[发明专利]一种图像处理方法及计算设备

权利要求书

1.一种图像处理方法，适于在计算设备中执行，所述方法包括步骤：

获取与原始图像对应的低分辨率图像；

将所述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，其中，所述图像处理机器学习模型组件是通过深度引导滤波组件与不用于深度引导滤波组件的并行网络组件耦合生成的，且所述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，所述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，其中，所述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：将低分辨率图像与原始图像作为输入图像输入到深度引导滤波组件，获取第一输出图像；将第一输出图像作为输入图像输入到并行网络组件，获取第二输出图像；所述第一输出图像与第二输出图像按照预定比例组合生成高分辨率完整图像；

其中，利用所述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；构建所述图像处理机器学习模型组件，并设置有初始的全网络参数；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集之间的对应关系分批次对所述图像处理机器学习模型组件进行训练，调整所述全网络参数，直到所述图像处理机器学习模型组件达到预设要求，

其中，所述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集之间的对应关系分批次对所述图像处理机器学习模型组件进行训练，调整所述全网络参数，直到所述图像处理机器学习模型组件达到预设要求的步骤包括：将高分辨率图像集、低分辨率图像集和高分辨率完整图像集这三组图像集划分为包括这三种图像类型的第一训练图像集和第二训练图像集；调整所述图像处理机器学习模型组件中的深度引导滤波组件与并行网络组件的预定权重比例，在所述预定权重比例上，第一训练图像集和第二训练图像集按顺序对所述图像处理机器学习模型组件进行训练，调整所述全网络参数，直到所述图像处理机器学习模型组件达到预设要求，其中，所述预定权重比例是随着训练次数的增加逐渐减小直至变为固定权重比例。

2.如权利要求1所述的方法，其中，所述并行网络组件包括视觉几何组网络组件。

3.如权利要求1所述的方法，其中，所述图像处理机器学习模型组件的输出图像是由深度引导滤波组件输出的第一图像与并行网络组件输出的第二图像按照预定比例组合而获得。

4.如权利要求1-3中任一项所述的方法，其中，所述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的步骤包括：

利用所述多组图像集中的部分图像集对所述深度引导滤波组件进行训练，调整与所述深度引导滤波组件对应的第一网络参数；

利用所述多组图像集中除所述部分图像集外的剩余图像集对所述深度引导滤波以及所述并行网络组件进行协同训练，调整与所述图像处理机器学习模型组件对应的全网络参数。

5.如权利要求4所述的方法，其中，所述并行网络组件是利用网络图像集执行初始化后的组件。

6.如权利要求5所述的方法，其中，利用第一训练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：

将第一训练图像集中的高分辨率图像集与低分辨率图像集输入到所述深度引导滤波组件，获取中间输出图像集；

利用中间输出图像集与高分辨率完整图像集的对应关系，调整所述深度引导滤波组件对应的第一网络参数，直到所述深度引导滤波组件达到第一预设要求。

7.如权利要求6所述的方法，其中，所述第一预设要求是指利用L1范数作为损失函数获取的中间输出图像与高分辨率完整图像之间的损失函数值达到第一预定阈值。