CN117635424A - 一种图像处理方法、装置、设备和存储介质 - Google Patents

一种图像处理方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN117635424A
CN117635424A CN202311607860.7A CN202311607860A CN117635424A CN 117635424 A CN117635424 A CN 117635424A CN 202311607860 A CN202311607860 A CN 202311607860A CN 117635424 A CN117635424 A CN 117635424A
Authority
CN
China
Prior art keywords
downsampling
image
target
network model
preset
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
CN202311607860.7A
Other languages
English (en)
Inventor
杨锦海
郭孟曦
赵世杰
李军林
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.)
Douyin Vision Co Ltd
Lemon Inc Cayman Island
Original Assignee
Douyin Vision Co Ltd
Lemon Inc Cayman Island
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 Douyin Vision Co Ltd, Lemon Inc Cayman Island filed Critical Douyin Vision Co Ltd
Priority to CN202311607860.7A priority Critical patent/CN117635424A/zh
Publication of CN117635424A publication Critical patent/CN117635424A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • 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
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

本公开实施例提供了一种图像处理方法、装置、设备和存储介质。该方法包括：基于待处理的第一图像对应的原始尺寸和处理后的目标尺寸，确定第一图像对应的目标下采样倍率；基于目标下采样倍率、预先训练获得的至少一个下采样网络模型和下采样网络模型对应的预设下采样倍率，确定第一图像对应的目标下采样网络模型；基于目标下采样网络模型对应的预设下采样倍率、目标下采样倍率和第一图像，确定满足预设下采样条件的第二图像；基于目标下采样网络模型，对第二图像进行下采样处理，获得具有目标尺寸的目标图像。通过本公开实施例的技术方案，可以提高下采样后的图像质量，并且可以将图像下采样到任意尺寸，提高了图像下采样的灵活性。

Description

一种图像处理方法、装置、设备和存储介质
技术领域
本公开实施例涉及计算机技术，尤其涉及一种图像处理方法、装置、设备和存储介质。
背景技术
随着计算机技术的快速发展，往往需要对图像进行下采样，以缩小图像尺寸，使得图像符合屏幕尺寸或者生成缩略图等。目前，通常利用图像插值方式进行图像的下采样处理，比如，对原图像中每个窗口内的像素点进行处理，映射到目标图像中的单个像素点，从而实现图像的下采样。然而，这种下采样处理方式较为粗糙，无法有效保证下采样后的图像质量。
发明内容
本公开提供一种图像处理方法、装置、设备和存储介质，以提高下采样后的图像质量，并且可以将图像下采样到任意尺寸，提高了图像下采样的灵活性。
第一方面，本公开实施例提供了一种图像处理方法，包括：
基于待处理的第一图像对应的原始尺寸和处理后的目标尺寸，确定所述第一图像对应的目标下采样倍率；
基于所述目标下采样倍率、预先训练获得的至少一个下采样网络模型和所述下采样网络模型对应的预设下采样倍率，确定所述第一图像对应的目标下采样网络模型；
基于所述目标下采样网络模型对应的预设下采样倍率、所述目标下采样倍率和所述第一图像，确定满足预设下采样条件的第二图像；
基于所述目标下采样网络模型，对所述第二图像进行下采样处理，获得具有所述目标尺寸的目标图像。
第二方面，本公开实施例还提供了一种图像处理装置，包括：
下采样倍率确定模块，用于基于待处理的第一图像对应的原始尺寸和处理后的目标尺寸，确定所述第一图像对应的目标下采样倍率；
网络模型确定模块，用于基于所述目标下采样倍率、预先训练获得的至少一个下采样网络模型和所述下采样网络模型对应的预设下采样倍率，确定所述第一图像对应的目标下采样网络模型；
第二图像确定模块，用于基于所述目标下采样网络模型对应的预设下采样倍率、所述目标下采样倍率和所述第一图像，确定满足预设下采样条件的第二图像；
下采样处理模块，用于基于所述目标下采样网络模型，对所述第二图像进行下采样处理，获得具有所述目标尺寸的目标图像。
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任一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任一所述的图像处理方法。
本公开实施例，通过基于待处理的第一图像对应的原始尺寸和处理后的目标尺寸，确定第一图像对应的目标下采样倍率，并基于目标下采样倍率、预先训练获得的至少一个下采样网络模型和每个下采样网络模型对应的预设下采样倍率，从至少一个下采样网络模型中确定第一图像对应的目标下采样网络模型，并基于目标下采样网络模型对应的预设下采样倍率、目标下采样倍率和第一图像，确定满足预设下采样条件的第二图像，从而可以直接利用目标下采样网络模型，对第二图像进行相应的预设下采样倍率的下采样处理，获得具有目标尺寸的目标图像。通过利用预先训练获得的目标下采样网络模型进行深度学习的下采样处理，可以提高下采样后的图像质量，并且通过确定匹配的目标下采样网络模型和满足预设下采样条件的第二图像，可以实现将图像下采样到任意尺寸，提高了图像下采样的灵活性。
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是本公开实施例所提供的一种图像处理方法的流程示意图；
图2是本公开实施例所提供的另一种图像处理方法的流程示意图；
图3是本公开实施例所涉及的一种下采样网络模型的训练过程的示例；
图4是本公开实施例所提供的又一种图像处理方法的流程示意图；
图5是本公开实施例所涉及的一种预设下采样倍率为整数倍率时的目标下采样网络模型的架构示例；
图6是本公开实施例所涉及的一种预设下采样倍率为分数倍率时的目标下采样网络模型的架构示例；
图7是本公开实施例所提供的一种图像处理装置的结构示意图；
图8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”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
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”。
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。
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一种图像处理方法的流程示意图，本公开实施例适用于将图像下采样至任意指定尺寸的情况，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，图像处理方法具体包括以下步骤：
S110、基于待处理的第一图像对应的原始尺寸和处理后的目标尺寸，确定第一图像对应的目标下采样倍率。
其中，第一图像可以是指需要处理的原有图像。可以将待处理的单个图像作为第一图像进行单个图像的下采样处理，也可以将待处理视频中的每帧图像均作为第一图像进行视频的下采样处理。第一图像可以是通道数为3的RGB(Red Green Blue)彩色图像。原始尺寸是指第一图像本身具有的尺寸。目标尺寸是指第一图像需要下采样到的指定尺寸。目标尺寸可以为任意尺寸。目标尺寸小于原始尺寸。目标下采样倍率可以是指需要对第一图像进行下采样的倍数，其可以是大于1的任意数值。目标下采样倍率可以为整数倍率，也可以为分数倍率(即小数倍率)。
具体地，可以将待处理的第一图像对应的原始尺寸除以目标尺寸，获得的相除结果确定为第一图像对应的目标下采样倍率。例如，在目标下采样倍率为整数倍率2时，表明需要对第一图像进行2倍的下采样处理。在目标下采样倍率为分数倍率3/2时，表明需要对第一图像进行1.5倍的下采样处理。
S120、基于目标下采样倍率、预先训练获得的至少一个下采样网络模型和下采样网络模型对应的预设下采样倍率，确定第一图像对应的目标下采样网络模型。
其中，下采样网络模型可以是用于对图像进行相应的预设下采样倍率的深度学习网络模型。预设下采样倍率可以是预先设置的下采样网络模型能够实现的下采样倍率。下采样网络模型的数量可以为一个或多个。每个下采样网络模型均是预先基于样本图像进行模型训练获得的，以保证下采样后的图像质量。每个下采样网络模型仅能实现固定倍率的下采样。不同的下采样网络模型对应不同的预设下采样倍率，以便实现不同倍率的下采样。目标下采样网络模型可以是指与第一图像最匹配的下采样网络模型。例如，某个下采样网络模型对应的预设下采样倍率为N，输入下采样网络模型的图像尺寸为(W，H)，则该下采样网络模型输出的图像尺寸为(W/N，H/N)，或者为(round(W/N)，round(H/N))，其中，round为取整函数。
具体地，若预先仅训练有一个下采样网络模型，即当前仅存在一个下采样网络模型，则可以直接将该下采样网络模型作为第一图像对应的目标下采样网络模型。若预先训练有至少两个下采样网络模型，即当前存在至少两个下采样网络模型，则可以将每个下采样网络模型对应的预设下采样倍率与目标下采样倍率进行比较，并基于比较结果，从至少两个下采样网络模型中确定目标下采样网络模型，以便利用目标下采样网络模型进行更加准确的图像下采样，从而保证下采样后的图像质量。
示例性地，S120可以包括：确定目标下采样倍率与预先训练获得的每个下采样网络模型对应的预设下采样倍率之间的倍率差值；基于每个下采样网络模型对应的，确定第一图像对应的目标下采样网络模型。
具体地，将目标下采样倍率与每个下采样网络模型对应的预设下采样倍率进行相减，获得每个下采样网络模型对应的倍率差值。将倍率差值最小的下采样网络模型确定为目标下采样网络模型，从而将最接近目标下采样倍率的下采样网络模型作为目标下采样网络模型。目标下采样网络模型对应的预设下采样倍率与目标下采样倍率之间的倍率差值越小，下采样后的图像质量越高。
S130、基于目标下采样网络模型对应的预设下采样倍率、目标下采样倍率和第一图像，确定满足预设下采样条件的第二图像。
其中，预设下采样条件可以是指预先设置的，能够利用目标下采样网络模型进行下采样处理的条件。第二图像可以是指能够利用目标下采样网络模型进行下采样处理的图像。例如，预设下采样条件可以是指第二图像的尺寸与目标尺寸的比值为目标下采样网络模型对应的预设下采样倍率，以便利用目标下采样网络模型进行下采样后能够获得目标尺寸的图像。
具体地，可以将目标下采样网络模型对应的预设下采样倍率与目标下采样倍率进行比较，并基于比较结果确定第一图像是否满足预设下采样条件，若满足预设下采样条件，则确定第一图像为第二图像，若不满足预设下采样条件，则对第一图像进行预处理采样，获得满足预设下采样条件的第二图像。
示例性地，S130可以包括：若目标下采样网络模型对应的预设下采样倍率与目标下采样倍率相等，则将第一图像确定为满足预设下采样条件的第二图像；若目标下采样网络模型对应的预设下采样倍率与目标下采样倍率不相等，则基于目标下采样网络模型对应的预设下采样倍率和目标尺寸，对第一图像进行预处理采样，确定满足预设下采样条件的第二图像。
具体地，在目标下采样网络模型对应的预设下采样倍率与目标下采样倍率相等时，表明可以直接利用目标下采样网络模型进行目标下采样倍率的下采样，此时可以将第一图像确定为满足预设下采样条件的第二图像。在目标下采样网络模型对应的预设下采样倍率与目标下采样倍率不相等时，表明直接利用目标下采样网络模型无法进行目标下采样倍率的下采样，此时需要基于目标下采样网络模型对应的预设下采样倍率和目标尺寸，对第一图像进行预处理的上采样或者下采样，获得满足预设下采样条件的第二图像。
S140、基于目标下采样网络模型，对第二图像进行下采样处理，获得具有目标尺寸的目标图像。
具体地，可以将满足预设下采样条件的第二图像直接输入至目标下采样网络模型中进行下采样处理。目标下采样网络模型对输入的第二图像进行相应的预设下采样倍率的下采样处理，获得具有目标尺寸的目标图像并进行输出，从而实现将第一图像下采样至目标尺寸，并且利用预先训练获得的目标下采样网络模型进行深度学习的下采样处理，提高了下采样后的图像质量。
本公开实施例的技术方案，通过基于待处理的第一图像对应的原始尺寸和处理后的目标尺寸，确定第一图像对应的目标下采样倍率，并基于目标下采样倍率、预先训练获得的至少一个下采样网络模型和每个下采样网络模型对应的预设下采样倍率，从至少一个下采样网络模型中确定第一图像对应的目标下采样网络模型，并基于目标下采样网络模型对应的预设下采样倍率、目标下采样倍率和第一图像，确定满足预设下采样条件的第二图像，从而可以直接利用目标下采样网络模型，对第二图像进行相应的预设下采样倍率的下采样处理，获得具有目标尺寸的目标图像。通过利用预先训练获得的目标下采样网络模型进行深度学习的下采样处理，可以提高下采样后的图像质量，并且通过确定匹配的目标下采样网络模型和满足预设下采样条件的第二图像，可以实现将图像下采样到任意尺寸，提高了图像下采样的灵活性。
在上述技术方案的基础上，每个下采样网络模型的训练过程可以包括：将下采样网络模型对应的预设下采样倍率作为上采样倍率，对样本图像进行上采样处理，获得上采样图像；将上采样图像输入至待训练的下采样网络模型中进行下采样处理，获得下采样网络模型的输出图像；基于输出图像和样本图像确定训练误差，并将训练误差反向传播至待训练的下采样网络模型中进行网络参数调整，直到达到预设收敛条件时，确定下采样网络模型训练结束。
具体地，每个下采样网络模型可以单独进行模型训练，以保证每个下采样网络模型准确地进行相应的预设下采样倍率的下采样。样本图像可以为高清高分辨率图像，以便提高模型训练效果。
例如，图2给出了一种下采样网络模型训练过程的示例。如图2所示，可以利用图像插值方式，比如双三次插值bicubic方式、正交相似变换Lanczos方式等，将下采样网络模型对应的预设下采样倍率N作为上采样倍率，对样本图像进行N倍率的上采样处理，获得样本图像对应的上采样图像，从而将样本图像的分辨率提高了N倍，得到了一个高分辨率退化的上采样图像。由于图像插值方式的上采样相当于一种低通滤波器，从而使得上采样图像的主观视觉质量相比于原有的样本图像有所下降。将上采样图像输入至待训练的下采样网络模型中进行相应的预设下采样倍率的下采样处理，获得下采样网络模型的输出图像。由于输出图像是样本图像先经过N倍的上采样处理，又经过N倍的下采样处理，使得输出图像与原有的样本图像具有相同的尺寸，即相同的图像分辨率，从而可以利用预设损失函数确定输出图像与样本图像之间的训练误差，比如，训练误差为：或者其中，y为输出图像，y′为样本图像，i为图像中的像素点，n为图像中的像素点数量。将训练误差反向传播至待训练的下采样网络模型中进行网络参数调整，直到达到预设收敛条件，比如迭代次数等于预设次数，或者训练误差变化趋于平稳时，确定下采样网络模型训练结束，从而通过随机梯度下降等算法优化下采样网络参数，获得下采样效果更佳的下采样网络模型。
需要说明的是，在下采样网络模型的训练过程中，通过确定输出图像与样本图像之间的训练误差，可以直接对下采样网络模型的输出图像进行高质量图像的失真约束，使得输出图像更加接近原有的样本图像，从而保证下采样网络模型的输出图像的质量，有效提高了下采样后的图像清晰度。
图3为本公开实施例所提供的另一种图像处理方法的流程示意图，本公开实施例在上述公开实施例的基础上，对步骤“基于目标下采样网络模型对应的预设下采样倍率和目标尺寸，对第一图像进行预处理采样，确定满足预设下采样条件的第二图像”进行了优化。其中与上述各公开实施例相同或相应的术语的解释在此不再赘述。
如图3所示，图像处理方法具体包括以下步骤：
S310、基于待处理的第一图像对应的原始尺寸和处理后的目标尺寸，确定第一图像对应的目标下采样倍率。
S320、基于目标下采样倍率、预先训练获得的至少一个下采样网络模型和下采样网络模型对应的预设下采样倍率，确定第一图像对应的目标下采样网络模型。
S330、检测目标下采样网络模型对应的预设下采样倍率与目标下采样倍率是否相等，若是，则执行步骤S340，若否，则执行步骤S350。
S340、将第一图像确定为满足预设下采样条件的第二图像，并执行步骤S370。
具体地，在目标下采样网络模型对应的预设下采样倍率与目标下采样倍率相等时，表明可以直接利用目标下采样网络模型进行目标下采样倍率的下采样，此时可以直接将第一图像确定为满足预设下采样条件的第二图像。
S350、基于目标下采样网络模型对应的预设下采样倍率和目标尺寸，确定预处理后的中间图像尺寸。
其中，中间图像尺寸可以是指满足预设下采样条件的图像尺寸。
具体地，在目标下采样网络模型对应的预设下采样倍率与目标下采样倍率不相等时，表明直接利用目标下采样网络模型无法进行目标下采样倍率的下采样，此时可以基于目标下采样网络模型对应的预设下采样倍率和目标尺寸，确定出满足预设下采样条件的中间图像尺寸。
示例性地，S350可以包括：将目标尺寸与目标下采样网络模型对应的预设下采样倍率进行相乘，获得的相乘结果作为预处理后的中间图像尺寸。
具体地，若下采样后的目标尺寸为高Ht和宽Wt，目标下采样网络模型对应的预设下采样倍率为N，则预处理后的中间图像尺寸为Ht×N和Wt×N，或者为round(Ht×N)和round(Wt×N)，使得中间图像尺寸可以经过N倍的下采样获得目标尺寸。
S360、对第一图像进行预处理采样，确定具有中间图像尺寸的第二图像，并执行步骤S370。
具体地，可以基于图像插值方式，比如双三次插值bicubic方式、正交相似变换Lanczos方式、最近邻插值方式、双线性插值方式等，对第一图像进行预处理的上采样或者下采样，获得具有该中间图像尺寸的第二图像。
需要说明的是，中间图像尺寸可以大于或小于第一图像的原有尺寸。在中间图像尺寸大于第一图像的原有尺寸时，基于图像插值方式对第一图像进行预处理上采样，获得具有该中间图像尺寸的第二图像。在中间图像尺寸小于第一图像的原有尺寸时，基于图像插值方式对第一图像进行预处理下采样，获得具有该中间图像尺寸的第二图像。
S370、基于目标下采样网络模型，对第二图像进行下采样处理，获得具有目标尺寸的目标图像。
本公开实施例的技术方案，通过在目标下采样网络模型对应的预设下采样倍率与目标下采样倍率不相等时，基于目标下采样网络模型对应的预设下采样倍率和目标尺寸确定预处理后的中间图像尺寸，并对第一图像进行预处理采样，确定具有中间图像尺寸的第二图像，从而通过预处理采样和目标下采样网络模型相结合的方式可以将第一图像下采样至目标尺寸，进而在保证下采样图像质量的基础上实现任意尺寸的下采样。
图4为本公开实施例所提供的另一种图像处理方法的流程示意图，本公开实施例在上述公开实施例的基础上，对目标下采样网络模型的具体架构进行了详细描述。其中与上述各公开实施例相同或相应的术语的解释在此不再赘述。
如图4所示，图像处理方法具体包括以下步骤：
S410、基于待处理的第一图像对应的原始尺寸和处理后的目标尺寸，确定第一图像对应的目标下采样倍率。
S420、基于目标下采样倍率、预先训练获得的至少一个下采样网络模型和下采样网络模型对应的预设下采样倍率，确定第一图像对应的目标下采样网络模型。
S430、基于目标下采样网络模型对应的预设下采样倍率、目标下采样倍率和第一图像，确定满足预设下采样条件的第二图像。
S440、将第二图像输入至目标下采样网络模型中的像素重排子模型中进行图像像素的下采样重排，获得具有目标尺寸的第一特征图。
其中，像素重排子模型可以是用于对图像像素进行重新排列和重组，以实现图像下采样的网络模块。预设下采样倍率分别为整数倍率和分数倍率时的像素重排子模型的网络架构不同。不同整数倍率对应的像素重排子模型的网络架构相同。不同分数倍率对应的像素重排子模型的网络架构也相同。第一特征图可以是指与目标图像具有相同尺寸的特征图像。
具体地，目标下采样网络模型中的像素重排子模型可以对输入的第二图像进行图像像素的下采样重排，也就是对第二图像进行预设下采样倍率的下采样，获得具有目标尺寸的第一特征图。需要说明的是，通过利用像素重排子模型进行图像下采样，可以保证占用的显存不变，避免占用额外显存，提高了图像处理效率和稳定性。第一特征图的宽度和高度与目标图像的宽度和高度相同，但第一特征图的通道数与目标图像的通道数不同。
示例性地，参见图5，目标下采样网络模型对应的预设下采样倍率为整数倍率时，像素重排子模型可以包括：第一像素逆重排模块。第一像素逆重排模块可以通过增大通道数，减小空间分辨率，从而实现图像的下采样。例如，第一像素逆重排模块可以为PixelUnshuffle层。
其中，第一像素逆重排模块中的通道放大因子与目标下采样网络模型对应的预设下采样倍率相等。例如，第一像素逆重排模块可以对(C，H×r1，W×r1)的图像进行重新排列转换为(C×r1 2，H，W)的特征图，从而增加了通道数，降低了空间分辨率，但占用的显存不变。其中，通道放大因子r1与目标下采样网络模型对应的预设下采样倍率相等。
具体地，参见图5，目标下采样网络模型对应的预设下采样倍率为整数倍率时，S440可以包括：将第二图像输入至第一像素逆重排模块中进行图像像素的下采样重排，获得具有目标尺寸的第一特征图。
示例性地，参见图6，目标下采样网络模型对应的预设下采样倍率为分数倍率时，像素重排子模型可以包括：第二像素逆重排模块、第一卷积模块和像素重排模块。其中，第二像素逆重排模块可以通过增大通道数，减小空间分辨率，从而实现图像的下采样。第一卷积模块可以是用于第二像素逆重排模块输出的特征图进行卷积处理，从而提高下采样图像质量。例如，第一卷积模块可以包括一个卷积核大小为3x3，步长为1，填充padding为1的卷积层。像素重排模块可以通过减小通道数，增大空间分辨率，从而实现图像的上采样。例如，像素重排模块可以为Pixel shuffle层。像素逆重排模块与像素重排模块互为逆操作。像素重排模块可以对(C×r3 2，H，W)的图像进行重新排列转换为的(C，H×r3，W×r3)特征图，从而减少了通道数，增加了空间分辨率，但占用的显存不变。
其中，第二像素逆重排模块中的通道放大因子r2和像素重排模块中的通道缩小因子r3是基于目标下采样网络模型对应的预设下采样倍率确定的。具体地，在目标下采样网络模型对应的预设下采样倍率为分数倍率时，比如X/Y，则可以确定分子X为第二像素逆重排模块中的通道放大因子r2，分母Y为像素重排模块中的通道缩小因子r3。通过将第二像素逆重排模块和像素重排模块相结合，可以实现分数倍率的下采样。
具体地，参见图6，目标下采样网络模型对应的预设下采样倍率为分数倍率时，S440可以包括：将第二图像输入至第二像素逆重排模块中进行图像像素的下采样重排，获得下采样后的特征图；将下采样后的特征图输入至第一卷积模块中进行卷积处理，获得卷积后的特征图；将卷积后的特征图输入至像素重排模块进行像素的上采样重排，获得上采样后的第一特征图，从而实现分数倍率的下采样。
S450、将第一特征图输入至目标下采样网络模型中的卷积处理子模型中进行特征的卷积处理，获得具有目标尺寸的目标图像。
其中，卷积处理子模型是用于对特征图进行卷积处理的网络模块，以便保证图像处理的质量。例如，卷积处理子模型可以包括一个或多个卷积层。通过利用多个卷积层可以进一步保证图像处理的质量。
具体地，目标下采样网络模型中的卷积处理子模型对输入的第一特征图进行深度特征的卷积处理，从而获得质量更高的具有目标尺寸的目标图像，有效保证了下采样后的图像质量。
示例性地，参见图5或者图6，卷积处理子模型可以包括：第二卷积模块、第三卷积模块和第四卷积模块。第二卷积模块、第三卷积模块和第四卷积模块均可以包括一个或多个卷积层。第二卷积模块、第三卷积模块和第四卷积模块分别处于不同的位置进行卷积处理，进一步提高卷积处理效果。
例如，第二卷积模块和第四卷积模块均可以包括一个卷积核大小为3x3，步长为1，填充padding为1的卷积层。第三卷积模块可以包括3个卷积核大小为3x3，步长为1，填充padding为1的卷积层。第二卷积模块和第三卷积模块还包括一个激活函数层，比如负轴斜率为0.2的LeakyReLU激活函数层。第四卷积模块不包括激活函数层，以避免限制表达能力。第四卷积模块的输出通道可以为3，即输出的目标图像为一个通道数为3的RGB图像。
示例性地，参见图5或者图6，S450可以包括：将第一特征图输入至第二卷积层中进行卷积处理，获得处理后的第二特征图；将第二特征图输入至第三卷积层中进行卷积处理，获得处理后的第三特征图；将第二特征图和第三特征图输入至第四卷积层中进行卷积处理，获得具有目标尺寸的目标图像。其中，可以将第二特征图和第三特征图进行叠加，并将叠加后的特征图输入至第四卷积层中进行卷积处理，获得具有目标尺寸的目标图像。
例如，参见图5，在目标下采样网络模型对应的预设下采样倍率为整数倍率2时，尺寸为(3,1080,1920)的第二图像经过第一像素逆重排模块(通道放大因子r1＝2)后获得尺寸为(12,540,960)的第一特征图。该第一特征图经过第二卷积模块后获得尺寸为(16,540,960)的第二特征图。该第二特征图经过第三卷积模块后获得尺寸为(16,540,960)的第三特征图。第二特征图和第三特征图进行叠加后经过第四卷积模块后获得尺寸为(3,540,960)的目标图像，从而将尺寸为(1080,1920)的第二图像下采样2倍，获得尺寸为(540,960)的目标图像。
例如，参见图6，在目标下采样网络模型对应的预设下采样倍率为分数倍率1.5时，尺寸为(3,1080,1920)的第二图像经过第二像素逆重排模块(通道放大因子r2＝3)后获得尺寸为(27,360,640)的特征图，该特征图经过第一卷积模块后获得尺寸为(36,360,640)的特征图，该特征图经过像素重排模块(通道缩小因子r3＝2)后获得尺寸为(9,720,1280)的第一特征图。该第一特征图经过第二卷积模块后获得尺寸为(9,720,1280)的第二特征图。该第二特征图经过第三卷积模块后获得尺寸为(9,720,1280)的第三特征图。第二特征图和第三特征图进行叠加后经过第四卷积模块后获得尺寸为(3,720,1280)的目标图像，从而将尺寸为(1080,1920)的第二图像下采样1.5倍，获得尺寸为(720,1280)的目标图像。
本公开实施例的技术方案，通过利用像素重排子模型和卷积处理子模型，对第二图像进行图像像素的下采样重排和特征的卷积处理，从而在实现预设下采样倍率的下采样的基础上可以保证占用的显存不变，避免占用额外显存，提高了图像处理效率和稳定性。
图7为本公开实施例所提供的一种图像处理装置的结构示意图，如图7所示，该装置具体包括：下采样倍率确定模块710、网络模型确定模块720、第二图像确定模块730和下采样处理模块740。
其中，下采样倍率确定模块710，用于基于待处理的第一图像对应的原始尺寸和处理后的目标尺寸，确定所述第一图像对应的目标下采样倍率；网络模型确定模块720，用于基于所述目标下采样倍率、预先训练获得的至少一个下采样网络模型和所述下采样网络模型对应的预设下采样倍率，确定所述第一图像对应的目标下采样网络模型；第二图像确定模块730，用于基于所述目标下采样网络模型对应的预设下采样倍率、所述目标下采样倍率和所述第一图像，确定满足预设下采样条件的第二图像；下采样处理模块740，用于基于所述目标下采样网络模型，对所述第二图像进行下采样处理，获得具有所述目标尺寸的目标图像。
本公开实施例所提供的技术方案，通过基于待处理的第一图像对应的原始尺寸和处理后的目标尺寸，确定第一图像对应的目标下采样倍率，并基于目标下采样倍率、预先训练获得的至少一个下采样网络模型和每个下采样网络模型对应的预设下采样倍率，从至少一个下采样网络模型中确定第一图像对应的目标下采样网络模型，并基于目标下采样网络模型对应的预设下采样倍率、目标下采样倍率和第一图像，确定满足预设下采样条件的第二图像，从而可以直接利用目标下采样网络模型，对第二图像进行相应的预设下采样倍率的下采样处理，获得具有目标尺寸的目标图像。通过利用预先训练获得的目标下采样网络模型进行深度学习的下采样处理，可以提高下采样后的图像质量，并且通过确定匹配的目标下采样网络模型和满足预设下采样条件的第二图像，可以实现将图像下采样到任意尺寸，提高了图像下采样的灵活性。
在上述技术方案的基础上，网络模型确定模块720，具体用于：
确定所述目标下采样倍率与预先训练获得的每个下采样网络模型对应的预设下采样倍率之间的倍率差值；基于每个下采样网络模型对应的所述倍率差值，确定所述第一图像对应的目标下采样网络模型。
在上述各技术方案的基础上，第二图像确定模块730，包括：
第一确定单元，用于若所述目标下采样网络模型对应的预设下采样倍率与所述目标下采样倍率相等，则将所述第一图像确定为满足预设下采样条件的第二图像；
第二确定单元，用于若所述目标下采样网络模型对应的预设下采样倍率与所述目标下采样倍率不相等，则基于所述目标下采样网络模型对应的预设下采样倍率和所述目标尺寸，对所述第一图像进行预处理采样，确定满足预设下采样条件的第二图像。
在上述各技术方案的基础上，第二确定单元，包括：
中间图像尺寸确定子单元，用于基于所述目标下采样网络模型对应的预设下采样倍率和所述目标尺寸，确定预处理后的中间图像尺寸；
第二图像确定子单元，用于对所述第一图像进行预处理采样，确定具有所述中间图像尺寸的第二图像。
在上述各技术方案的基础上，中间图像尺寸确定子单元，具体用于：
将所述目标尺寸与所述目标下采样网络模型对应的预设下采样倍率进行相乘，获得的相乘结果作为预处理后的中间图像尺寸。
在上述各技术方案的基础上，所述目标下采样网络模型包括：像素重排子模型和卷积处理子模型；
下采样处理模块740，包括：
下采样重排单元，用于将所述第二图像输入至所述像素重排子模型中进行图像像素的下采样重排，获得具有所述目标尺寸的第一特征图；
卷积处理单元，用于将所述第一特征图输入至所述卷积处理子模型中进行特征的卷积处理，获得具有所述目标尺寸的目标图像。
在上述各技术方案的基础上，所述目标下采样网络模型对应的预设下采样倍率为整数倍率时，所述像素重排子模型包括：第一像素逆重排模块；
其中，所述第一像素逆重排模块中的通道放大因子与所述目标下采样网络模型对应的预设下采样倍率相等。
在上述各技术方案的基础上，所述目标下采样网络模型对应的预设下采样倍率为分数倍率时，所述像素重排子模型包括：第二像素逆重排模块、第一卷积模块和像素重排模块；
其中，所述第二像素逆重排模块中的通道放大因子和所述像素重排模块中的通道缩小因子是基于所述目标下采样网络模型对应的预设下采样倍率确定的。
在上述各技术方案的基础上，所述卷积处理子模型包括：第二卷积模块、第三卷积模块和第四卷积模块；
卷积处理单元，具体用于：将所述第一特征图输入至所述第二卷积层中进行卷积处理，获得处理后的第二特征图；将所述第二特征图输入至所述第三卷积层中进行卷积处理，获得处理后的第三特征图；将所述第二特征图和所述第三特征图输入至所述第四卷积层中进行卷积处理，获得具有所述目标尺寸的目标图像。
在上述各技术方案的基础上，该装置还包括：
下采样网络模型训练模块，用于将下采样网络模型对应的预设下采样倍率作为上采样倍率，对样本图像进行上采样处理，获得上采样图像；将所述上采样图像输入至待训练的下采样网络模型中进行下采样处理，获得下采样网络模型的输出图像；基于所述输出图像和所述样本图像确定训练误差，并将所述训练误差反向传播至待训练的下采样网络模型中进行网络参数调整，直到达到预设收敛条件时，确定下采样网络模型训练结束。
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，具备执行图像处理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8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8，其示出了适于用来实现本公开实施例的电子设备(例如图8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8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8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8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：基于待处理的第一图像对应的原始尺寸和处理后的目标尺寸，确定所述第一图像对应的目标下采样倍率；基于所述目标下采样倍率、预先训练获得的至少一个下采样网络模型和所述下采样网络模型对应的预设下采样倍率，确定所述第一图像对应的目标下采样网络模型；基于所述目标下采样网络模型对应的预设下采样倍率、所述目标下采样倍率和所述第一图像，确定满足预设下采样条件的第二图像；基于所述目标下采样网络模型，对所述第二图像进行下采样处理，获得具有所述目标尺寸的目标图像。
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。
根据本公开的一个或多个实施例，【示例一】提供了一种图像处理方法，包括：
基于待处理的第一图像对应的原始尺寸和处理后的目标尺寸，确定所述第一图像对应的目标下采样倍率；
基于所述目标下采样倍率、预先训练获得的至少一个下采样网络模型和所述下采样网络模型对应的预设下采样倍率，确定所述第一图像对应的目标下采样网络模型；
基于所述目标下采样网络模型对应的预设下采样倍率、所述目标下采样倍率和所述第一图像，确定满足预设下采样条件的第二图像；
基于所述目标下采样网络模型，对所述第二图像进行下采样处理，获得具有所述目标尺寸的目标图像。
根据本公开的一个或多个实施例，【示例二】提供了一种图像处理方法，还包括：
可选的，所述基于所述目标下采样倍率、预先训练获得的至少一个下采样网络模型和所述下采样网络模型对应的预设下采样倍率，确定所述第一图像对应的目标下采样网络模型，包括：
确定所述目标下采样倍率与预先训练获得的每个下采样网络模型对应的预设下采样倍率之间的倍率差值；
基于每个下采样网络模型对应的所述倍率差值，确定所述第一图像对应的目标下采样网络模型。
根据本公开的一个或多个实施例，【示例三】提供了一种图像处理方法，还包括：
可选的，所述基于所述目标下采样网络模型对应的预设下采样倍率、所述目标下采样倍率和所述第一图像，确定满足预设下采样条件的第二图像，包括：
若所述目标下采样网络模型对应的预设下采样倍率与所述目标下采样倍率相等，则将所述第一图像确定为满足预设下采样条件的第二图像；
若所述目标下采样网络模型对应的预设下采样倍率与所述目标下采样倍率不相等，则基于所述目标下采样网络模型对应的预设下采样倍率和所述目标尺寸，对所述第一图像进行预处理采样，确定满足预设下采样条件的第二图像。
根据本公开的一个或多个实施例，【示例四】提供了一种图像处理方法，还包括：
可选的，所述基于所述目标下采样网络模型对应的预设下采样倍率和所述目标尺寸，对所述第一图像进行预处理采样，确定满足预设下采样条件的第二图像，包括：
基于所述目标下采样网络模型对应的预设下采样倍率和所述目标尺寸，确定预处理后的中间图像尺寸；
对所述第一图像进行预处理采样，确定具有所述中间图像尺寸的第二图像。
根据本公开的一个或多个实施例，【示例五】提供了一种图像处理方法，还包括：
可选的，所述基于所述目标下采样网络模型对应的预设下采样倍率和所述目标尺寸，确定预处理后的中间图像尺寸，包括：
将所述目标尺寸与所述目标下采样网络模型对应的预设下采样倍率进行相乘，获得的相乘结果作为预处理后的中间图像尺寸。
根据本公开的一个或多个实施例，【示例六】提供了一种图像处理方法，还包括：
可选的，所述目标下采样网络模型包括：像素重排子模型和卷积处理子模型；
所述基于所述目标下采样网络模型，对所述第二图像进行下采样处理，获得具有所述目标尺寸的目标图像，包括：
将所述第二图像输入至所述像素重排子模型中进行图像像素的下采样重排，获得具有所述目标尺寸的第一特征图；
将所述第一特征图输入至所述卷积处理子模型中进行特征的卷积处理，获得具有所述目标尺寸的目标图像。
根据本公开的一个或多个实施例，【示例七】提供了一种图像处理方法，还包括：
可选的，所述目标下采样网络模型对应的预设下采样倍率为整数倍率时，所述像素重排子模型包括：第一像素逆重排模块；
其中，所述第一像素逆重排模块中的通道放大因子与所述目标下采样网络模型对应的预设下采样倍率相等。
根据本公开的一个或多个实施例，【示例八】提供了一种图像处理方法，还包括：
可选的，所述目标下采样网络模型对应的预设下采样倍率为分数倍率时，所述像素重排子模型包括：第二像素逆重排模块、第一卷积模块和像素重排模块；
其中，所述第二像素逆重排模块中的通道放大因子和所述像素重排模块中的通道缩小因子是基于所述目标下采样网络模型对应的预设下采样倍率确定的。
根据本公开的一个或多个实施例，【示例九】提供了一种图像处理方法，还包括：
可选的，所述卷积处理子模型包括：第二卷积模块、第三卷积模块和第四卷积模块；
所述将所述第一特征图输入至所述卷积处理子模型中进行特征的卷积处理，获得具有所述目标尺寸的目标图像，包括：
将所述第一特征图输入至所述第二卷积层中进行卷积处理，获得处理后的第二特征图；
将所述第二特征图输入至所述第三卷积层中进行卷积处理，获得处理后的第三特征图；
将所述第二特征图和所述第三特征图输入至所述第四卷积层中进行卷积处理，获得具有所述目标尺寸的目标图像。
根据本公开的一个或多个实施例，【示例十】提供了一种图像处理方法，还包括：
可选的，每个下采样网络模型的训练过程包括：
将下采样网络模型对应的预设下采样倍率作为上采样倍率，对样本图像进行上采样处理，获得上采样图像；
将所述上采样图像输入至待训练的下采样网络模型中进行下采样处理，获得下采样网络模型的输出图像；
基于所述输出图像和所述样本图像确定训练误差，并将所述训练误差反向传播至待训练的下采样网络模型中进行网络参数调整，直到达到预设收敛条件时，确定下采样网络模型训练结束。
根据本公开的一个或多个实施例，【示例十一】提供了一种图像处理装置，包括：
下采样倍率确定模块，用于基于待处理的第一图像对应的原始尺寸和处理后的目标尺寸，确定所述第一图像对应的目标下采样倍率；
网络模型确定模块，用于基于所述目标下采样倍率、预先训练获得的至少一个下采样网络模型和所述下采样网络模型对应的预设下采样倍率，确定所述第一图像对应的目标下采样网络模型；
第二图像确定模块，用于基于所述目标下采样网络模型对应的预设下采样倍率、所述目标下采样倍率和所述第一图像，确定满足预设下采样条件的第二图像；
下采样处理模块，用于基于所述目标下采样网络模型，对所述第二图像进行下采样处理，获得具有所述目标尺寸的目标图像。
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 (13)

1.一种图像处理方法，其特征在于，包括：
基于待处理的第一图像对应的原始尺寸和处理后的目标尺寸，确定所述第一图像对应的目标下采样倍率；
基于所述目标下采样倍率、预先训练获得的至少一个下采样网络模型和所述下采样网络模型对应的预设下采样倍率，确定所述第一图像对应的目标下采样网络模型；
基于所述目标下采样网络模型对应的预设下采样倍率、所述目标下采样倍率和所述第一图像，确定满足预设下采样条件的第二图像；
基于所述目标下采样网络模型，对所述第二图像进行下采样处理，获得具有所述目标尺寸的目标图像。
2.根据权利要求1所述的图像处理方法，其特征在于，所述基于所述目标下采样倍率、预先训练获得的至少一个下采样网络模型和所述下采样网络模型对应的预设下采样倍率，确定所述第一图像对应的目标下采样网络模型，包括：
确定所述目标下采样倍率与预先训练获得的每个下采样网络模型对应的预设下采样倍率之间的倍率差值；
基于每个下采样网络模型对应的所述倍率差值，确定所述第一图像对应的目标下采样网络模型。
3.根据权利要求1所述的图像处理方法，其特征在于，所述基于所述目标下采样网络模型对应的预设下采样倍率、所述目标下采样倍率和所述第一图像，确定满足预设下采样条件的第二图像，包括：
若所述目标下采样网络模型对应的预设下采样倍率与所述目标下采样倍率相等，则将所述第一图像确定为满足预设下采样条件的第二图像；
若所述目标下采样网络模型对应的预设下采样倍率与所述目标下采样倍率不相等，则基于所述目标下采样网络模型对应的预设下采样倍率和所述目标尺寸，对所述第一图像进行预处理采样，确定满足预设下采样条件的第二图像。
4.根据权利要求3所述的图像处理方法，其特征在于，所述基于所述目标下采样网络模型对应的预设下采样倍率和所述目标尺寸，对所述第一图像进行预处理采样，确定满足预设下采样条件的第二图像，包括：
基于所述目标下采样网络模型对应的预设下采样倍率和所述目标尺寸，确定预处理后的中间图像尺寸；
对所述第一图像进行预处理采样，确定具有所述中间图像尺寸的第二图像。
5.根据权利要求4所述的图像处理方法，其特征在于，所述基于所述目标下采样网络模型对应的预设下采样倍率和所述目标尺寸，确定预处理后的中间图像尺寸，包括：
将所述目标尺寸与所述目标下采样网络模型对应的预设下采样倍率进行相乘，获得的相乘结果作为预处理后的中间图像尺寸。
6.根据权利要求1所述的图像处理方法，其特征在于，所述目标下采样网络模型包括：像素重排子模型和卷积处理子模型；
所述基于所述目标下采样网络模型，对所述第二图像进行下采样处理，获得具有所述目标尺寸的目标图像，包括：
将所述第二图像输入至所述像素重排子模型中进行图像像素的下采样重排，获得具有所述目标尺寸的第一特征图；
将所述第一特征图输入至所述卷积处理子模型中进行特征的卷积处理，获得具有所述目标尺寸的目标图像。
7.根据权利要求6所述的图像处理方法，其特征在于，所述目标下采样网络模型对应的预设下采样倍率为整数倍率时，所述像素重排子模型包括：第一像素逆重排模块；
其中，所述第一像素逆重排模块中的通道放大因子与所述目标下采样网络模型对应的预设下采样倍率相等。
8.根据权利要求6所述的图像处理方法，其特征在于，所述目标下采样网络模型对应的预设下采样倍率为分数倍率时，所述像素重排子模型包括：第二像素逆重排模块、第一卷积模块和像素重排模块；
其中，所述第二像素逆重排模块中的通道放大因子和所述像素重排模块中的通道缩小因子是基于所述目标下采样网络模型对应的预设下采样倍率确定的。
9.根据权利要求6所述的图像处理方法，其特征在于，所述卷积处理子模型包括：第二卷积模块、第三卷积模块和第四卷积模块；
所述将所述第一特征图输入至所述卷积处理子模型中进行特征的卷积处理，获得具有所述目标尺寸的目标图像，包括：
将所述第一特征图输入至所述第二卷积层中进行卷积处理，获得处理后的第二特征图；
将所述第二特征图输入至所述第三卷积层中进行卷积处理，获得处理后的第三特征图；
将所述第二特征图和所述第三特征图输入至所述第四卷积层中进行卷积处理，获得具有所述目标尺寸的目标图像。
10.根据权利要求1-9任一项所述的图像处理方法，其特征在于，每个下采样网络模型的训练过程包括：
将下采样网络模型对应的预设下采样倍率作为上采样倍率，对样本图像进行上采样处理，获得上采样图像；
将所述上采样图像输入至待训练的下采样网络模型中进行下采样处理，获得下采样网络模型的输出图像；
基于所述输出图像和所述样本图像确定训练误差，并将所述训练误差反向传播至待训练的下采样网络模型中进行网络参数调整，直到达到预设收敛条件时，确定下采样网络模型训练结束。
11.一种图像处理装置，其特征在于，包括：
下采样倍率确定模块，用于基于待处理的第一图像对应的原始尺寸和处理后的目标尺寸，确定所述第一图像对应的目标下采样倍率；
网络模型确定模块，用于基于所述目标下采样倍率、预先训练获得的至少一个下采样网络模型和所述下采样网络模型对应的预设下采样倍率，确定所述第一图像对应的目标下采样网络模型；
第二图像确定模块，用于基于所述目标下采样网络模型对应的预设下采样倍率、所述目标下采样倍率和所述第一图像，确定满足预设下采样条件的第二图像；
下采样处理模块，用于基于所述目标下采样网络模型，对所述第二图像进行下采样处理，获得具有所述目标尺寸的目标图像。
12.一种电子设备，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1-10中任一所述的图像处理方法。
13.一种包含计算机可执行指令的存储介质，其特征在于，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1-10中任一所述的图像处理方法。
CN202311607860.7A 2023-11-28 2023-11-28 一种图像处理方法、装置、设备和存储介质 Pending CN117635424A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311607860.7A CN117635424A (zh) 2023-11-28 2023-11-28 一种图像处理方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311607860.7A CN117635424A (zh) 2023-11-28 2023-11-28 一种图像处理方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN117635424A true CN117635424A (zh) 2024-03-01

Family

ID=90022862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311607860.7A Pending CN117635424A (zh) 2023-11-28 2023-11-28 一种图像处理方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN117635424A (zh)

Similar Documents

Publication Publication Date Title
CN110163237B (zh) 模型训练及图像处理方法、装置、介质、电子设备
CN111784571A (zh) 一种提高图像分辨率的方法、装置
CN110298851B (zh) 人体分割神经网络的训练方法及设备
CN110728622B (zh) 鱼眼图像处理方法、装置、电子设备及计算机可读介质
CN111935425B (zh) 视频降噪方法、装置、电子设备及计算机可读介质
US20240112299A1 (en) Video cropping method and apparatus, storage medium and electronic device
CN111833269B (zh) 视频降噪方法、装置、电子设备及计算机可读介质
CN112418249A (zh) 掩膜图像生成方法、装置、电子设备和计算机可读介质
CN110310293B (zh) 人体图像分割方法及设备
WO2024131503A1 (zh) 特效图的生成方法、装置、设备及存储介质
CN110399802B (zh) 处理面部图像眼睛亮度的方法、装置、介质和电子设备
WO2023179360A1 (zh) 视频处理方法、装置、电子设备及存储介质
WO2023193613A1 (zh) 高光渲染方法、装置、介质及电子设备
WO2023138540A1 (zh) 边缘提取方法、装置、电子设备及存储介质
CN110070482B (zh) 图像处理方法、装置和计算机可读存储介质
CN111815535B (zh) 图像处理方法、装置、电子设备和计算机可读介质
CN116071280A (zh) 视频补全方法、装置、介质和电子设备
CN117635424A (zh) 一种图像处理方法、装置、设备和存储介质
CN111798385B (zh) 图像处理方法及装置、计算机可读介质和电子设备
CN114972021A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN114757843A (zh) 图像处理方法、装置、电子设备及存储介质
CN114170341A (zh) 一种图像处理方法、装置、设备及介质
CN111738958B (zh) 图片修复方法、装置、电子设备及计算机可读介质
CN113706385A (zh) 一种视频超分辨率方法、装置、电子设备及存储介质
CN115761248B (zh) 图像处理方法、装置、设备及存储介质

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