CN111724308A - 模糊图像处理方法及系统 - Google Patents
模糊图像处理方法及系统 Download PDFInfo
- Publication number
- CN111724308A CN111724308A CN202010597598.2A CN202010597598A CN111724308A CN 111724308 A CN111724308 A CN 111724308A CN 202010597598 A CN202010597598 A CN 202010597598A CN 111724308 A CN111724308 A CN 111724308A
- Authority
- CN
- China
- Prior art keywords
- image data
- processed
- instruction
- task
- blurred image
- 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 34
- 238000012545 processing Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims description 17
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003707 image sharpening Methods 0.000 claims description 8
- 230000008707 rearrangement Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 32
- 238000012549 training Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000002356 single layer Substances 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
- G06T3/4076—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 using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人工智能领域，提供一种模糊图像处理方法，包括接收用户创建任务指令；基于用户创建任务指令，生成图像上传指示指令；接收用户基于图像上传指示指令发送的超分辨任务处理指令，获取待处理模糊图像数据；获取待处理模糊图像数据的尺寸数据，根据尺寸数据对待处理模糊图像数据进行分类，以得到分类后的待处理模糊图像数据；对分类后的待处理模糊图像数据进行清晰化处理，以得到目标清晰图像数据，将目标清晰图像数据发送至客户终端。本发明提供模糊图像处理系统。本发明通过接收用户创建任务指令，使计算机设备响应用户创建任务指令，对用户创建的待处理模糊图像数据清晰化任务进行清晰化处理，操作简单，模糊图像清晰化效果较好。
Description
技术领域
本发明实施例涉及大数据领域，尤其涉及一种模糊图像处理方法及系统。
背景技术
图像超分辨率技术，是指利用图像处理方法将低分辨率图像重建为高分辨率图像的技术，可有效提升图像的清晰度，可以展示更多细节，更清晰文理，更细腻的图像画质，对于视频监控、相机拍照、高清电视、模糊的旧发票辨识、医学影像处理、图像局部画面放大等各领域，均具有重要意义。
常用的模糊图像超分辨处理包括基于插值法的超分辨率技术。基于插值法的超分辨率技术对模糊图像进行清晰化的处理，主要是使用低分辨率图像自身的像素信息，即模糊图像自身的像素信息，模糊图像每一个位置的像素点的清晰化处理是基于该像素点周围的信息进行插值，以完成模糊图像的清晰化处理。然而，基于插值法的超分辨率技术对模糊图像进行清晰化处理生成的图像存在精细程度低，纹理粗糙等问题，导致模糊图像清晰化效果较差。
发明内容
有鉴于此，本发明实施例提供了一种模糊图像处理方法、系统、计算机设备及计算机可读存储介质，用于解决采用插值法进行模糊图像清晰化处理得到的高分辨率图像的清晰化效果较差的问题。
本发明实施例是通过下述技术方案来解决上述技术问题：
一种模糊图像处理方法，包括：
接收用户创建任务指令，所述用户创建任务指令用于指示用户创建的待处理模糊图像清晰化任务；
基于所述用户创建任务指令，生成图像上传指示指令；
接收用户基于所述图像上传指示指令发送的超分辨任务处理指令，并获取待处理模糊图像数据；
获取所述待处理模糊图像数据的尺寸数据，根据所述待处理模糊图像数据的尺寸数据对所述待处理模糊图像数据进行分类，以得到根据尺寸数据分类后的待处理模糊图像数据；
对所述分类后的待处理模糊图像数据进行清晰化处理，以得到所述分类后的待处理模糊图像数据对应的目标清晰图像数据，并将所述目标清晰图像数据发送至客户终端。
进一步地，所述接收用户基于所述图像上传指示指令发送的超分辨任务处理指令，并获取待处理模糊图像数据还包括：
接收用户基于所述图像上传指示指令发送的超分辨任务处理指令；
将所述超分辨任务处理指令对应的超分辨任务添加至任务队列；
基于所述超分辨任务处理指令，生成任务反馈指令，以从任务队列中提取相应的超分辨任务，并获取待处理模糊图像数据。
进一步地，所述获取所述待处理模糊图像数据的尺寸数据，根据所述待处理模糊图像数据的尺寸数据对所述待处理模糊图像数据进行分类，以得到根据尺寸数据分类后的待处理模糊图像数据包括：
获取所述待处理模糊图像数据的尺寸数据；
根据所述待处理模糊图像数据的尺寸数据匹配相应比例的残差区块；
通过所述残差区块对所述待处理模糊图像数据进行预处理，以得到根据尺寸数据分类后的待处理模糊图像数据。
进一步地，所述对所述分类后的待处理模糊图像数据进行清晰化处理，以得到所述分类后的待处理模糊图像数据对应的目标清晰图像数据，并将所述目标清晰图像数据发送至客户终端包括：
对所述待处理模糊图像数据进行多次升采样和卷积操作，以得到目标清晰图像数据，并将所述目标清晰图像数据发送至客户终端。
进一步地，所述对所述待处理模糊图像数据进行卷积操作之后还包括：
对所述待处理模糊图像数据进行卷积操作，得到相应的卷积特征图；
对所述相应的卷积特征图进行填充操作，以使所述待处理模糊图像数据的尺寸数据与所述目标清晰图像数据的尺寸数据保持一致。
进一步地，所述得到目标清晰图像数据之前，还包括：
根据所述尺寸数据选择相应倍数的升采样单元；
通过所述升采样单元进行多尺度重建，以输出与所述待处理模糊图像数据相应的目标清晰图像数据。
进一步地，通过所述升采样单元进行多尺度重建，以输出与所述待处理模糊图像数据相应的目标清晰图像数据还包括：
对输入升采样单元的多个卷积特征图进行卷积、像素重排操作，以得到输出与所述待处理模糊图像数据相应的目标清晰图像数据，将所述目标清晰图像数据上传至区块链中。
为了实现上述目的，本发明实施例还提供一种模糊图像处理系统，包括：
接收指令模块，接收用户创建任务指令，所述用户创建任务指令用于指示用户创建的待处理模糊图像清晰化任务；
指令生成模块，用于基于所述用户创建任务指令，生成图像上传指示指令；
采集模块，用于接收用户基于所述图像上传指示指令发送的超分辨任务处理指令，并获取待处理模糊图像数据；
分类模块，用于获取所述待处理模糊图像数据的尺寸数据，根据所述待处理模糊图像数据的尺寸数据对所述待处理模糊图像数据进行分类，以得到根据尺寸数据分类后的待处理模糊图像数据；
清晰化处理模块，用于对所述分类后的待处理模糊图像数据进行清晰化处理，以得到所述分类后的待处理模糊图像数据对应的目标清晰图像数据，并将所述目标清晰图像数据发送至客户终端。
为了实现上述目的，本发明实施例还提供一种计算机设备，所述计算机设备包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述模糊图像处理方法的步骤。
为了实现上述目的，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如上所述的模糊图像处理方法的步骤。
本发明实施例提供的模糊图像处理方法、系统、计算机设备及计算机可读存储介质，通过接收用户创建任务指令，以使计算机设备响应所述用户创建任务指令，并对用户创建的待处理模糊图像数据清晰化任务进行清晰化处理，操作简单，模糊图像清晰化效果较好。
以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
附图说明
图1为本发明实施例一之模糊图像处理方法的步骤流程图；
图2为本发明实施例一之模糊图像处理方法中获取待处理模糊图像数据的步骤流程图；
图3为本发明实施例一之模糊图像处理方法中多尺度超分辨模型的训练的步骤流程图；
图4为本发明实施例一之模糊图像处理方法中得到尺寸数据分类后的待处理模糊图像数据的步骤流程图；
图5为本发明实施例一之模糊图像处理方法中对卷积特征图进行填充操作的步骤流程图；
图6为本发明实施例一之模糊图像处理方法中进行多尺度重建的步骤流程图；
图7为本发明实施例二之模糊图像处理系统的程序模块示意图；
图8为本发明实施例三之计算机设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
实施例一
请参阅图1，示出了本发明实施例之模糊图像处理方法的步骤流程图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。下面以计算机设备为执行主体进行示例性描述，具体如下：
如图1所示，所述模糊图像处理方法可以包括步骤S100～S500，其中
步骤S100，接收用户创建任务指令，所述用户创建任务指令用于指示用户创建的待处理模糊图像清晰化任务。
在示例性的实施例中，所述模糊图像处理方法基于云平台为用户提供了一步的模糊图像批量处理功能。可以理解为用户可以通过客户终端或者浏览器登录云平台，创建任务，并选择加入需要进行清晰化处理的待处理模糊图像数据，再选择云平台中的超分辨任务存储和处理，计算机设备并上传待处理模糊图像数据，
步骤S200，基于所述用户创建任务指令，生成图像上传指示指令。
步骤S300，接收用户基于所述图像上传指示指令发送的超分辨任务处理指令，并获取待处理模糊图像数据。
具体的，根据用户的实际任务需求，用户上传到计算机设备的待处理模糊图像数据可以是不同尺寸的待处理模糊图像数据。即计算机设备每次获取的待处理模糊图像数据可以是不同尺寸的。
在示例性的实施例中，所述模糊图像处理方法还包括异步获取待处理模糊图像数据，即基于云平台提供的异步的图像批处理功能。可以理解为，接收用户通过客户端或者浏览器登录上传要处理的图像，即待处理模糊图像数据。用户可以创建任务，选择其要加入待处理的图像，并选择超分辨任务处理。计算机设备则在用户创建超分辨任务时，接收用户创建任务指令，当用户选择超分辨任务存储时，接收超分辨任务上传指令，并基于所述超分辨任务上传指令将该超分辨任务加入队列中，以供任务调度系统分配资源进行处理，处理完成返回对应的处理结果，即返回对应的目标清晰图像数据。
在示例性的实施例中，请参阅图2，步骤S300还可以进一步包括：
步骤S301，接收用户基于所述图像上传指示指令发送的超分辨任务处理指令。
步骤S302，将所述超分辨任务处理指令对应的超分辨任务添加至任务队列。
步骤S303，基于所述超分辨任务处理指令，生成任务反馈指令，以从任务队列中提取相应的超分辨任务，并获取待处理模糊图像数据。
步骤S400，获取所述待处理模糊图像数据的尺寸数据，根据所述待处理模糊图像数据的尺寸数据对所述待处理模糊图像数据进行分类，以得到根据尺寸数据分类后的待处理模糊图像数据。
具体的，可以通过多尺度超分辨模型对所述待处理模糊图像数据进行清晰化处理。其中，多尺度超分辨模型为以深度残差网络构造基准模型，再由基准模型构造而成的。
其中，基准模型是去除了归一化层，对常规的深度残差网络进行了精简优化而得到的深度残差网络。去除了归一化层，GPU的内存使用率也会显著减少确保了深度残差网络的灵活性，降低了计算资源的消耗，在有限计算资源下获得更好的模型效果。可以扩大模型的尺寸来提升输出结果的质量，模型尺寸的扩展可以通过增加模型的深度和宽度来实现，其中，模型的深度通过增加基本单元数量来增加，模型的宽度通过调节单层参数个数来增加。
示例性的，基准模型包括第一卷积层、激活函数、第二卷积层、全连接层以及短路连接，短路连接由第一卷积层的输入连接到第二卷积层的输出端。
在示例性的实施例中，请参阅图3，所述方法还包括对所述多尺度超分辨模型的训练过程，具体包括步骤S610～S640，其中，
步骤S610，获取训练数据集。
具体的，从预设的数据库中获取若干自然高分辨率图像SR作为训练数据集。
步骤S620，对所述训练数据集中的待训练图像数据进行预处理，以得到目标输入训练图像数据。
具体的，采用双三插值法将该训练数据集中的自然高分辨率图像SR缩小到低分辨率尺寸，然后采用相同算法再将其放大到目标低分辨率图像LR(如放大2倍、3倍、4倍)，并将目标低分辨率图像LR进行N×N切分用作训练数据，所述训练数据为目标输入训练图像数据。自然高分辨率图像SR也进行N×N切分用作标签数据。
步骤S630，将所述目标输入训练图像数据输入所述多尺度超分辨模型中进行清晰化处理，以通过所述多尺度超分辨模型输出与目标输入训练图像数据对应的目标清晰化训练图像数据。
步骤S640，通过所述目标清晰化训练图像数据与相应的标签数据的差值，得到损失值，并基于损失值调整模型的参数，以得到优化后的多尺度超分辨模型。
具体的，所述方法通过ADAM优化器(梯度下降算法)、标准的反向传播算法以及均方误差MSE函数来调整深度残差网络的参数，以得到优化后的多尺度超分辨模型。可以理解为通过计算得到损失值，计算损失相对于深度残差网络参数的梯度，并动态调整每个参数的学习率，保持模型训练的稳定。
在示例性的实施例中，可以通过多尺度超分辨模型的预处理层对获取到的待处理模糊图像数据进行预处理操作，以得到根据尺寸数据分类后的待处理模糊图像数据。每个预处理层包括若干个残差块。示例性的，每一个预处理层包括两个5×5内核的残差块。通过在预处理层中采用较大的内核，可以使尺度特定的部分保持在低分辨率空间，在模型的早期阶段可以覆盖较大的接受域。
请参阅图4，步骤S400还可以进一步包括：
步骤S401，获取所述待处理模糊图像数据的尺寸数据。
步骤S402，根据所述待处理模糊图像数据的尺寸数据匹配相应比例的残差区块。
步骤S403，通过所述残差区块对所述待处理模糊图像数据进行预处理，以得到根据尺寸数据分类后的待处理模糊图像数据。
在示例性的实施例中，多尺度超分辨的每个尺度下的预处理层都有两个独自的残差块，之后经过若干个残差块、卷积层以及上采样层，最后再用各个尺度对应的上采样层来提高分辨率。所述多尺度超分辨模型至少包括：预处理层、若干卷积层、若干上采样层、若干残差网络输出层。具体的，多尺度超分辨模型的头部设置有预处理层，用于处理不同输入尺寸的待处理模糊图像数据的差异性，减少不同尺度的输入图像变化幅度；在多尺度超分辨模型的尾部并行拼接不同尺寸对应的上采样层，以进行多尺度重构。
步骤S500，对所述分类后的待处理模糊图像数据进行清晰化处理，以得到所述分类后的待处理模糊图像数据对应的目标清晰图像数据，并将所述目标清晰图像数据发送至客户终端。在示例性的实施例中，对所述待处理模糊图像数据进行多次升采样和卷积操作，以得到目标清晰图像数据，并将所述目标清晰图像数据发送至客户终端。
在示例性的实施例中，根据不同卷积层的不同的卷积核尺寸和卷积核数目对所述待处理模糊图像数据依次进行卷积操作，以通过每个卷积层得到不同尺寸的卷积特征图。可以理解为根据每个卷积层参数设置的不同，得到卷积特征图的尺寸也不同。例如，假设待处理模糊图像数据为33×33的图像块，那么将上述待处理模糊图像数据输入至所述多尺度超分辨模型中，第一层卷积层对应的卷积核为9×9，得到的卷积特征图的尺寸为(33-9)/1+1＝25，第二层卷积层对应的卷积核为1×1，得到的卷积特征图尺寸不变，第三层卷积层对应的卷积核5×5，得到特征图尺寸为(25-5)/1+1＝21。可以理解为，在每次卷积后，得到的卷积特征图的尺寸会变小，因此，在进行下一次卷积之前，可以对图像进行补0操作，使图像恢复到原来的尺寸。
请参阅图5，对所述待处理模糊图像数据进行卷积操作之后，所述方法还包括：
步骤S501，对所述待处理模糊图像数据进行卷积操作，得到相应的卷积特征图。
步骤S502，对所述相应的卷积特征图进行填充操作，以使所述待处理模糊图像数据的尺寸数据与所述目标清晰图像数据的尺寸数据保持一致。
不仅加深多尺度超分辨模型的深度，还保证待处理模糊图像数据和经过多尺度超分辨模型输出的目标清晰图像数据的尺寸数据保持一致。
在示例性的实施例中，请参阅图6，得到目标清晰图像数据之前，所述方法还包括：
步骤S511，根据所述尺寸数据选择相应倍数的升采样单元。
步骤S512，通过所述升采样单元进行多尺度重建，以输出与所述待处理模糊图像数据相应的目标清晰图像数据。
具体的，对输入升采样单元的多个卷积特征图进行卷积、像素重排操作，以得到输出与所述待处理模糊图像数据相应的目标清晰图像数据，将所述目标清晰图像数据上传至区块链中。
本发明的所述方法还可以基于目标清晰图像数据得到对应的摘要信息，具体来说，摘要信息由目标清晰图像数据进行散列处理得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证目标清晰图像数据是否被篡改。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。本发明实施例提供的模糊图像处理方法、系统、计算机设备及计算机可读存储介质，通过接收用户创建任务指令，以使计算机设备响应所述用户创建任务指令，并对用户创建的待处理模糊图像清晰化任务进行清晰化处理，用户只需要经过简单的任务设置，就能够完成使用人工智能对模糊图像进行超分辨清晰处理，操作简单，模糊图像清晰化效果较好。
实施例二
请继续参阅图7，示出了本发明模糊图像处理系统的程序模块示意图。在本实施例中，模糊图像处理系统20可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明，并可实现上述模糊图像处理方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述模糊图像处理系统20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能：
接收指令模块700，接收用户创建任务指令，所述用户创建任务指令用于指示用户创建的待处理模糊图像清晰化任务。
指令生成模块710，用于基于所述用户创建任务指令，生成图像上传指示指令。
采集模块720，用于接收用户基于所述图像上传指示指令发送的超分辨任务处理指令，并获取待处理模糊图像数据。
进一步地，采集模块720还用于：接收用户基于所述图像上传指示指令发送的超分辨任务处理指令；将所述超分辨任务处理指令对应的超分辨任务添加至任务队列；基于所述超分辨任务处理指令，生成任务反馈指令，以从任务队列中提取相应的超分辨任务，并获取待处理模糊图像数据。
分类模块730，用于获取所述待处理模糊图像数据的尺寸数据，根据所述待处理模糊图像数据的尺寸数据对所述待处理模糊图像数据进行分类，以得到根据尺寸数据分类后的待处理模糊图像数据。
进一步地，分类模块730还用于：获取所述待处理模糊图像数据的尺寸数据；根据所述待处理模糊图像数据的尺寸数据匹配相应比例的残差区块；通过所述残差区块对所述待处理模糊图像数据进行预处理，以得到根据尺寸数据分类后的待处理模糊图像数据。
清晰化处理模块740，用于对所述分类后的待处理模糊图像数据进行清晰化处理，以得到所述分类后的待处理模糊图像数据对应的目标清晰图像数据，并将所述目标清晰图像数据发送至客户终端。
进一步地，清晰化处理模块740还用于：对所述待处理模糊图像数据进行多次升采样和卷积操作，以得到目标清晰图像数据，并将所述目标清晰图像数据发送至客户终端。
实施例三
参阅图8，是本发明实施例三之计算机设备的硬件架构示意图。本实施例中，所述计算机设备2是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。该计算机设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图8所示，所述计算机设备2至少包括，但不限于，可通过系统总线相互通信连接存储器21、处理器22、网络接口23、以及模糊图像处理系统20。其中：
本实施例中，存储器21至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备2的内部存储单元，例如该计算机设备2的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备2的外部存储设备，例如该计算机设备2上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件，例如上述实施例的模糊图像处理系统20的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行模糊图像处理系统20，以实现上述实施例的模糊图像处理方法。
所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所述计算机设备2与其他电子装置之间建立通信连接。例如，所述网络接口23用于通过网络将所述计算机设备2与外部终端相连，在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(WidebandCode Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是，图8仅示出了具有部件20-23的计算机设备2，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本实施例中，存储于存储器21中的所述模糊图像处理系统20还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器21中，并由一个或多个处理器(本实施例为处理器22)所执行，以完成本发明。
例如，图7示出了所述实现模糊图像处理系统20实施例二的程序模块示意图，该实施例中，所述基于模糊图像处理系统20可以被划分为接收指令模块700、指令生成模块710、采集模块720、分类模块730以及清晰化处理模块740。其中，本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述模糊图像处理系统20在所述计算机设备2中的执行过程。所述程序模块700-740的具体功能在实施例二中已有详细描述，在此不再赘述。
实施例四
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储模糊图像处理系统20，被处理器执行时实现上述实施例的模糊图像处理方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种模糊图像处理方法，其特征在于，包括：
接收用户创建任务指令，所述用户创建任务指令用于指示用户创建的待处理模糊图像清晰化任务；
基于所述用户创建任务指令，生成图像上传指示指令；
接收用户基于所述图像上传指示指令发送的超分辨任务处理指令，并获取待处理模糊图像数据；
获取所述待处理模糊图像数据的尺寸数据，根据所述待处理模糊图像数据的尺寸数据对所述待处理模糊图像数据进行分类，以得到根据尺寸数据分类后的待处理模糊图像数据；
对所述分类后的待处理模糊图像数据进行清晰化处理，以得到所述分类后的待处理模糊图像数据对应的目标清晰图像数据，并将所述目标清晰图像数据发送至客户终端。
2.根据权利要求1所述的模糊图像处理方法，其特征在于，所述接收用户基于所述图像上传指示指令发送的超分辨任务处理指令，并获取待处理模糊图像数据还包括：
接收用户基于所述图像上传指示指令发送的超分辨任务处理指令；
将所述超分辨任务处理指令对应的超分辨任务添加至任务队列；
基于所述超分辨任务处理指令，生成任务反馈指令，以从任务队列中提取相应的超分辨任务，并获取待处理模糊图像数据。
3.根据权利要求1所述的模糊图像处理方法，其特征在于，所述获取所述待处理模糊图像数据的尺寸数据，根据所述待处理模糊图像数据的尺寸数据对所述待处理模糊图像数据进行分类，以得到根据尺寸数据分类后的待处理模糊图像数据包括：
获取所述待处理模糊图像数据的尺寸数据；
根据所述待处理模糊图像数据的尺寸数据匹配相应比例的残差区块；
通过所述残差区块对所述待处理模糊图像数据进行预处理，以得到根据尺寸数据分类后的待处理模糊图像数据。
4.根据权利要求3所述的模糊图像处理方法，其特征在于，所述对所述分类后的待处理模糊图像数据进行清晰化处理，以得到所述分类后的待处理模糊图像数据对应的目标清晰图像数据，并将所述目标清晰图像数据发送至客户终端包括：
对所述待处理模糊图像数据进行多次升采样和卷积操作，以得到目标清晰图像数据，并将所述目标清晰图像数据发送至客户终端。
5.根据权利要求4所述的模糊图像处理方法，其特征在于，所述对所述待处理模糊图像数据进行卷积操作之后还包括：
对所述待处理模糊图像数据进行卷积操作，得到相应的卷积特征图；
对所述相应的卷积特征图进行填充操作，以使所述待处理模糊图像数据的尺寸数据与所述目标清晰图像数据的尺寸数据保持一致。
6.根据权利要求4所述的模糊图像处理方法，其特征在于，所述得到目标清晰图像数据之前，还包括：
根据所述尺寸数据选择相应倍数的升采样单元；
通过所述升采样单元进行多尺度重建，以输出与所述待处理模糊图像数据相应的目标清晰图像数据。
7.根据权利要求1所述的模糊图像处理方法，其特征在于，通过所述升采样单元进行多尺度重建，以输出与所述待处理模糊图像数据相应的目标清晰图像数据还包括：
对输入升采样单元的多个卷积特征图进行卷积、像素重排操作，以得到输出与所述待处理模糊图像数据相应的目标清晰图像数据，将所述目标清晰图像数据上传至区块链中。
8.一种模糊图像处理系统，其特征在于，包括：
接收指令模块，接收用户创建任务指令，所述用户创建任务指令用于指示用户创建的待处理模糊图像清晰化任务；
指令生成模块，用于基于所述用户创建任务指令，生成图像上传指示指令；
采集模块，用于接收用户基于所述图像上传指示指令发送的超分辨任务处理指令，并获取待处理模糊图像数据；
分类模块，用于获取所述待处理模糊图像数据的尺寸数据，根据所述待处理模糊图像数据的尺寸数据对所述待处理模糊图像数据进行分类，以得到根据尺寸数据分类后的待处理模糊图像数据；
清晰化处理模块，用于对所述分类后的待处理模糊图像数据进行清晰化处理，以得到所述分类后的待处理模糊图像数据对应的目标清晰图像数据，并将所述目标清晰图像数据发送至客户终端。
9.一种计算机设备，所述计算机设备包括存储器、处理器以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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的模糊图像处理方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如权利要求1至7中任一项所述的模糊图像处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010597598.2A CN111724308A (zh) | 2020-06-28 | 2020-06-28 | 模糊图像处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010597598.2A CN111724308A (zh) | 2020-06-28 | 2020-06-28 | 模糊图像处理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111724308A true CN111724308A (zh) | 2020-09-29 |
Family
ID=72569060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010597598.2A Pending CN111724308A (zh) | 2020-06-28 | 2020-06-28 | 模糊图像处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111724308A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114495226A (zh) * | 2022-01-25 | 2022-05-13 | 成都鼎桥通信技术有限公司 | 基于无线执法记录仪的身份识别方法、装置、设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107967669A (zh) * | 2017-11-24 | 2018-04-27 | 腾讯科技（深圳）有限公司 | 图片处理的方法、装置、计算机设备及存储介质 |
| CN109064405A (zh) * | 2018-08-23 | 2018-12-21 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于双路径网络的多尺度图像超分辨率方法 |
| CN111127317A (zh) * | 2019-12-02 | 2020-05-08 | 深圳供电局有限公司 | 图像超分辨率重建方法、装置、存储介质和计算机设备 |
| CN111161150A (zh) * | 2019-12-30 | 2020-05-15 | 北京工业大学 | 一种基于多尺度注意级联网络的图像超分辨率重建方法 |
| CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
-
2020
- 2020-06-28 CN CN202010597598.2A patent/CN111724308A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107967669A (zh) * | 2017-11-24 | 2018-04-27 | 腾讯科技（深圳）有限公司 | 图片处理的方法、装置、计算机设备及存储介质 |
| CN109064405A (zh) * | 2018-08-23 | 2018-12-21 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于双路径网络的多尺度图像超分辨率方法 |
| CN111127317A (zh) * | 2019-12-02 | 2020-05-08 | 深圳供电局有限公司 | 图像超分辨率重建方法、装置、存储介质和计算机设备 |
| CN111161150A (zh) * | 2019-12-30 | 2020-05-15 | 北京工业大学 | 一种基于多尺度注意级联网络的图像超分辨率重建方法 |
| CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘遵雄;蒋中慧;任行乐;: "多尺度生成对抗网络的图像超分辨率算法", 科学技术与工程, no. 13 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114495226A (zh) * | 2022-01-25 | 2022-05-13 | 成都鼎桥通信技术有限公司 | 基于无线执法记录仪的身份识别方法、装置、设备 |
| CN114495226B (zh) * | 2022-01-25 | 2024-03-22 | 成都鼎桥通信技术有限公司 | 基于无线执法记录仪的身份识别方法、装置、设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112308866B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| US11887277B2 (en) | Removing compression artifacts from digital images and videos utilizing generative machine-learning models | |
| US11935217B2 (en) | Generating deep harmonized digital images | |
| CN114240954B (zh) | 网络模型的训练方法及装置、图像分割方法及装置 | |
| CN111597845A (zh) | 一种二维码检测方法、装置、设备及可读存储介质 | |
| US20240161240A1 (en) | Harmonizing composite images utilizing a semantic-guided transformer neural network | |
| CN108595211B (zh) | 用于输出数据的方法和装置 | |
| CN112241955A (zh) | 三维图像的碎骨分割方法、装置、计算机设备及存储介质 | |
| CN113361535A (zh) | 图像分割模型训练、图像分割方法及相关装置 | |
| CN113888635B (zh) | 视觉定位方法、相关装置 | |
| CN111724308A (zh) | 模糊图像处理方法及系统 | |
| CN108230332B (zh) | 文字图像的处理方法和装置、电子设备、计算机存储介质 | |
| CN113240042A (zh) | 图像分类预处理、图像分类方法、装置、设备及存储介质 | |
| CN112053343A (zh) | 用户图片数据的处理方法、装置、计算机设备及存储介质 | |
| US20230298148A1 (en) | Harmonizing composite images utilizing a transformer neural network | |
| CN115935909A (zh) | 一种文件生成方法、装置及电子设备 | |
| CN115760646A (zh) | 一种针对不规则孔洞的多模态人脸图像修复方法和系统 | |
| CN115841459A (zh) | 图像清晰度分值的确定方法及装置、介质、设备 | |
| CN114820938A (zh) | 一种元宇宙场景素材的建模方法及相关装置 | |
| CN111767395B (zh) | 基于图片的摘要生成方法与系统 | |
| CN113808011A (zh) | 一种基于特征融合的风格迁移方法、装置及其相关组件 | |
| CN113496468A (zh) | 深度图像的修复方法、装置和存储介质 | |
| CN113223102A (zh) | 一种图像获得方法及装置 | |
| US20230237778A1 (en) | Real time face swapping system and methods thereof | |
| US20240005561A1 (en) | Method for compressing model data and computer system |
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 |