[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。

2.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是通过深度引导滤波组件与残差卷积神经网络组件耦合生成的。

3.如权利要求2所述的方法，其中，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的步骤包括：

将所述低分辨率图像与所述原始图像输入到深度引导滤波组件，获取与所述原始图像对应的输出图像；

将所述输出图像输入到残差卷积神经网络组件，获取高分辨率完整图像。

4.如权利要求2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，包括步骤：

利用所述多组图像集对所述深度引导滤波组件以及所述残差卷积神经网络组件进行协同训练，从而实现使所述图像处理机器学习模型组件训练完成。

5.如权利要求4所述的方法，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，其中所述图像处理机器学习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集之间的对应关系对所述图像处理机器学习模型组件进行训练，调整所述训练参数，直到所述图像处理机器学习模型组件达到预设要求。

6.如权利要求5所述的方法，其中，所述图像处理机器学习模型组件包括引导滤波网络和残差网络。

7.如权利要求1所述的方法，其中，所述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。

8.一种图像处理方法，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和所述原始图像作为输入图像输入到深度引导滤波组件，获取与所述原始图像对应的输出图像；

将所述输出图像输入到残差卷积神经网络组件，获取与所述输出图像对应的高分辨率完整图像，其中，所述高分辨率完整图像是相较于原始图像具有更高分辨率且更丰富的细节信息的图像。

9.一种计算设备，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1-8所述的方法中的任一方法的指令。

10.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1-8所述的方法中的任一方法。