【技术实现步骤摘要】
图像处理方法、装置、设备及其训练方法
本专利技术涉及图像处理技术，更具体地，涉及一种图像处理方法、装置、设备及其训练方法。
技术介绍
图像在形成、记录、处理和传输过程中，由于成像系统、记录设备、传输介质和处理方法的不完善，导致图像质量的下降，这种现象叫做图像退化。真实世界中的图像的退化方式往往是未知的，从而需要正确地对其进行估计，以恢复出原始高清图像。通过图像处理算法或神经网络将低分辨率图像放大为高分辨率图像的过程被称为超分辨率处理过程。然而，目前的超分辨率算法都是基于干净且清晰的训练图像来训练神经网络的。这些方法通过双三次(bicubic)算子将高分辨率图像进行缩小，从而得到低分辨率图像，并且基于由此构造的成对训练图像，训练能够处理干净且清晰图像的神经网络。然而，通过bicubic算子构造的低分辨率图像无法保留真实图像退化场景下的低分辨率图像的噪声或模糊度特征，因此，目前的超分辨率算法在理想的干净图像数据上效果稳定，但对于具有一定噪声和模糊度的真实图像，处理效果欠佳。目前的超分辨率算法还存在以下不足：1)使用特定的bicu...
【技术保护点】
1.一种图像处理模型的训练方法，包括：/n获取样本图像集，所述样本图像集包括第一数量的样本图像；/n基于所述样本图像集构建图像特征集，所述图像特征集包括分别从所述样本图像集中的每个样本图像提取的至少一个图像特征；/n获取训练图像集，所述训练图像集包括第二数量的训练图像，所述训练图像集与所述样本图像集完全相同、部分相同或完全不同，所述第一数量和所述第二数量相同或不同；/n基于所述训练图像集和所述图像特征集构建多个训练图像对；以及/n基于所述多个训练图像对对所述图像处理模型进行训练。/n
【技术特征摘要】
1.一种图像处理模型的训练方法，包括：
获取样本图像集，所述样本图像集包括第一数量的样本图像；
基于所述样本图像集构建图像特征集，所述图像特征集包括分别从所述样本图像集中的每个样本图像提取的至少一个图像特征；
获取训练图像集，所述训练图像集包括第二数量的训练图像，所述训练图像集与所述样本图像集完全相同、部分相同或完全不同，所述第一数量和所述第二数量相同或不同；
基于所述训练图像集和所述图像特征集构建多个训练图像对；以及
基于所述多个训练图像对对所述图像处理模型进行训练。
2.如权利要求1所述的训练方法，其中，所述至少一个图像特征包括模糊度特征和噪声特征，
其中，基于所述样本图像集构建图像特征集包括：
提取所述样本图像集中的每个样本图像的模糊度特征和噪声特征；以及
基于所述每个样本图像的模糊度特征和噪声特征来构建所述图像特征集。
3.如权利要求2所述的训练方法，其中，每个训练图像对包括一个训练目标图像和一个训练输入图像，所述训练目标图像的分辨率高于所述训练输入图像的分辨率，
其中，基于所述训练图像集和所述图像特征集构建多个训练图像对包括：对于所述训练图像集中的至少一部分训练图像中的每一个，
对该训练图像进行图像增强，以获取所述训练目标图像；以及
基于所述训练目标图像和所述图像特征集获取与所述训练目标图像相对应的训练输入图像。
4.如权利要求3所述的训练方法，其中，对该训练图像进行图像增强，以获取所述训练目标图像包括：
对所述训练图像进行去噪声和/或去模糊处理，以获取所述训练目标图像，其中
所述训练目标图像的模糊度和/或噪声低于所述训练图像的模糊度和/或噪声。
5.如权利要求3所述的训练方法，其中，对该训练图像进行图像增强，以获取所述训练目标图像包括：
对所述训练图像进行双三次插值下采样处理，以获取所述训练目标图像。
6.如权利要求3所述的训练方法，其中，基于所述训练目标图像和所述图像特征集获取与所述训练目标图像相对应的训练输入图像包括：
从所述图像特征集中选取至少一个图像特征；
将所述选取的至少一个图像特征应用于所述训练目标图像；以及
对所述训练目标图像进行下采样，以获取所述训练输入图像。
7.如权利要求6所述的训练方法，其中，所述至少一个图像特征包括至少一个模糊度特征和至少一个噪声特征，其中，基于所述训练目标图像和所述图像特征集获取与所述训练目标图像相对应的训练输入图像包括：
从所述图像特征集中选取至少一个模糊度特征和至少一个噪声特征；
将所述选取的至少一个模糊度特征应用于所述训练目标图像，以得到添加了模糊度的训练中间图像；
对所述添加了模糊度的训练中间图像进行下采样，以得到下采样后的训练中间图像；以及
将所述选取的至少一个噪声特征应用于所述...
【专利技术属性】
技术研发人员：季孝忠，曹赟，邰颖，汪铖杰，李季檩，
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
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。