[发明专利]图像处理方法、图像处理模型的训练方法、装置及设备

说明书

本公开提供了一种图像处理方法，涉及深度学习领域，尤其涉及基于深度学习的超分辨率图像处理技术领域。具体实现方案为：将待处理图像输入卷积神经网络，得到上述待处理图像的特征图；对上述特征图执行卷积操作和重组操作，得到增强特征图；以及根据上述增强特征图执行图像重建，得到重建图像的图像数据。本公开还提供了一种图像处理模型的训练方法、一种图像处理装置、一种图像处理模型的训练装置、一种电子设备、一种存储有计算机指令的非瞬时性计算机可读存储介质及一种计算机程序产品。

技术领域

本公开涉及深度学习技术领域，尤其涉及基于深度学习的超分辨率图像处理技术领域。具体涉及一种图像处理方法、图像处理模型的训练方法、装置及设备。

背景技术

图像超分辨率处理以低分辨率的图像为输入，以有效的高质量的高分辨率图像为期望输出。图像超分辨率处理目前可以采用基于插值的实现方式、基于传统机器学习的实现方式、基于深度学习的实现方式。在超分辨图像处理中，需要对得到的特征进行增强，以便高效地提供更多的图像信息。

发明内容

本公开提供了一种图像处理方法、图像处理模型的训练方法、装置、电子设备及计算机程序产品。

根据本公开的一方面，提供了一种图像处理方法，包括：将待处理图像输入卷积神经网络，得到上述待处理图像的特征图；对上述特征图执行卷积操作和重组操作，得到增强特征图；以及根据上述增强特征图执行图像重建，得到重建图像的图像数据。

根据本公开的另一方面，提供了一种图像处理模型的训练方法，上述图像处理模型包括卷积神经网络和特征增强模型，上述方法包括：将样本图像输入卷积神经网络，得到上述样本图像的特征图；将上述样本图像的特征图输入到特征增强模型，对上述样本特征图执行卷积操作和重组操作，得到增强特征图；根据上述增强特征图执行图像重建，得到重建图像的图像数据；计算上述重建图像的图像数据与针对上述重建图像的监督图像的图像数据之间的相似度；以及调整上述卷积神经网络的卷积核参数，直至上述相似度大于等于预设阈值。

根据本公开的另一方面，提供了一种图像处理装置，包括：输入模块，用于将待处理图像输入卷积神经网络，得到上述待处理图像的特征图；卷积和重组模块，用于对上述特征图执行卷积操作和重组操作，得到增强特征图；以及重建模块，用于根据上述增强特征图执行图像重建，得到重建图像的图像数据。

根据本公开的另一方面，提供了一种图像处理模型的训练装置，包括：输入模块，用于将样本图像输入卷积神经网络，得到上述样本图像的样本特征图；卷积和重组模块，利用特征增强模型对上述样本特征图执行卷积操作和重组操作，得到增强特征图；重建模块，用于根据上述增强特征图执行图像重建，得到重建图像的图像数据；计算模块，用于计算上述重建图像的图像数据与针对上述重建图像的监督图像的图像数据之间的相似度；以及调整模块，用于调整上述卷积神经网络的卷积核参数，直至上述相似度大于等于预设阈值。

根据本公开的另一方面，供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行本公开实施例提供的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行本公开实施例提供的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现本公开实施例提供的方法

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一个实施例的图像处理方法的流程图；