CN113989152A - 图像增强方法、装置、设备以及存储介质 - Google Patents
图像增强方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113989152A CN113989152A CN202111270083.2A CN202111270083A CN113989152A CN 113989152 A CN113989152 A CN 113989152A CN 202111270083 A CN202111270083 A CN 202111270083A CN 113989152 A CN113989152 A CN 113989152A
- Authority
- CN
- China
- Prior art keywords
- image
- generator
- encoder
- unit
- feature extraction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000000605 extraction Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013441 quality evaluation 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了图像增强方法、装置、设备以及存储介质,涉及人工智能领域,尤其涉及计算机视觉和深度学习领域,具体可用于智慧城市和智能交通场景下。具体实现方案为:获取目标图像;利用预先训练的图像增强模型中包括的编码器,对目标图像进行至少一次编码,得到至少一个特征向量;根据至少一个特征向量以及图像增强模型中的生成器,确定目标图像的增强图像。本实现方式可以提高图像增强的效率。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及计算机视觉和深度学习技术领域,尤其涉及图像增强方法、装置、设备以及存储介质,可用于智慧城市和智能交通场景下。
背景技术
随着科学技术的发展,越来越多的场景需要将原本的纸质文件数字化保存,或者从文档图片中提取文字信息,这种时候,文档图片中出现模糊、或字体较小时很容易影响文本质量,导致识别准确率下降。
发明内容
本公开提供了一种图像增强方法、装置、设备以及存储介质。
根据第一方面,提供了一种图像增强方法,包括:获取目标图像;利用预先训练的图像增强模型中包括的编码器,对目标图像进行至少一次编码,得到至少一个特征向量;根据至少一个特征向量以及图像增强模型中的生成器,确定目标图像的增强图像。
根据第二方面,提供了一种图像增强装置,包括:获取单元,被配置成获取目标图像;编码单元,被配置成利用预先训练的图像增强模型中包括的编码器,对目标图像进行至少一次编码,得到至少一个特征向量;增强单元,被配置成根据至少一个特征向量以及图像增强模型中的生成器,确定目标图像的增强图像。
根据第三方面,提供了一种电子设备,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,存储器存储有可被至少一个处理器执行的指令,上述指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面所描述的方法。
根据第四方面,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,上述计算机指令用于使计算机执行如第一方面所描述的方法。
根据第五方面,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如第一方面所描述的方法。
根据本公开的技术可以快速的对低质量图像进行增强,提高进一步的图像处理的准确度。
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是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的图像增强方法的一个实施例的流程图;
图3是根据本公开的图像增强方法的一个应用场景的示意图;
图4是根据本公开的图像增强方法的另一个实施例的流程图;
图5是图4所示实施例的图像增强模型的结构示意图;
图6是根据本公开的图像增强装置的一个实施例的结构示意图;
图7是用来实现本公开实施例的图像增强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。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的图像增强方法或图像增强装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如图像处理类应用、扫描类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如为终端设备101、102、103提供图像增强模型的后台服务器。后台服务器可以对初始图像增强模型进行训练,得到图像增强模型,并将图像增强模型反馈给终端设备101、102、103,以供终端设备101、102、103对图像进行增强,得到图像质量更高的图像。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的图像增强方法可以由终端设备101、102、103执行,也可以由服务器105执行。相应地,图像增强装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的图像增强方法的一个实施例的流程200。本实施例的图像增强方法,包括以下步骤:
步骤201,获取目标图像。
本实施例中,图像增强方法的执行主体(例如图1中所示的终端设备或服务器)可以通过多种方式获取目标图像。这里,目标图像中可以包括各种对象,例如可以包括文本、人脸等等。目标图像可以为低质量图像。这里,低质量图像是指图像的清晰度、分辨率低于预设阈值,或者利用图像质量评估算法评估得到的目标图像的质量小于预设阈值。
步骤202,利用预先训练的图像增强模型中包括的编码器,对目标图像进行至少一次编码,得到至少一个特征向量。
本实施例中,执行主体可以将目标图像输入预先训练的图像增强模型中包括的编码器中。这里,图像增强模型可以用于对目标图像实现增强,增强的意思可以指提高目标图像的质量,例如,提高目标图像的清晰度、分辨率、图像质量等等。图像增强模型可以包括多个卷积神经网络,每个卷积神经网络可以作为一个模块。上述编码器也可以是一个卷积神经网络。上述编码器用于对目标图像进行至少一次编码。编码器中可以包括多个卷积层,卷积层用于对目标图像进行卷积运算,从而实现对目标图像的编码。在每次编码后,可以得到一个特征向量,从而得到至少一个特征向量。
步骤203,根据至少一个特征向量以及图像增强模型中的生成器,确定目标图像的增强图像。
执行主体还可以将编码器输出的至少一个特征向量输入图像增强模型中的生成器中,将生成器的输出作为目标图像的增强图像。这里,生成器也可以是图像增强模型中的一个模块,其结构也可以是一个卷积神经网络。上述生成器中可以包括多个卷积层、全连接层等,用于对各特征向量进行特征提取后进行分类或加权,得到目标图像的增强图像。具体的,执行主体可以首先将各特征向量进行加权,将得到的特征向量输入到上述生成器中。上述生成器可以对上述特征向量进行进一步特征提取或加权等处理,得到的输出结果可以经全连接层后得到目标图像的增强图像。可以理解的是,增强图像是目标图像对应的高质量图像,其清晰度或分辨率相对于目标图像有所提升。
继续参见图3,其示出了根据本公开的图像增强方法的一个应用场景的示意图。在图3的应用场景中,用户将手机扫描到的文本图像作为目标图像,经图像增强模型后,得到对应的增强图像。
本公开的上述实施例提供的图像增强方法,可以快速的对低质量图像进行增强,提高进一步的图像处理的准确度。
继续参见图4,其示出了根据本公开的图像增强方法的另一个实施例的流程400。如图4所示,本实施例的方法可以包括以下步骤:
步骤401,获取目标图像。
步骤402,将目标图像输入编码器,得到各编码单元输出的特征向量;将最后一个编码单元输出的特征向量进行维度转换,得到目标向量。
本实施例中,执行主体可以将目标图像输入图像增强模型中的编码器。上述编码器可以包括依次连接的至少一个编码单元。这里,每个编码单元可以包括至少一个卷积层和至少一个归一化层。每个编码单元用于对输入的信息进行一次编码。具体的,第一个编码单元的输入可以为目标图像,则第一个编码单元用于对目标图像进行编码,得到一个特征向量。然后上述特征向量可以输入第二个编码单元,第二个编码单元用于对上述特征向量进行编码,再次得到一个特征向量。依次类推,经最后一个编码单元后,可以得到一个编码向量。每个编码单元用于学习目标图像不同粒度的特征,例如,第一个编码单元用于提取目标图像中对象的低维特征,第二个编码单元用于提取目标图像中对象的边缘特征,第二个编码单元用于提取目标图像中对象的线条特征等等。
本实施例中,执行主体可以将最后一个编码单元得到的高维特征向量进行转换,即转换到预设维度,使得最终得到的目标特征向量的维度符合图像增强模型中生成器的输入要求。具体的,执行主体可以将最后一个编码单元输出的高维特征向量经MLP(Multi-layer Perceptron,多层感知器)进行维度转换,得到预设维度的目标特征向量。
步骤403,将各编码单元输出的至少一个特征向量输入生成器中对应的特征提取单元,基于特征提取单元的输出确定目标图像的增强图像。
本实施例中,生成器也包括依次连接的至少一个特征提取单元,各特征提取单元与各编码单元一一对应。特征提取单元可以包括至少一个卷积层、至少一个归一化层。上述至少一个卷积层用于提取输入其中的信息的特征,上述归一化层用于对提取的特征进行进一步处理,例如将其与预设的系数相乘后与偏置量相加。本实施例中,各特征提取单元可以分别接收对应的编码单元得到的特征向量,还可以接收前一特征提取单元输出的特征向量。在得到各特征提取单元的输出后,执行主体可以对各项输出进行处理,确定目标图像的增强图像。例如,执行主体可以对各项输出进行加权,最终得到的向量经全连接层后得到目标图像的增强图像。
在本实施例的一些可选的实现方式中,上述步骤403具体可以通过以下步骤来实现:将各编码单元输出的各特征向量输入生成器中对应的特征提取单元,将目标向量输入各特征提取单元,根据最后一个特征提取单元的输出确定目标图像的增强图像。
本实现方式中,执行主体可以将各编码单元输出的各特征向量输入到生成器中对应的特征提取单元,同时执行主体还可以将维度转换得到的目标向量输入各特征提取单元,并将最后一个特征提取单元得到的输出,确定目标图像的增强图像。
步骤404,对增强图像进行文本识别。
本实施例中,上述目标图像可以包括低质量的文本图像。在对上述目标图像进行图像增强后,得到的文本图像中的文字更清晰,更易于进行文本识别,从而能够提高文本识别的效率和准确率。
在本实施例的一些可选的实现方式中,上述方法还可以包括第一训练步骤,该第一训练步骤用于训练得到初始生成器。需要说明的是,第一训练步骤的执行主体可以与图4所示实施例的执行主体相同,也可以不同。一般来说,第一训练步骤的执行主体可以由服务器来完成。上述第一训练步骤可以包括以下步骤:获取多张样本增强图像;将预设数值作为生成器的输入,将随机生成的参数输入生成器的各特征提取单元,将各样本增强图像作为期望输出,训练得到初始生成器。
本实现方式中,执行主体可以首先获取多张样本增强图像。这里,样本增强图像可以为清晰的文本图像。执行主体可以从之前处理得到的多张增强图像中选取若干张作为样本增强图像。或者执行主体可以通过OpenCV(一个跨平台计算机视觉和机器学习软件库)中的文字生成模块来生成多种字体的样本增强图像。执行主体可以预先生成一个预设数值,将上述数值作为第一个特征提取单元的输入,将随机生成的参数作为扰动量分别输入到各特征提取单元中,同时将各样本增强图像作为期望输出,训练得到初始生成器。在训练上述初始生成器的过程中,可以采用对抗生成网络的思想来进行,从而提高生成器的准确度。
在本实施例的一些可选的实现方式中,上述方法还可以包括第二训练步骤,该第二训练步骤用于训练得到图像增强模型。需要说明的是,第二训练步骤的执行主体可以与图4所示实施例的执行主体相同,也可以不同。在训练时,是针对初始图像增强模型进行训练。初始图像增强模型可以包括初始生成器和初始编码器。其中,初始生成器可以通过第一训练步骤得到,初始编码器可以通过对预设结构的卷积神经网络初始化得到。上述预设结构可以理解为包括多个依次连接的编码单元。
上述第二训练步骤可以包括以下步骤:对预设的编码器进行初始化,得到初始编码器;对各样本增强图像进行处理,得到多张样本低质量图像;将各样本低质量图像作为图像增强模型中初始编码器的输入,将所输入的样本低质量图像对应的样本增强图像作为图像增强模型中初始生成器的期望输出,调整初始编码器和初始生成器的参数,训练得到图像增强模型。
本实现方式中,执行主体可以首先对预设的编码器进行初始化,得到初始编码器。然后,执行主体可以对样本增强图像进行处理,得到多张样本低质量图像。这里的处理可以是想各样本增强图像中增加噪声、扰动,或对各样本增强图像进行模糊、压缩等处理。得到的多张样本低质量图像的清晰度或分辨率或图像质量低于对应的样本增强图像。最后,执行主体可以将各样本低质量图像作为上述初始编码器的输入,将所输入的样本低质量图像对应的样本增强图像作为期望输出,不断调整初始编码器和初始生成器的参数,从而得到图像增强模型。
继续参见图5,其示出了根据本公开的图像增强模型的结构示意图。如图5所示,本实施例的图像增强模型可以包括编码器和生成器。编码器中包括的编码单元的数量与生成器中特征提取单元的数量相同,并且各编码单元与各特征提取单元之间存在一一对应关系。各编码单元可以将输出的特征向量传输给对应的特征提取单元,最终得到增强图像。
本公开的上述实施例提供的图像增强方法,可以通过图像增强模型中的编码器提取目标图像的各层次各维度的特征,然后通过生成器,生成对应的增强图像,提高了图像增强的效率。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种图像增强装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的图像增强装置600包括:获取单元601、编码单元602和增强单元603。
获取单元601,被配置成获取目标图像。
编码单元602,被配置成利用预先训练的图像增强模型中包括的编码器,对目标图像进行至少一次编码,得到至少一个特征向量。
增强单元603,被配置成根据至少一个特征向量以及图像增强模型中的生成器,确定目标图像的增强图像。
在本实施例的一些可选的实现方式中,编码器包括依次连接的至少一个编码单元。编码单元602可以进一步被配置成:将目标图像输入编码器,得到各编码单元输出的特征向量;将最后一个编码单元输出的特征向量进行维度转换,得到目标向量。
在本实施例的一些可选的实现方式中,生成器包括依次连接的至少一个特征提取单元,各特征提取单元与各编码单元一一对应。增强单元603可以进一步被配置成:将各编码单元输出的至少一个特征向量输入生成器中对应的特征提取单元,基于特征提取单元的输出确定目标图像的增强图像。
在本实施例的一些可选的实现方式中,增强单元603可以进一步被配置成:将各编码单元输出的各特征向量输入生成器中对应的特征提取单元,将目标向量输入各特征提取单元,根据最后一个特征提取单元的输出确定目标图像的增强图像。
在本实施例的一些可选的实现方式中,装置600还可以进一步包括第一训练单元,被配置成:获取多张样本增强图像;将预设数值作为生成器的输入,将随机生成的参数输入生成器的各特征提取单元,将各样本增强图像作为期望输出,训练得到初始生成器。
在本实施例的一些可选的实现方式中,装置600还可以进一步包括第一训练单元,被配置成:对预设的编码器进行初始化,得到初始编码器;对各样本增强图像进行处理,得到多张样本低质量图像;将各样本低质量图像作为图像增强模型中初始编码器的输入,将所输入的样本低质量图像对应的样本增强图像作为图像增强模型中初始生成器的期望输出,调整初始编码器和初始生成器的参数,训练得到图像增强模型。
在本实施例的一些可选的实现方式中,目标图像包括文本图像。装置600还可以进一步包括文本识别单元,被配置成:对增强图像进行文本识别。
应当理解,图像增强装置600中记载的单元601至单元603分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对图像增强方法描述的操作和特征同样适用于装置600及其中包含的单元,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,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示出了根据本公开实施例的执行图像增强方法的电子设备700的框图。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7所示,电子设备700包括处理器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器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RAM703中,还可存储电子设备700操作所需的各种程序和数据。处理器701、ROM 702以及RAM 703通过总线704彼此相连。I/O接口(输入/输出接口)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;存储器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。
处理器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。处理器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处理器、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。处理器701执行上文所描述的各个方法和处理,例如图像增强方法。例如,在一些实施例中,图像增强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存储介质,例如存储器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RAM703并由处理器701执行时,可以执行上文描述的图像增强方法的一个或多个步骤。备选地,在其他实施例中,处理器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增强方法。
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。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品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701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,机器可读存储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。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储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)、光学存储设备、磁存储设备、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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以是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,均应包含在本公开的保护范围之内。
Claims (17)
1.一种图像增强方法,包括:
获取目标图像;
利用预先训练的图像增强模型中包括的编码器,对所述目标图像进行至少一次编码,得到至少一个特征向量;
根据所述至少一个特征向量以及所述图像增强模型中的生成器,确定所述目标图像的增强图像。
2.根据权利要求1所述的方法,其中,所述编码器包括依次连接的至少一个编码单元;以及
所述利用预先训练的图像增强模型中包括的编码器,对所述目标图像进行至少一次编码,得到至少一个特征向量,包括:
将所述目标图像输入所述编码器,得到各编码单元输出的特征向量;
将最后一个编码单元输出的特征向量进行维度转换,得到目标向量。
3.根据权利要求2所述的方法,其中,所述生成器包括依次连接的至少一个特征提取单元,各特征提取单元与各编码单元一一对应;以及
所述根据所述至少一个特征向量以及所述图像增强模型中的生成器,确定所述目标图像的增强图像,包括:
将各编码单元输出的至少一个特征向量输入所述生成器中对应的特征提取单元,基于所述特征提取单元的输出确定所述目标图像的增强图像。
4.根据权利要求3所述的方法,其中,所述根据所述至少一个特征向量以及所述图像增强模型中的生成器,确定所述目标图像的增强图像,包括:
将各编码单元输出的各特征向量输入所述生成器中对应的特征提取单元,将所述目标向量输入各特征提取单元,根据最后一个特征提取单元的输出确定所述目标图像的增强图像。
5.根据权利要求1所述的方法,其中,所述方法还包括以下第一训练步骤:
获取多张样本增强图像;
将预设数值作为生成器的输入,将随机生成的参数输入所述生成器的各特征提取单元,将各样本增强图像作为期望输出,训练得到初始生成器。
6.根据权利要求5所述的方法,其中,所述方法还包括以下第二训练步骤:
对预设的编码器进行初始化,得到初始编码器;
对各样本增强图像进行处理,得到多张样本低质量图像;
将各样本低质量图像作为所述图像增强模型中初始编码器的输入,将所输入的样本低质量图像对应的样本增强图像作为所述图像增强模型中初始生成器的期望输出,调整所述初始编码器和所述初始生成器的参数,训练得到所述图像增强模型。
7.根据权利要求1所述的方法,其中,所述目标图像包括文本图像;以及
所述方法还包括:
对所述增强图像进行文本识别。
8.一种图像增强装置,包括:
获取单元,被配置成获取目标图像;
编码单元,被配置成利用预先训练的图像增强模型中包括的编码器,对所述目标图像进行至少一次编码,得到至少一个特征向量;
增强单元,被配置成根据所述至少一个特征向量以及所述图像增强模型中的生成器,确定所述目标图像的增强图像。
9.根据权利要求8所述的装置,其中,所述编码器包括依次连接的至少一个编码单元;以及
所述编码单元进一步被配置成:
将所述目标图像输入所述编码器,得到各编码单元输出的特征向量;
将最后一个编码单元输出的特征向量进行维度转换,得到目标向量。
10.根据权利要求9所述的装置,其中,所述生成器包括依次连接的至少一个特征提取单元,各特征提取单元与各编码单元一一对应;以及
所述增强单元进一步被配置成:
将各编码单元输出的至少一个特征向量输入所述生成器中对应的特征提取单元,基于所述特征提取单元的输出确定所述目标图像的增强图像。
11.根据权利要求10所述的装置,其中,所述增强单元进一步被配置成:
将各编码单元输出的各特征向量输入所述生成器中对应的特征提取单元,将所述目标向量输入各特征提取单元,根据最后一个特征提取单元的输出确定所述目标图像的增强图像。
12.根据权利要求8所述的装置,其中,所述装置还包括第一训练单元,被配置成:
获取多张样本增强图像;
将预设数值作为生成器的输入,将随机生成的参数输入所述生成器的各特征提取单元,将各样本增强图像作为期望输出,训练得到初始生成器。
13.根据权利要求12所述的装置,其中,所述装置还包括第二训练单元,被配置成:
对预设的编码器进行初始化,得到初始编码器;
对各样本增强图像进行处理,得到多张样本低质量图像;
将各样本低质量图像作为所述图像增强模型中初始编码器的输入,将所输入的样本低质量图像对应的样本增强图像作为所述图像增强模型中初始生成器的期望输出,调整所述初始编码器和所述初始生成器的参数,训练得到所述图像增强模型。
14.根据权利要求8所述的装置,其中,所述目标图像包括文本图像;以及
所述装置还包括文本识别单元,被配置成:
对所述增强图像进行文本识别。
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1-7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,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111270083.2A CN113989152A (zh) | 2021-10-29 | 2021-10-29 | 图像增强方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111270083.2A CN113989152A (zh) | 2021-10-29 | 2021-10-29 | 图像增强方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989152A true CN113989152A (zh) | 2022-01-28 |
Family
ID=79744187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111270083.2A Pending CN113989152A (zh) | 2021-10-29 | 2021-10-29 | 图像增强方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989152A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463584A (zh) * | 2022-01-29 | 2022-05-10 | 北京百度网讯科技有限公司 | 图像处理、模型训练方法、装置、设备、存储介质及程序 |
-
2021
- 2021-10-29 CN CN202111270083.2A patent/CN113989152A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463584A (zh) * | 2022-01-29 | 2022-05-10 | 北京百度网讯科技有限公司 | 图像处理、模型训练方法、装置、设备、存储介质及程序 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
CN116051668B (zh) | 文生图扩散模型的训练方法和基于文本的图像生成方法 | |
CN114494784A (zh) | 深度学习模型的训练方法、图像处理方法和对象识别方法 | |
CN112949767A (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN116579407B (zh) | 神经网络模型的压缩方法、训练方法、处理方法和装置 | |
CN113989152A (zh) | 图像增强方法、装置、设备以及存储介质 | |
CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN114943995A (zh) | 人脸识别模型的训练方法、人脸识别方法及装置 | |
CN113792849B (zh) | 字符生成模型的训练方法、字符生成方法、装置和设备 | |
CN113591969B (zh) | 面部相似度评测方法、装置、设备以及存储介质 | |
CN115565186A (zh) | 文字识别模型的训练方法、装置、电子设备和存储介质 | |
CN114187435A (zh) | 文本识别方法、装置、设备以及存储介质 | |
CN112784967B (zh) | 信息处理方法、装置以及电子设备 | |
CN114842541A (zh) | 模型的训练及人脸识别方法、装置、设备以及存储介质 | |
CN114882334A (zh) | 用于生成预训练模型的方法、模型训练方法及装置 | |
CN113792876A (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
CN114187318A (zh) | 图像分割的方法、装置、电子设备以及存储介质 | |
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 | |
CN114078274A (zh) | 人脸图像检测方法、装置、电子设备以及存储介质 | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN114821801B (zh) | 动作识别方法、模型训练方法、装置、电子设备和存储介质 | |
CN114820686B (zh) | 抠图的方法、装置、电子设备及存储介质 | |
CN115496916B (zh) | 图像识别模型的训练方法、图像识别方法以及相关装置 |
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 |