CN110930441A - 图像的处理方法、装置、设备及计算机可读存储介质 - Google Patents
图像的处理方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110930441A CN110930441A CN201811098142.0A CN201811098142A CN110930441A CN 110930441 A CN110930441 A CN 110930441A CN 201811098142 A CN201811098142 A CN 201811098142A CN 110930441 A CN110930441 A CN 110930441A
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- processing
- attention matrix
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000009467 reduction Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 29
- 239000003595 mist Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
Abstract
本发明实施例公开了一种图像的处理方法、装置、设备及计算机可读存储介质,方法包括:提取待处理的图像的特征;根据所述待处理的图像的特征,获取所述待处理的图像对应的注意力矩阵;根据所述注意力矩阵,对所述待处理的图像进行真实还原处理,以生成处理后的图像。从而能够实现对带有水滴与雾气的图像上水滴与雾气的精准去除,还原真实的图像。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种图像的处理方法、装置、设备及计算机可读存储介质。
背景技术
图像是人类获取和交换信息的主要来源,因此,图像的清晰度与有效信息所占比例变得极为重要。举例来说,用户可以非常容易地从一张清晰的图像中获取自己想要的信息,但是,若当前图像上面带有雨滴或者水雾,则用户很难从其中获取到有效信息。
针对带雨滴或者带水雾的图像,为了能够使用户从该图像中获取到更多有效的信息,现有技术中提出一种去除图像雨滴或者水雾的方法,具体可以使用三层卷积神经网络,每一层都有512个卷积核来对图像进行处理,从而达到去除雨滴或者水雾的效果。
但是,采用上述方法进行去除图像雨滴或者水雾时,只能处理非常细小的雨滴,无法处理比较大和稠密的雨滴,同时生成的图像比较模糊,反而很有可能进一步降低图像质量。
发明内容
本发明实施例提供一种图像的处理方法、装置、设备及计算机可读存储介质,以解决现有技术去除图像雨滴或者水雾时生成的图像较为模糊的技术问题。
本发明的第一个方面是提供一种图像的处理方法,包括:
提取待处理的图像的特征;
根据所述待处理的图像的特征,获取所述待处理的图像对应的注意力矩阵;
根据所述注意力矩阵,对所述待处理的图像进行真实还原处理,以生成处理后的图像。
本发明的另一个方面是提供一种图像的处理装置,包括:
特征提取模块,用于提取待处理的图像的特征;
注意力矩阵获取模块,用于根据所述待处理的图像的特征,获取所述待处理的图像对应的注意力矩阵;
还原模块,用于根据所述注意力矩阵,对所述待处理的图像进行真实还原处理,以生成处理后的图像。
本发明的又一个方面是提供一种图像的处理设备,包括:存储器、处理器;
存储器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为由所述处理器执行上述的图像的处理方法。
本发明的又一个方面是提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现上述的图像的处理方法。
本发明提供的图像的处理方法、装置、设备及计算机可读存储介质,通过提取待处理的图像的特征;根据所述待处理的图像的特征,获取所述待处理的图像对应的注意力矩阵;根据所述注意力矩阵,对所述待处理的图像进行真实还原处理,以生成处理后的图像。通过建立注意力矩阵,并根据该注意力矩阵将注意力集中在待处理的图像的特征上,从而能够实现对待处理的图像的特征的有效去除,且对非特征部分不产生影响,进而能够实现对带有水滴与雾气的图像上水滴与雾气的精准去除的基础上,保证待处理的图像的质量,此外,还能够还原真实的图像。
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一简单地介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的图像的处理方法的流程示意图;
图2为本发明实施例二提供的图像的处理方法的流程示意图;
图3为本发明实施例三提供的图像的处理装置的结构示意图;
图4为本发明实施例四提供的图像的处理装置的结构示意图;
图5为本发明实施例五提供的图像的处理设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
图1为本发明实施例一提供的图像的处理方法的流程示意图,如图1所示,所述方法包括:
步骤101、提取待处理的图像的特征。
在本实施方式中,待处理的图像包括但不限于包括雨滴或者雾气干扰的图像。由于图像是人类获取和交换信息的主要来源,因此,图像的清晰度与有效信息所占比例变得极为重要。从而需要对具有干扰的图像中的干扰信息进行提取。具体地,可以提取待处理的图像的特征,其中,该特征包括但不限于雨滴、雾气等干扰信息。
步骤102、根据所述待处理的图像的特征,获取所述待处理的图像对应的注意力矩阵。
在本实施方式中,由于需要对待处理的图像中的特征进行额外的处理,因此,为了提高处理的精准度,提取待处理的图像的特征之后,还需要根据待处理的图像的特征,获取待处理的图像对应的注意力矩阵,以便后续根据该注意力矩阵对待处理的图像中的特征进行处理。
步骤103、根据所述注意力矩阵,对所述待处理的图像进行真实还原处理,以生成处理后的图像。
在本实施方式中,根据待处理的图像的特征获得待处理的图像对应的注意力矩阵之后,根据该注意力矩阵对待处理的图像中的特征进行真实还原处理,生成处理后的图像。具体地,可以根据注意力矩阵将注意力集中在待处理的图像的特征上,从而能够实现对待处理的图像的特征精准处理,进而能够真实还原处理后的图像。
以实际应用举例来说,若待处理的图像为包括雨滴或者雾气干扰的图像,则待处理的图像的特征为雨滴或者雾气,根据待处理的图像的特征,获取待处理的图像对应的注意力矩阵,根据该注意力矩阵,将注意力集中在待处理的图像中的雨滴或者雾气上,从而能够实现对待处理的图像中的雨滴或者雾气的精准去除,且对非特征的部分无影响,进而能够在去除雨滴的基础上,保障待处理的图像的质量。
本实施例提供的图像的处理方法,通过提取待处理的图像的特征;根据所述待处理的图像的特征,获取所述待处理的图像对应的注意力矩阵;根据所述注意力矩阵,对所述待处理的图像进行真实还原处理,以生成处理后的图像。通过建立注意力矩阵,并根据该注意力矩阵将注意力集中在待处理的图像的特征上,从而能够实现对待处理的图像的特征的有效去除,且对非特征部分不产生影响,进而能够实现对带有水滴与雾气的图像上水滴与雾气的精准去除的基础上,保证待处理的图像的质量,此外,还能够还原真实的图像。
进一步地,在上述实施例的基础上,所述方法包括:
提取待处理的图像的特征;
采用生成网络中的循环的长短期记忆网络,对所述待处理的图像的特征进行分析,以获取所述待处理的图像上的特定位置,并获取所述特定位置对应的注意力矩阵;
根据所述注意力矩阵,对所述待处理的图像进行真实还原处理,以生成处理后的图像。
在本实施例中,对于输入的一张待处理的图像,首先应该提取待处理的图像的特征。具体地,可以采用生成网络中的循环的长短期记忆网络,对待处理的图像的特征进行分析,长短期记忆网络细胞的输出接下来被输入一些卷积神经网络层,最后生成二维的注意力矩阵。同时,这一时刻的注意力矩阵会和输入图片一起,在下一时刻输入残差神经网络再次提取特征。注意力矩阵的数值在0-1之间,越大表示该像素点位置雨滴的可能性越大。注意力矩阵一开始被设置为全0.5矩阵。在实际实现中,我们将总的时间步数设置为4。从而能够提取到待处理的图像上的特定位置,并确定特定位置的注意力矩阵,其中,特定的位置表征待处理的图像上存有雨滴或雾气的位置。
本实施例提供的图像的处理方法,通过采用生成网络中的循环的长短期记忆网络,对待处理的图像的特征进行分析,从而能够提取到待处理的图像上的特定位置,并确定特定位置的注意力矩阵。进而能够实现对带有水滴与雾气的图像上水滴与雾气的精准去除的基础上,保证待处理的图像的质量,此外,还能够还原真实的图像。
进一步地,在上述任一实施例的基础上,所述方法还包括:
采用所述生成网络中的残差神经网络,对所述待处理的图像进行分析,以提取所述待处理的图像的特征;
根据所述待处理的图像的特征,获取所述待处理的图像对应的注意力矩阵;
根据所述注意力矩阵,对所述待处理的图像进行真实还原处理,以生成处理后的图像。
在本实施例中,对于输入的一张待处理的图像,首先应该提取待处理的图像的特征。具体地,可以采用生成网络中的残差神经网络,对待处理的图像进行分析,以提取待处理的图像的特征。
本实施例提供的图像的处理方法,通过采用生成网络中的残差神经网络,对待处理的图像进行分析,以提取待处理的图像的特征,从而为实现对带有水滴与雾气的图像上水滴与雾气的精准去除提供了基础。
进一步地,在上述任一实施例的基础上,所述方法还包括:
提取待处理的图像的特征;
根据所述待处理的图像的特征,获取所述待处理的图像对应的注意力矩阵;
根据所述注意力矩阵,并采用所述生成网络中的自动编解码网络中对应的多尺度损失函数,对所述待处理的图像进行真实还原处理,以生成处理后的图像。
在本实施例中,提取待处理的图像的特征,并根据待处理的图像的特征获取到待处理的图像对应的注意力矩阵之后,可以根据该注意力矩阵,采用生成网络中的自动编解码网络中对应的多尺度损失函数,对待处理的图像进行真实还原处理,从而能够生成处理后的图像。以实际应用举例来说,可以取网络的倒数第一,第三,第五层的输出,尺度分别是原图的1/4,1/2和1,权重设施为0.6,0.8和1.0。
本实施例提供的图像的处理方法,通过采用生成网络中的自动编解码网络中对应的多尺度损失函数,对待处理的图像进行真实还原处理,从而能够生成处理后的图像。从而为实现对带有水滴与雾气的图像上水滴与雾气的精准去除提供了基础。
进一步地,在上述任一实施例的基础上,所述方法还包括:
采用预训练好的卷积神经网络,对所述处理后的图像进行特征提取处理,以获取所述处理后的图像的特征;
将所述处理后的图像的特征和所述待处理的图像的特征进行比较,获取所述生成网络的总体损失函数。
在本实施例中,可以采用预训练好的卷积神经网络对处理后的图像进行特征提取处理,从而能够获取到处理后的图像的特征,将处理后的图像的特征和待处理的图像的特征进行比较,获取生成网络的整体损失函数。实际应用中,利用一些预先训练好的卷积神经网络对于生成的图片进行特征提取,在较高维的空间与相应的原图所提取出的特征进行比较,期望生成的图片与不带雨滴的原图在整体特征上也相似。具体地,可以采取现有的任意一种卷积神经网络对处理后的图像进行特征提取,本发明在此不做限制,举例来说,可以采用牛津大学计算机视觉组所提出的VGG网络。
本实施例提供的图像的处理方法,通过采用预训练好的卷积神经网络对处理后的图像进行特征提取处理,从而能够获取到处理后的图像的特征,将处理后的图像的特征和待处理的图像的特征进行比较,获取生成网络的整体损失函数。从而能够生成处理后的图像。从而为实现对带有水滴与雾气的图像上水滴与雾气的精准去除提供了基础。
图2为本发明实施例二提供的图像的处理方法的流程示意图,在上述任一实施例的基础上,所述方法还包括:
步骤201、将所述处理后的图像和所述待处理的图像进行判别能力训练处理;
步骤202、将所述处理后的图像和所述待处理的图像进行真假判别训练处理;
步骤203、判断所述处理后的图像是否满足预设的清晰度条件;
步骤204、若否,则返回执行所述将所述处理后的图像和所述待处理的图像进行判别能力训练处理的步骤,直至所述处理后的图像满足预设的清晰度条件。
在本实施例中,经过注意力模型引导对待处理的图像进行处理之后,可以使用判别网络来判断生成图片的是否符合要求,判别网络通过使用生成网络得到的注意力矩阵,重点检查图片需要注意部分的生成的程度,用对抗的方式帮助生成网络生成尽可能符合要求的图片。生成器和判别器进行对抗交替训练,最终实现了基于对抗生成网络的图像生成。具体地,可以将处理后的图像与待处理的图像进行判别能力训练处理,并对进行判别能力训练处理后的处理后的图像和待处理的图像进行真假判别训练处理,判断当前处理后的图像是否满足预设的清晰度条件,若是,则可以输出该处理后的图片,若否,则返回执行将处理后的图像和待处理的图像进行判别能力训练处理的步骤,直至处理后的图像满足预设的清晰度条件。
本实施例提供的图像的处理方法,通过对生成网络生成的模型进行判别处理,并且不断地进行对抗处理,从而能够提高生成的图像的清晰度,此外,由于在生成与判别过程中,都已注意力模型为引导,从而能够精准地去除待处理的图像中的特定的位置,此外,对其他正常区域没有影响,因此,能够在去除特定位置的基础上,保证图像的清晰度。
图3为本发明实施例三提供的图像的处理装置的结构示意图,如图3所示,所述装置包括:
特征提取模块31,用于提取待处理的图像的特征。
注意力矩阵获取模块32,用于根据所述待处理的图像的特征,获取所述待处理的图像对应的注意力矩阵。
还原模块33,用于根据所述注意力矩阵,对所述待处理的图像进行真实还原处理,以生成处理后的图像。
在本实施方式中,待处理的图像包括但不限于包括雨滴或者雾气干扰的图像。由于图像是人类获取和交换信息的主要来源,因此,图像的清晰度与有效信息所占比例变得极为重要。从而需要对具有干扰的图像中的干扰信息进行提取。具体地,特征提取模块31可以提取待处理的图像的特征,其中,该特征包括但不限于雨滴、雾气等干扰信息。
由于需要对待处理的图像中的特征进行额外的处理,因此,为了提高处理的精准度,提取待处理的图像的特征之后,注意力矩阵获取模块32还需要根据待处理的图像的特征,获取待处理的图像对应的注意力矩阵,以便后续根据该注意力矩阵对待处理的图像中的特征进行处理。
根据待处理的图像的特征获得待处理的图像对应的注意力矩阵之后,还原模块33根据该注意力矩阵对待处理的图像中的特征进行真实还原处理,生成处理后的图像。具体地,可以根据注意力矩阵将注意力集中在待处理的图像的特征上,从而能够实现对待处理的图像的特征精准处理,进而能够真实还原处理后的图像。
以实际应用举例来说,若待处理的图像为包括雨滴或者雾气干扰的图像,则待处理的图像的特征为雨滴或者雾气,根据待处理的图像的特征,获取待处理的图像对应的注意力矩阵,根据该注意力矩阵,将注意力集中在待处理的图像中的雨滴或者雾气上,从而能够实现对待处理的图像中的雨滴或者雾气的精准去除,且对非特征的部分无影响,进而能够在去除雨滴的基础上,保障待处理的图像的质量。
本实施例提供的图像的处理装置,通过提取待处理的图像的特征;根据所述待处理的图像的特征,获取所述待处理的图像对应的注意力矩阵;根据所述注意力矩阵,对所述待处理的图像进行真实还原处理,以生成处理后的图像。通过建立注意力矩阵,并根据该注意力矩阵将注意力集中在待处理的图像的特征上,从而能够实现对待处理的图像的特征的有效去除,且对非特征部分不产生影响,进而能够实现对带有水滴与雾气的图像上水滴与雾气的精准去除的基础上,保证待处理的图像的质量,此外,还能够还原真实的图像。
进一步地,在上述实施例的基础上,所述装置包括:
特征提取模块,用于提取待处理的图像的特征;
注意力矩阵获取模块具体包括:
特征分析单元,用于采用生成网络中的循环的长短期记忆网络,对所述待处理的图像的特征进行分析,以获取所述待处理的图像上的特定位置,并获取所述特定位置对应的注意力矩阵;
还原模块,用于根据所述注意力矩阵,对所述待处理的图像进行真实还原处理,以生成处理后的图像。
本实施例提供的图像的处理装置,通过采用生成网络中的循环的长短期记忆网络,对待处理的图像的特征进行分析,从而能够提取到待处理的图像上的特定位置,并确定特定位置的注意力矩阵。进而能够实现对带有水滴与雾气的图像上水滴与雾气的精准去除的基础上,保证待处理的图像的质量,此外,还能够还原真实的图像。
进一步地,在上述任一实施例的基础上,所述装置还包括:
特征提取模块具体包括:
分析单元,用于采用所述生成网络中的残差神经网络,对所述待处理的图像进行分析,以提取所述待处理的图像的特征;
注意力矩阵获取模块,用于根据所述待处理的图像的特征,获取所述待处理的图像对应的注意力矩阵;
还原模块,用于根据所述注意力矩阵,对所述待处理的图像进行真实还原处理,以生成处理后的图像。
本实施例提供的图像的处理装置,通过采用生成网络中的残差神经网络,对待处理的图像进行分析,以提取待处理的图像的特征,从而为实现对带有水滴与雾气的图像上水滴与雾气的精准去除提供了基础。
进一步地,在上述任一实施例的基础上,所述装置还包括:
特征提取模块,用于提取待处理的图像的特征;
注意力矩阵获取模块,用于根据所述待处理的图像的特征,获取所述待处理的图像对应的注意力矩阵;
还原模块具体包括:
真实还原单元,用于根据所述注意力矩阵,并采用所述生成网络中的自动编解码网络中对应的多尺度损失函数,对所述待处理的图像进行真实还原处理,以生成处理后的图像。
本实施例提供的图像的处理装置,通过采用生成网络中的自动编解码网络中对应的多尺度损失函数,对待处理的图像进行真实还原处理,从而能够生成处理后的图像。从而为实现对带有水滴与雾气的图像上水滴与雾气的精准去除提供了基础。
进一步地,在上述任一实施例的基础上,所述装置还包括:
图像特征提取模块,用于采用预训练好的卷积神经网络,对所述处理后的图像进行特征提取处理,以获取所述处理后的图像的特征;
比较模块,用于将所述处理后的图像的特征和所述待处理的图像的特征进行比较,获取所述生成网络的总体损失函数。
本实施例提供的图像的处理装置,通过采用预训练好的卷积神经网络对处理后的图像进行特征提取处理,从而能够获取到处理后的图像的特征,将处理后的图像的特征和待处理的图像的特征进行比较,获取生成网络的整体损失函数。从而能够生成处理后的图像。从而为实现对带有水滴与雾气的图像上水滴与雾气的精准去除提供了基础。
图4为本发明实施例四提供的图像的处理装置的结构示意图,在上述任一实施例的基础上,所述装置还包括:
第一训练模块41,用于将所述处理后的图像和所述待处理的图像进行判别能力训练处理;
第二训练模块42,用于将所述处理后的图像和所述待处理的图像进行真假判别训练处理;
判断模块43,用于判断所述处理后的图像是否满足预设的清晰度条件;
循环模块44,用于若否,则返回执行所述将所述处理后的图像和所述待处理的图像进行判别能力训练处理的步骤,直至所述处理后的图像满足预设的清晰度条件。
在本实施例中,经过注意力模型引导对待处理的图像进行处理之后,可以使用判别网络来判断生成图片的是否符合要求,判别网络通过使用生成网络得到的注意力矩阵,重点检查图片需要注意部分的生成的程度,用对抗的方式帮助生成网络生成尽可能符合要求的图片。生成器和判别器进行对抗交替训练,最终实现了基于对抗生成网络的图像生成。具体地,第一训练模块41可以将处理后的图像与待处理的图像进行判别能力训练处理,第二训练模块42并对进行判别能力训练处理后的处理后的图像和待处理的图像进行真假判别训练处理,判断模块43判断当前处理后的图像是否满足预设的清晰度条件,若是,则循环模块44可以输出该处理后的图片,若否,则循环模块44返回执行将处理后的图像和待处理的图像进行判别能力训练处理的步骤,直至处理后的图像满足预设的清晰度条件。
本实施例提供的图像的处理装置,通过对生成网络生成的模型进行判别处理,并且不断地进行对抗处理,从而能够提高生成的图像的清晰度,此外,由于在生成与判别过程中,都已注意力模型为引导,从而能够精准地去除待处理的图像中的特定的位置,此外,对其他正常区域没有影响,因此,能够在去除特定位置的基础上,保证图像的清晰度。
图5为本发明实施例五提供的图像的处理设备的结构示意图,在上述任一实施例的基础上,所述图像的处理设备具体包括:存储器51、处理器52;
存储器51;用于存储所述处理器52可执行指令的存储器51;
其中,所述处理器52被配置为由所述处理器52执行如上述的图像的处理方法。
本发明又一实施例还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上述的图像的处理方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种图像的处理方法,其特征在于,包括:
提取待处理的图像的特征;
根据所述待处理的图像的特征,获取所述待处理的图像对应的注意力矩阵;
根据所述注意力矩阵,对所述待处理的图像进行真实还原处理,以生成处理后的图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述待处理的图像的特征,获取所述待处理的图像对应的注意力矩阵,包括:
采用生成网络中的循环的长短期记忆网络,对所述待处理的图像的特征进行分析,以获取所述待处理的图像上的特定位置,并获取所述特定位置对应的注意力矩阵。
3.根据权利要求1所述的方法,其特征在于,所述提取待处理的图像的特征,包括:
采用所述生成网络中的残差神经网络,对所述待处理的图像进行分析,以提取所述待处理的图像的特征。
4.根据权利要求1-3任一所述的方法,其特征在于,所述根据所述注意力矩阵,对所述待处理的图像进行真实还原处理,以生成处理后的图像,包括:
根据所述注意力矩阵,并采用所述生成网络中的自动编解码网络中对应的多尺度损失函数,对所述待处理的图像进行真实还原处理,以生成处理后的图像。
5.根据权利要求4所述的方法,其特征在于,还包括:
采用预训练好的卷积神经网络,对所述处理后的图像进行特征提取处理,以获取所述处理后的图像的特征;
将所述处理后的图像的特征和所述待处理的图像的特征进行比较,获取所述生成网络的总体损失函数。
6.根据权利要求4所述的方法,其特征在于,还包括:
将所述处理后的图像和所述待处理的图像进行判别能力训练处理;
将所述处理后的图像和所述待处理的图像进行真假判别训练处理;
判断所述处理后的图像是否满足预设的清晰度条件;
若否,则返回执行所述将所述处理后的图像和所述待处理的图像进行判别能力训练处理的步骤,直至所述处理后的图像满足预设的清晰度条件。
7.一种图像的处理装置,其特征在于,包括:
特征提取模块,用于提取待处理的图像的特征;
注意力矩阵获取模块,用于根据所述待处理的图像的特征,获取所述待处理的图像对应的注意力矩阵;
还原模块,用于根据所述注意力矩阵,对所述待处理的图像进行真实还原处理,以生成处理后的图像。
8.根据权利要求7所述的装置,其特征在于,所述注意力矩阵获取模块包括:
特征分析单元,用于采用生成网络中的循环的长短期记忆网络,对所述待处理的图像的特征进行分析,以获取所述待处理的图像上的特定位置,并获取所述特定位置对应的注意力矩阵。
9.一种图像的处理设备,其特征在于,包括:存储器、处理器;
存储器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为由所述处理器执行如权利要求1-6任一项所述的图像的处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-6任一项所述的图像的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811098142.0A CN110930441A (zh) | 2018-09-20 | 2018-09-20 | 图像的处理方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811098142.0A CN110930441A (zh) | 2018-09-20 | 2018-09-20 | 图像的处理方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110930441A true CN110930441A (zh) | 2020-03-27 |
Family
ID=69855387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811098142.0A Pending CN110930441A (zh) | 2018-09-20 | 2018-09-20 | 图像的处理方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930441A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113163107A (zh) * | 2021-01-22 | 2021-07-23 | 宋威 | 全景画面定时采集触发系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198316A (zh) * | 2011-12-12 | 2013-07-10 | 佳能株式会社 | 用于识别图像中的干扰元素的方法、装置和系统 |
CN107798669A (zh) * | 2017-12-08 | 2018-03-13 | 北京小米移动软件有限公司 | 图像去雾方法、装置及计算机可读存储介质 |
-
2018
- 2018-09-20 CN CN201811098142.0A patent/CN110930441A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198316A (zh) * | 2011-12-12 | 2013-07-10 | 佳能株式会社 | 用于识别图像中的干扰元素的方法、装置和系统 |
CN107798669A (zh) * | 2017-12-08 | 2018-03-13 | 北京小米移动软件有限公司 | 图像去雾方法、装置及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
RUI QIAN;ROBBY T.TAN;WENHAN YANG;JIAJUN SU;JIAYING LIU: "Attentive Generative Adversarial Network for Raindrop Removal from A Single Image", 《ARXIV》 * |
杨卫华: "《眼科人工智能》", 28 February 2018 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113163107A (zh) * | 2021-01-22 | 2021-07-23 | 宋威 | 全景画面定时采集触发系统及方法 |
CN113163107B (zh) * | 2021-01-22 | 2022-08-19 | 上海彼亿网络科技有限公司 | 全景画面定时采集触发系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10949952B2 (en) | Performing detail enhancement on a target in a denoised image | |
US10943145B2 (en) | Image processing methods and apparatus, and electronic devices | |
Linardos et al. | Simple vs complex temporal recurrences for video saliency prediction | |
CN109272509B (zh) | 一种连续图像的目标检测方法、装置、设备及存储介质 | |
CN106874857B (zh) | 一种基于视频分析的活体判别方法及系统 | |
JP6330385B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
US11928893B2 (en) | Action recognition method and apparatus, computer storage medium, and computer device | |
CN111368758B (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
Chen et al. | Occlusion-aware face inpainting via generative adversarial networks | |
CN112597864B (zh) | 一种监控视频异常检测方法及装置 | |
CN111611873A (zh) | 人脸替换检测方法及装置、电子设备、计算机存储介质 | |
Nair et al. | At-ddpm: Restoring faces degraded by atmospheric turbulence using denoising diffusion probabilistic models | |
CN112561879B (zh) | 模糊度评价模型训练方法、图像模糊度评价方法及装置 | |
CN111340716A (zh) | 一种改进双重判别对抗网络模型的图像去模糊方法 | |
CN113781164B (zh) | 虚拟试衣模型训练方法、虚拟试衣方法和相关装置 | |
CN112417955A (zh) | 巡检视频流处理方法及装置 | |
CN114782892A (zh) | 违规行为目标检测方法、装置、设备及存储介质 | |
CN115240203A (zh) | 业务数据处理方法、装置、设备及存储介质 | |
CN108109164B (zh) | 一种信息处理方法及电子设备 | |
CN110930441A (zh) | 图像的处理方法、装置、设备及计算机可读存储介质 | |
CN111179245B (zh) | 图像质量检测方法、装置、电子设备和存储介质 | |
CN113034393A (zh) | 照片修复方法、装置、设备以及存储介质 | |
Mousavi et al. | Crowd estimation using histogram model classificationbased on improved uniform local binary pattern | |
CN109492579B (zh) | 一种基于st-sin的视频物体检测方法及系统 | |
Khan et al. | Segmentation of defocus blur using local triplicate Co-occurrence patterns (LTCoP) |
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 |
Application publication date: 20200327 |
|
RJ01 | Rejection of invention patent application after publication |