[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111091521A - 图像处理方法及装置、电子设备和计算机可读存储介质 - Google Patents

图像处理方法及装置、电子设备和计算机可读存储介质 Download PDF

Info

Publication number
CN111091521A
CN111091521A CN201911235579.9A CN201911235579A CN111091521A CN 111091521 A CN111091521 A CN 111091521A CN 201911235579 A CN201911235579 A CN 201911235579A CN 111091521 A CN111091521 A CN 111091521A
Authority
CN
China
Prior art keywords
image
feature
feature information
information
characteristic information
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
Application number
CN201911235579.9A
Other languages
English (en)
Other versions
CN111091521B (zh
Inventor
卓嘉璇
孙钟前
郑瀚
付星辉
尚鸿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201911235579.9A priority Critical patent/CN111091521B/zh
Publication of CN111091521A publication Critical patent/CN111091521A/zh
Application granted granted Critical
Publication of CN111091521B publication Critical patent/CN111091521B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20088—Trinocular vision calculations; trifocal tensor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供一种图像处理方法、装置以及相关设备，该方法包括：获取待处理图像；通过神经网络模型的目标卷积结构提取所述待处理图像的第一特征信息；通过所述神经网络模型的第一级联结构对第一特征信息进行处理，获得第一特征信息的多个特征图，根据多个特征图获得第二特征信息，其中不同特征图上的像素点在第一特征信息上映射的区域大小不同；根据第一特征信息和第二特征信息获得融合特征信息；在神经网络模型的多个重建通道中确定目标图像重建通道；根据目标图像重建通道对融合特征信息进行处理，获得将待处理图像放大目标放大倍数的目标图像。本公开提供的方法，可以按照不同的目标放大倍数将低分辨率图像重建为提供更多细节的高分辨率图像。

Description

图像处理方法及装置、电子设备和计算机可读存储介质
技术领域
本公开涉及人工智能技术领域，尤其涉及一种图像处理方法及装置、电子设备和计算机可读存储介质。
背景技术
在电子图像应用领域，人们经常期望得到高分辨率图像。高分辨率意味着图像中的像素密度高，能够提供更多的细节，而这些细节在许多实际应用中不可或缺。例如，高分辨率医疗图像有助于医生做出正确的诊断；高分辨率卫星图能够帮助科学家从相似物中区别相似的对象；高分辨图像能帮助提高计算机视觉中的模式识别的性能。
目前，提高图像分辨率的技术一般分为两种：第一种是通过硬件的改进来提高图像的分辨率，但是改进硬件设备技术较为复杂，所需成本较高；第二种方法是通过软件技术来提高图像的分辨率，但是通过软件技术提高图像的分辨率会因为信息传递导致信息丢失。
因此，需要一种新的图像处理方法来提供图像的分辨率。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例提供一种图像处理方法及装置、电子设备和计算机可读存储介质，能够根据待处理图像准确、高效的恢复出具有高像素密度、可提供更多细节和信息的高分辨率图像。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
本公开实施例提出一种图像处理方法，该方法包括：获取待处理图像；通过神经网络模型的目标卷积结构提取所述待处理图像的第一特征信息，所述神经网络模型还包括第一级联结构和多个图像重建通道，不同图像重建通道对应不同的放大倍数；通过所述神经网络模型的第一级联结构对所述第一特征信息进行处理，获得所述第一特征信息的多个特征图，并根据所述多个特征图获得第二特征信息，其中不同特征图上的像素点在所述第一特征信息上映射的区域大小不同；根据所述第一特征信息和所述第二特征信息，获得融合特征信息；在所述多个图像重建通道中确定目标图像重建通道；根据所述目标图像重建通道对所述融合特征信息进行处理，获得将所述待处理图像放大目标放大倍数的目标图像。
在一些实施例中，所述第一级联结构包括第一卷积层和第二卷积层；其中，通过所述神经网络模型的第一级联结构对所述第一特征信息进行处理，获得所述第一特征信息的多个特征图，包括：通过所述第一卷积层对所述第一特征信息进行处理，获得第一特征图；通过所述第二卷积层对所述第一特征信息和所述第一特征图进行处理，获得第二特征图。
在一些实施例中，所述第一级联结构还包括特征图融合结构；其中，通过所述神经网络模型的第一级联结构对所述第一特征信息进行处理，获得所述第一特征信息的多个特征图，还包括：所述特征图融合结构对所述第一特征图和所述第二特征图进行处理，获得所述第一特征信息的融合特征图。
在一些实施例中，所述神经网络模型还包括第一卷积结构；其中，根据所述多个特征图获得第二特征信息，包括：通过所述第一卷积结构对所述融合特征图进行处理，获得所述第二特征信息。
在一些实施例中，所述神经网络模型还包括第二级联结构、第二卷积结构、第三级联结构以及第三卷积结构；其中，根据所述第一特征信息和所述第二特征信息，获得融合特征信息，包括：通过所述第二级联结构对所述第二特征信息进行处理，获得所述第二特征信息的多个特征图；通过所述第二卷积结构对所述第二特征信息的多个特征图进行处理，获得第三特征信息；通过所述第三级联结构对所述第三特征信息进行处理，获得所述第三特诊信息的多个特征图；通过所述第三卷积结构对所述第三特诊信息的多个特征图进行处理以获得第四特征信息；根据所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息，获得所述融合特征信息。
在一些实施例中，所述神经网络模型还包括第四卷积结构和像素拼接结构；中，根据所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息，获得所述融合特征信息，包括：通过所述第四卷积结构分别对所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息进行处理，获得通道数量一致的所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息；所述像素拼接结构顺次提取通道数量一致的所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息中相同位置的像素进行拼接，以获得所述融合特征信息。
在一些实施例中，所述神经网络模型包括还第一图像重建通道，所述第一图像重建通道包括第五卷积结构、反卷积结构、第六卷积结构和第七卷积结构；中，根据所述目标图像重建通道对所述融合特征信息进行处理，获得将所述待处理图像放大目标放大倍数的目标图像，包括：通过所述第五卷积结构对所述融合特征信息进行处理，生成第五特征信息；通过所述反卷积结构对所述第五特征信息进行放大处理，以获得第六特征信息；通过所述第七卷积结构对所述第六特征信息进行平滑处理，以获得所述目标图像。
在一些实施例中，所述数据处理方法还包括：获取第一分辨率图像和第二分辨率图像，所述第二分辨率图像是通过将所述第一分辨率图像缩小预设倍数获得的；通过所述神经网络模型对所述第二分辨率图像进行处理，将所述第二分辨率图像放大所述预设倍数以获得预测图像；根据所述第一分辨率图像和所述预测图像确定目标损失，以训练所述神经网络模型。
本公开实施例提出一种图像处理装置，所述图像处理装置包括：图像获取模块、第一特征信息获取模块、第二特征信息获取模块、融合特征信息获取模块、重建通道确定模块以及目标图像获取模块。
其中，所述图像获取模块可以配置为获取待处理图像；所述第一特征信息获取模块可以配置为通过神经网络模型的目标卷积结构提取所述待处理图像的第一特征信息，所述神经网络模型还包括第一级联结构和多个图像重建通道，不同图像重建通道对应不同的放大倍数；所述第二特征信息获取模块可以配置为通过所述神经网络模型的第一级联结构对所述第一特征信息进行处理，获得所述第一特征信息的多个特征图，并根据所述多个特征图获得第二特征信息，其中不同特征图上的像素点在所述第一特征信息上映射的区域大小不同；所述融合特征信息获取模块可以配置为根据所述第一特征信息和所述第二特征信息，获得融合特征信息；所述重建通道确定模块可以配置为在所述多个图像重建通道中确定目标图像重建通道；所述目标图像获取模块可以配置为根据所述目标图像重建通道对所述融合特征信息进行处理，获得将所述待处理图像放大目标放大倍数的目标图像。
本公开实施例提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一项所述的图像处理方法。
本公开实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述任一项所述的图像处理方法。
本公开某些实施例提供的图像处理方法、装置及电子设备和计算机可读存储介质，一方面通过提取待处理图像中的第一特征信息以及第一特征信息中感受野不同的特征(感受野不同的特征可以指的是不同的特征在第一特征信息上映射的区域大小不同)，并将所述第一特征信息和根据所述第一特征信息中感受野不同的特征获取的第二特征信息融合，挖掘出待处理图像中的不同感受野和不同深度特征层融合互补的信息，以使得能够准确的恢复处具有高像素密度、可提供更多细节的高分辨率图像；另一方面可以通过目标图像重建通道将待处理图像放大目标放大倍数(不同图像重建通道对应不同的放大倍数)。因此，本公开提供的技术方案不仅可以重建出具有高像素密度、可提供更多细节的高分辨率图像，还可以适应多种低分辨率图像的重建(还可以理解为，可以将待处理图像按照多种放大倍数进行放大)。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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他的附图。
图1示出了可以应用于本公开实施例的图像处理方法或图像处理装置的示例性系统架构的示意图。
图2是根据一示例性实施例示出的一种应用于图像处理装置的计算机系统的结构示意图。
图3是根据一示例性实施例示出的一种图像处理方法的流程图。
图4是根据一示例性实施例示出的一种神经网络模型的结构图。
图5是图3中步骤S3在一示例性实施例中的流程图。
图6是根据一示例性实施例示出的一种级联结构的示意图。
图7是图3中步骤S3在一示例性实施例中的流程图。
图8是根据一示例性实施例示出的一种神经网络模型的示意图。
图9是图3中步骤S4在一示例性实施例中的流程图。
图10是根据本公开实施例示出的一种像素拼接结构的示意图。
图11是图3中步骤S5在一示例性实施例中的流程图。
图12是根据本公开示例性实施例示出的神经网络模型训练方法。
图13是根据一示例性实施例示出的一种图像处理装置的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
本公开所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图仅为本公开的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和步骤，也不是必须按所描述的顺序执行。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本说明书中，用语“一个”、“一”、“该”、“所述”和“至少一个”用以表示存在一个或多个要素/组成部分/等；用语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”、“第二”和“第三”等仅作为标记使用，不是对其对象的数量限制。
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Visio，CV)是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR(Optical Character Recognition，光学字符识别)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D(3-dimension，三维)技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本公开实施例提供的技术方案涉及人工智能技术的计算机视觉技术和机器学习技术等方面，下面通过具体的实施例进行举例说明。
下面结合附图对本公开示例实施方式进行详细说明。
图1示出了可以应用于本公开实施例的图像处理方法或图像处理装置的示例性系统架构的示意图。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。其中，终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、虚拟现实设备、智能家居等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理，并将处理结果反馈给终端设备。
服务器105可例如获取待处理图像；服务器105可例如通过神经网络模型的目标卷积结构提取所述待处理图像的第一特征信息，所述神经网络模型还包括第一级联结构和多个图像重建通道，不同图像重建通道对应不同的放大倍数；服务器105可例如通过所述神经网络模型的第一级联结构对所述第一特征信息进行处理，获得所述第一特征信息的多个特征图，并根据所述多个特征图获得第二特征信息，其中不同特征图上的像素点在所述第一特征信息上映射的区域大小不同；服务器105可例如根据所述第一特征信息和所述第二特征信息，获得融合特征信息；服务器105可例如在所述多个图像重建通道中确定目标图像重建通道；服务器105可例如根据所述目标图像重建通道对所述融合特征信息进行处理，获得将所述待处理图像放大目标放大倍数的目标图像。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的，服务器105可以是一个实体的服务器，还可以为多个服务器组成，根据实际需要，可以具有任意数目的终端设备、网络和服务器。
图2是根据一示例性实施例示出的一种应用于图像处理装置的计算机系统的结构示意图。
下面参考图2，其示出了适于用来实现本申请实施例的终端设备的计算机系统200的结构示意图。图2示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图2所示，计算机系统200包括中央处理单元(CPU)201，其可以根据存储在只读存储器(ROM)202中的程序或者从储存部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统200操作所需的各种程序和数据。CPU 201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207；包括硬盘等的储存部分208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入储存部分208。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本申请所示的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块和/或单元和/或子单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块和/或单元和/或子单元也可以设置在处理器中，例如，可以描述为：一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中，这些模块和/或单元和/或子单元的名称在某种情况下并不构成对该模块和/或单元和/或子单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备可实现功能包括：获取待处理图像；通过神经网络模型的目标卷积结构提取所述待处理图像的第一特征信息，所述神经网络模型还包括第一级联结构和多个图像重建通道，不同图像重建通道对应不同的放大倍数；通过所述神经网络模型的第一级联结构对所述第一特征信息进行处理，获得所述第一特征信息的多个特征图，并根据所述多个特征图获得第二特征信息，其中不同特征图上的像素点在所述第一特征信息上映射的区域大小不同；根据所述第一特征信息和所述第二特征信息，获得融合特征信息；在所述多个图像重建通道中确定目标图像重建通道；根据所述目标图像重建通道对所述融合特征信息进行处理，获得将所述待处理图像放大目标放大倍数的目标图像。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者智能设备等)执行根据本公开实施例的方法，例如图3的一个或多个所示的步骤。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不限于这里已经示出的详细结构、附图方式或实现方法，相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
随着内镜的普及和技术水平的发展，内镜广泛地成为发现和诊断消化道疾病的重要手段。通常的内镜可以通过带有内置摄像头和信号传输装置的纤维管进入人体，拍摄消化道内部的情况，并将拍摄的图像或影响传输到体外，为医生提供诊断病情的信息。对于内镜来说，成像分辨率水平是其性能优劣的重要指标之一。成像分辨率高的内镜系统能够显示更加精细的图像信息，同时克服模糊、降采样、噪声等诸多因素的影响，有助于医生清楚地观察到消化道的内部细节，提高诊断各种上下消化道疾病准确度的能力，具有更好的诊断价值。因此，目前较为先进的内镜都致力于提高成像的高分辨率。
通常情况下，内镜成像直接输出的图像分辨率都比较高，可以为医生诊断提供有效的保障。但高分辨率的内镜图像面临着存储的问题：由于高分辨率图像像素数量较大，需要占用多的存储空间。考虑存储的方便和资源限制，需要将高分辨率的内镜图像降低分辨率进行存储，才能作为病人的诊断历史存档。当这些历史存档数据再被调用的时候，低分辨率的存储图像需要进行高分辨率重建才能提供较为准确和有效的诊断信息。因此，重建高分辨率的内镜图像成为了医疗影像上一项需要被关注和研究的课题。对于重建高分辨率内镜图像的问题，可以利用计算机视觉的图像超分辨重建技术来解决。
图像超分辨率重建技术是指由一幅低分辨率图像恢复出具有高像素密度、可提供更多细节、质量和信息更高的高分辨率图像。
本公开实施例中提供了一种图像处理方法，可以准确、高效的恢复出具有高像素密度、可提供更多细节和信息更高的高分辨率图像。
图3是根据一示例性实施例示出的一种图像处理方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理，例如上述图1实施例中的服务器105和/或终端设备102、103，在下面的实施例中，以服务器105为执行主体为例进行举例说明，但本公开并不限定于此。
参照图3，本公开实施例提供的图像处理方法可以包括以下步骤。
步骤S1，获取待处理图像。
步骤S2，通过神经网络模型的目标卷积结构提取所述待处理图像的第一特征信息，所述神经网络模型还包括第一级联结构和多个图像重建通道，不同图像重建通道对应不同的放大倍数。
步骤S3，通过所述神经网络模型的第一级联结构对所述第一特征信息进行处理，获得所述第一特征信息的多个特征图，并根据所述多个特征图获得第二特征信息，其中不同特征图上的像素点在所述第一特征信息上映射的区域大小不同。
步骤S4，根据所述第一特征信息和所述第二特征信息，获得融合特征信息。
步骤S5，在所述多个图像重建通道中确定目标图像重建通道。
步骤S6，根据所述目标图像重建通道对所述融合特征信息进行处理，获得将所述待处理图像放大目标放大倍数的目标图像。
本公开某些实施例提供的图像处理方法，一方面通过提取待处理图像中的第一特征信息以及第一特征信息中感受野不同的特征(即不同的特征在第一特征信息上映射的区域大小不同)，并将所述第一特征信息和根据所述第一特征信息中感受野不同的特征获取的第二特征信息融合，以挖掘出待处理图像中的不同感受野和不同深度特征层融合互补的信息，以使得能够准确的恢复处具有高像素密度、可提供更多细节的高分辨率图像；另一方面可以通过目标图像重建通道将待处理图像放大目标放大倍数(不同图像重建通道对应不同的放大倍数)。因此，本公开提供的技术方案不仅可以重建出具有高像素密度、可提供更多细节的高分辨率图像，还可以适应多种低分辨率图像的重建(还可以理解为，本公开提供的技术方案可以将待处理图像按照多种放大倍数进行放大)。
本实施例提供的技术方案，既可以挖掘、感受不同感受野和不同深度特征层融合互补的信息以重建处具有更多细节的高分辨率图像，又可以根据不同的目标放大倍数适应多种低分辨率的图像超分辨率重建，最终获得将待处理图像放大目标放大倍数的目标图像。
图4是根据一示例性实施例示出的一种神经网络模型的结构图。
如图4所示，所述神经网络模型可以包括多个卷积结构903，所示卷积结构903可以包括一个卷积层和一个ReLU(Rectified Linear Unit，线性整流函数)激活函数。在一些实施例中，所述卷积结构903可以用来进行特征的提取。
在一些实施例中，所述神经网络模型还可以包括如图4所示的级联结构904，可以理解的是所述级联结构904可以是一个也可以是多个，本公开对此不做限制。在一些实施例中，所述级联结构904可以用来提取不同感受野的特征，其中不同感受野的特征可以指的是不同的特征在原始图像中的映射区域大小不同。
在一些实施例中，所述神经网络模型还可以包括如图4所示的像素拼接结构905，可以理解的是所述像素拼接结构可以是一个也可以是多个，本公开对此不做限制。在一些实施例中，所述像素拼接结构既可以完成像素的拼接，又可以完成对特征的多倍(例如2倍)上采样。
在一些实施例中，所述神经网络模型还可以包括多个如图4所示的反卷积结构906。可以理解的是所述反卷积结构可以是一个也可以是多个，本公开对此不做限制。可以理解的是，所述反卷积结构906可以完成对特征的多倍(例如2倍)上采样。
在一些实施例中，所述神经网络模型还可以包括多个图像重建通道。可以理解的是，虽然所述多个图像重建通道并未在图4中标示，但是每个输出图像对应的输出即可以对应一个图像重建通道的输出。不同的图像重建通道对应不同的输出图像，不同的输出图像对应的放大倍数不同。
可以理解的是，图4中相同的模块可以代表同一结构，本公开对此不做赘述。
在使用神经网络模型对待处理图像进行重建之前，需要完成对所述神经网络模型的训练。
如图4所示，可以将第一分辨率图像901按照预设倍数进行下采样处理以获得第二分辨率图像902。例如可以将第一分辨率图像按照1/2、1/4、1/8等倍数进行下采样处理，以获得第二分辨率图像。可以理解的是，同一第一分辨率图像可以对应多个第二分辨率图像。例如，将像素为1024*1024的第一分辨率图像按照1/2、1/4、1/8等倍数进行下采样处理，可以获得分辨率为512*512、256*256以及128*128的第二分辨率图像。
在一些实施例中，可以通过所述第一分辨率图像和对应的多个第二分辨率图像训练所述神经网络模型，以获得参数收敛的神经网络模型。训练过程如所示。
通过所述神经网络模型对所述第二分辨率图像进行处理，将所述第二分辨率图像放大所述预设倍数以获得预测图像；根据所述第一分辨率图像和所述预测图像确定目标损失，以训练所述神经网络模型。
本实施例提供的技术方案，通过第一分辨率图像以及第一分辨率图像下采样之后的第二分辨率图像训练所述神经网络模型，通过所述神经网络模型对待处理图像进行处理，不仅可以获得细节信息足够多的高分辨率图像，还可以通过不同的图像重建通道对待处理图像进行处理以获得不同目标放大倍数的目标图像。
图5是图3中步骤S3在一示例性实施例中的流程图。
在一些实施例中，可以通过神经网络对所述待处理图像进行处理，以将所述待处理图像放大所述目标放大倍数以获得目标图像。
在一些实施例中，所述神经网络模型可以包括多个卷积结构，例如可以包括两个卷积核为3x3的目标卷积结构。
在一些实施例中，可以通过所述多个卷积结构对所述待处理图像进行处理，以获得所述第一特征信息。
在一些实施例中，在所述神经网络中可以包括多个级联结构，以提取所述待处理图像中不同感受野的特征。例如，所述神经网络模型可以包括第一级联结构，所述第一级联结构可以包括多个卷积层。
在一些实施例中，所述第一级联结构可以包括第一卷积层和第二卷积层。
可以理解的是，所述多个卷积层不仅可以包括第一卷积层、第二卷积层，还可以包括第三卷积层以及第四卷积层。本公开实施例对所述多个卷积层的数量不做限制，对各个卷积层的卷积核大小不做限制，对各个卷积层的级联方式以及位置不做限制。
如图3所示，上述步骤S3中的通过所述神经网络模型的第一级联结构对所述第一特征信息进行处理以获得所述第一特征信息的多个特征图可以包括以下步骤。
步骤S31，通过所述第一卷积层对所述第一特征信息进行处理，获得第一特征图。
在一些实施例中，当所述第一特征信息输入至所述第一级联结构后，所述第一卷积层会对所述第一特征信息进行处理，以获得所述第一特征图。
步骤S32，通过所述第二卷积层对所述第一特征信息和所述第一特征图进行处理，获得第二特征图。
在一些实施例中，在获得所述第一特征图和所述第二特征图后，可以根据所述第一特征图和所述第二特征图确定所述第一特征信息的融合特征图。
例如，可以将所述第一特征图、所述第二特征图相同位置处的像素点进行点加(或者求均值)，以获得所述融合特征图。
图6是根据一示例性实施例示出的一种级联结构的示意图。
如图6所示，所述第一级联结构可以包括4个卷积核大小分别为1x1、3x3、5x5、7x7的卷积层，卷积核1x1、卷积核3x3、卷积核5x5以及卷积核7x7通过级联方式进行连接。
在一些实施例中，所述第一级联结构中的第一卷积层可例如为图6中的卷积核大小为1x1的卷积层。
在一些实施例中，所述第一级联结构中的第二卷积层可例如为图6所示的卷积核大小为3x3的卷积层。
在一些实施例中，所述第一级联结构中还可以包括如图6所示的第三卷积层(5x5卷积核)和第四卷积层(7x7卷积核)。
在一些实施例中，图3中步骤S3中的通所述第二卷积层对所述第一特征信息和所述第一特征图进行处理，获得第二特征图可以包括以下过程：通过所述第一卷积层(1x1卷积层)对所述第一特征信息进行处理，获得第一特征图；通过所述第二卷积层(3x3卷积层)对所述第一特征信息和所述第一特征图进行处理，获得第二特征图；所述第三卷积层(5x5卷积核)可以对所述第一特征信息、所述第一特征图以及所述第二特征图进行处理，以获得第三特征图；所述第四卷积层(7x7卷积核)可以对所述第一特征信息、所述第一特征图、所述第二特征图以及所述第三特征图进行处理，以获得所述第四特征图。
在一些实施例中，如果所述第一级联结构中包括如图6所示的第一卷积层(1x1卷积核)和第二卷积层(3x3卷积核)、第三卷积层(5x5卷积核)和第四卷积层(7x7卷积核)，则所述第一级联结构可以将所述第一特征图、所述第二特征图、所述第三特征图以及所述第四特征图进行信息的融合，以获得所述融合特征图。
例如，所述第一级联结构可以通过特征图融合结构(例如图6中的输出结构)将所述第一特征图、所述第二特征图、所述第三特征图以及所述第四特征图相同位置处的像素点进行点加(或者求均值)，以获得所述融合特征图。
在一些实施例中，所述神经网络模型还包括第一卷积结构。
在一些实施例中，还可以通过所述第一卷积结构对所述融合特征图进行处理，获得所述第二特征信息。
在一些实施例中，所述第一卷积结构可以包括一个卷积层和一个激活函数。例如，所述第一卷积结构可以包括一个3x3的卷积层和激活函数。
本实施例提供的技术方案，通过层层级联的结构将小感受野(即在原始特征信息中映射的区域较小)的特征图传递到更大感受野的卷积层中进行特征提取，可以实现更多不同尺度的感受野特征的表示，最后将不同感受野的特征图进行信息融合可以得到多个感受野大小的特征。经过第一级联结构的处理，输出的融合特征图融合了多个感受野的信息，实现了更加丰富的特征表达，以便丰富最终重建的高分辨率图像的细节信息。
图7是图3中步骤S3在另一示例性实施例中的流程图。
在一些实施例中，所述神经网络模型还可以包括第二级联结构、第二卷积结构、第三级联结构和第三卷积结构，所述第二级联结构和所述第三级联结构均包括级联的多个卷积层。
在一些实施例中，可以将如图4所示的神经网络模型具体为如图8所示的神经网络模型结构。
如图8所示，所述神经网络可以包括目标卷积结构901、目标卷积结构902、第一级联结构903、第一卷积结构904、第二级联结构905、第二卷积结构906、第三级联结构907以及第三卷积结构908。
在一些实施例中，所述第一卷积结构904、第二卷积结构906和所述第三卷积结构908均可以包括一个卷积层和一个激活函数。例如，所述第一卷积结构904、所述第二卷积结构906和第三卷积结构908均可以包括一个3x3的卷积层和RelU卷积函数。
在一些实施例中，所述目标卷积结构901、所述目标卷积结构902、所述第一卷积机构904、所述第二卷积结构906以及所述第三卷积结构908的通道数可以相等。
在一些实施例中，所述第一级联结构903、所述第二级联结构905以及所述第三级联结构907均包括级联的多个卷积层。
在一些实施例中，通过所述神经网络的目标卷积结构901、目标卷积结构902对所述待处理图像的处理后可以获得所述第一特征信息，通过所述神经网络的第一级联结构903和所述第一卷积结构904对所述第一特征信息进行处理后可以获得所述第二特征信息。
步骤S33，通过所述第二级联结构对所述第二特征信息进行处理，获得所述第二特征信息的多个特征图。
在一些实施例中，通过所述第二级联结构903对所述第二特征信息进行处理，可以获得所述第二特征信息的多个特征图，其中所述第二特征信息的多个特征图上的像素点在所述第二特征信息上映射的区域大小不同。
步骤S34，通过所述第二卷积结构对所述第二特征信息的多个特征图进行处理，获得第三特征信息。
在一些实施例中，通过所述第二卷积结构906对所述第二特征信息中感受野不同的特征进行处理，以获得所述第三特征信息。
步骤S35，通过所述第三级联结构对所述第三特征信息进行处理，获得所述第三特诊信息的多个特征图。
在一些实施例中，通过所述第三级联结构907对所述第三特征信息进行处理，，可以获得所述第三特征信息的多个特征图，其中所述第三特征信息的多个特征图上的像素点在所述第三特征信息上映射的区域大小不同。
步骤S36，通过所述第三卷积结构对所述第三特诊信息的多个特征图进行处理以获得第四特征信息。
在一些实施例中，通过所述第三卷积结构908对所述第三特征信息中感受野不同的特征进行处理，可以获得所述第四特征信息。
步骤S37，根据所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息，获得所述融合特征信息。
在一些实施例中，可以对所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信心进行信息的融合以获得所述融合特征信息。
例如，可以对所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信心在像素点级别上进行相加(或者求均值)，以获得所述融合特征信息。可以理解的是，上述信息融合方法(在像素点级别上进行相加或求均值)不会改变特征的分辨率。
本实施例不仅通过多个级联结构获得了所述待处理图像相同维度下不同感受野的特征，还通过多个卷积结构挖掘了所述待处理图像不同深度的特征信息，以使得最终获得的融合特征信息不仅包括低阶特征(可以包括较多的细节信息)还包括了高阶特征(可以包括较多的语义信息)，以使得重建高分辨率图像时不仅可以由高层语义信息的指导，还可以有低层细节信息的细节补充。
图9是图3中S4在一示例性实施例中的流程图。
在一些实施例中，所述神经网络模型还包括第四卷积结构和像素拼接结构。
在一些实施例中，所述神经网网络模型中可以包括第四卷积结构，所述第四卷积结构可以包括多个。如图8所示，所述神经网络模型例如可以包括第四卷积结构909、910、911以及912等。
在一些实施例中，各个第四卷积结构均可以包括一个卷积层和一个激活函数。
步骤S41，通过所述第四卷积结构分别对所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息进行处理，获得通道数量一致的所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息。
步骤S42，所述像素拼接结构顺次提取通道数量一致的所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息中相同位置的像素进行拼接，以获得所述融合特征信息。
图10是根据本公开实施例示出的一种像素拼接结构的示意图。
如图10所示，可以将所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息相同位置处的像素点进行拼接，以获得融合特征信息。
本实施例提供的技术方案通过拼接的方式将多个特征信息进行信息融合以得到融合特征信息，一方面所述融合特征信息每一个拼接块上都融合了特征提取阶段不同深度的特征信息，另一方面所述融合特征信息的大小是原特征信息大小的2倍，实现了对原特征信息的上采样(例如，假设所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息的大小均为2x2x3，拼接后的融合特征信息的大小为4x4x3)。
上述实施例以四个特征信息为例，拼接融合后可以实现原来特征信息2倍的上采样，并且保持特征通道不变。可以理解的是，如果将9个特征信息进行特征融合，就可以实现原来特征信息3倍的上采样，并且保持通道不变，以此类推。
还可以理解的是，如果将各个特征信息的像素点只在某个指定维度上进行拼接，还可以实现特征信息在某个维度上的上采样。
图11是图3中步骤S5在一示例性实施例中的流程图。
在一些实施例中，所述神经网络模型可以包括多个图像重建通道，每个图像重建通道对应不同的放大倍数。例如，所述神经网络模型可以包括第一图像重建通道、第二图像重建通道、第三图像重建通道等，其中所述第一图像重建通道可以例如对应2倍的放大倍数，所述第二图像重建通道可例如对应4倍的放大倍数，所述第三图像重建通道可例如对应8倍的放大倍数。
在一些实施例中，可以根据预先确定的待处理图像的目标放大倍数确定目标图像重建通道。
例如，假设第二图像重建通道的放大倍数为4倍，而目标放大倍数也为4，则可以认为所述第二图像重建通道就是目标图像重建通道。
如图8所示，所述第二图像重建通道可以由第五卷积结构914、卷积结构915组成，所述第一图像重建通道可以由所述第五卷积结构914、反卷积结构916、第六卷积结构917以及第七卷积结构918构成，所述第三图像重建通道可以由第五卷积结构914、反卷积结构916、第六卷积结构917、反卷积结构919、第八卷积结构920以及第九卷积结构921构成。
在一些实施例中，图8中反卷积结构可以实现2倍的上采样也可以实现其它倍数的上采样。
在一些实施例中，假设所述像素拼接结构913、各个反卷积结构均可以实现2倍的上采样(可以理解的是所述像素拼接结构913、各个反卷积结构均可以实现不同倍数的上采样)，那么第二图像重建通道可以实现2倍的上采样，第一图像重建通道可以实现4倍的上采样、第三图像重建通道可以实现8倍的上采样。
本实施例，可以实现不同倍数的上采样，以同时满足对同一待处理图像进行不同倍数的上采样过程(例如对同一待处理图像同时放大2、4、8倍)，或者实现对不同低分辨率图像上采样为同一高分辨率图像(例如，既可以将分辨率为256*256的图像上采样为1024*1024的图像，也可以将分辨率为512*512图像上采样为1024*1024的图像)的过程。
例如，为方便存储通常会将高分辨率的内镜图像进行随机尺度(例如1/2、1/4或1/8)的缩小，在图像重建过程中可以将缩小后的内镜图像直接输入至神经网络模型中，所述神经网络可以根据缩小尺度选择合适的目标图像重建通道，以重建出与原内镜图像粉分辨率相同的像。
在一些实施例中，若所述第一图像重建通道就是目标图像重建通道。则如图11所示，上述步骤S5可以包括以下步骤。
步骤S51，通过所述第五卷积结构对所述融合特征信息进行处理，生成第五特征信息。
步骤S52，通过所述反卷积结构对所述第五特征信息进行放大处理，以获得第六特征信息。
步骤S53，通过所述第七卷积结构对所述第六特征信息进行处理，以获得所述目标图像。
本实施例提供的图像处理方法，一方面，可以通过神经网络模型的多个图像重建通道可以按照不同的放大倍数实现对待处理图像的重建，以获得足够清晰、细节足够多的高分辨率图像；另一方面，可以通过一个神经网络模型实现对多种低分辨率图像的重建(例如，可以通过一个神经网络模型将分辨率512*512、256*256的低分辨率图像上采样为分辨率为1024*1024的高分辨率图像)，无需训练过多神经网络模型，节约了资源，提高了效率。
图12是根据本公开示例性实施例示出的神经网络模型训练方法。
参考图12，上述神经网络训练模型的训练方法可以包括以下步骤。
步骤S1201，获取第一分辨率图像和第二分辨率图像，所述第二分辨率图像是通过将所述第一分辨率图像缩小预设倍数获得的。
在一些实施例中，可以将所述第一分辨率图像进行下采样处理以获得第二低分辨率图像，例如可以对所述第一分辨率图像(可例如是分辨率已知的内镜图像)进行随机尺度的缩小，随机缩小的尺度为1/2、1/4以及1/8的倍率，分别对应三种不同的第二分辨率图像，并记录预处理时缩小的尺度。
步骤S1202，通过所述神经网络模型对所述第二分辨率图像进行处理，生成将所述第二分辨率图像放大所述预设倍数的预测图像。
在一些实施例中，可以通过所述神经网络模型对所述第二分辨率图像进行处理，生成将所述第二分辨率图像放大所述预设倍数的预测图像。
假设，所述第二分辨率图像是由所述第一分辨率图像缩小为原图像的1/4后获得的，那么预设倍数可以设置为4倍，那么可以通过所述神经网络模型将所述第二分辨率图像放大4倍以获得预测图像。
步骤S1203，根据所述第一分辨率图像和所述预测图像确定目标损失，以训练所述神经网络模型。
在一些实施例中，可以根据单次训练过程中的第一分辨率图像和预测图像确定目标损失，也可以根据多次训练过程中的第一分辨率图像和预测图像确定目标损失。
本公开以根据多次训练过程中的第一分辨率图像和预测图形确定目标损失为例，对目标损失进行说明。
在一些实施例中，可以根据公式(1)获得所述目标损失。
Figure BDA0002304795290000211
其中，θ代表所述神经网络模型中的参数，N表示训练集中的样本量，i表示训练集中的第i个样本，
Figure BDA0002304795290000221
表示所述第i个第一分辨率图像，经下采样后
Figure BDA0002304795290000222
变为第二分辨率图像
Figure BDA0002304795290000223
第二分辨率图像经过所述神经网络模型F的映射后可以得到预测图像
Figure BDA0002304795290000224
如公式(1)所示，对预测图像
Figure BDA0002304795290000225
和第一分辨率图像
Figure BDA0002304795290000226
每个像素点进行误差计算然后平方得到损失误差，然后对每个样本的损失误差进行平均作为目标损失，优化模型参数的方向。
图13是根据一示例性实施例示出的一种图像处理装置的框图。
参照图13，本公开实施例提供的图像处理装置1300可以包括：图像获取模块1301、第一特征信息获取模块1302、第二特征信息获取模块1303、融合特征信息获取模块1304、重建通道确定模块1305以及目标图像获取模块1306。
其中，所述图像获取模块1301可以置为获取待处理图像；所述第一特征信息获取模块1302可以配置为通过神经网络模型的目标卷积结构提取所述待处理图像的第一特征信息，所述神经网络模型还包括第一级联结构和多个图像重建通道，不同图像重建通道对应不同的放大倍数；所述第二特征信息获取模块1303可以配置为通过所述神经网络模型的第一级联结构对所述第一特征信息进行处理，获得所述第一特征信息的多个特征图，并根据所述多个特征图获得第二特征信息，其中不同特征图上的像素点在所述第一特征信息上映射的区域大小不同；所述融合特征信息获取模块1304可以配置为根据所述第一特征信息和所述第二特征信息，获得融合特征信息；所述重建通道确定模块1305可以配置为在所述多个图像重建通道中确定目标图像重建通道；所述目标图像获取模块1306可以配置为根据所述目标图像重建通道对所述融合特征信息进行处理，获得将所述待处理图像放大目标放大倍数的目标图像。
在一些实施例中，所述第一级联结构包括第一卷积层和第二卷积层。
在一些实施例中，所述第二特征信息获取模块1303可以包括：第一特征图获取单元、第二特征图获取单元。
其中，所述第一特征图获取单元可以配置为通过所述第一卷积层对所述第一特征信息进行处理，获得第一特征图；所述第二特征图获取单元可以配置为通过所述第二卷积层对所述第一特征信息和所述第一特征图进行处理，获得第二特征图。
在一些实施例中，所述第一级联结构还包括特征图融合结构。
在一些实施例中，所述第二特征信息获取模块1303还可以包括：特征图融合单元。
其中，所述特征图融合单元可以配置为所述特征图融合结构对所述第一特征图和所述第二特征图进行处理，获得所述第一特征信息的融合特征图。
在一些实施例中，所述神经网络模型还包括第一卷积结构。
在一些实施例中，所述第二特征信息获取模块1303还可以包括：第一特征处理单元。
其中，所述第一特征处理单元可以配置为通过所述第一卷积结构对所述融合特征图进行处理，获得所述第二特征信息。
在一些实施例中，所述神经网络模型还包括第二级联结构、第二卷积结构、第三级联结构以及第三卷积结构。
在一些实施例中，所述融合特征信息获取模块1304可以包括：第二特征处理单元、第三特征获取单元、第三特征处理单元、第四特征获取单元以及特征信息融合单元。
其中，所述第二特征处理单元可以配置为通过所述第二级联结构对所述第二特征信息进行处理，获得所述第二特征信息的多个特征图；所述第三特征获取单元可以配置为通过所述第二卷积结构对所述第二特征信息的多个特征图进行处理，获得第三特征信息；所述第三特征处理单元可以配置为通过所述第三级联结构对所述第三特征信息进行处理，获得所述第三特诊信息的多个特征图；所述第四特征获取单元可以配置为通过所述第三卷积结构对所述第三特诊信息的多个特征图进行处理以获得第四特征信息；所述特征信息融合单元可以配置为根据所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息，获得所述融合特征信息。
在一些实施例中，所述神经网络模型还包括第四卷积结构和像素拼接结构。
在一些实施例中，所述特征信息融合单元可以包括：平滑子单元以及拼接子单元。
其中，所述平滑子单元可以配置为通过所述第四卷积结构分别对所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息进行处理，获得通道数量一致的所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息；所述拼接子单元可以配置为所述像素拼接结构顺次提取通道数量一致的所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息中相同位置的像素进行拼接，以获得所述融合特征信息。
在一些实施例中，所述神经网络模型包括还第一图像重建通道，所述第一图像重建通道包括第五卷积结构、反卷积结构、第六卷积结构和第七卷积结构。
在一些实施例中，所述目标图像获取模块1306可以包括：第五特征信息获取单元、第六特征信息获取单元以及目标图像获取单元。
其中，所述第五特征信息获取单元可以配置为通过所述第五卷积结构对所述融合特征信息进行处理，生成第五特征信息；所述第六特征信息获取单元可以配置为通过所述反卷积结构对所述第五特征信息进行放大处理，以获得第六特征信息；所述目标图像获取单元可以配置为通过所述第七卷积结构对所述第六特征信息进行平滑处理，以获得所述目标图像。
在一些实施例中，所述图像处理装置1300还可以包括：预处理模块、预测图像获取模块以及训练模块。
其中，所述预处理模块可以配置为获取第一分辨率图像和第二分辨率图像，所述第二分辨率图像是通过将所述第一分辨率图像缩小预设倍数获得的；所述预测图像获取模块可以配置为通过所述神经网络模型对所述第二分辨率图像进行处理，将所述第二分辨率图像放大所述预设倍数以获得预测图像；所述训练模块可以配置为根据所述第一分辨率图像和所述预测图像确定目标损失，以训练所述神经网络模型。
由于本公开的示例实施例的图像处理装置1300的各个功能模块与上述图像处理方法的示例实施例的步骤对应，因此在此不再赘述。

Claims (11)

1.一种图像处理方法，其特征在于，包括：
获取待处理图像；
通过神经网络模型的目标卷积结构提取所述待处理图像的第一特征信息，所述神经网络模型还包括第一级联结构和多个图像重建通道，不同图像重建通道对应不同的放大倍数；
通过所述神经网络模型的第一级联结构对所述第一特征信息进行处理，获得所述第一特征信息的多个特征图，并根据所述多个特征图获得第二特征信息，其中不同特征图上的像素点在所述第一特征信息上映射的区域大小不同；
根据所述第一特征信息和所述第二特征信息，获得融合特征信息；
在所述多个图像重建通道中确定目标图像重建通道；
根据所述目标图像重建通道对所述融合特征信息进行处理，获得将所述待处理图像放大目标放大倍数的目标图像。
2.根据权利要求1所述方法，其特征在于，所述第一级联结构包括第一卷积层和第二卷积层；其中，通过所述神经网络模型的第一级联结构对所述第一特征信息进行处理，获得所述第一特征信息的多个特征图，包括：
通过所述第一卷积层对所述第一特征信息进行处理，获得第一特征图；
通过所述第二卷积层对所述第一特征信息和所述第一特征图进行处理，获得第二特征图。
3.根据权利要求2所述方法，其特征在于，所述第一级联结构还包括特征图融合结构；其中，通过所述神经网络模型的第一级联结构对所述第一特征信息进行处理，获得所述第一特征信息的多个特征图，还包括：
所述特征图融合结构对所述第一特征图和所述第二特征图进行处理，获得所述第一特征信息的融合特征图。
4.根据权利要求3所述方法，其特征在于，所述神经网络模型还包括第一卷积结构；其中，根据所述多个特征图获得第二特征信息，包括：
通过所述第一卷积结构对所述融合特征图进行处理，获得所述第二特征信息。
5.根据权利要求1所述方法，其特征在于，所述神经网络模型还包括第二级联结构、第二卷积结构、第三级联结构以及第三卷积结构；其中，根据所述第一特征信息和所述第二特征信息，获得融合特征信息，包括：
通过所述第二级联结构对所述第二特征信息进行处理，获得所述第二特征信息的多个特征图；
通过所述第二卷积结构对所述第二特征信息的多个特征图进行处理，获得第三特征信息；
通过所述第三级联结构对所述第三特征信息进行处理，获得所述第三特诊信息的多个特征图；
通过所述第三卷积结构对所述第三特诊信息的多个特征图进行处理以获得第四特征信息；
根据所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息，获得所述融合特征信息。
6.根据权利要求5所述方法，其特征在于，所述神经网络模型还包括第四卷积结构和像素拼接结构；其中，根据所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息，获得所述融合特征信息，包括：
通过所述第四卷积结构分别对所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息进行处理，获得通道数量一致的所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息；
所述像素拼接结构顺次提取通道数量一致的所述第一特征信息、所述第二特征信息、所述第三特征信息以及所述第四特征信息中相同位置的像素进行拼接，以获得所述融合特征信息。
7.根据权利要求6所述方法，其特征在于，所述神经网络模型包括还第一图像重建通道，所述第一图像重建通道包括第五卷积结构、反卷积结构、第六卷积结构和第七卷积结构；其中，根据所述目标图像重建通道对所述融合特征信息进行处理，获得将所述待处理图像放大目标放大倍数的目标图像，包括：
通过所述第五卷积结构对所述融合特征信息进行处理，生成第五特征信息；
通过所述反卷积结构对所述第五特征信息进行放大处理，以获得第六特征信息；
通过所述第七卷积结构对所述第六特征信息进行平滑处理，以获得所述目标图像。
8.根据权利要求1至7任一项所述方法，其特征在于，还包括：
获取第一分辨率图像和第二分辨率图像，所述第二分辨率图像是通过将所述第一分辨率图像缩小预设倍数获得的；
通过所述神经网络模型对所述第二分辨率图像进行处理，将所述第二分辨率图像放大所述预设倍数以获得预测图像；
根据所述第一分辨率图像和所述预测图像确定目标损失，以训练所述神经网络模型。
9.一种图像处理装置，其特征在于，包括：
图像获取模块，配置为获取待处理图像；
第一特征信息获取模块，配置为通过神经网络模型的目标卷积结构提取所述待处理图像的第一特征信息，所述神经网络模型还包括第一级联结构和多个图像重建通道，不同图像重建通道对应不同的放大倍数；
第二特征信息获取模块，配置为通过所述神经网络模型的第一级联结构对所述第一特征信息进行处理，获得所述第一特征信息的多个特征图，并根据所述多个特征图获得第二特征信息，其中不同特征图上的像素点在所述第一特征信息上映射的区域大小不同；
融合特征信息获取模块，配置为根据所述第一特征信息和所述第二特征信息，获得融合特征信息；
重建通道确定模块，配置为在所述多个图像重建通道中确定目标图像重建通道；
目标图像获取模块，配置为根据所述目标图像重建通道对所述融合特征信息进行处理，获得将所述待处理图像放大目标放大倍数的目标图像。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
CN201911235579.9A 2019-12-05 2019-12-05 图像处理方法及装置、电子设备和计算机可读存储介质 Active CN111091521B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911235579.9A CN111091521B (zh) 2019-12-05 2019-12-05 图像处理方法及装置、电子设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911235579.9A CN111091521B (zh) 2019-12-05 2019-12-05 图像处理方法及装置、电子设备和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111091521A true CN111091521A (zh) 2020-05-01
CN111091521B CN111091521B (zh) 2023-04-07

Family

ID=70394794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911235579.9A Active CN111091521B (zh) 2019-12-05 2019-12-05 图像处理方法及装置、电子设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111091521B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612831A (zh) * 2020-05-22 2020-09-01 创新奇智(北京)科技有限公司 一种深度估计方法、装置、电子设备及存储介质
CN111832493A (zh) * 2020-07-17 2020-10-27 平安科技（深圳）有限公司 图像交通信号灯检测方法、装置、电子设备及存储介质
CN112001940A (zh) * 2020-08-21 2020-11-27 Oppo（重庆）智能科技有限公司 图像处理方法及装置、终端及可读存储介质
CN112070664A (zh) * 2020-07-31 2020-12-11 华为技术有限公司 一种图像处理方法以及装置
CN112560701A (zh) * 2020-12-17 2021-03-26 成都新潮传媒集团有限公司 一种人脸图像提取方法、装置及计算机存储介质
CN112597887A (zh) * 2020-12-22 2021-04-02 深圳集智数字科技有限公司 一种目标识别方法及装置
CN112668619A (zh) * 2020-12-22 2021-04-16 万兴科技集团股份有限公司 图像处理方法、装置、终端及存储介质
CN112801868A (zh) * 2021-01-04 2021-05-14 青岛信芯微电子科技股份有限公司 图像超分辨率重建的方法、电子设备及存储介质
CN114418909A (zh) * 2021-12-22 2022-04-29 深圳万兴软件有限公司 图像处理方法、装置、计算机设备及存储介质
CN114550039A (zh) * 2022-02-18 2022-05-27 北京市商汤科技开发有限公司 目标检测方法、装置、存储介质及电子设备
CN114898190A (zh) * 2022-04-19 2022-08-12 北京沃东天骏信息技术有限公司 一种图像处理方法和装置
US11810310B2 (en) 2020-12-15 2023-11-07 Beijing Baidu Netcom Science Technology Co., Ltd. Satellite image processing method, network training method, related devices and electronic device
WO2024114082A1 (zh) * 2022-11-30 2024-06-06 京东方科技集团股份有限公司 一种图像分辨率调整方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829855A (zh) * 2019-01-23 2019-05-31 南京航空航天大学 一种基于融合多层次特征图的超分辨率重建方法
CN109886871A (zh) * 2019-01-07 2019-06-14 国家新闻出版广电总局广播科学研究院 基于通道注意力机制和多层特征融合的图像超分辨率方法
CN109919840A (zh) * 2019-01-21 2019-06-21 南京航空航天大学 基于密集特征融合网络的图像超分辨率重建方法
CN109961396A (zh) * 2017-12-25 2019-07-02 中国科学院沈阳自动化研究所 一种基于卷积神经网络的图像超分辨率重建方法
CN110163215A (zh) * 2018-06-08 2019-08-23 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读介质及电子设备
CN110276721A (zh) * 2019-04-28 2019-09-24 天津大学 基于级联残差卷积神经网络的图像超分辨率重建方法
CN110310229A (zh) * 2019-06-28 2019-10-08 Oppo广东移动通信有限公司 图像处理方法、图像处理装置、终端设备及可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961396A (zh) * 2017-12-25 2019-07-02 中国科学院沈阳自动化研究所 一种基于卷积神经网络的图像超分辨率重建方法
CN110163215A (zh) * 2018-06-08 2019-08-23 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读介质及电子设备
CN109886871A (zh) * 2019-01-07 2019-06-14 国家新闻出版广电总局广播科学研究院 基于通道注意力机制和多层特征融合的图像超分辨率方法
CN109919840A (zh) * 2019-01-21 2019-06-21 南京航空航天大学 基于密集特征融合网络的图像超分辨率重建方法
CN109829855A (zh) * 2019-01-23 2019-05-31 南京航空航天大学 一种基于融合多层次特征图的超分辨率重建方法
CN110276721A (zh) * 2019-04-28 2019-09-24 天津大学 基于级联残差卷积神经网络的图像超分辨率重建方法
CN110310229A (zh) * 2019-06-28 2019-10-08 Oppo广东移动通信有限公司 图像处理方法、图像处理装置、终端设备及可读存储介质

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612831A (zh) * 2020-05-22 2020-09-01 创新奇智(北京)科技有限公司 一种深度估计方法、装置、电子设备及存储介质
CN111832493A (zh) * 2020-07-17 2020-10-27 平安科技（深圳）有限公司 图像交通信号灯检测方法、装置、电子设备及存储介质
CN112070664A (zh) * 2020-07-31 2020-12-11 华为技术有限公司 一种图像处理方法以及装置
CN112070664B (zh) * 2020-07-31 2023-11-03 华为技术有限公司 一种图像处理方法以及装置
CN112001940B (zh) * 2020-08-21 2023-04-07 Oppo（重庆）智能科技有限公司 图像处理方法及装置、终端及可读存储介质
CN112001940A (zh) * 2020-08-21 2020-11-27 Oppo（重庆）智能科技有限公司 图像处理方法及装置、终端及可读存储介质
US11810310B2 (en) 2020-12-15 2023-11-07 Beijing Baidu Netcom Science Technology Co., Ltd. Satellite image processing method, network training method, related devices and electronic device
CN112560701A (zh) * 2020-12-17 2021-03-26 成都新潮传媒集团有限公司 一种人脸图像提取方法、装置及计算机存储介质
CN112668619A (zh) * 2020-12-22 2021-04-16 万兴科技集团股份有限公司 图像处理方法、装置、终端及存储介质
CN112597887A (zh) * 2020-12-22 2021-04-02 深圳集智数字科技有限公司 一种目标识别方法及装置
CN112668619B (zh) * 2020-12-22 2024-04-16 万兴科技集团股份有限公司 图像处理方法、装置、终端及存储介质
CN112597887B (zh) * 2020-12-22 2024-05-07 深圳集智数字科技有限公司 一种目标识别方法及装置
CN112801868A (zh) * 2021-01-04 2021-05-14 青岛信芯微电子科技股份有限公司 图像超分辨率重建的方法、电子设备及存储介质
CN114418909A (zh) * 2021-12-22 2022-04-29 深圳万兴软件有限公司 图像处理方法、装置、计算机设备及存储介质
CN114418909B (zh) * 2021-12-22 2025-04-29 深圳万兴软件有限公司 图像处理方法、装置、计算机设备及存储介质
CN114550039A (zh) * 2022-02-18 2022-05-27 北京市商汤科技开发有限公司 目标检测方法、装置、存储介质及电子设备
CN114898190A (zh) * 2022-04-19 2022-08-12 北京沃东天骏信息技术有限公司 一种图像处理方法和装置
WO2024114082A1 (zh) * 2022-11-30 2024-06-06 京东方科技集团股份有限公司 一种图像分辨率调整方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111091521B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111091521B (zh) 图像处理方法及装置、电子设备和计算机可读存储介质
EP3961484B1 (en) Medical image segmentation method and device, electronic device and storage medium
US12229224B2 (en) Medical image processing method and apparatus, and medical image recognition method and apparatus
CN110111313B (zh) 基于深度学习的医学图像检测方法及相关设备
CN109508681B (zh) 生成人体关键点检测模型的方法和装置
CN113470029B (zh) 训练方法及装置、图像处理方法、电子设备和存储介质
CN110782395A (zh) 图像处理方法及装置、电子设备和计算机可读存储介质
CN112400187A (zh) 用于检测生物医学图像中的异常的敲除自动编码器
Shan et al. SCA-Net: A spatial and channel attention network for medical image segmentation
CN111369564B (zh) 一种图像处理的方法、模型训练的方法及装置
Shi et al. CloudU-Netv2: A cloud segmentation method for ground-based cloud images based on deep learning
CN119205802B (zh) 一种眼动引导混合数据增强的半监督医学图像分割方法
Li et al. Multi-scale residual denoising GAN model for producing super-resolution CTA images
CN117576405A (zh) 舌象语义分割方法、装置、设备及介质
CN118115490A (zh) 一种多尺度边界精细化与融合的萎缩性胃炎区域分割方法
CN114283152A (zh) 图像处理、图像处理模型的训练方法、装置、设备及介质
CN113706562A (zh) 图像分割方法、装置、系统及细胞分割方法
CN112037305B (zh) 对图像中的树状组织进行重建的方法、设备及存储介质
CN111507950B (zh) 图像分割的方法和装置、电子设备及计算机可读存储介质
CN118116576B (zh) 基于深度学习的智能化病例分析方法及系统
CN112884702A (zh) 一种基于内窥镜图像的息肉识别系统和方法
CN118608389A (zh) 实时动态超分辨率图像重建方法及其重建系统
CN111311609A (zh) 一种图像分割方法、装置、电子设备及存储介质
US12217487B2 (en) Method, apparatus, electronic device, and medium for generating image
CN115965785A (zh) 图像分割方法、装置、设备、程序产品及介质

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