第t-1帧图像的第一光流图、所述第t帧图像到所述第t+1帧图像的第二光流图、所述第t+1帧图像到所述第t帧图像的第三光流图及所述第t+1帧图像到所述第t+2帧图像的第四光流图，进而根据第一光流图和第二光流图及预设的插帧时间确定第一插帧光流图，根据第三光流图和第四光流图及插帧时间确定第二插帧光流图。根据第一插帧光流图及第t帧图像确定第一插帧图像，并根据第二插帧光流图图像及第t+1帧图像确定第二插帧图像。对所述第一插帧图像及所述第二插帧图像进行融合处理，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像。本公开实施例提供的图像处理方法及装置、电子设备和存储介质，可以通过多帧图像确定插帧图像，能够感知视频中物体运动的加速度，能够提高获得的插帧图像的精度，进而可以使插帧的高帧率视频更加流畅自然，获得更好的视觉效果。
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和解释性的，而非限制本公开。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
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图；
图2示出根据本公开实施例的图像处理方法的示意图；
图3示出根据本公开实施例的图像处理装置的框图；
图4示出根据本公开实施例的一种电子设备800的框图；
图5示出根据本公开实施例的一种电子设备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图像处理方法的流程图，该图像处理方法可以由终端设备或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示，所述方法可以包括：
在步骤S11中，获取所述第t帧图像到所述第t-1帧图像的第一光流图、所述第t帧图像到所述第t+1帧图像的第二光流图、所述第t+1帧图像到所述第t帧图像的第三光流图及所述第t+1帧图像到所述第t+2帧图像的第四光流图，其中，t为整数。
举例来说，第t帧图像和第t+1帧图像可以为视频中待插帧的两帧图像，第t-1帧图像、第t帧图像、第t+1帧图像及第t+2帧图像为连续的四张图像。举例来说，可以获取第t帧图像之前与第t帧图像相邻的图像为第t-1帧图像，获取第t+1帧图像之后与第t+1帧图像相邻的图像为第t+2帧图像。
在一种可能的实现方式中，上述获取第t帧图像到第t-1帧图像的第一光流图、所述第t帧图像到第t+1帧图像的第二光流图、所述第t+1帧图像到所述第t帧图像的第三光流图及所述第t+1帧图像到所述第t+2帧图像的第四光流图，可以包括：
对所述第t帧图像及第t-1帧图像进行光流预测，得到所述第t帧图像到第t-1帧图像的第一光流图、对所述第t帧图像及第t+1帧图像进行光流预测，得到所述第t帧图像到第t+1帧图像的第二光流图、对所述第t+1帧图像及所述第t帧图像进行光流预测，得到所述第t+1帧图像到所述第t帧图像的第三光流图、及对所述第t+1帧图像及所述第t+2帧图像进行光流预测，得到所述第t+1帧图像到所述第t+2帧图像的第四光流图。
举例来说，光流图是由目标对象在各个位置上的光流所组成的用于描述图像中目标对象的变化的图像信息。可以通过第t-1帧图像、第t帧图像进行光流预测，确定第t帧图像到所述第t-1帧图像的第一光流图，通过第t帧图像、第t+1帧图像进行光流预测，确定第t帧图像到所述第t+1帧图像的第二光流图，通过第t+1帧图像、第t帧图像进行光流预测，确定第t+1帧图像到所述第t帧图像的第三光流图，及通过第t+1帧图像、第t+2帧图像进行光流预测，第t+1帧图像到所述第t+2帧图像的第四光流图。其中，光流预测可以通过预训练的用于进行光流预测的神经网络实现，还可以通过其他方式实现，本公开对此不做赘述。
在步骤S12中，根据所述第一光流图、所述第二光流图确定第一插帧光流图，并根据所述第三光流图、所述第四光流图确定第二插帧光流图。
举例来说，可以假设第t帧图像为时刻为0时对应的图像帧，第t+1帧图像为时刻为1时对应的图像帧，则t-1帧图像为时刻为-1时对应的图像帧，t+2帧为时刻为2时对应的图像帧。
假设视频中的元素为匀加速运动，则可以通过第一光流图、所述第二光流图任一位置的光流值的变化确定第一插帧光流图中的该位置的光流值，可以通过第三光流图、所述第四光流图任一位置的光流值的变化确定第二插帧光流图中的该位置的光流值。
在一种可能的实现方式中，上述根据所述第一光流图、所述第二光流图确定第一插帧光流图，并根据所述第三光流图、所述第四光流图确定第二插帧光流图，可以包括：
根据所述第一光流图、所述第二光流图及预设的插帧时间确定第一插帧光流图，并根据所述第三光流图、所述第四光流图确定第二插帧光流图，其中，所述预设的插帧时间为位于采集所述第t帧图像与所述第t+1帧图像的时间的时间间隔之间的任一时间。
其中，预设的插帧时间可以为采集第t帧图像及第t+1帧图像的时间的时间间隔内的任一时间，例如：第t帧图像与第t+1帧图像的时间间隔为1s，则预设的插帧时间可以设置为0至1s之间的任一时间。假设视频中的元素为匀加速运动，则元素从第t帧图像中的位置x0到第t-1帧图像中的位置x-1的光流可以表示为公式一，元素从第t帧图像中的位置x0到第t+1帧图像中的位置x1的光流可以表示为公式二，元素从第t帧图像中的位置x0到s时刻对应的插帧图像中的位置xs的光流表示为公式三：
Figure GDA0002760488950000091
Figure GDA0002760488950000092
Figure GDA0002760488950000093
其中，f0-＞-1用于表示元素从0时刻对应的图像到-1时刻对应的图像的第一光流，f0-＞1用于表示元素从0时刻对应的图像到1时刻对应的图像的第二光流，f0-＞s用于表示元素从0时刻对应的图像到s时刻对应的第一插帧图像的第一插帧光流，x-1表示-1时刻对应的图像中元素的位置，x0用于表示0时刻对应的图像中元素的位置，x1表示1时刻对应的图像中元素的位置，xs用于表示s时刻对应的图像中元素的位置，v0表示0时刻对应的元素在图像中移动的速度，a表示元素在图像中移动的加速度。
进一步的，由上述公式一、公式二、公式三可以得到元素从0时刻对应的第t帧图像到s时刻对应的第一插帧图像的第一插帧光流表示为公式四：
f0-＞s(x0)＝(f0-＞1+f0-＞-1)/2·s2+(f0-＞1-f0-＞-1)/2·s (公式四)
同理，可以得到元素从1时刻对应的第t+1帧图像到s时刻对应的第二插帧图像的第二插帧光流表示为公式五：
f1-＞s(x0)＝(f1-＞0+f1-＞2)/2·(1-s)2+(f1-＞0-f1-＞2)/2·(1-s) (公式五)
其中，f1-＞s用于表示元素从1时刻对应的图像到s时刻对应的第二插帧图像的第二插帧光流，f1-＞0用于表示元素从1时刻对应的图像到0时刻对应的图像的第三光流，f1-＞2用于表示元素从1时刻对应的图像到2时刻对应的图像的第四光流。
通过上述公式四，可以根据第一光流及第二光流及预设的插帧时间确定第一插帧光流，各个元素的第一插帧光流可以组成第一插帧光流图，通过上述公式五，可以根据第三光流及第四光流及预设的插帧时间确定第二插帧光流，各个元素的第二插帧光流可以组成第二插帧光流图。
需要说明的是，插帧时间可以为第t帧图像至第t+1帧图像之间的任一时间，其可以对应一个时间值，也可以对应多个不同的时间值，在插帧时间对应多个不同的时间值时，可以通过上述公式四和公式五分别确定在不同插帧时间对应的第一插帧光流图及第二插帧光流图。
在步骤S13中，根据所述第一插帧光流图及所述第t帧图像确定第一插帧图像，并根据所述第二插帧光流图图像及所述第t+1帧图像确定第二插帧图像。
举例来说，第一插帧光流图为第t帧图像至第一插帧图像的光流图，故通过第一插帧光流图指导第t帧图像的运动可以得到第一插帧图像，同理，第二插帧光流图为第t+1帧图像至第二插帧图像的光流图，故通过第二插帧光流图指导第t+1帧图像的运动可以得到第二插帧图像。
在步骤S14中，对所述第一插帧图像及所述第二插帧图像进行融合处理，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像。
举例来说，可以对第一插帧图像及第二插帧图像进行融合处理(例如：将第一插帧图像与第二插帧图像进行叠加)，融合处理得到的结果即为插入第t帧图像与第t+1帧图像之间的插帧图像。
这样一来，针对待插帧的第t帧图像和第t+1帧图像，可以分别对第t-1帧图像、第t帧图像、第t+1帧图像及第t+2帧图像进行光流预测，得到所述第t帧图像到所述第t-1帧图像的第一光流图、所述第t帧图像到所述第t+1帧图像的第二光流图、所述第t+1帧图像到所述第t帧图像的第三光流图及所述第t+1帧图像到所述第t+2帧图像的第四光流图，进而根据第一光流图和第二光流图及预设的插帧时间确定第一插帧光流图，根据第三光流图和第四光流图及插帧时间确定第二插帧光流图。根据第一插帧光流图及第t帧图像确定第一插帧图像，并根据第二插帧光流图图像及第t+1帧图像确定第二插帧图像。对所述第一插帧图像及所述第二插帧图像进行融合处理，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像。本公开实施例提供的图像处理方法，可以通过多帧图像确定插帧图像，能够感知视频中物体运动的加速度，能够提高获得的插帧图像的精度，进而可以使插帧的高帧率视频更加流畅自然，获得更好的视觉效果。
在一种可能的实现方式中，所述根据所述第一插帧光流图及所述第t帧图像确定第一插帧图像，并根据所述第二插帧光流图及所述第t+1帧图像确定第二插帧图像，可以包括：
对所述第一插帧光流图及所述第二插帧光流图进行逆转处理，得到逆转后的第一插帧光流图及逆转后的第二插帧光流图；
根据逆转后的第一插帧光流图及所述第t帧图像确定第一插帧图像，及根据逆转后的所述第二插帧光流图及所述第t+1帧图像确定第二插帧图像。
为了进一步提高所获得的插帧图像的精度，可以对第一插帧光流图及第二插帧光流图进行逆转处理，将第一插帧光流图及第二插帧光流图中的各位置向相反的方向进行逆转，以根据逆转后的第一插帧光流图及逆转后的第二插帧光流图确定第一插帧图像及第二插帧图像。
举例来说，对元素由0时刻对应的位置x0移动至s时刻对应的x1位置处对应的光流f0->s的逆转可以理解为，将其变换为元素由s时刻的x1位置处移动至0时刻对应的位置处对应的光流fs->0。
在一种可能的实现方式中，上述对所述第一插帧光流图及所述第二插帧光流图进行逆转处理，得到逆转后的第一插帧光流图及逆转后的第二插帧光流图，可以包括：
根据所述第一插帧光流图及所述第t帧图像确定第三插帧图像，并根据所述第二插帧光流图及所述第t+1帧图像确定第四插帧图像；
确定所述第三插帧图像中任一位置的第一邻域，并逆转所述第一邻域中各位置在所述第一插帧光流图中的光流后，确定逆转后的各位置的光流均值为该位置在所述第三插帧图像中的逆转光流；
确定所述第四插帧图像中任一位置的第二邻域，并逆转所述第二邻域中各位置在所述第二插帧光流图中的光流后，确定逆转后的各位置的光流均值为该位置在所述第四插帧图像中的逆转光流；
所述第三插帧图像中所有位置的逆转光流组成所述逆转后的第一插帧光流图，所述第四插帧图像中所有位置的逆转光流组成所述逆转后的第二插帧光流图。
举例来说，可以首先投影上述第一插帧光流图至第t帧图像中，得到第三插帧图像，其中第t帧图像中的位置x1在第三插帧图像中对应于x1+f0->s(x1)，其中，f0->s(x1)为位置x1在第一插帧光流图中对应的光流。同理，可以投影上述第二插帧光流图至第t+1帧图像中，得到第四插帧图像，其中第t+1帧图像中的位置x2在第四插帧图像中对应的与x2+f1->s(x2)，其中，f1->s(x2)为位置x2在第二插帧光流图中对应的光流。
针对上述第三插帧图像，可以确定该第三插帧图像中任一位置的第一邻域，并逆转该第一邻域中各位置在第一插帧光流图中的光流后，确定逆转后的各位置的光流的均值为该位置在第三插帧图像中的逆转光流。
示例性的，可以采下述公式六实现对第一插帧光流图的逆转处理：
Figure GDA0002760488950000111
其中，fs-＞0(u)可以表示位置u在逆转后第一插帧光流图中的光流，x表示位置x移动f0-＞s(x)后位于第一邻域中，N(u)可以表示第一邻域，f0-＞s(x)表示位置x在第一插帧光流图中的光流，ω(||x+f0-＞s(x)-u||2)表示-f0-＞s(x)的高斯权重，其中，
Figure GDA0002760488950000121
同理，第二插帧光流图的逆转过程可以参照第一插帧光流图的逆转过程，本公开在此不再赘述。
在一种可能的实现方式中，所述根据逆转后的第一插帧光流图及所述第t帧图像确定第一插帧图像，及根据逆转后的所述第二插帧光流图及所述第t+1帧图像确定第二插帧图像，包括：
对所述逆转后的第一插帧光流图进行滤波处理，得到滤波后的第一插帧光流图，并对逆转后的第二插帧光流图进行滤波处理，得到滤波后的第二插帧光流图；
根据滤波后的第一插帧光流图及所述第t帧图像确定第一插帧图像，及根据滤波后的第二插帧光流图及所述第t+1帧图像确定第二插帧图像。
举例来说，可以分别对逆转后的第一插帧光流图和第二插帧光流图进行采样，例如：仅采样邻域中的一个位置，以实现自适应的对逆转后的第一插帧光流图及第二插帧光流图的滤波处理，避免了加权平均的问题，可以减少逆转后的第一插帧光流图及第二插帧光流图中的伪影，去除异常值，进而提高所生成的插帧图像的精度。
在一种可能的实现方式中，所述对所述逆转后的第一插帧光流图进行滤波处理，得到滤波后的第一插帧光流图，并对逆转后的第二插帧光流图进行滤波处理，得到滤波后的第二插帧光流图，可以包括：
根据逆转后的所述第一插帧光流图确定第一采样偏移量及第一残差，并根据逆转后的所述第二插帧光流图确定第二采样偏移量及第二残差；
根据所述第一采样偏移量及所述第一残差对所述逆转后的所述第一插帧光流图进行滤波，得到滤波后的第一插帧光流图，并根据所述第二采样偏移量及所述第二残差对所述逆转后的所述第二插帧光流图进行滤波，得到滤波后的第二插帧光流图。
举例来说，可以通过第一插帧光流图确定第一采样偏移量及第一残差，其中第一采样偏移量为第一插帧光流图的采样的映射，可以通过第二插帧光流图确定第二采样偏移量及第二残差，其中第二采样偏移量为第二插帧光流图的采样的映射。
示例性的，可以通过下述公式七实现对第一插帧光流图的滤波处理：
f's-＞0(u)＝f0-s(u+σ(u))+r(u) (公式七)
其中，f's-＞0(u)表示位置u在滤波后的第一插帧光流图中的光流，σ(u)表示第一采样偏移量，r(u)表示第一残差，f0-s(u+σ(u))表示采样后的位置u在逆转后的第一插帧光流图中的光流。
同理，第二插帧光流图的滤波处理可以参照第一插帧光流图的滤波处理的过程，本公开在此不再赘述。
这样，我们通过在一个邻域中依赖异常值周围的光流值来采样，以在邻域中找到合适的采样位置，进一步的结合残差可以提高所获得的插帧图像的精度。
在一种可能的实现方式中，所述对所述第一插帧图像及所述第二插帧图像进行融合处理，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像，可以包括：
根据所述第一插帧图像及所述第二插帧图像确定所述插帧图像中各位置的叠加权重；
根据第t帧图像及所述第t+1帧图像、及所述各位置的叠加权重，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像。
举例来说，可以将第一插帧图像及第二插帧图像进行叠加，得到插入第t帧图像与第t+1帧图像之间的插帧图像，例如：在叠加过程中，通过第二插帧图像对第一插帧图像中被遮挡的位置进行元素补充。这样一来，可以得到高精度的插帧图像。
可以通过第一插帧图像及第二插帧图像确定插帧图像中各位置的叠加权重，在位置的叠加权重为0时，可以确定该位置上的元素在第一插帧图像中被遮挡，在第二插帧图像中未被遮挡，需要通过第二插帧图像对第一插帧图像中的该位置的元素进行补充，在位置的叠加权重为1时，可以确定该位置上的元素在第一插帧图像中未被遮挡，不需要进行补充操作。
示例性的，可以通过下述公式八实现上述融合操作：
Figure GDA0002760488950000131
其中，上述Is(u)可以表示插帧图像，m(u)可以表示位置u的叠加权重，I0表示第t帧图像，I1表示第t+1帧图像，fs-＞0(u)表示元素从插帧图像的位置u到第t帧图像的光流，fs-＞1(u)表示元素从插帧图像的位置u到第t+1帧图像的光流，I0(u+fs-＞0(u))表示第一插帧图像，I1(u+fs-＞1(u))表示第二插帧图像。
为了使本领域技术人员更好的理解本公开实施例，以下通过图2所示的具体示例对公开实施例加以说明。
参照图2，待插帧图像为时刻0对应的图像帧I0及时刻1对应的图像帧I1，获取图像帧I-1和图像帧I2，输入上述图像帧I-1、图像帧I0、图像帧I1、和图像帧I2至第一光流预测网络进行光流预测，得到图像帧I0至图像帧I-1的第一光流图，图像帧I0至图像帧I1的第二光流图，图像帧I1至图像帧I0的第三光流图及图像帧I1至图像帧I2的第四光流图。
输入第一光流图、第二光流图及第插帧时间至第二光流预测网络进行光流预测，得到第一插帧光流图，输入第三光流图、第四光流图及第插帧时间至第二光流预测网络进行光流预测，得到第二插帧光流图。
通过光流逆转网络对第一插帧光流图进行光流逆转后，得到逆转后的第一插帧光流图，通过光流逆转网络对第二插帧光流图进行光流逆转后，得到逆转后的第二插帧光流图。
最后，将逆转后的第一插帧光流图及第二插帧光流图、以及图像帧I0及图像帧I1输入图像合成网络，通过图像合成网络合成插帧图像，包括：通过滤波网络对第一插帧光流图及第二插帧光流图进行滤波处理，根据滤波后的第一插帧光流图及第二插帧光流图、以及图像帧I0及图像帧I1输入图像合成插帧图像。
在一种可能的实现方式中，上述方法可以通过神经网络实现，所述方法还包括：通过预设的训练集训练所述神经网络，所述训练集包括多个样本图像组，每个样本图像组至少包括待插帧的第i帧样本图像和第i+1帧样本图像、及第i-1帧样本图像、第i+2帧样本图像、及插入所述第i帧样本图像和第i+1帧样本图像间的插帧样本图像、及所述插帧样本图像的插帧时间。
举例来说，上述样本图像组可以由视频中进行选择。例如：可以等间距从视频中获取至少连续的五张图像作为样本图像，其中，前两张图像及后两张图像可以依次作为第i-1帧样本图像、第i帧样本图像、第i+1帧样本图像、第i+2帧样本图像，其余图像作为插入第i帧样本图像和第i+1帧样本图像间的插帧样本图像，第i帧样本图像和第i+1帧样本图像对应的时间信息为插帧时间。
可以通过上述样本图像组训练上述神经网络。
在一种可能的实现方式中，该神经网络可以包括：第一光流预测网络、第二光流预测网络、图像合成网络，所述通过预设的训练集训练所述神经网络，可以包括：
通过所述第一光流预测网络对分别对第i-1帧样本图像、第i帧样本图像、第i+1帧样本图像及第i+2帧样本图像进行光流预测，得到所述第i帧样本图像到所述第i-1帧样本图像的第一样本光流图、所述第i帧样本图像到所述第i+1帧样本图像的第二样本光流图、所述第i+1帧样本图像到所述第i帧样本图像的第三样本光流图及所述第i+1帧样本图像到所述第i+2帧样本图像的第四样本光流图，1<i<I-1，I为图像的总帧数，i、I为整数；
所述第二光流预测网络根据所述第一样本光流图、所述第二样本光流图及所述插帧样本图像的插帧时间进行光流预测，得到第一样本插帧光流图；
所述第二光流预测网络根据所述第三样本光流图、所述第四样本光流图及所述插帧样本图像的插帧时间进行光流预测，得到第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述第一样本插帧光流图及所述第二样本插帧光流图进行融合处理，得到插帧图像；
通过所述插帧图像及所述样本插帧图像确定神经网络的图像损失；
根据所述图像损失，训练所述神经网络。
举例来说，第一光流预测网络可以根据第i帧样本图像、第i-1帧样本图像进行光流预测，得到第i帧样本图像至第i-1帧样本图像的第一样本光流图，第一光流预测网络可以根据第i帧样本图像、第i+1帧样本图像进行光流预测，得到第i帧样本图像至第i+1帧样本图像的第二样本光流图，第一光流预测网络可以根据第i+1帧样本图像、第i帧样本图像进行光流预测，得到第i+1帧样本图像至第i帧样本图像的第三样本光流图，第一光流预测网络可以根据第i+1帧样本图像、第i+2帧样本图像进行光流预测，得到第i+1帧样本图像至第i+2帧样本图像的第四样本光流图。
其中，上述第一光流预测网络可以为预训练的用于进行光流预测的神经网络，训练过程可以参照相关技术，本公开实施例在此不再赘述。
第二光流预测网络可以根据第一样本光流图、第二样本光流图及插帧样本图像的插帧时间进行光流预测，得到第一样本插帧光流图，第二光流预测网络可以根据第三样本光流图、第四样本光流图及插帧样本图像的插帧时间进行光流预测，得到第二样本插帧光流图，该第二光流预测网络的光流预测过程可以参照前述实施例，本公开在此不再赘述。
图像合成网络可以根据第一插帧光流图及第i帧样本图像得到第一插帧样本图像及根据第二插帧光流图及第i+1帧样本图像得到第二插帧样本图像后，将第一插帧样本图像及第二插帧样本图像进行融合，例如：叠加第一插帧样本图像及第二插帧样本图像，得到插入第i帧样本图像及第i+1帧样本图像之间的样本图像。
根据该插帧样本图像及样本插帧图像可以确定神经网络的图像损失，进而根据该图像损失调整神经网络的网络参数，直至神经网络的图像损失满足训练要求，例如：小于损失阈值。
在一种可能的实现方式中，所述神经网络还包括光流逆转网络，所述通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述第一样本插帧光流图及所述第二样本插帧光流图进行融合处理，得到插帧图像，可以包括：
通过所述光流逆转网络对所述第一样本插帧光流图及所述第二样本插帧光流图进行光流逆转，得到逆转后的第一样本插帧光流图、及逆转后的第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述逆转后的第一样本插帧光流图及所述逆转后的第二样本插帧光流图进行融合处理，得到插帧图像。
举例来说，光流逆转网络可以对第一样本插帧光流图及第二样本插帧光流图进行光流逆转，具体过程可以参照前述实施例，本公开在此不再赘述。图像合成网络可以在光流逆转后，根据逆转后的第一样本插帧光流图及第i帧样本图像得到第一插帧样本图像、根据逆转后的第二样本插帧光流图及第i+1帧样本图像得到第二插帧样本图像，进而将第一插帧样本图像及第二插帧样本图像进行融合，得到插入第i帧样本图像及第i+1帧样本图像之间的样本图像。
在一种可能的实现方式中，上述神经网络还可以包括滤波网络，所述通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述逆转后的第一样本插帧光流图及所述逆转后的第二样本插帧光流图进行融合处理，得到插帧图像，包括：
通过所述滤波网络对所述第一样本插帧光流图及第二样本插帧光流图进行滤波处理，得到滤波后的第一样本插帧光流图、及滤波后的第二样本插帧光流图；
通过所述图像合成网络对逆转后的第i帧样本图像及所述逆转后的第i+1帧样本图像、所述滤波后的第一样本插帧光流图及滤波后的第二样本插帧光流图进行融合处理，得到插帧图像。
滤波网络可以分别对逆转后的第一样本插帧光流图及逆转后的第二样本插帧光流图进行滤波处理，得到滤波后的第一样本插帧光流图及滤波后的第二样本插帧光流图，具体过程可以参照前述实施例，本公开在此不再赘述。
图像合成网络可以根据滤波后的第一样本插帧光流图及第i帧样本图像得到第一插帧样本图像，根据滤波后的第二样本插帧光流图及第i+1帧样本图像得到第二插帧样本图像，进而将第一插帧样本图像及第二插帧样本图像进行融合，得到插入第i帧样本图像及第i+1帧样本图像之间的样本图像。
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。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了图像处理装置、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图像处理方法，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3示出根据本公开实施例的图像处理装置的框图，如图3所示，所述装置包括：
获取模块301，可以用于获取第t帧图像到第t-1帧图像的第一光流图、所述第t帧图像到第t+1帧图像的第二光流图、所述第t+1帧图像到所述第t帧图像的第三光流图及所述第t+1帧图像到所述第t+2帧图像的第四光流图，其中，t为整数；
第一确定模块302，可以用于根据所述第一光流图、所述第二光流图确定第一插帧光流图，并根据所述第三光流图、所述第四光流图确定第二插帧光流图；
第二确定模块303，可以用于根据所述第一插帧光流图及所述第t帧图像确定第一插帧图像，并根据所述第二插帧光流图图像及所述第t+1帧图像确定第二插帧图像；
融合模块304，可以用于对所述第一插帧图像及所述第二插帧图像进行融合处理，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像。
这样一来，针对待插帧的第t帧图像和第t+1帧图像，可以分别对第t-1帧图像、第t帧图像、第t+1帧图像及第t+2帧图像进行光流预测，得到所述第t帧图像到所述第t-1帧图像的第一光流图、所述第t帧图像到所述第t+1帧图像的第二光流图、所述第t+1帧图像到所述第t帧图像的第三光流图及所述第t+1帧图像到所述第t+2帧图像的第四光流图，进而根据第一光流图和第二光流图及预设的插帧时间确定第一插帧光流图，根据第三光流图和第四光流图及插帧时间确定第二插帧光流图。根据第一插帧光流图及第t帧图像确定第一插帧图像，并根据第二插帧光流图图像及第t+1帧图像确定第二插帧图像。对所述第一插帧图像及所述第二插帧图像进行融合处理，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像。本公开实施例提供的图像处理装置，可以通过多帧图像确定插帧图像，能够感知视频中物体运动的加速度，能够提高获得的插帧图像的精度，进而可以使插帧的高帧率视频更加流畅自然，获得更好的视觉效果。
在一种可能的实现方式中，所述第一确定模块，还可以用于：
根据所述第一光流图、所述第二光流图及预设的插帧时间确定第一插帧光流图，并根据所述第三光流图、所述第四光流图确定第二插帧光流图，其中，所述预设的插帧时间为位于采集所述第t帧图像与所述第t+1帧图像的时间的时间间隔之间的任一时间。
在一种可能的实现方式中，所述第二确定模块，还可以用于：
对所述第一插帧光流图及所述第二插帧光流图进行逆转处理，得到逆转后的第一插帧光流图及逆转后的第二插帧光流图；
根据逆转后的第一插帧光流图及所述第t帧图像确定第一插帧图像，及根据逆转后的所述第二插帧光流图及所述第t+1帧图像确定第二插帧图像。
在一种可能的实现方式中，所述第二确定模块，还可以用于：
根据所述第一插帧光流图及所述第t帧图像确定第三插帧图像，并根据所述第二插帧光流图及所述第t+1帧图像确定第四插帧图像；
确定所述第三插帧图像中任一位置的第一邻域，并逆转所述第一邻域中各位置在所述第一插帧光流图中的光流后，确定逆转后的各位置的光流均值为该位置在所述第三插帧图像中的逆转光流；
确定所述第四插帧图像中任一位置的第二邻域，并逆转所述第二邻域中各位置在所述第二插帧光流图中的光流后，确定逆转后的各位置的光流均值为该位置在所述第四插帧图像中的逆转光流；
所述第三插帧图像中所有位置的逆转光流组成所述逆转后的第一插帧光流图，所述第四插帧图像中所有位置的逆转光流组成所述逆转后的第二插帧光流图。
在一种可能的实现方式中，所述第二确定模块，还可以用于：
对所述逆转后的第一插帧光流图进行滤波处理，得到滤波后的第一插帧光流图，并对逆转后的第二插帧光流图进行滤波处理，得到滤波后的第二插帧光流图；
根据滤波后的第一插帧光流图及所述第t帧图像确定第一插帧图像，及根据滤波后的第二插帧光流图及所述第t+1帧图像确定第二插帧图像。
在一种可能的实现方式中，所述第二确定模块，还可以用于：
根据逆转后的所述第一插帧光流图确定第一采样偏移量及第一残差，并根据逆转后的所述第二插帧光流图确定第二采样偏移量及第二残差；
根据所述第一采样偏移量及所述第一残差对所述逆转后的所述第一插帧光流图进行滤波，得到滤波后的第一插帧光流图，并根据所述第二采样偏移量及所述第二残差对所述逆转后的所述第二插帧光流图进行滤波，得到滤波后的第二插帧光流图。
在一种可能的实现方式中，所述融合模块，还可以用于：
根据所述第一插帧图像及所述第二插帧图像确定所述插帧图像中各位置的叠加权重；
根据所述第一插帧图像及所述第二插帧图像、及所述各位置的叠加权重，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像。
在一种可能的实现方式中，所述获取模块，还可以用于：
对所述第t帧图像及第t-1帧图像进行光流预测，得到所述第t帧图像到第t-1帧图像的第一光流图；
对所述第t帧图像及第t+1帧图像进行光流预测，得到所述第t帧图像到第t+1帧图像的第二光流图；
对所述第t+1帧图像及所述第t帧图像进行光流预测，得到所述第t+1帧图像到所述第t帧图像的第三光流图；
对所述第t+1帧图像及所述第t+2帧图像进行光流预测，得到所述第t+1帧图像到所述第t+2帧图像的第四光流图。
在一种可能的实现方式中，所述装置可以通过神经网络实现，所述装置还可以包括：
训练模块，可以用于通过预设的训练集训练所述神经网络，所述训练集包括多个样本图像组，每个样本图像组至少包括待插帧的第i帧样本图像和第i+1帧样本图像、及第i-1帧样本图像、第i+2帧图像、及插入所述第i帧样本图像和第i+1帧样本图像间的插帧样本图像、及所述插帧样本图像的插帧时间。
在一种可能的实现方式中，所述神经网络可以包括：第一光流预测网络、第二光流预测网络、图像合成网络，所述训练模块，还可以用于：
通过所述第一光流预测网络对分别对第i-1帧样本图像、第i帧样本图像、第i+1帧样本图像及第i+2帧样本图像进行光流预测，得到所述第i帧样本图像到所述第i-1帧样本图像的第一样本光流图、所述第i帧样本图像到所述第i+1帧样本图像的第二样本光流图、所述第i+1帧样本图像到所述第i帧样本图像的第三样本光流图及所述第i+1帧样本图像到所述第i+2帧样本图像的第四样本光流图，1<i<I-1，I为图像的总帧数，i、I为整数；
所述第二光流预测网络根据所述第一样本光流图、所述第二样本光流图及所述插帧样本图像的插帧时间进行光流预测，得到第一样本插帧光流图；
所述第二光流预测网络根据所述第三样本光流图、所述第四样本光流图及所述插帧样本图像的插帧时间进行光流预测，得到第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述第一样本插帧光流图及所述第二样本插帧光流图进行融合处理，得到插帧图像；
通过所述插帧图像及所述样本插帧图像确定神经网络的图像损失；
根据所述图像损失，训练所述神经网络。
在一种可能的实现方式中，所述神经网络还可以包括光流逆转网络，所述训练模块，还可以用于：
通过所述光流逆转网络对第一样本插帧光流图及所述第二样本插帧光流图进行光流逆转，得到逆转后的第一样本插帧光流图、及逆转后的第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述逆转后的第一样本插帧光流图及所述逆转后的第二样本插帧光流图进行融合处理，得到插帧图像。
在一种可能的实现方式中，所述神经网络还可以包括滤波网络，所述训练模块，还可以用于：
通过所述滤波网络对所述逆转后的第一样本插帧光流图及所述逆转后的第二样本插帧光流图进行滤波处理，得到滤波后的第一样本插帧光流图、及滤波后的第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述滤波后的第一样本插帧光流图及滤波后的第二样本插帧光流图进行融合处理，得到插帧图像。
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，所述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，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图片搜索方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图片搜索方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备800的框图。例如，电子设备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，个人数字助理等终端。
参照图4，电子设备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通常控制电子设备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电子设备800的操作。这些数据的示例包括用于在电子设备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为电子设备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，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备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。当电子设备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)，当电子设备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，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备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被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备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，电子设备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电子设备800的处理器820执行以完成上述方法。
图5示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备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。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS 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电子设备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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
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的改进，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 (26)

1.一种图像处理方法，其特征在于，包括：
获取第t帧图像到第t-1帧图像的第一光流图、所述第t帧图像到第t+1帧图像的第二光流图、所述第t+1帧图像到所述第t帧图像的第三光流图及所述第t+1帧图像到第t+2帧图像的第四光流图，其中，t为整数；
根据所述第一光流图、所述第二光流图确定第一插帧光流图，并根据所述第三光流图、所述第四光流图确定第二插帧光流图；
根据所述第一插帧光流图及所述第t帧图像确定第一插帧图像，并根据所述第二插帧光流图图像及所述第t+1帧图像确定第二插帧图像；
对所述第一插帧图像及所述第二插帧图像进行融合处理，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一光流图、所述第二光流图确定第一插帧光流图，并根据所述第三光流图、所述第四光流图确定第二插帧光流图，包括：
根据所述第一光流图、所述第二光流图及预设的插帧时间确定第一插帧光流图，并根据所述第三光流图、所述第四光流图及所述预设的插帧时间确定第二插帧光流图，其中，所述预设的插帧时间为位于采集所述第t帧图像与所述第t+1帧图像的时间的时间间隔之间的任一时间。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一插帧光流图及所述第t帧图像确定第一插帧图像，并根据所述第二插帧光流图及所述第t+1帧图像确定第二插帧图像，包括：
对所述第一插帧光流图及所述第二插帧光流图进行逆转处理，得到逆转后的第一插帧光流图及逆转后的第二插帧光流图；
根据逆转后的第一插帧光流图及所述第t帧图像确定第一插帧图像，及根据逆转后的所述第二插帧光流图及所述第t+1帧图像确定第二插帧图像。
4.根据权利要求3所述的方法，其特征在于，所述对所述第一插帧光流图及所述第二插帧光流图进行逆转处理，得到逆转后的第一插帧光流图及逆转后的第二插帧光流图，包括：
根据所述第一插帧光流图及所述第t帧图像确定第三插帧图像，并根据所述第二插帧光流图及所述第t+1帧图像确定第四插帧图像；
确定所述第三插帧图像中任一位置的第一邻域，并逆转所述第一邻域中各位置在所述第一插帧光流图中的光流后，确定逆转后的各位置的光流均值为该位置在所述第三插帧图像中的逆转光流；
确定所述第四插帧图像中任一位置的第二邻域，并逆转所述第二邻域中各位置在所述第二插帧光流图中的光流后，确定逆转后的各位置的光流均值为该位置在所述第四插帧图像中的逆转光流；
所述第三插帧图像中所有位置的逆转光流组成所述逆转后的第一插帧光流图，所述第四插帧图像中所有位置的逆转光流组成所述逆转后的第二插帧光流图。
5.根据权利要求3所述的方法，其特征在于，所述根据逆转后的第一插帧光流图及所述第t帧图像确定第一插帧图像，及根据逆转后的所述第二插帧光流图及所述第t+1帧图像确定第二插帧图像，包括：
对所述逆转后的第一插帧光流图进行滤波处理，得到滤波后的第一插帧光流图，并对逆转后的第二插帧光流图进行滤波处理，得到滤波后的第二插帧光流图；
根据滤波后的第一插帧光流图及所述第t帧图像确定第一插帧图像，及根据滤波后的第二插帧光流图及所述第t+1帧图像确定第二插帧图像。
6.根据权利要求5所述的方法，其特征在于，所述对所述逆转后的第一插帧光流图进行滤波处理，得到滤波后的第一插帧光流图，并对逆转后的第二插帧光流图进行滤波处理，得到滤波后的第二插帧光流图，包括：
根据逆转后的所述第一插帧光流图确定第一采样偏移量及第一残差，并根据逆转后的所述第二插帧光流图确定第二采样偏移量及第二残差；
根据所述第一采样偏移量及所述第一残差对所述逆转后的所述第一插帧光流图进行滤波，得到滤波后的第一插帧光流图，并根据所述第二采样偏移量及所述第二残差对所述逆转后的所述第二插帧光流图进行滤波，得到滤波后的第二插帧光流图。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述对所述第一插帧图像及所述第二插帧图像进行融合处理，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像，包括：
根据所述第一插帧图像及所述第二插帧图像确定所述插帧图像中各位置的叠加权重；
根据所述第一插帧图像及所述第二插帧图像、及所述各位置的叠加权重，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像。
8.根据权利要求1至6中任一项所述的方法，其特征在于，所述获取第t帧图像到第t-1帧图像的第一光流图、所述第t帧图像到第t+1帧图像的第二光流图、所述第t+1帧图像到所述第t帧图像的第三光流图及所述第t+1帧图像到所述第t+2帧图像的第四光流图，包括：
对所述第t帧图像及第t-1帧图像进行光流预测，得到所述第t帧图像到第t-1帧图像的第一光流图；
对所述第t帧图像及第t+1帧图像进行光流预测，得到所述第t帧图像到第t+1帧图像的第二光流图；
对所述第t+1帧图像及所述第t帧图像进行光流预测，得到所述第t+1帧图像到所述第t帧图像的第三光流图；
对所述第t+1帧图像及所述第t+2帧图像进行光流预测，得到所述第t+1帧图像到所述第t+2帧图像的第四光流图。
9.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法可以通过神经网络实现，所述方法还包括：通过预设的训练集训练所述神经网络，所述训练集包括多个样本图像组，每个样本图像组至少包括待插帧的第i帧样本图像和第i+1帧样本图像、及第i-1帧样本图像、第i+2帧图像、及插入所述第i帧样本图像和第i+1帧样本图像间的插帧样本图像、及所述插帧样本图像的插帧时间。
10.根据权利要求9所述的方法，其特征在于，该神经网络包括：第一光流预测网络、第二光流预测网络、图像合成网络，所述通过预设的训练集训练所述神经网络，包括：
通过所述第一光流预测网络对分别对第i-1帧样本图像、第i帧样本图像、第i+1帧样本图像及第i+2帧样本图像进行光流预测，得到所述第i帧样本图像到所述第i-1帧样本图像的第一样本光流图、所述第i帧样本图像到所述第i+1帧样本图像的第二样本光流图、所述第i+1帧样本图像到所述第i帧样本图像的第三样本光流图及所述第i+1帧样本图像到所述第i+2帧样本图像的第四样本光流图，1<i<I-1，I为图像的总帧数，i、I为整数；
所述第二光流预测网络根据所述第一样本光流图、所述第二样本光流图及所述插帧样本图像的插帧时间进行光流预测，得到第一样本插帧光流图；
所述第二光流预测网络根据所述第三样本光流图、所述第四样本光流图及所述插帧样本图像的插帧时间进行光流预测，得到第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述第一样本插帧光流图及所述第二样本插帧光流图进行融合处理，得到插帧图像；
通过所述插帧图像及所述样本插帧图像确定神经网络的图像损失；
根据所述图像损失，训练所述神经网络。
11.根据权利要求10所述的方法，其特征在于，所述神经网络还包括光流逆转网络，所述通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述第一样本插帧光流图及所述第二样本插帧光流图进行融合处理，得到插帧图像，包括：
通过所述光流逆转网络对第一样本插帧光流图及所述第二样本插帧光流图进行光流逆转，得到逆转后的第一样本插帧光流图、及逆转后的第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述逆转后的第一样本插帧光流图及所述逆转后的第二样本插帧光流图进行融合处理，得到插帧图像。
12.根据权利要求11所述的方法，其特征在于，所述神经网络还包括滤波网络，所述通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述逆转后的第一样本插帧光流图及所述逆转后的第二样本插帧光流图进行融合处理，得到插帧图像，包括：
通过所述滤波网络对所述逆转后的第一样本插帧光流图及所述逆转后的第二样本插帧光流图进行滤波处理，得到滤波后的第一样本插帧光流图、及滤波后的第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述滤波后的第一样本插帧光流图及滤波后的第二样本插帧光流图进行融合处理，得到插帧图像。
13.一种图像处理装置，其特征在于，包括：
获取模块，用于获取第t帧图像到第t-1帧图像的第一光流图、所述第t帧图像到第t+1帧图像的第二光流图、所述第t+1帧图像到所述第t帧图像的第三光流图及所述第t+1帧图像到第t+2帧图像的第四光流图，其中，t为整数；
第一确定模块，用于根据所述第一光流图、所述第二光流图确定第一插帧光流图，并根据所述第三光流图、所述第四光流图确定第二插帧光流图；
第二确定模块，用于根据所述第一插帧光流图及所述第t帧图像确定第一插帧图像，并根据所述第二插帧光流图图像及所述第t+1帧图像确定第二插帧图像；
融合模块，用于对所述第一插帧图像及所述第二插帧图像进行融合处理，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像。
14.根据权利要求13所述的装置，其特征在于，所述第一确定模块，还用于：
根据所述第一光流图、所述第二光流图及预设的插帧时间确定第一插帧光流图，并根据所述第三光流图、所述第四光流图及所述预设的插帧时间确定第二插帧光流图，其中，所述预设的插帧时间为位于采集所述第t帧图像与所述第t+1帧图像的时间的时间间隔之间的任一时间。
15.根据权利要求14所述的装置，其特征在于，所述第二确定模块，还用于：
对所述第一插帧光流图及所述第二插帧光流图进行逆转处理，得到逆转后的第一插帧光流图及逆转后的第二插帧光流图；
根据逆转后的第一插帧光流图及所述第t帧图像确定第一插帧图像，及根据逆转后的所述第二插帧光流图及所述第t+1帧图像确定第二插帧图像。
16.根据权利要求15所述的装置，其特征在于，所述第二确定模块，还用于：
根据所述第一插帧光流图及所述第t帧图像确定第三插帧图像，并根据所述第二插帧光流图及所述第t+1帧图像确定第四插帧图像；
确定所述第三插帧图像中任一位置的第一邻域，并逆转所述第一邻域中各位置在所述第一插帧光流图中的光流后，确定逆转后的各位置的光流均值为该位置在所述第三插帧图像中的逆转光流；
确定所述第四插帧图像中任一位置的第二邻域，并逆转所述第二邻域中各位置在所述第二插帧光流图中的光流后，确定逆转后的各位置的光流均值为该位置在所述第四插帧图像中的逆转光流；
所述第三插帧图像中所有位置的逆转光流组成所述逆转后的第一插帧光流图，所述第四插帧图像中所有位置的逆转光流组成所述逆转后的第二插帧光流图。
17.根据权利要求15所述的装置，其特征在于，所述第二确定模块，还用于：
对所述逆转后的第一插帧光流图进行滤波处理，得到滤波后的第一插帧光流图，并对逆转后的第二插帧光流图进行滤波处理，得到滤波后的第二插帧光流图；
根据滤波后的第一插帧光流图及所述第t帧图像确定第一插帧图像，及根据滤波后的第二插帧光流图及所述第t+1帧图像确定第二插帧图像。
18.根据权利要求17所述的装置，其特征在于，所述第二确定模块，还用于：
根据逆转后的所述第一插帧光流图确定第一采样偏移量及第一残差，并根据逆转后的所述第二插帧光流图确定第二采样偏移量及第二残差；
根据所述第一采样偏移量及所述第一残差对所述逆转后的所述第一插帧光流图进行滤波，得到滤波后的第一插帧光流图，并根据所述第二采样偏移量及所述第二残差对所述逆转后的所述第二插帧光流图进行滤波，得到滤波后的第二插帧光流图。
19.根据权利要求13至18中任一项所述的装置，其特征在于，所述融合模块，还用于：
根据所述第一插帧图像及所述第二插帧图像确定所述插帧图像中各位置的叠加权重；
根据所述第一插帧图像及所述第二插帧图像、及所述各位置的叠加权重，得到插入所述第t帧图像与所述第t+1帧图像之间的插帧图像。
20.根据权利要求13至18中任一项所述的装置，其特征在于，所述获取模块，还用于：
对所述第t帧图像及第t-1帧图像进行光流预测，得到所述第t帧图像到第t-1帧图像的第一光流图；
对所述第t帧图像及第t+1帧图像进行光流预测，得到所述第t帧图像到第t+1帧图像的第二光流图；
对所述第t+1帧图像及所述第t帧图像进行光流预测，得到所述第t+1帧图像到所述第t帧图像的第三光流图；
对所述第t+1帧图像及所述第t+2帧图像进行光流预测，得到所述第t+1帧图像到所述第t+2帧图像的第四光流图。
21.根据权利要求13至18中任一项所述的装置，其特征在于，所述装置可以通过神经网络实现，所述装置还包括：
训练模块，用于通过预设的训练集训练所述神经网络，所述训练集包括多个样本图像组，每个样本图像组至少包括待插帧的第i帧样本图像和第i+1帧样本图像、及第i-1帧样本图像、第i+2帧图像、及插入所述第i帧样本图像和第i+1帧样本图像间的插帧样本图像、及所述插帧样本图像的插帧时间。
22.根据权利要求21所述的装置，其特征在于，所述神经网络包括：第一光流预测网络、第二光流预测网络、图像合成网络，所述训练模块，还用于：
通过所述第一光流预测网络对分别对第i-1帧样本图像、第i帧样本图像、第i+1帧样本图像及第i+2帧样本图像进行光流预测，得到所述第i帧样本图像到所述第i-1帧样本图像的第一样本光流图、所述第i帧样本图像到所述第i+1帧样本图像的第二样本光流图、所述第i+1帧样本图像到所述第i帧样本图像的第三样本光流图及所述第i+1帧样本图像到所述第i+2帧样本图像的第四样本光流图，1<i<I-1，I为图像的总帧数，i、I为整数；
所述第二光流预测网络根据所述第一样本光流图、所述第二样本光流图及所述插帧样本图像的插帧时间进行光流预测，得到第一样本插帧光流图；
所述第二光流预测网络根据所述第三样本光流图、所述第四样本光流图及所述插帧样本图像的插帧时间进行光流预测，得到第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述第一样本插帧光流图及所述第二样本插帧光流图进行融合处理，得到插帧图像；
通过所述插帧图像及所述样本插帧图像确定神经网络的图像损失；
根据所述图像损失，训练所述神经网络。
23.根据权利要求22所述的装置，其特征在于，所述神经网络还包括光流逆转网络，所述训练模块，还用于：
通过所述光流逆转网络对第一样本插帧光流图及所述第二样本插帧光流图进行光流逆转，得到逆转后的第一样本插帧光流图、及逆转后的第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述逆转后的第一样本插帧光流图及所述逆转后的第二样本插帧光流图进行融合处理，得到插帧图像。
24.根据权利要求23所述的装置，其特征在于，所述神经网络还包括滤波网络，所述训练模块，还用于：
通过所述滤波网络对所述逆转后的第一样本插帧光流图及所述逆转后的第二样本插帧光流图进行滤波处理，得到滤波后的第一样本插帧光流图、及滤波后的第二样本插帧光流图；
通过所述图像合成网络对第i帧样本图像及第i+1帧样本图像、所述滤波后的第一样本插帧光流图及滤波后的第二样本插帧光流图进行融合处理，得到插帧图像。
25.一种电子设备，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调用所述存储器存储的指令，以执行权利要求1至12中任意一项所述的方法。
26.一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12中任意一项所述的方法。
CN201911041851.XA 2019-10-30 2019-10-30 图像处理方法及装置、电子设备和存储介质 Active CN110798630B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201911041851.XA CN110798630B (zh) 2019-10-30 2019-10-30 图像处理方法及装置、电子设备和存储介质
JP2022519417A JP2022549719A (ja) 2019-10-30 2019-12-24 画像処理方法及び装置、電子機器並びに記憶媒体
PCT/CN2019/127981 WO2021082241A1 (zh) 2019-10-30 2019-12-24 图像处理方法及装置、电子设备和存储介质
KR1020227010034A KR20220053631A (ko) 2019-10-30 2019-12-24 이미지 처리 방법 및 장치, 전자 기기 및 기억 매체
TW109108716A TWI736179B (zh) 2019-10-30 2020-03-17 圖像處理方法、電子設備和電腦可讀儲存介質
US17/709,695 US20220262012A1 (en) 2019-10-30 2022-03-31 Image Processing Method and Apparatus, and Storage Medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911041851.XA CN110798630B (zh) 2019-10-30 2019-10-30 图像处理方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN110798630A CN110798630A (zh) 2020-02-14
CN110798630B true CN110798630B (zh) 2020-12-29

Family

ID=69441936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911041851.XA Active CN110798630B (zh) 2019-10-30 2019-10-30 图像处理方法及装置、电子设备和存储介质

Country Status (6)

Country Link
US (1) US20220262012A1 (zh)
JP (1) JP2022549719A (zh)
KR (1) KR20220053631A (zh)
CN (1) CN110798630B (zh)
TW (1) TWI736179B (zh)
WO (1) WO2021082241A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113727141B (zh) * 2020-05-20 2023-05-12 富士通株式会社 视频帧的插值装置以及方法
CN111372087B (zh) * 2020-05-26 2020-08-28 深圳看到科技有限公司 全景视频插帧方法、装置及对应的存储介质
CN112040311B (zh) * 2020-07-24 2021-10-26 北京航空航天大学 视频图像补帧方法、装置、设备及可存储介质
CN111800652A (zh) * 2020-07-29 2020-10-20 深圳市慧鲤科技有限公司 视频处理方法及装置、电子设备和存储介质
CN112104830B (zh) * 2020-08-13 2022-09-27 北京迈格威科技有限公司 视频插帧方法、模型训练方法及对应装置
CN112954395B (zh) * 2021-02-03 2022-05-17 南开大学 一种可插入任意帧率的视频插帧方法及系统
CN112995715B (zh) * 2021-04-20 2021-09-03 腾讯科技（深圳）有限公司 视频插帧处理方法、装置、电子设备及存储介质
CN113613011B (zh) * 2021-07-26 2022-09-30 北京达佳互联信息技术有限公司 一种光场图像压缩方法、装置、电子设备及存储介质
CN114286007A (zh) * 2021-12-28 2022-04-05 维沃移动通信有限公司 图像处理电路、图像处理方法、电子设备和可读存储介质

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8340185B2 (en) * 2006-06-27 2012-12-25 Marvell World Trade Ltd. Systems and methods for a motion compensated picture rate converter
JP2008135980A (ja) * 2006-11-28 2008-06-12 Toshiba Corp 補間フレーム作成方法および補間フレーム作成装置
TWI335184B (en) * 2007-05-09 2010-12-21 Himax Tech Ltd Method of doubling frame rate of video signals
CN102184552B (zh) * 2011-05-11 2013-06-26 上海理工大学 一种基于差分融合与图像边缘信息的运动目标检测方法
CN103220488B (zh) * 2013-04-18 2016-09-07 北京大学 一种视频帧率上转换装置及方法
CN105590327A (zh) * 2014-10-24 2016-05-18 华为技术有限公司 运动估计方法及装置
US9877016B2 (en) * 2015-05-27 2018-01-23 Google Llc Omnistereo capture and render of panoramic virtual reality content
WO2018048265A1 (ko) * 2016-09-11 2018-03-15 엘지전자 주식회사 향상된 옵티컬 플로우 움직임 백터를 이용하여 비디오 신호를 처리하는 방법 및 장치
WO2018166357A1 (en) * 2017-03-16 2018-09-20 Mediatek Inc. Method and apparatus of motion refinement based on bi-directional optical flow for video coding
US10410358B2 (en) * 2017-06-26 2019-09-10 Samsung Electronics Co., Ltd. Image processing with occlusion and error handling in motion fields
CN110392282B (zh) * 2018-04-18 2022-01-07 阿里巴巴（中国）有限公司 一种视频插帧的方法、计算机存储介质及服务器
CN109922231A (zh) * 2019-02-01 2019-06-21 重庆爱奇艺智能科技有限公司 一种用于生成视频的插帧图像的方法和装置
CN113766313B (zh) * 2019-02-26 2024-03-05 深圳市商汤科技有限公司 视频数据处理方法及装置、电子设备和存储介质
CN110191299B (zh) * 2019-04-15 2020-08-04 浙江大学 一种基于卷积神经网络的多重帧插值方法
CN110310242B (zh) * 2019-06-27 2022-04-15 深圳市商汤科技有限公司 一种图像去模糊方法及装置、存储介质
CN110267098B (zh) * 2019-06-28 2022-05-20 连尚（新昌）网络科技有限公司 一种视频处理方法及终端
CN110322525B (zh) * 2019-06-28 2023-05-02 连尚（新昌）网络科技有限公司 一种动图处理方法及终端

Also Published As

Publication number Publication date
TW202117671A (zh) 2021-05-01
TWI736179B (zh) 2021-08-11
JP2022549719A (ja) 2022-11-28
KR20220053631A (ko) 2022-04-29
US20220262012A1 (en) 2022-08-18
CN110798630A (zh) 2020-02-14
WO2021082241A1 (zh) 2021-05-06

Similar Documents

Publication Publication Date Title
CN110798630B (zh) 图像处理方法及装置、电子设备和存储介质
US20210326587A1 (en) Human face and hand association detecting method and a device, and storage medium
CN110287874B (zh) 目标追踪方法及装置、电子设备和存储介质
CN110378976B (zh) 图像处理方法及装置、电子设备和存储介质
CN109922372B (zh) 视频数据处理方法及装置、电子设备和存储介质
CN110060215B (zh) 图像处理方法及装置、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
CN111540000B (zh) 场景深度和相机运动预测方法及装置、电子设备和介质
CN111340733B (zh) 图像处理方法及装置、电子设备和存储介质
CN108881952B (zh) 视频生成方法及装置、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
CN108171222B (zh) 一种基于多流神经网络的实时视频分类方法及装置
JP2022515274A (ja) 検出器の配置方法、検出器の配置装置及び非一時的コンピュータ可読記憶媒体
CN110675355B (zh) 图像重建方法及装置、电子设备和存储介质
CN109068138B (zh) 视频图像的处理方法及装置、电子设备和存储介质
CN109635926B (zh) 用于神经网络的注意力特征获取方法、装置及存储介质
CN112651880B (zh) 视频数据处理方法及装置、电子设备和存储介质
CN110896492B (zh) 图像处理方法、装置及存储介质
CN113506325A (zh) 图像处理方法及装置、电子设备和存储介质
CN113506324A (zh) 图像处理方法及装置、电子设备和存储介质
CN112749709A (zh) 图像处理方法及装置、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
CN112967311B (zh) 三维线图构建方法及装置、电子设备和存储介质
CN113506323B (zh) 图像处理方法及装置、电子设备和存储介质
CN110896476B (zh) 图像处理方法、装置及存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40017530

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant