一种图像放大方法及其装置制造方法及图纸

本发明专利技术公开了一种图像放大方法及其装置，包括接收采集的图像；对采集的图像进行像素/频域的图像变换，得到变换后的图像；将变换后的图像输入针对文字修复进行训练后的修复神经网络，得到修复神经网络输入的增强图像；对增强图像进行频域/图像的图像变换，得到高分辨率图像。本发明专利技术采用深度学习网络进行文字放大，能够清晰放大图像中的远方文字，放大效果好。

【技术实现步骤摘要】
一种图像放大方法及其装置
本专利技术涉及图像调整
，特别是涉及一种图像放大方法及其装置。
技术介绍
手机的相机获取图像后，用户为了查看远处的文字时，往往需要对图像或图像的一部分进行放大，目前，智能手机对远方物体的放大主要基于数字放大技术。而数字放大技术，主要依据是依据图像中周围像素的数值，计算插值产生新的像素，从而人为地增加分辨率，希望籍此改善图像的细节效果。因而效果非常有限，针对性较差，远方文字细节常常显示不清，无法分辨。因此，如何提供一种文字放大效果好的图像放大方法及其装置是本领域技术人员目前需要解决的问题。
技术实现思路
本专利技术的目的是提供一种图像放大方法及其装置，能够清晰放大图像中的远方文字，放大效果好。为解决上述技术问题，本专利技术提供了一种图像放大方法，包括：接收采集的图像；对所述采集的图像进行像素/频域的图像变换，得到变换后的图像；将所述变换后的图像输入针对文字修复进行训练后的修复神经网络，得到所述修复神经网络输入的增强图像；对所述增强图像进行频域/图像的图像变换，得到高分辨率图像。优选地，所述接收采集的图像后，对所述采集的图像进行像素/频域的图像变换之前还包括：对所述采集的图像进行数字放大处理，得到初始放大图像；相应的，之后对所述初始放大图像进行像素/频域的图像变换。优选地，所述图像变换具体为HAAR图像变换或者DCT图像变换。优选地，所述修复神经网络具体为CNN网络或者卷积网络。优选地，所述采集的图像具体为：移动终端的取景框内获取的当前图像；或者为移动终端存储的已拍摄图像；或者为移动终端存储的已拍摄录像中的任一幅图像。为解决上述技术问题，本专利技术还提供了一种图像放大装置，包括：图像获得模块，用于接收采集的图像，之后触发第一变换模块；所述第一变换模块，用于对所述采集的图像进行像素/频域的图像变换，得到变换后的图像；深度学习模块，用于将所述变换后的图像输入针对文字的修复进行训练后的修复神经网络，得到所述修复神经网络输入的增强图像；第二变换模块，用于对所述增强图像进行频域/图像的图像变换，得到高分辨率图像。优选地，还包括：初始放大模块，用于对所述采集的图像进行数字放大处理，得到初始放大图像；并将所述初始放大图像发送至所述深度学习模块；其中，所述图像获得模块接收采集的图像后触发所述初始放大模块。本专利技术提供了一种图像放大方法及其装置，将待处理的低分辨率图像变换到频域上后，将其输入针对文字修复进行训练后的修复神经网络，再将修复神经网络输出的结果从频域反变换至像素图像，此时即得到高分辨率的图像。可见，本专利技术依据深度学习的神经网络进行放大操作，且通过训练，使得神经网络能够对图像内的文字部分进行修复，针对性强，能够清晰放大图像中的文字部分，文字放大效果好。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对现有技术和实施例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专利技术的一些实施例，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他的附图。图1为本专利技术提供的一种图像放大方法的过程的流程图；图2为本专利技术提供的另一种图像放大方法的过程的流程图；图3为本专利技术提供的一种图像放大装置的结构示意图。具体实施方式本专利技术的核心是提供一种图像放大方法及其装置，能够清晰放大图像中的远方文字，放大效果好。为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术提供了一种图像放大方法，参见图1所示，图1为本专利技术提供的一种图像放大方法的过程的流程图；该方法包括：步骤s1：接收采集的图像；其中，上述采集的图像具体为：移动终端的取景框内获取的当前图像；或者为移动终端存储的已拍摄图像；或者为移动终端存储的已拍摄录像中的任一幅图像。可以理解的是，获取移动终端的取景框内获取的当前图像，为实时图像获取，要求的实时性较高；获取移动终端存储的已拍摄图像以及已拍摄录像中的任一幅图像，为非实时性获取，要求的实时性较低。当然，上述采集的图像也可为其他需要进行文字放大的图像，或者为需要进行文字放大的图像中包含文字的部分区域图像，本专利技术不限定图像的具体来源。步骤s2：对采集的图像进行像素/频域的图像变换，得到变换后的图像；可以理解的是，采用变换的图像作为神经网络的输入，能有效帮助实现文字细节增强的效果，并帮助降低后续神经网络的计算复杂度。其中，这里的图像变换具体为HAAR图像变换或者在视频编解码中DCT图像变换。以上两种变换的运算成本极低，可以复用视频编解码中的已有硬件来实现。当然，也可采用其他类型的图像变换算法及其硬件，只要能够实现将像素图像转换为频域图像即可。步骤s3：将变换后的图像输入针对文字修复进行训练后的修复神经网络，得到修复神经网络输入的增强图像；其中，上述修复神经网络具体为只有两层的CNN网络(convolutionneoralnetwork)CNN网络或者kernel卷积网络。当然，本专利技术不限定修复神经网络的具体类型。步骤s4：对增强图像进行频域/图像的图像变换，得到高分辨率图像。进一步的，参见图2所示，图2为本专利技术提供的另一种图像放大方法的过程的流程图；步骤s1与步骤s2之间还包括：步骤s5：对采集的图像进行数字放大处理，得到初始放大图像；相应的，之后对初始放大图像进行像素/频域的图像变换。可以理解的是，通过首先对采集的图像进行放大，能够使输出的修复过的图像非文字部分避免产生人为的视觉效果的损失。但是，上述操作会由于增加了修复神经网络的输入而导致增加了其运算复杂度，但由于复杂度增加表明运算时间会较长，因此这一方法较适用于非实时的全图处理，以较高的运算时间来充分保证处理过的图像非文字部分视觉品质不受损害。本专利技术提供了一种图像放大方法，将待处理的低分辨率图像变换到频域上后，将其输入针对文字修复进行训练后的修复神经网络，再将修复神经网络输出的结果从频域反变换至像素图像，此时即得到高分辨率的图像。可见，本专利技术依据深度学习的神经网络进行放大操作，且通过训练，使得神经网络能够对图像内的文字部分进行修复，针对性强，能够清晰放大图像中的文字部分，文字放大效果好。本专利技术还提供了一种图像放大装置，参见图3所示，图3为本专利技术提供的一种图像放大装置的结构示意图。该装置包括：图像获得模块1，用于接收采集的图像，之后触发第一变换模块2；第一变换模块2，用于对采集的图像进行像素/频域的图像变换，得到变换后的图像；深度学习模块3，用于将变换后的图像输入针对文字的修复进行训练后的修复神经网络，得到修复神经网络输入的增强图像；第二变换模块4，用于对增强图像进行频域/图像的图像变换，得到高分辨率图像。作为优选地，该装置还包括：初始放大模块5，用于对采集的图像进行数字放大处理，得到初始放大图像；并将初始放大图像发送至深度学习模块2；其中，图像获得模块1接收采集的图像后触发初始放大模块5。本专利技术提供了一种图像放大装置，将待处理的低分辨率图像变换到频域上后，将其本文档来自技高网...

【技术保护点】
一种图像放大方法，其特征在于，包括：接收采集的图像；对所述采集的图像进行像素/频域的图像变换，得到变换后的图像；将所述变换后的图像输入针对文字修复进行训练后的修复神经网络，得到所述修复神经网络输入的增强图像；对所述增强图像进行频域/图像的图像变换，得到高分辨率图像。

【技术特征摘要】
1.一种图像放大方法，其特征在于，包括：接收采集的图像；对所述采集的图像进行像素/频域的图像变换，得到变换后的图像；将所述变换后的图像输入针对文字修复进行训练后的修复神经网络，得到所述修复神经网络输入的增强图像；对所述增强图像进行频域/图像的图像变换，得到高分辨率图像。2.根据权利要求1所述的方法，其特征在于，所述接收采集的图像后，对所述采集的图像进行像素/频域的图像变换之前还包括：对所述采集的图像进行数字放大处理，得到初始放大图像；相应的，之后对所述初始放大图像进行像素/频域的图像变换。3.根据权利要求1所述的方法，其特征在于，所述图像变换具体为HAAR图像变换或者DCT图像变换。4.根据权利要求1所述的方法，其特征在于，所述修复神经网络具体为CNN网络或者卷积网络。5.根据权利要求1所述的方法，其特征在于，所述...

【专利技术属性】
技术研发人员：黄锦标，
申请(专利权)人：深圳市图芯智能科技有限公司，
类型：发明
国别省市：广东,44