CN115708122A - 图像处理方法、装置、存储介质及终端 - Google Patents

Abstract

本公开涉及一种图像处理方法、装置、存储介质及终端，所述方法包括：通过终端获取目标场景的低质图像；将所述低质图像输入预先训练的图像超分模型，得到所述低质图像对应的超分图像；所述图像超分模型用于获取所述低质图像对应的至少一个细节图像，并根据至少一个所述细节图像获取所述超分图像，不同的细节图像对应的图像尺度不同。也就是说，本公开可以获取低质图像对应的不同图像尺度的至少一个细节图像，再根据至少一个细节图像得到该低质图像对应的超分图像，这样，超分图像在不同尺度的细节图像均比较清晰，从而提高了超分图像的质量。

Description

图像处理方法、装置、存储介质及终端

技术领域

本公开涉及终端技术领域，尤其涉及一种图像处理方法、装置、存储介质及终端。

背景技术

智能手机拍照的需求日益增长，但是，智能手机的相机受限于手机的物理尺寸，图像传感器的尺寸比较小，导致拍摄的图像的分辨率也比较小，尤其在放大倍数较大时，图像的清晰度较差，不能满足用户的要求。

相关技术中，在不增加智能手机的硬件成本的前提下，多选择采用多帧超分辨率算法从低画质图像中恢复出原始高分辨率图像。但是，通过现有的多帧超分辨率算法恢复得到的高分辨率图像的细节图像不够清晰，导致高分辨率图像的质量较差。

发明内容

为克服相关技术中存在的问题，本公开提供一种图像处理方法、装置、存储介质及终端。

根据本公开实施例的第一方面，提供一种图像处理方法，包括：

通过终端获取目标场景的低质图像；

将所述低质图像输入预先训练的图像超分模型，得到所述低质图像对应的超分图像；所述图像超分模型用于获取所述低质图像对应的至少一个细节图像，并根据至少一个所述细节图像获取所述超分图像，不同的细节图像对应的图像尺度不同。

可选地，所述图像超分模型包括第一特征提取子模型、第二特征提取子模型、第三特征提取子模型、第一细节提取子模型、第二细节提取子模型以及第三细节提取子模型，所述第一特征提取子模型的输出端分别与所述第一细节提取子模型的输入端和所述第二特征提取子模型的输入端耦合，所述第二特征提取子模型的输出端分别与所述第二细节提取子模型的输入端和所述第三特征提取子模型的输入端耦合，所述第三特征提取子模型的输出端与所述第三细节提取子模型的输入端耦合。

可选地，所述将所述低质图像输入预先训练的图像超分模型，得到所述低质图像对应的超分图像包括：

将所述低质图像输入所述第一特征提取子模型，得到所述低质图像对应的第一尺度特征图像；

将所述第一尺度特征图像输入所述第二特征提取子模型，得到所述低质图像对应的第二尺度特征图像；

将所述第二尺度特征图像输入所述第三特征提取子模型，得到所述低质图像对应的第三尺度特征图像；

将所述第一尺度特征图像输入所述第一细节提取子模型，得到所述低质图像对应的第一细节图像；

将所述第二尺度特征图像输入所述第二细节提取子模型，得到所述低质图像对应的第二细节图像；

将所述第三尺度特征图像输入所述第三细节提取子模型，得到所述低质图像对应的第三细节图像；

根据所述第一细节图像、所述第二细节图像以及所述第三细节图像，获取所述低质图像对应的超分图像。

可选地，所述图像超分模型通过以下方式训练得到：

获取多个样本图像和每个所述样本图像对应的真值图像，所述样本图像包括在预设场景中的相同位置连续采集的多帧低质图像；

根据多个所述样本图像和多个所述真值图像对目标神经网络模型进行训练，得到所述图像超分模型。

可选地，所述根据多个所述样本图像和多个所述真值图像对目标神经网络模型进行训练，得到所述图像超分模型包括：

循环执行模型训练步骤，直至根据所述真值图像和预测图像确定训练后的目标神经网络满足预设停止迭代条件，将训练后的目标神经网络模型作为所述图像超分模型；所述预测图像为所述样本图像输入该训练后的目标神经网络模型后输出的图像；

所述模型训练步骤包括：

将多个所述样本图像输入所述目标神经网络模型，输出每个所述样本图像对应的预测图像；

在根据所述真值图像和所述预测图像确定所述目标神经网络模型不满足所述预设停止迭代条件的情况下，根据所述真值图像和所述预测图像确定目标损失值，根据所述目标损失值更新所述目标神经网络模型的参数，得到训练后的目标神经网络模型，并将该训练后的目标神经网络模型作为新的目标神经网络模型。

可选地，所述将多个所述样本图像输入所述目标神经网络模型，输出每个所述样本图像对应的预测图像包括：

针对每个所述样本图像，将所述样本图像输入所述目标神经网络模型，得到所述样本图像对应的多个样本细节图像，并根据多个所述样本细节图像获取所述样本图像对应的预测图像。

可选地，所述根据多个所述样本细节图像获取所述样本图像对应的预测图像包括：

将多个所述样本细节图像相加，得到所述样本图像对应的预测图像。

可选地，所述目标损失值包括总损失值和多个细节损失值；所述根据所述真值图像和所述预测图像确定目标损失值包括：

根据所述预测图像和所述真值图像，确定所述总损失值；

根据多个所述样本细节图像和所述真值图像，确定多个所述细节损失值；

所述根据所述目标损失值更新所述目标神经网络模型的参数包括：

根据所述总损失值和所述细节损失值，更新所述目标神经网络模型的参数。

可选地，所述样本细节图像包括第一样本细节图像、第二样本细节图像以及第三样本细节图像；所述细节损失值包括第一细节损失值、第二细节损失值以及第三细节损失值；所述根据多个所述细节图像和所述真值图像，确定多个所述细节损失值包括：

获取所述第一样本细节图像、所述第二样本细节图像以及所述第三样本细节图像；

根据所述第一样本细节图像和所述真值图像，确定所述第一细节损失值；

根据所述第二样本细节图像和所述真值图像，确定所述第二细节损失值；

根据所述第三样本细节图像和所述真值图像，确定所述第三细节损失值。

可选地，所述目标神经网络模型包括第一神经网络模型、第二神经网络模型、第三神经网络模型、第四神经网络模型、第五神经网络模型以及第六神经网络模型；所述获取所述第一样本细节图像、所述第二样本细节图像以及所述第三样本细节图像包括：

将所述样本图像输入所述第一神经网络模型，得到所述样本图像对应的第一尺度样本图像；

将所述第一尺度样本图像输入所述第二神经网络模型，得到所述样本图像对应的第二尺度样本图像；

将所述第二尺度样本图像输入所述第三神经网络模型，得到所述样本图像对应的第三尺度样本图像；

将所述第一尺度样本图像输入所述第四神经网络模型，得到所样本图像对应的第一样本细节图像；

将所述第二尺度样本图像输入所述第五神经网络模型，得到所述样本图像对应的第二样本细节图像；

将所述第三尺度样本图像输入所述第六神经网络模型，得到所述样本图像对应的第三样本细节图像。

可选地，所述根据所述总损失值和所述细节损失值，更新所述目标神经网络模型的参数包括：

根据所述总损失值，更新所述第一神经网络模型、所述第二神经网络模型、所述第三神经网络模型、所述第四神经网络模型、所述第五神经网络模型以及所述第六神经网络模型的参数；

根据所述第一细节损失值，更新所述第一神经网络模型和所述第四神经网络模型的参数；

根据所述第二细节损失值，更新所述二神经网络模型和所述第五神经网络模型的参数；

根据所述第三细节损失值，更新所述第三神经网络模型和所述第六神经网络模型的参数。

可选地，在所述根据所述真值图像和所述预测图像确定目标损失值前，所述方法还包括：

获取所述样本图像对应的边缘图像；

所述根据所述真值图像和所述预测图像确定目标损失值包括：

根据所述真值图像、所述预测图像以及所述边缘图像，确定所述目标损失值。

可选地，所述根据所述真值图像、所述预测图像以及所述边缘图像，确定所述目标损失值包括：

根据所述边缘图像，确定目标权重值；

根据所述真值图像和所述预测图像，确定待定损失值；

将所述待定损失值和所述目标权重值的乘积，作为所述目标损失值。

可选地，在所述根据多个所述样本图像和多个所述真值图像对目标神经网络模型进行训练，得到所述图像超分模型前，所述方法还包括：

针对每个样本图像，对所述样本图像的每一帧图像进行降质处理，得到所述样本图像对应的样本低质图像；

所述根据多个所述样本图像和多个所述真值图像对目标神经网络模型进行训练，得到所述图像超分模型包括：

根据多个所述样本低质图像和多个所述真值图像对所述目标神经网络模型进行训练，得到所述图像超分模型。

可选地，在所述根据多个所述样本图像和多个所述真值图像对目标神经网络模型进行训练，得到所述图像超分模型前，所述方法还包括：

针对每个所述样本图像，将所述样本图像中除首帧图像之外的其它帧图像进行随机平移，得到所述样本图像对应的平移图像，针对所述样本图像中的每一帧图像，获取目标帧图像与该帧图像之间的像素差值，所述目标帧图像为所述平移图像中与该帧图像对应的图像，并根据所述像素差值确定该帧图像对应的帧权重；

所述根据多个所述样本图像和多个所述真值图像对目标神经网络模型进行训练，得到所述图像超分模型包括：

根据多个所述样本图像和多个所述帧权重对所述目标神经网络模型进行训练，得到所述图像超分模型。

根据本公开实施例的第二方面，提供一种图像处理装置，包括：

低质图像获取模块，被配置为通过终端获取目标场景的低质图像；

超分图像获取模块，被配置为将所述低质图像输入预先训练的图像超分模型，得到所述低质图像对应的超分图像；所述图像超分模型用于获取所述低质图像对应的至少一个细节图像，并根据至少一个所述细节图像获取所述超分图像，不同的细节图像对应的图像尺度不同。

可选地，所述图像超分模型包括第一特征提取子模型、第二特征提取子模型、第三特征提取子模型、第一细节提取子模型、第二细节提取子模型以及第三细节提取子模型，所述第一特征提取子模型的输出端分别与所述第一细节提取子模型的输入端和所述第二特征提取子模型的输入端耦合，所述第二特征提取子模型的输出端分别与所述第二细节提取子模型的输入端和所述第三特征提取子模型的输入端耦合，所述第三特征提取子模型的输出端与所述第三细节提取子模型的输入端耦合。

可选地，所述超分图像获取模块，还被配置为：

将所述低质图像输入所述第一特征提取子模型，得到所述低质图像对应的第一尺度特征图像；

将所述第一尺度特征图像输入所述第二特征提取子模型，得到所述低质图像对应的第二尺度特征图像；

将所述第二尺度特征图像输入所述第三特征提取子模型，得到所述低质图像对应的第三尺度特征图像；

将所述第一尺度特征图像输入所述第一细节提取子模型，得到所述低质图像对应的第一细节图像；

将所述第二尺度特征图像输入所述第二细节提取子模型，得到所述低质图像对应的第二细节图像；

将所述第三尺度特征图像输入所述第三细节提取子模型，得到所述低质图像对应的第三细节图像；

根据所述第一细节图像、所述第二细节图像以及所述第三细节图像，获取所述低质图像对应的超分图像。

可选地，所述装置还包括：

模型训练模块，被配置为获取多个样本图像和每个所述样本图像对应的真值图像，所述样本图像包括在预设场景中的相同位置连续采集的多帧低质图像；根据多个所述样本图像和多个所述真值图像对目标神经网络模型进行训练，得到所述图像超分模型。

可选地，所述模型训练模块，还被配置为：

循环执行模型训练步骤，直至根据所述真值图像和预测图像确定训练后的目标神经网络满足预设停止迭代条件，将训练后的目标神经网络模型作为所述图像超分模型；所述预测图像为所述样本图像输入该训练后的目标神经网络模型后输出的图像；

所述模型训练步骤包括：

将多个所述样本图像输入所述目标神经网络模型，输出每个所述样本图像对应的预测图像；

在根据所述真值图像和所述预测图像确定所述目标神经网络模型不满足所述预设停止迭代条件的情况下，根据所述真值图像和所述预测图像确定目标损失值，根据所述目标损失值更新所述目标神经网络模型的参数，得到训练后的目标神经网络模型，并将该训练后的目标神经网络模型作为新的目标神经网络模型。

可选地，所述模型训练模块，还被配置为：

针对每个所述样本图像，将所述样本图像输入所述目标神经网络模型，得到所述样本图像对应的多个样本细节图像，并根据多个所述样本细节图像获取所述样本图像对应的预测图像。

可选地，所述模型训练模块，还被配置为：

将多个所述样本细节图像相加，得到所述样本图像对应的预测图像。

可选地，所述目标损失值包括总损失值和多个细节损失值；所述模型训练模块，还被配置为：

根据所述预测图像和所述真值图像，确定所述总损失值；

根据多个所述样本细节图像和所述真值图像，确定多个所述细节损失值；

所述根据所述目标损失值更新所述目标神经网络模型的参数包括：

根据所述总损失值和所述细节损失值，更新所述目标神经网络模型的参数。

可选地，所述样本细节图像包括第一样本细节图像、第二样本细节图像以及第三样本细节图像；所述细节损失值包括第一细节损失值、第二细节损失值以及第三细节损失值；所述模型训练模块，还被配置为：

获取所述第一样本细节图像、所述第二样本细节图像以及所述第三样本细节图像；根据所述第一样本细节图像和所述真值图像，确定所述第一细节损失值；

根据所述第二样本细节图像和所述真值图像，确定所述第二细节损失值；

根据所述第三样本细节图像和所述真值图像，确定所述第三细节损失值。

可选地，所述目标神经网络模型包括第一神经网络模型、第二神经网络模型、第三神经网络模型、第四神经网络模型、第五神经网络模型以及第六神经网络模型；所述模型训练模块，还被配置为：

将所述样本图像输入所述第一神经网络模型，得到所述样本图像对应的第一尺度样本图像；

将所述第一尺度样本图像输入所述第二神经网络模型，得到所述样本图像对应的第二尺度样本图像；

将所述第二尺度样本图像输入所述第三神经网络模型，得到所述样本图像对应的第三尺度样本图像；

将所述第一尺度样本图像输入所述第四神经网络模型，得到所样本图像对应的第一样本细节图像；

将所述第二尺度样本图像输入所述第五神经网络模型，得到所述样本图像对应的第二样本细节图像；

将所述第三尺度样本图像输入所述第六神经网络模型，得到所述样本图像对应的第三样本细节图像。

可选地，所述模型训练模块，还被配置为：

根据所述总损失值，更新所述第一神经网络模型、所述第二神经网络模型、所述第三神经网络模型、所述第四神经网络模型、所述第五神经网络模型以及所述第六神经网络模型的参数；

根据所述第一细节损失值，更新所述第一神经网络模型和所述第四神经网络模型的参数；

根据所述第二细节损失值，更新所述二神经网络模型和所述第五神经网络模型的参数；

根据所述第三细节损失值，更新所述第三神经网络模型和所述第六神经网络模型的参数。

可选地，所述模型训练模块，还被配置为：

获取所述样本图像对应的边缘图像；

所述根据所述真值图像和所述预测图像确定目标损失值包括：

根据所述真值图像、所述预测图像以及所述边缘图像，确定所述目标损失值。

可选地，所述模型训练模块，还被配置为：

根据所述边缘图像，确定目标权重值；

根据所述真值图像和所述预测图像，确定待定损失值；

将所述待定损失值和所述目标权重值的乘积，作为所述目标损失值。

可选地，所述模型训练模块，还被配置为：

针对每个样本图像，对所述样本图像的每一帧图像进行降质处理，得到所述样本图像对应的样本低质图像；

所述根据多个所述样本图像和多个所述真值图像对目标神经网络模型进行训练，得到所述图像超分模型包括：

根据多个所述样本低质图像和多个所述真值图像对所述目标神经网络模型进行训练，得到所述图像超分模型。

可选地，所述模型训练模块，还被配置为：

针对每个所述样本图像，将所述样本图像中除首帧图像之外的其它帧图像进行随机平移，得到所述样本图像对应的平移图像，针对所述样本图像中的每一帧图像，获取目标帧图像与该帧图像之间的像素差值，所述目标帧图像为所述平移图像中与该帧图像对应的图像，并根据所述像素差值确定该帧图像对应的帧权重；

所述根据多个所述样本图像和多个所述真值图像对目标神经网络模型进行训练，得到所述图像超分模型包括：

根据多个所述样本图像和多个所述帧权重对所述目标神经网络模型进行训练，得到所述图像超分模型。

根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的图像处理方法的步骤。

根据本公开实施例的第四方面，提供一种终端，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面所提供的图像处理方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：通过终端获取目标场景的低质图像；将所述低质图像输入预先训练的图像超分模型，得到所述低质图像对应的超分图像；所述图像超分模型用于获取所述低质图像对应的至少一个细节图像，并根据至少一个所述细节图像获取所述超分图像，不同的细节图像对应的图像尺度不同。也就是说，本公开可以获取低质图像对应的不同图像尺度的至少一个细节图像，再根据该至少一个细节图像得到该低质图像对应的超分图像，这样，超分图像在不同尺度的细节图像均比较清晰，从而提高了超分图像的质量。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种图像处理方法的流程图；

图2是根据一示例性实施例示出的一种图像超分模型的示意图；

图3是根据一示例性实施例示出的一种特征提取子模型的示意图；

图4是根据一示例性实施例示出的一种细节提取子模型的示意图；

图5是根据一示例性实施例示出的一种图像超分模型的训练方法的流程图；

图6是根据一示例性实施例示出的一种图像处理装置的框图；

图7是根据一示例性实施例示出的另一种图像处理装置的框图；

图8是根据一示例性实施例示出的一种终端的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

首先，对本公开的应用场景进行介绍。多帧超分辨率算法指的是，在手机拍照时，连续快速采集多帧低画质图像(0.5秒内多达10帧)，经由超分辨率算法的融合处理，得到一张高画质图像(超分图像)。发明人发现，尽管按照奈圭斯特采样定理，帧数足够多的低画质图像是可以恢复出高分辨率图像的，但是实际上因为成像过程还受到传感器噪声、抖动、未知模糊等干扰，这些被损坏的高频图像信息会变得很难恢复。另外，图像细节的尺度有大有小，现有的多帧超分辨率算法得到的超分图像在部分尺度的清晰度较低，从而导致超分图像的质量较差。

为了克服以上相关技术中存在的技术问题，本公开提供了一种图像处理方法、装置、存储介质及终端，通过该方法可以获取低质图像对应的不同图像尺度的多个细节图像，再根据该多个细节图像得到该低质图像对应的超分图像，这样，超分图像在不同尺度的细节图像均比较清晰，从而提高了超分图像的质量。

下面结合具体实施例对本公开进行说明。

图1是根据一示例性实施例示出的一种图像处理方法的流程图，如图1所示，该方法可以包括：

S101、通过终端获取目标场景的低质图像。

其中，该低质图像可以包括在目标场景连续拍摄的多帧图像。示例地，该终端在接收到用户触发的拍摄指令后，可以连续拍摄10帧图像。

S102、将该低质图像输入预先训练的图像超分模型，得到该低质图像对应的超分图像。

其中，该图像超分模型用于获取该低质图像对应的至少一个细节图像，并根据至少一个细节图像获取该超分图像，不同的细节图像对应的图像尺度不同。

图2是根据一示例性实施例示出的一种图像超分模型的示意图，如图2所示，该图像超分模型可以包括第一特征提取子模型、第二特征提取子模型、第三特征提取子模型、第一细节提取子模型、第二细节提取子模型以及第三细节提取子模型，该第一特征提取子模型的输出端分别与该第一细节提取子模型的输入端和该第二特征提取子模型的输入端耦合，该第二特征提取子模型的输出端分别与该第二细节提取子模型的输入端和该第三特征提取子模型的输入端耦合，该第三特征提取子模型的输出端与该第三细节提取子模型的输入端耦合。

在一种可能的实现方式中，可以将该低质图像输入该第一特征提取子模型，得到该低质图像对应的第一尺度特征图像；将该第一尺度特征图像输入该第二特征提取子模型，得到该低质图像对应的第二尺度特征图像；将该第二尺度特征图像输入该第三特征提取子模型，得到该低质图像对应的第三尺度特征图像；将该第一尺度特征图像输入该第一细节提取子模型，得到该低质图像对应的第一细节图像；将该第二尺度特征图像输入该第二细节提取子模型，得到该低质图像对应的第二细节图像；将该第三尺度特征图像输入该第三细节提取子模型，得到该低质图像对应的第三细节图像；根据该第一细节图像、该第二细节图像以及该第三细节图像，获取该低质图像对应的超分图像。

需要说明的是，上述图像超分模型的具体结构只是举例说明，该图像超分模型还可以包括更多的特征提取子模型和细节提取子模型，以获取该低质图像对应的更多的细节图像，本公开对该图像超分模型包括的特征提取子模型和细节提取子模型的数量不作限定。另外，上述获取该第一细节图像、该第二细节图像、该第三细节图像的步骤只是举例说明，本公开对上述步骤的执行顺序不作限定，示例地，也可以同时将该第一尺度特征图像输入该第一细节提取子模型和该第二特征提取子模型，本公开对此不作限定。

其中，图3是根据一示例性实施例示出的一种特征提取子模型的示意图，如图3所示，该特征提取子模型可以包括conv(卷积神经网络)、relu(激活函数)、etl-add(elementwise addition)。图4是根据一示例性实施例示出的一种细节提取子模型的示意图，如图4所示，该细节提取子模型可以包括conv、relu、etl-add。

在本步骤中，在获取该低质图像后，可以将该低质图像输入该图像超分模型，通过该图像超分模型中的第一特征提取子模型对该低质图像进行特征提取，得到该低质图像对应的第一尺度特征图像，之后，可以对该第一尺度特征图像进行下采样处理，示例地，若该第一尺度特征图像的像素为512*512，则可以对该第一尺度特征图像进行下采样处理，将该第一尺度特征图像的像素降低为256*256，通过该图像超分模型中的第二特征提取子模型对该下采样处理后的第一尺度特征图像进行特征提取，得到该低质图像对应的第二尺度特征图像，最后，可以对该第二尺度特征图像进行下采样处理，示例地，若该第二尺度特征图像的像素为256*256，则可以对该第二尺度特征图像进行下采样处理，将该第二尺度特征图像的像素降低为128*128，通过该图像超分模型中的第三特征提取子模型对该下采样处理后的第二尺度特征图像进行特征提取，得到该低质图像对应的第三尺度特征图像。

针对得到的该第一尺度特征图像，可以对先对该第一尺度特征图像进行上采样处理，通过该图像超分模型中的第一细节提取子模型对该第一尺度特征图像进行特征提取，得到该低质图像对应的第一细节图像；针对得到的该第二尺度特征图像，可以对先对该第二尺度特征图像进行上采样处理，通过该图像超分模型中的第二细节提取子模型对该第二尺度特征图像进行特征提取，得到该低质图像对应的第二细节图像；针对得到的该第三尺度特征图像，可以对先对该第三尺度特征图像进行上采样处理，通过该图像超分模型中的第三细节提取子模型对该第三尺度特征图像进行特征提取，得到该低质图像对应的第三细节图像。

进一步地，在得到该第一细节图像、该第二细节图像以及该第三细节图像后，可以将该第一细节图像、该第二细节图像以及该第三细节图像相加，得到该低质图像对应的超分图像。示例地，可以将该第一细节图像、该第二细节图像以及该第三细节图像的像素点进行相加，得到该低质图像对应的超分图像。

采用上述方法，可以获取低质图像对应的不同图像尺度的多个细节图像，再根据该多个细节图像得到该低质图像对应的超分图像，这样，超分图像在不同尺度的细节图像均比较清晰，从而提高了超分图像的质量。

图5是根据一示例性实施例示出的一种图像超分模型的训练方法的流程图，如图5所示，该方法可以包括：

S501、获取多个样本图像和每个该样本图像对应的真值图像。

其中，该样本图像可以包括在预设场景中的相同位置连续采集的多帧低质图像，示例地，可以通过终端获取多个样本图像，为了避免该终端采集该样本图像过程中晃动，导致采集的样本图像中的多帧图像之间的差异较大，在通过该终端采集该样本图像时，可以将该终端固定在同一位置，例如，通过三脚架固定该终端。

需要说明的是，为了确保该图像超分模型的准确率，该样本图像中的图像帧数可以与实际应用中的低质图像的图像帧数相同。示例地，若该样本图像为在预设场景中的相同位置连续采集的10帧图像，则该低质图像也可以是获取目标场景的10帧图像。

在本步骤中，在得到该多个样本图像后，针对每个样本图像，可以通过现有技术的降噪处理方法对该样本图像进行降噪处理，将降噪处理后的样本图像作为该样本图像对应的真值图像。为了提高该真值图像的准确率，可以在该预设场景中的相同位置多次采集图像，每次采集多帧图像，之后，可以将任意一次采集的多帧图像作为样本图像，根据该多次采集的多帧图像获取该样本图像对应的真值图像。示例地，可以在预设场景采集50次，每次采集10帧图像，将第一次采集的10帧图像作为样本图像，并根据该50次采集的500帧图像获取该样本图像对应的真值图像，例如，可以获取该500帧图像的每个通道的像素的平均值，根据该平均值得到该样本图像对应的真值图像。

在一种可能的实现方式中，在得到多个样本图像后，针对每个样本图像，可以对该样本图像的每一帧图像进行降质处理，得到该样本图像对应的样本低质图像，并根据多个样本低质图像和多个该真值图像对该目标神经网络模型进行训练，得到该图像超分模型，该降质处理可以包括下采样、高斯模糊、运动模糊、失焦模糊等。示例地，若该样本图像包括10帧图像，则可以对该10帧图像进行随机降质处理，例如，对第一帧图像进行下采样处理，对第二帧图像进行运动模糊处理，对第五帧图像进行高斯模糊处理，对第十帧图像进行失焦模糊处理。这样，由于训练该图像超分模型的样本图像包括了各种样本低质图像，因此，在该样本低质图像的质量较差的情况下，通过该图像超分模型也能得到质量较高的超分图像。

S502、根据多个该样本图像和多个该真值图像对目标神经网络模型进行训练，得到该图像超分模型。

在本步骤中，在得到该多个样本图像和每个样本图像对应的真值图像后，可以循环执行模型训练步骤，直至根据该真值图像和预测图像确定训练后的目标神经网络满足预设停止迭代条件，将训练后的目标神经网络模型作为该图像超分模型，该预测图像为该样本图像输入该训练后的目标神经网络模型后输出的图像。

该模型训练步骤可以包括：

S1、将多个样本图像输入该目标神经网络模型，输出每个样本图像对应的预测图像。

在本步骤中，针对每个样本图像，可以将该样本图像输入该目标神经网络模型，得到该样本图像对应的多个样本细节图像，并根据多个该样本细节图像获取该样本图像对应的预测图像。其中，可以将该多个样本细节图像相加，得到该样本图像对应的预测图像。

S2、在根据该真值图像和该预测图像确定该目标神经网络模型不满足该预设停止迭代条件的情况下，根据该真值图像和该预测图像确定目标损失值，根据该目标损失值更新该目标神经网络模型的参数，得到训练后的目标神经网络模型，并将该训练后的目标神经网络模型作为新的目标神经网络模型。

其中，该目标损失值可以包括总损失值和多个细节损失值，该总损失值和多个细节损失值可以通过该目标神经网络对应的损失函数计算得到，该损失函数可以是现有技术中常用的损失函数，该预设停止迭代条件可以是现有技术中常用的停止迭代的条件，本公开对该损失函数和该预设停止迭代条件不作限定。

在本步骤中，可以根据该预测图像和该真值图像，确定该总损失值，根据多个该样本细节图像和该真值图像，确定多个该细节损失值，并根据该总损失值和该细节损失值，更新该目标神经网络模型的参数。

该样本细节图像可以包括第一样本细节图像、第二样本细节图像以及第三样本细节图像；该细节损失值可以包括第一细节损失值、第二细节损失值以及第三细节损失值。该目标神经网络模型可以包括第一神经网络模型、第二神经网络模型、第三神经网络模型、第四神经网络模型、第五神经网络模型以及第六神经网络模型。

在一种可能的实现方式中，可以获取该第一样本细节图像、该第二样本细节图像以及该第三样本细节图像，根据该第一样本细节图像和该真值图像，确定该第一细节损失值，根据该第二样本细节图像和该真值图像，确定该第二细节损失值，根据该第三样本细节图像和该真值图像，确定该第三细节损失值。

其中，可以将该样本图像输入该第一神经网络模型，得到该样本图像对应的第一尺度样本图像；将该第一尺度样本图像输入该第二神经网络模型，得到该样本图像对应的第二尺度样本图像；将该第二尺度样本图像输入该第三神经网络模型，得到该样本图像对应的第三尺度样本图像；将该第一尺度样本图像输入该第四神经网络模型，得到所样本图像对应的第一样本细节图像；将该第二尺度样本图像输入该第五神经网络模型，得到该样本图像对应的第二样本细节图像；将该第三尺度样本图像输入该第六神经网络模型，得到该样本图像对应的第三样本细节图像。。

在一种可能的实现方式中，在根据该真值图像和该预测图像确定目标损失值前，可以获取样本图像对应的边缘图像，根据该真值图像、该预测图像以及该边缘图像，确定该目标损失值。示例地，可以通过canny边缘检测算法获取该样本图像对应的边缘图像。在得到该样本图像对应的边缘图像后，可以根据该边缘图像，确定目标权重值，根据该真值图像和该预测图像，确定待定损失值，并将该待定损失值和该目标权重值的乘积，作为该目标损失值。其中，在得到该样本图像对应的边缘图像后，可以对该边缘图像进行归一化处理，得到该边缘图像对应的灰度值，之后，可以通过预先设置的权重关联关系确定该灰度值对应的目标权重值，该权重关联关系可以包括不同的灰度值与权重值之间的对应关系。这样，可以将图像中纹理丰富区域(灰度值较大)的权重值设置的较大，将图像中平坦区域(灰度值较小)的权重值设置的较小，使得该图像超分模型可以体现图像的高频细节，从而使得低质图像受到高频细节影响的情况下，得到的超分图像的质量更好。

需要说明的是，上述确定该目标损失值的方法也可以应用于总损失值、第一细节损失值、第二细节损失值以及第三细节损失值，本公开对此不作限定。

进一步地，在得到该总损失值、该第一细节损失值、该第二细节损失值以及该第三细节损失值后，可以根据该总损失值，更新该第一神经网络模型、该第二神经网络模型、该第三神经网络模型、该第四神经网络模型、该第五神经网络模型以及该第六神经网络模型的参数；根据该第一细节损失值，更新该第一神经网络模型和该第四神经网络模型的参数；根据该第二细节损失值，更新该二神经网络模型和该第五神经网络模型的参数；根据该第三细节损失值，更新该第三神经网络模型和该第六神经网络模型的参数。其中，该第一神经网络模型、该第二神经网络模型、该第三神经网络模型、该第四神经网络模型、该第五神经网络模型以及该第六神经网络模型对应的损失函数可以是现有技术中常用的损失函数，不同的神经网络模型对应的损失函数可以相同，也可以不同，本公开对此不作限定。

需要说明的是，上述根据损失值更新神经网络模型的参数的方法可以参考现有技术的更新方法，此处不再赘述。

在一种可能的实现方式中，针对每个样本图像，将该样本图像中除首帧图像之外的其它帧图像进行随机平移，得到该样本图像对应的平移图像，针对该样本图像中的每一帧图像，获取目标帧图像与该帧图像之间的像素差值，该目标帧图像为该平移图像中与该帧图像对应的图像，并根据该像素差值确定该帧图像对应的帧权重；根据多个样本图像和多个帧权重对该目标神经网络模型进行训练，得到该图像超分模型。其中，该随机平移可以是将图像向任意角度移动。

示例地，若该样本图像包括10帧图像，则可以将该样本图像中的第二帧至第十帧图像进行随机平移，得到该样本图像对应的平移图像。之后，可以获取该样本图像的第一帧图像与该平移图像的第一帧图像之间的像素差值，该样本图像的第二帧图像与该平移图像的第二帧图像之间的像素差值，以此类推，获取该样本图像的第十帧图像与该平移图像的第十帧图像之间的像素差值。最后，可以根据该像素差值确定该样本图像中的多帧图像的对齐程度，示例地，若得到的像素差值越小，则表示该样本图像中的多帧图像对齐比较好，若得到的像素差值越大，则表示该样本图像中的多帧图像对齐比较差。在该该样本图像中的多帧图像对齐比较好的情况下，可以将该样本图像中每帧图像的帧权重设置为预设平均权重值，在该该样本图像中的多帧图像对齐比较差的情况下，可以将该样本图像中首帧图像的帧权重设置为预设最大权重值，将该样本图像中除首帧之外的其它帧图像的帧权重设置为预设最小权重值。这样，在输入图像超分模型的低质图像对齐失败的情况下，也能够得到质量较好的超分图像。

需要说明的是，上述示例中的帧权重的设置方式只是举例说明，本公开对帧权重的设置方式不作限定。

采用上述方法，可以获取样本图像对应的不同图像尺度的多个样本细节图像，根据多个样本细节图像获取该样本图像对应的预测图像，并根据该预测图像和该样本图像对应的真值图像对目标神经网络模型进行训练，得到图像超分模型，这样，训练得到的该图像超分模型可以体现低质图像在不同图像尺度的细节图像，从而使得该图像超分模型的准确率更高。另外，在训练该图像超分模型之前可以对该样本图像进行降质处理或平移处理，使得该图像超分模型可以适应更多类型的低画质图像或非对齐图像，进一步提高了该图像超分模型的准确率。

图6是根据一示例性实施例示出的一种图像处理装置的框图，如图6所示，该装置可以包括：

低质图像获取模块601，被配置为通过终端获取目标场景的低质图像；

超分图像获取模块602，被配置为将该低质图像输入预先训练的图像超分模型，得到该低质图像对应的超分图像；该图像超分模型用于获取该低质图像对应的至少一个细节图像，并根据至少一个该细节图像获取该超分图像，不同的细节图像对应的图像尺度不同。

可选地，该图像超分模型包括第一特征提取子模型、第二特征提取子模型、第三特征提取子模型、第一细节提取子模型、第二细节提取子模型以及第三细节提取子模型，该第一特征提取子模型的输出端分别与该第一细节提取子模型的输入端和该第二特征提取子模型的输入端耦合，该第二特征提取子模型的输出端分别与该第二细节提取子模型的输入端和该第三特征提取子模型的输入端耦合，该第三特征提取子模型的输出端与该第三细节提取子模型的输入端耦合。

可选地，该超分图像获取模块，还被配置为：

将该低质图像输入该第一特征提取子模型，得到该低质图像对应的第一尺度特征图像；

将该第一尺度特征图像输入该第二特征提取子模型，得到该低质图像对应的第二尺度特征图像；

将该第二尺度特征图像输入该第三特征提取子模型，得到该低质图像对应的第三尺度特征图像；

将该第一尺度特征图像输入该第一细节提取子模型，得到该低质图像对应的第一细节图像；

将该第二尺度特征图像输入该第二细节提取子模型，得到该低质图像对应的第二细节图像；

将该第三尺度特征图像输入该第三细节提取子模型，得到该低质图像对应的第三细节图像；

根据该第一细节图像、该第二细节图像以及该第三细节图像，获取该低质图像对应的超分图像。

可选地，图7是根据一示例性实施例示出的另一种图像处理装置的框图，如图7所示，该装置还包括：

模型训练模块603，被配置为获取多个样本图像和每个该样本图像对应的真值图像，该样本图像包括在预设场景中的相同位置连续采集的多帧低质图像；根据多个该样本图像和多个该真值图像对目标神经网络模型进行训练，得到该图像超分模型。

可选地，该模型训练模块603，还被配置为：

循环执行模型训练步骤，直至根据该真值图像和预测图像确定训练后的目标神经网络满足预设停止迭代条件，将训练后的目标神经网络模型作为该图像超分模型；该预测图像为该样本图像输入该训练后的目标神经网络模型后输出的图像；

该模型训练步骤包括：

将多个该样本图像输入该目标神经网络模型，输出每个该样本图像对应的预测图像；

在根据该真值图像和该预测图像确定该目标神经网络模型不满足该预设停止迭代条件的情况下，根据该真值图像和该预测图像确定目标损失值，根据该目标损失值更新该目标神经网络模型的参数，得到训练后的目标神经网络模型，并将该训练后的目标神经网络模型作为新的目标神经网络模型。

可选地，该模型训练模块603，还被配置为：

针对每个该样本图像，将该样本图像输入该目标神经网络模型，得到该样本图像对应的多个样本细节图像，并根据多个该样本细节图像获取该样本图像对应的预测图像。

可选地，该模型训练模块603，还被配置为：

将多个该样本细节图像相加，得到该样本图像对应的预测图像。

可选地，该目标损失值包括总损失值和多个细节损失值；该模型训练模块603，还被配置为：

根据该预测图像和该真值图像，确定该总损失值；

根据多个该样本细节图像和该真值图像，确定多个该细节损失值；

该根据该目标损失值更新该目标神经网络模型的参数包括：

根据该总损失值和该细节损失值，更新该目标神经网络模型的参数。

可选地，该样本细节图像包括第一样本细节图像、第二样本细节图像以及第三样本细节图像；该细节损失值包括第一细节损失值、第二细节损失值以及第三细节损失值；该模型训练模块603，还被配置为：

获取该第一样本细节图像、该第二样本细节图像以及该第三样本细节图像；

根据该第一样本细节图像和该真值图像，确定该第一细节损失值；

根据该第二样本细节图像和该真值图像，确定该第二细节损失值；

根据该第三样本细节图像和该真值图像，确定该第三细节损失值。

可选地，该目标神经网络模型包括第一神经网络模型、第二神经网络模型、第三神经网络模型、第四神经网络模型、第五神经网络模型以及第六神经网络模型；该模型训练模块，还被配置为：

将该样本图像输入该第一神经网络模型，得到该样本图像对应的第一尺度样本图像；

将该第一尺度样本图像输入该第二神经网络模型，得到该样本图像对应的第二尺度样本图像；

将该第二尺度样本图像输入该第三神经网络模型，得到该样本图像对应的第三尺度样本图像；

将该第一尺度样本图像输入该第四神经网络模型，得到所样本图像对应的第一样本细节图像；

将该第二尺度样本图像输入该第五神经网络模型，得到该样本图像对应的第二样本细节图像；

将该第三尺度样本图像输入该第六神经网络模型，得到该样本图像对应的第三样本细节图像；

该模型训练模块603，还被配置为：

根据该总损失值，更新该第一神经网络模型、该第二神经网络模型、该第三神经网络模型、该第四神经网络模型、该第五神经网络模型以及该第六神经网络模型的参数；

根据该第一细节损失值，更新该第一神经网络模型和该第四神经网络模型的参数；

根据该第二细节损失值，更新该二神经网络模型和该第五神经网络模型的参数；

根据该第三细节损失值，更新该第三神经网络模型和该第六神经网络模型的参数。

可选地，该模型训练模块603，还被配置为：

获取该样本图像对应的边缘图像；

该根据该真值图像和该预测图像确定目标损失值包括：

根据该真值图像、该预测图像以及该边缘图像，确定该目标损失值。

可选地，该模型训练模块603，还被配置为：

根据该边缘图像，确定目标权重值；

根据该真值图像和该预测图像，确定待定损失值；

将该待定损失值和该目标权重值的乘积，作为该目标损失值。

可选地，该模型训练模块603，还被配置为：

针对每个样本图像，对该样本图像的每一帧图像进行降质处理，得到该样本图像对应的样本低质图像；

该根据多个该样本图像和多个该真值图像对目标神经网络模型进行训练，得到该图像超分模型包括：

根据多个该样本低质图像和多个该真值图像对该目标神经网络模型进行训练，得到该图像超分模型。

可选地，该模型训练模块603，还被配置为：

针对每个该样本图像，将该样本图像中除首帧图像之外的其它帧图像进行随机平移，得到该样本图像对应的平移图像，针对该样本图像中的每一帧图像，获取目标帧图像与该帧图像之间的像素差值，该目标帧图像为该平移图像中与该帧图像对应的图像，并根据该像素差值确定该帧图像对应的帧权重；

该根据多个该样本图像和多个该真值图像对目标神经网络模型进行训练，得到该图像超分模型包括：

根据多个该样本图像和多个该帧权重对该目标神经网络模型进行训练，得到该图像超分模型。

通过上述装置，可以获取低质图像对应的不同图像尺度的多个细节图像，再根据该多个细节图像得到该低质图像对应的超分图像，这样，超分图像在不同尺度的细节图像均比较清晰，从而提高了超分图像的质量。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的图像处理方法的步骤。

图8是根据一示例性实施例示出的一种终端800的框图。例如，终端800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图8，终端800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制终端800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的图像处理方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在终端800的操作。这些数据的示例包括用于在终端800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件806为终端800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为终端800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述终端800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当终端800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当终端800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为终端800提供各个方面的状态评估。例如，传感器组件814可以检测到终端800的打开/关闭状态，组件的相对定位，例如所述组件为终端800的显示器和小键盘，传感器组件814还可以检测终端800或终端800一个组件的位置改变，用户与终端800接触的存在或不存在，终端800方位或加速/减速和终端800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于终端800和其他设备之间有线或无线方式的通信。终端800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，终端800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述图像处理方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由终端800的处理器820执行以完成上述图像处理方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的图像处理方法的代码部分。

本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (18)

1.一种图像处理方法，其特征在于，包括：

通过终端获取目标场景的低质图像；

将所述低质图像输入预先训练的图像超分模型，得到所述低质图像对应的超分图像；所述图像超分模型用于获取所述低质图像对应的至少一个细节图像，并根据至少一个所述细节图像获取所述超分图像，不同的细节图像对应的图像尺度不同。

2.根据权利要求1所述的方法，其特征在于，所述图像超分模型包括第一特征提取子模型、第二特征提取子模型、第三特征提取子模型、第一细节提取子模型、第二细节提取子模型以及第三细节提取子模型，所述第一特征提取子模型的输出端分别与所述第一细节提取子模型的输入端和所述第二特征提取子模型的输入端耦合，所述第二特征提取子模型的输出端分别与所述第二细节提取子模型的输入端和所述第三特征提取子模型的输入端耦合，所述第三特征提取子模型的输出端与所述第三细节提取子模型的输入端耦合。

3.根据权利要求2所述的方法，其特征在于，所述将所述低质图像输入预先训练的图像超分模型，得到所述低质图像对应的超分图像包括：

将所述低质图像输入所述第一特征提取子模型，得到所述低质图像对应的第一尺度特征图像；

将所述第一尺度特征图像输入所述第二特征提取子模型，得到所述低质图像对应的第二尺度特征图像；

将所述第二尺度特征图像输入所述第三特征提取子模型，得到所述低质图像对应的第三尺度特征图像；

将所述第一尺度特征图像输入所述第一细节提取子模型，得到所述低质图像对应的第一细节图像；

将所述第二尺度特征图像输入所述第二细节提取子模型，得到所述低质图像对应的第二细节图像；

将所述第三尺度特征图像输入所述第三细节提取子模型，得到所述低质图像对应的第三细节图像；

根据所述第一细节图像、所述第二细节图像以及所述第三细节图像，获取所述低质图像对应的超分图像。

4.根据权利要求1所述的方法，其特征在于，所述图像超分模型通过以下方式训练得到：

获取多个样本图像和每个所述样本图像对应的真值图像，所述样本图像包括在预设场景中的相同位置连续采集的多帧低质图像；

根据多个所述样本图像和多个所述真值图像对目标神经网络模型进行训练，得到所述图像超分模型。

5.根据权利要求4所述的方法，其特征在于，所述根据多个所述样本图像和多个所述真值图像对目标神经网络模型进行训练，得到所述图像超分模型包括：

循环执行模型训练步骤，直至根据所述真值图像和预测图像确定训练后的目标神经网络满足预设停止迭代条件，将训练后的目标神经网络模型作为所述图像超分模型；所述预测图像为所述样本图像输入该训练后的目标神经网络模型后输出的图像；

所述模型训练步骤包括：

将多个所述样本图像输入所述目标神经网络模型，输出每个所述样本图像对应的预测图像；

在根据所述真值图像和所述预测图像确定所述目标神经网络模型不满足所述预设停止迭代条件的情况下，根据所述真值图像和所述预测图像确定目标损失值，根据所述目标损失值更新所述目标神经网络模型的参数，得到训练后的目标神经网络模型，并将该训练后的目标神经网络模型作为新的目标神经网络模型。

6.根据权利要求5所述的方法，其特征在于，所述将多个所述样本图像输入所述目标神经网络模型，输出每个所述样本图像对应的预测图像包括：

针对每个所述样本图像，将所述样本图像输入所述目标神经网络模型，得到所述样本图像对应的多个样本细节图像，并根据多个所述样本细节图像获取所述样本图像对应的预测图像。

7.根据权利要求6所述的方法，其特征在于，所述根据多个所述样本细节图像获取所述样本图像对应的预测图像包括：

将多个所述样本细节图像相加，得到所述样本图像对应的预测图像。

8.根据权利要求6所述的方法，其特征在于，所述目标损失值包括总损失值和多个细节损失值；所述根据所述真值图像和所述预测图像确定目标损失值包括：

根据所述预测图像和所述真值图像，确定所述总损失值；

根据多个所述样本细节图像和所述真值图像，确定多个所述细节损失值；

所述根据所述目标损失值更新所述目标神经网络模型的参数包括：

根据所述总损失值和所述细节损失值，更新所述目标神经网络模型的参数。

9.根据权利要求8所述的方法，其特征在于，所述样本细节图像包括第一样本细节图像、第二样本细节图像以及第三样本细节图像；所述细节损失值包括第一细节损失值、第二细节损失值以及第三细节损失值；所述根据多个所述细节图像和所述真值图像，确定多个所述细节损失值包括：

获取所述第一样本细节图像、所述第二样本细节图像以及所述第三样本细节图像；

根据所述第一样本细节图像和所述真值图像，确定所述第一细节损失值；

根据所述第二样本细节图像和所述真值图像，确定所述第二细节损失值；

根据所述第三样本细节图像和所述真值图像，确定所述第三细节损失值。

10.根据权利要求9所述的方法，其特征在于，所述目标神经网络模型包括第一神经网络模型、第二神经网络模型、第三神经网络模型、第四神经网络模型、第五神经网络模型以及第六神经网络模型；所述获取所述第一样本细节图像、所述第二样本细节图像以及所述第三样本细节图像包括：

将所述样本图像输入所述第一神经网络模型，得到所述样本图像对应的第一尺度样本图像；

将所述第一尺度样本图像输入所述第二神经网络模型，得到所述样本图像对应的第二尺度样本图像；

将所述第二尺度样本图像输入所述第三神经网络模型，得到所述样本图像对应的第三尺度样本图像；

将所述第一尺度样本图像输入所述第四神经网络模型，得到所样本图像对应的第一样本细节图像；

将所述第二尺度样本图像输入所述第五神经网络模型，得到所述样本图像对应的第二样本细节图像；

将所述第三尺度样本图像输入所述第六神经网络模型，得到所述样本图像对应的第三样本细节图像。

11.根据权利要求10所述的方法，其特征在于，所述根据所述总损失值和所述细节损失值，更新所述目标神经网络模型的参数包括：

根据所述总损失值，更新所述第一神经网络模型、所述第二神经网络模型、所述第三神经网络模型、所述第四神经网络模型、所述第五神经网络模型以及所述第六神经网络模型的参数；

根据所述第一细节损失值，更新所述第一神经网络模型和所述第四神经网络模型的参数；

根据所述第二细节损失值，更新所述二神经网络模型和所述第五神经网络模型的参数；

根据所述第三细节损失值，更新所述第三神经网络模型和所述第六神经网络模型的参数。

12.根据权利要求5所述的方法，其特征在于，在所述根据所述真值图像和所述预测图像确定目标损失值前，所述方法还包括：

获取所述样本图像对应的边缘图像；

所述根据所述真值图像和所述预测图像确定目标损失值包括：

根据所述真值图像、所述预测图像以及所述边缘图像，确定所述目标损失值。

13.根据权利要求12所述的方法，其特征在于，所述根据所述真值图像、所述预测图像以及所述边缘图像，确定所述目标损失值包括：

根据所述边缘图像，确定目标权重值；

根据所述真值图像和所述预测图像，确定待定损失值；

将所述待定损失值和所述目标权重值的乘积，作为所述目标损失值。

14.根据权利要求4所述的方法，其特征在于，在所述根据多个所述样本图像和多个所述真值图像对目标神经网络模型进行训练，得到所述图像超分模型前，所述方法还包括：

针对每个所述样本图像，对所述样本图像的每一帧图像进行降质处理，得到所述样本图像对应的样本低质图像；

所述根据多个所述样本图像和多个所述真值图像对目标神经网络模型进行训练，得到所述图像超分模型包括：

根据多个所述样本低质图像和多个所述真值图像对所述目标神经网络模型进行训练，得到所述图像超分模型。

15.根据权利要求4所述的方法，其特征在于，在所述根据多个所述样本图像和多个所述真值图像对目标神经网络模型进行训练，得到所述图像超分模型前，所述方法还包括：

针对每个所述样本图像，将所述样本图像中除首帧图像之外的其它帧图像进行随机平移，得到所述样本图像对应的平移图像，针对所述样本图像中的每一帧图像，获取目标帧图像与该帧图像之间的像素差值，所述目标帧图像为所述平移图像中与该帧图像对应的图像，并根据所述像素差值确定该帧图像对应的帧权重；

所述根据多个所述样本图像和多个所述真值图像对目标神经网络模型进行训练，得到所述图像超分模型包括：

根据多个所述样本图像和多个所述帧权重对所述目标神经网络模型进行训练，得到所述图像超分模型。

16.一种图像处理装置，其特征在于，包括：

低质图像获取模块，被配置为通过终端获取目标场景的低质图像；

超分图像获取模块，被配置为将所述低质图像输入预先训练的图像超分模型，得到所述低质图像对应的超分图像；所述图像超分模型用于获取所述低质图像对应的至少一个细节图像，并根据至少一个所述细节图像获取所述超分图像，不同的细节图像对应的图像尺度不同。

17.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-15中任一项所述方法的步骤。

18.一种终端，其特征在于，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-15中任一项所述方法的步骤。

Images