CN113436292B - 图像处理方法、图像处理模型的训练方法、装置及设备 - Google Patents

图像处理方法、图像处理模型的训练方法、装置及设备 Download PDF

Info

Publication number
CN113436292B
CN113436292B CN202110765141.2A CN202110765141A CN113436292B CN 113436292 B CN113436292 B CN 113436292B CN 202110765141 A CN202110765141 A CN 202110765141A CN 113436292 B CN113436292 B CN 113436292B
Authority
CN
China
Prior art keywords
feature
image
feature map
matrix
enhanced
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
Application number
CN202110765141.2A
Other languages
English (en)
Other versions
CN113436292A (zh
Inventor
宋希彬
周定富
方进
张良俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110765141.2A priority Critical patent/CN113436292B/zh
Publication of CN113436292A publication Critical patent/CN113436292A/zh
Application granted granted Critical
Publication of CN113436292B publication Critical patent/CN113436292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T2207/20081—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本公开提供了一种图像处理方法，涉及深度学习领域，尤其涉及基于深度学习的超分辨率图像处理技术领域。具体实现方案为：将待处理图像输入卷积神经网络，得到上述待处理图像的特征图；对上述特征图执行卷积操作和重组操作，得到增强特征图；以及根据上述增强特征图执行图像重建，得到重建图像的图像数据。本公开还提供了一种图像处理模型的训练方法、一种图像处理装置、一种图像处理模型的训练装置、一种电子设备、一种存储有计算机指令的非瞬时性计算机可读存储介质及一种计算机程序产品。

Description

图像处理方法、图像处理模型的训练方法、装置及设备
技术领域
本公开涉及深度学习技术领域，尤其涉及基于深度学习的超分辨率图像处理技术领域。具体涉及一种图像处理方法、图像处理模型的训练方法、装置及设备。
背景技术
图像超分辨率处理以低分辨率的图像为输入，以有效的高质量的高分辨率图像为期望输出。图像超分辨率处理目前可以采用基于插值的实现方式、基于传统机器学习的实现方式、基于深度学习的实现方式。在超分辨图像处理中，需要对得到的特征进行增强，以便高效地提供更多的图像信息。
发明内容
本公开提供了一种图像处理方法、图像处理模型的训练方法、装置、电子设备及计算机程序产品。
根据本公开的一方面，提供了一种图像处理方法，包括：将待处理图像输入卷积神经网络，得到上述待处理图像的特征图；对上述特征图执行卷积操作和重组操作，得到增强特征图；以及根据上述增强特征图执行图像重建，得到重建图像的图像数据。
根据本公开的另一方面，提供了一种图像处理模型的训练方法，上述图像处理模型包括卷积神经网络和特征增强模型，上述方法包括：将样本图像输入卷积神经网络，得到上述样本图像的特征图；将上述样本图像的特征图输入到特征增强模型，对上述样本特征图执行卷积操作和重组操作，得到增强特征图；根据上述增强特征图执行图像重建，得到重建图像的图像数据；计算上述重建图像的图像数据与针对上述重建图像的监督图像的图像数据之间的相似度；以及调整上述卷积神经网络的卷积核参数，直至上述相似度大于等于预设阈值。
根据本公开的另一方面，提供了一种图像处理装置，包括：输入模块，用于将待处理图像输入卷积神经网络，得到上述待处理图像的特征图；卷积和重组模块，用于对上述特征图执行卷积操作和重组操作，得到增强特征图；以及重建模块，用于根据上述增强特征图执行图像重建，得到重建图像的图像数据。
根据本公开的另一方面，提供了一种图像处理模型的训练装置，包括：输入模块，用于将样本图像输入卷积神经网络，得到上述样本图像的样本特征图；卷积和重组模块，利用特征增强模型对上述样本特征图执行卷积操作和重组操作，得到增强特征图；重建模块，用于根据上述增强特征图执行图像重建，得到重建图像的图像数据；计算模块，用于计算上述重建图像的图像数据与针对上述重建图像的监督图像的图像数据之间的相似度；以及调整模块，用于调整上述卷积神经网络的卷积核参数，直至上述相似度大于等于预设阈值。
根据本公开的另一方面，供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行本公开实施例提供的方法。
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，其中，上述计算机指令用于使上述计算机执行本公开实施例提供的方法。
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，上述计算机程序在被处理器执行时实现本公开实施例提供的方法
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是根据本公开一个实施例的图像处理方法的流程图；
图2是根据本公开另一个实施例的图像处理方法流程图；
图3是根据本公开一个实施例的图像处理方法的原理图；
图4是根据本公开一个实施例的图像处理模型的训练方法的流程图；
图5是根据本公开一个实施例的图像处理模型的训练方法的流程图；
图6A是根据本公开一个实施例的应用该图像处理模型的生成超分辨率图像的模型的一个升采样单元的框图；
图6B是根据本公开一个实施例的应用该图像处理模型的生成超分辨率图像的模型的一个降采样单元的框图；
图7是根据本公开一个实施例的图像处理装置的框图；
图8是根据本公开一个实施例的图像处理模型的训练装置的框图；
图9示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
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。
图像超分辨率处理目前可以采用基于插值的实现方式、基于传统机器学习的实现方式、基于深度学习的实现方式。
一种基于深度学习的实现方式包括利用额外的训练数据集，使用传统的机器学习方法，如马尔科夫随机场、稀疏编码等模型学习低分辨率图像与高分辨率图像之间的非线性映射关系，进而使用学习到的非线性映射关系将低分辨率图像恢复为高分辨的图像。然而，传统机器学习模型的非线性表达能力往往有限，由此获得的模型非线性表达能力也有限，并不能很好地将低分辨率图像恢复为高分辨率图像。
一种基于深度学习的实现方式是指利用额外的训练数据集，使用深度学习方法，学习低分辨率图像与高分辨率图像之间的非线性映射关系，进而使用学习到的非线性映射关系将低分辨率图像恢复为高分辨的图像。但是，该实现方式中的网络模型和方法并不能充分的描述低分辨率深度图像与高分辨率图像之间的映射模型。
在基于深度学习的图像超分辨处理中，需要对特征图进行特征增强以在特征图中更高效地提供更多图像信息。
图1是本公开一个实施例的图像处理方法的流程图。
如图1所示，该图像处理方法100可以包括操作S110～操作S130。
在操作S110，将待处理图像输入卷积神经网络，得到上述待处理图像的特征图。
根据本公开实施例，上述卷积神经网络可以包括多个卷积层。
例如，多个卷积层按照一定的卷积核参数，可以对待处理图像进行卷积，得到至少一个特征图。
在操作S120，对上述特征图再次执行卷积操作和重组操作，得到增强特征图。
根据本公开实施例，对特征图执行至少一次卷积操作，并对得到的特征进行重组操作。
例如，可以对特征图执行两次卷积操作，得到两个特征。再对两个特征进行重组，例如将表征两个特征的矩阵相加、相乘等等。在一个示例中，将表征两个特征的矩阵相加得到矩阵作为表征增强特征图的矩阵，即得到增强特征图。
在操作S130，根据上述增强特征图执行图像重建，得到重建图像的图像数据。
例如，可以直接依据增强特征图重建图像，也可以对增强特征图进行加权，依据加权后的增强特征图重建图像。在一个示例中，可以利用自适应权重对上述增强特征图进行加权，得到经加权的增强特征图；利用该经加权的增强特征图执行图像重建，得到重建图像的图像数据。在一个示例中，自适应权重为a，增强特征图为Fh，经加权后的增强特征图为a*Fh。
例如，重建图像可以直接作为超分辨率图像。例如，可以将待处理图像更新为重建图像，重复执行多次上述操作，达到一定的条件后，最终得到的重建图像为超分辨率图像。
通过本公开实施例，可以将增强卷积处理后得到特征，进而可以据此增强特征重建图像后，可以得到高质量的超分辨率图像。
图2是根据本公开另一个实施例的图像处理方法流程图。
如图2所示，该图像处理方法220可以包括操作S221～操作S225。
在操作S221，对上述特征图执行第一卷积操作和重组操作，得到第一特征。
根据本公开实施例，可以对三维的特征图执行第一卷积操作，得到三维的初始第一特征，再对初始第一特征执行重组操作，得到二维的第一特征。
例如，上述特征图可以表示为F(c×h×w)，对该特征图执行第一卷积操作，可以得到初始第一特征Q′(c×h×w)，然后对初始第一特征Q′(c×h×w)执行重组操作，得到二维的第一特征Q(c×(h*w))。其中，c为图像通道数，在一个示例中，c＝3，表示R、G和B三个通道的图像。h表示特征图高度，w表示特征图宽度。
重组操作可以将指定矩阵变换为特定维数的矩阵，且矩阵中的元素个数保持不变。例如，可以使用Reshape操作等来实现。
在操作S222，对上述特征图执行第二卷积操作和重组操作，得到第二特征。
根据本公开实施例，可以对三维的特征图执行第二卷积操作，得到三维的初始第二特征，再对初始第二特征执行重组操作，得到二维的第二特征。
例如，上述特征图可以表示为F(c×h×w)，对该特征图执行第二卷积操作，可以得到初始第二特征H′(c×h×w)，然后对初始第二特征H′(c×h×w)执行重组操作，得到二维的第二特征H(c×(h*w))。
在操作S223，对上述特征图执行第三卷积操作，得到第三特征。
根据本公开实施例，可以对三维的特征图执行第二卷积操作，得到三维的第三特征。
例如，上述特征图可以表示为F(c×h×w)，对该特征图执行第二卷积操作，可以得到三维的第三特征F′(c×h×w)。
根据上述第一特征、第二特征、第三特征，得到上述增强特征图。下面将参考下述操作S224～操作S225进行详细说明。
在操作S224，根据上述第一特征和第二特征，得到权重矩阵。
根据本公开实施例，对第一特征或第二特征其中一个进行转置处理，并根据转置后的特征与另一个未转置的特征，得到权重矩阵。
例如，对第二特征H(c×(h*w))转置得到HT((h*w)×c)，对第一特征Q(c×(h*w))与转置后的第二特征HT((h*w)×c)进行矩阵乘法运算，得到初始权重矩阵M(c×c)，再对初始权重矩阵M(c×c)执行归一化操作，得到权重矩阵M′(c×c)。
在操作S225，利用上述权重矩阵对上述第三特征进行加权，得到经加权的第三特征。
根据本公开实施例，可以将经加权的第三特征作为上述增强特征图。
例如，对第三特征F′(c×h×w)与权重矩阵M′(c×c)进行矩阵乘法运算，得到的经加权的第三特征Fh作为增强特征图。
根据本公开实施例，可以将上述第三特征与经加权的第三特征相加，作为增强特征图。
例如，对第三特征F′(c×h×w)与权重矩阵M′(c×c)进行矩阵乘法运算，得到的经加权的第三特征Fh。再对Fh与F′进行矩阵加法运算，得到FO作为增强特征图。
图3是根据本公开一个实施例的图像处理方法的原理图。将结合图3来详细描述根据本公开实施例的图像处理方法。
如图3所示，待处理图像可以是一幅RGB图像。特征图F(c×h×w)301是利用例如卷积处理提取的待处理图像的特征图，表示待处理图像在某一尺度下的图像特征。c为图像通道数，在一个示例中，c＝3，表示R、G和B三个通道的图像。h表示特征图高度，w表示特征图宽度。
卷积层311对特征图F(c×h×w)301执行第一次卷积处理，得到初始第一特征Q′(c×h×w)，重组层321对初始第一特征Q′(c×h×w)执行重组操作，得到第一特征Q(c×(h*w))。本领域技术人员可以理解，卷积层311或重组层321的数量可以为一个或多个，本公开不对此进行限制。
卷积层312对特征图F(c×h×w)301执行第二次卷积处理，得到初始第二特征H′(c×h×w)304，重组层322对初始第二特征H′(c×h×w)304执行重组操作并转置，得到转置的第二特征HT((h*w)×c)305。
卷积层313对特征图F(c×h×w)301执行第三次卷积处理，得到第三特征F′(c×h×w)。
根据第一特征Q(c×(h*w))303和转置的第二特征HT((h*w)×c)305，得到权重矩阵M1′(c×c)307。在一个示例中，将第一特征Q(c×(h*w))303和转置的第二特征HT((h*w)×c)305相乘，得到初始权重矩阵M(c×c)，再利用softmax函数对M(c×c)进行归一化处理，得到权重矩阵M′(c×c)307。
根据权重矩阵M′(c×c)307和第三特征F′(c×h×w)306，得到增强特征图308。在一个示例中，权重矩阵M′(c×c)307和第三特征F′(c×h×w)306相乘得到经加权的第三特征Fh，该经加权的第三特征Fh可以直接作为增强特征图308。在另一个示例中，权重矩阵M′(c×c)307和第三特征F′(c×h×w)306相乘得到经加权的第三特征Fh(c×h×w)，该经加权的第三特征Fh(c×h×w)与第三特征F′(c×h×w)相加后的结果为增强特征图308。
图4是本公开一个实施例的图像处理模型的训练方法的流程图。
如图4所示，该图像处理模型的训练方法可以包括操作S410～S450。该图像处理模型包括卷积神经网络和特征增强模型。
在操作S410，将样本图像输入卷积神经网络，得到上述样本图像的特征图。
例如，卷积神经网络包括多个卷积层。多个卷积层按照一定的卷积核参数，可以对待处理图像进行卷积，得到至少一个特征图。
例如，样本图像可以是低分辨率图像。例如，样本图像也可以是高分辨率图像。
在操作S420，将上述样本图像的特征图输入到特征增强模型，对上述样本特征图执行卷积操作和重组操作，得到增强特征图。
根据本公开实施例，对样本图像的特征图执行至少一次卷积操作，并对得到的特征进行重组操作。
例如，可以对样本图像的特征图执行两次卷积操作，得到两个特征。再对两个特征进行重组，例如将表征两个特征的矩阵相加、相乘等等。在一个示例中，将表征两个特征的矩阵相加得到矩阵作为表征增强特征图的矩阵，即得到增强特征图。
在操作S430，根据上述增强特征图执行图像重建，得到重建图像的图像数据。
例如，可以直接依据增强特征图重建图像，也可以对增强特征图进行加权，依据加权后的增强特征图重建图像。在一个示例中，可以利用自适应权重对上述增强特征图进行加权，得到经加权的增强特征图。利用该经加权的增强特征图执行图像重建，得到重建图像的图像数据。在一个示例中，自适应权重为a，增强特征图为Fh经加权后的增强特征图为a*Fh，a也可以在该训练方法中进行训练。
在操作S440，计算上述重建图像的图像数据与针对上述重建图像的监督图像的图像数据之间的相似度。
例如，可以收集样本图像与监督图像作为训练集。
例如，该图像处理模型可以作为生成超分辨率图像的模型中的一个采样单元，利用该生成超分辨率图像的模型中其他采样单元生成的重建图像作为监督图像。
在操作S450，调整上述卷积神经网络的卷积核参数，直至上述相似度大于等于预设阈值。
例如，可以根据实际情况设置预设阈值，例如0.8。例如，可以调整上述自适应权重，直至上述相似度大于等于预设阈值。
通过本公开实施例，训练出的图像处理模型可生成高质量的增强特征图，进而可以据此增强特征重建图像后，可以得到高质量的超分辨率图像。
图5是根据本公开一个实施例的图像处理模型的训练方法的流程图。
如图5所示，该图像处理方法520可以包括操作S521～操作S525。
在操作S521，对上述特征图执行第一卷积操作和重组操作，得到第一特征。
根据本公开实施例，可以对三维的特征图执行第一卷积操作，得到三维的初始第一特征，再对初始第一特征执行重组操作，得到二维的第一特征。
例如，上述特征图可以表示为F1(c×h×w)，对该特征图执行第一卷积操作，可以得到初始第一特征Q1′(c×(h*w))，然后对初始第一特征Q′1(c×h×w)执行重组操作，得到二维的第一特征Q1(c×(h*w))。
在操作S522，对上述特征图执行第二卷积操作和重组操作，得到第二特征。
根据本公开实施例，可以对三维的特征图执行第二卷积操作，得到三维的初始第二特征，再对初始第二特征执行重组操作，得到二维的第二特征。
例如，上述特征图可以表示为F1(c×h×w)，对该特征图执行第二卷积操作，可以得到初始第二特征H′1(c×h×w)，然后对初始第二特征H′1(c×h×w)执行重组操作，得到二维的第二特征H1(c×(h*w))。
在操作S523，对上述特征图执行第三卷积操作，得到第三特征。
根据本公开实施例，可以对三维的特征图执行第二卷积操作，得到三维的第三特征。
例如，上述特征图可以表示为F1(c×h×w)，对该特征图执行第二卷积操作，可以得到三维的第三特征F1′(c×h×w)。
根据上述第一特征、第二特征、第三特征，得到上述增强特征图。下面将参考下述操作S524～操作S525进行详细说明。
在操作S524，根据上述第一特征和第二特征，得到权重矩阵。
根据本公开实施例，对第一特征或第二特征其中一个进行转置处理，并根据转置后的特征与另一个未转置的特征，得到权重矩阵。
例如，对第二特征H1(c×(h*w))转置得到
Figure BDA0003149985700000091
，对第一特征Q1′(c×(h*w))与转置后的第二特征
Figure BDA0003149985700000092
进行矩阵乘法运算，得到初始权重矩阵M1(c×c)，再对初始权重矩阵M1(c×c)执行归一化操作，得到权重矩阵M1′(c×c)。
在操作S525，利用上述权重矩阵对上述第三特征进行加权，得到经加权的第三特征。
根据本公开实施例，可以将经加权的第三特征作为上述增强特征图。
例如，对第三特征F1′(c×h×w)与权重矩阵M1′(c×c)进行矩阵乘法运算，得到的经加权的第三特征Fh1作为增强特征图。
根据本公开实施例，可以将上述第三特征与经加权的第三特征相加，作为增强特征图。
例如，对第三特征F1′(c×h×w)与权重矩阵M1′(c×c)进行矩阵乘法运算，得到的经加权的第三特征Fh1。再对Fh1与F1′进行矩阵加法运算，得到Fo1作为增强特征图。
图6A是根据本公开一个实施例的应用该图像处理模型的生成超分辨率图像的模型的一个升采样单元的框图。
如图6A所示，该升采样单元610包括多个第一卷积层611、特征增强模型612和第一重建层613。该升采样单元610是N级升采样单元中的一个，每级升采样单元可以生成一级第二图像，例如，第1级升采样单元以第一图像为输入，生成第1级第二图像，第2级升采样单元以第1级第二图像为输入生成第2级第二图像，......，第i级升采样单元根据第i-1级第二图像生成第i级第二图像，i＝2，......，N-1，第N级升采样单元根据第N-1级第二图像生成第N级第二图像。该升采样单元610可以作为第i级升采样单元生成第i级第二图像。
根据本公开实施例，第i级升采样单元的上述多个第一卷积层611以第i-1级升采样单元输出的第i-1级第二图像的图像数据为输入，得到具有相同尺寸的多个第一特征图。
例如，第一图像是一幅RGB图像，第i-1级第二图像也是一幅RGB图像，第i-1级第二图像的图像数据是一个彩色像素数组。在一个示例中，第i-1级第二图像的图像数据为一个128×128×3的彩色像素数组，多个第一卷积层对该128×128×3的彩色像素数组进行卷积操作后，得到3个128×128的第一特征图。在本示例中，为了便于描述，第一特征图的尺寸可以与第一图像(即，低分辨率图像)的尺寸相同。
根据本公开实施例，对上述多个第一特征图执行像素级加法，得到多尺度特征图。
例如，第一特征图可以以矩阵进行表示。在一个示例中，3个128×128的第一特征图对应的3个128×128的矩阵，对3个128×128的矩阵进行加法运算，得到的矩阵即多尺度特征图。在一个示例中，对3个128×128的矩阵进行加法运算前，可以将3个矩阵分别归一化。
根据本公开实施例，上述增强特征模型612以上述多尺度特征为输入，输出增强特征图，上述第一图像重建层613以上述增强特征图为输入，输出上述第i级第二图像的图像数据。
例如，增强特征模型对多尺度特征图进行卷积和重组，输出增强特征图。第一图像重建层对增强特征图进行反卷积，输出第i级第二图像的图像数据。例如，第一重建层对增强特征图进行至少一次反卷积，得到256×256×3的彩色像素数组为第i级第二图像的图像数据。本领域技术人员可以理解，可以使用各种图像重建方法利用特征图进行图像重建，本公开不对此进行限制。
图6B是本公开一个实施例的应用该图像处理模型的生成超分辨率图像的模型的一个降采样单元的框图。
如图6B所示，该降采样单元620包括多个第二卷积层621和第二重建层622。该降采样单元620是多个降采样单元中的一个，可以作为第N-i级降采样单元用来生成第N-i级训练图像。第1级降采样单元以第N级第二图像为输入，以第1级训练图像为输出，......，第N-i级降采样单元以第i+1级第二图像为输入，以第N-i级训练图像为输出，......，第N级降采样单元以第1级第二图像为输入，以第N级训练图像为输出。
根据本公开实施例，该降采样单元620的多个第二卷积层621以第i+1级第二图像的图像数据为输入，输出第二特征图。
例如，第一图像是一幅RGB图像，第i+1级第二图像也是一幅RGB图像。在一个示例中，第i+1级第二图像的图像数据为一个512×512×3的彩色像素数组，多个第二卷积层对该512×512×3的彩色像素数组进行卷积操作后，得到512×512×3的第二特征图。在本示例中，为了便于描述，第二特征图的尺寸可以与第i+1级第二图像(即，较高分辨率的图像)的尺寸相同。
例如，第二图像重建层对第二特征图进行反卷积，输出第i级训练图像的图像数据。在一个示例中，第二重建层可以对第二特征图进行至少一次反卷积，得到256×256×3的彩色像素数组为第N-i级训练图像的图像数据。训练图像可以作为第二图像的监督信号，例如第N-i级训练图像可以作为第i级第二图像的监督信号。
本领域技术人员可以理解，与上述升采样单元类似，上述降采样单元中的一个或多个也可以应用上述图像处理模型，在此不再赘述。
图7是根据本公开一个实施例的图像处理装置的框图。
如图7所示，该图像处理装置输入模块710、卷积和重组模块720及重建模块730。
输入模块710，用于将待处理图像输入卷积神经网络，得到上述待处理图像的特征图。
卷积和重组模块720，用于对上述特征图执行卷积操作和重组操作，得到增强特征图。
重建模块730，用于根据上述增强特征图执行图像重建，得到重建图像的图像数据。
图8是根据本公开一个实施例的图像处理模型的训练装置的框图。
如图8所示，该图像处理模型的训练装置包括输入模块810、卷积和重组模块820、重建模块830、计算模块840及调整模块850。
输入模块810，用于将样本图像输入卷积神经网络，得到上述样本图像的样本特征图。
卷积和重组模块820，利用特征增强模型对上述样本特征图执行卷积操作和重组操作，得到增强特征图。
重建模块830，用于根据上述增强特征图执行图像重建，得到重建图像的图像数据。
计算模块840，用于计算上述重建图像的图像数据与针对上述重建图像的监督图像的图像数据之间的相似度。
调整模块850，用于调整上述卷积神经网络的卷积核参数，直至上述相似度大于等于预设阈值。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
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9示出了可以用来实施本公开的实施例的示例电子设备1000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/或者要求的本公开的实现。
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如图像处理方法及图像处理模型的训练方法。例如，在一些实施例中，图像处理方法及图像处理模型的训练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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的图像处理方法及图像处理模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元901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及图像处理模型的训练方法。
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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本发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 (16)

1.一种图像处理方法，包括：
将待处理图像输入卷积神经网络，得到所述待处理图像的特征图；
对所述特征图执行第一卷积操作和重组操作，得到第一特征；
对所述特征图执行第二卷积操作和所述重组操作，得到第二特征；
对所述特征图执行第三卷积操作，得到第三特征；
根据所述第一特征和所述第二特征，得到权重矩阵；
利用所述权重矩阵对所述第三特征进行加权，得到经加权的第三特征，作为增强特征图；以及
根据所述增强特征图执行图像重建，得到重建图像的图像数据，
其中，所述重组操作用于将所述特征图对应的矩阵转换为特定维数的矩阵，所述特定维数的矩阵的元素数量和所述特征图对应的矩阵的元素数量相同。
2.根据权利要求1所述的方法，其中，根据所述增强特征图执行图像重建，得到重建图像的图像数据包括：
利用自适应权重对所述增强特征图进行加权，得到经加权的增强特征图；以及
利用所述经加权的增强特征图执行图像重建，得到所述重建图像的图像数据。
3.一种图像处理方法，包括：
将待处理图像输入卷积神经网络，得到所述待处理图像的特征图；
对所述特征图执行第一卷积操作和重组操作，得到第一特征；
对所述特征图执行第二卷积操作和所述重组操作，得到第二特征；
对所述特征图执行第三卷积操作，得到第三特征；
根据所述第一特征和所述第二特征，得到权重矩阵；
利用所述权重矩阵对所述第三特征进行加权，得到经加权的第三特征；
将所述第三特征与所述经加权的第三特征相加，得到增强特征图；以及
根据所述增强特征图执行图像重建，得到重建图像的图像数据，
其中，所述重组操作用于将所述特征图对应的矩阵转换为特定维数的矩阵，所述特定维数的矩阵的元素数量和所述特征图对应的矩阵的元素数量相同。
4.根据权利要求3所述的方法，其中，根据所述增强特征图执行图像重建，得到重建图像的图像数据包括：
利用自适应权重对所述增强特征图进行加权，得到经加权的增强特征图；以及
利用所述经加权的增强特征图执行图像重建，得到所述重建图像的图像数据。
5.一种图像处理模型的训练方法，所述图像处理模型包括卷积神经网络和特征增强模型，所述方法包括：
将样本图像输入所述卷积神经网络，得到所述样本图像的样本特征图；
将所述样本特征图输入到所述特征增强模型，对所述样本特征图执行第一卷积操作和重组操作，得到第一特征；
对所述样本特征图执行第二卷积操作和所述重组操作，得到第二特征；
对所述样本特征图执行第三卷积操作，得到第三特征；
根据所述第一特征和所述第二特征，得到权重矩阵；
利用所述权重矩阵对所述第三特征进行加权，得到经加权的第三特征，作为增强特征图；
根据所述增强特征图执行图像重建，得到重建图像的图像数据；
计算所述重建图像的图像数据与针对所述重建图像的监督图像的图像数据之间的相似度；以及
调整所述卷积神经网络的卷积核参数，直至所述相似度大于等于预设阈值，
其中，所述重组操作用于将所述特征图对应的矩阵转换为特定维数的矩阵，所述特定维数的矩阵的元素数量和所述特征图对应的矩阵的元素数量相同。
6.根据权利要求5所述的方法，其中，根据所述增强特征图执行图像重建，得到重建图像的图像数据包括：
利用自适应权重对所述增强特征图进行加权，得到经加权的增强特征图；以及
利用所述经加权的增强特征图执行图像重建，得到所述重建图像的图像数据。
7.根据权利要求6所述的方法，还包括：
调整所述自适应权重，直至所述相似度大于等于预设阈值。
8.一种图像处理模型的训练方法，所述图像处理模型包括卷积神经网络和特征增强模型，所述方法包括：
将样本图像输入所述卷积神经网络，得到所述样本图像的样本特征图；
将所述样本特征图输入到所述特征增强模型，对所述样本特征图执行第一卷积操作和重组操作，得到第一特征；
对所述样本特征图执行第二卷积操作和所述重组操作，得到第二特征；
对所述样本特征图执行第三卷积操作，得到第三特征；
根据所述第一特征和第二特征，得到权重矩阵；
利用所述权重矩阵对所述第三特征进行加权，得到经加权的第三特征；
将所述第三特征与所述经加权的第三特征相加，得到增强特征图；
根据所述增强特征图执行图像重建，得到重建图像的图像数据；
计算所述重建图像的图像数据与针对所述重建图像的监督图像的图像数据之间的相似度；以及
调整所述卷积神经网络的卷积核参数，直至所述相似度大于等于预设阈值，
其中，所述重组操作用于将所述特征图对应的矩阵转换为特定维数的矩阵，所述特定维数的矩阵的元素数量和所述特征图对应的矩阵的元素数量相同。
9.根据权利要求8所述的方法，其中，根据所述增强特征图执行图像重建，得到重建图像的图像数据包括：
利用自适应权重对所述增强特征图进行加权，得到经加权的增强特征图；以及
利用所述经加权的增强特征图执行图像重建，得到所述重建图像的图像数据。
10.根据权利要求9所述的方法，还包括：
调整所述自适应权重，直至所述相似度大于等于预设阈值。
11.一种图像处理装置，包括：
输入模块，用于将待处理图像输入卷积神经网络，得到所述待处理图像的特征图；
卷积和重组模块，用于执行以下操作：
对所述特征图执行第一卷积操作和重组操作，得到第一特征；
对所述特征图执行第二卷积操作和所述重组操作，得到第二特征；
对所述特征图执行第三卷积操作，得到第三特征；
根据所述第一特征和所述第二特征，得到权重矩阵；以及
利用所述权重矩阵对所述第三特征进行加权，得到经加权的第三特征，作为增强特征图；以及
重建模块，用于根据所述增强特征图执行图像重建，得到重建图像的图像数据，
其中，所述重组操作用于将所述特征图对应的矩阵转换为特定维数的矩阵，所述特定维数的矩阵的元素数量和所述特征图对应的矩阵的元素数量相同。
12.一种图像处理装置，包括：
输入模块，用于将待处理图像输入卷积神经网络，得到所述待处理图像的特征图；
卷积和重组模块，用于执行以下操作：
对所述特征图执行第一卷积操作和重组操作，得到第一特征；
对所述特征图执行第二卷积操作和所述重组操作，得到第二特征；
对所述特征图执行第三卷积操作，得到第三特征；
根据所述第一特征和所述第二特征，得到权重矩阵；
利用所述权重矩阵对所述第三特征进行加权，得到经加权的第三特征；以及
将所述第三特征与所述经加权的第三特征相加，得到增强特征图；以及
重建模块，用于根据所述增强特征图执行图像重建，得到重建图像的图像数据，
其中，所述重组操作用于将所述特征图对应的矩阵转换为特定维数的矩阵，所述特定维数的矩阵的元素数量和所述特征图对应的矩阵的元素数量相同。
13.一种图像处理模型的训练装置，包括：
输入模块，用于将样本图像输入卷积神经网络，得到所述样本图像的样本特征图；
卷积和重组模块，用于利用特征增强模型对所述样本特征图执行以下操作：
对所述样本特征图执行第一卷积操作和重组操作，得到第一特征；
对所述样本特征图执行第二卷积操作和所述重组操作，得到第二特征；
对所述样本特征图执行第三卷积操作，得到第三特征；
根据所述第一特征和第二特征，得到权重矩阵；以及
利用所述权重矩阵对所述第三特征进行加权，得到经加权的第三特征，作为增强特征图；
重建模块，用于根据所述增强特征图执行图像重建，得到重建图像的图像数据；
计算模块，用于计算所述重建图像的图像数据与针对所述重建图像的监督图像的图像数据之间的相似度；以及
调整模块，用于调整所述卷积神经网络的卷积核参数，直至所述相似度大于等于预设阈值，
其中，所述重组操作用于将所述特征图对应的矩阵转换为特定维数的矩阵，所述特定维数的矩阵的元素数量和所述特征图对应的矩阵的元素数量相同。
14.一种图像处理模型的训练装置，包括：
输入模块，用于将样本图像输入卷积神经网络，得到所述样本图像的样本特征图；
卷积和重组模块，用于利用特征增强模型对所述样本特征图执行以下操作：
对所述样本特征图执行第一卷积操作和重组操作，得到第一特征；
对所述样本特征图执行第二卷积操作和所述重组操作，得到第二特征；
对所述样本特征图执行第三卷积操作，得到第三特征；
根据所述第一特征和所述第二特征，得到权重矩阵；
利用所述权重矩阵对所述第三特征进行加权，得到经加权的第三特征；
将所述第三特征与所述经加权的第三特征相加，得到增强特征图；
重建模块，用于根据所述增强特征图执行图像重建，得到重建图像的图像数据；
计算模块，用于计算所述重建图像的图像数据与针对所述重建图像的监督图像的图像数据之间的相似度；以及
调整模块，用于调整所述卷积神经网络的卷积核参数，直至所述相似度大于等于预设阈值，
其中，所述重组操作用于将所述特征图对应的矩阵转换为特定维数的矩阵，所述特定维数的矩阵的元素数量和所述特征图对应的矩阵的元素数量相同。
15.一种电子设备，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1-10中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。
CN202110765141.2A 2021-07-06 2021-07-06 图像处理方法、图像处理模型的训练方法、装置及设备 Active CN113436292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110765141.2A CN113436292B (zh) 2021-07-06 2021-07-06 图像处理方法、图像处理模型的训练方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110765141.2A CN113436292B (zh) 2021-07-06 2021-07-06 图像处理方法、图像处理模型的训练方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113436292A CN113436292A (zh) 2021-09-24
CN113436292B true CN113436292B (zh) 2022-11-11

Family

ID=77759403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110765141.2A Active CN113436292B (zh) 2021-07-06 2021-07-06 图像处理方法、图像处理模型的训练方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113436292B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920313B (zh) * 2021-09-29 2022-09-09 北京百度网讯科技有限公司 图像处理方法、装置、电子设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581414B (zh) * 2019-09-30 2024-04-23 京东方科技集团股份有限公司 一种卷积神经网络、图像处理的方法及电子设备
CN113066013B (zh) * 2021-05-18 2023-02-10 广东奥普特科技股份有限公司 视觉图像增强的生成方法、系统、装置及存储介质

Also Published As

Publication number Publication date
CN113436292A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN107622302B (zh) 用于卷积神经网络的超像素方法
CN114187317B (zh) 图像抠图的方法、装置、电子设备以及存储介质
CN113963176B (zh) 一种模型蒸馏方法、装置、电子设备及存储介质
US20220245764A1 (en) Method for image super-resolution, device and storage medium
CN113393468A (zh) 图像处理方法、模型训练方法、装置和电子设备
CN113436292B (zh) 图像处理方法、图像处理模型的训练方法、装置及设备
CN114494814A (zh) 基于注意力的模型训练方法、装置及电子设备
JP6528349B1 (ja) 情報処理装置及び情報処理方法
WO2021218414A1 (zh) 视频增强方法及装置、电子设备、存储介质
CN113989152A (zh) 图像增强方法、装置、设备以及存储介质
CN117746125A (zh) 图像处理模型的训练方法、装置及电子设备
CN113362229B (zh) 图像处理模型的训练方法、图像处理方法、装置及设备
CN112053362B (zh) 图像分割方法、装置、电子设备及存储介质
CN113361536A (zh) 图像语义分割模型训练、图像语义分割方法及相关装置
CN113344213A (zh) 知识蒸馏方法、装置、电子设备及计算机可读存储介质
CN112785501A (zh) 文字图像的处理方法、装置、设备和存储介质
CN115760614A (zh) 图像去噪方法、装置、电子设备及存储介质
CN116363429A (zh) 图像识别模型的训练方法、图像识别方法、装置及设备
CN114881203A (zh) 模型推理方法、装置及电子设备
CN112784967B (zh) 信息处理方法、装置以及电子设备
CN114359905B (zh) 一种文本识别方法、装置、电子设备及存储介质
CN118446894A (zh) 图像处理方法、装置、电子设备及存储介质
CN118154486B (zh) 基于频域分解的双流水下图像增强方法、装置和设备
CN113239898A (zh) 用于处理图像的方法、路侧设备和云控平台
CN114037629A (zh) 图像去雾模型的训练方法、图像去雾方法及装置

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