图像处理方法、图像去雨方法、装置、终端及介质制造方法及图纸

本发明专利技术实施例公开了一种图像处理方法、图像去雨方法、装置、终端及介质，其中图像处理方法包括：获取待处理的原始图像，所述原始图像包含噪声数据；调用优化的网络模型对所述原始图像进行去噪处理，得到目标图像，其中，所述网络模型包括第一网络和第二网络；所述优化的网络模型是通过所述第一网络与所述第二网络之间的对抗学习对所述网络模型进行优化所获得的；输出所述目标图像。通过优化的网络模型对待处理的原始图像进行去噪处理，不再采用分层去噪的方法，可以有效解决去噪后的图像模糊和信息丢失的问题，从而提高去噪后的图像的质量。

Image Processing Method, Image Deraining Method, Device, Terminal and Media

【技术实现步骤摘要】
图像处理方法、图像去雨方法、装置、终端及介质
本专利技术涉及互联网
，具体涉及图像处理
，尤其涉及一种图像处理方法、一种图像处理装置、一种图像去雨方法、一种图像去雨装置、一种终端及一种计算机存储介质。
技术介绍
对图像去噪一直都是图像
的重要研究课题，图像中任何可能妨碍用户进行信息接收的因素或者导致拍摄的图像不清晰的因素均可称为图像噪声。例如在下雨天，终端所拍摄的户外图像通常会包含雨线或者雨滴，这些雨线或者雨滴会导致图像不清晰，从而降低用户的体验。目前，图像去噪的方法主要有分层去噪的方法，该分层去噪的方法基于一些视觉特征(颜色、纹理以及形状等)将有噪图像分成噪声层和背景层，再将噪声层从该有噪图像中分离出来，留下背景层。实践发现现有这种分层去噪的方法可能会导致背景层的图像模糊和信息丢失，从而降低去噪后的图像的质量。
技术实现思路
本专利技术实施例提供了一种图像处理方法、图像去雨方法、装置、终端及介质，可以解决去噪后的图像模糊和信息丢失的问题，提高去噪后的图像的质量。一方面，本专利技术实施例提供了一种图像处理方法，该图像处理方法包括：获取待处理的原始图像，所述原始图像包含噪声数据；调用优化的网络模型对所述原始图像进行去噪处理，得到目标图像，其中，所述网络模型包括第一网络和第二网络；所述优化的网络模型是通过所述第一网络与所述第二网络之间的对抗学习对所述网络模型进行优化所获得的；输出所述目标图像。再一方面，本专利技术实施例提供了一种图像去雨方法，应用于终端，所述终端包括用于去噪处理的优化的网络模型，所述网络模型包括第一网络和第二网络；所述优化的网络模型是通过所述第一网络与所述第二网络之间的对抗学习对所述网络模型进行优化所获得的，该图像去雨方法包括：若检测到图像去雨的触发事件，则获取终端屏幕中的有雨图像，所述有雨图像包含雨线数据和/或雨滴数据；对所述有雨图像进行去雨处理得到去雨图像；在所述终端屏幕中显示所述去雨图像。再一方面，本专利技术实施例提供了一种图像处理装置，该图像处理装置包括：获取单元，用于获取待处理的原始图像，所述原始图像包含噪声数据；处理单元，用于调用优化的网络模型对所述原始图像进行去噪处理，得到目标图像，其中，所述网络模型包括第一网络和第二网络；所述优化的网络模型是通过所述第一网络与所述第二网络之间的对抗学习对所述网络模型进行优化所获得的；输出单元，用于输出所述目标图像。再一方面，本专利技术实施例提供了一种图像去雨装置，应用于终端，所述终端包括用于去噪处理的优化的网络模型，所述网络模型包括第一网络和第二网络；所述优化的网络模型是通过所述第一网络与所述第二网络之间的对抗学习对所述网络模型进行优化所获得的；该图像去雨装置包括：获取单元，用于若检测到图像去雨的触发事件，则获取终端屏幕中的有雨图像，所述有雨图像包含雨线数据和/或雨滴数据；处理单元，用于对所述有雨图像进行去雨处理得到去雨图像；显示单元，用于在所述终端屏幕中显示所述去雨图像。再一方面，本专利技术实施例提供了一种终端，该终端包括输入设备和输出设备，所述终端还包括：处理器，适于实现一条或一条以上指令；以及，计算机存储介质，所述计算机存储介质存储有一条或一条以上第一指令，所述一条或一条以上第一指令适于由所述处理器加载并执行如下步骤：获取待处理的原始图像，所述原始图像包含噪声数据；调用优化的网络模型对所述原始图像进行去噪处理，得到目标图像，其中，所述网络模型包括第一网络和第二网络；所述优化的网络模型是通过所述第一网络与所述第二网络之间的对抗学习对所述网络模型进行优化所获得的；输出所述目标图像；或者，所述计算机存储介质存储有一条或一条以上第二指令，所述一条或一条以上第二指令适于由所述处理器加载并执行如下步骤：若检测到图像去雨的触发事件，则获取终端屏幕中的有雨图像，所述有雨图像包含雨线数据和/或雨滴数据；对所述有雨图像进行去雨处理得到去雨图像；在所述终端屏幕中显示所述去雨图像。再一方面，本专利技术实施例提供了一种计算机存储介质，所述计算机存储介质存储有一条或一条以上第一指令，所述一条或一条以上第一指令适于由处理器加载并执行如下步骤：获取待处理的原始图像，所述原始图像包含噪声数据；调用优化的网络模型对所述原始图像进行去噪处理，得到目标图像，其中，所述网络模型包括第一网络和第二网络；所述优化的网络模型是通过所述第一网络与所述第二网络之间的对抗学习对所述网络模型进行优化所获得的；输出所述目标图像；或者，所述计算机存储介质存储有一条或一条以上第二指令，所述一条或一条以上第二指令适于由处理器加载并执行如下步骤：若检测到图像去雨的触发事件，则获取终端屏幕中的有雨图像，所述有雨图像包含雨线数据和/或雨滴数据；对所述有雨图像进行去雨处理得到去雨图像；在所述终端屏幕中显示所述去雨图像。本专利技术实施例在获取了待处理的包含噪声数据的原始图像之后，采用优化的网络模型对原始图像进行去噪处理得到目标图像；在图像去噪处理过程不需要对原始图像进行分层处理，从而可以保证目标图像的清晰度以及图像信息的完整性，进而提高去噪后的目标图像的质量。另外，本专利技术实施例所采用的优化的网络模型包括第一网络和第二网络，第一网络与第二网络可以通过对抗学习不断优化网络模型，这就使得优化的网络模型能够提供高质量的去噪处理服务，保证去噪后的图像的质量。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例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是本专利技术实施例提供的一种网络优化方法的流程示意图；图2是本专利技术实施例提供的一种图像处理方法的流程示意图；图3是本专利技术实施例提供的一种生成网络的结构示意图；图4是本专利技术实施例提供的一种判别网络的结构示意图；图5a是本专利技术实施例提供的一种原始图像的示意图；图5b是本专利技术实施例提供的一种目标图像的示意图；图6是本专利技术实施例提供的一种图像去雨方法的流程示意图；图7是本专利技术实施例提供的一种图像去雨方法的应用场景示意图；图8是本专利技术实施例提供的另一种图像去雨方法的应用场景示意图；图9是本专利技术实施例提供的另一种图像去雨方法的应用场景示意图；图10是本专利技术实施例提供的另一种图像去雨方法的应用场景示意图；图11a是本专利技术实施例提供的另一种图像去雨方法的应用场景示意图；图11b是本专利技术实施例提供的另一种图像去雨方法的应用场景示意图；图12是本专利技术实施例提供的一种终端屏幕的界面示意图；图13是本专利技术实施例提供的一种图像处理装置的结构示意图；图14是本专利技术实施例提供的一种图像去雨装置的结构示意图；图15是本专利技术实施例提供的一种终端的结构示意图。具体实施方式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。图像中任何可以妨碍用户进行信息接收的因素或者导致拍摄的图像不清晰的因素均可称为图像噪声；例如，人们在外出旅游时通常会拍摄很多美景的照片，但是可能会因为环境因素(如雨雪天等)而导致拍出的照片不清晰。又如，人们在拍摄目标图像(如人脸)时，可能会因为手的轻微抖动导致拍摄得到的人脸照片模糊。再如，在公共区域的重要位置设置的摄像头会因为风沙本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，包括：获取待处理的原始图像，所述原始图像包含噪声数据；调用优化的网络模型对所述原始图像进行去噪处理，得到目标图像，其中，所述网络模型包括第一网络和第二网络；所述优化的网络模型是通过所述第一网络与所述第二网络之间的对抗学习对所述网络模型进行优化所获得的；输出所述目标图像。

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取待处理的原始图像，所述原始图像包含噪声数据；调用优化的网络模型对所述原始图像进行去噪处理，得到目标图像，其中，所述网络模型包括第一网络和第二网络；所述优化的网络模型是通过所述第一网络与所述第二网络之间的对抗学习对所述网络模型进行优化所获得的；输出所述目标图像。2.如权利要求1所述的方法，其特征在于，所述网络模型为生成式对抗网络模型，所述第一网络为生成网络，所述第二网络为判别网络；所述生成网络的全局损失函数包括至少两个维度的局部损失函数；所述维度包括以下任一种：色彩空间维度、网络损失维度、语义维度。3.如权利要求2所述的方法，其特征在于，所述调用优化的网络模型对所述原始图像进行去噪处理，得到目标图像，包括：将所述原始图像输入至所述生成网络以去除所述噪声数据，获得中间图像；将所述中间图像与所述原始图像进行叠加得到目标图像；其中，所述噪声数据包括以下任一种：雨线数据、雨滴数据、雪线数据。4.如权利要求2或3所述的方法，其特征在于，所述获取待处理的原始图像之前，还包括：通过所述生成网络和所述判别网络之间的对抗学习对所述网络模型进行优化，得到所述优化的网络模型；其中，所述生成网络为浅层神经网络。5.如权利要求4所述的方法，其特征在于，所述通过所述生成网络和所述判别网络之间的对抗学习对所述网络模型进行优化，得到所述优化的网络模型，包括：获取用于网络优化的合成图像，所述合成图像包括一个有噪样本图像和一个无噪样本图像；将所述合成图像输入至所述生成网络进行去噪处理得到去噪样本图像；将所述去噪样本图像及所述合成图像包括的无噪样本图像一并输入至所述判别网络进行判别处理得到判别结果；根据所述判别结果对所述生成网络和所述判别网络进行优化。6.如权利要求5所述的方法，其特征在于，所述获取用于网络优化的合成图像，包括：获取用于网络优化的数据集，所述数据集包括至少一个有噪样本图像和至少一个无噪样本图像，所述有噪样本图像与所述无噪样本图像一一对应；选取任一个有噪样本图像及其对应的无噪样本图像构成所述合成图像。7.如权利要求5所述的方法，其特征在于，所述根据所述判别结果对所述生成网络和所述判别网络进行优化，包括：获取所述网络模型的优化公式，并根据所述判别结果确定所述优化公式的值；对所述判别网络进行优化以增大所述优化公式的值，对所述生成网络进行优化以减小所述优化公式的值。8.如权利要求7所述的方法，其特征在于，所述对所述判别网络进行优化以增大所述优化公式的值，包括：获取所述判别网络的全局损失函数，以及所述判别网络的当前网络参数；调整所述判别网络的当前网络参数以减小所述判别网络的全局损失函...

【专利技术属性】
技术研发人员：刘武，马华东，李雅楠，刘鲲，黄嘉文，黄婷婷，
申请(专利权)人：北京邮电大学，腾讯科技深圳有限公司，
类型：发明
国别省市：北京,11