[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，该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，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网络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。

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残差卷积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；将输出图像输入到残差卷积神经网络组件，获取高分辨率完整图像，其中，高分辨率完整图像是相较于原始图像具有更丰富的细节信息的图像。

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：利用多组图像集对深度引导滤波组件以及残差卷积神经网络组件进行协同训练，从而实现使该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，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所述图像处理机器学习模型组件进行训练，调整训练参数，直到该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包括引导滤波网络和残差网络。

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。

根据本发明的又一个方面，提供了一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行根据本发明的图像处理方法的指令。

根据本发明的又一个方面，提供了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行根据本发明的图像处理方法的指令。