CN116205799A - 图像修复方法、装置及计算机可读存储介质 - Google Patents

图像修复方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN116205799A
CN116205799A CN202211648564.7A CN202211648564A CN116205799A CN 116205799 A CN116205799 A CN 116205799A CN 202211648564 A CN202211648564 A CN 202211648564A CN 116205799 A CN116205799 A CN 116205799A
Authority
CN
China
Prior art keywords
image
damaged
restoration
preset
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211648564.7A
Other languages
English (en)
Inventor
何志权
吴康星
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202211648564.7A priority Critical patent/CN116205799A/zh
Publication of CN116205799A publication Critical patent/CN116205799A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种图像修复方法、装置及计算机可读存储介质，所述方法包括：基于图像相似度确定受损图像对应的对比图像；确定受损图像中的受损区域，并获取对比图像中，受损区域对应的图像特征；基于图像特征对受损图像的受损区域进行图像修复，生成修复图像；在修复图像与受损图像之间的峰值信噪比指标与结构相似性指标不满足预设条件时，将修复图像作为受损图像，并返回执行基于图像相似度确定受损图像对应的对比图像的步骤。通过利用对比图像中与受损区域对应的图像特征对受损区域进行修复，解决了受损区域面积较大时无法从未受损区域获取有效图像特征对图像进行修复，导致修复效果低下的问题。

Description

图像修复方法、装置及计算机可读存储介质
技术领域
本发明涉及图像修复处理技术领域，尤其涉及图像修复方法、装置及计算机可读存储介质。
背景技术
图像修复是一种旨在恢复不完整图像中像素特征的受损部分，然后重建并生成与原始图像的高质量和深度语义近似的技术。目前的图像修补方法通常为获取受损区域的周围像素点，基于周围像素点对受损区域的像素点进行填充，即通过利用图像中的已知区域的像素点对受损区域的像素点进行填充。此方法在处理规则结构图像、小面积修补和低分辨率图像修补方面可以获得不错的修补效果，但在大面积受损的情况下，基于受损区域的面积过大，而已知区域的面积较少，导致无法从受损区域图像的周围区域图像获取用于修复受损区域获取足够的有效信息，导致修复效果低下。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种图像修复方法、装置及计算机可读存储介质，旨在解决受损区域面积较大时，无法从待修复图像的面积较小的未受损区域获取有效图像特征，导致修复效果低下的问题。
为实现上述目的，本发明提供一种图像修复方法，所述图像修复方法包括以下步骤：
基于图像相似度确定受损图像对应的对比图像；
确定所述受损图像中的受损区域，并获取所述对比图像中，所述受损区域对应的图像特征；
基于所述图像特征对所述受损图像的受损区域进行图像修复，生成修复图像；
在所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标不满足预设条件时，将所述修复图像作为所述受损图像，并返回执行所述基于图像相似度确定受损图像对应的对比图像的步骤；
在所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标满足预设条件时，结束图像修复进程，并输出所述修复图像。
可选地，所述基于图像相似度确定受损图像对应的对比图像的步骤包括：
获取所述受损图像的第一图像特征；
将所述第一图像特征与数据集中的各个预设图像的第二图像特征进行比对，以确定所述受损图像与所述预设图像之间的特征距离；
根据所述特征距离将特征距离小于预设特征距离的预设图像作为所述对比图像，所述特征距离用于表征所述受损图像与所述预设图像之间的相似度。
可选地，所述获取所述受损图像的第一图像特征的步骤包括：
将所述受损图像输入至特征提取模块，以获取所述第一图像特征；
其中，所述特征提取模块包括至少两层Inception卷积模块，所述Inception卷积模块包括至少两个卷积核大小不同的空洞卷积层、最大池化层以及特征合并层。
可选地，所述获取所述对比图像中，所述受损区域对应的图像特征的步骤包括：
基于预设边缘检测算法获取所述受损图像的第一边缘图以及所述对比图像的第二边缘图；
根据所述第一边缘图和所述第二边缘图获取融合特征；
将所述融合特征作为所述对比图像中，所述受损区域对应的图像特征，所述图像特征包括所述对比图像中与所述受损区域对应的结构信息。
可选地，所述基于预设边缘检测算法获取所述受损图像的第一边缘图以及所述对比图像的第二边缘图的步骤包括：
基于预设边缘检测算法获取所述受损图像的第一子边缘图以及第二子边缘图，根据第一子边缘图以及第二子边缘图确定所述第一边缘图；
基于预设边缘检测算法获取所述对比图像的第三子边缘图以及第三子边缘图，根据第三子边缘图以及第四子边缘图确定所述第二边缘图；
其中，所述预设边缘检测算法包括Marr-Hildreth边缘检测算法和Canny边缘检测算法。
可选地，所述基于所述图像特征对所述受损图像的受损区域进行图像修复，生成修复图像的步骤包括：
根据所述图像特征获取所述对比图像中与所述受损区域对应的结构信息；
将所述结构信息填充至所述受损图像中的受损区域中，生成粗修复图像；
获取所述受损图像的未受损区域的其它图像特征，所述其它图像特征包括纹理特征；
基于所述其它图像特征对所述粗修复图像中的受损区域进行图像修复，生成所述修复图像。
可选地，所述基于图像相似度确定受损图像对应的对比图像的步骤包括：
根据针对所述受损图像的输入指令，生成所述受损图像的受损区域以及未受损区域；
根据所述未受损图像的其它图像特征执行基于图像相似度确定受损图像对应的对比图像的步骤。
为实现上述目的，本发明提供一种图像修复装置，所述图像修复装置包括：
查询网络，用于基于图像相似度确定受损图像对应的对比图像；
图像修复模型，用于确定所述受损图像中的受损区域，并获取所述对比图像中，所述受损区域对应的图像特征，基于所述图像特征对所述受损图像的受损区域进行图像修复，生成修复图像；
所述修复结果判别模块，用于判断修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标是否满足预设条件，其中，在所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标不满足预设条件时，将所述修复图像作为所述受损图像。
可选地，所述图像修复装置还包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像修复程序，所述图像修复程序被所述处理器执行时实现如上所述的图像修复方法的步骤。
为实现上述目的，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有图像修复程序，所述图像修复程序被处理器执行时实现如上所述的图像修复方法的步骤。
本发明实施例提出的一种图像修复方法、装置及计算机可读存储介质，所述方法包括基于图像相似度确定受损图像对应的对比图像；确定所述受损图像中的受损区域，并获取所述对比图像中，所述受损区域对应的图像特征；基于所述图像特征对所述受损图像的受损区域进行图像修复，生成修复图像；在所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标不满足预设条件时，将所述修复图像作为所述受损图像，并返回执行所述基于图像相似度确定受损图像对应的对比图像的步骤；在所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标满足预设条件时，结束图像修复进程，并输出所述修复图像。本发明实施例通过基于图像相似度获取与所述受损图像相似的对比图像，并通过获取所述对比图像中与所述受损图像的受损区域对应的图像特征，基于所述图像特征对所述受损图像的受损图像进行修复，基于利用相似图像的图像特征对受损图像进行修复，提高了所述图像特征与所述受损区域的适配度，防止出现获取的图像特征不符合受损区域，导致修复失败的情况，并解决了在受损图像的未受损区域面积较小时，无法从所述未受损区域图像获取与所述受损区域图像匹配的特征，导致修复效果低下的问题，提高了图像修复的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图；
图2为本发明图像修复方法第一实施例的流程示意图；
图3为图像修复装置的架构图；
图4为查询网络的架构图；
图5为本发明图像修复方法第一实施例步骤S10的细化流程示意图；
图6为本发明图像修复方法第一实施例步骤S30的细化流程示意图；
图7为本发明图像修复方法第一实施例的图像修复示意图；
图8为本发明图像修复方法第一实施例步骤S20的细化流程示意图；
图9为本发明图像修复方法第一实施例步骤S21的细化流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：基于图像相似度确定受损图像对应的对比图像；确定所述受损图像中的受损区域，并获取所述对比图像中，所述受损区域对应的图像特征；基于所述图像特征对所述受损图像的受损区域进行图像修复，生成修复图像；在所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标不满足预设条件时，将所述修复图像作为所述受损图像，并返回执行所述基于图像相似度确定受损图像对应的对比图像的步骤；在所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标满足预设条件时，结束图像修复进程，并输出所述修复图像。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图。
本发明实施例终端可以是PC，也可以是智能手机、平板电脑、便携计算机等终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Di sp l ay)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如W I-F I接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-vo l at i l e memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、RF(Rad i o Frequency，射频)电路，传感器、音频电路、Wi Fi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及图像修复程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的图像修复程序，并执行以下操作：
基于图像相似度确定受损图像对应的对比图像；
确定所述受损图像中的受损区域，并获取所述对比图像中，所述受损区域对应的图像特征；
基于所述图像特征对所述受损图像的受损区域进行图像修复，生成修复图像；
在所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标不满足预设条件时，将所述修复图像作为所述受损图像，并返回执行所述基于图像相似度确定受损图像对应的对比图像的步骤；
在所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标满足预设条件时，结束图像修复进程，并输出所述修复图像。
进一步地，处理器1001可以调用存储器1005中存储的图像修复程序，还执行以下操作：
获取所述受损图像的第一图像特征；
将所述第一图像特征与数据集中的各个预设图像的第二图像特征进行比对，以确定所述受损图像与所述预设图像之间的特征距离；
根据所述特征距离将特征距离小于预设特征距离的预设图像作为所述对比图像，所述特征距离用于表征所述受损图像与所述预设图像之间的相似度。
进一步地，处理器1001可以调用存储器1005中存储的图像修复程序，还执行以下操作：
将所述受损图像输入至特征提取模块，以获取所述第一图像特征；
其中，所述特征提取模块包括至少两层Inception卷积模块，所述Inception卷积模块包括至少两个卷积核大小不同的空洞卷积层、最大池化层以及特征合并层。
进一步地，处理器1001可以调用存储器1005中存储的图像修复程序，还执行以下操作：
基于预设边缘检测算法获取所述受损图像的第一边缘图以及所述对比图像的第二边缘图；
根据所述第一边缘图和所述第二边缘图获取融合特征；
将所述融合特征作为所述对比图像中，所述受损区域对应的图像特征，所述图像特征包括所述对比图像中与所述受损区域对应的结构信息。
进一步地，处理器1001可以调用存储器1005中存储的图像修复程序，还执行以下操作：
基于预设边缘检测算法获取所述受损图像的第一子边缘图以及第二子边缘图，根据第一子边缘图以及第二子边缘图确定所述第一边缘图；
基于预设边缘检测算法获取所述对比图像的第三子边缘图以及第四子边缘图，根据第三子边缘图以及第四子边缘图确定所述第二边缘图；
其中，所述预设边缘检测算法包括Marr-Hildreth边缘检测算法和Canny边缘检测算法。
进一步地，处理器1001可以调用存储器1005中存储的图像修复程序，还执行以下操作：
根据所述图像特征获取所述对比图像中与所述受损区域对应的结构信息；
将所述结构信息填充至所述受损图像中的受损区域中，生成粗修复图像；
获取所述受损图像的未受损区域的其它图像特征；
基于所述其它图像特征对所述粗修复图像中的受损区域进行图像修复，生成所述修复图像。
进一步地，处理器1001可以调用存储器1005中存储的图像修复程序，还执行以下操作：
根据针对所述受损图像的输入指令，生成所述受损图像的受损区域以及未受损区域；
根据所述未受损图像的其它图像特征执行基于图像相似度确定受损图像对应的对比图像的步骤。
第一实施例
参照图2，本发明第一实施例提供一种图像修复方法，所述方法包括：
步骤S10，基于图像相似度确定受损图像对应的对比图像；
步骤S20，确定所述受损图像中的受损区域，并获取所述对比图像中，所述受损区域对应的图像特征；
步骤S30，基于所述图像特征对所述受损图像的受损区域进行图像修复，生成修复图像；
步骤S40，在所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标不满足预设条件时，将所述修复图像作为所述受损图像，并返回执行所述基于图像相似度确定受损图像对应的对比图像的步骤；
步骤S50，在所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标满足预设条件时，结束图像修复进程，并输出所述修复图像。
在本实施例中，应用于图像修复装置，参照图3，图3示出了图像修复装置的装置架构图，所述图像修复装置包括：
查询网络，用于基于图像相似度确定受损图像对应的对比图像；
图像修复模型，用于确定所述受损图像中的受损区域，并获取所述对比图像中，所述受损区域对应的图像特征，基于所述图像特征对所述受损图像的受损区域进行图像修复，生成修复图像；
所述修复结果判别模型(图中未示出)，用于确定修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标，其中，在所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标不满足预设条件时，将所述修复图像作为所述受损图像。
可选地，所述查询网络用于基于图像相似度确定受损图像对应的对比图像，可选地，所述查询网络用于确定数据集中的各个预设图像与所述受损图像之间的相似度，将相似度高于预设相似度的预设图像作为所述对比图像，所述预设相似度为所述数据集中除所述对比图像以外的其它图像对应的最大相似度。
可选地，参照图4，图4示出了查询网络的架构图，所述查询网络包括特征提取器以及分类器，所述特征提取器用于提取所述受损图像的第一图像特征，所述第一图像特征包括所述受损图像的高层语义特征与部分局部特征，所述特征提取模块包括至少两层Inception卷积模块，所述Inception卷积模块包括至少两个卷积核大小不同的空洞卷积层、最大池化层以及特征合并层，所述特征提取模块由各层Inception卷积模块堆叠并残差连接形成。
可选地，所述特征提取模块的Inception卷积模块的层数包括五层，每层Inception卷积模块中的所述空洞卷积层的卷积核的大小包括7*7以及3*3。在实际运行时，将所述受损图像输入至所述特征提取器，由第一层的Inception卷积模块中的空洞卷积层中的大小不同的卷积核分别对所述受损图像进行卷积运算，获取大小不同的卷积核分别对应的卷积结果，基于利用不同大小的卷积核对受损图像进行卷积，获取不同的感受野，越大的卷积核会有越大的感受野，在对受损图像进行卷积运算时可获取更多的局部信息；在完成卷积运算后，将各个所述卷积结果输入至所述最大池化层，由所述最大池化层对各个所述卷积结果进行最大池化操作，以减少操作量；完成所述最大池化操作后，将各个卷积结果分别对应的最大池化结果输入至所述特征合并层，由所述特征合并层对所述最大池化结果进行合并，将合并后的最大池化结果作为第一层图像特征，将所述第一层图像特征输入至第二层Inception卷积模块，生成第二层图像特征，将第三层图像特征输入至第二层Inception卷积模块，以生成第三层图像特征，以此类推，直至获取完成各层Inception卷积模块对所述受损图像的特征提取，将最后所得的特征作为所述受损图像的第一图像特征，所述第一图像特征包括多个图像特征，以Feature1、Feature2、Feature3、...、FeatureN-1以及FeatureN表示。
可选地，所述查询网络中的分类器为预训练的分类网络，所述分类器用于根据所述受损图像的第一图像特征与数据集中的各个预设图像的第二图像特征进行比对，以确定所述受损图像与所述预设图像之间的特征距离，所述特征距离为所述第一图像特征与所述第二图像特征之间的特征距离，在确定所述特征距离后，将特征距离小于预设特征距离的预设图像作为所述对比图像，所述特征距离用于表征所述受损图像与所述预设图像之间的相似度，特征距离越小，则相似度越高，特征距离越大，则相似度越低，所述预设特征距离为所述数据集中除所述对比图像以外的其他预设图像中的最小特征距离，所述对比图像为与所述受损图像在语义结构和纹理细节上最相似的图像。可选地，在基于所述特征提取器获取所述受损图像的多个第一图像特征(Feature1、Feature2、Feature3、...、FeatureN-1以及FeatureN)后，将多个第一图像特征(Feature1、Feature2、Feature3、...、FeatureN-1以及FeatureN)输入至所述分类器，所述分类器接收到所述第一图像特征后，计算所述第一图像特征与各个预设图像的第二图像特征之间的特征距离，将所述特征距离进行比对，以获取特征距离最小的所述预设图像，将特征距离最小的所述预设图像作为所述对比图像。
可选地，在将所述受损图像输入至所述查询网络前，对所述受损图像进行预处理，所述预处理为在所述受损图像的受损区域中生成掩膜，以使用掩膜覆盖所述受损区域，生成掩膜覆盖后的所述受损图像，将掩膜覆盖后的所述受损图像输入至所述查询网络，以使得所述查询网络基于掩膜覆盖后的所述受损图像确定受损区域和未受损区域，进而基于未受损区域图像获取所述第一图像特征。
可选地，所述图像修复装置还包括图像修复模型，所述图像修复模型用于确定所述受损图像中的受损区域，并获取所述对比图像中，所述受损区域对应的图像特征，基于所述图像特征对所述受损图像的受损区域进行图像修复，生成修复图像。
可选地，所述图像修复模型由训练数据进行训练而成，训练生成所述图像修复模型的方式包括获取待训练数据，将待训练数据输入预先构建的图像修复网络进行训练，得到所述图像修复模型。
可选地，所述训练数据包括训练集、验证集和测试集，所述训练集中包括掩膜图像集以及完整图像集，所述掩膜图像集包括多个掩膜图像，所述掩膜图像为通过掩膜覆盖原始图像后生成的掩膜图像，所述掩膜图像用于模拟受损图像，所述完整图像与所述掩膜图像对应的原始图像之间不存在两两相同的图像，所述完整图像与所述原始图像之间的相似度高于预设相似度阈值，以将两两相似的完整图像和原始图像对应的掩膜图像作为训练集中的图像，所述掩膜图像为所述受损图像对应的二进制图像，掩膜由0和1组成，被掩膜覆盖的0值区域(显示黑色)为受损区域，1值区域(显示白色)不处理，对应未受损图像；所述验证集包括所述掩膜图像对应的原始图像。
可选地，在获取所述训练数据后，将待训练数据输入预先构建的图像修复网络进行训练，得到所述图像修复模型的方式包括先基于预设边缘检测算法获取所述训练集中的各个图像的边缘图，将所述边缘图输入至所述图像修复网络中的FFC特征融合模块，由所述FFC特征融合模块融合模块生成所述边缘图对应的融合特征，再将所述融合特征输入至所述图像修复网络中的编码器模块进行训练，由所述编码器模块对所述掩膜图像进行修复训练，如此迭代训练，直至图像修复网络满足训练要求，从而完成对所述图像修复网络的训练，将训练完成的所述图像修复网络作为所述图像修复模型。
可选地，所述边缘检测算法包括Marr-Hildreth边缘检测算法和Canny边缘检测算法，通过不同的边缘检测算法分别获取每一图像分别对应的两个边缘图。可以理解的是，在训练的过程中，为不同的边缘检测算法赋予不同的权重值，在基于不同的边缘检测算法获取同一张图像的两张边缘图后，基于各个边缘检测算法对应的权重值对所述边缘图进行融合，以生成所述图像的最终边缘图，如此，通过不同的边缘检测算法提取图像的不同边缘图，将各个边缘进行融合生成最终边缘图，提高了边缘检测的精确性。
可选地，所述FFC特征融合模块生成边缘图对应的融合特征的方式为对于每一个输入先下采样，然后使用实快速傅里叶变换提取各自特征，提取之后卷积再做反快速傅里叶变换，最后将每一个输出结果合并，得到融合特征，所述融合特征包括训练集的图像的结构信息，所述结构信息尤指与所述掩膜图像相似的对比图像中针对所述掩膜图像的掩膜区域中的线条，也可以理解为轮廓，所述融合特征还包括除所述结构信息以外的其它边缘信息。
可选地，在获取所述融合特征后，基于编码器模块基于对比图像中针对所述掩膜图像的掩膜区域中的融合特征对所述掩膜图像进行修复，可选地，所述编码器模块包括第一编解码器和第二编解码器，所述第一编解码器包括第一编码器和第一解码器，所述第二编解码器包括第二编码器和第二解码器，所述第一编码器以Encoder0表示，所述第一解码器以decoder0表示，所述第二编码器以Encoder1表示，所述第二解码器以decoder1表示，所述第一编码器、所述第一解码器、所述第二编码器以及所述第二解码器的结构相同，所述第一编码器、所述第一解码器、所述第二编码器以及所述第二解码器基于pix2pix模型训练生成。可选地，所述第一编解码器和所述第二编解码器对图像的修复方式不同，基于修复方式不同，在对所述第一编解码器和所述第二编解码器进行训练时，所述第一编解码器和所述第二编解码器分别对应的训练权重不同，所述第一编解码器的修复方式为基于对比图像的融合特征中的结构信息以及边缘信息对掩膜图像中的受损区域进行填充，生成粗修复图像。可选地，在训练所述第一编解码器时，判断所述填充后的掩膜区域图像的边缘信息是否与所述掩膜图像中除所述掩膜区域以外的其它区域的边缘信息是否一致，在一致时，确定满足粗修复要求，若不一致，基于融合特征对所述第一编解码器对应的pix2pix模型进行迭代训练，直至所述第一编解码器修复完成的粗修复图像满足粗修复要求。可选地，所述第二解编码器用于利用所述掩膜图像中除所述掩膜区域以外的其它区域的图像特征对所述掩膜区域作精修复，生成修复图像，可选地，精修复后的掩膜区域图像与其它区域图像之间的峰值信噪比指标与结构相似性指标图像满足预设条件，此时精修复后的掩膜区域图像与其它区域图像风格一致、画面和谐，且具备的图像内容与结构相同。
可选地，在构建图像修复网络后，可以以感知野损失、对抗损失和R1损失作为参考依据确定训练所述图像修复模型的损失函数。
可选地，所述损失函数用于计算感知野损失LHRPL、对抗损失LADV以及R1损失的联合损失。计算感知野损失LHRPL的公式为第一预设公式，所述第一预设公式为以下公式：
Figure BDA0004010914230000121
其中，x为修复后的图像，
Figure BDA0004010914230000122
为修复后的图像对应的掩膜图像，/>
Figure BDA0004010914230000123
为所述感知野损失，M表示平均操作，ФHRF表示通过快速傅里叶变换的到的基于高感受野的预训练VGG-16模型。
可选地，所述感知野损失用于评估所述图像修复模型的输入与输出之间的不一致程度，使得输出图像的高层信息(内容和全局结构)与真实图像接近。
可选地，所述对抗损失LADV包括生成器损失和鉴别器损失，所述对抗损失LADV用于促使生成图像分布与目标域的图像分布相逼近，用于计算所述对抗损失LADV的公式为第三预设公式，所述第二预设公式为以下公式：
Figure BDA0004010914230000131
Figure BDA0004010914230000132
Figure BDA0004010914230000133
其中，Dξ为基于局部的鉴别得分，Ex，Ex，m表示期望，LG的作用为是使得生成的图片越逼真，LD的作用是判别出修复后的图像与原始图像之间的照片差异；可选地，在LG最小，LD最大时，确定所述图像修复模型趋于收敛。
可选地，用于计算R1损失的公式为第三预设公式，所述第三预设公式为以下公式：
Figure BDA0004010914230000134
其中，
Figure BDA0004010914230000135
表示Dξ(x)的梯度，R1用以进行梯度下降以反向传播获得修复的最优参数。
可选地，基于感知野损失LHRPL、对抗损失LADV以及R1损失结合计算出联合损失，计算所述联合损失的公式为第四预设公式，所述第四预设公式为以下公式：
Figure BDA0004010914230000136
其中，k＝10，α＝40，β＝0.01。
可选地，在基于第一预设公式、第二预设公式、第三预设公式以及所述第四预设公式计算出联合损失后，基于所述联合损失调整图像修复网络的参数，基于调整后的参数对所述图像修复网络进行模型训练，直至所述图像修复网络满足收敛条件，将训练完成的所述图像修复网络作为所述图像修复模型。满足收敛条件包括所述损失函数下降至最小(下降至基本不变，在下降数值在预设数值范围内时可认为基本不变)时，可得到训练后的模型，也即得到所述图像修复模型。
可选地，所述图像修复模型还包括修复结果判断模块，所述修复结果判断模块用于判断修复图像是否满足修复要求，在确定满足修复要求时，结束图像修复进程，并输出所述修复图像；在确定不满足修复要求时，通知所述查询网络基于所述修复图像继续查找与所述修复图像相似的对比图像，基于对比图像对受损图像进行图像修复，直至所述修复图像满足修复要求。可选地，判断所述修复图像是否满足修复要求的方式包括：
修复次数大于或等于预设修复次数；
所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标满足预设条件。
可选地，本申请实施例所提出的所述图像修复方法应用于上述的图像修复装置，在接收到受损图像后，基于所述受损图像获取所述对比图像，所述对比图像为与所述受损图像在语义结果和纹理细节上最相似的图像，所述受损图像为需要进行修复的图像。本申请实施例对图像需要进行修复的情况不加以限定。在一种可能实现方式中，图像需要进行修复的情况包括但不限于：图像中存在缺失、图像中存在遮挡物、图像中存在噪声等。
可选地，参照图5，所述步骤S10包括：
步骤S11，获取所述受损图像的第一图像特征；
步骤S12，将所述第一图像特征与数据集中的各个预设图像的第二图像特征进行比对，以确定所述受损图像与所述预设图像之间的特征距离；
步骤S12，根据所述特征距离将特征距离小于预设特征距离的预设图像作为所述对比图像，所述特征距离用于表征所述受损图像与所述预设图像之间的相似度。
可选地，所述基于图像相似度确定受损图像对应的对比图像的步骤包括：
根据针对所述受损图像的输入指令，生成所述受损图像的受损区域以及未受损区域；
根据所述未受损区域执行基于图像相似度确定受损图像对应的对比图像的步骤。
可选地，在确定所述对比图像之前，获取针对所述受损图像的输入指令，所述输入指令用于确定所述受损图像中的受损图像，所述输入指令的触发方式可以是于所述受损图像叠加调整框，基于所述调整框的拉伸缩小操作确定调整框的目标区域，将所述目标区域作为所述受损区域，可选地，在确定所述受损区域后，将所述受损图像中除所述受损区域以外的其它区域作为未受损图像。
可选地，在确定所述受损区域以及未受损区域后，根据所述未受损图像的其它图像特征执行基于图像相似度确定受损图像对应的对比图像的步骤。
可选地，在获取所述受损图像后，将所述受损图像输入至所述图像修复装置中的查询网络，以供查询网络从数据集中查找与所述受损图像相似的对比图像，可选地，获取所述受损图像的第一图像特征的方式包括将所述受损图像输入至特征提取模块，以获取所述第一图像特征，其中，所述特征提取模块包括至少两层Inception卷积模块，所述Inception卷积模块包括至少两个卷积核大小不同的空洞卷积层、最大池化层以及特征合并层，所述第一图像特征为所述未受损区域对应的图像特征。
可选地，在通过所述特征提取模块提取所述受损图像的第一图像特征后，通过所述查询网络中的分类器将所述第一图像特征与数据集中的各个预设图像的第二图像特征进行比对，以确定所述第一图像特征与各个所述预设图像的第二图像特征之间的特征距离；可选地，在确定所述特征距离后，将特征距离小于预设特征距离的预设图像作为所述对比图像，所述特征距离用于表征所述受损图像与所述预设图像之间的相似度，特征距离越小，则相似度越高，特征距离越大，则相似度越小；所述预设特征距离为所述数据集中除所述对比图像以外的其它预设图像与所述受损图像之间的特征距离中的最小特征距离，以将特征距离最小对应的预设图像作为所述对比图像。
可选地，在确定所述对比图像后，确定所述受损图像中的受损区域，基于所述受损区域获取所述对比图像中，所述受损区域对应的图像特征，所述图像特征包括所述对比图像中与所述受损区域对应的结构信息，所述结构信息用于指示所述受损图像的受损区域的缺失结构信息，所述缺失结果信息尤指，缺失的结构信息是指所述受损区域中原有的线条，也可以理解为轮廓。
可选地，在确定所述图像特征后，基于所述图像特征对所述受损图像的受损区域进行图像修复，生成修复图像，可选地，参照图6，所述步骤S30包括：
步骤S31，根据所述图像特征获取所述对比图像中与所述受损区域对应的结构信息；
步骤S32，将所述结构信息填充至所述受损图像中的受损区域中，生成粗修复图像；
步骤S33，获取所述受损图像的未受损区域的其它图像特征；
步骤S34，基于所述其它图像特征对所述粗修复图像中的受损区域进行图像修复，生成所述修复图像。
可选地，在确定所述图像特征后，所述图像特征包括所述对比图像中与所述受损区域对应的结构信息，所述结构信息尤指所述对比图像中，与所述受损区域对应的线条。可选地，在获取所述结构信息后，将所述结构信息填充至所述受损区域中，生成粗修复图像，所述粗修复图像包括未受损区域图像以及填充后的受损图像区域。如此，通过将所述对比图像中的结构信息填充至所述受损区域中，实现所述受损区域的缺失结构信息的添加。可选地，所述粗修复图像为带有辅助结构信息的受损图像，可选地，所述粗修复图像由所述图像修复模型中的第一编解码器生成。
可选地，在生成所述粗修复图像后，获取所述受损图像的未受损区域的其它图像特征，所述其它图像特征为所述受损图像中的未受损区域图像的图像特征，所述其它图像特征包括但不限于所述未受损区域图像中的纹理特征以及颜色特征；在获取所述其它图像特征后，通过所述其它图像特征对所述粗修复图像中的受损区域进行图像精修复，生成精修复图像，将所述精修复图像作为所述修复图像，所述修复图像由图像精修复后的所述受损区域图像以及未受损区域图像拼接而成。可选地，所述修复图像由所述图像修复模型中的第二编解码器生成。
可选地，在生成所述修复图像后，获取所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标，基于峰值信噪比指标与结构相似性指标判断所述修复图像是否满足修复要求，在所述峰值信噪比指标与结构相似性指标满足预设条件时，确定修复图像是否满足修复要求，结束图像修复进程，并输出所述修复图像；在所述峰值信噪比指标与结构相似性指标不满足预设条件时，确定所述修复图像不满足修复要求，将所述修复图像更新为受损图像，并返回执行所述基于图像相似度确定受损图像对应的对比图像的步骤，直至最后一次生成的修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标满足预设条件，所述预设条件用于表征对图像进行修复时的修复要求，确定所述修复图像是否满足修复要求的方式还可以利用除峰值信噪比指标与结构相似性指标以外的其它可行性的指标进行判断，如L1损失指标、主观评价指标，所述主观评价指标用于判断所述修复图像与所述受损图像的语义结构是否一致，是否拥有相同的内容和结构，还用于判断修复后的受损区域与未受损区域的风格是否一致、画面是否和谐。
可选地，基于将受损图像依次进行迭代修复，每次修复生成的所述修复图像相较于前一次修复生成的修复图像而言，所具备的图像特征更丰富，则基于更丰富的图像特征可查询出与受损图像更相似的图像，基于更相似的图像的图像特征对受损区域进行填补时，所述受损图像的填充效果趋向于符合所述未受损区域的效果，从而提高了图像修复效果。
可选地，参照图7，图7示出了对受损图像进行修复后的图像，左边的图像为受损图像，中间的图像为所述受损图像的边缘图，右边的图像为修复后的边缘图。
在本申请实施例中，在受损区域的面积较大时，直接利用受损图像的未受损区域图像训练神经网络对受损区域图像进行修复往往无法达到修复效果，在受损区域面积较大时，无法从所述受损区域的周围图像中获取与所述受损区域对应的图像特征，因此，本申请实施例通过使用查询网络基于受损图像的第一图像特征查询与所述受损图像相似的对比图像，借助图像高层语义信息合理推送所述对比图像中与受损区域对应的受损内容，进而通过所述对比图像中与受损区域对应的受损内容获取与所述受损区域对应的图像特征，基于所述图像特征对所述受损区域进行填充，所述图像特征包括所述对比图像中，所述受损区域对应的结构信息，将所述结构信息填充至所述受损区域中，以生成粗修复图像，再通过所述受损图像的未受损区域图像的其它图像特征对所述粗修复图像中的受损区域图像进行精修复，以生成精修复图像，将精修复图像作为所述修复图像，在生成所述修复图像后，基于对所述修复图像是否满足修复要求的判断结果对所述受损图像进行迭代修复，直至最后一次生成的修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标满足预设条件，通过查询相似图像以获取图像特征，解决了从未受损图像中无法获取图像特征的问题，从而提高修复效果。
第二实施例
基于第一实施例，参照图8，所述步骤S20包括：
步骤S21，基于预设边缘检测算法获取所述受损图像的第一边缘图以及所述对比图像的第二边缘图；
步骤S22，根据所述第一边缘图和所述第二边缘图获取融合特征；
步骤S23，将所述融合特征作为所述对比图像中，所述受损区域对应的图像特征，所述图像特征包括所述对比图像中与所述受损区域对应的结构信息。
可选地，在确定所述受损区域后，为了获取所述对比图像中，所述受损区域对应的图像特征，本申请实施例通过获取预设边缘检测算法获取所述受损图像的第一边缘图以及所述对比图像的第二边缘图。
可选地，参照图9，所述基于预设边缘检测算法获取所述受损图像的第一边缘图以及所述对比图像的第二边缘图的步骤包括：
步骤S211，基于预设边缘检测算法获取所述受损图像的第一子边缘图以及第二子边缘图，根据第一子边缘图以及第二子边缘图确定所述第一边缘图；
步骤S212，基于预设边缘检测算法获取所述对比图像的第三子边缘图以及第四子边缘图，根据第三子边缘图以及第四子边缘图确定所述第二边缘图；
其中，所述预设边缘检测算法包括Marr-Hildreth边缘检测算法和Canny边缘检测算法。
可选地，根据第一子边缘图以及第二子边缘图确定所述第一边缘图的方式包括为获取所述预设边缘检测算法分别对应的融合权重，不同的预设边缘检测算法对应的融合权重不同，根据所述融合权重对所述第一子边缘图以及第二子边缘图进行加权求和，以融合生成所述第一边缘图，示例性地，如图7所示，图7的中间图像为所述受损图像的第一边缘图。
可选地，根据第三子边缘图以及第四子边缘图确定所述第二边缘图的方式包括为获取所述预设边缘检测算法分别对应的融合权重，不同的预设边缘检测算法对应的融合权重不同，根据所述融合权重对所述第三子边缘图以及第四子边缘图进行加权求和，以融合生成所述第一边缘图。
可选地，在确定所述第一边缘图和所述第二边缘图后，根据所述第一边缘图和所述第二边缘图获取融合特征的方式包括将所述第一边缘图和所述第二边缘图输入至FFC特征融合模块，由FFC特征融合模块确定所述融合特征，所述FFC特征融合模块确定所述融合特征的方式包括先基于所述第一边缘图和所述第二边缘进行下采样，进而使用快速傅里叶变换提取各个边缘图的特征，对所述边缘图的特征进行卷积，生成卷积结果，根据所述卷积结果进行反快速傅里叶变换，基于各个反快速傅里叶变换结果进行合并，生成所述融合特征，将所述融合特征作为所述图像特征，所述图像特征包括所述对比图像中与所述受损区域对应的结构信息。
本申请实施例中，通过利用受损图像的第一边缘图和所述对比图像的第二边缘图提取所述对比图像中，与所述受损区域对应的结构信息，进而通过将结构信息填充至所述受损图像的受损区域中，实现受损图像的修复，通过利用具备相似结构信息的对比图像的结构信息对所述受损区域进行填充，使得修复后的受损区域图像与原图像趋向于一致，从而提高了修复效果。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有图像修复程序，所述图像修复程序被处理器执行时实现如上各个实施例的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种图像修复方法，其特征在于，所述图像修复方法包括以下步骤：
基于图像相似度确定受损图像对应的对比图像；
确定所述受损图像中的受损区域，并获取所述对比图像中，所述受损区域对应的图像特征；
基于所述图像特征对所述受损图像的受损区域进行图像修复，生成修复图像；
在所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标不满足预设条件时，将所述修复图像作为所述受损图像，并返回执行所述基于图像相似度确定受损图像对应的对比图像的步骤；
在所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标满足预设条件时，结束图像修复进程，并输出所述修复图像。
2.如权利要求1所述的图像修复方法，其特征在于，所述基于图像相似度确定受损图像对应的对比图像的步骤包括：
获取所述受损图像的第一图像特征；
将所述第一图像特征与数据集中的各个预设图像的第二图像特征进行比对，以确定所述受损图像与所述预设图像之间的特征距离；
根据所述特征距离将特征距离小于预设特征距离的预设图像作为所述对比图像，所述特征距离用于表征所述受损图像与所述预设图像之间的相似度。
3.如权利要求2所述的图像修复方法，其特征在于，所述获取所述受损图像的第一图像特征的步骤包括：
将所述受损图像输入至特征提取模块，以获取所述第一图像特征；
其中，所述特征提取模块包括至少两层Inception卷积模块，所述Inception卷积模块包括至少两个卷积核大小不同的空洞卷积层、最大池化层以及特征合并层。
4.如权利要求1所述的图像修复方法，其特征在于，所述获取所述对比图像中，所述受损区域对应的图像特征的步骤包括：
基于预设边缘检测算法获取所述受损图像的第一边缘图以及所述对比图像的第二边缘图；
根据所述第一边缘图和所述第二边缘图获取融合特征；
将所述融合特征作为所述对比图像中，所述受损区域对应的图像特征，所述图像特征包括所述对比图像中与所述受损区域对应的结构信息。
5.如权利要求4所述的图像修复方法，其特征在于，所述基于预设边缘检测算法获取所述受损图像的第一边缘图以及所述对比图像的第二边缘图的步骤包括：
基于预设边缘检测算法获取所述受损图像的第一子边缘图以及第二子边缘图，根据第一子边缘图以及第二子边缘图确定所述第一边缘图；
基于预设边缘检测算法获取所述对比图像的第三子边缘图以及第四子边缘图，根据第三子边缘图以及第四子边缘图确定所述第二边缘图；
其中，所述预设边缘检测算法包括Marr-Hildreth边缘检测算法和Canny边缘检测算法。
6.如权利要求4或5所述的图像修复方法，其特征在于，所述基于所述图像特征对所述受损图像的受损区域进行图像修复，生成修复图像的步骤包括：
根据所述图像特征获取所述对比图像中与所述受损区域对应的结构信息；
将所述结构信息填充至所述受损图像中的受损区域中，生成粗修复图像；
获取所述受损图像的未受损区域的其它图像特征；
基于所述其它图像特征对所述粗修复图像中的受损区域进行图像修复，生成所述修复图像。
7.如权利要求1所述的图像修复方法，其特征在于，所述基于图像相似度确定受损图像对应的对比图像的步骤包括：
根据针对所述受损图像的输入指令，生成所述受损图像的受损区域以及未受损区域；
根据所述未受损区域执行基于图像相似度确定受损图像对应的对比图像的步骤。
8.一种图像修复装置，其特征在于，所述图像修复装置包括：
查询网络，用于基于图像相似度确定受损图像对应的对比图像；
图像修复模型，用于确定所述受损图像中的受损区域，并获取所述对比图像中，所述受损区域对应的图像特征，基于所述图像特征对所述受损图像的受损区域进行图像修复，生成修复图像；
所述修复结果判别模块，用于判断修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标是否满足预设条件，其中，在所述修复图像与所述受损图像之间的峰值信噪比指标与结构相似性指标不满足预设条件时，将所述修复图像作为所述受损图像。
9.如权利要求8所述的图像修复装置，其特征在于，所述图像修复装置还包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像修复程序，所述图像修复程序被所述处理器执行时实现如权利要求1至7中任一项所述的图像修复方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有图像修复程序，所述图像修复程序被处理器执行时实现如权利要求1至7中任一项所述的图像修复方法的步骤。
CN202211648564.7A 2022-12-21 2022-12-21 图像修复方法、装置及计算机可读存储介质 Pending CN116205799A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211648564.7A CN116205799A (zh) 2022-12-21 2022-12-21 图像修复方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211648564.7A CN116205799A (zh) 2022-12-21 2022-12-21 图像修复方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN116205799A true CN116205799A (zh) 2023-06-02

Family

ID=86510351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211648564.7A Pending CN116205799A (zh) 2022-12-21 2022-12-21 图像修复方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN116205799A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630205A (zh) * 2023-07-19 2023-08-22 深圳佳弟子科技有限公司 一种图像处理方法、智能终端及存储介质
CN117876362A (zh) * 2024-03-11 2024-04-12 国任财产保险股份有限公司 一种基于深度学习的自然灾害损失评估方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630205A (zh) * 2023-07-19 2023-08-22 深圳佳弟子科技有限公司 一种图像处理方法、智能终端及存储介质
CN116630205B (zh) * 2023-07-19 2024-03-12 深圳佳弟子科技有限公司 一种图像处理方法、智能终端及存储介质
CN117876362A (zh) * 2024-03-11 2024-04-12 国任财产保险股份有限公司 一种基于深度学习的自然灾害损失评估方法及装置
CN117876362B (zh) * 2024-03-11 2024-05-28 国任财产保险股份有限公司 一种基于深度学习的自然灾害损失评估方法及装置

Similar Documents

Publication Publication Date Title
US11830230B2 (en) Living body detection method based on facial recognition, and electronic device and storage medium
Sim et al. MaD-DLS: mean and deviation of deep and local similarity for image quality assessment
CN116205799A (zh) 图像修复方法、装置及计算机可读存储介质
CN108921782B (zh) 一种图像处理方法、装置及存储介质
CN109960742B (zh) 局部信息的搜索方法及装置
CN111488789A (zh) 用于基于图像分析的监视的行人检测方法及装置
CN111612708B (zh) 一种基于对抗生成网络的图像修复方法
CN110765860A (zh) 摔倒判定方法、装置、计算机设备及存储介质
CN108805016B (zh) 一种头肩区域检测方法及装置
CN109684969B (zh) 凝视位置估计方法、计算机设备及存储介质
CN101147159A (zh) 利用统计模板匹配进行对象检测的快速方法
CN113033587B (zh) 图像识别结果评估方法、装置、电子设备及存储介质
CN112581370A (zh) 人脸图像的超分辨率重建模型的训练及重建方法
CN112001859A (zh) 一种人脸图像的修复方法及系统
CN113724379B (zh) 融合图像与激光点云的三维重建方法及装置
CN111723707A (zh) 一种基于视觉显著性的注视点估计方法及装置
CN111260655A (zh) 基于深度神经网络模型的图像生成方法与装置
Salem A Survey on Various Image Inpainting Techniques.
CN113378812A (zh) 一种基于Mask R-CNN和CRNN的数字表盘识别方法
CN115797731A (zh) 目标检测模型训练方法、检测方法、终端设备及存储介质
CN114066812A (zh) 基于空间注意力机制的无参考图像质量评价方法
CN113887649B (zh) 一种基于深层特征和浅层特征融合的目标检测方法
CN111582155A (zh) 活体检测方法、装置、计算机设备和存储介质
WO2021054217A1 (ja) 画像処理装置、画像処理方法及びプログラム
CN111696090A (zh) 一种无约束环境下人脸图像质量评估方法

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