CN111681165A - 图像处理方法、装置、计算机设备和计算机可读存储介质 - Google Patents
图像处理方法、装置、计算机设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111681165A CN111681165A CN202010489496.9A CN202010489496A CN111681165A CN 111681165 A CN111681165 A CN 111681165A CN 202010489496 A CN202010489496 A CN 202010489496A CN 111681165 A CN111681165 A CN 111681165A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- images
- neural network
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000005520 cutting process Methods 0.000 claims abstract description 32
- 230000009467 reduction Effects 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
-
- 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
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- 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 Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及计算机技术领域,提供了一种图像处理方法、装置、计算机设备和计算机可读存储介质。所述方法包括:将待处理的第一图像放大预设倍数,得到放大图像,将放大图像切割成多个预设尺寸的子图像;将每个所述子图像分别输入预先训练好的目标神经网络中,得到所述目标神经网络输出的每个处理后的子图像,其中,所述目标神经网络为预先根据所述预设尺寸的样本图像训练出的、能同时实现超分辨率与降噪的神经网络;对多个所述处理后的子图像进行拼接,得到超分辨率以及降噪后的第二图像。采用本方法能够提高超分辨率及降噪的性能,并且,处理效率较高。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种图像处理方法、装置、计算机设备和计算机可读存储介质。
背景技术
图像超分辨率指的是将一张低分辨率图像通过算法放大到高分辨率,并具备高分辨率图像应有的细节与清晰度的过程。
目前,可以采用神经网络进行图像超分辨率:将图像输入训练好的神经网络中,得到神经网络输出的超分辨率后的图像。
但是,上述方法中,训练好的神经网络对与样本图像具有相同尺寸的图像进行超分辨率时,具有较好的性能,对与样本图像的尺寸不相同的图像进行超分辨率时,性能较差。
发明内容
基于此,有必要针对上述技术问题,提供一种图像处理性能较高的图像处理方法、装置、计算机设备和计算机可读存储介质。
本申请实施例提供了一种图像处理方法,所述方法包括:
将待处理的第一图像放大预设倍数,得到放大图像;
将所述放大图像切割成多个预设尺寸的子图像;
将每个所述子图像分别输入预先训练好的目标神经网络中,得到所述目标神经网络输出的每个处理后的子图像;其中,所述目标神经网络为预先根据所述预设尺寸的样本图像训练出的、能同时实现超分辨率与降噪的神经网络;
对多个所述处理后的子图像进行拼接,得到超分辨率以及降噪后的第二图像。
在一个实施例中,所述目标神经网络的生成方式包括:
获取样本图像以及对应的监督图像;
将所述样本图像输入神经网络模型进行训练,得到输出结果;
根据所述输出结果和对应的所述监督图像,对所述神经网络模型进行反馈更新,直至训练结束。
在一个实施例中,所述获取样本图像以及对应的监督图像,包括:
获取分辨率大于预设分辨率阈值且无噪声的初始图像;
将所述初始图像切割成多个所述预设尺寸的初始子图像;
根据预设处理顺序对所述初始子图像进行处理,得到所述样本图像;其中,所述预设处理顺序包括:依次进行缩小所述预设倍数、添加噪声以及放大所述预设倍数的处理;
将所述初始子图像作为所述样本图像对应的监督图像。
在一个实施例中,所述目标神经网络包括预设数量的依次连接的卷积模块,每个卷积模块包括依次连接的卷积层和激活函数层。
在一个实施例中,所述方法还包括:
确定每个所述子图像在所述放大图像中的标识;其中,所述标识用于指示所述子图像在所述放大图像中的排列顺序;
相对应地,所述对多个所述处理后的子图像进行拼接,包括:
根据每个所述子图像在所述放大图像中的标识,对多个所述处理后的子图像按序进行拼接。
在一个实施例中,若所述放大图像的尺寸为M*N,所述预设尺寸为R*T,M>R,N>T,且M、N、R及T均为整数;
在一个实施例中,每个所述子图像在所述放大图像中的标识,还用于指示每个所述子图像包括的像素点在所述放大图像中的位置;
相对应地,所述根据每个所述子图像在所述放大图像中的标识,对多个所述处理后的子图像按序进行拼接,包括:
按照每个所述子图像包括的像素点在所述放大图像中的位置以及所述排列顺序,对多个所述处理后的子图像进行拼接;
将拼接后具有多个像素值的像素点对应的多个像素值的平均像素值,确定为对应位置的像素点拼接后的像素值。
本申请实施例提供了一种图像处理装置,所述装置包括:
放大模块,用于将待处理的第一图像放大预设倍数,得到放大图像;
切割模块,用于将所述放大图像切割成多个预设尺寸的子图像;
处理模块,用于将每个所述子图像分别输入预先训练好的目标神经网络中,得到所述目标神经网络输出的每个处理后的子图像;其中,所述目标神经网络为预先根据所述预设尺寸的样本图像训练出的、能同时实现超分辨率与降噪的神经网络;
拼接模块,用于对多个所述处理后的子图像进行拼接,得到超分辨率以及降噪后的第二图像。
本申请实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本申请任意实施例所提供的图像处理方法的步骤。
本申请实施例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本申请任意实施例所提供的图像处理方法的步骤。
本申请实施例所提供的图像处理方法、装置、计算机设备和计算机可读存储介质,通过将待处理的第一图像放大预设倍数,得到放大图像,将该放大图像切割成多个预设尺寸的子图像,将每个子图像分别输入预先训练好的目标神经网络中,得到目标神经网络输出的每个处理后的子图像,对多个处理后的子图像进行拼接,得到超分辨率以及降噪后的第二图像。一方面,先将第一图像放大预设倍数后切割,切割后的子图像可以匹配目标神经网络处理图像的维度,从而,可以实现处理与样本图像尺寸不相同的第一图像,提高了超分辨率及降噪的性能;另一方面,该图像处理方法可以同时实现对第一图像进行超分辨率及降噪,图像处理效率较高。
附图说明
图1为一个实施例中图像处理方法的流程示意图;
图2为一个实施例中分割放大图像的示意图;
图3为一个实施例中目标神经网络的结构示意图;
图4为一个实施例中图像处理方法的另一种流程示意图;
图5为另一个实施例中图像处理方法的流程示意图;
图6为一个实施例中获取样本图像以及对应的监督图像的步骤的流程示意图;
图7为一个实施例中图像处理装置的结构框图;
图8为另一个实施例中图像处理装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
本了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图1为一个实施例中图像处理方法的流程示意图。在一个实施例中,如图1所示,提供了一种图像处理方法。本实施例以该方法应用于计算机设备进行举例说明。可以理解的是,该方法也可以应用于服务器,还可以应用于包括计算机设备和服务器的系统,并通过计算机设备和服务器的交互实现。计算机设备可以但不限于是各种个人计算机、笔记本电脑、智能手机以及平板电脑。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤101:将待处理的第一图像放大预设倍数,得到放大图像。
具体地,本实施例中的第一图像为待处理的图像,经过本实施例的图像处理方法之后,可以得到超分辨率以及降噪后的第二图像。第二图像与第一图像的区别在于:第二图像的分辨率大于第一图像,且第二图像为第一图像去噪后的图像。
本实施例中,计算机设备可以通过插值算法将第一图像放大预设倍数。这里的插值算法可以为最邻近插值算法、双线性(bilinear)插值算法、双三次(bicubic)插值算法中任一种算法。
可选地,可以选择双三次插值算法对第一图像进行放大。双三次插值算法的具体过程如下所示。假设第一图像为A,放大图像为B。A中每个像素点的像素值是已知的,B中每个像素点的像素值是未知的。需要先找出B中的像素点(U,V)在A中对应的像素点(u,v),再将A中距离像素点(u,v)最近的16个像素点的像素值作为计算B中像素点(U,V)的像素值的参数,利用双三次基函数求出16个像素点的权重,B中像素点(U,V)的像素值等于该16个像素点的像素值的加权叠加和。双三次插值算法可以保留图像的更多细节,因此,采用双三次插值算法对第一图像进行放大,可以提高后续图像处理的性能。
步骤102:将放大图像切割成多个预设尺寸的子图像。
具体地,计算机设备可以将放大图像切割成多个预设尺寸的子图像。示例性地,预设尺寸可以为32*32。
将放大图像切割的目的是为了匹配目标神经网络处理图像的维度,以提高超分辨率及降噪的性能。由于目标神经网络输出的图像的维度小于或者等于输入的图像的维度,因此,需要将第一图像放大预设倍数后再进行切割,这样,将子图像输入目标神经网络后,得到神经网络输出的处理后的子图像,多个处理后的子图像拼接后的第二图像,相较于第一图像,维度变大,分辨率变高。需要说明的是,本实施例中的图像的维度与图像的尺寸指的是同一个概念,假设图像尺寸为M*N,其表示该图像的横向包括M个像素点,竖向包括N个像素点。
为了便于后续正确拼接处理后的子图像,一种实现方式中,确定每个子图像在放大图像中的标识。该标识用于指示该子图像在放大图像中的排列顺序。更具体地,标识可以为子图像在放大图像中的坐标值。举例来说,坐标值(3,4)可以表示该子图像为第三行第四列的子图像。
以下对具体如何分割放大图像的实现过程作一详细说明。假设放大图像的尺寸为M*N,预设尺寸为R*T,M>R,N>T,且M、N、R及T均为整数。
在该实现方式中,放大图像刚好可以被整分。
第二种实现方式中,当或者中的任一项不为整数时,步骤102的切割过程具体为:按序分割放大图像,得到Q*P个子图像;当不为整数且为整数时,按照从右至左的顺序分割放大图像,得到位于第一列的P个子图像;当为整数且不为整数时,按照从下至上的顺序分割放大图像,得到位于第一行的Q个子图像;当与均不为整数时,按照从右至左且从下至上的顺序分割放大图像,得到位于第一列和位于第一行的Q+P+1个子图像。其中,Q为的整数商,P为的整数商。
更具体地,按序分割放大图像,可以为按照从上至下且从左至右的顺序分割,得到的Q*P个子图像为位于前Q列和前P行Q*P个子图像,即,横向中位于前Q个、竖向中位于前P个的Q*P个子图像。
当或者中的任一项不为整数时,说明放大图像无法被整分。需要先按序分割放大图像,得到横向中位于前Q个、竖向中位于前P个的Q*P个子图像。放大图像中,在不为整数且为整数的情况中,横向剩下的未被切割的像素点的数量不足R,因此,按照从右至左的顺序分割放大图像,取位于第一列的P个子图像,即,取横向中位于第一个的P个子图像;在为整数且不为整数的情况中,竖向剩下的未被切割的像素点的数量不足T,因此,按照从下至上的顺序分割放大图像,得到位于第一行的Q个子图像,即,取竖向中位于第一个的Q个子图像;在与均不为整数的情况中,横向剩下的未被切割的像素点的数量不足R且竖向剩下的未被切割的像素点的数量不足T,因此,按照从右至左且从下至上的顺序分割放大图像,得到位于第一列和位于第一行的Q+P+1个子图像,即,取横向中位于第一个、竖向中位于第一个的Q+P+1个子图像。
需要说明的是,在从下至上顺序分割的方式中,第一行为最下面一行,在从右至左顺序分割的方式中,第一列为最右的一列。
以下以一个具体的例子说明上述过程。图2为一个实施例中分割放大图像的示意图。如图2所示,放大图像的尺寸为40*30,预设尺寸为8*8,Q为5,P为3。先将放大图像按序分割,得到横向中位于前5个、竖向中位于前3个的15个子图像。之后,按照从下至上的顺序分割放大图像,取竖向中位于第一个的5个子图像21,分割线如图2中虚线所示。
可以看出,采用第二种实现方式中的分割方式会有被重复分割的像素点。例如图2中的竖向第22行-第24行之间的像素点被重复分割。
在该实现方式中,每个子图像在放大图像中的标识,还用于指示每个子图像包括的像素点在放大图像中的位置。在标识为坐标值时,每个子图像可以对应两个坐标值,例如,第一坐标值(3,4)可以表示该子图像为第三行第四列的子图像,即,表明子图像在放大图像中的排列顺序。第二坐标值(1,22)可以表示该子图像的左上角的像素点在放大图像中位于横向第1个像素点、竖向第22个像素点的位置。当然,第二坐标值可以表示子图像包括的任意像素点在放大图像中的位置,例如,中间位置的像素点在放大图像中的位置,右下角的像素点在放大图像中的位置。
步骤103:将每个子图像分别输入预先训练好的目标神经网络中,得到目标神经网络输出的每个处理后的子图像。
其中,目标神经网络为预先根据预设尺寸的样本图像训练出的、能同时实现超分辨率与降噪的神经网络。
具体地,本实施例中的目标神经网络能够同时实现超分辨率与降噪的神经网络。
一种场景中,计算机设备中已经预置了目标神经网络。
另一种场景中,计算机设备中没有预置该目标神经网络。在该场景中,计算机设备可以从服务器中下载该目标神经网络。
图3为一个实施例中目标神经网络的结构示意图。如图3所示,目标神经网络包括预设数量的依次连接的卷积模块,每个卷积模块包括依次连接的卷积层和激活函数层。示例性地,预设数量可以为3,卷积层的卷积核可以为3*3,激活函数层的激活函数可以为Sigmoid函数、Relu函数、Leaky ReLU函数、Tanh函数、softmax函数中的一种或多种组合。
本实施例中的目标神经网络为预先根据预设尺寸的样本图像训练出的,因此,其对放大图像切割形成的预设尺寸的子图像具有较好的处理性能。
步骤104:对多个处理后的子图像进行拼接,得到超分辨率以及降噪后的第二图像。
具体地,目标神经网络可以输出处理后的子图像,在步骤104中,对多个处理后的子图像进行拼接,得到超分辨率以及降噪后的第二图像。
基于步骤102的实现方式,在拼接时,可以根据每个子图像在放大图像中的标识,对多个处理后的子图像按序进行拼接。处理后的子图像与对应的子图像的标识相同。例如,对于坐标值为(3,4)的处理后的子图像,在拼接时将其放置于第三行第四列的位置。
拼接后的第二图像的像素点的像素值为该像素点所属的处理后的子图像中对应位置的像素点的像素值。
基于步骤102中分割放大图像的第二种实现方式,在拼接时,可以按照每个子图像包括的像素点在放大图像中的位置以及排列顺序,对多个处理后的子图像进行拼接;将拼接后具有多个像素值的像素点对应的多个像素值的平均像素值,确定为对应位置的像素点拼接后的像素值。
请继续参照图2,对于竖向第22行-第24行之间的像素点,由于被重复分割,在拼接时,该位置的像素点具有多个像素值。对于某个具体的像素点来说,将这多个像素值的平均像素值,确定为该点的拼接后的像素值。通过步骤102中的第二种分割方式以及对应的拼接方式,可以进一步提高拼接后的第二图像的图像质量。
当然,也可以将拼接后具有多个像素值的像素点对应的多个像素值的最大值、最小值、中值等其他统计学参数作为对应位置的像素点拼接后的像素值。
需要说明的是,本实施例中的像素值可以为像素点的灰度值,红、绿、蓝(Red、Green、Blue,RGB)值,色调、色饱和度、强度(Hue、Saturation、Intensity,HSI)值等。
以下以一个具体的例子说明上述步骤101-步骤104。图4为一个实施例中图像处理方法的另一种流程示意图。如图4所示,对于第一图像I,将其放大a倍后,形成图像I_a。之后,将图像I_a切割形成多个子图像I_in。将每个子图像I_in输入目标神经网络中,分别得到处理后的子图像I_out。将多个处理后的子图像I_out按序进行拼接,可以得到最终的超分辨率以及降噪后的第二图像Result。
上述图像处理方法,通过将待处理的第一图像放大预设倍数,得到放大图像,将放大图像切割成多个预设尺寸的子图像,将每个子图像分别输入预先训练好的目标神经网络中,得到目标神经网络输出的每个处理后的子图像,对多个处理后的子图像进行拼接,得到超分辨率以及降噪后的第二图像。一方面,先将第一图像放大预设倍数后切割,切割后的子图像可以匹配目标神经网络处理图像的维度,从而,可以处理与样本图像尺寸不相同的第一图像,提高了超分辨率及降噪的性能;另一方面,该图像处理方法可以同时实现对第一图像进行超分辨率及降噪,图像处理效率较高。
图5为另一个实施例中图像处理方法的流程示意图。在一个实施例中,如图5所示,又提供了一种图像处理方法。该实施例与图1所示实施例及各种可选的方案的基础上,对目标神经网络生成方式作一详细说明。本实施例中,该方法还包括以下步骤:
步骤501:获取样本图像以及对应的监督图像。
图6为一个实施例中获取样本图像以及对应的监督图像的步骤的流程示意图。如图6所示,步骤501具体可以包括如下子步骤:
步骤5011:获取分辨率大于预设分辨率阈值且无噪声的初始图像。
步骤5012:将初始图像切割成多个预设尺寸的初始子图像。
步骤5013:根据预设处理顺序对初始子图像进行处理,得到样本图像。
其中,预设处理顺序包括:依次进行缩小预设倍数、添加噪声以及放大预设倍数的处理。
步骤5014:将初始子图像作为样本图像对应的监督图像。
假设初始图像为Y,将Y切割成多个预设尺寸的初始子图像Ys。对于初始子图像Ys,可以使用插值算法将初始子图像Ys缩小预设倍数,形成图像Xs。对图像Xs添加噪声,该噪声可以是高斯噪声,更具体地,可以是均值为0、方差为25的高斯噪声,形成图像Xt。之后,将图像Xt放大预设倍数,作为样本图像。将初始子图像Ys作为样本图像对应的监督图像。本实施例中的监督图像为与样本图像对应的高分辨率无噪图像。
执行步骤5011-步骤5014,可以得到多个样本图像以及对应的监督图像。
步骤502:将样本图像输入神经网络模型进行训练,得到输出结果。
步骤503:根据输出结果和对应的监督图像,对神经网络模型进行反馈更新,直至训练结束。
可选地,可以根据输出结果和对应的监督图像确定损失参数。损失参数可以为数值、矢量或者矩阵。本实施例中的损失参数可以根据均方差函数获取。可以根据公式确定损失参数,其中,W表示监督图像或者输出结果所包括的像素点的个数,Xouti,j表示输出结果中第i行第j列的像素值,Ysi,j表示监督图像中第i行第j列的像素值。
可选地,当损失参数不满足预设的收敛条件,例如,损失参数大于预设阈值时,可以调整神经网络模型的网络结构以及网络参数,对神经网络模型进行更新,再返回执行将样本图像输入神经网络模型进行训练,得到输出结果的步骤,直至损失参数满足收敛条件,将损失参数满足收敛条件时的神经网络模型作为目标神经网络。
具体地,图像经过神经网络的处理,生成的仍然是一张图像,但是每个像素值都通过神经网络的参数进行了重新计算。神经网络的训练过程根据大量训练数据、不断更新神经网络内部参数,根据每一对低清小尺度图片与高清大尺度图片的联系,生成一套参数,从而将任意低清小尺度图片转换为高清大尺度图片。
之后,可以基于该目标神经网络对图像进行处理,其实现过程与步骤101-步骤104的实现过程和技术原理类似,此处不再赘述。
基于本实施例提供的图像处理方法,目标神经网络训练过程中采用预设尺寸的样本图像进行训练,可以提高目标神经网络的收敛速度,进一步提高了图像处理的效率。
应该理解的是,虽然图1、图4、图5及图6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、图4、图5及图6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图7为一个实施例中图像处理装置的结构框图。在一个实施例中,如图7所示,提供了一种图像处理装置,包括:放大模块74、切割模块71、处理模块72以及拼接模块73。
放大模块74,用于将待处理的第一图像放大预设倍数,得到放大图像。
切割模块71,用于将放大图像切割成多个预设尺寸的子图像。
可选地,假设放大图像的尺寸为M*N,预设尺寸为R*T,M>R,N>T,且M、N、R及T均为整数。
当或者中的任一项不为整数时,切割模块71具体用于:按序分割放大图像,得到Q*P个子图像,其中,Q为的整数商,P为的整数商;当不为整数且为整数时,按照从右至左的顺序分割放大图像,得到位于第一列的P个子图像;当为整数且不为整数时,按照从下至上的顺序分割放大图像,得到位于第一行的Q个子图像;当与均不为整数时,按照从右至左且从下至上的顺序分割放大图像,得到位于第一列和位于第一行的Q+P+1个子图像。
处理模块72,用于将每个子图像分别输入预先训练好的目标神经网络中,得到目标神经网络输出的每个处理后的子图像。
其中,目标神经网络为预先根据预设尺寸的样本图像训练出的、能同时实现超分辨率与降噪的神经网络。
可选地,目标神经网络包括预设数量的依次连接的卷积模块,每个卷积模块包括依次连接的卷积层和激活函数层。
拼接模块73,用于对多个处理后的子图像进行拼接,得到超分辨率以及降噪后的第二图像。
可选地,该装置还包括:第一确定模块,用于在切割放大图像时,确定每个子图像在放大图像中的标识。其中,标识用于指示子图像在放大图像中的排列顺序。相对应地,在对多个处理后的子图像进行拼接的方面,拼接模块73具体用于:根据每个子图像在放大图像中的标识,对多个处理后的子图像按序进行拼接。
可选地,每个子图像在放大图像中的标识,还用于指示每个子图像包括的像素点在放大图像中的位置。相对应地,在根据每个子图像在放大图像中的坐标值,对多个处理后的子图像进行拼接的方面,拼接模块73具体用于:按照每个子图像包括的像素点在放大图像中的位置以及排列顺序,对多个处理后的子图像进行拼接;将拼接后具有多个像素值的像素点对应的多个像素值的平均像素值,确定为对应位置的像素点拼接后的像素值。
本实施例提供的图像处理装置,一方面,先将第一图像放大预设倍数后切割,切割后的子图像可以匹配目标神经网络处理图像的维度,从而,可以处理与样本图像尺寸不相同的第一图像,提高了超分辨率及降噪的性能;另一方面,该图像处理方法可以同时实现对第一图像进行超分辨率及降噪,图像处理效率较高。
图8为另一个实施例中图像处理装置的结构框图。在一个实施例中,如图8所示,图像处理装置还包括:获取模块81、训练模块82以及更新模块83。
获取模块81,用于获取样本图像以及对应的监督图像。
可选地,获取模块81具体用于:获取分辨率大于预设分辨率阈值且无噪声的初始图像;将初始图像切割成多个预设尺寸的初始子图像;根据预设处理顺序对初始子图像进行处理,得到样本图像;将初始子图像作为样本图像对应的监督图像。其中,预设处理顺序包括:依次进行缩小预设倍数、添加噪声以及放大预设倍数的处理。
训练模块82,用于将样本图像输入神经网络模型进行训练,得到输出结果。
更新模块83,用于根据输出结果和对应的监督图像,对神经网络模型进行反馈更新,直至训练结束。
本实施例提供的图像处理装置,目标神经网络训练过程中采用预设尺寸的样本图像进行训练,可以提高目标神经网络的收敛速度,进一步提高了图像处理的效率。
关于图像处理装置的具体限定可以参见上文中对于图像处理方法的限定,在次不再赘述。上述图像处理装置中的各个模模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图9为一个实施例中计算机设备的内部结构图。在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标神经网络。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像处理方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的图像处理装置可以实现为一种计算机程序的形式,计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成该图像处理装置的各个程序模块,比如,图7所示的放大模块74、切割模块71、处理模块72以及拼接模块73。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的图像处理方法中的步骤。
例如,图9所示的计算机设备可以通过如图7所示的图像处理装置中的放大模块74执行将待处理的第一图像放大预设倍数,得到放大图像的步骤。计算机设备可通过切割模块71执行将放大图像切割成多个预设尺寸的子图像的步骤。计算机设备可通过处理模块72执行将每个所述子图像分别输入预先训练好的目标神经网络中,得到所述目标神经网络输出的每个处理后的子图像的步骤。计算机设备可通过拼接模块73执行对多个所述处理后的子图像进行拼接,得到超分辨率以及降噪后的第二图像的步骤。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:将待处理的第一图像放大预设倍数,得到放大图像;将所述放大图像切割成多个预设尺寸的子图像;将每个所述子图像分别输入预先训练好的目标神经网络中,得到所述目标神经网络输出的每个处理后的子图像,其中,所述目标神经网络为预先根据所述预设尺寸的样本图像训练出的、能同时实现超分辨率与降噪的神经网络;对多个所述处理后的子图像进行拼接,得到超分辨率以及降噪后的第二图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取样本图像以及对应的监督图像;将所述样本图像输入神经网络模型进行训练,得到输出结果;根据所述输出结果和对应的所述监督图像,对所述神经网络模型进行反馈更新,直至训练结束。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:所述获取样本图像以及对应的监督图像,包括:获取分辨率大于预设分辨率阈值且无噪声的初始图像;将所述初始图像切割成多个所述预设尺寸的初始子图像;根据预设处理顺序对所述初始子图像进行处理,得到所述样本图像,其中,所述预设处理顺序包括:依次进行缩小所述预设倍数、添加噪声以及放大所述预设倍数的处理;将所述初始子图像作为所述样本图像对应的监督图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定每个所述子图像在所述放大图像中的标识,其中,所述标识用于指示所述子图像在所述放大图像中的排列顺序;相对应地,所述对多个所述处理后的子图像进行拼接,包括:根据每个所述子图像在所述放大图像中的标识,对多个所述处理后的子图像按序进行拼接。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若所述放大图像的尺寸为M*N,所述预设尺寸为R*T,M>R,N>T,且M、N、R及T均为整数;当或者中的任一项不为整数时,所述将所述放大图像切割成多个预设尺寸的子图像,包括:按序分割所述放大图像,得到Q*P个所述子图像;其中,Q为的整数商,P为的整数商;当不为整数且为整数时,按照从右至左的顺序分割所述放大图像,得到位于第一列的P个所述子图像;当为整数且不为整数时,按照从下至上的顺序分割所述放大图像,得到位于第一行的Q个所述子图像;当与均不为整数时,按照从右至左且从下至上的顺序分割所述放大图像,得到位于第一列和位于第一行的Q+P+1个所述子图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:每个所述子图像在所述放大图像中的标识,还用于指示每个所述子图像包括的像素点在所述放大图像中的位置;相对应地,所述根据每个所述子图像在所述放大图像中的标识,对多个所述处理后的子图像按序进行拼接,包括:按照每个所述子图像包括的像素点在所述放大图像中的位置以及所述排列顺序,对多个所述处理后的子图像进行拼接;将拼接后具有多个像素值的像素点对应的多个像素值的平均像素值,确定为对应位置的像素点拼接后的像素值。
本实施例提供的计算机设备,一方面,先将第一图像放大预设倍数后切割,切割后的子图像可以匹配目标神经网络处理图像的维度,从而,可以处理与样本图像尺寸不相同的第一图像,提高了超分辨率及降噪的性能;另一方面,该图像处理方法可以同时实现对第一图像进行超分辨率及降噪,图像处理效率较高。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:将待处理的第一图像放大预设倍数,得到放大图像;将所述放大图像切割成多个预设尺寸的子图像;将每个所述子图像分别输入预先训练好的目标神经网络中,得到所述目标神经网络输出的每个处理后的子图像,其中,所述目标神经网络为预先根据所述预设尺寸的样本图像训练出的、能同时实现超分辨率与降噪的神经网络;对多个所述处理后的子图像进行拼接,得到超分辨率以及降噪后的第二图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取样本图像以及对应的监督图像;将所述样本图像输入神经网络模型进行训练,得到输出结果;根据所述输出结果和对应的所述监督图像,对所述神经网络模型进行反馈更新,直至训练结束。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:所述获取样本图像以及对应的监督图像,包括:获取分辨率大于预设分辨率阈值且无噪声的初始图像;将所述初始图像切割成多个所述预设尺寸的初始子图像;根据预设处理顺序对所述初始子图像进行处理,得到所述样本图像,其中,所述预设处理顺序包括:依次进行缩小所述预设倍数、添加噪声以及放大所述预设倍数的处理;将所述初始子图像作为所述样本图像对应的监督图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定每个所述子图像在所述放大图像中的标识,其中,所述标识用于指示所述子图像在所述放大图像中的排列顺序;相对应地,所述对多个所述处理后的子图像进行拼接,包括:根据每个所述子图像在所述放大图像中的标识,对多个所述处理后的子图像按序进行拼接。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若所述放大图像的尺寸为M*N,所述预设尺寸为R*T,M>R,N>T,且M、N、R及T均为整数;当或者中的任一项不为整数时,所述将所述放大图像切割成多个预设尺寸的子图像,包括:按序分割所述放大图像,得到Q*P个所述子图像;其中,Q为的整数商,P为的整数商;当不为整数且为整数时,按照从右至左的顺序分割所述放大图像,得到位于第一列的P个所述子图像;当为整数且不为整数时,按照从下至上的顺序分割所述放大图像,得到位于第一行的Q个所述子图像;当与均不为整数时,按照从右至左且从下至上的顺序分割所述放大图像,得到位于第一列和位于第一行的Q+P+1个所述子图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:每个所述子图像在所述放大图像中的标识,还用于指示每个所述子图像包括的像素点在所述放大图像中的位置;相对应地,所述根据每个所述子图像在所述放大图像中的标识,对多个所述处理后的子图像按序进行拼接,包括:按照每个所述子图像包括的像素点在所述放大图像中的位置以及所述排列顺序,对多个所述处理后的子图像进行拼接;将拼接后具有多个像素值的像素点对应的多个像素值的平均像素值,确定为对应位置的像素点拼接后的像素值。
本实施例提供的计算机可读存储介质,一方面,先将第一图像放大预设倍数后切割,切割后的子图像可以匹配目标神经网络处理图像的维度,从而,可以处理与样本图像尺寸不相同的第一图像,提高了超分辨率及降噪的性能;另一方面,该图像处理方法可以同时实现对第一图像进行超分辨率及降噪,图像处理效率较高。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,比如静态随机存取存储器(Static Random Access Memory,SRAM)和动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此本申请专利的保护范围应以所附权利要求为准。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种图像处理方法,所述方法包括:
将待处理的第一图像放大预设倍数,得到放大图像;
将所述放大图像切割成多个预设尺寸的子图像;
将每个所述子图像分别输入预先训练好的目标神经网络中,得到所述目标神经网络输出的每个处理后的子图像;其中,所述目标神经网络为预先根据所述预设尺寸的样本图像训练出的、能同时实现超分辨率与降噪的神经网络;
对多个所述处理后的子图像进行拼接,得到超分辨率以及降噪后的第二图像。
2.根据权利要求1所述的方法,其特征在于,所述目标神经网络的生成方式包括:
获取样本图像以及对应的监督图像;
将所述样本图像输入神经网络模型进行训练,得到输出结果;
根据所述输出结果和对应的所述监督图像,对所述神经网络模型进行反馈更新,直至训练结束。
3.根据权利要求2所述的方法,其特征在于,所述获取样本图像以及对应的监督图像,包括:
获取分辨率大于预设分辨率阈值且无噪声的初始图像;
将所述初始图像切割成多个所述预设尺寸的初始子图像;
根据预设处理顺序对所述初始子图像进行处理,得到所述样本图像;其中,所述预设处理顺序包括:依次进行缩小所述预设倍数、添加噪声以及放大所述预设倍数的处理;
将所述初始子图像作为所述样本图像对应的监督图像。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述目标神经网络包括预设数量的依次连接的卷积模块,每个卷积模块包括依次连接的卷积层和激活函数层。
5.根据权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
确定每个所述子图像在所述放大图像中的标识;其中,所述标识用于指示所述子图像在所述放大图像中的排列顺序;
相对应地,所述对多个所述处理后的子图像进行拼接,包括:
根据每个所述子图像在所述放大图像中的标识,对多个所述处理后的子图像按序进行拼接。
6.根据权利要求5所述的方法,其特征在于,若所述放大图像的尺寸为M*N,所述预设尺寸为R*T,M>R,N>T,且M、N、R及T均为整数;
7.根据权利要求6所述的方法,其特征在于,每个所述子图像在所述放大图像中的标识,还用于指示每个所述子图像包括的像素点在所述放大图像中的位置;
相对应地,所述根据每个所述子图像在所述放大图像中的标识,对多个所述处理后的子图像按序进行拼接,包括:
按照每个所述子图像包括的像素点在所述放大图像中的位置以及所述排列顺序,对多个所述处理后的子图像进行拼接;
将拼接后具有多个像素值的像素点对应的多个像素值的平均像素值,确定为对应位置的像素点拼接后的像素值。
8.一种图像处理装置,其特征在于,所述装置包括:
放大模块,用于将待处理的第一图像放大预设倍数,得到放大图像;
切割模块,用于将所述放大图像切割成多个预设尺寸的子图像;
处理模块,用于将每个所述子图像分别输入预先训练好的目标神经网络中,得到所述目标神经网络输出的每个处理后的子图像;其中,所述目标神经网络为预先根据所述预设尺寸的样本图像训练出的、能同时实现超分辨率与降噪的神经网络;
拼接模块,用于对多个所述处理后的子图像进行拼接,得到超分辨率以及降噪后的第二图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的图像处理方法的步骤。
10.一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权利要求1至7中任一项所述的图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489496.9A CN111681165A (zh) | 2020-06-02 | 2020-06-02 | 图像处理方法、装置、计算机设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489496.9A CN111681165A (zh) | 2020-06-02 | 2020-06-02 | 图像处理方法、装置、计算机设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111681165A true CN111681165A (zh) | 2020-09-18 |
Family
ID=72453725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010489496.9A Pending CN111681165A (zh) | 2020-06-02 | 2020-06-02 | 图像处理方法、装置、计算机设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681165A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991172A (zh) * | 2021-03-08 | 2021-06-18 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113487480A (zh) * | 2021-06-30 | 2021-10-08 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN116468613A (zh) * | 2023-06-20 | 2023-07-21 | 深圳市景创科技电子股份有限公司 | 超高清虚拟显示及控制方法、装置、设备及计算机介质 |
CN116563115A (zh) * | 2023-07-07 | 2023-08-08 | 深圳市龙之源科技股份有限公司 | 图像放大方法、装置、电子设备及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428212A (zh) * | 2018-01-30 | 2018-08-21 | 中山大学 | 一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法 |
CN108596833A (zh) * | 2018-04-26 | 2018-09-28 | 广东工业大学 | 超分辨率图像重构方法、装置、设备及可读存储介质 |
CN109325928A (zh) * | 2018-10-12 | 2019-02-12 | 北京奇艺世纪科技有限公司 | 一种图像重建方法、装置及设备 |
CN109741253A (zh) * | 2018-12-12 | 2019-05-10 | 深圳慧源创新科技有限公司 | 无人机图传视频近景远景切换技术 |
CN111080527A (zh) * | 2019-12-20 | 2020-04-28 | 北京金山云网络技术有限公司 | 一种图像超分辨率的方法、装置、电子设备及存储介质 |
-
2020
- 2020-06-02 CN CN202010489496.9A patent/CN111681165A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428212A (zh) * | 2018-01-30 | 2018-08-21 | 中山大学 | 一种基于双拉普拉斯金字塔卷积神经网络的图像放大方法 |
CN108596833A (zh) * | 2018-04-26 | 2018-09-28 | 广东工业大学 | 超分辨率图像重构方法、装置、设备及可读存储介质 |
CN109325928A (zh) * | 2018-10-12 | 2019-02-12 | 北京奇艺世纪科技有限公司 | 一种图像重建方法、装置及设备 |
CN109741253A (zh) * | 2018-12-12 | 2019-05-10 | 深圳慧源创新科技有限公司 | 无人机图传视频近景远景切换技术 |
CN111080527A (zh) * | 2019-12-20 | 2020-04-28 | 北京金山云网络技术有限公司 | 一种图像超分辨率的方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
温佩芝;苗渊渊;周迎;冯丽园;: "基于卷积神经网络改进的图像自动分割方法" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991172A (zh) * | 2021-03-08 | 2021-06-18 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113487480A (zh) * | 2021-06-30 | 2021-10-08 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN116468613A (zh) * | 2023-06-20 | 2023-07-21 | 深圳市景创科技电子股份有限公司 | 超高清虚拟显示及控制方法、装置、设备及计算机介质 |
CN116468613B (zh) * | 2023-06-20 | 2023-10-27 | 深圳市景创科技电子股份有限公司 | 超高清虚拟显示及控制方法、装置、设备及计算机介质 |
CN116563115A (zh) * | 2023-07-07 | 2023-08-08 | 深圳市龙之源科技股份有限公司 | 图像放大方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11610082B2 (en) | Method and apparatus for training neural network model used for image processing, and storage medium | |
CN111681165A (zh) | 图像处理方法、装置、计算机设备和计算机可读存储介质 | |
Ren et al. | Single image super-resolution via adaptive high-dimensional non-local total variation and adaptive geometric feature | |
US10311547B2 (en) | Image upscaling system, training method thereof, and image upscaling method | |
CN111951167B (zh) | 超分辨率图像重建方法、装置、计算机设备和存储介质 | |
CN109949224B (zh) | 一种基于深度学习的联级超分辨率重建的方法及装置 | |
JP2014010621A (ja) | 最適画像サイズによる画像領域分割装置、方法、およびプログラム | |
KR20210036715A (ko) | 뉴럴 프로세싱 장치 및 뉴럴 프로세싱 장치에서 뉴럴 네트워크의 풀링을 처리하는 방법 | |
CN108242063B (zh) | 一种基于gpu加速的光场图像深度估计方法 | |
CN111860582B (zh) | 图像分类模型构建方法、装置、计算机设备和存储介质 | |
CN111709415B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN112241646A (zh) | 车道线识别方法、装置、计算机设备和存储介质 | |
CN112560864A (zh) | 图像语义分割方法、装置及图像语义分割模型的训练方法 | |
CN111161289A (zh) | 图像中物体轮廓精度提升方法、装置和计算机程序产品 | |
US9594955B2 (en) | Modified wallis filter for improving the local contrast of GIS related images | |
CN115797194A (zh) | 图像降噪方法、装置、电子设备、存储介质和程序产品 | |
CN111401477B (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN114445277A (zh) | 深度图像像素增强方法、装置及计算机可读存储介质 | |
CN113256484A (zh) | 一种对图像进行风格化处理的方法及装置 | |
CN112184884A (zh) | 三维模型构建方法、装置、计算机设备及存储介质 | |
US12008797B2 (en) | Image segmentation method and image processing apparatus | |
US20230351719A1 (en) | Method and electronic device for determining optimal global attention in deep learning model | |
US11967047B2 (en) | Methods and devices for joint sensor and pixel domain denoising | |
CN112907708B (zh) | 人脸卡通化方法、设备及计算机存储介质 | |
US20210350168A1 (en) | Image segmentation method and image processing apparatus |
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 |