CN111369438A - 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
CN111369438A
CN111369438A CN202010129837.1A CN202010129837A CN111369438A CN 111369438 A CN111369438 A CN 111369438A CN 202010129837 A CN202010129837 A CN 202010129837A CN 111369438 A CN111369438 A CN 111369438A
Authority
CN
China
Prior art keywords
video frame
xth
feature
characteristic
forward propagation
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.)
Granted
Application number
CN202010129837.1A
Other languages
English (en)
Other versions
CN111369438B (zh
Inventor
陈焯杰
余可
王鑫涛
董超
吕健勤
汤晓鸥
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 CN202010129837.1A priority Critical patent/CN111369438B/zh
Priority to PCT/CN2020/100216 priority patent/WO2021169137A1/zh
Publication of CN111369438A publication Critical patent/CN111369438A/zh
Priority to TW109131137A priority patent/TWI780482B/zh
Application granted granted Critical
Publication of CN111369438B publication Critical patent/CN111369438B/zh
Priority to US17/885,542 priority patent/US20230019679A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/18—Image warping, e.g. rearranging pixels individually
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Television Systems (AREA)
  • Image Processing (AREA)
  • Studio Devices (AREA)
  • Apparatus For Radiation Diagnosis (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：获取视频片段中第x+1个视频帧的反向传播特征及第x‑1个视频帧的正向传播特征中的至少一项，其中，视频片段包括N个视频帧，N为大于2的整数，x为整数；根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x‑1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征；根据所述第x个视频帧的重构特征对第x个视频帧进行重构，得到与第x个视频帧对应的目标视频帧，所述目标视频帧的分辨率高于所述第x个视频帧的分辨率。本公开实施例可实现提高高分辨率图像的重构效率，降低计算成本。

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，尤其涉及一种图像方法及装置、电子设备和存储介质。
背景技术
视频超分辨率旨在给定低分辨率视频的情况下重建对应的高分辨率视频。相关技术采用多个低分辨率视频帧预测一个高分辨率视频帧，由于重复进行特征提取和运动补偿导致耗时长，效率低下，并且当采用的低分辨率视频帧的帧数较小时，会导致忽略来自较远帧的信息，从而导致精准度不够，但是采用的低分辨率视频帧的帧数较大时，又会显着增加计算成本。
发明内容
本公开提出了一种用于重建高分辨率视频帧的技术方案。
根据本公开的一方面，提供了一种图像处理方法，包括：
获取视频片段中第x+1个视频帧的反向传播特征及第x-1个视频帧的正向传播特征中的至少一项，其中，视频片段包括N个视频帧，N为大于2的整数，x为整数；
根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征；
根据所述第x个视频帧的重构特征对第x个视频帧进行重构，得到与第x个视频帧对应的目标视频帧，所述目标视频帧的分辨率高于所述第x个视频帧的分辨率。
在一种可能的实现方式中，1<x<N，所述根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，包括：
根据所述第x个视频帧、所述第x+1个视频帧及所述第x+1个视频帧的反向传播特征，确定所述第x个视频帧的反向传播特征；
根据所述第x个视频帧、所述第x-1个视频帧、所述第x-1个视频帧的正向传播特征及所述第x个视频帧的反向传播特征，确定所述第x个视频帧的正向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
在一种可能的实现方式中，所述根据所述第x个视频帧、第x+1个视频帧及所述第x+1个视频帧的反向传播特征，确定所述第x个视频帧的反向传播特征，包括：
根据所述第x个视频帧及所述第x+1个视频帧，得到第一光流图；
根据所述第一光流图对所述第x+1个视频帧的反向传播特征进行扭曲，得到扭曲后的反向传播特征；
根据所述扭曲后的反向传播特征及所述第x个视频帧，得到所述第x个视频帧的反向传播特征。
在一种可能的实现方式中，所述根据所述第x个视频帧、所述第x-1个视频帧、所述第x-1个视频帧的正向传播特征、及所述第x个视频帧的反向传播特征，确定所述第x个视频帧的正向传播特征，包括：
根据所述第x个视频帧及所述第x-1个视频帧，得到第二光流图；
根据所述第二光流图对所述第x-1个视频帧的正向传播特征进行扭曲，得到扭曲后的正向传播特征；
根据所述第x个视频帧的反向传播特征、所述扭曲后的正向传播特征、及所述第x个视频帧，得到所述第x个视频帧的正向传播特征。
在一种可能的实现方式中，1<x<N，所述根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，包括：
根据所述第x个视频帧、所述第x-1个视频帧及所述第x-1个视频帧的正向传播特征，确定所述第x个视频帧的正向传播特征；
根据所述第x个视频帧、所述第x+1个视频帧、所述第x+1个视频帧的反向传播特征及所述第x个视频帧的正向传播特征，确定所述第x个视频帧的反向传播特征；
将所述第x个视频帧的反向传播特征作为所述第x个视频帧的重构特征。
在一种可能的实现方式中，所述根据所述第x个视频帧、所述第x-1个视频帧、及所述第x-1个视频帧的正向传播特征，确定所述第x个视频帧的正向传播特征，包括：
根据所述第x个视频帧及所述第x-1个视频帧，得到第二光流图；
根据所述第二光流图对所述第x-1个视频帧的正向传播特征进行扭曲，得到扭曲后的正向传播特征；
根据所述扭曲后的正向传播特征及所述第x个视频帧，得到所述第x个视频帧的正向传播特征。
在一种可能的实现方式中，所述根据所述第x个视频帧、所述第x+1个视频帧、所述第x+1个视频帧的反向传播特征、及所述第x个视频帧的正向传播特征，确定所述第x个视频帧的反向传播特征，包括：
根据所述第x个视频帧及所述第x+1个视频帧，得到第一光流图；
根据所述第一光流图对所述第x+1个视频帧的反向传播特征进行扭曲，得到扭曲后的反向传播特征；
根据所述第x个视频帧的正向传播特征、所述扭曲后的反向传播特征及所述第x个视频帧，得到所述第x个视频帧的反向传播特征。
在一种可能的实现方式中，x＝1，所述根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，包括：
对所述第x个视频帧进行特征提取，得到所述第x个视频帧的正向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
在一种可能的实现方式中，x＝N，根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，包括：
对所述第x个视频帧进行特征提取，得到所述第x个视频帧的反向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征.
在一种可能的实现方式中，x＝1，根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，包括：
针对第x个视频帧，获取第x+1个视频帧的反向传播特征；
根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征，得到所述第x个视频帧的正向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
在一种可能的实现方式中，x＝N，根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，包括：
针对第x个视频帧，获取第x-1个视频帧的正向传播特征；
根据所述第x个视频帧、所述第x-1个视频帧的正向传播特征，得到所述第x个视频帧的反向传播特征；
将所述第x个视频帧的反向传播特征作为所述第x个视频帧的重构特征。
在一种可能的实现方式中，所述方法还包括：
确定视频数据中的至少两个关键帧；
根据所述关键帧将所述视频数据划分为至少一个视频片段。
根据本公开的另一方面，提供了一种图像处理装置，包括：
获取模块，用于获取视频片段中第x+1个视频帧的反向传播特征及第x-1个视频帧的正向传播特征中的至少一项，其中，视频片段包括N个视频帧，N为大于2的整数，x为整数；
第一处理模块，用于根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征；
第二处理模块，用于根据所述第x个视频帧的重构特征对第x个视频帧进行重构，得到与第x个视频帧对应的目标视频帧，所述目标视频帧的分辨率高于所述第x个视频帧的分辨率。
在一种可能的实现方式中，1<x<N，所述第一处理模块，还用于：
根据所述第x个视频帧、所述第x+1个视频帧及所述第x+1个视频帧的反向传播特征，确定所述第x个视频帧的反向传播特征；
根据所述第x个视频帧、所述第x-1个视频帧、所述第x-1个视频帧的正向传播特征及所述第x个视频帧的反向传播特征，确定所述第x个视频帧的正向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
在一种可能的实现方式中，所述第一处理模块，还用于：
根据所述第x个视频帧及所述第x+1个视频帧，得到第一光流图；
根据所述第一光流图对所述第x+1个视频帧的反向传播特征进行扭曲，得到扭曲后的反向传播特征；
根据所述扭曲后的反向传播特征及所述第x个视频帧，得到所述第x个视频帧的反向传播特征。
在一种可能的实现方式中，所述第一处理模块，还用于：
根据所述第x个视频帧及所述第x-1个视频帧，得到第二光流图；
根据所述第二光流图对所述第x-1个视频帧的正向传播特征进行扭曲，得到扭曲后的正向传播特征；
根据所述第x个视频帧的反向传播特征、所述扭曲后的正向传播特征、及所述第x个视频帧，得到所述第x个视频帧的正向传播特征。
在一种可能的实现方式中，1<x<N，所述第一处理模块，还用于：
根据所述第x个视频帧、所述第x-1个视频帧及所述第x-1个视频帧的正向传播特征，确定所述第x个视频帧的正向传播特征；
根据所述第x个视频帧、所述第x+1个视频帧、所述第x+1个视频帧的反向传播特征及所述第x个视频帧的正向传播特征，确定所述第x个视频帧的反向传播特征；
将所述第x个视频帧的反向传播特征作为所述第x个视频帧的重构特征。
在一种可能的实现方式中，所述第一处理模块，还用于：
根据所述第x个视频帧及所述第x-1个视频帧，得到第二光流图；
根据所述第二光流图对所述第x-1个视频帧的正向传播特征进行扭曲，得到扭曲后的正向传播特征；
根据所述扭曲后的正向传播特征及所述第x个视频帧，得到所述第x个视频帧的正向传播特征。
在一种可能的实现方式中，所述第一处理模块，还用于：
根据所述第x个视频帧及所述第x+1个视频帧，得到第一光流图；
根据所述第一光流图对所述第x+1个视频帧的反向传播特征进行扭曲，得到扭曲后的反向传播特征；
根据所述第x个视频帧的正向传播特征、所述扭曲后的反向传播特征及所述第x个视频帧，得到所述第x个视频帧的反向传播特征。
在一种可能的实现方式中，x＝1，所述第一处理模块，还用于：
对所述第x个视频帧进行特征提取，得到所述第x个视频帧的正向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
在一种可能的实现方式中，x＝N，所述第一处理模块，还用于：
对所述第x个视频帧进行特征提取，得到所述第x个视频帧的反向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征.
在一种可能的实现方式中，x＝1，所述第一处理模块，还用于：
针对第x个视频帧，获取第x+1个视频帧的反向传播特征；
根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征，得到所述第x个视频帧的正向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
在一种可能的实现方式中，x＝N，所述第一处理模块，还用于：
针对第x个视频帧，获取第x-1个视频帧的正向传播特征；
根据所述第x个视频帧、所述第x-1个视频帧的正向传播特征，得到所述第x个视频帧的反向传播特征；
将所述第x个视频帧的反向传播特征作为所述第x个视频帧的重构特征。
在一种可能的实现方式中，所述装置还包括：
确定模块，用于确定视频数据中的至少两个关键帧；
划分模块，用于根据所述关键帧将所述视频数据划分为至少一个视频片段。
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。
在本公开实施例中，可以获取视频片段中第x+1个视频帧的反向传播特征及第x-1个视频帧的正向传播特征中的至少一项，进而可以根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征、及所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，进一步的可以根据所述第x个视频帧的重构特征对第x个视频帧进行重构，得到与第x个视频帧对应的目标视频帧，所述目标视频帧的分辨率高于所述第x个视频帧的分辨率。根据本公开实时例提供的图像处理方法及装置、电子设备和存储介质，避免了重复进行特征提取和运动补偿，进而提高了高分辨率图像的重构效率，降低了计算成本，并且利用了自然视频中的时间连续性，任一视频帧的重构特征均采用前一视频帧及后一视频帧传递的特征来确定，使用附近帧中的特征，而不必从头开始提取，这样可以大大节省特征提取和聚合的时间，提高重构精度。
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神经网络的结构示意图；
图3示出根据本公开实施例的图像处理方法的示意图；
图4示出根据本公开实施例的图像处理方法的示意图；
图5示出根据本公开实施例的图像处理方法的示意图；
图6示出根据本公开实施例的图像处理方法的示意图；
图7示出根据本公开实施例的图像处理方法的示意图；
图8示出根据本公开实施例的图像处理方法的示意图；
图9示出根据本公开实施例的图像处理装置的框图；
图10示出根据本公开实施例的一种电子设备800的框图；
图11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。所述图像方法可以由终端设备或服务器等电子设备执行，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，所述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。或者，可通过服务器执行所述方法。
如图1所示，所述图像处理方法包括：
在步骤S11中，获取视频片段中第x+1个视频帧的反向传播特征及获取第x-1个视频帧的正向传播特征中的至少一项，其中，视频片段包括N个视频帧，N为大于2的整数，x为整数。
举例来说，可以将一个待处理的视频数据作为一个视频片段，也可以将一个待处理的视频数据划分为多个视频片段，各个视频片段相互独立。
在一种可能的实现方式中，所述方法还可以包括：
确定所述视频数据中的至少两个关键帧；
根据所述关键帧将所述视频数据划分为至少一个视频片段。
举例来说，可以将视频数据中的第1帧和最后1帧作为关键帧，将视频数据作为一个视频片段；或者，可以按照预置间隔帧数，确定视频数据中的至少两个关键帧，例如：将视频数据中的第1帧作为关键帧，视频数据中相邻的两个关键帧之间间隔预置间隔帧数，根据每两个相邻的关键帧将视频数据划分为多个视频片段；或者，将视频数据中的第1帧作为关键帧,针对第N个关键帧，确定第N个关键帧之后的任一帧与第N个关键帧的光流，若光流的均值大于阈值，则将该帧作为第N+1个关键帧，根据每两个相邻的关键帧将视频数据划分为多个视频片段，以此可以保证同一个视频片段中视频帧具有一定程度的相关性。
在重建视频片段中第x个视频帧的高分辨率图像时，可以获取视频片段中第x+1个视频帧的反向传播特征，和/或获取视频片段中第x-1个视频帧的正向传播特征。在视频片段中，除第一个视频帧以外，其余的视频帧(第2个视频帧、第3个视频帧、……、第N-1个视频帧的)的反向传播特征均可以根据当前视频帧的后一帧视频帧的反向传播特征来确定，并在确定反向传播特征后，可以将反向传播特征传递给前一帧视频帧，以使得根据当前视频帧的反向传播特征确定前一帧视频帧的反向传播特征；除第N个视频帧以外，其余的视频帧的正向传播特征均可以根据当前视频帧的前一帧视频帧的正向传播特征来确定，在确定正向传播特征后，可以将正向传播特征传递给后一帧视频帧，以使得可以根据当前视频帧的正向传播特征确定后一帧视频帧的正向传播特征。
在步骤S12中，根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征。
举例来说，在得到第x+1个视频帧的反向传播特征、和/或所述第x-1个视频帧的正向传播特征后，可以根据第x个视频帧、第x+1个视频帧的反向传播特征、所述第x-1个视频帧的正向传播特征中的至少一项进行特征提取，得到第x个视频帧的重构特征，例如：在1<x<N时，可以根据第x个视频帧、第x+1个视频帧的反向传播特征、所述第x-1个视频帧的正向传播特征，得到第x个视频帧的重构特征，在x＝1时，可以根据第x个视频帧或者第x+1个视频帧的反向传播特征得到第x个视频帧的重构特征，或者在x＝N时，可以根据第x个视频帧或者第x-1个视频帧的正向传播特征，得到第x个视频帧的重构特征。例如：可以通过用于提取重构特征的神经网络对第x个视频帧、第x+1个视频帧的反向传播特征、第x-1个视频帧的正向传播特征中的至少一项进行相应卷积处理，得到第x个视频帧的重构特征。
在步骤S13中，根据所述第x个视频帧的重构特征对第x个视频帧进行重构，得到与第x个视频帧对应的目标视频帧，所述目标视频帧的分辨率高于所述第x个视频帧的分辨率。
举例来说，可以通过卷积和多通道间的重组对第x个视频帧的重构特征进行放大，得到高分辨率的重构特征。并对第x个视频帧进行上采样处理，得到上采样结果，将高分辨率的重构特征及上采样结果进行相加处理，得到与第x个视频帧对应的目标视频帧，该目标视频帧的分辨率高于所述第x个视频帧的分辨率，即目标视频帧为第x个视频帧的高分辨率图像帧。
示例性的，图2示出了用于重构高分辨图像的神经网络的结构示意图，通过卷积模块202对第x个视频帧(px)的重构特征201进行卷积处理后，得到卷积结果。再通过像素重组模块203对卷积结果进行处理，得到第一处理结果，将第一处理结果继续通过卷积模块204及像素重组模块205进行处理，得到第二处理结果，将得到的第二处理结果经过卷积模块206和卷积模块207进行两次卷积处理后，可以得到放大后的重构特征。对第x个视频帧(px)进行上采样后，将上采样结果与放大后的重构特征进行相加处理，得到与第x个视频帧对应的目标视频帧208。
这样，可以获取视频片段中第x+1个视频帧的反向传播特征及第x-1个视频帧的正向传播特征中的至少一项，进而可以根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征、及所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，进一步的可以根据所述第x个视频帧的重构特征对第x个视频帧进行重构，得到与第x个视频帧对应的目标视频帧，所述目标视频帧的分辨率高于所述第x个视频帧的分辨率。根据本公开实时例提供的图像处理方法，避免了重复进行特征提取和运动补偿，进而提高了高分辨率图像的重构效率，降低了计算成本，并且利用了自然视频中的时间连续性，任一视频帧的重构特征均采用前一视频帧及后一视频帧传递的特征来确定，使用附近帧中的特征，而不必从头开始提取，这样可以大大节省特征提取和聚合的时间，提高重构精度。
在一种可能的实现方式中，所述根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，可以包括：
根据所述第x个视频帧、第x+1个视频帧及所述第x+1个视频帧的反向传播特征，确定所述第x个视频帧的反向传播特征；
根据所述第x个视频帧、第x-1个视频帧、所述第x-1个视频帧的正向传播特征、及所述第x个视频帧的反向传播特征，确定所述第x个视频帧的正向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
举例来说，可以通过第x个视频帧及第x+1个视频帧对第x+1个视频帧的反向传播特征进行扭曲，以实现特征对齐，得到第x个视频帧的反向传播特征。
在一种可能的实现方式中，所述根据所述第x个视频帧、第x+1个视频帧及所述第x+1个视频帧的反向传播特征，确定所述第x个视频帧的反向传播特征，可以包括：
根据所述第x个视频帧及第x+1个视频帧，得到第一光流图；
根据所述第一光流图对所述第x+1个视频帧的反向传播特征进行扭曲，得到扭曲后的反向传播特征；
根据所述扭曲后的反向传播特征及所述第x个视频帧，得到所述第x个视频帧的反向传播特征。
举例来说，参照图3，可以通过第x个视频帧(图3中示为px)及第x+1个视频帧(图3中示为px+1)预测第x个视频帧与第x+1个视频帧之间的第一光流图(图3中示为sx +)，并根据第一光流图sx +对第x+1个视频帧的反向传播特征(图3中示为bx+1)与第x个视频帧进行特征对齐，得到扭曲后的反向传播特征。进一步的根据扭曲后的反向传播特征及第x个视频帧，可以得到所述第x个视频帧的反向传播特征(图3中示为bx)。
示例性的，可以通过图4所示的用于确定反向传播特征的神经网络(其中，401为卷积模块，402为残差模块)确定第x个视频帧(px)的反向传播特征。首先利用第x个视频帧与第x+1个视频帧(px+1)之间的第一光流图对第x+1个视频帧的反向传播特征bx+1进行扭曲，构造第x个视频帧与第x+1个视频帧的反向传播特征bx+1之间的对应关系，得到扭曲后的反向传播特征，进而对扭曲后的反向传播特征及第x个视频帧进行多次卷积处理处理后，将卷积结果通作为过残差模块的输入，以得到第x个视频帧的反向传播特征bx。
得到第x个视频帧的反向传播特征后，可以根据第x个视频帧的反向传播特征确定第x个视频帧的正向传播特征。
在一种可能的实现方式中，所述根据所述第x个视频帧、第x-1个视频帧、所述第x-1个视频帧的正向传播特征、及所述第x个视频帧的反向传播特征，确定所述第x个视频帧的正向传播特征，可以包括：
根据所述第x个视频帧及第x-1个视频帧，得到第二光流图；
根据所述第二光流图对所述第x-1个视频帧的正向传播特征进行扭曲，得到扭曲后的正向传播特征；
根据所述第x个视频帧的反向传播特征、所述扭曲后的正向传播特征、及所述第x个视频帧，得到所述第x个视频帧的正向传播特征。
举例来说，参照图5，可以通过第x个视频帧(图5中示为px)及第x-1个视频帧(图5中示为px-1)预测第x个视频帧与第x-1个视频帧之间的第二光流图(图5中示为sx -)，并根据第二光流图sx -对第x-1个视频帧的正向传播特征(图5中示为fx-1)与第x个视频帧进行特征对齐，得到扭曲后的正向传播特征。进一步的根据扭曲后的正向传播特征、第x个视频帧的反向传播特征及第x个视频帧，可以得到所述第x个视频帧的正向传播特征(图5中示为fx)。
示例性的，可以通过图6所示的用于确定正向传播特征的神经网络(其中，601为卷积模块，602为残差模块)确定第x个视频帧的正向传播特征。首先利用第x个视频帧与第x-1个视频帧之间的第二光流图对第x-1个视频帧的正向传播特征fx-1进行扭曲，构造第x个视频帧与第x-1个视频帧的正向传播特征fx-1之间的对应关系，得到扭曲后的正向传播特征，进而对扭曲后的正向传播特征、第x个视频帧的反向传播特征及第x个视频帧进行多次卷积处理处理后，将卷积结果通作为残差模块的输入，以得到第x个视频帧的正向传播特征fx。
在一种可能的实现方式中，x＝1，所述根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，可以包括：
对所述第x个视频帧进行特征提取，得到所述第x个视频帧的正向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
举例来说，可以对第1个视频帧和可选的邻居帧(第1个视频帧顺序关联的预置数量的视频帧)进行特征提取，并将提取到的图像特征作为第1个视频帧的正向传播特征传递给第2个视频帧，以使得可以依据第1个视频帧的正向传播特征预测第2个视频帧的正向传播特征，并传递给第3个视频帧，……，以此类推，直至根据第N-2个视频帧的正向传播特征预测第N-1个视频帧的正向传播特征。其中，本公开实施例不对上述进行特征提取的方式加以限定，凡是可以提取图像特征的方式均可以。
在提取到第1个视频帧的正向传播特征后，可以将第1个视频帧的正向传播特征作为第1个视频帧的重构特征，进而根据第1个视频帧的重构特征对第1个视频帧进行高分率图像重构，以得到第1个视频帧对应的目标视频帧，该目标视频帧即为第1个图像帧的高分率图像，其中，本公开实施例不对上述进行对第1个视频帧进行图像重建的方式加以限定，参照相关技术即可。
在一种可能的实现方式中，x＝N，所述根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，可以包括：
对所述第x个视频帧进行特征提取，得到所述第x个视频帧的反向传播特征；
将所述第x个视频帧的反向传播特征作为所述第x个视频帧的重构特征。
举例来说，可以对第N个视频帧和可选的邻居帧(第N个视频帧顺序关联的预置数量的视频帧)进行特征提取，并将提取到的图像特征作为第N个视频帧的反向传播特征传递给第N-1个视频帧，以使得可以依据第N个视频帧的正向传播特征预测第N-1个视频帧的反向传播特征，并传递给第N-2个视频帧，……，以此类推，直至根据第3个视频帧的反向传播特征预测第2个视频帧的反向传播特征。其中，本公开实施例不对上述进行特征提取的方式加以限定，凡是可以提取图像特征的方式均可以。
在提取到第N个视频帧的正向传播特征后，可以将所述第N个视频帧的反向传播特征作为所述第N个视频帧的重构特征，进而根据第N个视频帧的重构特征对第N个视频帧进行高分率图像重构，以得到第N个视频帧对应的目标视频帧，该目标视频帧即为第N个图像帧的高分率图像。其中，本公开实施例不对上述进行对第N个视频帧进行图像重建的方式加以限定，参照相关技术即可。
这样，本公开实施例仅对第1个视频帧及第N个视频帧进行特征提取即可实现视频片段内所有视频帧的高分辨率重构，因此可以提高高分辨率图像的重构效率，降低计算成本。
在一种可能的实现方式中，x＝1，所述根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，可以包括：
针对第x个视频帧，获取第x+1个视频帧的反向传播特征；
根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征，得到所述第x个视频帧的正向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
举例来说，可以通过图4所示的用于确定反向传播特征的神经网络确定第2个视频帧的反向传播特征。首先可以获取第2个视频帧的反向传播特征，并可以利用第1个视频帧与第2个视频帧之间的光流图对第2个视频帧的反向传播特征进行扭曲，构造第1个视频帧与第2个视频帧的反向传播特征之间的对应关系，得到扭曲后的反向传播特征，进而对扭曲后的反向传播特征及第1个视频帧进行多次卷积处理处理后，将卷积结果通作为过残差模块的输入，以得到第1个视频帧的正向传播特征，将该正向传播特征传递作为第1个视频帧的重构特征，并将该正向传播特征传递至第2个视频帧，以根据该第1个视频帧的正向传播特征预测第2个视频帧的正向传播特征，并传递给第3个视频帧，……，以此类推，直至根据第N-1个视频帧的正向传播特征预测第N个视频帧的反向传播特征。
在确定第1个视频帧的重构特征后，可以根据图2示所示的用于重构高分辨图像的神经网络重构第1个视频帧的目标视频帧。
在一种可能的实现方式中，x＝N，所述根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，可以包括：
针对第x个视频帧，获取第x-1个视频帧的正向传播特征；
根据所述第x个视频帧、所述第x-1个视频帧的正向传播特征，得到所述第x个视频帧的反向传播特征；
将所述第x个视频帧的反向传播特征作为所述第x个视频帧的重构特征。
举例来说，首先可以获取第N-1个视频帧的正向传播特征，并可以利用第N个视频帧与第N-1个视频帧之间的光流图对第N-1个视频帧的正向传播特征进行扭曲，构造第N个视频帧与第N-1个视频帧的正向传播特征之间的对应关系，得到扭曲后的正向传播特征，进而对扭曲后的正向传播特征及第N个视频帧进行多次卷积处理处理后，将卷积结果通作为过残差模块的输入，以得到第N个视频帧的反向传播特征，将该反向传播特征传递作为第N个视频帧的重构特征，并将该反向传播特征传递至第N-1个视频帧，以根据该第N个视频帧的反向传播特征预测第N-1个视频帧的反向传播特征，并传递给第N-2个视频帧，……，以此类推，直至根据第2个视频帧的反向传播特征预测第1个视频帧的正向传播特征。
在确定第1个视频帧的重构特征后，可以根据图2示所示的用于重构高分辨图像的神经网络重构第1个视频帧的目标视频帧。
这样，本公开实施例无需对任一视频帧进行特征提取即可实现视频片段内所有视频帧的高分辨率重构，因此可以提高高分辨率图像的重构效率，降低计算成本。
为使本领域技术人员更好的理解本公开实施例，以下通过具体示例对本公开实施例加以说明：
如图7所示，针对视频片段S(p1～pN)，对第N个视频帧进行特征提取，得到第N个视频帧的反向传播特征，根据该反向传播特征重构第N个视频帧的高分辨率图像，并将该反向传播特征传递至第N-1个视频帧，以使得根据该第N个视频帧的反向传播特征预测第N-1个视频帧的反向传播特征，并将第N-1个视频帧的反向传播特征传递至第N-2个视频帧，……，依此类推，直至根据第3个视频帧的反向传播特征预测第2个视频帧的反向传播特征，即视频片段(p2～pN-1)内的每一视频帧均可以根据后一帧的反向传播特征，预测对应的反向传播特征。
对第1个视频帧进行特征提取，得到第1个视频帧的正向传播特征，根据该正向传播特征重构第1个视频帧的高分辨率图像，得到与第1个视频帧对应的目标视频帧。同时将该第1个视频帧的正向传播特征传递至第2个视频帧，以使得根据该第2个视频帧的反向传播特征及第1视频帧的正向传播特征预测第2个视频帧的正向传播特征，将第2个视频帧的正向传播特征作为重构特征，对第2个视频帧进行重构，得到与第2个视频帧对应的目标视频帧，同时将第2个视频帧的正向传播特征传递至第3个视频帧，……，依此类推，直至根据第N-2个视频帧的正向传播特征预测第N-1个视频帧的正向传播特征，将第N-1个视频帧的正向传播特征作为重构特征，对第N-1个视频帧进行重构，得到与第N-1个视频帧对应的目标视频帧，即可以视频片段(p2～pN-1)内的每一视频帧均可以根据前一帧的正向传播特征，预测对应的正向传播特征，并根据正向传播特征重构得到对应的目标视频帧。
在一种可能的实现方式中，所述根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，可以包括，包括：
根据所述第x个视频帧、第x-1个视频帧、及所述第x-1个视频帧的正向传播特征，确定所述第x个视频帧的正向传播特征；
根据所述第x个视频帧、第x+1个视频帧、所述第x+1个视频帧的反向传播特征、及所述第x个视频帧的正向传播特征，确定所述第x个视频帧的反向传播特征；
将所述第x个视频帧的反向传播特征作为所述第x个视频帧的重构特征。
举例来说，可以通过第x个视频帧及第x-1个视频帧对第x-1个视频帧的正向传播特征进行扭曲，以实现特征对齐，得到第x个视频帧的反向传播特征。
在一种可能的实现方式中，所述根据所述第x个视频帧、第x-1个视频帧、及所述第x-1个视频帧的正向传播特征，确定所述第x个视频帧的正向传播特征，包括：
根据所述第x个视频帧及第x-1个视频帧，得到第二光流图；
根据所述第二光流图对所述第x-1个视频帧的正向传播特征进行扭曲，得到扭曲后的正向传播特征；
根据所述扭曲后的正向传播特征及所述第x个视频帧，得到所述第x个视频帧的正向传播特征。
举例来说，可以通过第x个视频帧及第x-1个视频帧预测第x个视频帧与第x-1个视频帧之间的第二光流图，并根据第二光流图对第x-1个视频帧的正向传播特征与第x个视频帧进行特征对齐，构造第x个视频帧与第x-1个视频帧的正向传播特征之间的对应关系，得到扭曲后的正向传播特征。进一步的根据扭曲后的正向传播特征及第x个视频帧，可以得到所述第x个视频帧的正向传播特征。示例性的，可以对扭曲后的正向传播特征及第x个视频帧进行多次卷积处理处理后，将卷积结果通作为过残差模块的输入，以得到第x个视频帧的正向传播特征。
得到第x个视频帧的正向传播特征后，可以根据第x个视频帧的正向传播特征确定第x个视频帧的反向传播特征。
在一种可能的实现方式中，所述根据所述第x个视频帧、第x+1个视频帧、所述第x+1个视频帧的反向传播特征、及所述第x个视频帧的正向传播特征，确定所述第x个视频帧的反向传播特征，包括：
根据所述第x个视频帧及第x+1个视频帧，得到第一光流图；
根据所述第一光流图对所述第x+1个视频帧的反向传播特征进行扭曲，得到扭曲后的反向传播特征；
根据所述第x个视频帧的正向传播特征、所述扭曲后的反向传播特征、及所述第x个视频帧，得到所述第x个视频帧的反向传播特征。
举例来说，可以通过第x个视频帧及第x+1个视频帧＝预测第x个视频帧与第x+1个视频帧之间的第一光流图，并根据第二光流图对第x+1个视频帧的反向传播特征与第x个视频帧进行特征对齐，构造第x个视频帧与第x+1个视频帧的反向传播特征之间的对应关系，得到扭曲后的正向传播特征。进一步的根据扭曲后的反向传播特征、第x个视频帧的正向传播特征及第x个视频帧，可以得到所述第x个视频帧的反向传播特征。示例性的，可以对扭曲后的反向传播特征、第x个视频帧的正向传播特征及第x个视频帧进行多次卷积处理处理后，将卷积结果通作为过残差模块的输入，以得到第x个视频帧的反向传播特征。
为使本领域技术人员更好的理解本公开实施例，以下通过具体示例对本公开实施例加以说明：
为使本领域技术人员更好的理解本公开实施例，以下通过具体示例对本公开实施例加以说明：
如图8所示，针对视频片段S(p1～pN)，对第1个视频帧进行特征提取，得到第1个视频帧的正向传播特征，根据该正向传播特征重构第1个视频帧的高分辨率图像，并将该正向传播特征传递至第2个视频帧，以使得根据该第1个视频帧的正向传播特征预测第2个视频帧的正向传播特征，并将第2个视频帧的正向传播特征传递至第3个视频帧，……，依此类推，直至根据第N-2个视频帧的正向传播特征预测第N-1个视频帧的正向传播特征，即视频片段(p2～pN-1)内的每一视频帧均可以根据前一帧的正向传播特征，预测对应的正向传播特征。
对第N个视频帧进行特征提取，得到第N个视频帧的反向传播特征，根据该反向传播特征重构第N个视频帧的高分辨率图像，得到与第N个视频帧对应的目标视频帧。同时将该第N个视频帧的反向传播特征传递至第N-1个视频帧，以使得根据该第N-1个视频帧的正向传播特征及第N视频帧的反向传播特征预测第N-1个视频帧的反向传播特征，将第N-1个视频帧的反向传播特征作为重构特征，对第N-1个视频帧进行重构，得到与第N-1个视频帧对应的目标视频帧，同时将第N-1个视频帧的反向传播特征传递至第N-2个视频帧，……，依此类推，直至根据第3个视频帧的反向传播特征预测第2个视频帧的反向传播特征，将第2个视频帧的反向传播特征作为重构特征，对第2个视频帧进行重构，得到与第2个视频帧对应的目标视频帧，即视频片段(p2～pN-1)内的每一视频帧均可以根据后一帧的反向传播特征，预测对应的反向传播特征，并根据反向传播特征重构得到对应的目标视频帧。
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9示出根据本公开实施例的图像处理装置的框图，如图9所示，所述图像处理装置包括：
获取模块901，可以用于获取视频片段中第x+1个视频帧的反向传播特征及第x-1个视频帧的正向传播特征中的至少一项，其中，视频片段包括N个视频帧，N为大于2的整数，x为整数；
第一处理模块902，可以用于根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征；
第二处理模块903，可以用于根据所述第x个视频帧的重构特征对第x个视频帧进行重构，得到与第x个视频帧对应的目标视频帧，所述目标视频帧的分辨率高于所述第x个视频帧的分辨率。
可以获取视频片段中第x+1个视频帧的反向传播特征及第x-1个视频帧的正向传播特征中的至少一项，进而可以根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征、及所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，进一步的可以根据所述第x个视频帧的重构特征对第x个视频帧进行重构，得到与第x个视频帧对应的目标视频帧，所述目标视频帧的分辨率高于所述第x个视频帧的分辨率。根据本公开实时例提供的图像处理装置，避免了重复进行特征提取和运动补偿，进而提高了高分辨率图像的重构效率，降低了计算成本，并且利用了自然视频中的时间连续性，任一视频帧的重构特征均采用前一视频帧及后一视频帧传递的特征来确定，使用附近帧中的特征，而不必从头开始提取，这样可以大大节省特征提取和聚合的时间，提高重构精度。
在一种可能的实现方式中，1<x<N，所述第一处理模块，还可以用于：
根据所述第x个视频帧、所述第x+1个视频帧及所述第x+1个视频帧的反向传播特征，确定所述第x个视频帧的反向传播特征；
根据所述第x个视频帧、所述第x-1个视频帧、所述第x-1个视频帧的正向传播特征及所述第x个视频帧的反向传播特征，确定所述第x个视频帧的正向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
在一种可能的实现方式中，所述第一处理模块，还可以用于：
根据所述第x个视频帧及所述第x+1个视频帧，得到第一光流图；
根据所述第一光流图对所述第x+1个视频帧的反向传播特征进行扭曲，得到扭曲后的反向传播特征；
根据所述扭曲后的反向传播特征及所述第x个视频帧，得到所述第x个视频帧的反向传播特征。
在一种可能的实现方式中，所述第一处理模块，还可以用于：
根据所述第x个视频帧及所述第x-1个视频帧，得到第二光流图；
根据所述第二光流图对所述第x-1个视频帧的正向传播特征进行扭曲，得到扭曲后的正向传播特征；
根据所述第x个视频帧的反向传播特征、所述扭曲后的正向传播特征、及所述第x个视频帧，得到所述第x个视频帧的正向传播特征。
在一种可能的实现方式中，1<x<N，所述第一处理模块，还可以用于：
根据所述第x个视频帧、所述第x-1个视频帧及所述第x-1个视频帧的正向传播特征，确定所述第x个视频帧的正向传播特征；
根据所述第x个视频帧、所述第x+1个视频帧、所述第x+1个视频帧的反向传播特征及所述第x个视频帧的正向传播特征，确定所述第x个视频帧的反向传播特征；
将所述第x个视频帧的反向传播特征作为所述第x个视频帧的重构特征。
在一种可能的实现方式中，所述第一处理模块，还可以用于：
根据所述第x个视频帧及所述第x-1个视频帧，得到第二光流图；
根据所述第二光流图对所述第x-1个视频帧的正向传播特征进行扭曲，得到扭曲后的正向传播特征；
根据所述扭曲后的正向传播特征及所述第x个视频帧，得到所述第x个视频帧的正向传播特征。
在一种可能的实现方式中，所述第一处理模块，还可以用于：
根据所述第x个视频帧及所述第x+1个视频帧，得到第一光流图；
根据所述第一光流图对所述第x+1个视频帧的反向传播特征进行扭曲，得到扭曲后的反向传播特征；
根据所述第x个视频帧的正向传播特征、所述扭曲后的反向传播特征及所述第x个视频帧，得到所述第x个视频帧的反向传播特征。
在一种可能的实现方式中，x＝1，所述第一处理模块，还可以用于：
对所述第x个视频帧进行特征提取，得到所述第x个视频帧的正向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
在一种可能的实现方式中，x＝N，所述第一处理模块，还用于：
对所述第x个视频帧进行特征提取，得到所述第x个视频帧的反向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征.
在一种可能的实现方式中，x＝1，所述第一处理模块，还可以用于：
针对第x个视频帧，获取第x+1个视频帧的反向传播特征；
根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征，得到所述第x个视频帧的正向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
在一种可能的实现方式中，x＝N，所述第一处理模块，还可以用于：
针对第x个视频帧，获取第x-1个视频帧的正向传播特征；
根据所述第x个视频帧、所述第x-1个视频帧的正向传播特征，得到所述第x个视频帧的反向传播特征；
将所述第x个视频帧的反向传播特征作为所述第x个视频帧的重构特征。
在一种可能的实现方式中，所述装置还包括：
确定模块，用于确定视频数据中的至少两个关键帧；
划分模块，用于根据所述关键帧将所述视频数据划分为至少一个视频片段。
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10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10，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11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11，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 (15)

1.一种图像处理方法，其特征在于，包括：
获取视频片段中第x+1个视频帧的反向传播特征及第x-1个视频帧的正向传播特征中的至少一项，其中，视频片段包括N个视频帧，N为大于2的整数，x为整数；
根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征；
根据所述第x个视频帧的重构特征对第x个视频帧进行重构，得到与第x个视频帧对应的目标视频帧，所述目标视频帧的分辨率高于所述第x个视频帧的分辨率。
2.根据权利要求1所述的方法，其特征在于，1<x<N，所述根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，包括：
根据所述第x个视频帧、所述第x+1个视频帧及所述第x+1个视频帧的反向传播特征，确定所述第x个视频帧的反向传播特征；
根据所述第x个视频帧、所述第x-1个视频帧、所述第x-1个视频帧的正向传播特征及所述第x个视频帧的反向传播特征，确定所述第x个视频帧的正向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
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x个视频帧、第x+1个视频帧及所述第x+1个视频帧的反向传播特征，确定所述第x个视频帧的反向传播特征，包括：
根据所述第x个视频帧及所述第x+1个视频帧，得到第一光流图；
根据所述第一光流图对所述第x+1个视频帧的反向传播特征进行扭曲，得到扭曲后的反向传播特征；
根据所述扭曲后的反向传播特征及所述第x个视频帧，得到所述第x个视频帧的反向传播特征。
4.根据权利要求2或3所述的方法，其特征在于，所述根据所述第x个视频帧、所述第x-1个视频帧、所述第x-1个视频帧的正向传播特征、及所述第x个视频帧的反向传播特征，确定所述第x个视频帧的正向传播特征，包括：
根据所述第x个视频帧及所述第x-1个视频帧，得到第二光流图；
根据所述第二光流图对所述第x-1个视频帧的正向传播特征进行扭曲，得到扭曲后的正向传播特征；
根据所述第x个视频帧的反向传播特征、所述扭曲后的正向传播特征、及所述第x个视频帧，得到所述第x个视频帧的正向传播特征。
5.根据权利要求1所述的方法，其特征在于，1<x<N，所述根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，包括：
根据所述第x个视频帧、所述第x-1个视频帧及所述第x-1个视频帧的正向传播特征，确定所述第x个视频帧的正向传播特征；
根据所述第x个视频帧、所述第x+1个视频帧、所述第x+1个视频帧的反向传播特征及所述第x个视频帧的正向传播特征，确定所述第x个视频帧的反向传播特征；
将所述第x个视频帧的反向传播特征作为所述第x个视频帧的重构特征。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第x个视频帧、所述第x-1个视频帧、及所述第x-1个视频帧的正向传播特征，确定所述第x个视频帧的正向传播特征，包括：
根据所述第x个视频帧及所述第x-1个视频帧，得到第二光流图；
根据所述第二光流图对所述第x-1个视频帧的正向传播特征进行扭曲，得到扭曲后的正向传播特征；
根据所述扭曲后的正向传播特征及所述第x个视频帧，得到所述第x个视频帧的正向传播特征。
7.根据权利要求5或6所述的方法，其特征在于，所述根据所述第x个视频帧、所述第x+1个视频帧、所述第x+1个视频帧的反向传播特征、及所述第x个视频帧的正向传播特征，确定所述第x个视频帧的反向传播特征，包括：
根据所述第x个视频帧及所述第x+1个视频帧，得到第一光流图；
根据所述第一光流图对所述第x+1个视频帧的反向传播特征进行扭曲，得到扭曲后的反向传播特征；
根据所述第x个视频帧的正向传播特征、所述扭曲后的反向传播特征及所述第x个视频帧，得到所述第x个视频帧的反向传播特征。
8.根据权利要求1至7中任一项所述的方法，其特征在于，x＝1，所述根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，包括：
对所述第x个视频帧进行特征提取，得到所述第x个视频帧的正向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
9.根据权利要求1至8中任一项所述的方法，其特征在于，x＝N，根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，包括：
对所述第x个视频帧进行特征提取，得到所述第x个视频帧的反向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
10.根据权利要求1至7中任一项所述的方法，其特征在于，x＝1，根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，包括：
针对第x个视频帧，获取第x+1个视频帧的反向传播特征；
根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征，得到所述第x个视频帧的正向传播特征；
将所述第x个视频帧的正向传播特征作为所述第x个视频帧的重构特征。
11.根据权利要求1至7中任一项所述的方法，其特征在于，x＝N，根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征，包括：
针对第x个视频帧，获取第x-1个视频帧的正向传播特征；
根据所述第x个视频帧、所述第x-1个视频帧的正向传播特征，得到所述第x个视频帧的反向传播特征；
将所述第x个视频帧的反向传播特征作为所述第x个视频帧的重构特征。
12.根据权利要求1至11中任一项所述的方法，所述方法还包括：
确定视频数据中的至少两个关键帧；
根据所述关键帧将所述视频数据划分为至少一个视频片段。
13.一种图像处理装置，其特征在于，包括：
获取模块，用于获取视频片段中第x+1个视频帧的反向传播特征及第x-1个视频帧的正向传播特征中的至少一项，其中，视频片段包括N个视频帧，N为大于2的整数，x为整数；
第一处理模块，用于根据所述第x个视频帧、所述第x+1个视频帧的反向传播特征和所述第x-1个视频帧的正向传播特征中的至少一项，得到所述第x个视频帧的重构特征；
第二处理模块，用于根据所述第x个视频帧的重构特征对第x个视频帧进行重构，得到与第x个视频帧对应的目标视频帧，所述目标视频帧的分辨率高于所述第x个视频帧的分辨率。
14.一种电子设备，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。
15.一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。
CN202010129837.1A 2020-02-28 2020-02-28 图像处理方法及装置、电子设备和存储介质 Active CN111369438B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010129837.1A CN111369438B (zh) 2020-02-28 2020-02-28 图像处理方法及装置、电子设备和存储介质
PCT/CN2020/100216 WO2021169137A1 (zh) 2020-02-28 2020-07-03 图像处理方法及装置、电子设备和存储介质
TW109131137A TWI780482B (zh) 2020-02-28 2020-09-10 圖像處理方法、電子設備和電腦可讀儲存介質
US17/885,542 US20230019679A1 (en) 2020-02-28 2022-08-11 Image processing method and device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010129837.1A CN111369438B (zh) 2020-02-28 2020-02-28 图像处理方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111369438A true CN111369438A (zh) 2020-07-03
CN111369438B CN111369438B (zh) 2022-07-26

Family

ID=71211005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010129837.1A Active CN111369438B (zh) 2020-02-28 2020-02-28 图像处理方法及装置、电子设备和存储介质

Country Status (4)

Country Link
US (1) US20230019679A1 (zh)
CN (1) CN111369438B (zh)
TW (1) TWI780482B (zh)
WO (1) WO2021169137A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070031058A1 (en) * 2005-06-08 2007-02-08 Canamet Canadian National Medical Technologies Inc. Method and system for blind reconstruction of multi-frame image data
CN109118430A (zh) * 2018-08-24 2019-01-01 深圳市商汤科技有限公司 超分辨率图像重建方法及装置、电子设备及存储介质
CN110136066A (zh) * 2019-05-23 2019-08-16 北京百度网讯科技有限公司 面向视频的超分辨率方法、装置、设备和存储介质
CN110633700A (zh) * 2019-10-21 2019-12-31 深圳市商汤科技有限公司 视频处理方法及装置、电子设备和存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100254453A1 (en) * 2009-04-02 2010-10-07 Qualcomm Incorporated Inverse telecine techniques
US9230303B2 (en) * 2013-04-16 2016-01-05 The United States Of America, As Represented By The Secretary Of The Navy Multi-frame super-resolution of image sequence with arbitrary motion patterns
CN105072373B (zh) * 2015-08-28 2018-03-27 中国科学院自动化研究所 基于双向循环卷积网络的视频超分辨率方法和系统
CN107274347A (zh) * 2017-07-11 2017-10-20 福建帝视信息科技有限公司 一种基于深度残差网络的视频超分辨率重建方法
CN109257605B (zh) * 2017-07-13 2021-11-19 华为技术有限公司 图像处理方法、设备及系统
CN109102462B (zh) * 2018-08-01 2023-04-07 中国计量大学 一种基于深度学习的视频超分辨率重建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070031058A1 (en) * 2005-06-08 2007-02-08 Canamet Canadian National Medical Technologies Inc. Method and system for blind reconstruction of multi-frame image data
CN109118430A (zh) * 2018-08-24 2019-01-01 深圳市商汤科技有限公司 超分辨率图像重建方法及装置、电子设备及存储介质
CN110136066A (zh) * 2019-05-23 2019-08-16 北京百度网讯科技有限公司 面向视频的超分辨率方法、装置、设备和存储介质
CN110633700A (zh) * 2019-10-21 2019-12-31 深圳市商汤科技有限公司 视频处理方法及装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李定一: "基于深度学习的视频超分辨率算法研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *

Also Published As

Publication number Publication date
TW202133609A (zh) 2021-09-01
WO2021169137A1 (zh) 2021-09-02
CN111369438B (zh) 2022-07-26
TWI780482B (zh) 2022-10-11
US20230019679A1 (en) 2023-01-19

Similar Documents

Publication Publication Date Title
CN110378976B (zh) 图像处理方法及装置、电子设备和存储介质
CN110287874B (zh) 目标追踪方法及装置、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
CN108093315B (zh) 视频生成方法及装置
CN110798630B (zh) 图像处理方法及装置、电子设备和存储介质
CN110633755A (zh) 网络训练方法、图像处理方法及装置、电子设备
CN111340731B (zh) 图像处理方法及装置、电子设备和存储介质
CN111523346B (zh) 图像识别方法及装置、电子设备和存储介质
CN112085097A (zh) 图像处理方法及装置、电子设备和存储介质
CN111597029A (zh) 数据处理方法及装置、电子设备和存储介质
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
CN111583142A (zh) 图像降噪方法及装置、电子设备和存储介质
CN110675355A (zh) 图像重建方法及装置、电子设备和存储介质
CN110826697A (zh) 获取样本的方法及装置、电子设备和存储介质
CN114202562A (zh) 视频处理方法及装置、电子设备和存储介质
CN110955800A (zh) 视频检索方法及装置
CN112102300A (zh) 计数方法及装置、电子设备和存储介质
CN115512116B (zh) 图像分割模型优化方法、装置、电子设备及可读存储介质
CN111784773A (zh) 图像处理方法及装置、神经网络训练方法及装置
CN110121115B (zh) 精彩视频片段的确定方法及装置
CN111369438B (zh) 图像处理方法及装置、电子设备和存储介质
CN112651880B (zh) 视频数据处理方法及装置、电子设备和存储介质
CN110858921A (zh) 节目视频的处理方法及装置
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

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: 40023164

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant