【技术实现步骤摘要】
图像处理方法、超分辨率模型生成方法、装置及电子设备
本专利技术涉及计算机信息处理
，特别是涉及一种图像处理方法、超分辨率模型生成方法、装置及电子设备。
技术介绍
图像超分辨率技术是指将低分辨率图像重构成高分辨率图像，在图片或视频相关网络应用程序、手机系统、监控设备、卫星图像以及医学影像领域中应用非常广泛。近年来，基于深度学习的图像超分辨率技术研究与应用成为学术界和工业界的热点。这些方法基于海量图像训练得到深层次的超分辨率模型，该超分辨率模型包括CNN(ConvolutionalNeuralNetwork，卷积神经网络)层以及亚像素卷积层。将该超分辨率模型部署在服务器上，进而在浏览器上转换以及加载该超分辨率模型，通过该超分辨率模型对低分辨率图像进行处理，最后输出高分辨率图像。具体为：将服务器可识别的checkponit格式的包含CNN层以及亚像素卷积层的超分辨率模型，首先转换为SavedModel格式，进而通过tfjs-converter工具将SavedModel格式的模型转换为浏览器端可识别的目标模型。通过该目标模型对获取的待处理图像进行处理，得到超分辨率的...
【技术保护点】
1.一种图像处理方法，其特征在于，应用于浏览器，所述方法包括：获取待处理图像；将所述待处理图像通过超分辨率模型中预先加载的第一卷积神经网络CNN模型进行处理，得到第一信息；其中，所述第一CNN模型为对预设CNN模型进行格式转换得到的所述浏览器可识别文件格式的CNN模型；将所述第一信息通过所述超分辨率模型中的亚像素卷积层处理，得到超分辨率图像。
【技术特征摘要】
1.一种图像处理方法，其特征在于，应用于浏览器，所述方法包括：获取待处理图像；将所述待处理图像通过超分辨率模型中预先加载的第一卷积神经网络CNN模型进行处理，得到第一信息；其中，所述第一CNN模型为对预设CNN模型进行格式转换得到的所述浏览器可识别文件格式的CNN模型；将所述第一信息通过所述超分辨率模型中的亚像素卷积层处理，得到超分辨率图像。2.根据权利要求1所述的方法，其特征在于，在所述将所述待处理图像通过超分辨率模型中预先加载的第一卷积神经网络CNN模型进行处理，得到第一信息之前，所述方法还包括：将checkponit格式的预设CNN模型，通过Tensorflow数据转换接口转换为SavedModel格式的CNN模型；将所述SavedModel格式的CNN模型，通过tfjs-converter工具转换为所述第一CNN模型；加载所述第一CNN模型。3.根据权利要求1所述的方法，其特征在于，所述获取待处理图像包括：通过Tensorflow的fromPixels接口，获取所述待处理图像。4.根据权利要求1所述的方法，其特征在于，在所述将所述第一信息通过所述超分辨率模型中的亚像素卷积层处理，得到超分辨率图像之后，所述方法还包括：在图形处理器GPU中，基于Tensor数据结构以及预设的着色器对所述超分辨率图像进行渲染处理，得到目标图像。5.一种超分辨率模型生成方法，其特征在于，应用于浏览器，所述方法包括：将服务器可识别文件格式的预设CNN模型，转换为所述浏览器可识别文件格式的第一CNN模型；加载所述第一CNN模型；通过编译程序生成亚像素卷积层，将所述第一CNN模型以及所述亚像素卷积层形成的模型确定为超分辨率模型。6.根据权利要求5所述的方法，其特征在于，所述服务器可识别文件格式为checkponit格式；将所述将服务器可识别文件格式的预设CNN模型，转换为所述浏览器可识别文件格式的第一CNN模型，包括：将checkponit格式的预设CNN模型，通过Tensorflow数据转换接口转换为SavedModel格式的CNN模型；将所述SavedModel格式的CNN模型，通过tfjs-converter工具转换为所述浏览器可识别文件格式的第一CNN模型。7.根据权利要求5所述的方法，其特征在于，所述加载所述第一CNN模型，包括：通过tfjs-converter工具的loadFrozenModel接口，加载所述第一CNN模型。8.一种图像处理装置，其特征在于，应用于浏览器，所述装置包括：图像获取模块，用于获取待处理图像；第一信息确定模块，用于将所述待处理图像通过超分辨率模型中预先加载的第一卷积神经网络CNN模型进行处理，得到第一信息；其中，所述第一CN...
【专利技术属性】
技术研发人员：陈金，
申请(专利权)人：北京金山云网络技术有限公司，北京金山云科技有限公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。