用于图像处理的方法和装置制造方法及图纸

本公开内容涉及用于图像处理的方法和装置。一个实施例公开了一种用于图像处理的方法，包括：接收第一图像，所述第一图像具有第一清晰度；将所述第一图像输入第一结构，其中所述第一结构为能够学习映射和变化关系中的至少一种的端到端学习结构；以及从所述第一结构的输出端得到对应于所述第一图像的第二图像，其中所述第二图像具有第二清晰度，所述且所述第二清晰度大于所述第一清晰度，所述第二清晰度与所述第一清晰度具有第一对应关系。本公开还描述了相应的装置以及计算机系统和计算机可读存储介质。

【技术实现步骤摘要】
用于图像处理的方法和装置
本专利技术的实施例总体上涉及信息处理领域，并且特别涉及用于图像处理的方法和装置。
技术介绍
随着技术的发展，生物识别技术开始逐渐成为热点。生物识别技术具有方便和精准的特点，被越来越多的应用在安全领域。由于虹膜本身具有的独特的结构特征，在生物识别技术中，虹膜识别技术的精准和方便得到了业界普遍的认可。但是虹膜识别技术的发展和使用中，由于虹膜图像的采集条件可能受限，例如采集当时的光照、摄像头的分辨率等多种干扰因素都会影响到所采集的虹膜图像，导致采集图像的视觉质量不高。这样的图像很明显不利于虹膜识别技术后期的对于虹膜特征的提取和进一步的识别处理。
技术实现思路
总体上，本专利技术的实施例提出一种用于图像处理的技术方案。在一个方面，本专利技术的实施例提供一种用于图像处理的方法。所述方法包括：接收第一图像，该第一图像具有第一清晰度；将该第一图像输入第一结构；以及从该第一结构的输出端得到对应于该第一图像的第二图像。在本专利技术实施例中，该第一结构为能够学习映射和变化关系中的至少一种的端到端学习结构，该第二图像具有第二清晰度，且该第二清晰度大于该第一清晰度，该第二清晰度与该第一清晰度之间具有第一对应关系。在另一方面，本专利技术的实施例提供一种用于图像处理的装置。所述装置包括：接收模块，被配置为接收第一图像，该第一图像具有第一清晰度；处理模块，被配置为将该第一图像输入第一结构，其中该第一结构为能够学习映射和变化关系中的至少一种的端到端学习结构；以及获取模块，被配置为从该第一结构的输出端得到对应于该第一图像的第二图像，其中该第二图像具有第二清晰度，第二清晰度大于第一清晰度，且第二清晰度与所述第一清晰度具有第一对应关系。在又一方面，本专利技术的实施例提供一种用于图像处理的计算机系统，该系统包括：处理器、计算机可读介质以及存储在该计算机可读介质上的用于由该处理器中的至少一个执行的计算机程序指令。该计算机程序指令包括：用于接收第一图像的计算机程序指令，该第一图像具有第一清晰度；用于将该第一图像输入第一结构的计算机程序指令，其中该第一结构为能够学习映射和变化关系中的至少一种的端到端学习结构；以及用于从该第一结构的输出端得到对应于该第一图像的第二图像的计算机程序指令，其中第二图像具有第二清晰度，该第二清晰度大于第一清晰度，且第二清晰度与第一清晰度具有第一对应关系。在再一方面，本专利技术的实施例提供一种用于图像处理的计算机可读的存储介质，该计算机可读存储介质上存储有至少一个可执行的计算机程序指令，所述计算机程序指令包括用于执行上述方法实施例中描述的各步骤。根据本专利技术的实施例，可以将模糊的图像变得清晰，提高采集图像的视觉质量，从而方便后续处理。附图说明通过结合附图对本专利技术示例性实施方式进行更详细的描述，本专利技术的上述以及其它目的、特征和优势将变得更加明显，其中：图1示出了适于用来实现本专利技术实施例的环境；图2示出了适于用来实现本专利技术实施例的另一环境；图3示出了根据本专利技术实施例的一种用于图像处理的方法的示意性流程图；图4示出了根据本专利技术的实施例的一种训练第一结构的方法的示意性流程图；图5示出了根据本专利技术实施例的卷积-解卷积深度学习网络的示意性结构图；图6示出了根据本专利技术实施例的一种用于图像处理的方法的示意性流程图；图7示出了根据本专利技术实施例的一种用于图像处理的方法的示意性流程图；以及图8示出了根据本专利技术实施例的一种用于图像处理的装置的示意性的结构框图。在附图中，相同或相似的标号被用来表示相同或相似的元素。具体实施方式下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，本专利技术还可以以其他各种形式实现而不应限制在下面描述的具体的实施方式。在此提供这些具体的实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。图1示出了适于用来实现本专利技术实施方式的示例性环境的方框图。该环境可以是一个具有简单计算能力的终端100，也可以是具有复杂计算能力的节点100。该环境例如包括计算机可读介质101。计算机可读介质例如可以是易失性和非易失性介质，也可以是可移动的和不可移动的介质，只要能够供具有计算能力的节点访问即可。该环境例如还可以包括一个或多个程序模块103，这些程序模块103通常用于执行本专利技术所述描述的实施例中的功能和/或方法。该环境例如还可以包括一个或多个具有计算能力的模块105。该环境可以独立执行本专利技术实施方式中所描述的方法和/或功能个，也可以与外部设备107通信以协作完成相应的方法和/或功能。当然，本领域技术人员可以理解，该终端100或计算节点100例如可以是服务器或者计算机，也可以是智能终端，例如电子锁、智能手机、智能平板等，本专利技术并不加以限制。图2示出了适于用来实现本专利技术实施方式的示例性环境的方框图。该环境包括终端201和计算节点203。该环境例如可以是一个云环境，此时计算节点203例如为云服务器。该环境例如还可以是其他通信系统，此时计算节点203例如为具有计算能力的移动终端，例如智能手机、智能平板、个人计算机等。下面将具体描述本专利技术实施例的机制和原理。除非特别声明，在下文和权利要求中使用的术语“基于”表示“至少部分地基于”。术语“包括”表示开放性包括，即“包括但不限于”。术语“多个”表示“两个或更多”。术语“一个实施例”表示“至少一个实施例”。术语“另一实施例”表示“至少一个另外的实施例”。其他术语的定义将在下文描述中给出。图3示出了根据本专利技术的一个示例性实施例的用于图像处理的方法300的示意性流程图。下面结合图3详细描述方法300中包括的各步骤。在步骤301，接收具有第一清晰度的第一图像。本领域技术人员可以理解，结合图1所示的应用场景，步骤301例如是从计算节点100内部的其他功能模块接收到的。本领域技术人员可以理解，结合图2所示的应用场景，步骤301例如是从计算节点203内部的其他功能模块接收到的，也可以是从终端201接收到的。本领域技术人员可以理解，清晰度既可以是量化的，也可以是视觉感受上的，也即图像是否清晰。在步骤303，将接收到的第一图像输入第一结构。在本实施例中，第一结构例如为端到端学习结构。在本专利技术另一实施例中，可以通过一定方法对该第一结构进行训练，具体的训练方法描述在如图4所示的实施例中。端到端的学习结构能够学习输入和输出之间的映射和/或变化关系。并且，通过合适的训练可以使得这样的端到端结构学习较为复杂的映射和/或变化关系。在步骤305，从该第一结构的输出端得到对应于该第一图像的第二图像。本实施例中，第二图像具有第二清晰度，并且该第二清晰度大于该第一清晰度。该第二清晰度与该第一清晰度具有第一对应关系。通过图3所描述的方法300，通过端到端学习结构的应用，可以将模糊的图像变得清晰，从而提高视觉质量。这样能够方便随后的对于该图像的进一步处理，尤其是应用在虹膜识别领域，尤其有利于后续的特征提取和识别等。该方法300不仅仅限于应用在虹膜识别技术中，还可以应用在其他需要将模糊图像变得清晰的场景中。在具体应用在虹膜识别场景中时，这样的对虹膜图像进行识别前的预先处理可以提高图像质量，一方面有利于降低后续虹膜识别模块的设计难度，另一方面也有利于提高虹膜识别本文档来自技高网...

【技术保护点】
1.一种用于图像处理的方法，所述方法包括：接收第一图像，所述第一图像具有第一清晰度；将所述第一图像输入第一结构，其中所述第一结构为能够学习映射和变化关系中的至少一种的端到端学习结构；以及从所述第一结构的输出端得到对应于所述第一图像的第二图像，其中所述第二图像具有第二清晰度，所述且所述第二清晰度大于所述第一清晰度，所述第二清晰度与所述第一清晰度之间具有第一对应关系。

【技术特征摘要】
2017.03.20 CN 20171016546371.一种用于图像处理的方法，所述方法包括：接收第一图像，所述第一图像具有第一清晰度；将所述第一图像输入第一结构，其中所述第一结构为能够学习映射和变化关系中的至少一种的端到端学习结构；以及从所述第一结构的输出端得到对应于所述第一图像的第二图像，其中所述第二图像具有第二清晰度，所述且所述第二清晰度大于所述第一清晰度，所述第二清晰度与所述第一清晰度之间具有第一对应关系。2.根据权利要求1所述的方法，其中，所述第一图像和所述第二图像的分辨率相同。3.根据权利要求1所述的方法，其中，所述第一结构为深度学习网络。4.根据权利要求1所述的方法，其中，所述第一结构包括编码器、解码器以及位于所述编码器和所述解码器之间的非线性映射。5.根据权利要求3所述的方法，其中，所述第一结构为卷积-解卷积深度学习网络，所述卷积-解卷积深度学习网络包括卷积层、解卷积层和位于所述卷积层与所述解卷积层之间的全连接层。6.根据权利要求1所述的方法，其中，所述第一结构经历图像对训练，所述图像对包括第三图像，以及通过对所述第三图像进行模糊化处理得到的第四图像；所述图像对训练包括将所述第四图像作为输入，将所述第三图像作为输出对所述第一结构进行训练，其中所述第三图像具有第三清晰度，第四图像具有第四清晰度，且所述第三清晰度与第四清晰度具有所述第一对应关系。7.根据权利要求1所述的方法，其中，所述第一结构经历图像对训练，所述图像对包括多个第五图像和多个第六图像，其中，所述多个第五图像为提取自第三图像的多个图像块，所述第六图像为提取自对所述第三图像进行模糊化处理得到的第四图像的多个图像块；所述图像对训练包括将所述多个第六图像作为输入，将对应的多个所述第五图像作为输出对所述第一结构进行训练，其中，所述第三图像具有第三清晰度，所述第四图像具有第四清晰度，且所述第三清晰度与第四清晰度具有所述第一对应关系。8.根据权利要求7所述的方法，其中，所述多个第五图像为提取自所述第三图像的多个部分重叠的图像块，且所述多个第六图像为提取自所述第四图像的多个部分重叠的图像块。9.根据权利要求6或7中任一项所述的方法，其中，所述第三图像和所述第四图像的分辨率相同。10.根据权利要求6或7中任一项所述的方法，其中，所述对所述第一结构进行训练，包括：采用反向传播算法对所述第一结构进行训练。11.根据权利要求6或7中任一项所述的方法，其中，所述模糊化处理包括：将所述第三图像以第一倍率缩小为第七图像，将所述第七图像放大得到与所述第三图像分辨率相同的所述第四图像。12.根据权利要求11所述的方法，其中，所述放大为利用双三次插值法进行放大。13.根据权利要求1所述的方法，其中，所述第一图像为提取自原始图像的多个图像块；第二图像为用于合成对应于所述原始图像的第八图像的多个图像块，所述第八图像的清晰度高于所述原始图像的清晰度。14.根据权利要求1所述的方法，其中，所述第一图像为提取自原始图像的多个部分重叠的图像块；所述第二图像为用于合成对应于所述原始图像的第八图像的多个部分重叠的图像块，所述第八图像的清晰度高于所述原始图像的清晰度。15.根据权利要求11所述的方法，其中，所述第一图像为放大后的原始图像，所述原始图像的分辨率和所述放大后的原始图像的分辨率的比例关系为所述第一倍率，所述第二图像的分辨率高于所述原始图像的分辨率。16.根据权利要求11所述的方法，其中，所述第一图像为提取自放大后的原始图像的多个图像块，所述原始图像的分辨率和所述放大后的原始图像的分辨率的比例关系为所述第一倍率；第二图像为用于合成对应于所述原始图像的第八图像的多个图像块，所述第八图像的分辨率高于所述原始图像的分辨率。17.根据权利要求11所述的方法，其中，所述第一图像为提取自放大后的原始图像的多个部分重叠的图像块，所述原始图像的分辨率和所述放大后的原始图像的分辨率的比例关系为所述第一倍率；所述第二图像为用于合成对应于所述原始图像的第八图像的多个部分重叠的图像块，所述第八图像的分辨率高于所述原始图像的分辨率。18.根据权利要求11所述的方法，其中，所述第一倍率能够影响所述第一对应关系。19.一种用于图像处理的装置，所述装置包括：接收模块，被配置为接收第一图像，所述第一图像具有第一清晰度；处理模块，被配置为将所述第一图像输入第一结构，其中所述第一结构为能够学习映射和变化关系中的至少一种的端到端学习结构；以及获取模块，被配置为从所述第一结构的输出端得到对应于所述第一图像的第二图像，其中所述第二图像具有第二清晰度，所述且所述第二清晰度大于所述第...

【专利技术属性】
技术研发人员：黄欢，赵刚，
申请(专利权)人：上海荆虹电子科技有限公司，
类型：发明
国别省市：上海,31