【技术实现步骤摘要】
一种图像处理方法、装置及智能终端
本专利技术属于图像处理领域，尤其涉及一种图像处理方法、装置及智能终端。
技术介绍
图像放大技术是计算机视觉和图像处理领域的一个经典问题，有着重要的学术和工业研究价值。图像放大的目标就是，由给定的低分辨率图像得到它相应的高分辨率图像,使得图像的内容信息得到保留甚至加强,同时给人的以更好的视觉效果。目前主流的图像超分辨方法可以分为三大类：基于插值的方法；基于重构的方法；基于深度学习的方法。然而，虽然主流的图像处理方法解决了图像放大的基本需求，但由于设计环节的不完善，普遍存在锯齿效应、模糊效应、过于平滑等问题，特别是基于深度学习的图像处理方法，在测试集中表现优异，但在对实际图像进行放大时效果并不能令人满意，存在着过于平滑或者是不自然的边缘等图像质量问题。
技术实现思路
有鉴于此，本专利技术实施例提供了一种图像处理方法、装置及智能终端，以解决现有利用图像处理方法中对图像进行放大等处理时存在的过于平滑或不自然的边缘等图像质量问题。本专利技术实施例的第一方面提供了一种...
【技术保护点】
1.一种图像处理方法，其特征在于，所述方法包括：/n基于预设损失函数，对第一神经网络模型进行训练；/n基于预设损失函数及经训练后的第一神经网络模型，对第二神经网络模型进行训练；/n将待处理图像输入经训练后的第二神经网络模型，输出目标图像。/n
【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：
基于预设损失函数，对第一神经网络模型进行训练；
基于预设损失函数及经训练后的第一神经网络模型，对第二神经网络模型进行训练；
将待处理图像输入经训练后的第二神经网络模型，输出目标图像。
2.如权利要求1所述的方法，其特征在于，在所述基于预设损失函数，对第一神经网络模型进行训练的步骤之前，包括：
获取训练样本图像HR*；
对所述训练样本图像HR*进行图像预处理，得到所述训练样本图像HR*的至少两个训练样本图像副本，所述至少两个训练样本图像副本构成图像组。
3.如权利要求2所述的方法，其特征在于，所述训练样本图像副本为第一图像HR′、第二图像LR*或第三图像LR′，所述对训练样本图像HR*进行图像预处理，得到所述训练样本图像HR*的至少两个训练样本图像副本的步骤，包括：
对所述训练样本图像HR*进行降噪处理，得到对应的第一图像HR′；
对所述训练样本图像HR*进行图像下采样处理，得到对应的第二图像LR*；
对所述训练样本图像HR*进行随机裁剪处理，得到对应的第三图像LR′。
4.如权利要求1所述的方法，其特征在于，所述预设损失函数为由像素损失函数、特征损失函数以及生成对抗式网络损失函数GANloss所组成的多级损失函数，其中：
所述像素损失函数为：
其中，Iref和Gθ(G)(Iin)x,y在第二神经网络模型中分别对应第一图像HR′和第五图像HR，第五图像HR为经第二神经网络模型对第四图像LR进行放大后输出的高分辨率图像；Iref和Gθ(G)(Iin)x,y在第一神经网络模型中分别对应第三图像LR′和第四图像LR，第四图像LR为经第一神经网络模型对第一图像HR′进行缩小后输出的低分辨率图像；W与H分别代表像素提取矩阵的宽和高，x与y分别代表相应宽和高上的位置坐标；
所述特征损失函数为：
其中，Iref和Gθ(G)(Iin)x,y在第二神经网络模型中分别对应第一图像HR′和第五图像HR，第五图像HR为经第二神经网络模型对第四图像LR进行放大后输出的高分辨率图像；Iref和Gθ(G)(Iin)x,y在第一神经网络模型中分别对应第三图像LR′和第四图像LR，第四图像LR为经第一神经网络模型对第一图像HR′进行缩小后输出的低分辨率图像；W与H分别代表特征提取矩阵的宽和高，x与y分别代表相应宽和高上的位置坐标；φ表示所使用的用于提取图像的内容特征的神经网络。
5.如权利要求4所述的方法，其特征在于，所述基于预设损失函数，对第一神经网络模型进行训练的步骤，包括：
基于像素损失函数和特征损失函数，将所述图像组输入第一神经网络模型进行预训练，以实现对第一神经网络模型中的各个参数进行调整；
基于生成对抗式网络损失函数GANloss，对经预训练后的第一神经网络模型进行训练，以实现对第一神经网络模型中的各个参数进行调整。
6.如权利要求5所述...
【专利技术属性】
技术研发人员：潘澄，关婧玮，俞大海，
申请(专利权)人：TCL集团股份有限公司，
类型：发明
国别省市：广东;44
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。