图像处理方法、装置、设备及计算机可读存储介质制造方法及图纸

本申请实施例提供一种图像处理方法、装置、设备及计算机可读存储介质，其中，方法包括：获取待处理图像，并确定该待处理图像中各个像素点对应的邻域图像块；当该待处理图像为灰度图像时，提取该待处理图像中各个像素点的特征向量；利用轻量化模型对各个像素点的特征向量和邻域图像块进行处理，得到处理后的目标图像，其中，该轻量化模型是对训练好的神经网络模型进行轻量化处理得到的；输出该目标图像。通过本申请，不仅能够保证目标图像的像素连贯并且能够实时进行图像处理，提高图像处理效率。

【技术实现步骤摘要】
图像处理方法、装置、设备及计算机可读存储介质
本申请实施例涉及图像处理
，涉及但不限于一种图像处理方法、装置、设备及计算机可读存储介质。
技术介绍
图像处理是通过计算机对图像进行去除噪声、增强、复原、提高分辨率等处理的方法和技术。随着计算机科学技术以及数字化技术的不断发展，图像处理被广泛应用在工作、生活、军事、医学等各个领域。而伴随着人工智能技术的发展，图像处理在实现时，可以通过机器学习来达到更好的处理效果。目前在通过机器学习进行图像处理时，往往需要保证使用的神经网络模型的层数足够深，因此网络结构会很复杂，计算量大，不能实现实时处理。
技术实现思路
本申请实施例提供一种图像处理方法、装置、设备及计算机可读存储介质，不仅能够保证目标图像的像素连贯并且能够实时进行图像处理，提高图像处理效率。本申请实施例的技术方案是这样实现的：本申请实施例提供一种图像处理方法，包括：获取待处理图像；当该待处理图像为灰度图像时，提取该待处理图像中各个像素点的特征向量，并确定该各个像素点对应的邻域图像块；利用轻量本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，包括：/n获取待处理图像；/n当所述待处理图像为灰度图像时，提取所述待处理图像中各个像素点的特征向量，并确定所述各个像素点对应的邻域图像块；/n利用轻量化模型对各个像素点的特征向量和邻域图像块进行处理，得到处理后的目标图像，其中，所述轻量化模型是对训练好的神经网络模型进行轻量化处理得到的；/n输出所述目标图像。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：
获取待处理图像；
当所述待处理图像为灰度图像时，提取所述待处理图像中各个像素点的特征向量，并确定所述各个像素点对应的邻域图像块；
利用轻量化模型对各个像素点的特征向量和邻域图像块进行处理，得到处理后的目标图像，其中，所述轻量化模型是对训练好的神经网络模型进行轻量化处理得到的；
输出所述目标图像。


2.根据权利要求1中所述的方法，其特征在于，所述方法还包括：
当所述待处理图像为彩色图像时，将所述待处理图像转换至亮度色度YUV色域，得到亮度Y通道待处理图像和色度UV通道待处理图像；
提取所述Y通道待处理图像中各个Y通道像素点的特征向量，并确定所述各个Y通道像素点对应的邻域图像块；
利用所述轻量化模型对所述各个Y通道像素点的特征向量和邻域图像块进行处理，得到处理后的Y通道目标图像；
利用预设的图像处理算法对所述UV通道待处理图像进行处理，得到UV通道目标图像；
基于所述Y通道目标图像UV通道目标图像确定目标图像，其中，所述目标图像与待处理图像的色域相同。


3.根据权利要求1中所述的方法，其特征在于，所述获取待处理图像，包括：
获取待处理视频文件；
对所述待处理视频文件进行解码，得到所述待处理视频文件中的各个视频帧图像；
将所述各个视频帧图像确定为所述待处理图像。


4.根据权利要求1中所述的方法，其特征在于，所述提取所述待处理图像中各个像素点的特征向量，包括：
确定所述待处理图像对应的第一方向梯度图和第二方向梯度图；
确定所述待处理图像中各个像素点在第一方向梯度图中的第一梯度邻域块和在第二方向梯度图中的第二梯度邻域块；
基于所述各个像素点的第一梯度邻域块和第二梯度邻域块确定所述各个像素点的特征向量。


5.根据权利要求4中所述的方法，其特征在于，所述基于所述各个像素点的第一梯度邻域块和第二梯度邻域块确定所述各个像素点的特征向量，包括：
基于所述各个像素点的第一梯度邻域块和第二梯度邻域块确定所述各个像素点的协方矩阵；
确定各个协方矩阵对应的各个第一特征值和各个第二特征值；
确定所述各个像素点的邻域图像块对应的各个方差值；
基于所述各个第一特征值、各个第二特征值和各个方差值确定所述各个像素点的特征向量。


6.根据权利要求1至5中任一项所述的方法，其特征在于，所述方法还包括：
获取训练数据和预设的神经网络模型，其中，所述训练数据包括第一训练图像和第二训练图像，其中，所述第二训练图像是对所述第一训练图像进行下采样得到的，所述神经网络模型包括生成模型和判别模型；
利用所述神经网络模型对所述第二训练图像进行处理，得到预测图像；
基于所述预测图像、所述第一训练图像和预设的目标函数对所述神经网络模型进行反向传播训练，得到训练好的神经网络模型。


7.根据权利要求6中所述的方法，其特征在于，所述预设的目标函数包括生成目标函数和判别目标函数，所述基于所述预测图像、所述第一训练图像和预设的目标函数对所述神经网络模型进行反向传播训练，得到训练好的神经网络模型，包括：
固定所述判别模型的判别参数，基于所述预测图像、所述第一训练图像和生成目标函数对所述生成模型进行反向传播训练，以对所述生成模型的生成参数进行调整；
固定生成判别模型的生成参...

【专利技术属性】
技术研发人员：陈法圣，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44