CN110310229A - 图像处理方法、图像处理装置、终端设备及可读存储介质 - Google Patents
图像处理方法、图像处理装置、终端设备及可读存储介质 Download PDFInfo
- Publication number
- CN110310229A CN110310229A CN201910573333.6A CN201910573333A CN110310229A CN 110310229 A CN110310229 A CN 110310229A CN 201910573333 A CN201910573333 A CN 201910573333A CN 110310229 A CN110310229 A CN 110310229A
- Authority
- CN
- China
- Prior art keywords
- image
- amendment
- super
- pixel value
- resolution rebuilding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 35
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 210000005036 nerve Anatomy 0.000 claims abstract description 45
- 238000003709 image segmentation Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 54
- 238000000034 method Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 21
- 230000006870 function Effects 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 206010047571 Visual impairment Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种图像处理方法、图像处理装置、终端设备及可读存储介质，所述方法包括：获取待超分辨率重建的待处理图像；对待处理图像进行图像分割，得到包含目标对象的第一图像，以及包含其他图像区域的第二图像，所述第一图像中除目标对象之外，其余像素点的像素值为零；将第一图像输入至第一神经网络模型，得到超分辨率重建后的修正第一图像，并利用预设算法对第二图像进行超分辨率重建，得到修正第二图像，该修正第一图像中包含的高频信息能量大于第一阈值，通过预设算法对第二图像进行处理的时长小于第二阈值；将修正第一图像与修正第二图像进行融合，得到处理后图像。本申请可以兼顾超分辨率重建效果以及超分辨率重建的耗费时长。
Description
技术领域
本申请属于计算机技术领域，尤其涉及一种图像处理方法、图像处理装置、终端设备及计算机可读存储介质。
背景技术
目前，常常采用训练后神经网络模型对图像进行超分辨率重建，然而，通常情况下，当利用训练后的神经网络模型对图像进行超分辨率重建时，重建效果较好的神经网络模型，往往耗时较长。
因此，如何在保证超分辨率重建效果较好的前提下，减少超分辨率重建所耗费的时长，是目前亟待解决的技术问题。
发明内容
本申请提供了一种图像处理方法、图像处理装置、终端设备及计算机可读存储介质，可以在保证超分辨率重建效果的前提下，减少超分辨率重建所耗费的时长。
本申请第一方面提供了一种图像处理方法，包括：
获取待超分辨率重建的待处理图像；
对所述待处理图像进行图像分割，得到包含所述待处理图像中目标对象的第一图像，以及包含其他图像区域的第二图像，其中，所述其他图像区域为所述待处理图像中除所述目标对象之外的图像区域，所述第一图像中除组成所述目标对象的像素点之外，其余像素点的像素值均为零；
将所述第一图像输入至训练后的第一神经网络模型，通过所述训练后第一神经网络模型对所述第一图像进行超分辨率重建，得到修正第一图像，并利用预设算法对所述第二图像进行超分辨率重建，得到修正第二图像，其中，通过所述第一神经网络模型得到的所述修正第一图像中包含的高频信息能量大于第一阈值，通过所述预设算法对所述第二图像进行处理的时长小于第二阈值；
将所述修正第一图像中包含的所述目标对象与所述修正第二图像中包含的所述其他图像区域进行融合，得到处理后图像。
本申请第二方面提供了一种图像处理装置，包括：
待处理图像获取模块，用于获取待超分辨率重建的待处理图像；
图像分割模块，用于对所述待处理图像进行图像分割，得到包含所述待处理图像中目标对象的第一图像，以及包含其他图像区域的第二图像，其中，所述其他图像区域为所述待处理图像中除所述目标对象之外的图像区域，所述第一图像中除组成所述目标对象的像素点之外，其余像素点的像素值均为零；
超分辨率重建模块，用于将所述第一图像输入至训练后的第一神经网络模型，通过所述训练后第一神经网络模型对所述第一图像进行超分辨率重建，得到修正第一图像，并利用预设算法对所述第二图像进行超分辨率重建，得到修正第二图像，其中，通过所述第一神经网络模型得到的所述修正第一图像中包含的高频信息能量大于第一阈值，通过所述预设算法对所述第二图像进行处理的时长小于第二阈值；
融合模块，用于将所述修正第一图像中包含的所述目标对象与所述修正第二图像中包含的所述其他图像区域进行融合，得到处理后图像。
本申请第三方面提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面方法的步骤。
本申请第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面方法的步骤。
本申请第五方面提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被一个或多个处理器执行时实现如上述第一方面方法的步骤。
由上可见，本申请提供了一种图像处理方法，首先，对待超分辨率重建的待处理图像进行图像分割，得到包含目标对象的第一图像，以及包含除该目标对象之外的其他图像区域的第二图像，其中，在该第一图像中，除了组成所述目标对象的像素点之外，其余像素点的像素值均为0；其次，利用训练后的第一神经网络模型对上述第一图像进行超分辨率重建，得到修正第一图像，并利用预设算法对上述第二图像进行超分辨率重建，得到修正第二图像，其中，通过所述第一神经网络模型得到的所述修正第一图像中包含的高频信息能量值大于第一阈值，通过所述预设算法对所述第二图像进行处理的时长小于第二阈值，也即是，利用所述第一神经网络模型进行超分辨率重建的效果较好，利用所述预设算法进行超分辨率重建的速度较快；最后，将所述修正第一图像中包含的所述目标对象与所述修正第二图像中包含的所述其他图像区域进行融合，得到处理后图像。
通常情况下，用户对图像中的目标对象(比如人像、动物和/或植物等)比较敏感，对除该目标对象之外的其他图像区域不敏感。因此，本申请提出了一种技术方案，采用重建效果较好的所述第一神经网络模型对第一图像进行处理，因此，可以保证对所述待处理图像中目标对象的超分辨率重建效果，由于所述第一图像中除所述目标对象之外的其他像素点的像素值均为零，因此，该第一神经网络模型对所述第一图像的处理时长小于直接对所述待处理图像进行处理的时长。此外，本申请还采用重建速度较快的所述预设算法对第二图像进行处理，然后将修正第一图像中的目标对象与修正第二图像中除目标对象之外的图像区域进行融合，因此，本申请可以在保证目标对象的超分辨率重建效果的前提下，提高超分辨率重建的速度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本申请实施例一提供的一种图像处理方法的实现流程示意图；
图2是本申请实施例一提供的一种图像分割结果示意图；
图3(a)是本申请实施例一提供的修正第一图像的生成过程示意图；
图3(b)是本申请实施例一提供的修正第二图像的生成过程示意图；
图4是本申请实施例二提供的一种图像处理装置的结构示意图；
图5是本申请实施例三提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
本申请实施例提供的图像处理方法可以适用于终端设备，示例性地，该终端设备包括但不限于：智能手机、平板电脑、桌上型计算机、智能穿戴设备等计算设备。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
实施例一
下面对本申请实施例一提供的图像处理方法进行描述，请参阅附图1，该图像处理方法包括：
在步骤S101中，获取待超分辨率重建的待处理图像；
在本申请实施例中，首先获取待处理图像。其中，上述待处理图像可以是用户通过终端设备所拍摄的图像，比如，用户启动手机中的相机应用程序，点击拍摄按钮后所拍摄的图像；或者，可以是用户启动终端设备中的相机或摄像机后，摄像头所采集的某一帧预览图像，比如，用户启动手机中的相机应用程序后，摄像头所采集的某一帧预览图像；或者，可以是用户通过其他应用程序接收的图像，比如，用户在微信中接收到的其他微信联系人所发送的图像；或者，也可以是用户从互联网上下载的图像，比如，用户通过公共运营商网络在浏览器中下载的图像；或者，还可以是视频中的某一帧图像，比如，用户所观看的电视剧中的其中一帧图像，此处对待处理图像的来源不作限定。
在步骤S102中，对上述待处理图像进行图像分割，得到包含上述待处理图像中目标对象的第一图像，以及包含其他图像区域的第二图像，其中，该其他图像区域为所述待处理图像中除所述目标对象之外的图像区域，所述第一图像中除组成所述目标对象的像素点之外，其余像素点的像素值均为零；
在获取到上述待处理图像之后，需要对该待处理图像进行图像分割，得到第一图像以及第二图像，其中，该第一图像为仅包含该待处理图像中目标对象的图像，该第一图像中的其他图像区域为黑色，该第二图像为包含除所述目标对象之外的其他图像区域的图像。但是，请本领域技术人员注意，该第二图像中也可以包含所述待处理图像中的所述目标对象。如图2所示，当待处理图像为201时，可以得到的第一图像202以及第二图像203，此外，本领域技术人员应该可以理解，第二图像203完全可以和待处理图像201相同，或者，第二图像203可以为只包含背景，人像区域为全白的图像。
在本申请实施例中，该步骤S102所述的“目标对象”可以是人像、狗、蝴蝶、树木或者房屋等，该步骤S102所述的“目标对象”也可以是所述待处理图像中的前景或者背景。
在该步骤S102中，可以采用掩膜区域卷积神经网络(Mask RegionConvolutionalNeural Networks，Mask RCNN)模型进行图像分割，或者也可以采用全卷积网络(FullyConvolutional Networks，FCN)模型进行图像分割，本申请并不对图像分割的算法进行具体限定。
在步骤S103中，将上述第一图像输入至训练后的第一神经网络模型，通过该训练后的神经网络模型对上述第一图像进行超分辨率重建，得到修正第一图像，并利用预设算法对上述第二图像进行超分辨率重建，得到修正第二图像，其中，通过所述第一神经网络模型得到的所述修正第一图像中包含的高频信息能量大于第一阈值，通过所述预设算法对所述第二图像进行处理的时长小于第二阈值；
目前，对图像进行超分辨率重建的方法有很多，比如，利用神经网络模型进行超分辨率重建或者利用插值算法进行超分辨率重建，并且，利用神经网络模型对图像进行超分辨率重建时，又可以选择不同类型的神经网络模型，比如，超分辨率卷积神经网络(Super-Resolution Convolutional Neural Network，SRCNN)模型、深度重建分类网络(DeepReconstruction-Classification Network，DRCN)模型、残余通道注意网络(ResidualChannel Attention Network，RCAN)模型或者基于GAN的超分辨率网络(Super Resolutionusing a GAN，SRGAN)模型等等。在本申请实施例中，为了更好的对待处理图像中的目标对象进行超分辨率重建，并且尽可能缩短超分辨率重建的时间，需要在各个现有的已知超分辨率重建方法中选择合适的超分辨率方法，以分别对上述第一图像与上述第二图像进行超分辨率重建。
在本申请实施例中，由于希望超分辨率重建后的目标对象能够包含更多的高频信息，因此，需要选取超分辨率重建效果较好的方法来对第一图像进行处理，本领域技术人员容易理解，插值算法的超分辨率重建效果远远低于神经网络模型的处理效果，因此，采用训练后的第一神经网络模型对第一图像进行处理，通常情况下，处理效果越好的神经网络模型，超分辨率重建的耗时越长，因此，为了加快该第一神经网络模型对第一图像的处理速度，将所述第一图像中除目标对象之外的图像区域设置为黑色，以此加快该第一神经网络模型对该第一图像的处理速度。在本申请实施例中，如图3所示，将第一图像整张图输入至训练后的第一神经网络模型中，得到该训练后的第一神经网络模型输出的修正第一图像。
对于第二图像，用户往往对该第二图像中包含的除目标对象之外的其他图像区域不敏感，因此，可以选择处理速度更快的超分辨率重建算法对该第二图像进行处理，不需要去选择超分辨率重建效果好的算法。因此，可以采用插值算法对该第二图像进行超分辨率重建，得到修正第二图像；或者，也可以将所述第二图像输入至训练后的第二神经网络模型，通过所述训练后第二神经网络模型对所述第二图像进行超分辨率重建，得到修正第二图像(如图3(b)所示，将第二图像整张图输入至训练后的第二神经网络模型中，得到该训练后的第二神经网络模型输出的修正第二图像)。
在深度学习领域，级联残差网络(Cascading Residual Network，CARN模型)是超分辨率处理效果较好的神经网络模型，快速超分卷积神经网络(FastSuper ResolutionConvolutional Neural Network，FSRCNN)是超分辨率处理速度较快的神经网络模型，因此，可以将上述第一神经网络模型具体限定为CARN模型，将上述第二神经网络模型具体限定为FSRCNN模型，也即是，将所述第一图像输入至训练后的级联残差网络CARN模型，通过所述训练后CARN模型对所述第一图像进行超分辨率重建，得到修正第一图像，并将所述第二图像输入至训练后的快速超分卷积神经网络FSRCNN模型，通过所述训练后FSRCNN模型对所述第二图像进行超分辨率重建，得到修正第二图像。
本领域技术人员容易理解，为尽可能快地对所述待处理图像进行超分辨率重建，可以在利用训练后的第一神经网络模型对所述第一图像进行处理的同时，利用所述预设算法对所述第二图像进行处理。但是本申请并不局限于必须同时对上述第一图像与上述第二图像进行超分辨率重建，上述第一图像与上述第二图像进行超分辨率重建的先后时间关系取决于所选取的第一神经网络模型的类型、所选取预设算法、第二图像的形式以及第一图像中目标对象的尺寸。
下面对本申请的保护范围进行解释，假设技术方案X为：
将第一神经网络模型选定为模型A，预设算法选定为算法B，先采用训练后模型A对上述第一图像进行处理之后，再利用算法B对上述第二图像进行处理(即对第一图像与第二图像的处理时间关系为依次处理)，然后进行融合处理，得到处理后图像。
若采用上述技术方案X的耗时不小于仅利用该模型A对上述待处理图像进行处理的耗时，则该技术方案X不在本申请的保护范围之内。
也即是，本申请所请求保护的技术方案需要实现的技术效果为“在保证超分辨率重建的效果前提下，减少超分辨率重建的耗时时长”，因此，若如上述技术方案X一样，明显无法实现该技术效果的技术方案，均不在本申请的保护范围内。
此外，在本申请实施例中，为了更好对目标对象进行超分辨率重建，在训练上述第一神经网络模型时，可以基于目标对象的种类进行训练。也即是，若目标对象固定为人像时，则训练该第一神经网络模型的各个样本图像可以大多数为人像图像，若目标对象固定为狗时，则训练该第一神经网络模型的各个样本图像中可以大多数为包含狗的图像，这样，可以使得该第一神经网络模型能够针对目标对象进行较好的超分辨率重建。
在步骤S104中，将上述修正第一图像中包含的上述目标对象与上述修正第二图像中包含的上述其他图像区域进行融合，得到处理后的图像；
该步骤S104可以包括以下步骤：
S1041、将上述待处理图像中，上述目标对象所在的图像区域中的各个像素点的像素值设置为第一像素值(可以为1)，将上述其他图像区域中的各个像素点的像素值设置为第二像素值(可以为0)，得到二值图；
S1042、对上述二值图进行插值运算，得到修正二值图，该修正二值图的图像尺寸与上述处理后图像的尺寸一致；
S1043、将上述修正二值图中由上述第一像素值组成的图像区域替换为所述修正第一图像中所述目标对象所在的图像区域，将上述修正二值图中由上述第二像素值组成的图像区域替换为所述修正第二图像中的所述其他图像区域，得到处理后图像。
具体地，上述S1043可以具体包括：
在所述修正二值图中选取一目标像素点，所述目标像素点在所述修正二值图中的位置为(i,j)；
判断所述目标像素点的像素值是所述第一像素值还是所述第二像素值；
若是所述第一像素值，则将所述处理后图像中(i,j)处的像素值设置为所述修正第一图像中位置(i,j)的像素值；
若是所述第二像素值，则将所述处理后图像中(i,j)处的像素值设置为所述修正第二图像中位置(i,j)的像素值；
遍历所述修正二值图的所有像素点，得到所述处理后图像。
也即是，在修正二值图中的选取某个像素点O，该像素点O的位置为(i,j)，若该像素点O的像素值是第一像素值，则将处理后图像中位置(i,j)处的像素值确定为修正第一图像中位置(i,j)处的像素值，否则，将将处理后图像中位置(i,j)处的像素值确定为修正第二图像中位置(i,j)处的像素值。如此遍历修正二值图的所有像素点，得到处理后图像。
本申请具体给出了一个图像融合的方法，但是本领域技术人员应该注意，本申请并不对步骤S104中的图像融合的具体算法进行限定。
通常情况下，用户对图像中的目标对象比较敏感。因此，本申请提出了一种技术方案，采用重建效果较好的第一神经网络模型对第一图像进行处理，因此，可以保证对所述待处理图像中目标对象的超分辨率重建效果，由于所述第一图像中除所述目标对象之外的其他像素点的像素值均为零，因此，该第一神经网络模型对所述第一图像的处理时长小于直接对所述待处理图像进行处理的时长。此外，本申请还采用重建速度较快的预设算法对第二图像进行处理，然后将修正第一图像中的目标对象与修正第二图像中除目标对象之外的图像区域进行融合，因此，本申请可以在保证目标对象的超分辨率重建效果的前提下，提高超分辨率重建的速度。
应理解，上述方法实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例二
本申请实施例二提供了一种图像处理装置，为便于说明，仅示出与本申请相关的部分，如图4所示图像处理装置400包括，
待处理图像获取模块401，用于获取待超分辨率重建的待处理图像；
图像分割模块402，用于对所述待处理图像进行图像分割，得到包含所述待处理图像中目标对象的第一图像，以及包含其他图像区域的第二图像，其中，所述其他图像区域为所述待处理图像中除所述目标对象之外的图像区域，所述第一图像中除组成所述目标对象的像素点之外，其余像素点的像素值均为零；
超分辨率重建模块403，用于将所述第一图像输入至训练后的第一神经网络模型，通过所述训练后第一神经网络模型对所述第一图像进行超分辨率重建，得到修正第一图像，并利用预设算法对所述第二图像进行超分辨率重建，得到修正第二图像，其中，通过所述第一神经网络模型得到的所述修正第一图像中包含的高频信息能量大于第一阈值，通过所述预设算法对所述第二图像进行处理的时长小于第二阈值；
融合模块404，用于将所述修正第一图像中包含的所述目标对象与所述修正第二图像中包含的所述其他图像区域进行融合，得到处理后图像。
可选地，上述超分辨率重建模块403具体用于：
将所述第一图像输入至训练后的第一神经网络模型，通过所述训练后第一神经网络模型对所述第一图像进行超分辨率重建，得到修正第一图像，并利用插值算法对所述第二图像进行超分辨率重建，得到修正第二图像。
可选地，上述超分辨率重建模块403具体用于：
将所述第一图像输入至训练后的第一神经网络模型，通过所述训练后第一神经网络模型对所述第一图像进行超分辨率重建，得到修正第一图像，并将所述第二图像输入至训练后的第二神经网络模型，通过所述训练后第二神经网络模型对所述第二图像进行超分辨率重建，得到修正第二图像。
可选地，上述超分辨率重建模块403具体用于：
将所述第一图像输入至训练后的级联残差网络CARN模型，通过所述训练后CARN模型对所述第一图像进行超分辨率重建，得到修正第一图像，并将所述第二图像输入至训练后的快速超分卷积神经网络FSRCNN模型，通过所述训练后FSRCNN模型对所述第二图像进行超分辨率重建，得到修正第二图像。
可选地，上述融合模块404包括：
二值图获取单元，用于将所述待处理图像中，所述目标对象所在的图像区域中的各个像素点的像素值设置为第一像素值，将所述其他图像区域中的各个像素点的像素值设置为第二像素值，得到二值图；
二值图插值单元，用于对所述二值图进行插值运算，得到修正二值图，所述修正二值图的图像尺寸与所述处理后图像的尺寸一致；
二值图替换单元，用于将所述修正二值图中由所述第一像素值组成的图像区域替换为所述修正第一图像中所述目标对象所在的图像区域，将所述修正二值图中由所述第二像素值组成的图像区域替换为所述修正第二图像中的所述其他图像区域，得到处理后图像。
可选地，上述二值图替换单元包括：
像素点选取子单元，用于在所述修正二值图中选取一目标像素点，所述目标像素点在所述修正二值图中的位置为(i,j)；
像素值判断子单元，用于判断所述目标像素点的像素值是所述第一像素值还是所述第二像素值；
第一替换子单元，用于若是所述第一像素值，则将所述处理后图像中(i,j)处的像素值设置为所述修正第一图像中位置(i,j)的像素值；
第二替换子单元，用于若是所述第二像素值，则将所述处理后图像中(i,j)处的像素值设置为所述修正第二图像中位置(i,j)的像素值；
遍历子单元，用于遍历所述修正二值图的所有像素点，得到所述处理后图像。
需要说明的是，上述装置各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例二基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例二部分，此处不再赘述。
实施例三
图5是本申请实施例三提供的终端设备的结构示意图。如图5所示，该实施例的终端设备500包括：处理器501、存储器502以及存储在所述存储器502中并可在所述处理器501上运行的计算机程序503。所述处理器501执行所述计算机程序503时实现上述各个方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器501执行所述计算机程序503时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块401至404的功能。
示例性的，所述计算机程序503可以被分割成一个或多个模块/单元，上述一个或者多个模块/单元被存储在上述存储器502中，并由上述处理器501执行，以完成本申请。上述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述上述计算机程序503在上述终端设备500中的执行过程。例如，上述计算机程序503可以被分割成待处理图像获取模块、图像分割模块、超分辨率重建模块以及融合模块，各模块具体功能如下：
获取待超分辨率重建的待处理图像；
对所述待处理图像进行图像分割，得到包含所述待处理图像中目标对象的第一图像，以及包含其他图像区域的第二图像，其中，所述其他图像区域为所述待处理图像中除所述目标对象之外的图像区域，所述第一图像中除组成所述目标对象的像素点之外，其余像素点的像素值均为零；
将所述第一图像输入至训练后的第一神经网络模型，通过所述训练后第一神经网络模型对所述第一图像进行超分辨率重建，得到修正第一图像，并利用预设算法对所述第二图像进行超分辨率重建，得到修正第二图像，超分辨率重建模块，用于将所述第一图像输入至训练后的第一神经网络模型，其中，通过所述第一神经网络模型得到的所述修正第一图像中包含的高频信息能量大于第一阈值，通过所述预设算法对所述第二图像进行处理的时长小于第二阈值；
将所述修正第一图像中包含的所述目标对象与所述修正第二图像中包含的所述其他图像区域进行融合，得到处理后图像。
上述终端设备可包括，但不仅限于，处理器501、存储器502。本领域技术人员可以理解，图5仅仅是终端设备500的示例，并不构成对终端设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如上述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器501可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器502可以是上述终端设备500的内部存储单元，例如终端设备500的硬盘或内存。上述存储器502也可以是上述终端设备500的外部存储设备，例如上述终端设备500上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，上述存储器502还可以既包括上述终端设备500的内部存储单元也包括外部存储设备。上述存储器502用于存储上述计算机程序以及上述终端设备所需的其它程序和数据。上述存储器502还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述各个方法实施例中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像处理方法，其特征在于，包括：
获取待超分辨率重建的待处理图像；
对所述待处理图像进行图像分割，得到包含所述待处理图像中目标对象的第一图像，以及包含其他图像区域的第二图像，其中，所述其他图像区域为所述待处理图像中除所述目标对象之外的图像区域，所述第一图像中除组成所述目标对象的像素点之外，其余像素点的像素值均为零；
将所述第一图像输入至训练后的第一神经网络模型，通过所述训练后第一神经网络模型对所述第一图像进行超分辨率重建，得到修正第一图像，并利用预设算法对所述第二图像进行超分辨率重建，得到修正第二图像，其中，通过所述第一神经网络模型得到的所述修正第一图像中包含的高频信息能量大于第一阈值，通过所述预设算法对所述第二图像进行处理的时长小于第二阈值；
将所述修正第一图像中包含的所述目标对象与所述修正第二图像中包含的所述其他图像区域进行融合，得到处理后图像。
2.如权利要求1所述的图像处理方法，其特征在于，所述利用预设算法对所述第二图像进行超分辨率重建，得到修正第二图像，包括：
利用插值算法对所述第二图像进行超分辨率重建，得到修正第二图像。
3.如权利要求1所述的图像处理方法，其特征在于，所述利用预设算法对所述第二图像进行超分辨率重建，得到修正第二图像，包括：
将所述第二图像输入至训练后的第二神经网络模型，通过所述训练后第二神经网络模型对所述第二图像进行超分辨率重建，得到修正第二图像。
4.如权利要求3所述的图像处理方法，其特征在于，所述将所述第一图像输入至训练后的第一神经网络模型，通过所述训练后第一神经网络模型对所述第一图像进行超分辨率重建，得到修正第一图像，包括：
将所述第一图像输入至训练后的级联残差网络CARN模型，通过所述训练后CARN模型对所述第一图像进行超分辨率重建，得到修正第一图像；
所述将所述第二图像输入至训练后的第二神经网络模型，通过所述训练后第二神经网络模型对所述第二图像进行超分辨率重建，得到修正第二图像，包括：
将所述第二图像输入至训练后的快速超分卷积神经网络FSRCNN模型，通过所述训练后FSRCNN模型对所述第二图像进行超分辨率重建，得到修正第二图像。
5.如权利要求1至4中任一项所述的图像处理方法，其特征在于，所述将所述修正第一图像中包含的所述目标对象与所述修正第二图像中包含的所述其他图像区域进行融合，得到处理后图像，包括：
将所述待处理图像中，所述目标对象所在的图像区域中的各个像素点的像素值设置为第一像素值，将所述其他图像区域中的各个像素点的像素值设置为第二像素值，得到二值图；
对所述二值图进行插值运算，得到修正二值图，所述修正二值图的图像尺寸与所述处理后图像的尺寸一致；
将所述修正二值图中由所述第一像素值组成的图像区域替换为所述修正第一图像中所述目标对象所在的图像区域，将所述修正二值图中由所述第二像素值组成的图像区域替换为所述修正第二图像中的所述其他图像区域，得到处理后图像。
6.如权利要求5所述的图像处理方法，其特征在于，所述将所述修正二值图中由所述第一像素值组成的图像区域替换为所述修正第一图像中所述目标对象所在的图像区域，将所述修正二值图中由所述第二像素值组成的图像区域替换为所述修正第二图像中的所述其他图像区域，得到处理后图像，包括：
在所述修正二值图中选取一目标像素点，所述目标像素点在所述修正二值图中的位置为(i,j)；
判断所述目标像素点的像素值是所述第一像素值还是所述第二像素值；
若是所述第一像素值，则将所述处理后图像中(i,j)处的像素值设置为所述修正第一图像中位置(i,j)的像素值；
若是所述第二像素值，则将所述处理后图像中(i,j)处的像素值设置为所述修正第二图像中位置(i,j)的像素值；
遍历所述修正二值图的所有像素点，得到所述处理后图像。
7.一种图像处理装置，其特征在于，包括：
待处理图像获取模块，用于获取待超分辨率重建的待处理图像；
图像分割模块，用于对所述待处理图像进行图像分割，得到包含所述待处理图像中目标对象的第一图像，以及包含其他图像区域的第二图像，其中，所述其他图像区域为所述待处理图像中除所述目标对象之外的图像区域，所述第一图像中除组成所述目标对象的像素点之外，其余像素点的像素值均为零；
超分辨率重建模块，用于将所述第一图像输入至训练后的第一神经网络模型，通过所述训练后第一神经网络模型对所述第一图像进行超分辨率重建，得到修正第一图像，并利用预设算法对所述第二图像进行超分辨率重建，得到修正第二图像，其中，通过所述第一神经网络模型得到的所述修正第一图像中包含的高频信息能量大于第一阈值，通过所述预设算法对所述第二图像进行处理的时长小于第二阈值；
融合模块，用于将所述修正第一图像中包含的所述目标对象与所述修正第二图像中包含的所述其他图像区域进行融合，得到处理后图像。
8.如权利要求7所述的图像处理装置，其特征在于，所述超分辨率重建模块具体用于：
将所述第一图像输入至训练后的第一神经网络模型，通过所述训练后第一神经网络模型对所述第一图像进行超分辨率重建，得到修正第一图像，并利用插值算法对所述第二图像进行超分辨率重建，得到修正第二图像。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910573333.6A CN110310229B (zh) | 2019-06-28 | 2019-06-28 | 图像处理方法、图像处理装置、终端设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910573333.6A CN110310229B (zh) | 2019-06-28 | 2019-06-28 | 图像处理方法、图像处理装置、终端设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110310229A true CN110310229A (zh) | 2019-10-08 |
| CN110310229B CN110310229B (zh) | 2023-04-18 |
Family
ID=68077836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910573333.6A Active CN110310229B (zh) | 2019-06-28 | 2019-06-28 | 图像处理方法、图像处理装置、终端设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110310229B (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110958469A (zh) * | 2019-12-13 | 2020-04-03 | 联想(北京)有限公司 | 视频处理方法、装置、电子设备及存储介质 |
| CN111080527A (zh) * | 2019-12-20 | 2020-04-28 | 北京金山云网络技术有限公司 | 一种图像超分辨率的方法、装置、电子设备及存储介质 |
| CN111091521A (zh) * | 2019-12-05 | 2020-05-01 | 腾讯科技（深圳）有限公司 | 图像处理方法及装置、电子设备和计算机可读存储介质 |
| CN111163265A (zh) * | 2019-12-31 | 2020-05-15 | 成都旷视金智科技有限公司 | 图像处理方法、装置、移动终端及计算机存储介质 |
| CN111696039A (zh) * | 2020-05-28 | 2020-09-22 | Oppo广东移动通信有限公司 | 图像处理方法及装置、存储介质和电子设备 |
| CN111968037A (zh) * | 2020-08-28 | 2020-11-20 | 维沃移动通信有限公司 | 数码变焦方法、装置和电子设备 |
| CN112381717A (zh) * | 2020-11-18 | 2021-02-19 | 北京字节跳动网络技术有限公司 | 图像处理方法、模型训练方法、装置、介质及设备 |
| CN112734647A (zh) * | 2021-01-20 | 2021-04-30 | 支付宝(杭州)信息技术有限公司 | 图像处理方法和装置 |
| WO2021083059A1 (zh) * | 2019-10-29 | 2021-05-06 | Oppo广东移动通信有限公司 | 一种图像超分重建方法、图像超分重建装置及电子设备 |
| CN112866573A (zh) * | 2021-01-13 | 2021-05-28 | 京东方科技集团股份有限公司 | 显示器、融合显示系统及图像处理方法 |
| WO2021115403A1 (zh) * | 2019-12-13 | 2021-06-17 | 深圳市中兴微电子技术有限公司 | 一种图像的处理方法及装置 |
| CN113240687A (zh) * | 2021-05-17 | 2021-08-10 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备和可读存储介质 |
| CN113409192A (zh) * | 2021-06-17 | 2021-09-17 | Oppo广东移动通信有限公司 | 超分辨率芯片、超分辨率算法的更新方法和电子设备 |
| CN113452895A (zh) * | 2020-03-26 | 2021-09-28 | 华为技术有限公司 | 一种拍摄方法及设备 |
| CN113469892A (zh) * | 2020-04-29 | 2021-10-01 | 海信集团有限公司 | 一种视频帧处理方法、装置、设备及介质 |
| CN113781309A (zh) * | 2021-09-17 | 2021-12-10 | 北京金山云网络技术有限公司 | 图像处理方法、装置及电子设备 |
| CN113781493A (zh) * | 2021-01-04 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 图像处理方法、装置、电子设备、介质及计算机程序产品 |
| CN115471398A (zh) * | 2022-08-31 | 2022-12-13 | 北京科技大学 | 图像超分辨率方法、系统、终端设备及存储介质 |
| WO2023283855A1 (en) * | 2021-07-15 | 2023-01-19 | Qualcomm Incorporated | Super resolution based on saliency |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596833A (zh) * | 2018-04-26 | 2018-09-28 | 广东工业大学 | 超分辨率图像重构方法、装置、设备及可读存储介质 |
| CN108765343A (zh) * | 2018-05-29 | 2018-11-06 | Oppo（重庆）智能科技有限公司 | 图像处理的方法、装置、终端及计算机可读存储介质 |
| CN108765511A (zh) * | 2018-05-30 | 2018-11-06 | 重庆大学 | 基于深度学习的超声图像超分辨率重建方法 |
| US20190057488A1 (en) * | 2017-08-17 | 2019-02-21 | Boe Technology Group Co., Ltd. | Image processing method and device |
-
2019
- 2019-06-28 CN CN201910573333.6A patent/CN110310229B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190057488A1 (en) * | 2017-08-17 | 2019-02-21 | Boe Technology Group Co., Ltd. | Image processing method and device |
| CN108596833A (zh) * | 2018-04-26 | 2018-09-28 | 广东工业大学 | 超分辨率图像重构方法、装置、设备及可读存储介质 |
| CN108765343A (zh) * | 2018-05-29 | 2018-11-06 | Oppo（重庆）智能科技有限公司 | 图像处理的方法、装置、终端及计算机可读存储介质 |
| CN108765511A (zh) * | 2018-05-30 | 2018-11-06 | 重庆大学 | 基于深度学习的超声图像超分辨率重建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 汪家明等: "多尺度残差深度神经网络的卫星图像超分辨率算法", 《武汉工程大学学报》 * |
| 王一宁等: "基于残差神经网络的图像超分辨率改进算法", 《计算机应用》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021083059A1 (zh) * | 2019-10-29 | 2021-05-06 | Oppo广东移动通信有限公司 | 一种图像超分重建方法、图像超分重建装置及电子设备 |
| CN111091521A (zh) * | 2019-12-05 | 2020-05-01 | 腾讯科技（深圳）有限公司 | 图像处理方法及装置、电子设备和计算机可读存储介质 |
| WO2021115403A1 (zh) * | 2019-12-13 | 2021-06-17 | 深圳市中兴微电子技术有限公司 | 一种图像的处理方法及装置 |
| CN110958469A (zh) * | 2019-12-13 | 2020-04-03 | 联想(北京)有限公司 | 视频处理方法、装置、电子设备及存储介质 |
| CN111080527A (zh) * | 2019-12-20 | 2020-04-28 | 北京金山云网络技术有限公司 | 一种图像超分辨率的方法、装置、电子设备及存储介质 |
| CN111080527B (zh) * | 2019-12-20 | 2023-12-05 | 北京金山云网络技术有限公司 | 一种图像超分辨率的方法、装置、电子设备及存储介质 |
| CN111163265A (zh) * | 2019-12-31 | 2020-05-15 | 成都旷视金智科技有限公司 | 图像处理方法、装置、移动终端及计算机存储介质 |
| CN113452895A (zh) * | 2020-03-26 | 2021-09-28 | 华为技术有限公司 | 一种拍摄方法及设备 |
| CN113469892A (zh) * | 2020-04-29 | 2021-10-01 | 海信集团有限公司 | 一种视频帧处理方法、装置、设备及介质 |
| CN111696039A (zh) * | 2020-05-28 | 2020-09-22 | Oppo广东移动通信有限公司 | 图像处理方法及装置、存储介质和电子设备 |
| CN111968037A (zh) * | 2020-08-28 | 2020-11-20 | 维沃移动通信有限公司 | 数码变焦方法、装置和电子设备 |
| WO2022105779A1 (zh) * | 2020-11-18 | 2022-05-27 | 北京字节跳动网络技术有限公司 | 图像处理方法、模型训练方法、装置、介质及设备 |
| CN112381717A (zh) * | 2020-11-18 | 2021-02-19 | 北京字节跳动网络技术有限公司 | 图像处理方法、模型训练方法、装置、介质及设备 |
| CN113781493A (zh) * | 2021-01-04 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 图像处理方法、装置、电子设备、介质及计算机程序产品 |
| CN112866573A (zh) * | 2021-01-13 | 2021-05-28 | 京东方科技集团股份有限公司 | 显示器、融合显示系统及图像处理方法 |
| CN112866573B (zh) * | 2021-01-13 | 2022-11-04 | 京东方科技集团股份有限公司 | 显示器、融合显示系统及图像处理方法 |
| CN112734647A (zh) * | 2021-01-20 | 2021-04-30 | 支付宝(杭州)信息技术有限公司 | 图像处理方法和装置 |
| CN113240687A (zh) * | 2021-05-17 | 2021-08-10 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备和可读存储介质 |
| CN113409192A (zh) * | 2021-06-17 | 2021-09-17 | Oppo广东移动通信有限公司 | 超分辨率芯片、超分辨率算法的更新方法和电子设备 |
| WO2023283855A1 (en) * | 2021-07-15 | 2023-01-19 | Qualcomm Incorporated | Super resolution based on saliency |
| CN113781309A (zh) * | 2021-09-17 | 2021-12-10 | 北京金山云网络技术有限公司 | 图像处理方法、装置及电子设备 |
| CN115471398A (zh) * | 2022-08-31 | 2022-12-13 | 北京科技大学 | 图像超分辨率方法、系统、终端设备及存储介质 |
| CN115471398B (zh) * | 2022-08-31 | 2023-08-15 | 北京科技大学 | 图像超分辨率方法、系统、终端设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110310229B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110310229A (zh) | 图像处理方法、图像处理装置、终端设备及可读存储介质 | |
| CN109871845B (zh) | 证件图像提取方法及终端设备 | |
| CN111507909A (zh) | 一种有雾图像清晰化的方法、装置及存储介质 | |
| Zhong et al. | Deep attentional guided image filtering | |
| CN108875900A (zh) | 视频图像处理方法和装置、神经网络训练方法、存储介质 | |
| CN112991231B (zh) | 单图像超分与感知图像增强联合任务学习系统 | |
| CN110830808A (zh) | 一种视频帧重构方法、装置及终端设备 | |
| US7116836B2 (en) | Method and apparatus for enhancing an image using a wavelet-based retinex algorithm | |
| Ljungbergh et al. | Raw or cooked? object detection on raw images | |
| CN105979283A (zh) | 视频转码方法和装置 | |
| CN107729885B (zh) | 一种基于多重残差学习的人脸增强方法 | |
| CN109949234A (zh) | 基于深度网络的视频复原模型训练方法及视频复原方法 | |
| CN112419179A (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
| CN114299573A (zh) | 视频处理方法、装置、电子设备及存储介质 | |
| CN111383289A (zh) | 图像处理方法、装置、终端设备及计算机可读存储介质 | |
| CN114462582A (zh) | 基于卷积神经网络模型的数据处理方法及装置、设备 | |
| CN110838088A (zh) | 一种基于深度学习的多帧降噪方法、装置及终端设备 | |
| WO2023273515A1 (zh) | 目标检测方法、装置、电子设备和存储介质 | |
| Wu et al. | Learning to joint remosaic and denoise in quad bayer cfa via universal multi-scale channel attention network | |
| US20230060988A1 (en) | Image processing device and method | |
| CN109996085A (zh) | 模型训练方法、图像处理方法、装置及电子设备 | |
| CN113033616B (zh) | 高质量视频重建方法、装置、设备及存储介质 | |
| CN117217989A (zh) | 一种图像处理方法、计算机设备及存储介质 | |
| CN115661276A (zh) | 图像数据的编码方法、装置、设备、介质及程序 | |
| CN114743245A (zh) | 增强模型的训练方法、图像处理方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |