[发明专利]一种图像处理方法及计算设备

说明书

本发明公开了一种图像处理方法及计算设备，其中图像处理方法包括步骤：获取与原始图像对应的低分辨率图像；将低分辨率图像与原始图像作为输入图像输入到图像处理机器学习模型组件中，获取相较于原始图像具有更高分辨率且更丰富的细节信息的高分辨率完整图像，其中，图像处理机器学习模型组件利用预先获取的多组图像集进行训练得到，其中多组图像集包括高分辨率完整图像集、高分辨率图像集以及低分辨率图像集。

技术领域

本发明涉及计算机技术领域，特别涉及一种图像处理方法及计算设备。

背景技术

近年来，利用引导图的引导滤波方法在执行图像滤波时，既可保持图像边缘性又可使图像的纹理部分与引导图近似，因此在图像增强、图像抠图、图像去雾等场景中大受欢迎。基于此，提出一种利用引导滤波单元与卷积神经网络耦合的图像处理方法(例如，深度引导滤波)，该方法可引入引导滤波层形成深度引导滤波网络，从而可将高分辨率图像作为低分辨率图像的引导图并输出高分辨图像。但这种方法的图像处理结果存在图像细节丢失、图像过于平滑等问题。因此，需要一种图像处理效果更好(例如，图像细节丰富并且图像不会过于平滑)的技术方案。

发明内容

为此，本发明提供一种图像处理方法及计算设备，以力图解决或者至少缓解上面存在的至少一个问题。

根据本发明的一个方面，提供了一种图像处理方法，适于在计算设备中执行，该方法包括如下步骤：获取与原始图像对应的低分辨率图像；将低分辨率图像与原始图像作为输入图像输入到图像处理机器学习模型组件中，获取相较于原始图像具有更高分辨率且更丰富的细节信息的高分辨率完整图像，其中，图像处理机器学习模型组件利用预先获取的多组图像集进行训练得到，其中，多组图像集包括高分辨率完整图像集、高分辨率图像集以及低分辨率图像集。

可选地，图像处理机器学习模型组件是通过深度引导滤波组件与递归神经网络组件耦合生成的。

可选地，将低分辨率图像与所述原始图像作为输入图像输入到图像处理机器学习模型组件中获取相较于所述原始图像具有更高分辨率且更丰富的细节信息的高分辨率完整图像的步骤包括：将低分辨率图像与所述原始图像输入到深度引导滤波组件，获取与原始图像对应的输出图像；将输出图像输入到递归神经网络组件，获取高分辨率完整图像。

可选地，图像处理机器学习模型组件利用预先获取的多组图像集进行训练得到，包括步骤：利用多组图像集对所述深度引导滤波组件以及所述递归神经网络组件进行协同训练，从而实现使图像处理机器学习模型组件训练完成。

可选地，利用多组图像集对所述图像处理机器学习模型组件进行训练的步骤包括：获取高分辨率完整图像集、高分辨率图像集以及低分辨率图像集；构建图像处理机器学习模型组件，该模型组件中设置有训练参数；利用高分辨率图像集、低分辨率图像集与高分辨率完整图像之间的对应关系对图像处理机器学习模型组件进行训练，调整训练参数，直到图像处理机器学习模型组件达到预设要求。

可选地，图像处理机器学习模型组件的结构包括引导滤波网络和递归神经网络。

可选地，多组图像集是指利用从与每个画面对应的多个图像中分别提取出高分辨率完整图像、高分辨率图像以及低分辨率图像来形成高分辨率完整图像集、高分辨率图像集以及低分辨率图像集。

可选地，预设条件是指利用损失函数获取的损失函数值达到阈值。

可选地，将低分辨率图像与原始图像作为输入图像输入到图像处理机器学习模型组件中获取相较于原始图像具有更高分辨率且更丰富的细节信息的高分辨率完整图像的步骤包括：按照构成低分辨率图像与原始图像的图像通道分别将每个图像通道对应的图像数据输入到所述图像处理机器学习模型组件中，获取与每个图像通道对应的最终图像数据；利用各个通道的最终图像数据，生成高分辨率完整图像。

可选地，图像处理机器学习模型组件是通过深度引导滤波组件、递归神经网络组件以及全卷积神经网络组件耦合生成的。