CN115761248B - 图像处理方法、装置、设备及存储介质 - Google Patents
图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115761248B CN115761248B CN202211658655.9A CN202211658655A CN115761248B CN 115761248 B CN115761248 B CN 115761248B CN 202211658655 A CN202211658655 A CN 202211658655A CN 115761248 B CN115761248 B CN 115761248B
- Authority
- CN
- China
- Prior art keywords
- affine
- feature
- feature map
- shallow
- layer
- 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
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本公开实施例提供了一种图像处理方法、装置、设备及存储介质。该方法包括:获取待处理图像;其中,待处理图像为第一分辨率图像;将待处理图像输入至目标图像处理模型中,获得目标图像;其中,目标图像处理模型依次包括浅层特征提取层、下采样层、互仿射特征提取层、上采样层、特征微调层、亚像素卷积层;下采样层的输出与互仿射特征提取层的输出跳跃连接;浅层特征提取层的输出与上采样层的输出跳跃连接;浅层特征提取层的输入与特征微调层的输出跳跃连接;目标图像为第二分辨率图像,且第二分辨率大于第一分辨率。本公开实施例,可以提高图像处理的速度和精度。
Description
技术领域
本公开实施例涉及人工智能领域,尤其涉及一种图像处理方法、装置、设备及存储介质。
背景技术
在实际生产生活中,由于成像设备(如相机)上的硬件设备自身工艺的限制,如传感器尺寸的限制,通过成像设备所获得的图像往往不能满足在不同应用环境中的需求。另外,在图像的传输过程中也可能会导致图像质量的下降。
现有技术中,主要运用深度学习来获得高分辨率图像。例如,基于通道注意力块构成的超分网络(RCAN),其在每个模块内部运用通道注意力提取图像的特征,并且每个模块之间运用残差技术使网络的深度变得更深,从而可以获得高分辨率图像。又如,RFANet网络,其结合残差块特征融合模块(Residual Feature Aggregation,RFA模块)和空间注意力机制模块(Enhanced Spatial Attention,ESA模块),可以获得高分辨率图像。但是这些网络模型具有很大的参数量和计算量,导致不仅在训练模型方面,具有训练难度,而且在应用场景方面也具有很大的限制,比如很难应用于中低端设备中。
发明内容
本公开实施例提供一种图像处理方法、装置、设备及存储介质,可以提高图像处理的速度和精度。
第一方面,本公开实施例提供了一种图像处理方法,包括:获取待处理图像;其中,待处理图像为第一分辨率图像;将所述待处理图像输入至目标图像处理模型中,获得目标图像;其中,所述目标图像处理模型依次包括浅层特征提取层、下采样层、互仿射特征提取层、上采样层、特征微调层、亚像素卷积层;所述下采样层的输出与互仿射特征提取层的输出跳跃连接;所述浅层特征提取层的输出与所述上采样层的输出跳跃连接;所述浅层特征提取层的输入与所述特征微调层的输出跳跃连接;所述目标图像为第二分辨率图像,且所述第二分辨率大于所述第一分辨率。
第二方面,本公开实施例还提供了一种图像处理装置,待处理图像获取模块,用于获取待处理图像;其中,待处理图像为第一分辨率图像;目标图像获得模块,用于将所述待处理图像输入至目标图像处理模型中,获得目标图像;其中,所述目标图像处理模型依次包括浅层特征提取层、下采样层、互仿射特征提取层、上采样层、特征微调层、亚像素卷积层;所述下采样层的输出与互仿射特征提取层的输出跳跃连接;所述浅层特征提取层的输出与所述上采样层的输出跳跃连接;所述浅层特征提取层的输入与所述特征微调层的输出跳跃连接;所述目标图像为第二分辨率图像,且所述第二分辨率大于所述第一分辨率。
第三方面,本公开实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本公开实施例所述的图像处理方法。
第四方面,本公开实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例所述的图像处理方法。
本公开实施例的技术方案,通过获取待处理图像;其中,待处理图像为第一分辨率图像;将待处理图像输入至目标图像处理模型中,获得目标图像;其中,目标图像处理模型依次包括浅层特征提取层、下采样层、互仿射特征提取层、上采样层、特征微调层、亚像素卷积层;下采样层的输出与互仿射特征提取层的输出跳跃连接;浅层特征提取层的输出与上采样层的输出跳跃连接;浅层特征提取层的输入与特征微调层的输出跳跃连接;目标图像为第二分辨率图像,且第二分辨率大于第一分辨率。本公开实施例,通过目标图像处理模型中的下采样层和互仿射特征提取层,使得目标图像处理模型具有更少的参数量和计算量以及具有更快的推理速度,从而可以提高图像处理的速度和精度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例所提供的图像处理方法流程示意图;
图2为本发明实施例提供的目标图像处理模型网络结构图;
图3为本发明实施例提供的互仿射特征提取层的网络结构示意图;
图4为本公开实施例所提供的一种图像处理装置结构示意图;
图5是本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1为本公开实施例所提供的图像处理方法流程示意图,本公开实施例适用于将低分辨率图像恢复为高分辨率图像的情形,该方法可以由图像处理装置来执行,该装置可以通过软件和/或硬件的形式实现,可选的,通过电子设备来实现,该电子设备可以是移动终端、PC端或服务器等。如图1所示,方法包括:
S110、获取待处理图像。
其中,待处理图像为第一分辨率图像。本实施例中,可以通过摄像机、移动终端、计算机等任意具有拍摄功能的设备得到待处理图像。
S120、将待处理图像输入至目标图像处理模型中,获得目标图像。
其中,目标图像处理模型依次包括浅层特征提取层、下采样层、互仿射特征提取层、上采样层、特征微调层、亚像素卷积层;下采样层的输出与互仿射特征提取层的输出跳跃连接;浅层特征提取层的输出与上采样层的输出跳跃连接;浅层特征提取层的输入与特征微调层的输出跳跃连接。如图2所示,图2为本发明实施例提供的目标图像处理模型网络结构图。其中,目标图像为第二分辨率图像,且第二分辨率大于第一分辨率。目标图像的分辨率可以是待处理图像分辨率的r倍,r为大于1的整数。
可选的,将待处理图像输入至目标图像处理模型中,获得目标图像,包括:浅层特征提取层对待处理图像进行特征提取,获得第一浅层特征图;下采样层对第一浅层特征图进行下采样处理,获得第二浅层特征图;互仿射特征提取层对第二浅层特征图仿射特征提取,获得第一深层特征图;上采样层对第一深层特征图和第二浅层特征图相加后的特征图进行上采样处理,获得第二深层特征图;特征微调层对第二深层特征图和第一浅层特征图相加后的特征图的通道数进行微调,获得设定通道数的微调特征图;将微调特征图和待处理图像相加后的特征图输入至亚像素卷积层中,获得目标图像。
其中,浅层特征提取层可以是尺寸为3*3,步长为1的卷积层(卷积核)。具体的,通过卷积层对待处理图像进行特征提取,生成第一浅层特征图。例如,待处理图像为第一浅层特征图为/>其中,C、H、W可以分别理解为图像的通道数、高度和宽度。C的具体值可以根据目标图像处理模型的效果而定,本实施例对此不作限制,例如可以为64。C×H×W可以理解为第一浅层特征图的大小。待处理图像中的“3”可以理解为原始通道数。在得到第一浅层特征图之后,可以通过下采样层(又称池化层)对第一浅层特征图进行下采样处理,生成第二浅层特征图,并且第二浅层特征图的高宽尺寸为第一浅层特征图尺寸的一半。其中,下采样层中的卷积核尺寸可以为2*2,且步长为2。其中,第二浅层特征图可以表征为/>
具体的,在得到第二浅层特征图之后,可以通过互仿射特征提取层对第二浅层特征图仿射特征提取,获得第一深层特征图。第一深层特征图可以表征为本实施例,通过互仿射特征提取层提取更深层的特征信息,以用于恢复更加清晰的高分辨率图像。其中,互仿射特征提取层可以理解为轻量化特征提取模块,主要将第二浅层特征图的通道分为两半,每一半的特征信息均通过另一半的特征信息进行增强,并将增强后的两部分特征图进行通道级联,得到所在层的输出。
具体的,在得到第一深层特征图之后,下采样层的输出与互仿射特征提取层的输出相加生成新的特征图,并通过上采样层对新的特征图进行上采样处理,获得第二深层特征图。其中,上采样层可以理解为反卷积层,卷积核的尺寸可以是2*2,步长为2。本实施例,通过下采样层将第一深层特征图的高宽尺寸恢复为待处理图像(或第一浅层特征图)的高宽尺寸。第二深层特征图可以通过表征。
具体的,在得到第二深层特征图之后,特征微调层对浅层特征提取层的输出与上采样层的输出相加后的特征图进行微调,得到微调特征图。对于微调,可以理解为对通道数进行微调,以便于后续亚像素卷积层的处理。示例性的,若将超分辨率倍数参数设置为r,则微调特征图的通道数为3*r*r。例如,r为3,则微调特征图的通道数为27。对于超分辨率倍数参数,可以理解为:目标图像的分辨率可以是待处理图像分辨率的r倍。而对于微调实现方式,可以通过padding参数结合卷积核尺寸为3*3,步长为1的卷积层进行自适应微调。
具体的,在得到微调特征图之后,将待处理图像的通道数进行扩张,扩张的通道数与微调特征图的通道数相同。并将微调特征图和扩张后的待处理图像相加后的特征图输入至亚像素卷积层中,从而可以得到最终的目标图像。其中,亚像素卷积层的输出可以通过表征,通过亚像素卷积层可以将通道数变为原始的3通道,并将H、W均扩大r倍。
可选的,互仿射特征提取层包括通道分割模块、两个并行的互仿射特征提取子层和通道级联模块;通道分割模块对第二浅层特征图进行通道分割,获得第三浅层特征图和第四浅层特征图;两个并行的互仿射特征提取子层均对第三浅层特征图和第四浅层特征图进行仿射特征提取,获得两个增强特征图;通道级联模块对两个增强特征图进行通道级联,获得第一深层特征图。
本实施例,通道分割模块通过调用通道分割函数,将第二浅层特征图进行通道分割,获得第三浅层特征图和第四浅层特征图,两个并行的互仿射特征提取子层均对第三浅层特征图和第四浅层特征图进行仿射特征(深层特征)提取,获得两个增强特征图。通道级联模块对两个增强特征图在通道维度上进行拼接,获得第一深层特征图。
可选的,两个并行的互仿射特征提取子层均对第三浅层特征图和第四浅层特征图进行仿射特征提取,获得两个增强特征图,包括:第一互仿射特征提取子层中的第一互反射模块对第三浅层特征图和第四浅层特征图进行仿射特征提取,获得第一仿射特征图;第二互仿射特征提取子层中的第一互反射模块对第三浅层特征图和第四浅层特征图进行仿射特征提取,获得第二仿射特征图;将第一仿射特征图和第三浅层特征图相加,获得新的第一仿射特征图;将第二仿射特征图和第四浅层特征图相加,获得新的第二仿射特征图;第一互仿射特征提取子层中的第二互反射模块对新的第一仿射特征图及新的第二仿射特征图进行仿射特征提取,获得第一互仿射特征提取子层输出的增强特征图;第二互仿射特征提取子层中的第二互反射模块对新的第二仿射特征图及新的第一仿射特征图进行仿射特征提取,获得第二互仿射特征提取子层输出的增强特征图。
其中,互仿射特征提取子层包括至少两个互反射模块;至少两个互反射模块间级联连接。相邻互反射模块中的前一个互反射模块的输出与后一个互反射模块的输出跳跃连接。本实施例中,两个并行的互仿射特征提取子层均可以包括至少两个连续的互反射模块。对于每个互仿射特征提取子层,互反射模块间级联连接。对于两两相邻的互反射模块,前一个互反射模块的输出与后一个互反射模块的输出跳跃连接。
具体的,对于每个互仿射特征提取子层中的第一互反射模块,第一互仿射特征提取子层中的第一互反射模块对第三浅层特征图和第四浅层特征图进行仿射特征提取,获得第一仿射特征图。第二互仿射特征提取子层中的第一互反射模块对第三浅层特征图和第四浅层特征图进行仿射特征提取,获得第二仿射特征图。在第一互仿射特征提取子层中的第一互反射模块中,将第一仿射特征图和第三浅层特征图相加,获得新的第一仿射特征图,即得到第一互仿射特征提取子层中的第一互反射模块的输出。在第二互仿射特征提取子层中的第一互反射模块中,将第二仿射特征图和第四浅层特征图相加,获得新的第二仿射特征图,即得到第二互仿射特征提取子层中的第一互反射模块的输出。
具体的,对于每个互仿射特征提取子层中的第N互反射模块,N为大于1的整数。第N互反射模块的输入包括两部分,一部分为当前互仿射特征提取子层中第N-1互反射模块的输出,另一部分为另一互仿射特征提取子层中第N-1互反射模块的输出。例如,N以2为例,第一互仿射特征提取子层中的第二互反射模块对新的第一仿射特征图及新的第二仿射特征图(第一互仿射特征提取子层中的第一互反射模块的输出和第二互仿射特征提取子层中的第一互反射模块的输出)进行仿射特征提取,获得第一互仿射特征提取子层输出的增强特征图;第二互仿射特征提取子层中的第二互反射模块对新的第二仿射特征图及新的第一仿射特征图进行仿射特征提取,获得第二互仿射特征提取子层输出的增强特征图。
可选的,第一互仿射特征提取子层中的第一互反射模块对第三浅层特征图和第四浅层特征图进行仿射特征提取,获得第一仿射特征图,包括:第一互仿射特征提取子层中的第一互反射模块中的第一增强单元对第三浅层特征图和第四浅层特征图进行仿射特征提取,获得第一仿射特征子图;激活函数单元对第一仿射特征子图进行处理,获得新的第一仿射特征子图;第一互反射模块中第二增强单元对新的第一仿射特征子图和第二仿射特征子图进行仿射特征提取,获得第一仿射特征图;其中,第二仿射特征子图通过第二互仿射特征提取子层中的第一互反射模块中的第一增强单元获得。
其中,互反射模块包括至少两个增强单元和至少一个激活函数单元;至少两个增强单元间通过至少一个激活函数单元级联连接。其中激活函数可以是任意的激活函数,本实施例对此不作限制,例如可以是修正线性单元(Linear rectification function,RELU)。
可选的,第二互仿射特征提取子层中的第一互反射模块对第三浅层特征图和第四浅层特征图进行仿射特征提取,获得第二仿射特征图,包括:第二互仿射特征提取子层中的第一互反射模块中第一增强单元对第三浅层特征图和第四浅层特征图进行仿射特征提取,获得第二仿射特征子图;激活函数单元对第二仿射特征子图进行处理,获得新的第二仿射特征子图;第二互反射模块中第二增强单元对新的第二仿射特征子图和第一仿射特征子图进行仿射特征提取,获得第二仿射特征图。
具体的,每个互仿射特征提取子层中的第一互反射模块中第一增强单元的输入均为两部分,一部分为第三浅层特征图,另一部分为第四浅层特征图。每个互仿射特征提取子层中的第N互反射模块中第一增强单元的输入均为两部分,一部分为当前互仿射特征提取子层中第N-1互反射模块的输出,另一部分为另一互仿射特征提取子层中第N-1互反射模块的输出。对于每个互仿射特征提取子层中的每个互反射模块中第N增强单元的输入也包括两部分,一部分为当前互仿射特征提取子层中的当前互反射模块中的第N-1增强单元经过激活函数后的输出,另一部分为另一互仿射特征提取子层中对应的互反射模块中的第N-1增强单元的输出。需要说明的是,当前互仿射特征提取子层中的当前互反射模块与另一互仿射特征提取子层中对应的互反射模块位置相同,例如如果当前互反射模块为当前互仿射特征提取子层中的第一互反射模块,则另一互仿射特征提取子层中对应的互反射模块为另一互仿射特征提取子层中的第一互反射模块。
可选的,增强单元包括通道分割子单元和仿射特征提取子单元;第一互仿射特征提取子层中的第一互反射模块中的第一增强单元对第三浅层特征图和第四浅层特征图进行仿射特征提取,获得第一仿射特征子图,包括:通道分割子单元对第四浅层特征图进行通道分割,获得第五浅层特征图和第六浅层特征图;将第三浅层特征图和第五浅层特征图进行相乘,并将相乘后的特征图与第六浅层特征图进行相加,获得第三仿射特征子图;仿射特征提取子单元对第三仿射特征子图进行特征提取,获得第一仿射特征子图。
具体的,对于每个互仿射特征提取子层中的第N互反射模块中的第一增强单元的通道分割单元均仅对两部分输入中的一个输入进行通道分割,并且被通道分割的输入为另一互仿射特征提取子层中第N-1互反射模块的输出。同理,对于每个互仿射特征提取子层中的每个互反射模块中的第N增强单元的通道分割单元均仅对两部分输入中的一个输入进行通道分割,并且被通道分割的输入为另一互仿射特征提取子层中对应互反射模块第N-1增强单元的输出。需要说明的是,每个增强单元进行仿射特征提取的过程均相同,区别仅在于输入不同。
具体的,以第一互仿射特征提取子层中第一互反射模块中的第一增强单元为例,通道分割子单元对第四浅层特征图进行通道分割的过程如下:首先通过尺寸为1*1的卷积层对第四浅层特征图的大小进行压缩,以减少互反射模块在后续特征提取过程中的参数量和计算量,然后经过激活函数进行非线性输出,再通过尺寸为1*1的卷积层,得到新的第四浅层特征图,同时使得第五浅层特征图和第六浅层特征图的通道数相同。最后通过调用通道分割函数将新的第四浅层特征图进行通道维度上的分割,获得第五浅层特征图和第六浅层特征图。在得到第五浅层特征图和第六浅层特征图之后,将第三浅层特征图和第五浅层特征图进行按位相乘,并将相乘后的特征图与第六浅层特征图进行按位相加,获得第三仿射特征子图。仿射特征提取子单元通过3*3的卷积层(尺寸为3*3,步长为1的卷积核)对第三仿射特征子图进行特征提取,获得第一仿射特征子图。
可选的,第二互仿射特征提取子层中的第一互反射模块中第一增强单元对第三浅层特征图和第四浅层特征图进行仿射特征提取,获得第二仿射特征子图,包括:通道分割子单元对第三浅层特征图进行通道分割,获得第七浅层特征图和第八浅层特征图;将第四浅层特征图和第七浅层特征图进行相乘,并将相乘后的特征图与第八浅层特征图进行相加,获得第四仿射特征子图;仿射特征提取子单元对第四仿射特征子图进行特征提取,获得第二仿射特征子图。
具体的,以第二互仿射特征提取子层中第一互反射模块中的第一增强单元为例,通道分割子单元对第三浅层特征图进行通道分割的过程如下:首先通过尺寸为1*1的卷积层对第三浅层特征图的大小进行压缩,以减少互反射模块在后续特征提取过程中的参数量和计算量,然后经过激活函数进行非线性输出,再通过尺寸为1*1的卷积层,得到新的第三浅层特征图,同时使得第七浅层特征图和第八浅层特征图的通道数相同。最后通过调用通道分割函数将新的第三浅层特征图进行通道维度上的分割,获得第七浅层特征图和第八浅层特征图。在得到第七浅层特征图和第八浅层特征图之后,将第四浅层特征图和第七浅层特征图进行按位相乘,并将相乘后的特征图与第八浅层特征图进行按位相加,获得第四仿射特征子图。仿射特征提取子单元通过3*3的卷积层(尺寸为3*3,步长为1的卷积核)对第四仿射特征子图进行特征提取,获得第二仿射特征子图。
本实施例中,对于增强单元,可以理解为一个尺寸为3*3的卷积层,但是在输出相同通道数的情况下,一个增强单元的参数量与计算量少于一个尺寸为3*3的卷积层,并且能够利用不同通道之间的相互依赖性,使得目标图像处理模型特征提取能力更强,保证目标图像的效果。在推理速度方面,由于计算量和参数量的降低,相比现有技术,拥有更快的推理速度。
示例性的,图3为本发明实施例提供的互仿射特征提取层的网络结构示意图。图3中,x表示第二浅层特征图,x1和x2分别表示第三浅层特征图和第四浅层特征图。图3中,每个互仿射特征提取子层共N个互反射模块,图中仅显示3个。z1表示第一仿射特征子图,z2表示第二仿射特征子图。y1表示第三仿射特征子图,y2表示第四仿射特征子图。β1和γ1分别表示第五浅层特征图和第六浅层特征图。Conv(1)表示尺寸为1*1的卷积层,Relu表示Relu激活函数。第一互反射模块中包括至少两个增强单元,图中仅显示2个增强单元。z3表示第二互仿射特征提取子层中第一互反射模块的输出,z4表示第一互仿射特征提取子层中第一互反射模块的输出,z5表示第二互仿射特征提取子层中第N-1互反射模块的输出,z6表示第一互仿射特征提取子层中第N-1互反射模块的输出。☉表示按位相乘,⊕表示按位相加。
本实施例中,通过下采样层,将第一浅层特征图的尺寸降为一半,从而可以大幅度减少后续互仿射特征提取层的计算量,提高目标图像处理模型的运行速度。并且本实施例中的轻量化的互仿射模块,在减少参数量的同时,保证特征提取的有效性,降低了由于下采样层带来的信息损失。轻量化的互仿射特征提取层,将输入的特征图通道分为两半,这两部分的特征信息各自利用另一半的特征信息互相仿射,互相增强,在互仿射特征提取层的最后部分再将增强后的特征信息进行通道级联,得到最终的输出。因此,该互仿射特征提取层可以通过互仿射变换利用不同通道之间的相互依赖性,不仅降低了目标图像处理模型的参数量与计算量,而且拥有更好的特征提取能力。
可选的,目标图像处理模型训练方式为:获取预处理后的第一设定数量的第二分辨率图像;预处理包括旋转和翻转操作;基于设定采样倍数将第一设定数量的第二分辨率图像扩充为第二设定数量的第二分辨率图像;对裁减后的第二设定数量的第二分辨率图像进行下采样预处理,获得第二设定数量的第一分辨率图像;将第二设定数量的第一分辨率图像拆分为训练集和测试集;基于训练集对目标图像处理模型进行训练,获得训练后的目标图像处理模型;基于测试集对训练后的目标图像处理模型进行测试。
其中,第一设定数量可以是任意的数量,例如800张,第二设定数量也可以为任意的数量,但第二设定数量大于第一设定数量。其中设定采样倍数可以是0-1之间的任意数值,例如将每张第二分辨率图像扩充为5张第二分辨率图像,这一组设定采样倍数可以是:[1,0.9,0.8,0.7,0.6]。扩张前的一张第二分辨率图像的分辨率以1920*1080为例,则扩充后的5张第二分辨率图像的分辨率分别为:1920*1080,1920*0.9*1080*0.9,1920*0.8*1080*0.8,1920*0.7*1080*0.7,1920*0.6*1080*0.6。
本实施例中,得到第一设定数量的第二分辨率图像之后,对第一设定数量的第二分辨率图像进行预处理,然后基于一组设定采样倍数将预处理后的第一设定数量的第二分辨率图像扩充为第二设定数量的第二分辨率图像。通过裁减处理将第二设定数量的第二分辨率图像的分辨率统一到设定分辨率(如192*192),并对裁减后的第二设定数量的第二分辨率图像进行下采样预处理,获得第二设定数量的第一分辨率图像。其中,下采样预处理的倍数可以为超分辨率倍数参数,超分辨率倍数参数可以理解为:目标图像的分辨率为目标图像处理模型输入(待处理图像)分辨率的3倍,可以通过r表征。示例性的,设定分辨率以192*192为例,r以3为例,则第一分辨率图像的分辨率为192*0.3*192*0.3。
本实施例中,在得到第二设定数量的第一分辨率图像之后,可以将第二设定数量的第一分辨率图像拆分为训练集和测试集;基于训练集对目标图像处理模型进行训练,获得训练后的目标图像处理模型;基于测试集对训练后的目标图像处理模型进行测试。其中,目标图像处理模型的输入为:第二设定数量的第一分辨率图像,对应的标签为下采样预处理前的第二设定数量的第二分辨率图像。
本实施例中,基于目标图像处理模型预测的第二分辨率图像和下采样预处理前真实的第二分辨率图像确定损失函数,目标图像处理模型基于损失函数进行训练,当训练达到设定的迭代数之后,可以获得训练后的目标图像处理模型。其中,损失函数可以是平均绝对误差函数(又称为L1损失函数)。
本公开实施例的技术方案,通过获取待处理图像;其中,待处理图像为第一分辨率图像;将待处理图像输入至目标图像处理模型中,获得目标图像;其中,目标图像处理模型依次包括浅层特征提取层、下采样层、互仿射特征提取层、上采样层、特征微调层、亚像素卷积层;下采样层的输出与互仿射特征提取层的输出跳跃连接;浅层特征提取层的输出与上采样层的输出跳跃连接;浅层特征提取层的输入与特征微调层的输出跳跃连接;目标图像为第二分辨率图像,且第二分辨率大于第一分辨率。本公开实施例,在模型的计算量方面,通过目标图像处理模型中的下采样层可以降低浅层特征提取层所输出的特征图的尺寸,降低了目标图像处理模型在特征提取方面的计算量。在模型的参数量方面,通过互仿射特征提取层,在相同的输出通道情况下,相比卷积层(尺寸为3*3卷积核)具有更少的参数量和计算量。并且能够利用不同通道之间的相互依赖性,使得目标图像处理模型特征提取能力更强,能够提取出丰富的特征图来保证图像处理的效果(图像超分辨率的效果)。在推理速度方面,由于计算量和参数量的降低,从而具有更快的推理速度。
图4为本公开实施例所提供的一种图像处理装置结构示意图,如图4所示,所述装置包括:待处理图像获取模块410及目标图像获得模块420。
待处理图像获取模块410,用于获取待处理图像;其中,待处理图像为第一分辨率图像;
目标图像获得模块420,用于将所述待处理图像输入至目标图像处理模型中,获得目标图像;其中,所述目标图像处理模型依次包括浅层特征提取层、下采样层、互仿射特征提取层、上采样层、特征微调层、亚像素卷积层;所述下采样层的输出与互仿射特征提取层的输出跳跃连接;所述浅层特征提取层的输出与所述上采样层的输出跳跃连接;所述浅层特征提取层的输入与所述特征微调层的输出跳跃连接;所述目标图像为第二分辨率图像,且所述第二分辨率大于所述第一分辨率。
本公开实施例的技术方案,通过待处理图像获取模块获取待处理图像;其中,待处理图像为第一分辨率图像;通过目标图像获得模块将所述待处理图像输入至目标图像处理模型中,获得目标图像;其中,所述目标图像处理模型依次包括浅层特征提取层、下采样层、互仿射特征提取层、上采样层、特征微调层、亚像素卷积层;所述下采样层的输出与互仿射特征提取层的输出跳跃连接;所述浅层特征提取层的输出与所述上采样层的输出跳跃连接;所述浅层特征提取层的输入与所述特征微调层的输出跳跃连接;所述目标图像为第二分辨率图像,且所述第二分辨率大于所述第一分辨率。本公开实施例,在模型的计算量方面,通过目标图像处理模型中的下采样层可以降低浅层特征提取层所输出的特征图的尺寸,降低了目标图像处理模型在特征提取方面的计算量。在模型的参数量方面,通过互仿射特征提取层,在相同的输出通道情况下,相比卷积层具有更少的参数量和计算量。在推理速度方面,由于计算量和参数量的降低,从而具有更快的推理速度。
可选的,目标图像获得模块具体用于:浅层特征提取层对所述待处理图像进行特征提取,获得第一浅层特征图;下采样层对所述第一浅层特征图进行下采样处理,获得第二浅层特征图;互仿射特征提取层对所述第二浅层特征图仿射特征提取,获得第一深层特征图;上采样层对所述第一深层特征图和所述第二浅层特征图相加后的特征图进行上采样处理,获得第二深层特征图;特征微调层对所述第二深层特征图和第一浅层特征图相加后的特征图的通道数进行微调,获得设定通道数的微调特征图;将所述微调特征图和所述待处理图像相加后的特征图输入至所述亚像素卷积层中,获得目标图像。
可选的,目标图像获得模块还用于:互仿射特征提取层包括通道分割模块、两个并行的互仿射特征提取子层和通道级联模块;所述通道分割模块对所述第二浅层特征图进行通道分割,获得第三浅层特征图和第四浅层特征图;所述两个并行的互仿射特征提取子层均对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得两个增强特征图;所述通道级联模块对所述两个增强特征图进行通道级联,获得第一深层特征图。
可选的,所述互仿射特征提取子层包括至少两个互反射模块;所述至少两个互反射模块间级联连接;所述相邻互反射模块中的前一个互反射模块的输出与后一个互反射模块的输出跳跃连接。可选的,目标图像获得模块还用于:第一互仿射特征提取子层中的第一互反射模块对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得第一仿射特征图;第二互仿射特征提取子层中的第一互反射模块对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得第二仿射特征图;将所述第一仿射特征图和所述第三浅层特征图相加,获得新的第一仿射特征图;将所述第二仿射特征图和所述第四浅层特征图相加,获得新的第二仿射特征图;第一互仿射特征提取子层中的第二互反射模块对所述新的第一仿射特征图及所述新的第二仿射特征图进行仿射特征提取,获得第一互仿射特征提取子层输出的增强特征图;第二互仿射特征提取子层中的第二互反射模块对所述新的第二仿射特征图及所述新的第一仿射特征图进行仿射特征提取,获得第二互仿射特征提取子层输出的增强特征图。
可选的,所述互反射模块包括至少两个增强单元和至少一个激活函数单元;所述至少两个增强单元间通过至少一个激活函数单元级联连接;可选的,目标图像获得模块还用于:第一互仿射特征提取子层中的第一互反射模块中的第一增强单元对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得第一仿射特征子图;所述激活函数单元对所述第一仿射特征子图进行处理,获得新的第一仿射特征子图;第一互反射模块中第二增强单元对所述新的第一仿射特征子图和第二仿射特征子图进行仿射特征提取,获得第一仿射特征图;其中,所述第二仿射特征子图通过所述第二互仿射特征提取子层中的第一互反射模块中的第一增强单元获得。
可选的,目标图像获得模块还用于:第二互仿射特征提取子层中的第一互反射模块中第一增强单元对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得第二仿射特征子图;所述激活函数单元对所述第二仿射特征子图进行处理,获得新的第二仿射特征子图;第二互反射模块中第二增强单元对所述新的第二仿射特征子图和第一仿射特征子图进行仿射特征提取,获得第二仿射特征图。
可选的,所述增强单元包括通道分割子单元和仿射特征提取子单元;可选的,目标图像获得模块还用于:通道分割子单元对所述第四浅层特征图进行通道分割,获得第五浅层特征图和第六浅层特征图;将所述第三浅层特征图和所述第五浅层特征图进行相乘,并将相乘后的特征图与所述第六浅层特征图进行相加,获得第三仿射特征子图;仿射特征提取子单元对所述第三仿射特征子图进行特征提取,获得第一仿射特征子图;可选的,目标图像获得模块还用于:通道分割子单元对所述第三浅层特征图进行通道分割,获得第七浅层特征图和第八浅层特征图;将所述第四浅层特征图和所述第七浅层特征图进行相乘,并将相乘后的特征图与所述第八浅层特征图进行相加,获得第四仿射特征子图;仿射特征提取子单元对所述第四仿射特征子图进行特征提取,获得第二仿射特征子图。
可选的,上述装置包括目标图像处理模型训练模块,目标图像处理模型训练模块用于:获取预处理后的第一设定数量的第二分辨率图像;预处理包括旋转和翻转操作;基于设定采样倍数将所述第一设定数量的第二分辨率图像扩充为第二设定数量的第二分辨率图像;对裁减后的所述第二设定数量的第二分辨率图像进行下采样预处理,获得第二设定数量的第一分辨率图像;将所述第二设定数量的第一分辨率图像拆分为训练集和测试集;基于所述训练集对所述目标图像处理模型进行训练,获得训练后的目标图像处理模型;基于所述测试集对所述训练后的目标图像处理模型进行测试。
本公开实施例所提供的图像处理装置可执行本公开任意实施例所提供的图像处理方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本公开实施例的保护范围。
图5为本公开实施例所提供的一种电子设备的结构示意图。下面参考图5,其示出了适于用来实现本公开实施例的电子设备(例如图5中的终端设备或服务器)500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。编辑/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开实施例的方法中限定的上述功能。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本公开实施例提供的电子设备与上述实施例提供的图像处理方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例所提供的图像处理方法。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待处理图像;其中,待处理图像为第一分辨率图像;
将所述待处理图像输入至目标图像处理模型中,获得目标图像;其中,所述目标图像处理模型依次包括浅层特征提取层、下采样层、互仿射特征提取层、上采样层、特征微调层、亚像素卷积层;所述下采样层的输出与互仿射特征提取层的输出跳跃连接;所述浅层特征提取层的输出与所述上采样层的输出跳跃连接;所述浅层特征提取层的输入与所述特征微调层的输出跳跃连接;所述目标图像为第二分辨率图像,且所述第二分辨率大于所述第一分辨率。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (9)
1.一种图像处理方法,其特征在于,包括:
获取待处理图像;其中,待处理图像为第一分辨率图像;
将所述待处理图像输入至目标图像处理模型中,获得目标图像;其中,所述目标图像处理模型依次包括浅层特征提取层、下采样层、互仿射特征提取层、上采样层、特征微调层、亚像素卷积层;所述下采样层的输出与互仿射特征提取层的输出跳跃连接;所述浅层特征提取层的输出与所述上采样层的输出跳跃连接;所述浅层特征提取层的输入与所述特征微调层的输出跳跃连接;所述目标图像为第二分辨率图像,且所述第二分辨率大于所述第一分辨率;
所述互仿射特征提取层包括通道分割模块、两个并行的互仿射特征提取子层;
所述通道分割模块对第二浅层特征图进行通道分割,获得第三浅层特征图和第四浅层特征图,其中,浅层特征提取层对所述待处理图像进行特征提取,获得第一浅层特征图,下采样层对所述第一浅层特征图进行下采样处理,获得第二浅层特征图;
所述两个并行的互仿射特征提取子层均对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得两个增强特征图;
所述两个并行的互仿射特征提取子层均对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得两个增强特征图,包括:
第一互仿射特征提取子层中的第一互反射模块对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得第一仿射特征图;
第二互仿射特征提取子层中的第一互反射模块对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得第二仿射特征图;
将所述第一仿射特征图和所述第三浅层特征图相加,获得新的第一仿射特征图;
将所述第二仿射特征图和所述第四浅层特征图相加,获得新的第二仿射特征图;
第一互仿射特征提取子层中的第二互反射模块对所述新的第一仿射特征图及所述新的第二仿射特征图进行仿射特征提取,获得第一互仿射特征提取子层输出的增强特征图;
第二互仿射特征提取子层中的第二互反射模块对所述新的第二仿射特征图及所述新的第一仿射特征图进行仿射特征提取,获得第二互仿射特征提取子层输出的增强特征图。
2.根据权利要求1所述的方法,其特征在于,将所述待处理图像输入至目标图像处理模型中,获得目标图像,包括:
互仿射特征提取层对所述第二浅层特征图仿射特征提取,获得第一深层特征图;
上采样层对所述第一深层特征图和所述第二浅层特征图相加后的特征图进行上采样处理,获得第二深层特征图;
特征微调层对所述第二深层特征图和第一浅层特征图相加后的特征图的通道数进行微调,获得设定通道数的微调特征图;
将所述微调特征图和所述待处理图像相加后的特征图输入至所述亚像素卷积层中,获得目标图像。
3.根据权利要求2所述的方法,其特征在于,互仿射特征提取层包括通道级联模块;
所述通道级联模块对两个增强特征图进行通道级联,获得第一深层特征图。
4.根据权利要求1所述的方法,其特征在于,所述互反射模块包括至少两个增强单元和至少一个激活函数单元;所述至少两个增强单元间通过至少一个激活函数单元连接;第一互仿射特征提取子层中的第一互反射模块对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得第一仿射特征图,包括:
第一互仿射特征提取子层中的第一互反射模块中的第一增强单元对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得第一仿射特征子图;
所述激活函数单元对所述第一仿射特征子图进行处理,获得新的第一仿射特征子图;
第一互反射模块中第二增强单元对所述新的第一仿射特征子图和第二仿射特征子图进行仿射特征提取,获得第一仿射特征图;其中,所述第二仿射特征子图通过所述第二互仿射特征提取子层中的第一互反射模块中的第一增强单元获得;
第二互仿射特征提取子层中的第一互反射模块对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得第二仿射特征图,包括:
第二互仿射特征提取子层中的第一互反射模块中第一增强单元对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得第二仿射特征子图;
所述激活函数单元对所述第二仿射特征子图进行处理,获得新的第二仿射特征子图;
第二互反射模块中第二增强单元对所述新的第二仿射特征子图和第一仿射特征子图进行仿射特征提取,获得第二仿射特征图。
5.根据权利要求4所述的方法,其特征在于,所述增强单元包括通道分割子单元和仿射特征提取子单元;第一互仿射特征提取子层中的第一互反射模块中的第一增强单元对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得第一仿射特征子图,包括:
通道分割子单元对所述第四浅层特征图进行通道分割,获得第五浅层特征图和第六浅层特征图;
将所述第三浅层特征图和所述第五浅层特征图进行相乘,并将相乘后的特征图与所述第六浅层特征图进行相加,获得第三仿射特征子图;
仿射特征提取子单元对所述第三仿射特征子图进行特征提取,获得第一仿射特征子图;
第二互仿射特征提取子层中的第一互反射模块中第一增强单元对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得第二仿射特征子图,包括:
通道分割子单元对所述第三浅层特征图进行通道分割,获得第七浅层特征图和第八浅层特征图;
将所述第四浅层特征图和所述第七浅层特征图进行相乘,并将相乘后的特征图与所述第八浅层特征图进行相加,获得第四仿射特征子图;
仿射特征提取子单元对所述第四仿射特征子图进行特征提取,获得第二仿射特征子图。
6.根据权利要求1所述的方法,其特征在于,目标图像处理模型训练方式为:
获取预处理后的第一设定数量的第二分辨率图像;预处理包括旋转和翻转操作;
基于设定采样倍数将所述第一设定数量的第二分辨率图像扩充为第二设定数量的第二分辨率图像;
对裁减后的所述第二设定数量的第二分辨率图像进行下采样预处理,获得第二设定数量的第一分辨率图像;
将所述第二设定数量的第一分辨率图像拆分为训练集和测试集;
基于所述训练集对所述目标图像处理模型进行训练,获得训练后的目标图像处理模型;
基于所述测试集对所述训练后的目标图像处理模型进行测试。
7.一种图像处理装置,其特征在于,
待处理图像获取模块,用于获取待处理图像;其中,待处理图像为第一分辨率图像;
目标图像获得模块,用于将所述待处理图像输入至目标图像处理模型中,获得目标图像;其中,所述目标图像处理模型依次包括浅层特征提取层、下采样层、互仿射特征提取层、上采样层、特征微调层、亚像素卷积层;所述下采样层的输出与互仿射特征提取层的输出跳跃连接;所述浅层特征提取层的输出与所述上采样层的输出跳跃连接;所述浅层特征提取层的输入与所述特征微调层的输出跳跃连接;所述目标图像为第二分辨率图像,且所述第二分辨率大于所述第一分辨率;
互仿射特征提取层包括通道分割模块、两个并行的互仿射特征提取子层;
所述通道分割模块对第二浅层特征图进行通道分割,获得第三浅层特征图和第四浅层特征图;
所述两个并行的互仿射特征提取子层均对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得两个增强特征图;
所述互仿射特征提取子层包括至少两个互反射模块;
所述至少两个互反射模块间级联连接;
相邻互反射模块中的前一个互反射模块的输出与后一个互反射模块的输出跳跃连接;
目标图像获得模块,还用于第一互仿射特征提取子层中的第一互反射模块对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得第一仿射特征图;
第二互仿射特征提取子层中的第一互反射模块对所述第三浅层特征图和所述第四浅层特征图进行仿射特征提取,获得第二仿射特征图;
将所述第一仿射特征图和所述第三浅层特征图相加,获得新的第一仿射特征图;
将所述第二仿射特征图和所述第四浅层特征图相加,获得新的第二仿射特征图;
第一互仿射特征提取子层中的第二互反射模块对所述新的第一仿射特征图及所述新的第二仿射特征图进行仿射特征提取,获得第一互仿射特征提取子层输出的增强特征图;
第二互仿射特征提取子层中的第二互反射模块对所述新的第二仿射特征图及所述新的第一仿射特征图进行仿射特征提取,获得第二互仿射特征提取子层输出的增强特征图;
目标图像获得模块,具体用于:
浅层特征提取层对所述待处理图像进行特征提取,获得第一浅层特征图;
下采样层对所述第一浅层特征图进行下采样处理,获得第二浅层特征图。
8.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的图像处理方法。
9.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211658655.9A CN115761248B (zh) | 2022-12-22 | 2022-12-22 | 图像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211658655.9A CN115761248B (zh) | 2022-12-22 | 2022-12-22 | 图像处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115761248A CN115761248A (zh) | 2023-03-07 |
CN115761248B true CN115761248B (zh) | 2023-08-01 |
Family
ID=85347302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211658655.9A Active CN115761248B (zh) | 2022-12-22 | 2022-12-22 | 图像处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761248B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330542B (zh) * | 2020-11-18 | 2022-05-03 | 重庆邮电大学 | 基于crcsan网络的图像重建系统及方法 |
CN114372918A (zh) * | 2022-01-12 | 2022-04-19 | 重庆大学 | 基于像素级注意力机制的超分辨率图像重构方法及系统 |
CN115222601A (zh) * | 2022-08-06 | 2022-10-21 | 福州大学 | 基于残差混合注意力网络的图像超分辨率重建模型及方法 |
-
2022
- 2022-12-22 CN CN202211658655.9A patent/CN115761248B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115761248A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298413B (zh) | 图像特征提取方法、装置、存储介质及电子设备 | |
CN112184738B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN110298851B (zh) | 人体分割神经网络的训练方法及设备 | |
CN111598902B (zh) | 图像分割方法、装置、电子设备及计算机可读介质 | |
CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN114519667A (zh) | 一种图像超分辨率重建方法及系统 | |
CN110310293B (zh) | 人体图像分割方法及设备 | |
US20240112299A1 (en) | Video cropping method and apparatus, storage medium and electronic device | |
CN111415004B (zh) | 用于输出信息的方法和装置 | |
CN110378282B (zh) | 图像处理方法及装置 | |
CN111324405A (zh) | 文字显示方法、装置和电子设备 | |
CN115761248B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN114640796B (zh) | 视频处理方法、装置、电子设备及存储介质 | |
CN114066722B (zh) | 用于获取图像的方法、装置和电子设备 | |
CN115760607A (zh) | 图像修复方法、装置、可读介质以及电子设备 | |
CN113255812B (zh) | 视频边框检测方法、装置和电子设备 | |
CN112070888B (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
CN114972876A (zh) | 基于知识蒸馏技术的图像处理方法、装置、设备及介质 | |
CN112418233A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN113592723A (zh) | 视频增强方法及装置、电子设备、存储介质 | |
CN111738958B (zh) | 图片修复方法、装置、电子设备及计算机可读介质 | |
CN115345931B (zh) | 物体姿态关键点信息生成方法、装置、电子设备和介质 | |
CN111861936B (zh) | 图像去雾方法、装置、电子设备及计算机可读存储介质 | |
CN113256659B (zh) | 图片处理方法、装置和电子设备 |
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 |