CN111696064A - 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
- CN111696064A CN111696064A CN202010545294.1A CN202010545294A CN111696064A CN 111696064 A CN111696064 A CN 111696064A CN 202010545294 A CN202010545294 A CN 202010545294A CN 111696064 A CN111696064 A CN 111696064A
- Authority
- CN
- China
- Prior art keywords
- image
- processing
- processed
- intensity value
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 469
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 36
- 238000007499 fusion processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003707 image sharpening Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G06T5/77—
-
- G06T5/90—
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Image Processing (AREA)
Abstract
本发明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，涉及人工智能技术领域，包括：获取待处理图像；对待处理图像进行识别，得到识别结果，其中，识别结果用于指示待处理图像的噪声强度值、模糊强度值和图像类型；根据识别结果所指示的待处理图像的噪声强度值和模糊强度值确定待处理图像的处理模式，并按照所确定的处理模式和识别结果所指示的图像类型对待处理图像进行处理，得到处理之后的目标图像；处理模式用于指示对待处理图像进行图像处理，图像处理包括：图像去噪处理和细节增强处理，本申请实施例缓解了现有的图像处理技术对图像进行处理时处理效果较差的技术问题。
Description
技术领域
本发明涉及人工智能技术领域，尤其是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
图像处理技术广泛应用于图像、视频处理中。相关技术中的图像增强方法可以分为传统方法和深度学习方法。其中，传统方法融合图像去噪和图像锐化等多种手段，对人脸进行处理。深度学习方法，通过设计一个深度神经网络模型。随后将低质量人脸图像作为该神经网络的输入，输出增强后的高质量图像。
针对传统方法只是在提取ROI后，对该区域运用了普通的图像增强处理技术。其次，传统方法很难实现细节生成的效果。
针对现有的深度学习方法，往往是采用一种深度神经网络模型，对所有的低质量人脸图像统一处理。然而对于不同来源的图像，人脸图像的质量可能会差异很大，图像的退化方式也不尽相同，有些噪声严重，有些模糊严重，因此用同一个网络处理，很难兼顾不同的情况，修复效果不好。
发明内容
有鉴于此，本发明的目的在于提供一种图像处理方法、装置、电子设备及计算机可读介质，以缓解了现有的图像处理技术对图像进行处理时处理效果较差的技术问题。
第一方面，本发明实施例提供了一种图像处理方法，包括：获取待处理图像；对所述待处理图像进行识别，得到识别结果，其中，所述识别结果用于指示所述待处理图像的噪声强度值、模糊强度值和图像类型；根据所述识别结果所指示的所述待处理图像的噪声强度值和模糊强度值确定所述待处理图像的处理模式，并按照所确定的处理模式和所述识别结果所指示的图像类型对所述待处理图像进行处理，得到处理之后的目标图像；所述处理模式用于指示对所述待处理图像进行图像处理，所述图像处理包括：图像去噪处理和细节增强处理。
进一步地，根据所述识别结果所指示的所述待处理图像的噪声强度值和模糊强度值确定所述待处理图像的处理模式包括：若所述待处理图像的噪声强度值小于第一预设噪声强度值，且所述待处理图像的模糊强度值小于第一预设模糊强度值，则确定所述待处理图像的处理模式为第一处理模式，其中，所述第一处理模式表示通过所述图像去噪处理和所述细节增强处理对所述待处理图像进行并行处理。
进一步地，在所述处理模式为第一处理模式的情况下，按照所确定的处理模式和所述识别结果所指示的图像类型对所述待处理图像进行处理包括：根据所述识别结果所指示的图像类型，确定第一目标处理模型和第二目标处理模型，其中，所述第一目标处理模型用于对所述识别结果所指示的图像类型的图像进行去噪处理，所述第二目标处理模型用于对所述识别结果所指示的图像类型的图像进行细节增强处理；通过所述第一目标处理模型对所述待处理图像进行图像去噪处理，得到第一目标图像；通过所述第二目标处理模型对所述待处理图像进行细节增强处理，得到第二目标图像；将所述第一目标图像和所述第二目标图像进行融合处理，得到所述处理之后的目标图像。
进一步地，将所述第一目标图像和所述第二目标图像进行融合处理，得到所述处理之后的目标图像包括：计算所述第一目标图像和所述第二目标图像中相对应像素的均值，得到所述处理之后的目标图像。
进一步地，根据所述识别结果所指示的所述待处理图像的噪声强度值和模糊强度值确定所述待处理图像的处理模式还包括：若所述识别结果所指示的所述待处理图像的噪声强度值和模糊强度值不满足预设条件，则确定所述待处理图像的处理模式为第二处理模式，其中，所述第二处理模式表示采用所述图像去噪处理和所述细节增强处理对所述待处理图像进行串行处理；其中，所述预设条件为：所述待处理图像的噪声强度值小于第一预设噪声强度值，且所述待处理图像的模糊强度值小于第一预设模糊强度值、以及所述待处理图像的噪声强度值大于第二图预设噪声强度值，且所述待处理图像的模糊强度值大于第二预设模糊强度值；所述第二图预设噪声强度值大于所述第一预设噪声强度值，所述第二预设模糊强度值大于所述第一预设噪声强度值。
进一步地，在所述处理模式为第二处理模式的情况下，按照所确定的处理模式和所述识别结果所指示的图像类型对所述待处理图像进行处理包括：根据所述识别结果所指示的图像类型，确定第一目标处理模型和第二目标处理模型，其中，所述第一目标处理模型用于对所述识别结果所指示的图像类型的图像进行去噪处理，所述第二目标处理模型用于对所述识别结果所指示的图像类型的图像进行细节增强处理；若所述待处理图像的噪声强度值大于或者等于所述待处理图像的模糊强度值，则通过所述第一目标处理模型对所述待处理图像进行图像去噪处理，得到第三目标图像；通过所述第二目标处理模型对所述第三目标图像进行细节增强处理，得到第四目标图像；并将所述第四目标图像确定为所述处理之后的目标图像。
进一步地，在所述处理模式为第二处理模式的情况下，按照所确定的处理模式和所述识别结果所指示的图像类型对所述待处理图像进行处理还包括：根据所述识别结果所指示的图像类型，确定第一目标处理模型和第二目标处理模型，其中，所述第一目标处理模型用于对所述识别结果所指示的图像类型的图像进行去噪处理，所述第二目标处理模型用于对所述识别结果所指示的图像类型的图像进行细节增强处理；若所述待处理图像的噪声强度值小于所述待处理图像的模糊强度值，则通过所述第一目标处理模型对所述待处理图像进行细节增强处理，得到第五目标图像；通过所述第二目标处理模型对第五目标图像进行去噪处理，得到所述第六目标图像；并将所述第六目标图像确定为所述处理之后的目标图像。
进一步地，根据所述识别结果所指示的所述待处理图像的噪声强度值和模糊强度值确定所述待处理图像的处理模式包括：若所述待处理图像的噪声强度值大于第二预设噪声强度值，且所述待处理图像的模糊强度值大于第二预设模糊强度值，则确定所述待处理图像的处理模式为第三处理模式，其中，所述第三处理模式表示不通过所述图像去噪处理和所述细节增强处理对所述待处理图像进行处理，并直接输出所述待处理图像。
进一步地，方法还包括：构建第一训练集和第二训练集；其中，所述第一训练集中包括第一类型图像和第二类型图像，所述第二类型图像为所述第一类型图像添加噪声之后形成的；所述第二训练集中包括第三类型图像和第四类型图像，所述第四类型图像为所述第三类型图像添加噪声之后形成的，或者，所述第四类型图像为对所述第三类型图像依次进行降采样和升采样处理之后形成的；通过所述第一训练集对第一初始目标处理模型进行训练，得到第一目标处理模型，并通过所述第二训练集对第二初始目标处理模型进行训练，得到第二目标处理模型。
第二方面，本发明实施例还提供了一种图像处理装置，包括：获取单元，用于获取待处理图像；图像识别单元，用于对所述待处理图像进行识别，得到识别结果，其中，所述识别结果用于指示所述待处理图像的噪声强度值、模糊强度值和图像类型；图像处理单元，用于根据所述识别结果所指示的所述待处理图像的噪声强度值和模糊强度值确定所述待处理图像的处理模式，并按照所确定的处理模式和所述识别结果所指示的图像类型对所述待处理图像进行处理，得到处理之后的目标图像；所述处理模式用于指示对所述待处理图像进行图像处理，所述图像处理包括：图像去噪处理和细节增强处理。
第三方面，本发明实施例提供了一种电子设备，包括存储器、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，处理器执行计算机程序时实现上述第一方面中任一项所述的方法的步骤。
第四方面，本发明实施例提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述第一方面中任一项所述的方法的步骤。
在本发明实施例中，首先，获取待处理图像，然后，对待处理图像进行识别，得到识别结果，最后，根据识别结果所指示的待处理图像的噪声强度值和模糊强度值确定待处理图像的处理模式，并按照所确定的处理模式和识别结果所指示的图像类型对待处理图像进行处理，得到处理之后的目标图像。通过上述描述可知，在本申请实施例中，将图像处理任务拆分为图像去噪和细节增强两大任务，对于各种不同退化方式导致的低质量图像都能很好的实现提高图像质量的效果，进而缓解了现有的图像处理技术对图像进行处理时处理效果较差的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种图像处理方法的流程图；
图2是根据本发明实施例的第一种可选地图像处理方法的流程图；
图3是根据本发明实施例的第二种可选地图像处理方法的流程图；
图4是根据本发明实施例的第三种可选地图像处理方法的流程图；
图5是根据本发明实施例的第四种可选地图像处理方法的流程图；
图6是根据本发明实施例的一种U-net网络模型的结构示意图；
图7是根据本发明实施例的一种第二目标处理模型的结构示意图；
图8是根据本发明实施例的一种RRDB模块的示意图；
图9是根据本发明实施例的一种图像处理装置的示意图；
图10是根据本发明实施例的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
根据本发明实施例，提供了一种图像处理方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种图像处理方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取待处理图像；在本申请实施例中，待处理图像可以为包含人脸的图像，还可以为不包含人脸的图像，本申请对此不做具体限定。
步骤S104，对待处理图像进行识别，得到识别结果，其中，识别结果用于指示待处理图像的噪声强度值、模糊强度值和图像类型。
在本申请实施例中，可以通过传统图像处理方法对待处理图像进行识别，例如，图像去噪，图像锐化，图像去模糊，颜色增强，超分辨率等技术对待处理图像进行处理，得到图像的识别结果。除此之外，还可以通过深度学习模型对待处理图像进行处理，得到识别结果。
在本申请实施例中，对待处理图像进行识别的目的是检测待处理图像的噪声强度和模糊强度，从而得到待处理图像的噪声强度值和模糊强度值。随后将噪声强度值和模糊强度值分别归一化到1-10分，得到噪声强度值Snoise和模糊强度值Sblur，其中，1分表示噪声最大/模糊最严重，10分表示完全无噪声/不模糊。
步骤S106，根据识别结果所指示的待处理图像的噪声强度值和模糊强度值确定待处理图像的处理模式，并按照所确定的处理模式和识别结果所指示的图像类型对待处理图像进行处理，得到处理之后的目标图像；处理模式用于指示对待处理图像进行图像处理，图像处理包括：图像去噪处理和细节增强处理。
在一个可选的实施方式中，图像类型用于确定待处理图像是否为包含指定对象的图像，例如，用于确定待处理图像是否为包含人脸的人脸图像。
在本申请实施例中，在对待处理图像进行识别，得到包含图像类型的识别结果之后，就可以根据该图像类型确定待处理图像的图像处理需求。例如，如果根据该图像类型确定出待处理图像为包含指定对象(例如，人脸)的图像，那么可以确定出待处理图像的图像处理需求为图像去噪处理和细节增强处理。如果根据该图像类型确定出待处理图像为非人脸图像，那么待处理图像的图像处理需求可以为去模糊处理和颜色增强等其他处理方式。
若根据该图像类型确定出待处理图像为非人脸图像，此时依然可以根据所确定的处理模式和识别结果所指示的图像类型对待处理图像进行处理，此处的处理表示：去模糊处理和颜色增强处理。可以理解的，对于图像类型包括但不限于：人脸图像、风景图像、建筑图像、视频帧图像。对于不同类型的图像，可以根据该类型图像的图像处理需求进行针对性的模型训练，从而对于不同类型的图像使用对应的模型进行图像处理，从而提高处理后的图像的质量。
需要说明的是，发明人在对常见的低质量人脸图像分析后，发现这些图像中主要存在的问题是图像有噪声，或图像细节不够。于是本申请实施例将图像处理任务拆分为图像去噪和细节生成两大任务。也即，在本申请实施例中，可以基于识别结果对待处理图像进行图像去噪处理和细节增强处理。可以理解的是，这里是以包括人脸的图像的处理进行举例说明，本发明实施例的方法并不限于处理包括人脸的图像。在本发明实施例中，下述也以人脸图像为例进行说明，可以理解的是，对应的处理模型等均可以为用于处理其他任意类型图像的模型，可以根据实际处理的图像进行选择，本发明并不限于这些举例说明。
在本申请实施例中，可以通过目标处理模型(即下述实施方式中的第一目标处理模型和第二目标处理模型)对待处理图像进行图像去噪处理和细节增强处理，得到处理之后的目标图像，具体处理过程将在下述实施方式中进行介绍。
在本发明实施例中，首先，获取待处理图像，然后，对待处理图像进行识别，得到识别结果，最后，根据识别结果所指示的待处理图像的噪声强度值和模糊强度值确定待处理图像的处理模式，并按照所确定的处理模式和识别结果所指示的图像类型对待处理图像进行处理，得到处理之后的目标图像。通过上述描述可知，在本申请实施例中，将图像处理任务拆分为图像去噪和细节增强两大任务，对于各种不同退化方式导致的低质量图像都能很好的实现提高图像质量的效果，进而缓解了现有的图像处理技术对图像进行处理时处理效果较差的技术问题。
通过上述描述可知，在本申请实施例中，首先，获取待处理图像，然后，对待处理图像进行识别，得到识别结果。在得到识别结果之后，基于识别结果对待处理图像进行图像处理，具体包括以下过程：
在本申请实施例中，分别预先为识别结果中的噪声强度值和模糊强度值设置了高低阈值。具体地，为噪声强度值设置的高低阈值分别为：第二预设噪声强度值和第一预设噪声强度值，其中，第一预设噪声强度值小于第二预设噪声强度值。为模糊强度值设置的高低阈值分别为：第二预设模糊强度值和第一设模糊强度值，其中，第一预设模糊强度值小于第二预设模糊强度值。
在按照上述所描述的方式为噪声强度值和模糊强度值设置了高低阈值之后，就可以将噪声强度值和模糊强度值分别与对应的高低阈值进行比对，从而得到比对结果。从而根据比对结果确定待处理图像的处理模式，并按照相应的处理模式对待处理图像和图像类型进行处理。其中，比对结果不同，则所对应的处理模式也不相同。
通过上述描述可知，在本申请实施例中，采用基于识别结果来确定对图像进行图像处理的处理模式，能够提高数据的处理效率，避免高质量的人脸图像被进行目标处理处理。
通过上述描述可知，在一个可选的实施方式中，根据识别结果所指示的待处理图像的噪声强度值和模糊强度值确定待处理图像的处理模式包括如下过程：
首先，判断待处理图像的噪声强度值是否小于第一预设噪声强度值，且判断待处理图像的模糊强度值是否小于第一预设模糊强度值。
其中，若待处理图像的噪声强度值小于第一预设噪声强度值，且待处理图像的模糊强度值小于第一预设模糊强度值，则确定待处理图像的处理模式为第一处理模式，其中，第一处理模式表示通过图像去噪处理和细节增强处理对待处理图像进行并行处理。
在本申请实施例中，第一预设噪声强度值为噪声强度值的噪声低阈值；第一预设模糊强度值为模糊强度值的模糊低阈值。
具体地，在本申请实施例中，首先，可以判断噪声强度值是否小于第一预设噪声强度值，且判断模糊强度值是否小于第一预设模糊强度值。若是，则可以确定出待处理图像的处理模式为第一处理模式，其中，该第一处理模式表示通过图像去噪处理和细节增强处理对待处理图像进行并行处理，即：通过图像去噪处理和细节增强处理对待处理图像进行并行处理。
在本申请实施例的一个可选实施方式中，按照所确定的处理模式和识别结果所指示的图像类型对待处理图像进行处理，具体包括如下过程：
步骤S1，根据识别结果所指示的图像类型，确定第一目标处理模型和第二目标处理模型，其中，第一目标处理模型用于对识别结果所指示的图像类型的图像进行去噪处理，第二目标处理模型用于对识别结果所指示的图像类型的图像进行细节增强处理。
在本申请实施例中，在得到待处理图像的图像类型之后，就可以根据该图像类型确定对待处理图像进行图像处理的第一目标处理模型和第二目标处理模型。
例如，如果该图像类型表示待处理图像为人脸图像，那么可以确定用于对该待处理图像进行处理的第一目标处理模型和第二目标处理模型。然后，通过第一目标处理模型和第二目标处理模型，按照第一处理模式对待处理图像进行处理。具体处理过程为下述步骤S2至步骤S4所示。
步骤S2，通过第一目标处理模型对待处理图像进行图像去噪处理，得到第一目标图像。
步骤S3，通过第二目标处理模型对待处理图像进行细节增强处理，得到第二目标图像。
步骤S4，将第一目标图像和第二目标图像进行融合处理，得到处理之后的目标图像。具体地，可以计算第一目标图像和第二目标图像中相对应像素的均值，得到处理之后的目标图像。
具体地，在本申请实施例中，若噪声强度值小于第一预设噪声强度值，且模糊强度值小于第一预设模糊强度值，即，
此时，可以将待处理图像分别通过第一目标处理模型和第二目标处理模型进行单独处理之后，在将处理结果(即，第一目标图像和第二目标图像)进行融合之后，将融合结果作为处理之后的目标图像。
例如，如图3所示，可以通过图像去噪模型(即，第一目标处理模型)对待处理图像进行处理，得到去噪后的图像，即第一目标图像。还可以通过细节增强模型(即，第二目标处理模型)对待处理图像进行处理，得到细节增强图像，即第二目标图像。然后，将第一目标图像和第二目标图像进行融合得到处理之后的目标图像。
在另一实施例中，在上述步骤S2之后，还可以对第一目标图像进行去模糊处理和颜色增强处理，得到更新后的第一目标图像，以及在上述步骤S3之后，对第二目标图像进行去模糊处理和颜色增强处理，得到更新后的第二目标图像。
步骤S4，将第一目标图像和第二目标图像进行融合处理，得到处理之后的目标图像包括：将更新后第一目标图像和更新后第二目标图像进行融合处理，得到处理后的目标图像，将目标图像确定为输入图像。
通过上述描述可知，在通过图像去噪处理和细节增强处理对待处理图像进行并行处理之后，采用去模糊处理和颜色增强处理对处理之后的图像进行进一步处理的方式，能够进一步提高图像的质量。
需要说明的是，发明人在对常见的低质量人脸图像分析后，发现这些图像中主要存在的问题是图像有噪声，或图像细节不够。于是本申请实施例将图像处理任务拆分为图像去噪和细节生成两大任务。对于各种不同退化方式导致的低质量图像都能很好的实现提高图像质量的效果，进而缓解了现有的图像处理技术对图像进行处理时处理效果较差的技术问题。使用本申请实施例所提供的方法，可以较好地增强各类低质量人脸图像，例如，包含有噪声的人脸图像，细节信息很弱的人脸图像，或既有噪声又没有细节信息的图像。
通过上述描述可知，在另一个可选的实施方式中，根据识别结果所指示的待处理图像的噪声强度值和模糊强度值确定待处理图像的处理模式，具体包括如下过程：
首先，判断噪声强度值是否大于第二预设噪声强度值，且判断模糊强度值是否大于第二预设模糊强度值。其中，第二预设噪声强度值为噪声高阈值，第二预设模糊强度值为模糊高阈值，也即，第一预设噪声强度值小于第二预设噪声强度值，且第一预设噪声强度值小于第二预设噪声强度值。
其中，若待处理图像的噪声强度值大于第二预设噪声强度值，且待处理图像的模糊强度值大于第二预设模糊强度值，则确定待处理图像的处理模式为第三处理模式，其中，第三处理模式表示不通过图像去噪处理和细节增强处理对待处理图像进行处理，并直接输出待处理图像。可以理解的是，在本发明实施例中，对于噪声强度值大于第二预设噪声强度值，且模糊强度值大于第二预设模糊强度值的图像的情况，表示其图像质量较高，对于这类图像可以不作处理，从而节约图像处理所需的时间，提高处理效率。
具体地，如图2所示，如果噪声强度值大于或者等于噪声高阈值，且模糊强度值大于或者等于模糊高阈值，即
则确定待处理图像的处理模式为第三处理模式，表示直接输出待处理图像，不做任何处理。
通过上述描述可知，在另一个可选的实施方式中，根据识别结果所指示的待处理图像的噪声强度值和模糊强度值确定待处理图像的处理模式还包括如下过程：
若识别结果所指示的待处理图像的噪声强度值和模糊强度值不满足预设条件，则确定待处理图像的处理模式为第二处理模式，其中，第二处理模式表示采用图像去噪处理和细节增强处理对待处理图像进行串行处理；
其中，预设条件为：待处理图像的噪声强度值小于第一预设噪声强度值，且待处理图像的模糊强度值小于第一预设模糊强度值、以及待处理图像的噪声强度值大于第二图预设噪声强度值，且待处理图像的模糊强度值大于第二预设模糊强度值；第二图预设噪声强度值大于第一预设噪声强度值，第二预设模糊强度值大于第一预设噪声强度值。
具体地，在本申请实施例中，预设条件可以表示为：
以及
也就是说，如果噪声强度值与第一预设噪声强度值和第二预设噪声强度值之间的关系不满足上述所描述的关系，以及模糊强度值与第一预设模糊强度值和第二预设模糊强度值之间的关系不满足上述所描述的关系，则确定出识别结果所指示的待处理图像的噪声强度值和模糊强度值不满足预设条件，此时，以确定出待处理图像的处理模式为第二处理模式，其中，该第二处理模式表示通过图像处理对待处理图像进行串行处理，即：通过图像去噪处理和细节增强处理对待处理图像进行串行处理。
在本申请实施例中，在通过图像去噪处理和细节增强处理对待处理图像进行串行处理时，可以首先根据识别结果所指示的图像类型，确定第一目标处理模型和第二目标处理模型，其中，第一目标处理模型用于对识别结果所指示的图像类型的图像进行去噪处理，第二目标处理模型用于对识别结果所指示的图像类型的图像进行细节增强处理。然后通过第一目标处理模型和第二目标处理模型对待处理图像进行串行处理，得到处理之后的目标图像。
在本申请实施例中，在通过第一目标处理模型和第二目标处理模型对待处理图像进行串行处理时，可以根据噪声强度值和模糊强度值之间的大小关系确定第一目标处理模型和第二目标处理模型的处理顺序。
情况一、对待处理图像进行串行处理，得到处理之后的目标图像包括：
(1)、若待处理图像的噪声强度值大于或者等于待处理图像的模糊强度值，则通过第一目标处理模型对待处理图像进行图像去噪处理，得到第三目标图像；并通过第二目标处理模型对第三目标图像进行细节增强处理，得到第四目标图像；并将第四目标图像确定为处理之后的目标图像。
在本申请实施例中，如果噪声强度值和模糊强度值不满足以下条件，则可以比较噪声强度值和模糊强度值，该条件为：噪声强度值大于或者等于第二预设噪声强度值，且模糊强度值大于或者等于第二预设模糊强度值；噪声强度值小于第一预设噪声强度值，且模糊强度值小于第一预设模糊强度值。
如图4所示，若噪声强度值大于或者等于模糊强度值，则待处理图像先经过第一目标处理模型进行去噪处理，随后经过第二目标处理模型进行细节生成处理(串行处理)后输出，并将输出作为处理之后的目标图像。
除此之外，如图3所示，还可以先通过第一目标处理模型对待处理图像进行图像去噪处理，得到去噪后图像；再通过第二目标处理模型对待处理图像进行细节增强处理，得到细节增强图像；将去噪后图像和细节增强图像进行融合处理，得到处理之后的目标图像。具体地，可以计算去噪后图像和细节增强图像中相对应像素的均值，得到处理之后的目标图像。
在一个可选的实施方式中，在得到第四目标图像之后，还可以对第四目标图像进行去模糊处理和颜色增强处理，得到更新后的第四目标图像，并将更新之后的第四目标图像确定为处理之后的目标图像。
情况二：对待处理图像进行串行处理，得到处理之后的目标图像还包括以下过程：
(2)、若待处理图像的噪声强度值小于待处理图像的模糊强度值，则通过第一目标处理模型对待处理图像进行细节增强处理，得到第五目标图像；并通过第二目标处理模型对第三目标图像进行去噪处理，得到第六目标图像；并将第六目标图像确定为处理之后的目标图像。
在本申请实施例中，如果噪声强度值和模糊强度值不满足以下条件，则可以比较噪声强度值和模糊强度值，该条件为：噪声强度值大于或者等于第二预设噪声强度值，且模糊强度值大于或者等于第二预设模糊强度值；噪声强度值小于第一预设噪声强度值，且模糊强度值小于第一预设模糊强度值。如图5所示，若噪声强度值小于模糊强度值，则待处理图像先经过第二目标处理模型进行细节生成处理，随后经过第一目标处理模型进行去噪处理(串行处理)后输出，并将输出作为处理之后的目标图像。
在一个可选的实施方式中，在得到第六目标图像之后，还可以对第六目标图像进行去模糊处理和颜色增强处理，得到更新后的第六目标图像，并将更新之后的第六目标图像确定为处理之后的目标图像。
除此之外，如图3所示，还可以通过第一目标处理模型对待处理图像进行图像去噪处理，得到去噪后图像；再通过第二目标处理模型对待处理图像进行细节增强处理，得到细节增强图像；将去噪后图像和细节增强图像进行融合处理，得到处理之后的目标图像。具体地，可以计算去噪后图像和细节增强图像中相对应像素的均值，得到处理之后的目标图像。
在本申请实施例中，在对待处理图像进行目标处理处理之前，还可以对第一初始目标处理模型进行训练，得到第一目标处理模型，并对第二初始目标处理模型进行训练，得到第二目标处理模型，训练过程描述如下：
首先，构建第一训练集和第二训练集；第一训练集中包括第一类型图像和第二类型图像，第二类型图像为第一类型图像添加噪声之后形成的；第二训练集中包括第三类型图像和第四类型图像，第四类型图像为第三类型图像添加噪声之后形成的，或者，第四类型图像为对第三类型图像依次进行降采样和升采样处理之后形成的。
具体地，第一类型图像可以为高清数据集FFHQ数据集，此时，第二类型图像就可以理解为添加噪声之后形成的FFHQ数据集。第三类型图像就可以理解为FFHQ数据集，那么第四类型图像可以理解为添加噪声之后形成的FFHQ数据集，或者，为对FFHQ数据集依次进行降采样和升采样处理之后形成的图像。
具体地，在第一训练集中，高清数据(即输出图像)为FFHQ高质量人脸图像，低清数据(即输入图像)为在高清图像的基础上加上不同强度的高斯噪声或Jpeg噪声后生成的低质量图像，其特点是图像中有各类不同程度的噪声。在第二训练集中，高清数据(即输出图像)仍为FFHQ高质量人脸图像，低清数据(即输入图像)为在高清图像的基础上加上不同强度的高斯模糊或降采样再升采样后生成的低质量图像，其特点是图像较模糊，细节损失较大。
在构建第一训练集和第二训练集之后，就可以通过第一训练集对第一初始目标处理模型进行训练，得到第一目标处理模型，并通过第二训练集对第二初始目标处理模型进行训练，得到第二目标处理模型。
需要说明的是，在本申请实施例中，第一目标处理模型为U-net网络模型。如图6所示的即为U-net网络模型，除此之外，还可以选择其他的网络模型，本申请对此不做具体限定。
需要说明的是，在本申请实施例中，第二目标处理模型包括：第一卷基层，至少一个基础块层，至少一个第二卷基层。如图7所示的即为第二目标处理模型的结构示意图，如图7所示，利用GAN结构来第二目标处理模型，具体的网络结构是改进的ESRGAN，将其上采样模块(Upsampling)去掉，从而得到第二目标处理模型。图7中的Basic Block(基本块)的具体构造为如下的RRDB(Residual-in-Residual Dense Block)模块，RRDB模块的具体结果如图8所示。
通过上述描述可知，在本申请实施例中，将人脸图像增强任务拆分为图像去噪和细节增强两大任务，对于各种不同退化方式导致的低质量图像都能很好的实现图像增强的效果，进而缓解了现有的图像处理技术对图像进行处理时处理效果较差的技术问题。
实施例二：
本发明实施例还提供了一种图像处理装置，该图像处理装置主要用于执行本发明实施例上述内容所提供的图像处理方法，以下对本发明实施例提供的图像处理装置做具体介绍。
图9是根据本发明实施例的一种图像处理装置的示意图，如图9所示，该图像处理装置主要包括获取单元10，图像识别单元20和图像处理单元30，其中：
获取单元10，用于获取待处理图像；
图像识别单元20，用于对待处理图像进行识别，得到识别结果，其中，识别结果用于指示待处理图像的噪声强度值、模糊强度值和图像类型；
图像处理单元30，用于根据识别结果所指示的待处理图像的噪声强度值和模糊强度值确定待处理图像的处理模式，并按照所确定的处理模式和识别结果所指示的图像类型对待处理图像进行处理，得到处理之后的目标图像；处理模式用于指示对待处理图像进行图像处理，图像处理包括：图像去噪处理和细节增强处理。
在本发明实施例中，首先，获取待处理图像，然后，对待处理图像进行识别，得到识别结果，最后，根据识别结果所指示的待处理图像的噪声强度值和模糊强度值确定待处理图像的处理模式，并按照所确定的处理模式和识别结果所指示的图像类型对待处理图像进行处理，得到处理之后的目标图像。通过上述描述可知，在本申请实施例中，将图像处理任务拆分为图像去噪和细节增强两大任务，对于各种不同退化方式导致的低质量图像都能很好的实现提高图像质量的效果，进而缓解了现有的图像处理技术对图像进行处理时处理效果较差的技术问题。
可选地，图像处理单元，用于：若待处理图像的噪声强度值小于第一预设噪声强度值，且待处理图像的模糊强度值小于第一预设模糊强度值，则确定待处理图像的处理模式为第一处理模式，其中，第一处理模式表示通过图像去噪处理和细节增强处理对待处理图像进行并行处理。
可选地，图像处理单元，还用于：在处理模式为第一处理模式的情况下，根据识别结果所指示的图像类型，确定第一目标处理模型和第二目标处理模型，其中，第一目标处理模型用于对识别结果所指示的图像类型的图像进行去噪处理，第二目标处理模型用于对识别结果所指示的图像类型的图像进行细节增强处理；通过第一目标处理模型对待处理图像进行图像去噪处理，得到第一目标图像；通过第二目标处理模型对待处理图像进行细节增强处理，得到第二目标图像；将第一目标图像和第二目标图像进行融合处理，得到处理之后的目标图像。
可选地，图像处理单元，还用于：计算第一目标图像和第二目标图像中相对应像素的均值，得到处理之后的目标图像。
可选地，图像处理单元，还用于：若识别结果所指示的待处理图像的噪声强度值和模糊强度值不满足预设条件，则确定待处理图像的处理模式为第二处理模式，其中，第二处理模式表示采用图像去噪处理和细节增强处理对待处理图像进行串行处理；其中，预设条件为：待处理图像的噪声强度值小于第一预设噪声强度值，且待处理图像的模糊强度值小于第一预设模糊强度值、以及待处理图像的噪声强度值大于第二图预设噪声强度值，且待处理图像的模糊强度值大于第二预设模糊强度值；第二图预设噪声强度值大于第一预设噪声强度值，第二预设模糊强度值大于第一预设噪声强度值。
可选地，图像处理单元，还用于：在处理模式为第二处理模式的情况下，根据识别结果所指示的图像类型，确定第一目标处理模型和第二目标处理模型，其中，第一目标处理模型用于对识别结果所指示的图像类型的图像进行去噪处理，第二目标处理模型用于对识别结果所指示的图像类型的图像进行细节增强处理；若待处理图像的噪声强度值大于或者等于待处理图像的模糊强度值，则通过第一目标处理模型对待处理图像进行图像去噪处理，得到第三目标图像；通过第二目标处理模型对第三目标图像进行细节增强处理，得到第四目标图像；并将第四目标图像确定为处理之后的目标图像。
可选地，图像处理单元，还用于：根据识别结果所指示的图像类型，确定第一目标处理模型和第二目标处理模型，其中，第一目标处理模型用于对识别结果所指示的图像类型的图像进行去噪处理，第二目标处理模型用于对识别结果所指示的图像类型的图像进行细节增强处理；若待处理图像的噪声强度值小于待处理图像的模糊强度值，则通过第一目标处理模型对待处理图像进行细节增强处理，得到第五目标图像；通过第二目标处理模型对第五目标图像进行去噪处理，得到第六目标图像；并将第六目标图像确定为处理之后的目标图像。
可选地，图像处理单元，还用于：若待处理图像的噪声强度值大于第二预设噪声强度值，且待处理图像的模糊强度值大于第二预设模糊强度值，则确定待处理图像的处理模式为第三处理模式，其中，第三处理模式表示不通过图像去噪处理和细节增强处理对待处理图像进行处理，并直接输出待处理图像。
可选地，该装置还用于：构建第一训练集和第二训练集；其中，第一训练集中包括第一类型图像和第二类型图像，第二类型图像为第一类型图像添加噪声之后形成的；第二训练集中包括第三类型图像和第四类型图像，第四类型图像为第三类型图像添加噪声之后形成的，或者，第四类型图像为对第三类型图像依次进行降采样和升采样处理之后形成的；通过第一训练集对第一初始目标处理模型进行训练，得到第一目标处理模型，并通过第二训练集对第二初始目标处理模型进行训练，得到第二目标处理模型。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
实施例三：
参见图10，本发明实施例还提供一种电子设备100，包括：处理器40，存储器41，总线42和通信接口43，处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序，处理器40在接收到执行指令后，执行程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。
处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用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储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，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者全部单元来实现本实施例方案的目的。
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，也可以两个或两个以上单元集成在一个单元中。
功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的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(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种图像处理方法，其特征在于，包括：
获取待处理图像；
对所述待处理图像进行识别，得到识别结果，其中，所述识别结果用于指示所述待处理图像的噪声强度值、模糊强度值和图像类型；
根据所述识别结果所指示的所述待处理图像的噪声强度值和模糊强度值确定所述待处理图像的处理模式，并按照所确定的处理模式和所述识别结果所指示的图像类型对所述待处理图像进行处理，得到处理之后的目标图像；所述处理模式用于指示对所述待处理图像进行图像处理，所述图像处理包括：图像去噪处理和细节增强处理。
2.根据权利要求1所述的方法，其特征在于，根据所述识别结果所指示的所述待处理图像的噪声强度值和模糊强度值确定所述待处理图像的处理模式包括：
若所述待处理图像的噪声强度值小于第一预设噪声强度值，且所述待处理图像的模糊强度值小于第一预设模糊强度值，则确定所述待处理图像的处理模式为第一处理模式，其中，所述第一处理模式表示通过所述图像去噪处理和所述细节增强处理对所述待处理图像进行并行处理。
3.根据权利要求2所述的方法，其特征在于，在所述处理模式为第一处理模式的情况下，按照所确定的处理模式和所述识别结果所指示的图像类型对所述待处理图像进行处理包括：
根据所述识别结果所指示的图像类型，确定第一目标处理模型和第二目标处理模型，其中，所述第一目标处理模型用于对所述识别结果所指示的图像类型的图像进行去噪处理，所述第二目标处理模型用于对所述识别结果所指示的图像类型的图像进行细节增强处理；
通过所述第一目标处理模型对所述待处理图像进行图像去噪处理，得到第一目标图像；
通过所述第二目标处理模型对所述待处理图像进行细节增强处理，得到第二目标图像；
将所述第一目标图像和所述第二目标图像进行融合处理，得到所述处理之后的目标图像。
4.根据权利要求3所述的方法，其特征在于，将所述第一目标图像和所述第二目标图像进行融合处理，得到所述处理之后的目标图像包括：
计算所述第一目标图像和所述第二目标图像中相对应像素的均值，得到所述处理之后的目标图像。
5.根据权利要求1所述的方法，其特征在于，根据所述识别结果所指示的所述待处理图像的噪声强度值和模糊强度值确定所述待处理图像的处理模式还包括：
若所述识别结果所指示的所述待处理图像的噪声强度值和模糊强度值不满足预设条件，则确定所述待处理图像的处理模式为第二处理模式，其中，所述第二处理模式表示采用所述图像去噪处理和所述细节增强处理对所述待处理图像进行串行处理；
其中，所述预设条件为：所述待处理图像的噪声强度值小于第一预设噪声强度值，且所述待处理图像的模糊强度值小于第一预设模糊强度值、以及所述待处理图像的噪声强度值大于第二图预设噪声强度值，且所述待处理图像的模糊强度值大于第二预设模糊强度值；所述第二图预设噪声强度值大于所述第一预设噪声强度值，所述第二预设模糊强度值大于所述第一预设噪声强度值。
6.根据权利要求5所述的方法，其特征在于，在所述处理模式为第二处理模式的情况下，按照所确定的处理模式和所述识别结果所指示的图像类型对所述待处理图像进行处理包括：
根据所述识别结果所指示的图像类型，确定第一目标处理模型和第二目标处理模型，其中，所述第一目标处理模型用于对所述识别结果所指示的图像类型的图像进行去噪处理，所述第二目标处理模型用于对所述识别结果所指示的图像类型的图像进行细节增强处理；
若所述待处理图像的噪声强度值大于或者等于所述待处理图像的模糊强度值，则通过所述第一目标处理模型对所述待处理图像进行图像去噪处理，得到第三目标图像；
通过所述第二目标处理模型对所述第三目标图像进行细节增强处理，得到第四目标图像；并将所述第四目标图像确定为所述处理之后的目标图像。
7.根据权利要求5所述的方法，其特征在于，在所述处理模式为第二处理模式的情况下，按照所确定的处理模式和所述识别结果所指示的图像类型对所述待处理图像进行处理还包括：
根据所述识别结果所指示的图像类型，确定第一目标处理模型和第二目标处理模型，其中，所述第一目标处理模型用于对所述识别结果所指示的图像类型的图像进行去噪处理，所述第二目标处理模型用于对所述识别结果所指示的图像类型的图像进行细节增强处理；
若所述待处理图像的噪声强度值小于所述待处理图像的模糊强度值，则通过所述第一目标处理模型对所述待处理图像进行细节增强处理，得到第五目标图像；
通过所述第二目标处理模型对第五目标图像进行去噪处理，得到第六目标图像；并将所述第六目标图像确定为所述处理之后的目标图像。
8.根据权利要求1所述的方法，其特征在于，根据所述识别结果所指示的所述待处理图像的噪声强度值和模糊强度值确定所述待处理图像的处理模式包括：
若所述待处理图像的噪声强度值大于第二预设噪声强度值，且所述待处理图像的模糊强度值大于第二预设模糊强度值，则确定所述待处理图像的处理模式为第三处理模式，其中，所述第三处理模式表示不通过所述图像去噪处理和所述细节增强处理对所述待处理图像进行处理，并直接输出所述待处理图像。
9.根据权利要求3、6或7中任一项所述的方法，其特征在于，方法还包括：
构建第一训练集和第二训练集；其中，所述第一训练集中包括第一类型图像和第二类型图像，所述第二类型图像为所述第一类型图像添加噪声之后形成的；所述第二训练集中包括第三类型图像和第四类型图像，所述第四类型图像为所述第三类型图像添加噪声之后形成的，或者，所述第四类型图像为对所述第三类型图像依次进行降采样和升采样处理之后形成的；
通过所述第一训练集对第一初始目标处理模型进行训练，得到第一目标处理模型，并通过所述第二训练集对第二初始目标处理模型进行训练，得到第二目标处理模型。
10.一种图像处理装置，其特征在于，包括：
获取单元，用于获取待处理图像；
图像识别单元，用于对所述待处理图像进行识别，得到识别结果，其中，所述识别结果用于指示所述待处理图像的噪声强度值、模糊强度值和图像类型；
图像处理单元，用于根据所述识别结果所指示的所述待处理图像的噪声强度值和模糊强度值确定所述待处理图像的处理模式，并按照所确定的处理模式和所述识别结果所指示的图像类型对所述待处理图像进行处理，得到处理之后的目标图像；所述处理模式用于指示对所述待处理图像进行图像处理，所述图像处理包括：图像去噪处理和细节增强处理。
11.一种电子设备，包括存储器、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，其特征在于，处理器执行计算机程序时实现上述权利要求1至9中任一项所述的方法的步骤。
12.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，程序代码使处理器执行上述权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010545294.1A CN111696064B (zh) | 2020-06-15 | 2020-06-15 | 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 |
|---|---|---|---|
| CN202010545294.1A CN111696064B (zh) | 2020-06-15 | 2020-06-15 | 图像处理方法、装置、电子设备及计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111696064A true CN111696064A (zh) | 2020-09-22 |
| CN111696064B CN111696064B (zh) | 2023-08-18 |
Family
ID=72481057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010545294.1A Active CN111696064B (zh) | 2020-06-15 | 2020-06-15 | 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) | CN111696064B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361444A (zh) * | 2021-06-22 | 2021-09-07 | 北京容联易通信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN113592733A (zh) * | 2021-07-22 | 2021-11-02 | 北京小米移动软件有限公司 | 图像处理方法、装置、存储介质及电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090027488A (ko) * | 2007-09-12 | 2009-03-17 | 삼성전자주식회사 | 영상 복원 장치 및 방법 |
| CN102254305A (zh) * | 2011-06-30 | 2011-11-23 | 西安电子科技大学 | 基于三字典块匹配的图像复原方法 |
| JP2016118812A (ja) * | 2014-12-15 | 2016-06-30 | フリュー株式会社 | 画像処理装置および画像処理方法 |
| CN108230325A (zh) * | 2018-02-06 | 2018-06-29 | 浙江师范大学 | 基于卡通纹理分解的复合降质图像质量评价方法及系统 |
| WO2019096178A1 (zh) * | 2017-11-14 | 2019-05-23 | 深圳码隆科技有限公司 | 纤维检测方法、装置及电子设备 |
| US10394322B1 (en) * | 2018-10-22 | 2019-08-27 | Evolution Optiks Limited | Light field display, adjusted pixel rendering method therefor, and vision correction system and method using same |
| CN110378324A (zh) * | 2019-07-15 | 2019-10-25 | 易诚高科（大连）科技有限公司 | 一种基于质量维度的人脸识别算法评估方法 |
| EP3579180A1 (en) * | 2018-06-07 | 2019-12-11 | Beijing Kuangshi Technology Co., Ltd. | Image processing method and apparatus, electronic device and non-transitory computer-readable recording medium for selective image enhancement |
| RU2709661C1 (ru) * | 2018-09-19 | 2019-12-19 | Общество с ограниченной ответственностью "Аби Продакшн" | Обучение нейронных сетей для обработки изображений с помощью синтетических фотореалистичных содержащих знаки изображений |
| CN111028171A (zh) * | 2019-12-06 | 2020-04-17 | 北京金山云网络技术有限公司 | 确定图像噪声等级的方法、装置和服务器 |
-
2020
- 2020-06-15 CN CN202010545294.1A patent/CN111696064B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090027488A (ko) * | 2007-09-12 | 2009-03-17 | 삼성전자주식회사 | 영상 복원 장치 및 방법 |
| CN102254305A (zh) * | 2011-06-30 | 2011-11-23 | 西安电子科技大学 | 基于三字典块匹配的图像复原方法 |
| JP2016118812A (ja) * | 2014-12-15 | 2016-06-30 | フリュー株式会社 | 画像処理装置および画像処理方法 |
| WO2019096178A1 (zh) * | 2017-11-14 | 2019-05-23 | 深圳码隆科技有限公司 | 纤维检测方法、装置及电子设备 |
| CN108230325A (zh) * | 2018-02-06 | 2018-06-29 | 浙江师范大学 | 基于卡通纹理分解的复合降质图像质量评价方法及系统 |
| EP3579180A1 (en) * | 2018-06-07 | 2019-12-11 | Beijing Kuangshi Technology Co., Ltd. | Image processing method and apparatus, electronic device and non-transitory computer-readable recording medium for selective image enhancement |
| RU2709661C1 (ru) * | 2018-09-19 | 2019-12-19 | Общество с ограниченной ответственностью "Аби Продакшн" | Обучение нейронных сетей для обработки изображений с помощью синтетических фотореалистичных содержащих знаки изображений |
| US10394322B1 (en) * | 2018-10-22 | 2019-08-27 | Evolution Optiks Limited | Light field display, adjusted pixel rendering method therefor, and vision correction system and method using same |
| CN110378324A (zh) * | 2019-07-15 | 2019-10-25 | 易诚高科（大连）科技有限公司 | 一种基于质量维度的人脸识别算法评估方法 |
| CN111028171A (zh) * | 2019-12-06 | 2020-04-17 | 北京金山云网络技术有限公司 | 确定图像噪声等级的方法、装置和服务器 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361444A (zh) * | 2021-06-22 | 2021-09-07 | 北京容联易通信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN113361444B (zh) * | 2021-06-22 | 2021-12-14 | 北京容联易通信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN113592733A (zh) * | 2021-07-22 | 2021-11-02 | 北京小米移动软件有限公司 | 图像处理方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111696064B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10817984B2 (en) | Image preprocessing method and device for JPEG compressed file | |
| CN111275626A (zh) | 一种基于模糊度的视频去模糊方法、装置及设备 | |
| CN111695421B (zh) | 图像识别方法、装置及电子设备 | |
| CN109214996B (zh) | 一种图像处理方法及装置 | |
| WO2017185772A1 (zh) | 一种视频图像增强的方法、装置和计算机存储介质 | |
| WO2014070489A1 (en) | Recursive conditional means image denoising | |
| CN109255752B (zh) | 图像自适应压缩方法、装置、终端及存储介质 | |
| CN111696064B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN111882565B (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
| CN111445424A (zh) | 图像处理和移动终端视频处理方法、装置、设备和介质 | |
| CN113592776A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
| CN110796624B (zh) | 一种图像生成方法、装置及电子设备 | |
| CN115619683A (zh) | 图像处理方法、装置、设备、存储介质和计算机程序产品 | |
| CN111383191B (zh) | 用于血管断裂修复的图像处理方法及装置 | |
| CN112785572A (zh) | 图像质量评估方法、装置以及计算机可读存储介质 | |
| CN111325671B (zh) | 网络训练方法、装置、图像处理方法及电子设备 | |
| CN109712134B (zh) | 虹膜图像质量评价方法、装置及电子设备 | |
| CN114943649A (zh) | 图像去模糊方法、装置及计算机可读存储介质 | |
| CN114092407A (zh) | 一种视频会议共享文档清晰化处理方法和装置 | |
| KR101615479B1 (ko) | 적응적 전/후처리 필터링을 이용하는 초해상도 영상 처리 방법 | |
| CN116563172B (zh) | 一种vr全球化在线教育互动优化增强方法及装置 | |
| CN111028182A (zh) | 图像锐化方法、装置、电子设备及计算机可读存储介质 | |
| CN111311610A (zh) | 图像分割的方法及终端设备 | |
| CN111311573A (zh) | 枝条确定方法、装置及电子设备 | |
| CN113438386B (zh) | 一种应用于视频处理的动静判定方法及装置 |
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 |