一种图像处理方法及计算设备技术

本发明专利技术公开了一种图像处理方法及计算设备，所述方法包括步骤：获取与原始图像对应的低分辨率图像；将所述低分辨率图像与所述原始图像作为输入图像输入到图像处理机器学习模型组件中，获取相较于所述原始图像具有更高分辨率且更丰富的细节信息的高分辨率完整图像，其中，所述图像处理机器学习模型组件利用预先获取的多组图像集进行训练得到，其中，所述多组图像集包括高分辨率完整图像集、高分辨率图像集以及低分辨率图像集。

An Image Processing Method and Computing Equipment

【技术实现步骤摘要】
一种图像处理方法及计算设备
本专利技术涉及计算机
，特别涉及一种图像处理方法及计算设备。
技术介绍
近年来，利用引导图的引导滤波方法在执行图像滤波时，既可保持图像边缘性又可使图像的纹理部分与引导图近似，因此在图像增强、图像抠图、图像去雾等场景中大受欢迎。基于此，提出一种利用引导滤波单元与卷积神经网络耦合的图像处理方法(例如，深度引导滤波)，该方法可引入引导滤波层形成深度引导滤波网络，从而可将高分辨率图像作为低分辨率图像的引导图并输出高分辨图像。但这种方法的图像处理结果存在图像细节丢失、图像过于平滑等问题。因此，需要一种图像处理效果更好(例如，图像细节丰富并且图像不会过于平滑)的技术方案。
技术实现思路
为此，本专利技术提供一种图像处理方法及计算设备，以力图解决或者至少缓解上面存在的问题。根据本专利技术的一个方面，提供一种图像处理方法，适于在计算设备中执行，该方法包括如下步骤：获取与原始图像对应的低分辨率图像；将所述低分辨率图像与所述原始图像作为输入图像输入到图像处理机器学习模型组件中，获取相较于所述原始图像具有更高分辨率且更丰富的细节信息的高分辨率完整图像，其中，所述图像处理机器学习模型组件利用预先获取的多组图像集进行训练得到，其中，所述多组图像集包括高分辨率完整图像集、高分辨率图像集以及低分辨率图像集。可选地，所述图像处理机器学习模型组件是通过深度引导滤波组件与分组卷积网络组件耦合生成的。可选地，所述深度引导滤波组件包括卷积神经网络组件和引导滤波组件。可选地，所述图像处理机器学习模型组件是通过将深度引导滤波组件的输出图像以及利用深度引导滤波组件的中间图像获取的残差图像作为分组卷积网络组件的输入图像而获得的。可选地，将所述低分辨率图像与所述原始图像作为输入图像输入到图像处理机器学习模型组件中获取相较于所述原始图像具有更高分辨率且更丰富的细节信息的高分辨率完整图像包括：将所述低分辨率图像输入到卷积神经网络组件，获取卷积输出图像；将所述原始图像、所述低分辨率图像以及卷积输出图像输入到所述引导滤波组件获取第一输出图像；获取对卷积输出图像利用上采样方法执行上采样后的上采样图像与所述原始图像的残差图像；将所述第一输出图像与残差图像作为输入图像输入到所述分组卷积网络组件，获取与原始图像对应的高分辨率完整图像。可选地，所述图像处理机器学习模型组件利用预先获取的多组图像集进行训练得到包括：获取包括训练使用的高分辨率图像的高分辨率图像集、包括训练使用的低分辨率图像的低分辨率图像集和包括训练使用的高分辨率完整图像的高分辨率完整图像集；将高分辨率图像集中的每个高分辨率图像与低分辨率图像集中对应的每个低分辨率图像分别输入到所述图像处理机器学习模型组件，获取包括训练输出图像的训练输出图像集；利用所述训练输出图像与对应的高分辨率完整图像集之间的差值，调整所述图像处理机器学习模型组件的全网络参数，直到所述图像处理机器学习模型组件达到预设要求。可选地，将高分辨率图像集中的每个高分辨率图像与低分辨率图像集中对应的每个低分辨率图像分别输入到所述图像处理机器学习模型组件获取包括训练输出图像的训练输出图像集包括：将低分辨率图像输入到卷积神经网络组件，获取训练卷积输出图像；将高分辨率图像、低分辨率图像以及卷积输出图像输入到所述引导滤波组件获取第一训练输出图像；获取对训练卷积输出图像利用上采样方法执行上采样后的上采样训练图像与所述高分辨率图像的残差图像；将所述第一训练输出图像与残差图像作为输入图像输入到所述分组卷积网络组件，获取训练输出图像。可选地，所述预设要求是指利用L1范数作为损失函数的对第一训练输出图像与高分辨率完整图像的第一损失函数值与利用L2范数作为损失函数的训练输出图像与高分辨率完整图像的第二损失值按照预定权重比例组合而获得的。可选地，所述预定权重比例按照训练次数的增加按照预定规则降低第一损失函数值的比重。可选地，所述多组图像集是指利用从与每个画面对应的多个图像中分别提取出高分辨率完整图像、高分辨率图像以及低分辨率图像来形成高分辨率完整图像集、高分辨率图像集以及低分辨率图像集。根据本专利技术的一个方面，提供一种计算设备，所述设备包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。根据本专利技术的一个方面，提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。综上所述，根据本专利技术的示例性实施例的图像处理方法利用图像处理机器学习模型组件获取原始图像的高分辨率完整图像，实现对原始图像的细节增强并且可提高图像分辨率。更进一步地，可将深度引导滤波组件与分组卷积网络进行耦合，从而可在利用深度引导滤波组件实现对原始图像的细节增强的效果后利用分组卷积网络组件获取分辨率更高且细节更丰富的图像。附图说明为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。图1示出了根据本专利技术的一个实施例的计算设备100的示意图；图2示出了本专利技术的一个实施例的图像处理方法200的流程图；图3示出了应用根据本专利技术的一个实施例的深度引导滤波组件对原始图像执行图像处理的示意图；图4示出了应用根据本专利技术的一个实施例的图像处理方法对原始图像执行图像处理的示意图；图5示出了应用根据本专利技术的一个实施例的图像处理装置的示意图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。图1是示例计算设备100的框图。在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个程序122以及程本文档来自技高网...

【技术保护点】
1.一种图像处理方法，适于在计算设备中执行，所述方法包括步骤：获取与原始图像对应的低分辨率图像；将所述低分辨率图像与所述原始图像作为输入图像输入到图像处理机器学习模型组件中，获取相较于所述原始图像具有更高分辨率且更丰富的细节信息的高分辨率完整图像，其中，所述图像处理机器学习模型组件利用预先获取的多组图像集进行训练得到，其中，所述多组图像集包括高分辨率完整图像集、高分辨率图像集以及低分辨率图像集。

【技术特征摘要】
1.一种图像处理方法，适于在计算设备中执行，所述方法包括步骤：获取与原始图像对应的低分辨率图像；将所述低分辨率图像与所述原始图像作为输入图像输入到图像处理机器学习模型组件中，获取相较于所述原始图像具有更高分辨率且更丰富的细节信息的高分辨率完整图像，其中，所述图像处理机器学习模型组件利用预先获取的多组图像集进行训练得到，其中，所述多组图像集包括高分辨率完整图像集、高分辨率图像集以及低分辨率图像集。2.如权利要求1所述的方法，其中，所述图像处理机器学习模型组件是通过深度引导滤波组件与分组卷积网络组件耦合生成的。3.如权利要求2所述的方法，其中，所述深度引导滤波组件包括卷积神经网络组件和引导滤波组件。4.如权利要求2所述的方法，其中，所述图像处理机器学习模型组件是通过将深度引导滤波组件的输出图像以及利用深度引导滤波的中间图像获取的残差图像作为分组卷积网络组件的输入图像而获得的。5.如权利要求3所述的方法，其中，将所述低分辨率图像与所述原始图像作为输入图像输入到图像处理机器学习模型组件中获取相较于所述原始图像具有更高分辨率且更丰富的细节信息的高分辨率完整图像包括：将所述低分辨率图像输入到卷积神经网络组件，获取卷积输出图像；将所述原始图像、所述低分辨率图像以及卷积输出图像输入到所述引导滤波组件获取第一输出图像；获取对卷积输出图像利用上采样方法执行上采样后的上采样图像与所述原始图像的残差图像；将所述第一输出图像与残差图像作为输入图像输入到所述分组卷积网络组件，获取与原始图像对应的高分辨率完整图像。6.如权利要求2所述的方法，其中，所述图像处理机器学习模型组件利用预先获取的多组图像集进行训练得到，包括：获取包括训练使用的高分辨率图像的高分辨率图像集、包括训练使用的低分辨率图像的低分辨率图像集和包括...

【专利技术属性】
技术研发人员：陈裕潮，李志阳，李启东，周子健，张伟，
申请(专利权)人：厦门美图之家科技有限公司，
类型：发明
国别省市：福建,35