CN111612714B - 图像修复方法、装置和电子设备 - Google Patents
图像修复方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111612714B CN111612714B CN202010428872.3A CN202010428872A CN111612714B CN 111612714 B CN111612714 B CN 111612714B CN 202010428872 A CN202010428872 A CN 202010428872A CN 111612714 B CN111612714 B CN 111612714B
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- predicted
- original
- error
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims description 39
- 238000000605 extraction Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
-
- 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
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本公开实施例公开了一种图像修复方法、装置、电子设备和计算机可读存储介质。其中该图像修复方法包括:获取待修复图像;提取所述待修复图像中的噪声图像;将所述待修复图像以及所述噪声图像生成修复后的图像。上述方法通过提取图像中的噪声图像并通过噪声图像生成修复图像,解决了现有技术中图像修复不精细的技术问题。
Description
技术领域
本公开涉及图像修复领域,尤其涉及一种图像修复方法、装置、电子设备及计算机可读存储介质。
背景技术
文字作为人类发明的抽象的交流符号,具有丰富的表达性,并在自然场景中作为信息表达大量出现。由于文字含有丰富的语义信息,识别自然场景中的文字成为大量视觉方面应用的基础,如目标定位、人机交互、图像搜索、机器导航和工业自动化等等。因此,自然场景下对文字的识别和理解是近年的研究与应用的热点之一。
现有技术中存在需要去除图像中的噪声的需求,如有些图像上有一些字幕,后续需要使用无字幕的图像时,需要将字幕从图像上去除掉并将字幕部分补充成图像的颜色。现有技术中的去除图像中的文字的方法,一般是先使用阈值法提取图像中的文字,之后用图像减法减去文字部分的颜色得到去除文字之后的图像;或者是先用阈值法图区图像中的文字,之后使用OPENCV中inpaint()函数对图像修复。但是上述文字去除的方法得到去除结果都不够精细,去除掉为之后原先文字区域的颜色不自然。
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。
为了解决现有技术中图像修复不够精细的技术问题,本公开实施例提出如下技术方案。
第一方面,本公开实施例提供一种图像修复方法,包括:
获取待修复图像;
提取所述待修复图像中的噪声图像;
将所述待修复图像以及所述噪声图像生成修复后的图像。
第二方面,本公开实施例提供一种图像修复装置,包括:
待修复图像获取模块,用于获取待修复图像;
噪声图像提取模块,用于提取所述待修复图像中的噪声图像;
图像修复模块,用于将所述待修复图像以及所述噪声图像生成修复后的图像。
第三方面,本公开实施例提供一种电子设备,包括:至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述第一方面中的任一所述的方法。
第四方面,本公开实施例提供一种非暂态计算机可读存储介质,其特征在于,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行前述第一方面中的任一所述的方法。
本公开实施例公开了一种图像修复方法、装置、电子设备和计算机可读存储介质。其中该图像修复方法包括:获取待修复图像;提取所述待修复图像中的噪声图像;将所述待修复图像以及所述噪声图像生成修复后的图像。上述方法通过提取图像中的噪声图像并通过噪声图像生成修复图像,解决了现有技术中图像修复不精细的技术问题。
上述说明仅是本公开技术方案的概述,为了能更清楚了解本公开的技术手段,而可依照说明书的内容予以实施,并且为让本公开的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
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为本公开实施例提供的图像修复方法的流程示意图;
图2为本公开实施例提供的图像修复模型的训练方法的流程示意图;
图3为本公开实施例提供的图像修复模型的训练方法中的步骤S201的一个具体实施方式意图;
图4为本公开实施例提供的图像修复模型的训练方法中的步骤S203的一个具体实施方式意图;
图5为本公开实施例提供的图像修复模型的结构示意图;
图6为本公开实施例提供的图像修复模型的训练方法中的步骤S204的一个具体实施方式意图;
图7为本公开实施例提供的用来提取特征的卷积神经网络的结构示意图;
图8为本公开实施例提供的图像修复模型的训练方法中的步骤S205的一个具体实施方式意图;
图9为本公开实施例提供的图像修复装置的实施例的结构示意图;
图10为根据本公开实施例提供的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。
图1为本公开实施例提供的图像修复方法实施例的流程图,本实施例提供的该图像修复方法可以由一图像修复装置来执行,该图像修复装置可以实现为软件,或者实现为软件和硬件的组合,该图像修复装置可以集成设置在图像修复系统中的某设备中,比如图像修复服务器或者图像修复终端设备中。如图1所示,该方法包括如下步骤:
步骤S101,获取待修复图像;
步骤S102,提取所述待修复图像中的噪声图像;
步骤S103,将所述待修复图像以及所述噪声图像生成修复后的图像。
其中,所述待修复图像为包括噪声的图像。示例性的,所述待修复图像为包括文字的图像,文字即为噪声,需要将文字从待修复图像中去除,并修复文字所在区域应有的颜色。
可选的,所述步骤S102包括:将所述待修复图像输入噪声图像提取模型得到所述待修复图像中的噪声图像。该步骤中的噪声提取模型的训练过程将在后文叙述,在此不赘述。
可选的,所述步骤S103包括:将所述待修复图像以及所述噪声图像输入图像修复模型生成修复后的图像。
可选的,所述图像修复模型由以下步骤训练得到:
步骤S201,获取训练数据集合,其中所述训练数据集合中的每一个数据是由原始图像、在原始图像中添加了噪声的第一图像以及由所述噪声生成的第二图像所组成的三元数据;
可选的,在本公开实施例中,所述第一图像和第二图像的像素点与所述原始图像的像素点对应,即所述第一图像和第二图像与所述原始图像的分辨率相同,像素点可以一一对应上。且所述第二图像中只包含所述原始图像中所包含的噪声,如文字,不包含其他的图像。示例性的,所述第二图像为背景为黑色、噪声为白色的二值化图像。所述第一图像为包括了噪声的原始图像,如在原始图像的基础上加上字幕所得到的图像。所述训练数据集中包括多个三元数据,每个三元数据中都包括上述三个图像:原始图像、第一图像以及第二图像。
如图3所示,可选的,所述步骤S201包括:
步骤S301,获取原始图像;
步骤S302,在原始图像上随机生成噪声得到第一图像;
步骤S303,根据所述噪声生成仅包含所述噪声的第二图像。
可以理解的,所述原始图像为没有添加所需要添加的噪声的图像,如没有添加字幕的原始图像,示例性的,在步骤S302中,在所述原始图像上随机添加字幕得到第一图像,所述随机添加字幕包括在所述原始图像的任意位置加上随机的文字,文字的大小、字体、颜色、特效(如边框、阴影等)均为随机的,由此得到第一图像。同时可以得到一张二值的噪声蒙版(mask)图像,当所述噪声为文字时,所述噪声蒙版图像即为文字蒙版图像,其背景为黑色,文字部分为白色。
步骤S202,初始化图像修复模型的参数;
示例性的,在本公开实施例中,所述图像修复模型包括多个卷积层、多个反卷积层。每一层包括多个参数,如卷积层和反卷积层的卷积核、偏置项等等。所述的初始化可以是初始化成预设值或者是随机值,在此不再赘述。
步骤S203,将所述第一图像以及所述第二图像输入所述图像修复模型得到预测图像;
在该步骤中,所述第一图像和所述第二图像被输入图像修复模型中,所述图像修复模型最终输出一个二维图像,所述二维图像为去除了第一图像中的噪声的所述原始图像的预测图像。
如图4所示,可选的,所述步骤S203包括:
步骤S401,将所述第一图像以及第二图像输入所述图像修复模型的多个卷积层中进行下采样得到预定尺度大小的第一特征图像;
步骤S402,将所述第一特征图像输入所述图像修复模型的多个反卷积层中进行上采样得到与所述原始图像大小相同的预测图像。
在步骤S401中,通过将第一图像和第二图像经过图像修复模型的多个卷积层进行下采样,得到一个较第一图像尺寸小的第一特征图,所述第一特征图具有预设的尺度大小,所述预设的尺度大小可以通过设计所述多个卷积层的层数以及每个卷积层的卷积核的大小来设置。在步骤S402中将所述第一特征图经过图像修复模型的多个反卷积层进行上采样以将所述第一特征图还原成与所述原始大小相同的二维图像,所述二维图像中的每个像素点具有预测的颜色值,可以理解的,所述颜色值为归一化的颜色值。其中所述二维图像跟所述原始图像一样,是不包括噪声的图像,在所述图像修复模型还未训练好之前,所述二维图像中的颜色可能不准确。
可选的,所述图像修复模型中还包括跨层连接,其中所述多个卷积层中的每个卷积层的输出特征图像作为与其对应的反卷积层的输入图像。图5为上述跨层连接的示意图。如图5所示,所述图像修复模型包括两部分:多个卷积层和多个反卷积层,其中卷积层和反卷积层的个数对应。在图5的示例中,所述图像修复模型包括4个卷积层和4个反卷积层,其中卷积层conv1所输出的特征图像除了输入卷积层conv2之外,还输入反卷积层deconv4;卷积层conv2所输出的特征图像除了输入卷积层conv3之外,还输入反卷积层deconv3;卷积层conv3所输出的特征图像除了输入卷积层conv4之外,还输入反卷积层deconv2。这样每个反卷积层除了包括了之前所有层所提取的特征之外,还包括了保留特征较多的卷积层所提取的特征,这样在反卷积上采样的过程中,可以有更多原始特征作为采样的依据,使得所述图像修复模型的可以更快的收敛。
步骤S204,使用相同的特征提取方法提取所述预测图像和所述原始图像的特征得到预测图像的特征图像和原始图像的特征图像;
在该步骤中,为了所述图像修复模型所预测的图像在其他尺度上也可以与所述原始图像匹配,使用相同的特征提取方法分别对所述预测图像和所述原始图像进行特这提取得到预测图像的特征图像和原始图像的特征图像。
如图6所示,可选的,所述步骤S204包括:
步骤S601,将所述预测图像和所述原始图像分别输入同一个卷积神经网络,其中所述卷积神经网络包括多个卷积层;
步骤S602,所述神经网络的多个卷积层输出多个尺度不同的预测图像的特征图像以及多个尺度不同的原始图像的特征图像。
如图7所示,为步骤S601中的神经网络,示例性的,所述神经网络用于输出特征图像的卷积层为c1、c2和c3,将所述预测图像输入所述神经网络,通过上述c1、c2和c3输出三个尺度不同的预测图像的特征图像;将原始图像输入所述神经网络,通过上述c1、c2和c3输出三个尺度不同的原始图像的特征图像。
通过上述步骤S601-S602,可以得到多个不同尺度的预测图像的特征图像,和与之对应的多个不同尺度的原始图像的特征图像作为其标注图像,由此可以在不同尺度上对预测图像和原始图像进行比较,使之更加匹配,且通过上述神经网络提取的是高层特征,可以使得他们的语义更加相似。
步骤S205,根据所述原始图像、预测图像、原始图像的特征图像以及预测图像的特征图像计算误差;
上述步骤S203和204中得到的预测图像的像素点的颜色值即为所述图像修复模型在训练阶段的预测值,在得到该预测值之后,跟对应的标注值计算误差以确定所述图像修复模型的参数是否合适。
如图8所示,可选的,所述步骤S205包括:
步骤S801,根据所述原始图像和所述预测图像计算第一误差;
步骤S802,根据所述原始图像的特征图像和预测图像的特征图像计算第二误差;
步骤S803,根据所述第一误差和所述第二误差计算总误差;
示例性的,在步骤S801中,计算所述预测图像的像素点的预测值与所述原始图像的像素点的像素值的第一误差,所述原始图像的像素点的像素值作为标注信息,在本公开中可以将所述像素值做归一化处理。可选的,用以下公式计算所述第一误差:
其中Lpred表示所述第一误差,其中N为训练集合中的第一图像的个数,或者每个训练批次所使用的第一图像的个数;xi表示第i个第一图像输入所述图像修复模型得到的预测图像中的像素点的预测值,可以理解的xi可以是一个矩阵,表示第一图像中的每个像素点的像素值,为与所述xi对应的原始图像的像素点的像素值,由此可以直接通过矩阵的计算,计算出一个第一图像的第一误差,之后计算出N个第一图像的平均第一误差值作为所述第一误差。
为了使得预测图像和原始图像在不同的尺度上更加匹配,在步骤S802中,根据所述原始图像的特征图像和预测图像的特征图像计算第二误差。在计算该第二误差时,可以使用一个所述预测图像的特征图像和一个所述原始图像的特征图像来计算,也可以使用步骤S204中得到的多个不同尺度的预测图像的特征图像和多个不同尺度的原始图像的特征图像来计算。根据对应尺度的预测图像的特征图像和原始图像的特征图像计算多个误差值,并将该多个误差值的和作为所述第二误差。可选的,用以下公式计算所述第二误差:
其中LMultiscale表示所述第二误差,其中M表示所述用于提取特征的神经网络中用于输出特征图像的卷积层的个数;Cj(pred)表示第j个卷积层所提取的所述预测图的特征图像,可以理解的Cj(pred)可以是一个矩阵,表示所述预测图像的特征图像中每个像素点的像素值,Cj(gt)为与所述Cj(pred)对应的通过第j个卷积层所提取的所述原始图像的特征图像,由此可以直接通过矩阵的计算,计算出一个预测图像的特征图像与其对应的原始图像的特征图像的误差,之后计算出M个预测图像的特征图像的上述误差的和作为所述第二误差。
在步骤S803中,示例性的,计算上述第一误差和第二误差的加权平均值作为所述图像修复模型的总误差。示例性的,使用以下公式计算所述总误差:
L=δLpred+(1-δ)LMultiscale (3)
其中δ为权重系数,且0<δ<1,由此可以调节两部分误差在总误差中的权重。通过上述公式(3)所示的损失函数可以对所述图像修复模型的参数进行验证,验证其是否可以通过带噪声的图像以及噪声图像准确的修复出原始图像,其中L越接近于0表示修复的准确度越高。
步骤S206,基于所述误差更新所述图像修复模型的参数;
在该在步骤中,可以基于所述误差通过反向传播更新所述图像修复模型的参数。示例性的,所述图像修复模型可以看作一个以参数为变量的函数f(θ),其中θ表示所述图像修复模型的参数集合,则根据梯度下降法:来更新参数,其中为学习率,决定收敛的速度。
步骤S207,使用更新后的参数迭代上述参数更新的过程直至达到收敛条件;
步骤S208,将达到收敛条件时所得到的参数作为训练好的图像修复模型的参数。
在上述步骤S207中,基于更新后的所述图像修复模型的参数继续迭代执行步骤S204-步骤S206直至达到收敛条件,其中所述收敛条件可以为迭代次数超过预设次数值或者所述误差小于预设误差值。可以理解的,可以预设需要迭代的次数,如100次,则当所述参数更新100次时停止上述迭代过程,在步骤S207中将迭代100次之后得到的参数作为训练好的图像修复模型的参数;或者可以预设误差值,如0.001,则当上述公式(2)的值小于或等于0.001时,停止参数的更新,并将最后得到的参数作为训练好的图像修复模型的参数。由此,所述图像修复模型训练结束,得到训练好的图像修复模型。
可以理解的,在训练过程结束之后,还可以使用另外一个数据集合对该图像修复模型训练进行验证或测试,以防止所述图像修复模型过拟合,在此不再赘述。
在上述步骤S102的可选实施例中,所述噪声图像提取模型同样可以使用上述训练数据集合中的图像进行训练,所不同的是,在训练所述噪声图像时,只需要第一图像和第二图像所组成的二元数据即可。
训练上述噪声图像提取模型时,将所述第一图像输入所述噪声图像提取模型,所述噪声图像提取模型输出预测的噪声图像,将所述预测的噪声图像与所述第二图像计算误差,之后根据所述误差更新所述噪声图像的参数,迭代上述更新参数的过程直至达到收敛条件为止。
为了噪声图像更加准确,还可以使用边缘检测的方法检测出所述噪声的边界,作为标注所述噪声的边界的第一边缘信息。示例性的,所述噪声为文字,则可以使用例如Canny边缘检测算法来检测文字图像的中的文字边缘上的像素点。对于本公开实施例中的示例中的黑色背景白色字体的噪声图像,边缘像素点的检测要更加容易一些,只需要检测具有黑色相邻像素点的白色像素点即可。检测到的文字的边缘像素点即为第一边缘信息即该像素点的类别为边缘像素点。则最终噪声图像提取模型需要对每个像素点进行分类,将其分类为非噪声像素点,边缘像素点以及噪声像素点,其中边缘像素点为特殊的噪声像素点。
所述噪声图像提取模型在输出噪声图像的同时,还会输出噪声的预测边缘信息,即表示预测噪声图像中的噪声的边缘的第二边缘信息;之后根据预测的噪声图像、第二图像、第一边缘信息和第二边缘信息计算误差来更新所述噪声提取模型的参数。示例性的,可以使用以下公式来计算所述噪声图像提取模型的误差:
L=δLmask+(1-δ)Ledge (4)
其中,所述为第一分类误差,所述为第二分类误差;其中δ为权重系数,且0<δ<1,由此可以调节两部分误差在总误差中的权重。通过上述公式(4)所示的损失函数可以对所述噪声图像提取模型的参数进行验证,验证其是否可以准确判断出噪声以及噪声的边缘。
其中,Lmask表示预测的噪声图像和第二图像的误差,其中N为训练集合中的第一图像的个数,或者每个训练批次所使用的第一图像的个数;xi表示第i个第一图像输入所述噪声图像提取模型得到的像素类型预测值,可以理解的xi可以是一个矩阵,表示第一图像中的每个像素点的预测概率值,为与所述xi对应的第二图像的标注概率值,由此可以直接通过矩阵的计算,计算出一个第一图像的第一误差,之后计算出N个第一图像的平均第一误差值作为所述第一分类误差。
其中,Ledge表示第一边缘信息和第二边缘信息的误差,其中N为训练集合中的第一图像的个数,或者每个训练批次所使用的第一图像的个数;yj表示第j个第一图像输入所述噪声图像提取模型得到的边缘像素点的类型预测值,可以理解的yj可以是一个矩阵,表示第一图像中的每个像素点的为边缘像素点的预测概率值,为与所述yj对应的边缘的标注概率值,由此可以直接通过矩阵的计算,计算出一个第一图像的第二误差,之后计算出N个第一图像的平均第二误差值作为所述第二分类误差。
在训练好上述噪声图像提取模型之后,通过将待修复图像输入所述噪声图像提取模型,可以得到与所述噪声图像对应的噪声图像。
上述实施例公开了一种图像修复方法,该图像修复方法包括:获取待修复图像;提取所述待修复图像中的噪声图像;将所述待修复图像以及所述噪声图像生成修复后的图像。上述方法通过提取图像中的噪声图像并通过噪声图像生成修复图像,解决了现有技术中图像修复不精细的技术问题。
在上文中,虽然按照上述的顺序描述了上述方法实施例中的各个步骤,本领域技术人员应清楚,本公开实施例中的步骤并不必然按照上述顺序执行,其也可以倒序、并行、交叉等其他顺序执行,而且,在上述步骤的基础上,本领域技术人员也可以再加入其他步骤,这些明显变型或等同替换的方式也应包含在本公开的保护范围之内,在此不再赘述。
图9为本公开实施例提供的图像修复装置实施例的结构示意图,如图9所示,该装置900包括:待修复图像获取模块901、噪声图像提取模块902和图像修复模块903。其中,
待修复图像获取模块901,用于获取待修复图像;
噪声图像提取模块902,用于提取所述待修复图像中的噪声图像;
图像修复模块903,用于将所述待修复图像以及所述噪声图像生成修复后的图像。
进一步的,所述噪声图像提取模块902,还用于:
将所述待修复图像输入噪声图像提取模型得到所述待修复图像中的噪声图像。
进一步的,所述图像修复模块903,还用于:
将所述待修复图像以及所述噪声图像输入图像修复模型生成修复后的图像。
进一步的,所述图像修复模型由以下步骤训练得到:
获取训练数据集合,其中所述训练数据集合中的每一个数据是由原始图像、在原始图像中添加了噪声的第一图像以及由所述噪声生成的第二图像所组成的三元数据;
初始化图像修复模型的参数;
将所述第一图像以及所述第二图像输入所述图像修复模型得到预测图像;
使用相同的特征提取方法提取所述预测图像和所述原始图像的特征得到预测图像的特征图像和原始图像的特征图像;
根据所述原始图像、预测图像、原始图像的特征图像以及预测图像的特征图像计算误差;
基于所述误差更新所述图像修复模型的参数;
使用更新后的参数迭代上述参数更新的过程直至达到收敛条件;
将达到收敛条件时所得到的参数作为训练好的图像修复模型的参数。
进一步的,所述获取训练数据集合,包括:
获取原始图像;
在原始图像上随机生成噪声得到第一图像;
根据所述噪声生成仅包含所述噪声的第二图像。
进一步的,所述第一图像中的噪声的像素点与所述噪声图像中的噪声像素点一一对应。
进一步的,所述第二图像为背景为黑色、噪声为白色的二值化图像。
进一步的,所述将所述第一图像以及所述第二图像输入所述图像修复模型得到预测图像,包括:
将所述第一图像以及第二图像输入所述图像修复模型的多个卷积层中进行下采样得到预定尺度大小的第一特征图像;
将所述第一特征图像输入所述图像修复模型的多个反卷积层中进行上采样得到与所述原始图像大小相同的预测图像。
进一步的,所述多个卷积层中的每个卷积层的输出特征图像作为与其对应的反卷积层的输入图像。
进一步的,所述使用相同的特征提取方法提取所述预测图像和所述原始图像的特征得到预测图像的特征图像和原始图像的特征图像,包括:
将所述预测图像和所述原始图像分别输入同一个卷积神经网络,其中所述卷积神经网络包括多个卷积层;
所述神经网络的多个卷积层输出多个尺度不同的预测图像的特征图像以及多个尺度不同的原始图像的特征图像。
进一步的,所述根据所述原始图像、预测图像、原始图像的特征图像以及预测图像的特征图像计算误差,包括:
根据所述原始图像和所述预测图像计算第一误差;
根据所述原始图像的特征图像和预测图像的特征图像计算第二误差;
根据所述第一误差和所述第二误差计算总误差。
进一步的,所述根据所述原始图像的特征图像和预测图像的特征图像计算第二误差,包括:
根据原始图像的多个尺度不同的特征图像以及与之对应的预测图像的多个尺度不同的特征图像计算第二误差。
进一步的,所述收敛条件包括:迭代次数超过预设次数值或者所述误差小于预设误差值。
图9所示装置可以执行图1-图8所示实施例的方法,本实施例未详细描述的部分,可参考对图1-图8所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图8所示实施例中的描述,在此不再赘述。
下面参考图10,其示出了适于用来实现本公开实施例的电子设备1000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10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。
如图10所示,电子设备1000可以包括处理装置(例如中央处理器、图形处理器等)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储装置1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有电子设备1000操作所需的各种程序和数据。处理装置1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
通常,以下装置可以连接至I/O接口1005: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1006;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1007;包括例如磁带、硬盘等的存储装置1008;以及通信装置1009。通信装置1009可以允许电子设备1000与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备1000,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1009从网络上被下载和安装,或者从存储装置1008被安装,或者从ROM 1002被安装。在该计算机程序被处理装置1001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。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待修复图像;提取所述待修复图像中的噪声图像;将所述待修复图像以及所述噪声图像生成修复后的图像。
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,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,提供了一种图像修复方法,包括:
获取待修复图像;
提取所述待修复图像中的噪声图像;
将所述待修复图像以及所述噪声图像生成修复后的图像。
进一步的,所述提取所述待修复图像中的噪声图像包括:
将所述待修复图像输入噪声图像提取模型得到所述待修复图像中的噪声图像。
进一步的,所述将所述待修复图像以及所述噪声图像生成修复后的图像,包括:
将所述待修复图像以及所述噪声图像输入图像修复模型生成修复后的图像。
进一步的,所述图像修复模型由以下步骤训练得到:
获取训练数据集合,其中所述训练数据集合中的每一个数据是由原始图像、在原始图像中添加了噪声的第一图像以及由所述噪声生成的第二图像所组成的三元数据;
初始化图像修复模型的参数;
将所述第一图像以及所述第二图像输入所述图像修复模型得到预测图像;
使用相同的特征提取方法提取所述预测图像和所述原始图像的特征得到预测图像的特征图像和原始图像的特征图像;
根据所述原始图像、预测图像、原始图像的特征图像以及预测图像的特征图像计算误差;
基于所述误差更新所述图像修复模型的参数;
使用更新后的参数迭代上述参数更新的过程直至达到收敛条件;
将达到收敛条件时所得到的参数作为训练好的图像修复模型的参数。
进一步的,所述获取训练数据集合,包括:
获取原始图像;
在原始图像上随机生成噪声得到第一图像;
根据所述噪声生成仅包含所述噪声的第二图像。
进一步的,所述第一图像中的噪声的像素点与所述噪声图像中的噪声像素点一一对应。
进一步的,所述第二图像为背景为黑色、噪声为白色的二值化图像。
进一步的,所述将所述第一图像以及所述第二图像输入所述图像修复模型得到预测图像,包括:
将所述第一图像以及第二图像输入所述图像修复模型的多个卷积层中进行下采样得到预定尺度大小的第一特征图像;
将所述第一特征图像输入所述图像修复模型的多个反卷积层中进行上采样得到与所述原始图像大小相同的预测图像。
进一步的,所述多个卷积层中的每个卷积层的输出特征图像作为与其对应的反卷积层的输入图像。
进一步的,所述使用相同的特征提取方法提取所述预测图像和所述原始图像的特征得到预测图像的特征图像和原始图像的特征图像,包括:
将所述预测图像和所述原始图像分别输入同一个卷积神经网络,其中所述卷积神经网络包括多个卷积层;
所述神经网络的多个卷积层输出多个尺度不同的预测图像的特征图像以及多个尺度不同的原始图像的特征图像。
进一步的,所述根据所述原始图像、预测图像、原始图像的特征图像以及预测图像的特征图像计算误差,包括:
根据所述原始图像和所述预测图像计算第一误差;
根据所述原始图像的特征图像和预测图像的特征图像计算第二误差;
根据所述第一误差和所述第二误差计算总误差。
进一步的,所述根据所述原始图像的特征图像和预测图像的特征图像计算第二误差,包括:
根据原始图像的多个尺度不同的特征图像以及与之对应的预测图像的多个尺度不同的特征图像计算第二误差。
进一步的,所述收敛条件包括:
迭代次数超过预设次数值或者所述误差小于预设误差值。
根据本公开的一个或多个实施例,提供了一种图像修复装置,包括:
待修复图像获取模块,用于获取待修复图像;
噪声图像提取模块,用于提取所述待修复图像中的噪声图像;
图像修复模块,用于将所述待修复图像以及所述噪声图像生成修复后的图像。
进一步的,所述噪声图像提取模块,还用于:
将所述待修复图像输入噪声图像提取模型得到所述待修复图像中的噪声图像。
进一步的,所述图像修复模块,还用于:
将所述待修复图像以及所述噪声图像输入图像修复模型生成修复后的图像。
进一步的,所述图像修复模型由以下步骤训练得到:
获取训练数据集合,其中所述训练数据集合中的每一个数据是由原始图像、在原始图像中添加了噪声的第一图像以及由所述噪声生成的第二图像所组成的三元数据;
初始化图像修复模型的参数;
将所述第一图像以及所述第二图像输入所述图像修复模型得到预测图像;
使用相同的特征提取方法提取所述预测图像和所述原始图像的特征得到预测图像的特征图像和原始图像的特征图像;
根据所述原始图像、预测图像、原始图像的特征图像以及预测图像的特征图像计算误差;
基于所述误差更新所述图像修复模型的参数;
使用更新后的参数迭代上述参数更新的过程直至达到收敛条件;
将达到收敛条件时所得到的参数作为训练好的图像修复模型的参数。
进一步的,所述获取训练数据集合,包括:
获取原始图像;
在原始图像上随机生成噪声得到第一图像;
根据所述噪声生成仅包含所述噪声的第二图像。
进一步的,所述第一图像中的噪声的像素点与所述噪声图像中的噪声像素点一一对应。
进一步的,所述第二图像为背景为黑色、噪声为白色的二值化图像。
进一步的,所述将所述第一图像以及所述第二图像输入所述图像修复模型得到预测图像,包括:
将所述第一图像以及第二图像输入所述图像修复模型的多个卷积层中进行下采样得到预定尺度大小的第一特征图像;
将所述第一特征图像输入所述图像修复模型的多个反卷积层中进行上采样得到与所述原始图像大小相同的预测图像。
进一步的,所述多个卷积层中的每个卷积层的输出特征图像作为与其对应的反卷积层的输入图像。
进一步的,所述使用相同的特征提取方法提取所述预测图像和所述原始图像的特征得到预测图像的特征图像和原始图像的特征图像,包括:
将所述预测图像和所述原始图像分别输入同一个卷积神经网络,其中所述卷积神经网络包括多个卷积层;
所述神经网络的多个卷积层输出多个尺度不同的预测图像的特征图像以及多个尺度不同的原始图像的特征图像。
进一步的,所述根据所述原始图像、预测图像、原始图像的特征图像以及预测图像的特征图像计算误差,包括:
根据所述原始图像和所述预测图像计算第一误差;
根据所述原始图像的特征图像和预测图像的特征图像计算第二误差;
根据所述第一误差和所述第二误差计算总误差。
进一步的,所述根据所述原始图像的特征图像和预测图像的特征图像计算第二误差,包括:
根据原始图像的多个尺度不同的特征图像以及与之对应的预测图像的多个尺度不同的特征图像计算第二误差。
进一步的,所述收敛条件包括:迭代次数超过预设次数值或者所述误差小于预设误差值。
根据本公开的一个或多个实施例,提供了一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述第一方面中的任一所述方法。
根据本公开的一个或多个实施例,提供了一种非暂态计算机可读存储介质,其特征在于,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行前述第一方面中的任一所述方法。
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。
Claims (14)
1.一种图像修复方法,其特征在于,包括:
获取待修复图像;
提取所述待修复图像中的噪声图像;
将所述待修复图像以及所述噪声图像生成修复后的图像,包括:将所述待修复图像以及所述噪声图像输入图像修复模型生成修复后的图像;
所述图像修复模型由以下步骤训练得到:
获取训练数据集合,其中所述训练数据集合中的每一个数据是由原始图像、在原始图像中添加了噪声的第一图像以及由所述噪声生成的第二图像所组成的三元数据;
初始化图像修复模型的参数;
将所述第一图像以及所述第二图像输入所述图像修复模型得到预测图像;
使用相同的特征提取方法提取所述预测图像和所述原始图像的特征得到预测图像的特征图像和原始图像的特征图像;
根据所述原始图像、预测图像、原始图像的特征图像以及预测图像的特征图像计算误差;
基于所述误差更新所述图像修复模型的参数;
使用更新后的参数迭代上述参数更新的过程直至达到收敛条件;
将达到收敛条件时所得到的参数作为训练好的图像修复模型的参数。
2.如权利要求1所述的图像修复方法,其中所述提取所述待修复图像中的噪声图像包括:
将所述待修复图像输入噪声图像提取模型得到所述待修复图像中的噪声图像。
3.如权利要求1所述的图像修复方法,其中所述获取训练数据集合,包括:
获取原始图像;
在原始图像上随机生成噪声得到第一图像;
根据所述噪声生成仅包含所述噪声的第二图像。
4.如权利要求3所述的图像修复方法,其中所述第一图像中的噪声的像素点与所述噪声图像中的噪声像素点一一对应。
5.如权利要求3或4所述的图像修复方法,其中所述第二图像为背景为黑色、噪声为白色的二值化图像。
6.如权利要求1所述的图像修复方法,其中所述将所述第一图像以及所述第二图像输入所述图像修复模型得到预测图像,包括:
将所述第一图像以及第二图像输入所述图像修复模型的多个卷积层中进行下采样得到预定尺度大小的第一特征图像;
将所述第一特征图像输入所述图像修复模型的多个反卷积层中进行上采样得到与所述原始图像大小相同的预测图像。
7.如权利要求6所述的图像修复方法,其中所述多个卷积层中的每个卷积层的输出特征图像作为与其对应的反卷积层的输入图像。
8.如权利要求1所述的图像修复方法,其中所述使用相同的特征提取方法提取所述预测图像和所述原始图像的特征得到预测图像的特征图像和原始图像的特征图像,包括:
将所述预测图像和所述原始图像分别输入同一个卷积神经网络,其中所述卷积神经网络包括多个卷积层;
所述神经网络的多个卷积层输出多个尺度不同的预测图像的特征图像以及多个尺度不同的原始图像的特征图像。
9.如权利要求1所述的图像修复方法,其中所述根据所述原始图像、预测图像、原始图像的特征图像以及预测图像的特征图像计算误差,包括:
根据所述原始图像和所述预测图像计算第一误差;
根据所述原始图像的特征图像和预测图像的特征图像计算第二误差;
根据所述第一误差和所述第二误差计算总误差。
10.如权利要求9所述的图像修复方法,其中所述根据所述原始图像的特征图像和预测图像的特征图像计算第二误差,包括:
根据原始图像的多个尺度不同的特征图像以及与之对应的预测图像的多个尺度不同的特征图像计算第二误差。
11.如权利要求1所述的图像修复方法,其中所述收敛条件包括:
迭代次数超过预设次数值或者所述误差小于预设误差值。
12.一种图像修复装置,其特征在于,包括:
待修复图像获取模块,用于获取待修复图像;
噪声图像提取模块,用于提取所述待修复图像中的噪声图像;
图像修复模块,用于将所述待修复图像以及所述噪声图像生成修复后的图像,包括:将所述待修复图像以及所述噪声图像输入图像修复模型生成修复后的图像;
所述图像修复模型由以下步骤训练得到:
获取训练数据集合,其中所述训练数据集合中的每一个数据是由原始图像、在原始图像中添加了噪声的第一图像以及由所述噪声生成的第二图像所组成的三元数据;
初始化图像修复模型的参数;
将所述第一图像以及所述第二图像输入所述图像修复模型得到预测图像;
使用相同的特征提取方法提取所述预测图像和所述原始图像的特征得到预测图像的特征图像和原始图像的特征图像;
根据所述原始图像、预测图像、原始图像的特征图像以及预测图像的特征图像计算误差;
基于所述误差更新所述图像修复模型的参数;
使用更新后的参数迭代上述参数更新的过程直至达到收敛条件;
将达到收敛条件时所得到的参数作为训练好的图像修复模型的参数。
13.一种电子设备,包括:
存储器,用于存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,使得所述处理器运行时实现根据权利要求1-11中任意一项所述的方法。
14.一种非暂态计算机可读存储介质,用于存储计算机可读指令,当所述计算机可读指令由计算机执行时,使得所述计算机执行权利要求1-11中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010428872.3A CN111612714B (zh) | 2020-05-20 | 2020-05-20 | 图像修复方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010428872.3A CN111612714B (zh) | 2020-05-20 | 2020-05-20 | 图像修复方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612714A CN111612714A (zh) | 2020-09-01 |
CN111612714B true CN111612714B (zh) | 2022-11-15 |
Family
ID=72196460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010428872.3A Active CN111612714B (zh) | 2020-05-20 | 2020-05-20 | 图像修复方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612714B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488942B (zh) * | 2020-12-02 | 2024-09-27 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288036A (zh) * | 2019-06-28 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 图像修复方法、装置及电子设备 |
CN110728639A (zh) * | 2019-09-29 | 2020-01-24 | 三星电子(中国)研发中心 | 图片修复方法及系统 |
WO2020064253A1 (en) * | 2018-09-24 | 2020-04-02 | Siemens Aktiengesellschaft | Methods for generating a deep neural net and for localising an object in an input image, deep neural net, computer program product, and computer-readable storage medium |
CN111127346A (zh) * | 2019-12-08 | 2020-05-08 | 复旦大学 | 基于部分到整体注意力机制的多层次图像修复方法 |
-
2020
- 2020-05-20 CN CN202010428872.3A patent/CN111612714B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020064253A1 (en) * | 2018-09-24 | 2020-04-02 | Siemens Aktiengesellschaft | Methods for generating a deep neural net and for localising an object in an input image, deep neural net, computer program product, and computer-readable storage medium |
CN110288036A (zh) * | 2019-06-28 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 图像修复方法、装置及电子设备 |
CN110728639A (zh) * | 2019-09-29 | 2020-01-24 | 三星电子(中国)研发中心 | 图片修复方法及系统 |
CN111127346A (zh) * | 2019-12-08 | 2020-05-08 | 复旦大学 | 基于部分到整体注意力机制的多层次图像修复方法 |
Non-Patent Citations (2)
Title |
---|
Foreground-aware Image Inpainting;Wei Xiong等;《arXiv》;20190422;第1-12页 * |
SPG-Net: Segmentation Prediction and Guidance Network for Image Inpainting;YUhang SONG等;《arXiv》;20180806;第1-14页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111612714A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113313064B (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN110084172B (zh) | 文字识别方法、装置和电子设备 | |
CN112883968B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN111325704B (zh) | 图像修复方法、装置、电子设备及计算机可读存储介质 | |
CN110349161B (zh) | 图像分割方法、装置、电子设备、及存储介质 | |
EP4432215A1 (en) | Image processing method and device | |
CN113239925A (zh) | 一种文本检测模型训练方法、文本检测方法及装置、设备 | |
CN111767750A (zh) | 图像处理方法和装置 | |
CN111209856B (zh) | 发票信息的识别方法、装置、电子设备及存储介质 | |
CN112967196A (zh) | 图像修复方法及装置、电子设备和介质 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN114399814B (zh) | 一种基于深度学习的遮挡物移除和三维重建方法 | |
CN111612715B (zh) | 图像修复方法、装置和电子设备 | |
CN111783777A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN111612714B (zh) | 图像修复方法、装置和电子设备 | |
CN117671254A (zh) | 一种图像分割方法及装置 | |
CN110070042A (zh) | 文字识别方法、装置和电子设备 | |
CN113255812A (zh) | 视频边框检测方法、装置和电子设备 | |
CN115115836B (zh) | 图像识别方法、装置、存储介质以及电子设备 | |
CN116188887A (zh) | 属性识别预训练模型生成方法、属性识别模型生成方法 | |
CN115565186A (zh) | 文字识别模型的训练方法、装置、电子设备和存储介质 | |
CN111797931B (zh) | 图像处理方法、图像处理网络训练方法、装置、设备 | |
CN111626283B (zh) | 文字提取方法、装置和电子设备 | |
CN113205092A (zh) | 文本检测方法、装置、设备及存储介质 | |
CN114495080A (zh) | 字体识别方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |