CN111402133A - 图像处理方法、装置、电子设备及计算机可读介质 - Google Patents
图像处理方法、装置、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN111402133A CN111402133A CN202010176453.5A CN202010176453A CN111402133A CN 111402133 A CN111402133 A CN 111402133A CN 202010176453 A CN202010176453 A CN 202010176453A CN 111402133 A CN111402133 A CN 111402133A
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- network
- loss function
- generation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 60
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 109
- 238000012549 training Methods 0.000 claims description 67
- 230000004927 fusion Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011022 operating instruction Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010428 oil painting Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例提供了一种图像处理方法、装置、电子设备及计算机可读介质,包括:获取待处理图像;通过图像生成网络对待处理图像进行至少一次图像处理,得到处理后的图像,处理后的图像的图像尺寸大于待处理图像,且处理后的图像质量不低于待处理图像;其中,图像生成网络为经过训练后的生成式对抗网络中的生成网络。在本公开实施例中,在对待处理图像的图像尺寸进行放大处理时,可以基于图像生成网络对待处理图像进行至少一次的处理,并且由于图像生成网络为经过训练后的生成式对抗网络中的生成网络,因此在对各种待处理图像进行图像尺寸放大处理时,可以有效的减少产生奇异点,进而保证了图像的图像质量,提升了用户体验。
Description
技术领域
本公开涉及图像处理技术领域,具体而言,本公开涉及一种图像处理方法、装置、电子设备及计算机可读介质。
背景技术
随着计算机技术和通信技术的迅猛发展,智能终端的使用得到广泛普及,越来越多的功能被开发出来用于方便和丰富人们的工作与生活,如对图像的尺寸进行放大处理,得到尺寸更大的图像。
但是,现有技术中在对图像的尺寸进行放大处理的过程中可能会产生一些奇异点,导致了图像的质量下降,以使用户体验较差。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开实施例提供了一种图像处理方法,该方法包括:
获取待处理图像;
通过图像生成网络对所述待处理图像进行至少一次图像处理,得到处理后的图像,所述处理后的图像的图像尺寸大于所述待处理图像,且处理后的图像质量不低于所述待处理图像;
其中,所述图像生成网络为经过训练后的生成式对抗网络中的生成网络。
第二方面,本公开实施例提供了一种图像处理装置,该装置包括:
图像获取模块,用于获取待处理图像;
图像处理模块,用于过图像生成网络对所述待处理图像进行至少一次图像处理,得到处理后的图像,所述处理后的图像的图像尺寸大于所述待处理图像,且处理后的图像质量不低于所述待处理图像;
其中,所述图像生成网络为经过训练后的生成式对抗网络中的生成网络。
第三方面,本公开提供了一种电子设备,该电子设备包括处理器和存储器;
存储器,用于存储计算机操作指令;
处理器,用于通过调用计算机操作指令,执行如本公开实施例的第一方面的任一实施例中所示的方法。
第四方面,本公开提供了一种计算机可读介质,该计算机可读介质存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如本公开实施例的第第一方面的任一实施例中所示的方法。
本公开实施例提供的技术方案带来的有益效果是:
在本公开实施例中,在对待处理图像的图像尺寸进行放大处理时,可以基于图像生成网络对待处理图像进行至少一次的处理,并且由于图像生成网络为经过训练后的生成式对抗网络中的生成网络,因此在对各种待处理图像进行图像尺寸放大处理时,可以有效的减少产生奇异点,进而保证了图像的图像质量,提升了用户体验。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开的实施例中一种图像处理方法的流程示意图;
图2A为本公开的实施例中一种图像示意图;
图2B为本公开的实施例中另一种图像示意图;
图2C为本公开的实施例中又一种图像示意图;
图3为本公开的实施例中一种训练生成式对抗网络的流程示意图;
图4为本公开的实施例中又一种训练生成式对抗网络的流程示意图;
图5为本公开的实施例中一种初始的生成式对抗网络的结构示意图;
图6为本公开的实施例中一种损失函数的结构示意图;
图7为本公开的实施例中一种图像处理装置的结构示意图;
图8为本公开的实施例中一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元,也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本公开的实施例提供了一种图像处理方法,如图1所示,该方法可以包括:
步骤S110,获取待处理图像。
其中,待处理图像指的是需要提升图像尺寸的图像。本公开实施例中,待处理图像中可以包括一定的物体,例如人脸、人体、建筑、车辆、风景等,本公开实施例对此不作限定。另外,待处理图像可以为任意风格的图像,例如彩色照片风格图像、黑白照片风格图像、彩色油画风格图像等,本公开实施例对此也不作限定。
步骤S120,通过图像生成网络对待处理图像进行至少一次图像处理,得到处理后的图像,处理后的图像的图像尺寸大于待处理图像,且处理后的图像质量不低于待处理图像。
在实际应用中,当需要提升图像的图像尺寸时,可以基于图像生成网络对待处理图像进行相应的图像处理,进而得到提升图像尺寸后的图像。其中,这里的图像生成网络为经过训练后的生成式对抗网络(Generative Adversarial Nets,GAN)中的生成网络,即生成器G(Generator)。
在本公开实施例中,在对待处理图像的图像尺寸进行放大处理时,可以基于图像生成网络对待处理图像进行至少一次的处理,并且由于图像生成网络为经过训练后的生成式对抗网络中的生成网络,因此在对各种待处理图像进行图像尺寸放大处理时,可以有效的减少产生奇异点,进而保证了图像的图像质量,提升了用户体验。
本公开可选的实施例中,生成网络包括依次级联的至少一个上采样模块、以及至少一个残差模块,通过图像生成网络对待处理图像进行至少一次图像处理,得到处理后的图像,包括:
通过上采样模块提升待处理图像的尺寸,通过残差模块提高上采样输出的图像的质量,得到输出图像;
其中,进行第一次图像处理时,输入图像为待处理图像,若进行了至少两次,除第一次之外的其他次,当前次的输入图像为上一次的输出图像。
在实际应用中,生成网络中可以包括依次级联的至少一个上采样模块、以及至少一个残差模块,其中,上采样模块可以提升待处理图的尺寸,而残差模块可以提高上采样输出的图像的质量。
在实际应用中,待处理图像中往往或多或少地包含着一定的冗余信息,而这些冗余信息会对特征学习效果造成不利的影响,如影响图像质量。而当应用残差模块时,残差模块可以将当前层的影响不仅影响到下一层,而且影响到接下来的多个层,并通过隐藏层的不断加深,来抽象组合成更加全面、更加丰富的结构特征,进而剔除冗余信息,提升图像质量。
此外,在实际应用中,若当前通过图像生成网络得到的图像的图像尺寸并不满足要求,此时可以通过图像生成网络进行多次图像处理,其中,当前次的输入图像为上一次的输出图像。
例如,当一张尺寸为256x256的待处理图像(如图2A中所示的图像),经过图像生成网络进行图像处理后,可以得到得到一张尺寸为512x512、且图像质量不低于待处理图像的图像(如图2B中所示的图像));进一步的,如果想要得到尺寸更大的图像,可以将输出的图像再次输入至图像生成网络,得到图像尺寸更大的图像(如图2C中所示的图像),尺寸为1024x1024)。
本公开可选的实施例中,生成式对抗网络包括生成网络和判别网络;
如图3所示,生成式对抗网络是通过以下方式训练得到的:
步骤S301,获取训练样本集,训练样本集中包括各样本图像对,每个样本图像对包括第一图像和第二图像,其中,第一图像和第二图像的原始图像内容相同,第一图像的图像尺寸小于第二图像的图像尺寸;
步骤S302,基于训练样本集对初始的生成式对抗网络进行训练,直至对应的损失函数满足设定条件。
在实际应用中,生成式对抗网络GAN的主要结构包括一个生成器G(Generator)和一个判别器D(Discriminator)。
其中,训练样本集指的是用于训练生成式对抗网络的样本数据,该训练样本集中包括成各样本图像对,每个样本图像对包括原始图像内容相同第一图像和第二图像。其中,每一个样本图像对中的第一图像的图像尺寸小于第二图像的图像尺寸。也就是说,对于每个样本图像对中第二图像,都可有由该样本图像对中的第一图像经过图像尺寸变化所得到。
进一步的,可以基于训练样本集对初始的生成式对抗网络进行训练,直至对应的损失函数满足设定条件。其中,当对应的损失函数满足设定条件时,说明此时所得到的生成式对抗网络在提升图像尺寸的同时,也可以保证图像的质量。
本公开可选的实施例中,第一图像通过下列方式得到:
获取第二图像;
基于预设尺寸对第二图像进行缩小处理,得到第一图像。
其中,这里的第二图像的具体类型本公开实施例不限定,其可以为通过图像拍摄装置所拍摄的单独图像,也可以为视频中的视频帧图像等。
在实际应用中,可以获取图像质量比较好(如分辨率大于设定分辨率)的第二图像,通过对第二图像进行缩小处理得到第一图像。由于本公开实施例中,训练生成器的目的是使生成器基于输入的第一图像所生成的预测图像(即生成图像)逼近第二图像,因此,在通过这样的样本训练生成器时,能够在保证提升尺寸的前提下,有效保障生成器所生成的图像质量。
如图4所示,本公开可选的实施例中,基于训练样本集对初始的生成式对抗网络进行训练,可以包括:
步骤S401,将每个样本图像对中的第一图像输入至生成网络,得到第一图像对应的生成图像;
步骤S402,将第二图像和对应的生成图像输入至判别网络,得到生成图像对应的第一判别结果和第二图像对应的第二判别结果;
步骤S403,基于生成图像、第二图像、第一判别结果和第二判别结果,计算损失函数的值,基于损失函数的值对生成式对抗网络进行训练。
在实际应用中,如图5所示,初始的生成式对抗网络可以包括生成网络和判别网络,其包括的生成网络作为生成器G,用于对每个样本图像对中的第一图像进行提升图像尺寸处理,输出生成图像;初始的生成式对抗网络中的判别网来作为判别器D,用于对训练样本集中的第二图像以及生成图像的真实性进行判别,即判断第二图像是真的(Real)还是假的(Fake)(即图5中的第二判别结果),以及判断生成图像是图像尺寸较大的还是图像尺寸较小的(即图5中的第一判别结果),进一步,基于生成图像、第二图像、第一判别结果和第二判别结果,计算损失函数的值,然后基于损失函数的值对生成式对抗网络进行训练。
进一步的,可以基于判别网络确定用于表征第二图像的真实性的第二判别结果和用于表征生成图像的真实性的第一判别结果。
在一示例中,基于训练样本集对初始的生成式对抗网络进行训练具体可以包括:
初始化初始的生成式对抗网络的生成网络参数和判别网络的网络参数;
进一步的,训练判别网络尽可能准确地区分真实的样本(第二图像)和生成的样本(生成图像);训练生成网络尽可能地减小生成的样本(生成图像)与真实的样本之间(第二图像)的差距,也相当于尽量使得判别网络判别错误。也就是说,两个网络在对抗训练的过程中分别提高各自的生成能力和判别能力。多次更新迭代之后,最终理想情况是判别网络判别不出样本是生成的样本还是真实的样本。
在本公开实施例中,由于经过对抗训练,生成网络的生成能力达到了理想状态,将训练后的生成网络确定为图像生成网络,能够实现良好的提升图片质量的效果。
如图6所示,本公开可选的实施例中,损失函数包括可以像素损失函数、第一判别结果损失函数、第二判别结果损失函数和图像生成损失函数,其中,
像素损失函数的值是基于每个样本图像对中的第二图片和对应的生成图像中对应的各像素确定的;第一判别结果损失函数的值基于每个样本图像对中生成图像对应的第一判别结果确定的;第二判别结果损失函数的值基于每个样本图像对中第二图像对应的第二判别结果确定的;图像生成损失函数的值是基于每个样本图像对中的第二图像和对应的生成图片确定的。
本公开实施例中,由于判别网络需要将m个第二图像均判断为真样本(即真实的样本,真的概率为1),但实际训练过程中,每个第二图像被判别网络判别为真的概率可能不为1,此时可以基于对第二图像的真假概率的判断来确定一个对抗损失,本公开实施例中将其定义为第二图像对应的第二判别结果损失,为便于描述,下文中将第二图像对应的第二判别结果损失简称为loss1。
进一步的,由于判别网络需要将m个生成图像均判断为假样本(即生成的样本,真的概率为0),但实际训练过程中,每个生成图像被判别网络判别为真的概率可能不为0。此时可以基于对生成图像的真假概率的判断来确定另一个对抗损失,本公开实施例中将其定义为生成图像对应的第一判别结果损失,为便于描述,下文中将生成图像对应的第一判别结果损失简称为loss2。
相应的,由于生成网络需要尽可能地减小生成的样本(生成图像)与真实的样本之间第二图像的差距,即生成网络尽量使得判别网络判断错误,将m个生成图像均判断为真样本。此时可以基于生成的生成图像以及第二图像来确定像素损失loss3和图像生成损失loss4。
实际应用中,这四个损失均可以基于最小二乘损失函数进行计算。其中,像素损失和生成损失表征的都是生成图像和第二图像之间的图像差异度,像素损失loss3所表征的是像素级别的差异度,而图像生成损失loss4所表征的是图像级别的差异度。
对于本领域技术人员而言清楚的是,每组训练样本中的第一图像、第二图像和对应的生成图像的图像尺寸是相同的,例如b1、a1和的图像尺寸是相同的。但每个样本图像对中的第二图像与对应的生成图像之间会存在不同,可以针对对应的第二图像与生成图像,例如针对b1和逐一比对其中相同的像素,确定每个像素的差值,再根据每个像素的差值来确定第二图像与生成图像之间的图像损失。其中,一种可行的实现方式中,将每个像素的差值进行求和,即可得第二图像与生成图像之间的图像损失。
本公开实施例中,基于生成图像、第二图像、第一判别结果和第二判别结果,计算损失函数的值,包括:
确定各函数的权重;
基于各函数的权重,对各函数的值进行加权融合,得到损失函数的值。
在实际应用中,考虑到每个样本图像对所对应的像素损失、第一判别结果损失、第二判别结果损失和图像生成损失对网络优化的贡献程度不同,本公开实施例中,可以设置每种损失函数分别对应的权重,用于表征每个损失的重要程度。
实际应用中,不同图像样本对所对应的像素损失函数、第一判别结果损失、第二判别结果损失函数和图像生成损失函数可以采用相同的权重。
本领域技术人员可以根据实际情况对样本图像对所对应的像素损失、第一判别结果损失、第二判别结果损失和图像生成损失分别对应的权重进行调整,本公开实施例在此不做限定。
下文中,为便于描述,将每个样本图像对所对应的像素损失函数、第一判别结果损失函数、第二判别结果损失函数和图像生成损失函数分别对应的权重简称为w1、w2、w3和w4。
那么对于本公开实施例,针对每个样本图像对,总损失函数Loss为:
Loss=w1×loss3+w2×loss2+w3×loss1+w4×L2_loss4
进而在训练过程中,根据每每个样本图像对所对应的总损失Loss,调节生成网络和判别网络的网络参数,对生成式对抗网络进行优化,经过针对多组训练样本的调节后,使得Loss收敛,以完成对生成式对抗网络的训练。
在本公开实施例中,可以根据每个样本图像对对应的该总损失函数来对生成式对抗网络进行优化,以得到最佳的训练效果,此时在利用训练后的生成式对抗网络中的生成网络提升图像的图像尺寸时,能够得到最清晰、锐化程度最高的处理效果。
基于与图1中所示方法相同的原理,本公开的实施例中还提供了一种图像处理装置30,如图7所示,该图像处理装置30可以包括图像获取模块310和图像处理模块320,其中:
图像获取模块310,用于获取待处理图像;
图像处理模块320,用于通过图像生成网络对待处理图像进行至少一次图像处理,得到处理后的图像,处理后的图像的图像尺寸大于待处理图像,且处理后的图像质量不低于待处理图像;
其中,图像生成网络为经过训练后的生成式对抗网络中的生成网络。
本公开实施例中,生成网络包括依次级联的至少一个上采样模块、以及至少一个残差模块,图像处理模块在通过图像生成网络对待处理图像进行至少一次图像处理,得到处理后的图像时,具有用于:
通过上采样提升输入待处理图像的尺寸,通过残差模块提高上采样输出的图像的质量,得到输出图像;
其中,进行第一次图像处理时,输入图像为待处理图像,若进行了至少两次,除第一次之外的其他次,当前次的输入图像为上一次的输出图像。
本公开实施例中,生成式对抗网络包括生成网络和判别网络;该装置包括训练模块,用于通过以下方式训练得到生成式对抗网络:
获取训练样本集,训练样本集中包括各样本图像对,每个样本图像对包括第一图像和第二图像,其中,第一图像和第二图像的原始图像内容相同,第一图像的图像尺寸小于第二图像的图像尺寸;
基于训练样本集对初始的生成式对抗网络进行训练,直至对应的损失函数满足设定条件。
本公开实施例中,第一图像通过下列方式得到:
获取第二图像;
基于预设尺寸对第二图像进行缩小处理,得到待处理第一图像。
本公开实施例中,训练模块在基于训练样本集对初始的生成式对抗网络进行训练时,具体用于:
将每个样本图像对中的第一图像输入至生成网络,得到第一图像对应的生成图像;
将第二图像和对应的生成图像输入至判别网络,得到生成图像对应的第一判别结果和第二图像对应的第二判别结果;
基于生成图像、第二图像、第一判别结果和第二判别结果,计算损失函数的值,基于损失函数的值对生成式对抗网络进行训练。
本公开实施例中,损失函数包括像素损失函数、第一判别结果损失函数、第二判别结果损失函数和图像生成损失函数,其中,
像素损失函数的值是基于每个样本图像对中的第二图片和对应的生成图像中对应的各像素确定的;第一判别结果损失函数的值基于每个样本图像对中生成图像对应的第一判别结果确定的;第二判别结果损失函数的值基于每个样本图像对中第二图像对应的第二判别结果确定的;图像生成损失函数的值是基于每个样本图像对中的第二图像和对应的生成图片确定的。
本公开实施例中,训练模块在基于生成图像、第二图像、第一判别结果和第二判别结果,计算损失函数的值时,具体用于:
确定各损失函数的权重;
基于各损失函数的权重,对各损失函数的值进行加权融合,得到损失函数的值。
本公开实施例的图像处理装置可执行本公开的实施例所提供的一种图像处理方法,其实现原理相类似,本公开各实施例中的图像处理装置中的各模块所执行的动作是与本公开各实施例中的图像处理方法中的步骤相对应的,对于图像处理装置的各模块的详细功能描述具体可以参见前文中所示的对应的图像处理方法中的描述,此处不再赘述。
基于与本公开的实施例中所示的方法相同的原理,本公开的实施例中还提供了一种电子设备,该电子设备可以包括但不限于:处理器和存储器;存储器,用于存储计算机操作指令;处理器,用于通过调用计算机操作指令执行实施例所示的方法。
基于与本公开的实施例中所示的方法相同的原理,本公开的实施例中还提供了一种计算机可读存储介质,该计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述实施例所示的方法,在此不再赘述。
下面参考图8,其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
电子设备包括:存储器以及处理器,其中,这里的处理器可以称为下文的处理装置601,存储器可以包括下文中的只读存储器(ROM)602、随机访问存储器(RAM)603以及存储装置608中的至少一项,具体如下所示:
如图8所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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操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。
描述于本公开实施例中所涉及到的模块或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块或单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,【示例A1】提供了一种图像处理方法,包括:
获取待处理图像;
通过图像生成网络对待处理图像进行至少一次图像处理,得到处理后的图像,处理后的图像的图像尺寸大于待处理图像,且处理后的图像质量不低于待处理图像;
其中,图像生成网络为经过训练后的生成式对抗网络中的生成网络。
A2根据A1的方法,生成网络包括依次级联的至少一个上采样模块、以及至少一个残差模块,通过图像生成网络对待处理图像进行至少一次图像处理,得到处理后的图像,包括:
通过上采样提升输入待处理图像的尺寸,通过残差模块提高上采样输出的图像的质量,得到输出图像;
其中,进行第一次图像处理时,输入图像为待处理图像,若进行了至少两次,除第一次之外的其他次,当前次的输入图像为上一次的输出图像。
A3、根据A1的方法,生成式对抗网络包括生成网络和判别网络;
生成式对抗网络是通过以下方式训练得到的:
获取训练样本集,训练样本集中包括各样本图像对,每个样本图像对包括第一图像和第二图像,其中,第一图像和第二图像的原始图像内容相同,第一图像的图像尺寸小于第二图像的图像尺寸;
基于训练样本集对初始的生成式对抗网络进行训练,直至对应的损失函数满足设定条件。
A4、根据A3的方法,第一图像通过下列方式得到:
获取第二图像;
基于预设尺寸对第二图像进行缩小处理,得到第一图像。
A5、根据A3的方法,基于训练样本集对初始的生成式对抗网络进行训练,包括:
将每个样本图像对中的第一图像输入至生成网络,得到第一图像对应的生成图像;
将第二图像和对应的生成图像输入至判别网络,得到生成图像对应的第一判别结果和第二图像对应的第二判别结果;
基于生成图像、第二图像、第一判别结果和第二判别结果,计算损失函数的值,基于损失函数的值对生成式对抗网络进行训练。
A6、根据A5的方法,损失函数包括像素损失函数、第一判别结果损失函数、第二判别结果损失函数和图像生成损失函数,其中,
像素损失函数的值是基于每个样本图像对中的第二图片和对应的生成图像中对应的各像素确定的;第一判别结果损失函数的值基于每个样本图像对中生成图像对应的第一判别结果确定的;第二判别结果损失函数的值基于每个样本图像对中第二图像对应的第二判别结果确定的;图像生成损失函数的值是基于每个样本图像对中的第二图像和对应的生成图片确定的。
A7、根据A6的方法,基于生成图像、第二图像、第一判别结果和第二判别结果,计算损失函数的值,包括:
确定各损失函数的权重;
基于各损失函数的权重,对各损失函数的值进行加权融合,得到损失函数的值。
根据本公开的一个或多个实施例,【示例B1】提供了一种图像处理装置,包括:
图像获取模块,用于获取待处理图像;
图像处理模块,用于通过图像生成网络对待处理图像进行至少一次图像处理,得到处理后的图像,处理后的图像的图像尺寸大于待处理图像,且处理后的图像质量不低于待处理图像;
其中,图像生成网络为经过训练后的生成式对抗网络中的生成网络。
B2根据B1的装置,生成网络包括依次级联的至少一个上采样模块、以及至少一个残差模块,图像处理模块在通过图像生成网络对待处理图像进行至少一次图像处理,得到处理后的图像时,具有用于:
通过上采样提升输入图像的尺寸,通过残差模块提高上采样输出的图像的质量,得到输出图像;
其中,进行第一次图像处理时,输入图像为待处理图像,若进行了至少两次,除第一次之外的其他次,当前次的输入图像为上一次的输出图像。
B3、根据B1的装置,生成式对抗网络包括生成网络和判别网络;该装置包括训练模块,用于通过以下方式训练得到生成式对抗网络:
获取训练样本集,训练样本集中包括各样本图像对,每个样本图像对包括第一图像和第二图像,其中,第一图像和第二图像的原始图像内容相同,第一图像的图像尺寸小于第二图像的图像尺寸;
基于训练样本集对初始的生成式对抗网络进行训练,直至对应的损失函数满足设定条件。
B4、根据B3的装置,第一图像通过下列方式得到:
获取第二图像;
基于预设置的图像尺寸处理方法对第二图像进行处理,得到第一图像。
B5、根据B3的方法,训练模块在基于训练样本集对初始的生成式对抗网络进行训练时,具体用于:
将每个样本图像对中的第一图像输入至生成网络,得到第一图像对应的生成图像;
将第二图像和对应的生成图像输入至判别网络,得到生成图像对应的第一判别结果和第二图像对应的第二判别结果;
基于生成图像、第二图像、第一判别结果和第二判别结果,计算损失函数的值,基于损失函数的值对生成式对抗网络进行训练。
B6、根据B5的装置,损失函数包括像素损失函数、第一判别结果损失函数、第二判别结果损失函数和图像生成损失函数,其中,
像素损失函数的值是基于每个样本图像对中的第二图片和对应的生成图像中对应的各像素确定的;第一判别结果损失函数的值基于每个样本图像对中生成图像对应的第一判别结果确定的;第二判别结果损失函数的值基于每个样本图像对中第二图像对应的第二判别结果确定的;图像生成损失函数的值是基于每个样本图像对中的第二图像和对应的生成图片确定的。
B7、根据B6的装置,训练模块在基于生成图像、第二图像、第一判别结果和第二判别结果,计算损失函数的值时,具体用于:
确定各损失函数的权重;
基于各损失函数的权重,对各损失函数的值进行加权融合,得到损失函数的值。
根据本公开的一个或多个实施例,【示例C1】提供了一种电子设备,包括:
处理器和存储器;
存储器,用于存储计算机操作指令;
处理器,用于通过调用计算机操作指令,执行A1至A7中任一项的方法。
根据本公开的一个或多个实施例,【示例D1】提供了一种计算机可读介质,可读介质存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现A1至A7中任一项的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取待处理图像;
通过图像生成网络对所述待处理图像进行至少一次图像处理,得到处理后的图像,所述处理后的图像的图像尺寸大于所述待处理图像,且处理后的图像质量不低于所述待处理图像;
其中,所述图像生成网络为经过训练后的生成式对抗网络中的生成网络。
2.根据权利要求1所述的方法,其特征在于,所述生成网络包括依次级联的至少一个上采样模块、以及至少一个残差模块,通过所述图像生成网络对所述待处理图像进行至少一次图像处理,得到处理后的图像,包括:
通过上采样提升输入待处理图像的尺寸,通过残差模块提高上采样输出的图像的质量,得到输出图像;
其中,进行第一次图像处理时,输入图像为待处理图像,若进行了至少两次,除第一次之外的其他次,当前次的输入图像为上一次的输出图像。
3.根据权利要求1所述的方法,其特征在于,所述生成式对抗网络包括所述生成网络和判别网络;
所述生成式对抗网络是通过以下方式训练得到的:
获取训练样本集,所述训练样本集中包括各样本图像对,每个样本图像对包括第一图像和第二图像,其中,所述第一图像和所述第二图像的原始图像内容相同,所述第一图像的图像尺寸小于所述第二图像的图像尺寸;
基于所述训练样本集对所述初始的生成式对抗网络进行训练,直至对应的损失函数满足设定条件。
4.根据权利要求3所述的方法,其特征在于,所述第一图像通过下列方式得到:
获取所述第二图像;
基于预设尺寸对所述第二图像进行缩小处理,得到所述第一图像。
5.根据权利要求3所述的方法,其特征在于,所述基于所述训练样本集对所述初始的生成式对抗网络进行训练,包括:
将每个样本图像对中的第一图像输入至所述生成网络,得到所述第一图像对应的生成图像;
将第二图像和对应的生成图像输入至所述判别网络,得到所述生成图像对应的第一判别结果和所述第二图像对应的第二判别结果;
基于所述生成图像、所述第二图像、所述第一判别结果和所述第二判别结果,计算所述损失函数的值,基于所述损失函数的值对所述生成式对抗网络进行训练。
6.根据权利要求5所述的方法,其特征在于,所述损失函数包括像素损失函数、第一判别结果损失函数、第二判别结果损失函数和图像生成损失函数,其中,
所述像素损失函数的值是基于每个样本图像对中的第二图片和对应的生成图像中对应的各像素确定的;所述第一判别结果损失函数的值基于每个样本图像对中生成图像对应的第一判别结果确定的;所述第二判别结果损失函数的值基于每个样本图像对中第二图像对应的第二判别结果确定的;所述图像生成损失函数的值是基于每个样本图像对中的第二图像和对应的生成图片确定的。
7.根据权利要求6所述的方法,其特征在于,所述基于所述生成图像、所述第二图像、所述第一判别结果和所述第二判别结果,计算所述损失函数的值,包括:
确定各损失函数的权重;
基于各损失函数的权重,对各损失函数的值进行加权融合,得到所述损失函数的值。
8.一种图像处理装置,其特征在于,包括:
图像获取模块,用于获取待处理图像;
图像处理模块,用于过图像生成网络对所述待处理图像进行至少一次图像处理,得到处理后的图像,所述处理后的图像的图像尺寸大于所述待处理图像,且处理后的图像质量不低于所述待处理图像;
其中,所述图像生成网络为经过训练后的生成式对抗网络中的生成网络。
9.一种电子设备,其特征在于,包括:
处理器和存储器;
所述存储器,用于存储计算机操作指令;
所述处理器,用于通过调用所述计算机操作指令,执行权利要求1至7中任一项所述的方法。
10.一种计算机可读介质,其特征在于,所述可读介质存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010176453.5A CN111402133A (zh) | 2020-03-13 | 2020-03-13 | 图像处理方法、装置、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010176453.5A CN111402133A (zh) | 2020-03-13 | 2020-03-13 | 图像处理方法、装置、电子设备及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111402133A true CN111402133A (zh) | 2020-07-10 |
Family
ID=71436284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010176453.5A Pending CN111402133A (zh) | 2020-03-13 | 2020-03-13 | 图像处理方法、装置、电子设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402133A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160156A (zh) * | 2021-04-12 | 2021-07-23 | 佛山市顺德区美的洗涤电器制造有限公司 | 用于处理图像的方法、处理器、家用电器及存储介质 |
CN113902029A (zh) * | 2021-10-25 | 2022-01-07 | 北京达佳互联信息技术有限公司 | 图像标注方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
CN107977932A (zh) * | 2017-12-28 | 2018-05-01 | 北京工业大学 | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 |
CN109903223A (zh) * | 2019-01-14 | 2019-06-18 | 北京工商大学 | 一种基于稠密连接网络与生成式对抗网络的图像超分辨率方法 |
CN109978762A (zh) * | 2019-02-27 | 2019-07-05 | 南京信息工程大学 | 一种基于条件生成对抗网络的超分辨率重建方法 |
-
2020
- 2020-03-13 CN CN202010176453.5A patent/CN111402133A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
CN107977932A (zh) * | 2017-12-28 | 2018-05-01 | 北京工业大学 | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 |
CN109903223A (zh) * | 2019-01-14 | 2019-06-18 | 北京工商大学 | 一种基于稠密连接网络与生成式对抗网络的图像超分辨率方法 |
CN109978762A (zh) * | 2019-02-27 | 2019-07-05 | 南京信息工程大学 | 一种基于条件生成对抗网络的超分辨率重建方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160156A (zh) * | 2021-04-12 | 2021-07-23 | 佛山市顺德区美的洗涤电器制造有限公司 | 用于处理图像的方法、处理器、家用电器及存储介质 |
CN113902029A (zh) * | 2021-10-25 | 2022-01-07 | 北京达佳互联信息技术有限公司 | 图像标注方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402112A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN114282581B (zh) | 基于数据增强的训练样本获取方法、装置和电子设备 | |
CN112381717A (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
CN111402151A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111915480A (zh) | 生成特征提取网络的方法、装置、设备和计算机可读介质 | |
CN111402113B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
CN111402133A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111402159B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN114494071A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112084959A (zh) | 一种人群图像处理方法及装置 | |
CN110689478A (zh) | 图像风格化处理方法、装置、电子设备及可读介质 | |
CN111583102B (zh) | 人脸图像处理方法、装置、电子设备及计算机存储介质 | |
WO2023093481A1 (zh) | 基于傅里叶域的超分图像处理方法、装置、设备及介质 | |
CN110852242A (zh) | 基于多尺度网络的水印识别方法、装置、设备及存储介质 | |
CN111369429B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111369468B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN114399696A (zh) | 一种目标检测方法、装置、存储介质及电子设备 | |
CN111461964B (zh) | 图片处理方法、装置、电子设备和计算机可读介质 | |
CN114419298A (zh) | 虚拟物体的生成方法、装置、设备及存储介质 | |
CN114422698A (zh) | 视频生成方法、装置、设备及存储介质 | |
CN113905177A (zh) | 视频生成方法、装置、设备及存储介质 | |
CN112418233A (zh) | 图像处理方法、装置、可读介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |