CN112419146B - 一种图像处理方法、装置及终端设备 - Google Patents
一种图像处理方法、装置及终端设备 Download PDFInfo
- Publication number
- CN112419146B CN112419146B CN201910770738.9A CN201910770738A CN112419146B CN 112419146 B CN112419146 B CN 112419146B CN 201910770738 A CN201910770738 A CN 201910770738A CN 112419146 B CN112419146 B CN 112419146B
- Authority
- CN
- China
- Prior art keywords
- image
- processing
- scale
- convolution layer
- data
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 109
- 238000000034 method Methods 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000013341 scale-up Methods 0.000 claims 3
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development 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
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明适用于图像处理技术领域,提供了一种图像处理方法、装置及终端设备,通过获取待处理图像,再对所述待处理图像的数据维度进行预设变换,并对经预设变换后的图像数据进行归一化处理,然后对经归一化处理后的图像数据进行特征提取,得到提取后的特征图像,按预设方式对所述特征图像进行尺度超分处理,并将经尺度超分处理后的所述特征图像输入至卷积层进行处理,经所述卷积层输出所需尺度的目标图像,从而使得仅需提取一次特征图像即可对同一待处理图像进行任意尺度的超分,有效满足了人们对非整数倍的图像超分的需求,并有效提高了任意尺度图像超分的效率,而且经卷积层对超分后的图像进行重建,使得图像超分效果更好。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种图像处理方法、装置及终端 设备。
背景技术
超分辨率图像重建是计算机视觉和图像处理领域的一个重要研究方向,在 大量的电子图像应用领域,人们经常期望得到任意尺度的高分辨率图像。高分 辨率意味着图像中的像素密度高,能够提供更多的细节,而这些细节在许多实 际应用中不可或缺。
随着深度学习方法的快速发展,进一步促进了超分辨率图像重建方法的进 步,基于深度学习的图像超分辨率技术取得了前所未有的突破,如EDSR、 ESRGAN等超分技术。然而这些超分方法均存在一个约束:图像超分尺度需要 事先设定且只能进行整数倍超分(如2、3、4以及8倍超分),而对于非1.5倍、 2.5倍这种非整数倍超分则无法满足。而在实际应用中,任意倍数的图像超分往往具有更多的应用。
发明内容
有鉴于此,本发明实施例提供了一种图像处理方法、装置及终端设备,以 解决现有利用图像超分过程无法满足人们对非整数倍的图像超分的需求的问题。
本发明实施例的第一方面提供了一种图像处理方法,包括:
获取待处理图像;
对所述待处理图像的数据维度进行预设变换,并对经预设变换后的图像数 据进行归一化处理;
对经归一化处理后的图像数据进行特征提取,得到提取后的特征图像;
按预设方式对所述特征图像进行尺度超分处理,并将经尺度超分处理后的 所述特征图像输入至卷积层进行处理,经所述卷积层输出所需尺度的目标图像。
本发明实施例的第二方面提供了一种图像处理装置,包括:
图像获取单元,用于获取待处理图像;
图像数据处理单元,用于对所述待处理图像的数据维度进行预设变换,并 对经预设变换后的图像数据进行归一化处理;
图像特征提取单元,用于对经归一化处理后的图像数据进行特征提取,得 到提取后的特征图像;
图像超分处理单元,用于按预设方式对所述特征图像进行尺度超分处理, 并将经尺度超分处理后的所述特征图像输入至卷积层进行处理,经所述卷积层 输出所需尺度的目标图像。
本发明实施例的第三方面提供了一种终端设备,包括:
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算 机程序,其中,所述处理器执行所述计算机程序时实现本发明实施例的第一方 面提供的图像处理方法的步骤。
其中,所述计算机程序包括:
图像获取单元,用于获取待处理图像;
图像数据处理单元,用于对所述待处理图像的数据维度进行预设变换,并 对经预设变换后的图像数据进行归一化处理;
图像特征提取单元,用于对经归一化处理后的图像数据进行特征提取,得 到提取后的特征图像;
图像超分处理单元,用于按预设方式对所述特征图像进行尺度超分处理, 并将经尺度超分处理后的所述特征图像输入至卷积层进行处理,经所述卷积层 输出所需尺度的目标图像。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可 读存储介质存储有计算机程序,其中,所述计算机程序被处理器执行时实现本 发明实施例的第一方面提供的图像处理方法的步骤。
其中,所述计算机程序包括:
图像获取单元,用于获取待处理图像;
图像数据处理单元,用于对所述待处理图像的数据维度进行预设变换,并 对经预设变换后的图像数据进行归一化处理;
图像特征提取单元,用于对经归一化处理后的图像数据进行特征提取,得 到提取后的特征图像;
图像超分处理单元,用于按预设方式对所述特征图像进行尺度超分处理, 并将经尺度超分处理后的所述特征图像输入至卷积层进行处理,经所述卷积层 输出所需尺度的目标图像。
本发明实施例与现有技术相比存在的有益效果是:通过获取待处理图像, 再对所述待处理图像的数据维度进行预设变换,并对经预设变换后的图像数据 进行归一化处理,然后对经归一化处理后的图像数据进行特征提取,得到提取 后的特征图像,按预设方式对所述特征图像进行尺度超分处理,并将经尺度超 分处理后的所述特征图像输入至卷积层进行处理,经所述卷积层输出所需尺度的目标图像,从而使得仅需提取一次特征图像即可对同一待处理图像进行任意 尺度的超分,有效满足了人们对非整数倍的图像超分的需求,并有效提高了任 意尺度图像超分的效率,而且经卷积层对超分后的图像进行重建,使得图像超 分效果更好。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技 术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅 仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳 动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种图像处理方法的实现流程图;
图2是本发明实施例提供的一种对原始图像进行预处理的方法的具体实现 流程图;
图3是本发明实施例提供的一种按预设方式对所述特征图像进行尺度超分 处理,并将经尺度超分处理后的所述特征图像输入至卷积层进行处理,经所述 卷积层输出所需尺度的目标图像的方法的具体实现流程图;
图4是本发明实施例提供的一种权值不共享方式的示意图;
图5是本发明实施例提供的另一种按预设方式对所述特征图像进行尺度超 分处理,并将经尺度超分处理后的所述特征图像输入至卷积层进行处理,经所 述卷积层输出所需尺度的目标图像的方法的具体实现流程图;
图6是本发明实施例提供的一种权值共享方式的示意图;
图7是本发明实施例提供的一种图像处理装置的示意图;
图8是本发明实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术 之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中, 省略对众所周知的系统、系统、电路以及方法的详细说明,以免不必要的细节 妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。请参 考图1,图1示出了本发明实施例提供的一种图像处理方法的实现流程,详述 如下:
在步骤S101中,获取待处理图像。
在本发明实施例中,预定文件格式为RAW文件格式,也即上述待处理图 像为未经处理的RAW图像,亦为未经去马赛克、去噪等导致部分信息丢失的 无损图像,因而具有更为丰富的信息,从而可以得到更好的超分效果。
在步骤S102中,对所述待处理图像的数据维度进行预设变换,并对经预 设变换后的图像数据进行归一化处理。
在本发明实施例中,由于RAW图像中的数据是以如图2中所示的(Bayer 数据)形式进行排布的,在对RAW图像进行特征提取之前,需要对Bayer数 据的维度进行预设变换,即将2X2排布的Bayer数据转换为4X1向量形式排 布。
假设上述待处理图像的Bayer数据的维度为H×W×1,其中,H为该待处理 图像的高度,W为该待处理图像的宽度,对待处理图像的Bayer数据的维度进 行预设变换,具体为:
将待处理图像的数据的维度H×W×1变换为
在本发明实施例中,通过改变RAW图像的数据的维度,使得RAW图像 数据之间的干扰性更少,从而可以得到更好的超分效果。
在这里,对图像数据进行归一化处理的目的是使得图像数据映射到[0,1]数 据范围内,从而使得后续特征提取和图像任意尺度超分过程的效率更高。
在步骤S103中,对经归一化处理后的图像数据进行特征提取,得到提取 后的特征图像。
在本发明实施例中,通过特征提取模块对经归一化处理后的图像数据进行 特征提取,该特征提取模块在于提取更为抽象的图像特征,与其具体形式无关, 因此现有全卷积神经网络的特征提取模块均可以作为本发明实施例中的特征提 取模块,比如EDSR超分网络的残差模块、RDN超分网络中的RDB模块、SRDenseNet中的稠密连接模块、SENet中的SE模块、Inception网络中的 Inception模块或者ConvLstm模块。
在步骤S104中,按预设方式对所述特征图像进行尺度超分处理,并将经 尺度超分处理后的所述特征图像输入至卷积层进行处理,经所述卷积层输出所 需尺度的目标图像。
在本发明实施例中,将上述特征图像的大小设定为H×W,那么进行任意尺 度超分后得到的目标图像的大小即为(rH)×(rW),这里的r为任意超分尺度比如 1.1、1.2、1.6倍。
可选的,请参考图3,图3示出了本发明实施例提供一种按预设方式对特 征图像进行尺度超分处理,并将经尺度超分处理后的特征图像输入至卷积层进 行处理,经卷积层输出所需尺度的目标图像的方法的具体实现流程,详述如下:
在步骤S301中,基于双线性插值或双三次插值算法,构建所述目标图像 与所述特征图像中各个像素的位置关系。
在本发明实施例中,位置关系用于确保不同分辨率输入输出之间的正确对 应关系,这种对应关系采用双线性插值或者双三次插值方式构建。
在这里,假设特征图像的大小为Hin×Win,目标图像的大小为Hout×Wout,那 么,目标图像与特征图像的大小关系为Hout=r×Hin,Wout=r×Win,这里的r为任 意超分尺度,根据任意超分尺度,可以确定目标图像中各个像素的坐标(i,j)和 特征图像中各个像素的坐标(m,n)的位置关系为(m=i×r,n=j×r)或者为 (i=m/r,j=n/r)。
在步骤S302中,根据所述位置关系,通过所述目标图像的像素的第一坐 标确定所述特征图像对应像素的第二坐标。
在本发明实施例中,当目标图像的超分尺度r确定后,可以确定目标图像 中任意一点像素的坐标,其在特征图像中的对应像素的坐标,比如,当目标图 像中任意一点像素的第一坐标为(i,j)时,根据所构建的位置关系,可以确定其 在特征图像中的第二坐标则为(i/r,j/r)。
在步骤S303中,从所述特征图像中,选择以所述第二坐标为中心的局部 区域I。
在本发明实施例中,由于r为大于零的任意值,这时将无法保证第二坐标 的坐标值为整数,将会导致无法获取到对应的图像坐标,从而无法完成图像超 分处理或者使得图像失真较为严重,为了避免这一情况的出现,以参考坐标 (floor(i/r),floor(j/r))为中心,从特征图像中,选取一个k×k的区域作为局部区 域以确定最终位置(i,j)的输出像素,其中k为大于等于2的任意正整数。
比如,在一个应用场景中,假设通过(i,j)得到的输入特征图像中对应的坐 标为(floor(i/r),floor(j/r))=(7,7),那么,选取一个5×5的区域作为局部区域,该 局部区域在特征图像中对应为(5:9,5:9)这样一个5×5的像素区域。
在步骤S304中,根据权值参数V,构建所述目标图像的输出像素O与所述 局部区域I的权值关系。
在本发明实施例中,权值参数V为通过在全卷积神经网络中构建像素输入 与输出对,采用随机梯度下降法训练学习每个像素所得到的参数。即在步骤 S304之前,还包括:
构建像素输入与输出对,采用随机梯度下降法训练学习每个像素的权值参 数V。
在训练学习得到权值参数V后,按照预设公式构建目标图像的输出像素O 与局部区域I的权值关系,该预设公式具体如下:
O=V*I
在步骤S305中,将所述权值关系和所述局部区域I输入至卷积层进行图像 重建以得到所需尺度的目标图像。
在本发明实施例中,由于目标图像和特征图像中的各个像素的权值并不完 全相同,因此通过权值关系和局部区域所进行的任意尺度超分处理方式可以称 之为如图4所示的权值不共享方式。
在本发明实施例中,通过确定目标图像与特征图像的各个像素的位置关系, 再通过该位置关系,根据目标图像的像素的第一坐标确定特征图像中对应像素 的第二坐标,然后根据该第二坐标从特征图像中选取一个以其为中心坐标的, 大小为k×k的区域的像素作为局部区域I,以确定最终位置(i,j)的输出像素,然 后根据权值参数V,构建目标图像的输出像素O与局部区域I的权值关系,从而 实现任意尺度的图像超分处理。
可选的,请参考图5,图5示出了本发明实施例提供一种按预设方式对所 述特征图像进行尺度超分处理,并将经尺度超分处理后的所述特征图像输入至 卷积层进行处理,经所述卷积层输出所需尺度的目标图像的方法的具体实现流程,详述如下:
在步骤S501中,基于双线性插值或双三次插值算法,对所述特征图像进 行尺度上采样。
在本发明实施例中,尺度上采样为任意尺度的图像上采样,通过双线性插 值算法,或者双三次插值算法,对特征图像进行图像上采样,获得任意尺度的 特征图像。
在步骤S502中,将经尺度上采样得到的特征图像,输入至卷积层进行图 像重建以得到所需尺度的目标图像。
在本发明实施例中,在特征层基于双线性插值或双三次插值算法,对特征 特性进行任意尺度的图像上采样处理,从而得到任意尺度的特征图像。
由于双线性插值或双三次插值将导致图像细节的丢失,使得图像存在失真, 图像质量较差的情况出现,这时通过卷积层对上采样得到的特征图像进行重建, 以提升图像的细节信息,使得任意超分后的图像质量更好。
在这里,在将上采样得到的特征图像输入至卷积层之前,需要对该卷积层 的各个参数进行训练,以使得其能够适用于任意尺度下的图像处理操作。
在这里,由于卷积层中对特征图像的像素的权值并无具体要求,因此,基 于双线性插值或双三次插值算法,对特征特性进行任意尺度的图像上采样处理, 从而得到任意尺度的特征图像的方式也称之为如图6所示的权值共享方式。
可选的,为使得最终输出的目标图像的格式为符合人们日常习惯使用的 RGB图像格式,在步骤S104中,还包括:
对经卷积层输出的图像数据进行尺度缩放以及数据截断,使得最终输出的 目标图像的数据具有与RGB数据相同的范围。
在本发明实施例中,在卷积层对特征图像进行重建后,由于前面对待处理 图像的数据进行了归一化处理,这时需要对卷积层所输出的图像数据进行尺度 缩放,即将卷积层所输出的数据乘以255,以确保最终的输出具有与RGB数据相同的数据范围;经尺度缩放后,可能会存在超出[0,255]范围的数据,这时进 行数据截断处理,将小于0者置零,将大于255者置为255,从而使得最终输出的目标图像的数据具有与RGB数据相同的范围。。
在本发明实施例中,通过获取待处理图像,再对所述待处理图像的数据维 度进行预设变换,并对经预设变换后的图像数据进行归一化处理,然后对经归 一化处理后的图像数据进行特征提取,得到提取后的特征图像,按预设方式对 所述特征图像进行尺度超分处理,并将经尺度超分处理后的所述特征图像输入 至卷积层进行处理,经所述卷积层输出所需尺度的目标图像,从而使得仅需提取一次特征图像即可对同一待处理图像进行任意尺度的超分,有效满足了人们 对非整数倍的图像超分的需求,并有效提高了任意尺度图像超分的效率,而且 经卷积层对超分后的图像进行重建,使得图像超分效果更好。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后, 各过程的执行顺序应以其功能和内在逻辑控制,而不应对本发明实施例的实施 过程构成任何限定。
对应于上文实施例所述的一种图像处理方法,图7示出了本发明实施例提 供的一种图像处理装置的示意图,为了便于说明,仅示出了与本发明实施例相 关的部分。
参照图7,该装置包括:
图像获取单元71,用于获取待处理图像;
图像数据处理单元72,用于对所述待处理图像的数据维度进行预设变换, 并对经预设变换后的图像数据进行归一化处理;
图像特征提取单元73,用于对经归一化处理后的图像数据进行特征提取, 得到提取后的特征图像;
图像超分处理单元74,用于按预设方式对所述特征图像进行尺度超分处理, 并将经尺度超分处理后的所述特征图像输入至卷积层进行处理,经所述卷积层 输出所需尺度的目标图像。
可选的,所述图像数据处理单元72,具体还用于:
将所述待处理图像的数据的维度H×W×1变换为
其中,H为所述待处理图像的高度,W为所述待处理图像的宽度。
可选的,所述图像超分处理单元74,包括:
位置关系构建子单元,用于基于双线性插值或双三次插值算法,构建所述 目标图像与所述特征图像中各个像素的位置关系;
第二坐标确定子单元,用于根据所述位置关系,通过所述目标图像的像素 的第一坐标确定所述特征图像对应像素的第二坐标;
局部区域选择子单元,用于从所述特征图像中,选择以所述第二坐标为中 心的局部区域I;
权值关系构建子单元,用于根据权值参数V,构建所述目标图像的输出像 素O与所述局部区域I的权值关系;
第一图像重建子单元,用于将所述权值关系和所述局部区域I输入至卷积 层进行图像重建以得到所需尺度的目标图像。
可选的,所述图像超分处理单元74,还包括:
权值参数学习单元,用于构建像素输入与输出对,采用随机梯度下降法, 训练学习每个像素的权值参数V。
可选的,所述图像超分处理单元74,包括:
图像上采样子单元,用于基于双线性插值或双三次插值算法,对所述特征 图像进行尺度上采样;
第二图像重建子单元,用于将经尺度上采样得到的特征图像,输入至卷积 层进行图像重建以得到所需尺度的目标图像。
所述图像超分处理单元74,还具体用于:
对经卷积层输出的图像数据进行尺度缩放以及数据截断,使得最终输出的 目标图像的数据具有与RGB数据相同的范围。
在本发明实施例中,通过获取待处理图像,再对所述待处理图像的数据维 度进行预设变换,并对经预设变换后的图像数据进行归一化处理,然后对经归 一化处理后的图像数据进行特征提取,得到提取后的特征图像,按预设方式对 所述特征图像进行尺度超分处理,并将经尺度超分处理后的所述特征图像输入 至卷积层进行处理,经所述卷积层输出所需尺度的目标图像,从而使得仅需提取一次特征图像即可对同一待处理图像进行任意尺度的超分,有效满足了人们 对非整数倍的图像超分的需求,并有效提高了任意尺度图像超分的效率,而且 经卷积层对超分后的图像进行重建,使得图像超分效果更好。
图8是本发明一实施例提供的一种终端的示意图。如图8所示,该实施例 的终端设备8包括:处理器80、存储器81以及存储在所述存储器81中并可在 所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82 时实现上述各个图像处理方法实施例中的步骤,例如图1所示的步骤101至104。或者,所述处理器80执行所述计算机程序82时实现上述各系统实施例中各单 元的功能,例如图7所示模块71至74的功能。
示例性的,所述计算机程序82可以被分割成一个或多个单元,所述一个或 者多个单元被存储在所述存储器81中,并由所述处理器80执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段, 该指令段用于描述所述计算机程序82在所述终端设备8中的执行过程。例如, 所述计算机程序82可以被分割成图像获取单元71、图像数据处理单元72、图 像特征提取单元73、图像超分处理单元74,各单元具体功能如下:
图像获取单元71,用于获取待处理图像;
图像数据处理单元72,用于对所述待处理图像的数据维度进行预设变换, 并对经预设变换后的图像数据进行归一化处理;
图像特征提取单元73,用于对经归一化处理后的图像数据进行特征提取, 得到提取后的特征图像;
图像超分处理单元74,用于按预设方式对所述特征图像进行尺度超分处理, 并将经尺度超分处理后的所述特征图像输入至卷积层进行处理,经所述卷积层 输出所需尺度的目标图像。
可选的,所述图像数据处理单元72,具体还用于:
将所述待处理图像的数据的维度H×W×1变换为
其中,H为所述待处理图像的高度,W为所述待处理图像的宽度。
可选的,所述图像超分处理单元74,包括:
位置关系构建子单元,用于基于双线性插值或双三次插值算法,构建所述 目标图像与所述特征图像中各个像素的位置关系;
第二坐标确定子单元,用于根据所述位置关系,通过所述目标图像的像素 的第一坐标确定所述特征图像对应像素的第二坐标;
局部区域选择子单元,用于从所述特征图像中,选择以所述第二坐标为中 心的局部区域I;
权值关系构建子单元,用于根据权值参数V,构建所述目标图像的输出像 素O与所述局部区域I的权值关系;
第一图像重建子单元,用于将所述权值关系和所述局部区域I输入至卷积 层进行图像重建以得到所需尺度的目标图像。
可选的,所述图像超分处理单元74,还包括:
权值参数学习单元,用于构建像素输入与输出对,采用随机梯度下降法, 训练学习每个像素的权值参数V。
可选的,所述图像超分处理单元74,包括:
图像上采样子单元,用于基于双线性插值或双三次插值算法,对所述特征 图像进行尺度上采样;
第二图像重建子单元,用于将经尺度上采样得到的特征图像,输入至卷积 层进行图像重建以得到所需尺度的目标图像。
所述图像超分处理单元74,还具体用于:
对经卷积层输出的图像数据进行尺度缩放以及数据截断,使得最终输出的 目标图像的数据具有与RGB数据相同的范围。
所述终端设备8可包括,但不仅限于,处理器80、存储器81。本领域技术 人员可以理解,图8仅仅是终端设备8的示例,并不构成对终端设备8的限定, 可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例 如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),还 可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、 专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可 编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器 件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器81可以是所述终端设备8的内部存储单元,例如终端设备8 的硬盘或内存。所述存储器81也可以是所述终端设备8的外部存储设备,例如 所述终端设备8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。进一步地,所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。 所述存储器81用于存储所述计算机程序以及所述终端所需的其他程序和数据。 所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上 述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上 述功能分配由不同的功能单元、模块完成,即将所述系统的内部结构划分成不 同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功 能单元、模块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,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模 块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上 述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程, 在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详 述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示 例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来 实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用 和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现 所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的系统/终端设备和方法, 可以通过其它的方式实现。例如,以上所描述的系统/终端设备实施例仅仅是示 意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现 时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一 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讯连接可以是通过一些接口,系统或单元的间接耦合或 通讯连接,可以是电性,机械或其它的形式。
所述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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的 形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品 销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解, 本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中, 所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、 对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括: 能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、 磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机 存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法 管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根 据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;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:其 依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特 征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发 明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种图像处理方法,其特征在于,所述方法包括:
获取待处理图像;
对所述待处理图像的数据维度进行预设变换,并对经预设变换后的图像数据进行归一化处理;
对经归一化处理后的图像数据进行特征提取,得到提取后的特征图像;
按预设方式对所述特征图像进行尺度超分处理,并将经尺度超分处理后的所述特征图像输入至卷积层进行处理,经所述卷积层输出所需尺度的目标图像;
所述按预设方式对所述特征图像进行尺度超分处理,并将经尺度超分处理后的所述特征图像输入至卷积层进行处理,经所述卷积层输出所需尺度的目标图像的步骤,包括:
基于双线性插值或双三次插值算法,构建所述目标图像与所述特征图像中各个像素的位置关系;
根据所述位置关系,通过所述目标图像的像素的第一坐标确定所述特征图像对应像素的第二坐标;
从所述特征图像中,选择以所述第二坐标为中心的局部区域I;
根据权值参数V,构建所述目标图像的输出像素O与所述局部区域I的权值关系;
将所述权值关系和所述局部区域I输入至卷积层进行图像重建以得到所需尺度的目标图像。
2.如权利要求1所述的方法,其特征在于,所述对所述待处理图像的数据维度进行预设变换的步骤,包括:
将所述待处理图像的数据的维度H×W×1变换为
其中,H为所述待处理图像的高度,W为所述待处理图像的宽度。
3.如权利要求1所述的方法,其特征在于,在所述根据权值参数V,构建所述目标图像的输出像素O与所述局部区域I的权值关系的步骤之后,还包括:
构建像素输入与输出对,采用随机梯度下降法,训练学习每个像素的权值参数V。
4.如权利要求1所述的方法,其特征在于,所述按预设方式对所述特征图像进行尺度超分处理,并将经尺度超分处理后的所述特征图像输入至卷积层进行处理,经所述卷积层输出所需尺度的目标图像的步骤,包括:
基于双线性插值或双三次插值算法,对所述特征图像进行尺度上采样;
将经尺度上采样得到的特征图像,输入至卷积层进行图像重建以得到所需尺度的目标图像。
5.如权利要求1至4任一所述的方法,其特征在于,在所述按预设方式对所述特征图像进行尺度超分处理,并将经尺度超分处理后的所述特征图像输入至卷积层进行处理,经所述卷积层输出所需尺度的目标图像的步骤之后,还包括:
对经卷积层输出的图像数据进行尺度缩放以及数据截断,使得最终输出的目标图像的数据具有与RGB数据相同的范围。
6.如权利要求1至4任一所述的方法,其特征在于,所述待处理图像为RAW图像。
7.一种图像处理装置,其特征在于,所述装置包括:
图像获取单元,用于获取待处理图像;
图像数据处理单元,用于对所述待处理图像的数据维度进行预设变换,并对经预设变换后的图像数据进行归一化处理;
图像特征提取单元,用于对经归一化处理后的图像数据进行特征提取,得到提取后的特征图像;
图像超分处理单元,用于按预设方式对所述特征图像进行尺度超分处理,并将经尺度超分处理后的所述特征图像输入至卷积层进行处理,经所述卷积层输出所需尺度的目标图像;
所述图像超分处理单元,包括:
位置关系构建子单元,用于基于双线性插值或双三次插值算法,构建所述目标图像与所述特征图像中各个像素的位置关系;
第二坐标确定子单元,用于根据所述位置关系,通过所述目标图像的像素的第一坐标确定所述特征图像对应像素的第二坐标;
局部区域选择子单元,用于从所述特征图像中,选择以所述第二坐标为中心的局部区域I;
权值关系构建子单元,用于根据权值参数V,构建所述目标图像的输出像素O与所述局部区域I的权值关系;
第一图像重建子单元,用于将所述权值关系和所述局部区域I输入至卷积层进行图像重建以得到所需尺度的目标图像。
8.一种终端设备,包括存储器、处理器以及存储在所述存储器中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6任一项所述图像处理方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910770738.9A CN112419146B (zh) | 2019-08-20 | 2019-08-20 | 一种图像处理方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910770738.9A CN112419146B (zh) | 2019-08-20 | 2019-08-20 | 一种图像处理方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419146A CN112419146A (zh) | 2021-02-26 |
CN112419146B true CN112419146B (zh) | 2023-12-29 |
Family
ID=74779517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910770738.9A Active CN112419146B (zh) | 2019-08-20 | 2019-08-20 | 一种图像处理方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419146B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689435B (zh) * | 2021-09-28 | 2023-06-20 | 平安科技(深圳)有限公司 | 图像分割方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010092835A1 (ja) * | 2009-02-13 | 2010-08-19 | シャープ株式会社 | 画像処理装置、撮像装置、画像処理方法、画像処理プログラムおよび記録媒体 |
CN106600553A (zh) * | 2016-12-15 | 2017-04-26 | 华中科技大学 | 一种基于卷积神经网络的dem超分辨率方法 |
CN107358575A (zh) * | 2017-06-08 | 2017-11-17 | 清华大学 | 一种基于深度残差网络的单幅图像超分辨率重建方法 |
CN108288251A (zh) * | 2018-02-11 | 2018-07-17 | 深圳创维-Rgb电子有限公司 | 图像超分辨率方法、装置及计算机可读存储介质 |
CN109903221A (zh) * | 2018-04-04 | 2019-06-18 | 华为技术有限公司 | 图像超分方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103889879B (zh) * | 2011-10-19 | 2017-03-22 | 克朗设备公司 | 识别、匹配并跟踪图像序列中的多个对象 |
CN107492071B (zh) * | 2017-08-17 | 2021-04-27 | 京东方科技集团股份有限公司 | 医学图像处理方法及设备 |
-
2019
- 2019-08-20 CN CN201910770738.9A patent/CN112419146B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010092835A1 (ja) * | 2009-02-13 | 2010-08-19 | シャープ株式会社 | 画像処理装置、撮像装置、画像処理方法、画像処理プログラムおよび記録媒体 |
CN106600553A (zh) * | 2016-12-15 | 2017-04-26 | 华中科技大学 | 一种基于卷积神经网络的dem超分辨率方法 |
CN107358575A (zh) * | 2017-06-08 | 2017-11-17 | 清华大学 | 一种基于深度残差网络的单幅图像超分辨率重建方法 |
CN108288251A (zh) * | 2018-02-11 | 2018-07-17 | 深圳创维-Rgb电子有限公司 | 图像超分辨率方法、装置及计算机可读存储介质 |
CN109903221A (zh) * | 2018-04-04 | 2019-06-18 | 华为技术有限公司 | 图像超分方法及装置 |
Non-Patent Citations (2)
Title |
---|
Super-Resolution Reconstruction of Radio Tomographic Image;Cheng Sun等;《2016 IEEE 83rd Vehicular Technology Conference》;5 pp * |
基于深度学习的医学图像处理;黄宣珲;《中国新通信》;第21卷(第3期);103-105 * |
Also Published As
Publication number | Publication date |
---|---|
CN112419146A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10853916B2 (en) | Convolution deconvolution neural network method and system | |
CN110136066B (zh) | 面向视频的超分辨率方法、装置、设备和存储介质 | |
US10019642B1 (en) | Image upsampling system, training method thereof and image upsampling method | |
CN108074215B (zh) | 图像升频系统及其训练方法、以及图像升频方法 | |
CN111369440B (zh) | 模型训练、图像超分辨处理方法、装置、终端及存储介质 | |
CN110322400B (zh) | 图像处理方法及装置、图像处理系统及其训练方法 | |
CN109146788A (zh) | 基于深度学习的超分辨率图像重建方法和装置 | |
CN109996023B (zh) | 图像处理方法和装置 | |
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 | |
JP2013518336A (ja) | 入力画像から増加される画素解像度の出力画像を生成する方法及びシステム | |
CN108876716B (zh) | 超分辨率重建方法及装置 | |
CN112997479B (zh) | 跨阶段跳跃连接处理图像的方法、系统和计算机可读介质 | |
CN112801904B (zh) | 一种基于卷积神经网络的混合退化图像增强方法 | |
CN112419152A (zh) | 一种图像超分辨率方法、装置、终端设备和存储介质 | |
CN114298900A (zh) | 图像超分方法和电子设备 | |
CN109685738A (zh) | 一种提升图像清晰度的方法及装置 | |
CN114494022B (zh) | 模型训练方法、超分辨率重建方法、装置、设备及介质 | |
CN107220934B (zh) | 图像重建方法及装置 | |
CN116071279A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN110838085A (zh) | 一种图像的超分辨率重建方法、装置及电子设备 | |
CN112419146B (zh) | 一种图像处理方法、装置及终端设备 | |
CN110136061B (zh) | 一种基于深度卷积预测与插值的分辨率提升方法及系统 | |
CN111724292B (zh) | 图像处理方法、装置、设备以及计算机可读介质 | |
Wu et al. | Wavelet Domain Multidictionary Learning for Single Image Super‐Resolution | |
CN112488916B (zh) | 一种图像超分重建模型的训练方法和计算机设备 |
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 |