CN113052771B - 图像处理方法、装置、电子设备和存储介质 - Google Patents
图像处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113052771B CN113052771B CN202110298303.6A CN202110298303A CN113052771B CN 113052771 B CN113052771 B CN 113052771B CN 202110298303 A CN202110298303 A CN 202110298303A CN 113052771 B CN113052771 B CN 113052771B
- Authority
- CN
- China
- Prior art keywords
- feature map
- channel
- convolution
- ith
- input feature
- 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 15
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 32
- 230000004913 activation Effects 0.000 claims description 9
- 239000004973 liquid crystal related substance Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了图像处理方法、装置、电子设备和存储介质，涉及人工智能领域，具体涉及计算机视觉和深度学习技术。具体实现方案为：基于预设的卷积核以及输入特征图执行N次卷积操作，得到N个单通道图像；其中，N为输入特征图和所述卷积核的通道数量；基于N个单通道图像，得到输入特征图的注意力信息；基于注意力信息对输入特征图进行去噪处理，得到输出特征图。本公开的技术方案能够提升去噪效果，并且减少计算量。
Description
技术领域
本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术。
背景技术
在自然生活中，受拍摄设备、光照条件、曝光时间的影响，大部分图像都会存在不同原因、不同程度的噪声。因此，图像去噪是常见的并具有现实价值的图像处理任务。对图像去噪的研究已经持续了数十年。利用人工设计的滤波算子和优化算法，传统的图像去噪方案已经取得了不错的效果，但是传统方案的速度往往较慢。近年来，得益于深度学习技术的飞速发展，基于深度学习的图像去噪方案被广泛应用于各种图像处理场景。为了取得更好的去噪效果，相关技术中，一般采用大规模的深度学习模型进行图像去噪。
发明内容
本公开提供了一种图像处理方法、装置、电子设备和存储介质。
根据本公开的一方面，提供了一种图像处理方法，包括：
基于预设的卷积核以及输入特征图执行N次卷积操作，得到N个单通道图像；其中，N为输入特征图和卷积核的通道数量；
基于N个单通道图像，得到输入特征图的注意力信息；
基于注意力信息对输入特征图进行去噪处理，得到输出特征图。
根据本公开的另一方面，提供了一种图像处理装置，包括：
重复卷积模块，用于基于预设的卷积核以及输入特征图执行N次卷积操作，得到N个单通道图像；其中，N为输入特征图和卷积核的通道数量；
注意力模块，用于基于N个单通道图像，得到输入特征图的注意力信息；
去噪模块，用于基于注意力信息对输入特征图进行去噪处理，得到输出特征图。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
本公开的技术方案，由于利用通道数量为N的卷积核，对包含N个通道的输入特征图执行了N次卷积操作得到N个单通道图像，并基于N个单通道图像得到注意力信息，因此，注意力信息中同时包含输入特征图的空间特征信息和通道特征信息。基于该注意力信息对输入特征图进行去噪处理，能够提升去噪效果，并且减少计算量。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是获取通道注意力信息的方式的示意图；
图2是获取空间注意力信息的方式的示意图；
图3是本公开一个实施例提供的图像处理方法的示意图；
图4是本公开另一个实施例提供的图像处理方法的示意图；
图5是本公开一个实施例提供的图像处理装置的示意图；
图6是本公开另一个实施例提供的图像处理装置的示意图；
图7是用来实现本公开实施例的图像处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在深度学习领域，基于注意力机制的图像去噪方案具备更好的去噪效果。但是，相关技术中，一般仅关注空间注意力或者通道注意力，需要分别获取空间注意力信息和通道注意力信息。例如，并行地获取空间注意力信息和通道注意力信息。又如，串行地或者说先后地获取空间注意力信息和通道注意力信息。
图1示出了获取通道注意力信息的方式的示意图。如图1所示，用于进行注意力信息提取的输入特征图11为多通道图像。例如，输入特征图是尺寸为C*H*W的图像。其中，C为通道数，H为图像高度，W为图像宽度，图像高度H和图像宽度C的单位可以是像素数量。对输入特征图进行GP(Global Pooling，全局池化)，得到多通道特征图12。多通道特征图12的尺寸为C*1*1。多通道特征图12经过FC(Fully Connected，全连接)层后得到缩小通道数的特征图13。例如，特征图13的尺寸可以为(C/M)*1*1，其中M为预定数值。再经过一个FC层将缩小通道数的特征图13拉伸为C*H*W的特征图14。利用激活函数S对特征图14进行激活处理，可以得到特征图15。特征图15的尺寸为C*H*W，其保留了输入特征图11中的通道特征信息。将特征图15与输入特征图11相乘，得到特征图16。特征图16为通道注意力信息。
图2示出了获取空间注意力信息的方式的示意图。如图2所示，用于进行注意力信息提取的输入特征图21为多通道图像。例如，输入特征图是尺寸为C*H*W的图像。其中，C为通道数，H为图像高度，W为图像宽度，图像高度H和图像宽度C的单位可以是像素数量。对输入特征图21进行卷积(Convolution，Cov)，得到单通道图像22。其中，卷积核的尺寸可以是1*C*K*K，其中，1表示卷积次数为1，C为通道数量，K为卷积核的平面尺寸。卷积核的通道数量与输入特征图的通道数量相同，基于该卷积核进行卷积得到的单通道图像22的尺寸为1*H*W，其保留了输入特征图21中的空间特征。利用激活函数S对单通道图像进行激活处理后与输入特征图21相乘，可以得到特征图23。特征图23为空间注意力信息。
可见，获取通道注意力信息和获取空间注意力信息的方式需要多步骤的操作，将其应用于图像处理模型中，将扩大模型的网络结构，增加网络参数，带来大量的计算开销。
为了解决上述技术问题中的至少一个，本公开实施例提供了一种图像处理方法。参见图3，该方法包括：
步骤S310，基于预设的卷积核以及输入特征图执行N次卷积操作，得到N个单通道图像；其中，N为输入特征图和卷积核的通道数量；
步骤S320，基于N个单通道图像，得到输入特征图的注意力信息；
步骤S330，基于注意力信息对输入特征图进行去噪处理，得到输出特征图。
其中，输入特征图的尺寸可以用N*H*W表示。其中，N为通道数，H为图像高度，W为图像宽度。例如，输入特征图的尺寸可以为N*128*128、N*128*64等。
示例性地，预设的卷积核的尺寸可以是1*N*K*K，K可以为任意正整数，例如1*N*1*1或1*N*2*2等。基于预设的卷积核对N通道的输入特征图执行一次卷积操作，可以得到一个单通道图像，该单通道图像保留有输入特征图的空间特征信息。上述步骤S310中利用预设的卷积核以及输入特征图执行N次卷积操作，也可以视为利用N*N*K*K的卷积核对输入特征图进行卷积。其中，第一个N表示卷积的次数，第二个N表示卷积核的通道数量，K表示卷积核的平面尺寸。
示例性地，输入特征图可以是输入图像处理模型的多通道特征图，也可以是图像处理模型中的部分模块对图像进行处理后生成的多通道特征图。该图像处理模型中包含基于注意力信息对图像进行去噪的过程。举例而言，可以基于注意力信息以及输入特征图进行融合或拼接等操作，得到输出特征图。输出特征图为去噪处理后的特征图，可以作为图像处理模型的输出，也可以用于进行图像分类、语义分割或目标检测，以利用去噪的特征图，提高图像分类、语义分割或目标检测的效果。
在本申请实施例中，基于与输入特征图具有相同通道数量的卷积核以及输入特征图执行N次操作，如此，可以得到N个单通道图像。基于N个单通道图像得到的注意力信息同时包含输入特征图的空间特征信息和通道特征信息，基于该注意力信息对输入特征图进行去噪处理，能够提升去噪效果。相比分别获取输入特征图的通道注意力信息和空间注意力信息，还能减小计算量。
在一种示例性的实施方式中，上述步骤S310，基于预设的卷积核以及输入特征图执行N次卷积操作，得到N个单通道图像，包括：
基于卷积核以及输入特征图执行第一次卷积操作，得到第一个N通道卷积特征图，并基于第一个N通道卷积特征图，得到N个单通道图像中的第一个单通道图像；
基于卷积核以及第i-1个N通道卷积特征图，执行第i次卷积操作，得到第i个N通道卷积特征图，并基于第i个N通道卷积特征图，得到N个单通道图像中的第i个单通道图像；其中，i为大于等于2且小于等于N的整数。
举例而言，基于1*N*K*K的卷积核对输入特征图或N通道卷积特征图执行卷积操作，相当于用N个K*K的卷积核，分别对输入特征图或N通道卷积特征图的N个通道进行卷积，可以得到每个通道的卷积结果，组合成N通道卷积特征图。对N通道卷积特征图中的各通道进行相加，可以得到相应的单通道图像。N通道卷积特征图用于进行下一次卷积，相应的单通道图像用于作为N个单通道图像中的一个，以得到注意力信息。
根据上述实施方式，用预设的卷积核对输入特征图进行卷积得到第一个N通道卷积特征图和第一个单通道图像；然后，用预设的卷积核对第一个N通道卷积特征图进行卷积得到第二个N通道卷积特征图和第二个单通道图像，依此类推，在用卷积核进行N次卷积后，可以得到N个单通道图像，以获得注意力信息。因此，基于上述实施方式，可以准确获取包含通道特征信息的注意力信息。
示例性地，上述基于第i个N通道卷积特征图，得到N个单通道图像中的第i个单通道图像，可以包括：对第i个N通道卷积特征图中的各通道进行相加，得到N个单通道图像中的第i个单通道图像。
相应地，上述基于第一个N通道卷积特征图，得到N个单通道图像中的第一个单通道图像，也可以包括：对第一个N通道卷积特征图中的各通道进行相加，得到N个单通道图像中的第一个单通道图像。
由于对N通道卷积特征图中的各通道进行相加，因此，每次卷积均能保留各通道的空间特征信息。如此，可以准确获取包含空间特征信息的注意力信息。
在一种示例性的实施方式中，上述步骤S320，基于N个单通道图像，得到输入特征图的注意力信息，包括：
基于N个单通道图像，得到包含N个通道的中间特征图；
对输入特征图和中间特征图进行相乘，得到输入特征图的注意力信息。
示例性地，可以将N个单通道图像组合得到中间特征图，也可以对N个单通道图像进行组合后再进行预定处理得到中间特征图。
本公开实施例中，对输入特征图和中间特征图进行相乘，可以是对输入特征图的N个通道的各像素和中间特征图的N个通道的各像素对应地相乘。由于对各像素点都进行处理，因此上述步骤属于像素稠密的注意力机制，有利于得到更准确的注意力信息，提高去噪效果。
在一种示例性的实施方式中，上述步骤S330，基于N个单通道图像，得到包含N个通道的中间特征图，包括：
利用N个单通道图像，组合得到包含N个通道的待激活特征图；
对待激活特征图进行激活处理，得到中间特征图。
根据上述实施方式，对N个单通道图像进行组合后，再进行激活处理，得到中间特征图，可以使中间特征图的特征信息更逼近输入特征图的通道特征信息和空间特征信息，有利于得到更准确的注意力信息，提高去噪效果。
图4示出了本公开一个应用示例的示意图。如图4所示，首先，基于尺寸为1*N*K*K的卷积核以及输入特征图41，执行N次卷积操作，或者说基于尺寸为N*N*K*K的卷积核对输入特征图41进行卷积(Cov)，得到由N个单通道图像组成的待激活特征图42。利用激活函数S对待激活特征图42进行激活处理后再与输入特征图41进行相乘，得到输出特征图43。基于此，实现了像素稠密的注意力机制，且得到的注意力信息既包含空间特征信息，也包含通道特征信息。
可见，根据本公开的图像处理方法，由于利用通道数量为N的卷积核，对包含N个通道的输入特征图执行了N次卷积操作得到N个单通道图像，并基于N个单通道图像得到注意力信息，因此，注意力信息中同时包含输入特征图的空间特征信息和通道特征信息。基于该注意力信息对输入特征图进行去噪处理，能够在不增加计算规模的情况下提升去噪效果。
作为上述各方法的实现，本公开实施例还提供一种图像处理装置。如图5所示，图像处理装置包括：
重复卷积模块510，用于基于预设的卷积核以及输入特征图执行N次卷积操作，得到N个单通道图像；其中，N为输入特征图和卷积核的通道数量；
注意力模块520，用于基于N个单通道图像，得到输入特征图的注意力信息；
去噪模块530，用于基于注意力信息对输入特征图进行去噪处理，得到输出特征图。
示例性地，如图6所示，重复卷积模块510包括：
第一卷积单元511，用于基于卷积核以及输入特征图执行第一次卷积操作，得到第一个N通道卷积特征图，并基于第一个N通道卷积特征图，得到N个单通道图像中的第一个单通道图像；
第二卷积单元512，用于基于卷积核以及第i-1个N通道卷积特征图，执行第i次卷积操作，得到第i个N通道卷积特征图，并基于第i个N通道卷积特征图，得到N个单通道图像中的第i个单通道图像；其中，i为大于等于2且小于等于N的整数。
示例性地，第二卷积单元512用于：
对第i个N通道卷积特征图中的各通道进行相加，得到N个单通道图像中的第i个单通道图像。
示例性地，如图6所示，注意力模块520包括：
预处理单元521，用于基于N个单通道图像，得到包含N个通道的中间特征图；
相乘单元522，用于对输入特征图和中间特征图进行相乘，得到输入特征图的注意力信息。
示例性地，预处理单元521用于：
利用N个单通道图像，组合得到包含N个通道的待激活特征图；
对待激活特征图进行激活处理，得到中间特征图。
本公开实施例各装置中的各单元、模块或子模块的功能可以参见上述方法实施例中的对应描述，在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本公开的实现。
如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如图像处理方法。例如，在一些实施例中，图像处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的图像处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (8)
1.一种图像处理方法，包括：
基于预设的卷积核以及输入特征图执行N次卷积操作，得到N个单通道图像；其中，N为所述输入特征图和所述卷积核的通道数量；
基于所述N个单通道图像，得到所述输入特征图的注意力信息；
基于所述注意力信息对所述输入特征图进行去噪处理，得到输出特征图；
其中，所述基于所述N个单通道图像，得到所述输入特征图的注意力信息，包括：
基于所述N个单通道图像，得到包含N个通道的中间特征图；
对所述输入特征图和所述中间特征图进行相乘，得到所述输入特征图的注意力信息；
其中，所述基于所述N个单通道图像，得到包含N个通道的中间特征图，包括：
利用所述N个单通道图像，组合得到包含N个通道的待激活特征图；
对所述待激活特征图进行激活处理，得到所述中间特征图。
2.根据权利要求1所述的方法，其中，所述基于预设的卷积核以及输入特征图执行N次卷积操作，得到N个单通道图像，包括：
基于所述卷积核以及所述输入特征图执行第一次卷积操作，得到第一个N通道卷积特征图，并基于所述第一个N通道卷积特征图，得到所述N个单通道图像中的第一个单通道图像；
基于所述卷积核以及第i-1个N通道卷积特征图，执行第i次卷积操作，得到第i个N通道卷积特征图，并基于所述第i个N通道卷积特征图，得到所述N个单通道图像中的第i个单通道图像；其中，i为大于等于2且小于等于N的整数。
3.根据权利要求2所述的方法，其中，所述基于所述第i个N通道卷积特征图，得到所述N个单通道图像中的第i个单通道图像，包括：
对所述第i个N通道卷积特征图中的各通道进行相加，得到所述N个单通道图像中的第i个单通道图像。
4.一种图像处理装置，包括：
重复卷积模块，用于基于预设的卷积核以及输入特征图执行N次卷积操作，得到N个单通道图像；其中，N为所述输入特征图和所述卷积核的通道数量；
注意力模块，用于基于所述N个单通道图像，得到所述输入特征图的注意力信息；
去噪模块，用于基于所述注意力信息对所述输入特征图进行去噪处理，得到输出特征图；
其中，所述注意力模块包括：
预处理单元，用于基于所述N个单通道图像，得到包含N个通道的中间特征图；
相乘单元，用于对所述输入特征图和所述中间特征图进行相乘，得到所述输入特征图的注意力信息；
其中，所述预处理单元用于：
利用所述N个单通道图像，组合得到包含N个通道的待激活特征图；
对所述待激活特征图进行激活处理，得到所述中间特征图。
5.根据权利要求4所述的装置，其中，所述重复卷积模块，包括：
第一卷积单元，用于基于所述卷积核以及所述输入特征图执行第一次卷积操作，得到第一个N通道卷积特征图，并基于所述第一个N通道卷积特征图，得到所述N个单通道图像中的第一个单通道图像；
第二卷积单元，用于基于所述卷积核以及第i-1个N通道卷积特征图，执行第i次卷积操作，得到第i个N通道卷积特征图，并基于所述第i个N通道卷积特征图，得到所述N个单通道图像中的第i个单通道图像；其中，i为大于等于2且小于等于N的整数。
6.根据权利要求5所述的装置，其中，所述第二卷积单元用于：
对所述第i个N通道卷积特征图中的各通道进行相加，得到所述N个单通道图像中的第i个单通道图像。
7. 一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110298303.6A CN113052771B (zh) | 2021-03-19 | 2021-03-19 | 图像处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110298303.6A CN113052771B (zh) | 2021-03-19 | 2021-03-19 | 图像处理方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113052771A CN113052771A (zh) | 2021-06-29 |
| CN113052771B true CN113052771B (zh) | 2023-09-05 |
Family
ID=76513901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110298303.6A Active CN113052771B (zh) | 2021-03-19 | 2021-03-19 | 图像处理方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052771B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110781893A (zh) * | 2019-09-24 | 2020-02-11 | 浙江大华技术股份有限公司 | 特征图的处理方法、图像处理方法、装置以及存储介质 |
| CN112101456A (zh) * | 2020-09-15 | 2020-12-18 | 推想医疗科技股份有限公司 | 注意力特征图获取方法及装置、目标检测的方法及装置 |
| CN112233038A (zh) * | 2020-10-23 | 2021-01-15 | 广东启迪图卫科技股份有限公司 | 基于多尺度融合及边缘增强的真实图像去噪方法 |
| CN112419184A (zh) * | 2020-11-19 | 2021-02-26 | 重庆邮电大学 | 一种综合局部信息和全局信息的空间注意力图像去噪方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10783622B2 (en) * | 2018-04-25 | 2020-09-22 | Adobe Inc. | Training and utilizing an image exposure transformation neural network to generate a long-exposure image from a single short-exposure image |
| US11836971B2 (en) * | 2018-08-23 | 2023-12-05 | Samsung Electronics Co., Ltd. | Method and device with convolution neural network processing |
-
2021
- 2021-03-19 CN CN202110298303.6A patent/CN113052771B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110781893A (zh) * | 2019-09-24 | 2020-02-11 | 浙江大华技术股份有限公司 | 特征图的处理方法、图像处理方法、装置以及存储介质 |
| CN112101456A (zh) * | 2020-09-15 | 2020-12-18 | 推想医疗科技股份有限公司 | 注意力特征图获取方法及装置、目标检测的方法及装置 |
| CN112233038A (zh) * | 2020-10-23 | 2021-01-15 | 广东启迪图卫科技股份有限公司 | 基于多尺度融合及边缘增强的真实图像去噪方法 |
| CN112419184A (zh) * | 2020-11-19 | 2021-02-26 | 重庆邮电大学 | 一种综合局部信息和全局信息的空间注意力图像去噪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 潘凯 ; 侯亮 ; .基于卷积神经网络的遥感图像降噪.现代信息科技.2020,(12),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113052771A (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111104962B (zh) | 图像的语义分割方法、装置、电子设备及可读存储介质 | |
| CN112990204B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
| JP2023531350A (ja) | サンプル画像を増分する方法、画像検出モデルの訓練方法及び画像検出方法 | |
| CN113393371B (zh) | 一种图像处理方法、装置及电子设备 | |
| CN112488060B (zh) | 目标检测方法、装置、设备和介质 | |
| US10180782B2 (en) | Fast image object detector | |
| CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
| CN113657518B (zh) | 训练方法、目标图像检测方法、装置、电子设备以及介质 | |
| CN112508005B (zh) | 用于处理图像的方法、装置、设备以及存储介质 | |
| CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
| CN113052771B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| US20230005171A1 (en) | Visual positioning method, related apparatus and computer program product | |
| CN113657408B (zh) | 确定图像特征的方法、装置、电子设备和存储介质 | |
| CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 | |
| CN114037630A (zh) | 一种模型训练及图像去雾方法、装置、设备及存储介质 | |
| CN114093006A (zh) | 活体人脸检测模型的训练方法、装置、设备以及存储介质 | |
| CN113112398A (zh) | 图像处理方法和装置 | |
| CN116012873B (zh) | 一种行人重识别方法、装置、电子设备及存储介质 | |
| CN115456167B (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
| CN116342434B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN114327346B (zh) | 显示方法、显示装置、电子设备以及存储介质 | |
| CN113962871A (zh) | 一种图像去噪方法、存储介质及终端设备 | |
| CN115690016A (zh) | 图像质量检测方法、装置、电子设备及存储介质 | |
| CN113052173A (zh) | 样本数据的特征增强方法和装置 |
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 |