CN111429458B - 一种图像还原的方法、装置及电子设备 - Google Patents

一种图像还原的方法、装置及电子设备 Download PDF

Info

Publication number
CN111429458B
CN111429458B CN202010203127.9A CN202010203127A CN111429458B CN 111429458 B CN111429458 B CN 111429458B CN 202010203127 A CN202010203127 A CN 202010203127A CN 111429458 B CN111429458 B CN 111429458B
Authority
CN
China
Prior art keywords
image
target
level
restored
generate
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
CN202010203127.9A
Other languages
English (en)
Other versions
CN111429458A (zh
Inventor
孟维良
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 Chuangshi Cloud Technology Co ltd
Original Assignee
Beijing Chuangshi Cloud Technology 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 Chuangshi Cloud Technology Co ltd filed Critical Beijing Chuangshi Cloud Technology Co ltd
Priority to CN202010203127.9A priority Critical patent/CN111429458B/zh
Publication of CN111429458A publication Critical patent/CN111429458A/zh
Application granted granted Critical
Publication of CN111429458B publication Critical patent/CN111429458B/zh
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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种图像还原的方法、装置及电子设备，其中，该方法包括：对原始图像进行分割处理，将原始图像分割为多个目标图像；对目标图像进行放大处理，生成放大图像；对目标图像进行缩小处理，生成缩小图像；根据目标图像的缩小图像对相应的放大图像进行卷积处理，生成目标图像所对应的目标还原图像；将所有目标图像所对应的目标还原图像组合生成原始图像放大后的还原图像。通过本发明实施例提供的图像还原的方法、装置及电子设备，可以增加原有图像的细节信息；且先将原始图像分割为多个小的目标图像，可以降低图像还原时候各个特征值之间的干扰，最终提高还原图像的放大效果。

Description

一种图像还原的方法、装置及电子设备
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种图像还原的方法、装置、电子设备及计算机可读存储介质。
背景技术
计算机图像主要包括矢量图像和位图图像两大类。矢量图像具有放大后不失真的特点；而位图图像是由许许多多排成行和列的点组成的，当每个点都足够小的时候，宏观看起来多行多列的点就可以形成一幅图像，但对位图图像进行放大时就会导致图像失真，图像清晰度降低。
为了尽量降低图像放大时的失真现象，现有的图像放大方法一般采用超分辨率技术(Super Resolution，SR)，该技术可以基于低分辨率的原图像或图像序列复原或重建出相应的高分辨率图像或图像序列，实现图像放大。但目前的方法直接对图像进行放大处理，失真现象明显。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种图像还原的方法、装置、电子设备及计算机可读存储介质。
第一方面，本发明实施例提供了一种图像还原的方法，包括：
对原始图像进行分割处理，将所述原始图像分割为多个目标图像；
对所述目标图像进行放大处理，生成放大图像；对所述目标图像进行缩小处理，生成缩小图像；
根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像；
将所有所述目标图像所对应的所述目标还原图像组合生成所述原始图像放大后的还原图像。
第二方面，本发明实施例还提供了一种图像还原的装置，包括：
分割模块，用于对原始图像进行分割处理，将所述原始图像分割为多个目标图像；
缩放处理模块，用于对所述目标图像进行放大处理，生成放大图像；对所述目标图像进行缩小处理，生成缩小图像；
卷积处理模块，用于根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像；
组合模块，用于将所有所述目标图像所对应的所述目标还原图像组合生成所述原始图像放大后的还原图像。
第三方面，本发明实施例提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述的图像还原的方法中的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的图像还原的方法中的步骤。
本发明实施例提供的图像还原的方法、装置、电子设备及计算机可读存储介质，将需要被放大还原的原始图像分割为多个目标图像，并确定每个目标图像的放大图像和缩小图像，之后基于缩小图像对放大图像进行卷积处理，从而可以生成目标图像放大还原后得到的目标还原图像，最后即可将所有的目标还原图像组合为该原始图像放大还原后得到的图像，即还原图像。该方法基于缩小图像对放大图像进行卷积处理，能够通过降低目标图像的质量来提取图像特征，进而可以增加原有图像的细节信息；且先将原始图像分割为多个小的目标图像，可以降低图像还原时候各个特征值之间的干扰，最终提高还原图像的放大效果，能够在传统超分辨率技术的基础上进一步提高还原图像的分辨率。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
图1示出了本发明实施例所提供的一种图像还原的方法的流程图；
图2示出了本发明实施例所提供的图像还原的方法中，对目标图像进行多级缩放的示意图；
图3示出了本发明实施例所提供的一种图像还原的装置的结构示意图；
图4示出了本发明实施例所提供的另一种图像还原的装置的结构示意图；
图5示出了本发明实施例所提供的一种用于执行图像还原的方法的电子设备的结构示意图。
具体实施方式
在本发明实施例的描述中，所属技术领域的技术人员应当知道，本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本发明实施例可以具体实现为以下形式：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外，在一些实施例中，本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、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)、闪存(Flash Memory)、光纤、光盘只读存储器(CD-ROM)、光存储器件、磁存储器件或以上任意组合。在本发明实施例中，计算机可读存储介质可以是任意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、器件使用或与其结合使用。
上述计算机可读存储介质包含的计算机程序代码可以用任意适当的介质传输，包括：无线、电线、光缆、射频(Radio Frequency，RF)或者以上任意合适的组合。
可以以汇编指令、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、集成电路配置数据或以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，例如：Java、Smalltalk、C++，还包括常规的过程式程序设计语言，例如：C语言或类似的程序设计语言。计算机程序代码可以完全的在用户计算机上执行、部分的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以及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)，可以连接到用户计算机，也可以连接到外部计算机。
本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方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、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本发明实施例中的附图对本发明实施例进行描述。
图1示出了本发明实施例所提供的一种图像还原的方法的流程图。如图1所示，该方法包括：
步骤101：对原始图像进行分割处理，将原始图像分割为多个目标图像。
本发明实施例中，原始图像为需要被放大还原的图像，该原始图像具体可以是位图图像。在需要还原该原始图像时，本实施例中先对该原始图像进行分割，将原始图像分割为多个小块，每个小块为该原始图像的部分图像，即目标图像；所有的目标图像即可构成该原始图像。例如，原始图像为10×10的图像，此时可以将其分成4个5×5的目标图像，或者分成25个2×2的目标图像等。本实施例中，目标图像不能过大，以避免最后还原得到的图像失真；该目标图像的尺寸具体可基于经验值或者统计的方式确定，且对于不同的原始图像，分割得到的目标图像也可具有不同的尺寸。
步骤102：对目标图像进行放大处理，生成放大图像；对目标图像进行缩小处理，生成缩小图像。
本发明实施例中，在确定原始图像的多个目标图像之后，即可对该目标图像分别进行放大处理和缩小处理，从而能够得到相应的放大图像和缩小图像。每个目标图像均可进行上述处理，从而生成每个目标图像的放大图像和缩小图像。
可选的，可以采用成熟的放大处理或缩小处理技术对该目标图像进行放大处理和缩小处理。例如，可以基于SR技术等对目标图像进行放大处理，生成放大图像；基于双线性差值、立方差值等方法对目标图像进行缩小处理，从而可以生成缩小图像。
步骤103：根据目标图像的缩小图像对相应的放大图像进行卷积处理，生成目标图像所对应的目标还原图像。
本发明实施例中，在确定目标图像的缩小图像和放大图像之后，基于该缩小图像对放大图像进行卷积处理，进而能够生成与该放大图像尺寸相匹配的图像，即目标还原图像。具体的，可以以该缩小图像作为卷积核对该放大图像进行卷积处理，从而生成相应的目标还原图像。或者，上述步骤“根据目标图像的缩小图像对相应的放大图像进行卷积处理，生成目标图像所对应的目标还原图像”包括：
步骤A1：对缩小图像和相对应的目标图像进行卷积处理，提取缩小图像的特征矩阵。
步骤A2：将缩小图像的特征矩阵作为卷积核，对放大图像进行卷积处理，根据卷积处理结果生成目标还原图像。
本发明实施例中，通过提取缩小图像的特征矩阵，以该特征矩阵作为卷积核对相应的放大图像进行卷积处理，从而可以生成目标还原图像。本实施例中基于缩小图像对相应的目标图像进行卷积处理以提取该缩小图像的特征矩阵。例如，目标图像为图像A，对目标图像A进行放大处理后生成放大图像B，对目标图像A进行缩小处理后生成缩小图像C；之后以该缩小图像C作为卷积核对目标图像A进行卷积处理，将卷积处理结果作为该缩小图像C的特征矩阵；然后再以该特征矩阵作为卷积核对放大图像B进行卷积处理，从而可以生成与该目标图像A相对应的目标还原图像。可选的，可以先对缩小图像进行滤波处理，之后再提取该缩小图像的特征矩阵。
可选的，可以对卷积处理过的放大图像进行平滑处理，以进一步提高目标还原图像的质量；即，上述步骤“根据目标图像的缩小图像对相应的放大图像进行卷积处理，生成目标图像所对应的目标还原图像”包括：根据目标图像的缩小图像对相应的放大图像进行卷积处理，并对卷积处理结果进行平滑处理，根据平滑处理结果生成目标图像所对应的目标还原图像。
步骤104：将所有目标图像所对应的目标还原图像组合生成原始图像放大后的还原图像。
本发明实施例中，原始图像被分割为多个目标图像，通过上述步骤102和步骤103的处理可以确定每个目标对象的目标还原图像，之后再基于所有的目标还原图像即可组合生成完整的图像，该图像即为原始图像放大后生成的还原图像。其中，如上所述，目标图像的尺寸不能过大，使得在基于多个目标还原图像组合得到完整的还原图像时减少裂缝，避免图像失真。
本发明实施例提供的一种图像还原的方法，将需要被放大还原的原始图像分割为多个目标图像，并确定每个目标图像的放大图像和缩小图像，之后基于缩小图像对放大图像进行卷积处理，从而可以生成目标图像放大还原后得到的目标还原图像，最后即可将所有的目标还原图像组合为该原始图像放大还原后得到的图像，即还原图像。该方法基于缩小图像对放大图像进行卷积处理，能够通过降低目标图像的质量来提取图像特征，进而来增加原有图像的细节信息；且先将原始图像分割为多个小的目标图像，可以降低图像还原时候各个特征值之间的干扰，最终提高还原图像的放大效果，能够在传统超分辨率技术的基础上进一步提高还原图像的分辨率。
在上述实施例的基础上，该图像还原的方法可以通过多次迭代的方式确定目标图像的目标还原图像。本发明实施例中，上述步骤103“根据目标图像的缩小图像对相应的放大图像进行卷积处理，生成目标图像所对应的目标还原图像”包括：
步骤B1：确定缩放级别i，i∈[1,N]，N为最高缩放级别的级数。
步骤B2：对目标图像分别进行i级放大处理和i级缩小处理，生成相应的i级放大图像和i级缩小图像；根据目标图像的i级缩小图像对相应的i级放大图像进行卷积处理，生成目标图像所对应的i级目标还原图像。
步骤B3：调整缩放级别i之后重复上述生成i级目标还原图像的过程，直至确定N个不同的i级目标还原图像，并根据N个不同的i级目标还原图像生成目标图像所对应的目标还原图像。
本发明实施例中，每一轮迭代处理的过程，基于不同的缩放级别，且缩放级别越大，相应的缩放倍数越高。具体的，首先i取值为1，即首先对目标图像进行1级放大处理和1级缩小处理，从而可以生成相应的1级放大图像和1级缩小图像；之后基于卷积操作即可生成该目标图像在第1轮中的1级目标还原图像。之后重复执行下一轮生成目标还原图像的过程，最后基于多个不同缩放级别所确定的目标还原图像来最终生成该目标图像所对应的目标还原图像。
具体的，参见图2所示，图2中的图像A表示目标图像；在第一轮处理中，对目标图像A分别进行1级放大处理和1级缩小处理，从而可以生成1级放大图像B1和1级缩小图像C1，之后基于该1级缩小图像C1对1级放大图像B1进行卷积处理，从而生成1级目标还原图像B1'。具体的，可以基于原始的目标图像A提取出1级缩小图像C1的特征矩阵，并将该1级缩小图像C1的特征矩阵作为卷积核对1级放大图像B1进行卷积处理，从而可以得到1级目标还原图像B1'；基于卷积处理的原理可知，该1级放大图像B1与1级目标还原图像B1'的尺寸相同。
之后，将缩放级别提升至2，并对目标图像进行2级放大处理和2级缩小处理；其处理过程上述第1轮的处理过程类似。如图2所示，目标图像A进行2级放大处理和2级缩小处理后，分别生成2级放大图像B2和2级缩小图像C2，之后基于该2级缩小图像C2对2级放大图像B2进行卷积处理，从而生成2级目标还原图像B2'。具体的，可以基于原始的目标图像A提取出2级缩小图像C2的特征矩阵，并将该2级缩小图像C2的特征矩阵作为卷积核对2级放大图像B2进行卷积处理，从而可以得到2级目标还原图像B2'；同样的，该2级放大图像B2与2级目标还原图像B2'的尺寸相同。其他缩放级别的处理过程与上述相同，此处不做赘述。
其中，本实施例中的“对目标图像分别进行i级放大处理和i级缩小处理”可以是对目标图像直接进行i级放大处理和i级缩小处理，或者也可以是对目标图像进行i-1级放大处理后所得到的图像(即i-1级放大图像)再进行放大处理，相应的，对目标图像进行i-1级缩小处理后所得到的图像(即i-1级缩小图像)再进行缩小处理。如图2所示，放大图像B2可以由目标图像A直接放大处理得到，也可以是由放大图像B1放大处理后得到，本实施例对此不做限定。
本发明实施例中，在确定每个缩放级别所对应的目标还原图像之后，即可根据所有的、不同级别的目标还原图像生成最终确定的目标还原图像。在缩放级别共有N个时，即可根据N个不同的i级目标还原图像生成目标图像所对应的目标还原图像。可选的，该步骤“根据N个不同的i级目标还原图像生成目标图像所对应的目标还原图像”包括：
步骤C1：根据更新后的i级目标还原图像对i+1级目标还原图像进行卷积处理，生成更新后的i+1级目标还原图像；其中，更新后的i级目标还原图像为基于更新后的i-1级目标还原图像对i级目标还原图像进行卷积处理后生成的图像。
步骤C2：对i进行加一处理并重复上述过程，直至确定更新后的N级目标还原图像，并根据更新后的N级目标还原图像生成目标图像所对应的目标还原图像。
本发明实施例中，基于前一级的目标还原图像对当前级的目标还原图像进行卷积处理，通过逐级卷积处理以最终确定目标图像的目标还原图像。具体的，对于第i+1即目标还原图像，可以以更新后的i级目标还原图像作为卷积核进行卷积处理，从而生成更新后的i+1级目标还原图像；而在前一级(即第i级)处理过程中，也基于相似的方法确定更新后的i级目标还原图像，即该更新后的i级目标还原图像为基于更新后的i-1级目标还原图像对i级目标还原图像进行卷积处理后生成的图像。在i＝1时，该1级目标还原图像可以基于目标图像进行卷积处理，从而生成更新后的1级目标还原图像，即更新后的0级目标还原图像为原始的目标图像；或者，直接将该1级目标还原图像作为更新后的1级目标还原图像，即更新后的0级目标还原图像为1。
具体的，以图2所示为例，对放大图像B1、B2进行卷积处理后，可以依次确定1级目标还原图像B1'和2级目标还原图像B2'。可以基于目标图像A对该1级目标还原图像B1'进行卷积处理，生成更新后的1级目标还原图像B1”；之后再以该更新后的1级目标还原图像B1”作为卷积核对2级目标还原图像B2'进行卷积处理，从而生成更新后的2级目标还原图像B2”；之后重复该过程，直至确定更新后的N级目标还原图像BN”，此时可以直接将更新后的N级目标还原图像BN”作为目标图像A的目标还原图像，或者对更新后的N级目标还原图像BN”进行滤波、平滑等处理之后生成该目标图像A的目标还原图像。
本发明实施例提供的一种图像还原的方法，将需要被放大还原的原始图像分割为多个目标图像，并确定每个目标图像的放大图像和缩小图像，之后基于缩小图像对放大图像进行卷积处理，从而可以生成目标图像放大还原后得到的目标还原图像，最后即可将所有的目标还原图像组合为该原始图像放大还原后得到的图像，即还原图像。该方法基于缩小图像对放大图像进行卷积处理，能够通过降低目标图像的质量来提取图像特征，进而来增加原有图像的细节信息；且先将原始图像分割为多个小的目标图像，可以降低图像还原时候各个特征值之间的干扰。通过多次迭代的方式确定最终的目标还原图像，能够增加图像细节信息，提高最终生成的还原图像的分辨率。
上文结合图1和图2，详细描述了根据本发明实施例的图像还原的方法，该方法也可以通过相应的装置实现，下面将结合图3和图4，详细描述根据本发明实施例的图像还原的装置。
图3示出了本发明实施例所提供的一种图像还原的装置的结构示意图。如图3所示，该图像还原的装置包括：
分割模块31，用于对原始图像进行分割处理，将所述原始图像分割为多个目标图像；
缩放处理模块32，用于对所述目标图像进行放大处理，生成放大图像；对所述目标图像进行缩小处理，生成缩小图像；
卷积处理模块33，用于根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像；
组合模块34，用于将所有所述目标图像所对应的所述目标还原图像组合生成所述原始图像放大后的还原图像。
本发明实施例提供的一种图像还原的装置，将需要被放大还原的原始图像分割为多个目标图像，并确定每个目标图像的放大图像和缩小图像，之后基于缩小图像对放大图像进行卷积处理，从而可以生成目标图像放大还原后得到的目标还原图像，最后即可将所有的目标还原图像组合为该原始图像放大还原后得到的图像，即还原图像。该装置基于缩小图像对放大图像进行卷积处理，能够通过降低目标图像的质量来提取图像特征，进而来增加原有图像的细节信息；且先将原始图像分割为多个小的目标图像，可以降低图像还原时候各个特征值之间的干扰，最终提高还原图像的放大效果。
在上述实施例的基础上，参见图4所示，所述卷积处理模块33包括：
特征提取单元331，用于对所述缩小图像和相对应的所述目标图像进行卷积处理，提取所述缩小图像的特征矩阵；
卷积处理单元332，用于将所述缩小图像的特征矩阵作为卷积核，对所述放大图像进行卷积处理，根据卷积处理结果生成目标还原图像。
在上述实施例的基础上，所述卷积处理模块33根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像，包括：
确定缩放级别i，i∈[1,N]，N为最高缩放级别的级数；
对所述目标图像分别进行i级放大处理和i级缩小处理，生成相应的i级放大图像和i级缩小图像；根据所述目标图像的所述i级缩小图像对相应的所述i级放大图像进行卷积处理，生成所述目标图像所对应的i级目标还原图像；
调整所述缩放级别i之后重复上述生成i级目标还原图像的过程，直至确定N个不同的i级目标还原图像，并根据N个不同的i级目标还原图像生成所述目标图像所对应的目标还原图像。
在上述实施例的基础上，所述卷积处理模块33根据N个不同的i级目标还原图像生成所述目标图像所对应的目标还原图像包括：
根据更新后的i级目标还原图像对i+1级目标还原图像进行卷积处理，生成更新后的i+1级目标还原图像；其中，所述更新后的i级目标还原图像为基于更新后的i-1级目标还原图像对i级目标还原图像进行卷积处理后生成的图像；
对i进行加一处理并重复上述过程，直至确定更新后的N级目标还原图像，并根据所述更新后的N级目标还原图像生成所述目标图像所对应的目标还原图像。
在上述实施例的基础上，所述卷积处理模块33根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像，包括：
根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，并对卷积处理结果进行平滑处理，根据平滑处理结果生成所述目标图像所对应的目标还原图像。
本发明实施例提供的一种图像还原的装置，将需要被放大还原的原始图像分割为多个目标图像，并确定每个目标图像的放大图像和缩小图像，之后基于缩小图像对放大图像进行卷积处理，从而可以生成目标图像放大还原后得到的目标还原图像，最后即可将所有的目标还原图像组合为该原始图像放大还原后得到的图像，即还原图像。该装置基于缩小图像对放大图像进行卷积处理，能够通过降低目标图像的质量来提取图像特征，进而来增加原有图像的细节信息；且先将原始图像分割为多个小的目标图像，可以降低图像还原时候各个特征值之间的干扰。通过多次迭代的方式确定最终的目标还原图像，能够增加图像细节信息，提高最终生成的还原图像的分辨率。
此外，本发明实施例还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述图像还原的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
具体的，参见图5所示，本发明实施例还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本发明实施例中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现以下步骤：
对原始图像进行分割处理，将所述原始图像分割为多个目标图像；
对所述目标图像进行放大处理，生成放大图像；对所述目标图像进行缩小处理，生成缩小图像；
根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像；
将所有所述目标图像所对应的所述目标还原图像组合生成所述原始图像放大后的还原图像。
可选地，计算机程序被处理器1120执行“根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像”步骤时，使得处理器具体实现以下步骤：
对所述缩小图像和相对应的所述目标图像进行卷积处理，提取所述缩小图像的特征矩阵；
将所述缩小图像的特征矩阵作为卷积核，对所述放大图像进行卷积处理，根据卷积处理结果生成目标还原图像。
可选地，计算机程序被处理器1120执行“根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像”步骤时，使得处理器具体实现以下步骤：
确定缩放级别i，i∈[1,N]，N为最高缩放级别的级数；
对所述目标图像分别进行i级放大处理和i级缩小处理，生成相应的i级放大图像和i级缩小图像；根据所述目标图像的所述i级缩小图像对相应的所述i级放大图像进行卷积处理，生成所述目标图像所对应的i级目标还原图像；
调整所述缩放级别i之后重复上述生成i级目标还原图像的过程，直至确定N个不同的i级目标还原图像，并根据N个不同的i级目标还原图像生成所述目标图像所对应的目标还原图像。
可选地，计算机程序被处理器1120执行“根据N个不同的i级目标还原图像生成所述目标图像所对应的目标还原图像”步骤时，使得处理器具体实现以下步骤：
根据更新后的i级目标还原图像对i+1级目标还原图像进行卷积处理，生成更新后的i+1级目标还原图像；其中，所述更新后的i级目标还原图像为基于更新后的i-1级目标还原图像对i级目标还原图像进行卷积处理后生成的图像；
对i进行加一处理并重复上述过程，直至确定更新后的N级目标还原图像，并根据所述更新后的N级目标还原图像生成所述目标图像所对应的目标还原图像。
可选地，计算机程序被处理器1120执行“根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像”步骤时，使得处理器具体实现以下步骤：
根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，并对卷积处理结果进行平滑处理，根据平滑处理结果生成所述目标图像所对应的目标还原图像。
收发器1130，用于在处理器1120的控制下接收和发送数据。
本发明实施例中，总线架构(用总线1110来代表)，总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线以及存储器控制器、外围总线、加速图形端口(Accelerate Graphical Port，AGP)、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构(Industry Standard Architecture，ISA)总线、微通道体系结构(Micro Channel Architecture，MCA)总线、扩展ISA(Enhanced ISA，EISA)总线、视频电子标准协会(Video Electronics Standards Association，VESA)、外围部件互连(Peripheral Component Interconnect，PCI)总线。
处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、复杂可编程逻辑器件(Complex Programmable LogicDevice，CPLD)、可编程逻辑阵列(Programmable Logic Array，PLA)、微控制单元(Microcontroller Unit，MCU)或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(Random Access Memory，RAM)、闪存(FlashMemory)、只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本发明实施例不再对其进行进一步描述。
收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机系统的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解，在本发明实施例中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络(ad hoc network)、内联网(intranet)、外联网(extranet)、虚拟专用网(VPN)、局域网(LAN)、无线局域网(WLAN)、广域网(WAN)、无线广域网(WWAN)、城域网(MAN)、互联网(Internet)、公共交换电话网(PSTN)、普通老式电话业务网(POTS)、蜂窝电话网、无线网络、无线保真(Wi-Fi)网络以及两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信(GSM)系统、码分多址(CDMA)系统、全球微波互联接入(WiMAX)系统、通用分组无线业务(GPRS)系统、宽带码分多址(WCDMA)系统、长期演进(LTE)系统、LTE频分双工(FDD)系统、LTE时分双工(TDD)系统、先进长期演进(LTE-A)系统、通用移动通信(UMTS)系统、增强移动宽带(Enhance Mobile Broadband，eMBB)系统、海量机器类通信(massive Machine Type of Communication，mMTC)系统、超可靠低时延通信(UltraReliable Low Latency Communications，uRLLC)系统等。
应理解，本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存(Flash Memory)。
易失性存储器包括：随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如：静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本发明实施例中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。
具体而言，操作系统1151包含各种系统程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器(Media Player)、浏览器(Browser)，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。
此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述图像还原的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
具体而言，计算机程序被处理器执行时可实现以下步骤：
对原始图像进行分割处理，将所述原始图像分割为多个目标图像；
对所述目标图像进行放大处理，生成放大图像；对所述目标图像进行缩小处理，生成缩小图像；
根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像；
将所有所述目标图像所对应的所述目标还原图像组合生成所述原始图像放大后的还原图像。
可选地，计算机程序被处理器执行“根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像”步骤时，使得处理器具体实现以下步骤：
对所述缩小图像和相对应的所述目标图像进行卷积处理，提取所述缩小图像的特征矩阵；
将所述缩小图像的特征矩阵作为卷积核，对所述放大图像进行卷积处理，根据卷积处理结果生成目标还原图像。
可选地，计算机程序被处理器执行“根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像”步骤时，使得处理器具体实现以下步骤：
确定缩放级别i，i∈[1,N]，N为最高缩放级别的级数；
对所述目标图像分别进行i级放大处理和i级缩小处理，生成相应的i级放大图像和i级缩小图像；根据所述目标图像的所述i级缩小图像对相应的所述i级放大图像进行卷积处理，生成所述目标图像所对应的i级目标还原图像；
调整所述缩放级别i之后重复上述生成i级目标还原图像的过程，直至确定N个不同的i级目标还原图像，并根据N个不同的i级目标还原图像生成所述目标图像所对应的目标还原图像。
可选地，计算机程序被处理器执行“根据N个不同的i级目标还原图像生成所述目标图像所对应的目标还原图像”步骤时，使得处理器具体实现以下步骤：
根据更新后的i级目标还原图像对i+1级目标还原图像进行卷积处理，生成更新后的i+1级目标还原图像；其中，所述更新后的i级目标还原图像为基于更新后的i-1级目标还原图像对i级目标还原图像进行卷积处理后生成的图像；
对i进行加一处理并重复上述过程，直至确定更新后的N级目标还原图像，并根据所述更新后的N级目标还原图像生成所述目标图像所对应的目标还原图像。
可选地，计算机程序被处理器执行“根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像”步骤时，使得处理器具体实现以下步骤：
根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，并对卷积处理结果进行平滑处理，根据平滑处理结果生成所述目标图像所对应的目标还原图像。
计算机可读存储介质包括：永久性和非永久性、可移动和非可移动媒体，是可以保留和存储供指令执行设备所使用指令的有形设备。计算机可读存储介质包括：电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备以及上述任意合适的组合。计算机可读存储介质包括：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带存储、磁带磁盘存储或其他磁性存储设备、记忆棒、机械编码装置(例如在其上记录有指令的凹槽中的穿孔卡或凸起结构)或任何其他非传输介质、可用于存储可以被计算设备访问的信息。按照本发明实施例中的界定，计算机可读存储介质不包括暂时信号本身，例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如穿过光纤电缆的光脉冲)或通过导线传输的电信号。
在本申请所提供的几个实施例中，应该理解到，所披露的装置、电子设备和方法，可以通过其他的方式实现。例如，以上描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的、机械的或其他的形式连接。
所述作为分离部件说明的单元可以是或也可以不是物理上分开的，作为单元显示的部件可以是或也可以不是物理单元，既可以位于一个位置，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或全部单元来解决本发明实施例方案要解决的问题。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术作出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(包括：个人计算机、服务器、数据中心或其他网络设备)执行本发明各个实施例所述方法的全部或部分步骤。而上述存储介质包括如前述所列举的各种可以存储程序代码的介质。
以上所述，仅为本发明实施例的具体实施方式，但本发明实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例披露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种图像还原的方法，其特征在于，包括：
对原始图像进行分割处理，将所述原始图像分割为多个目标图像；
对所述目标图像进行放大处理，生成放大图像；对所述目标图像进行缩小处理，生成缩小图像；
根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像；
将所有所述目标图像所对应的所述目标还原图像组合生成所述原始图像放大后的还原图像；
其中，所述根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像，包括：
对所述缩小图像和相对应的所述目标图像进行卷积处理，提取所述缩小图像的特征矩阵；
将所述缩小图像的特征矩阵作为卷积核，对所述放大图像进行卷积处理，根据卷积处理结果生成目标还原图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像，包括：
确定缩放级别i，i∈[1,N]，N为最高缩放级别的级数；
对所述目标图像分别进行i级放大处理和i级缩小处理，生成相应的i级放大图像和i级缩小图像；根据所述目标图像的所述i级缩小图像对相应的所述i级放大图像进行卷积处理，生成所述目标图像所对应的i级目标还原图像；
调整所述缩放级别i之后重复上述生成i级目标还原图像的过程，直至确定N个不同的i级目标还原图像，并根据N个不同的i级目标还原图像生成所述目标图像所对应的目标还原图像。
3.根据权利要求2所述的方法，其特征在于，所述根据N个不同的i级目标还原图像生成所述目标图像所对应的目标还原图像包括：
根据更新后的i级目标还原图像对i+1级目标还原图像进行卷积处理，生成更新后的i+1级目标还原图像；其中，所述更新后的i级目标还原图像为基于更新后的i-1级目标还原图像对i级目标还原图像进行卷积处理后生成的图像；
对i进行加一处理并重复上述过程，直至确定更新后的N级目标还原图像，并根据所述更新后的N级目标还原图像生成所述目标图像所对应的目标还原图像。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像，包括：
根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，并对卷积处理结果进行平滑处理，根据平滑处理结果生成所述目标图像所对应的目标还原图像。
5.一种图像还原的装置，其特征在于，包括：
分割模块，用于对原始图像进行分割处理，将所述原始图像分割为多个目标图像；
缩放处理模块，用于对所述目标图像进行放大处理，生成放大图像；对所述目标图像进行缩小处理，生成缩小图像；
卷积处理模块，用于根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像；
组合模块，用于将所有所述目标图像所对应的所述目标还原图像组合生成所述原始图像放大后的还原图像；
其中，所述卷积处理模块包括：
特征提取单元，用于对所述缩小图像和相对应的所述目标图像进行卷积处理，提取所述缩小图像的特征矩阵；
卷积处理单元，用于将所述缩小图像的特征矩阵作为卷积核，对所述放大图像进行卷积处理，根据卷积处理结果生成目标还原图像。
6.根据权利要求5所述的装置，其特征在于，所述卷积处理模块根据所述目标图像的所述缩小图像对相应的所述放大图像进行卷积处理，生成所述目标图像所对应的目标还原图像，包括：
确定缩放级别i，i∈[1,N]，N为最高缩放级别的级数；
对所述目标图像分别进行i级放大处理和i级缩小处理，生成相应的i级放大图像和i级缩小图像；根据所述目标图像的所述i级缩小图像对相应的所述i级放大图像进行卷积处理，生成所述目标图像所对应的i级目标还原图像；
调整所述缩放级别i之后重复上述生成i级目标还原图像的过程，直至确定N个不同的i级目标还原图像，并根据N个不同的i级目标还原图像生成所述目标图像所对应的目标还原图像。
7.根据权利要求6所述的装置，其特征在于，所述卷积处理模块根据N个不同的i级目标还原图像生成所述目标图像所对应的目标还原图像包括：
根据更新后的i级目标还原图像对i+1级目标还原图像进行卷积处理，生成更新后的i+1级目标还原图像；其中，所述更新后的i级目标还原图像为基于更新后的i-1级目标还原图像对i级目标还原图像进行卷积处理后生成的图像；
对i进行加一处理并重复上述过程，直至确定更新后的N级目标还原图像，并根据所述更新后的N级目标还原图像生成所述目标图像所对应的目标还原图像。
8.一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的图像还原的方法中的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的图像还原的方法中的步骤。
CN202010203127.9A 2020-03-20 2020-03-20 一种图像还原的方法、装置及电子设备 Active CN111429458B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010203127.9A CN111429458B (zh) 2020-03-20 2020-03-20 一种图像还原的方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010203127.9A CN111429458B (zh) 2020-03-20 2020-03-20 一种图像还原的方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111429458A CN111429458A (zh) 2020-07-17
CN111429458B true CN111429458B (zh) 2021-06-08

Family

ID=71548417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010203127.9A Active CN111429458B (zh) 2020-03-20 2020-03-20 一种图像还原的方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111429458B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102164B (zh) * 2020-08-11 2024-05-07 深圳云天励飞技术股份有限公司 一种图像处理方法、装置、终端及存储介质
CN113298786B (zh) * 2021-05-26 2022-02-11 北京长木谷医疗科技有限公司 图像识别及模型训练的方法、真臼位置识别的方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009290318A (ja) * 2008-05-27 2009-12-10 Toshiba Corp 撮像装置およびズーム調整方法
CN108288251A (zh) * 2018-02-11 2018-07-17 深圳创维－Rgb电子有限公司 图像超分辨率方法、装置及计算机可读存储介质
CN108830377A (zh) * 2018-06-21 2018-11-16 福州瑞芯微电子股份有限公司 一种神经网络电路及其自循环多级迭代方法
CN109886974A (zh) * 2019-01-28 2019-06-14 北京易道博识科技有限公司 一种印章去除方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992894B (zh) * 2017-12-12 2022-02-08 北京小米移动软件有限公司 图像识别方法、装置及计算机可读存储介质
CN109087273B (zh) * 2018-07-20 2021-09-14 哈尔滨工业大学（深圳） 基于增强的神经网络的图像复原方法、存储介质及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009290318A (ja) * 2008-05-27 2009-12-10 Toshiba Corp 撮像装置およびズーム調整方法
CN108288251A (zh) * 2018-02-11 2018-07-17 深圳创维－Rgb电子有限公司 图像超分辨率方法、装置及计算机可读存储介质
CN108830377A (zh) * 2018-06-21 2018-11-16 福州瑞芯微电子股份有限公司 一种神经网络电路及其自循环多级迭代方法
CN109886974A (zh) * 2019-01-28 2019-06-14 北京易道博识科技有限公司 一种印章去除方法

Also Published As

Publication number Publication date
CN111429458A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN108022212B (zh) 高分辨率图片生成方法、生成装置及存储介质
CN109064428B (zh) 一种图像去噪处理方法、终端设备及计算机可读存储介质
US20200372686A1 (en) Image coding apparatus, probability model generating apparatus and image decoding apparatus
CN109525859B (zh) 模型训练、图像发送、图像处理方法及相关装置设备
CN111429458B (zh) 一种图像还原的方法、装置及电子设备
WO2020231038A1 (en) Electronic device and method for controlling thereof
CN111784570A (zh) 一种视频图像超分辨率重建方法及设备
CN108986029B (zh) 文字图像超分辨率重建方法、系统、终端设备及存储介质
CN110913218A (zh) 一种视频帧预测方法、装置及终端设备
CN113726823B (zh) 一种防御方法、装置、电子设备及存储介质
JP2017537403A (ja) 超解像画像を生成するための方法、装置およびコンピュータ・プログラム・プロダクト
CN110211195B (zh) 生成图像集合的方法、装置、电子设备和计算机可读存储介质
CN112422591B (zh) 一种传输视频流数据的方法、装置及电子设备
CN110830808A (zh) 一种视频帧重构方法、装置及终端设备
CN114898177A (zh) 缺陷图像生成方法、模型训练方法、设备、介质及产品
CN113744159A (zh) 一种遥感图像去雾方法、装置及电子设备
Hung et al. Image interpolation using convolutional neural networks with deep recursive residual learning
CN112837237A (zh) 视频修复方法及装置、电子设备和存储介质
CN111083479A (zh) 一种视频帧预测方法、装置及终端设备
CN111784726A (zh) 人像抠图方法和装置
US20230069654A1 (en) Method and device for processing image, method for training image processing model, and storage medium
CN112419146B (zh) 一种图像处理方法、装置及终端设备
CN114119377A (zh) 一种图像处理方法及装置
CN115375539A (zh) 图像分辨率增强、多帧图像超分辨率系统和方法
CN113096019A (zh) 图像重建方法、装置、图像处理设备及存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 804, 8th floor, building D, 2-2, Beijing Shichuang hi tech Development Corporation

Applicant after: Beijing Chuangshi cloud Technology Co.,Ltd.

Address before: 100085 room 804, Zhongguancun International Incubator, No.2, shangdixinxi Road, Haidian District, Beijing

Applicant before: Beijing chuangshiyun Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant