基于稀疏表达的图像处理方法、装置、终端以及存储介质制造方法及图纸

本发明专利技术公开了一种基于稀疏表达的图像处理方法、装置、终端及存储介质，方法包括：提供待处理图像，通过已训练的深度学习模型确定所述待处理图像对应的稀疏表达系数；根据所述稀疏表达系数和预设过完备字典获取所述待处理图像对应的目标特征；根据所述目标特征获取所述待处理图像对应的目标图像。本发明专利技术通过预先训练的深度学习模型预测待处理图像的稀疏表达系数，不需要通过迭代优化的方式进行稀疏表达系数的求解，降低了基于稀疏表达的图像处理中的计算量。中的计算量。中的计算量。

【技术实现步骤摘要】
基于稀疏表达的图像处理方法、装置、终端以及存储介质


[0001]本专利技术涉及图像处理
，特别涉及一种基于稀疏表达的图像处理方法、装置、终端以及存储介质。

技术介绍

[0002]稀疏是信号的最基本特性之一，有助于采用最少的信息去描述更充分的信息，稀疏表达的研究已在信号处理、系统辨识、图像处理等各个领域取得了诸多研究成果。在传统的基于稀疏表达的图像处理技术中，需要确定过完备字典和稀疏表达系数，而现有技术中，图像的稀疏表达系数需要通过迭代优化的方式求解，需要大量的计算量。
[0003]因此，现有技术还有待改进和提高。

技术实现思路

[0004]针对现有技术的上述缺陷，提供一种基于稀疏表达的图像处理方法、装置、终端及存储介质，旨在解决现有技术中基于稀疏表达的图像处理技术中计算量大的问题。
[0005]本专利技术的第一方面，提供一种基于稀疏表达的图像处理方法，包括：
[0006]提供待处理图像，通过已训练的深度学习模型确定所述待处理图像对应的稀疏表达系数；
[0007]根据所述稀疏表达系数和预设过完备字典获取所述待处理图像对应的目标特征；
[0008]根据所述目标特征获取所述待处理图像对应的目标图像。
[0009]所述的基于稀疏表达的图像处理方法，其中，所述通过已训练的深度学习模型确定所述待处理图像对应的稀疏表达系数，包括：
[0010]将所述待处理图像切分为若干待处理图像块，通过所述已训练的深度学习模型分别提取各所述待处理图像块对应的初始特征；<br/>[0011]通过所述已训练的深度学习模型分别对各所述待处理图像块对应的初始特征进行第一卷积处理，获取各所述待处理图像块对应的稀疏表达系数。
[0012]所述的基于稀疏表达的图像处理方法，其中，所述根据所述稀疏表达系数和预设过完备字典获取所述待处理图像对应的目标特征，包括：
[0013]根据各所述待处理图像块对应的稀疏表达系数和所述预设过完备字典获取各所述待处理图像块对应的目标特征。
[0014]所述的基于稀疏表达的图像处理方法，其中，所述根据所述目标特征获取所述待处理图像对应的目标图像，包括：
[0015]通过所述已训练的深度学习模型分别对各所述待处理图像块对应的目标特征进行第二卷积处理，获取各所述待处理图像块对应的目标图像块；
[0016]对各所述待处理图像块对应的目标图像块进行图像重建，获取所述目标图像。
[0017]所述的基于稀疏表达的图像处理方法，其中，所述通过所述已训练的深度学习模型分别对各所述待处理图像块对应的目标特征进行第二卷积处理，获取各所述待处理图像
块对应的目标图像块，包括：
[0018]当所述目标图像的分辨率要求高于所述待处理图像时，对各所述待处理图像块对应的目标特征进行第二卷积处理之后进行上采样处理，得到各所述待处理图像块对应的目标图像块。
[0019]所述的基于稀疏表达的图像处理方法，其中，所述已训练的深度学习模型是根据多组训练数据训练得到的，每组训练数据包括样本待处理图像和所述样本待处理图像对应的样本目标图像。
[0020]所述的基于稀疏表达的图像处理方法，其中，所述将所述待处理图像输入至已训练的深度学习模型之前，所述方法还包括：
[0021]根据预设核函数生成所述预设过完备字典。
[0022]本专利技术的第二方面，提供一种基于稀疏表达的图像处理装置，包括：
[0023]稀疏表达单元，所述稀疏表达单元用于通过已训练的深度学习模型确定提供的待处理图像对应的稀疏表达系数；
[0024]目标特征获取单元，所述目标特征获取单元用于根据所述稀疏表达系数和预设过完备字典获取所述待处理图像的目标特征；
[0025]目标图像获取单元，所述目标图像获取单元用于根据所述目标特征获取所述待处理图像对应的目标图像。
[0026]本专利技术的第三方面，提供一种终端，包括：处理器、与处理器通信连接的存储介质，存储介质适于存储多条指令，处理器适于调用存储介质中的指令，以执行实现上述任一项所述的基于稀疏表达的图像处理方法的步骤。
[0027]本专利技术的第四方面，提供一种计算机可读存储介质，其中，计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的基于稀疏表达的图像处理方法的步骤。
[0028]有益效果：与现有技术相比，本专利技术提供了一种基于稀疏表达的图像处理方法、装置、终端及存储介质，本专利技术提供的基于稀疏表达的图像处理方法通过预先训练的深度学习模型预测待处理图像的稀疏表达系数，并根据固定的过完备字典来提取待处理图像的目标特征以输出目标图像，不需要通过迭代优化的方式进行稀疏表达系数的求解，降低了基于稀疏表达的图像处理中的计算量。
附图说明
[0029]图1为本专利技术提供的基于稀疏表达的图像处理方法的实施例的流程图；
[0030]图2为本专利技术提供的基于稀疏表达的图像处理方法的实施例中特征提取模型的结构示意图；
[0031]图3为本专利技术提供的基于稀疏表达的图像处理方法的实施例的效果示意图一；
[0032]图4为本专利技术提供的基于稀疏表达的图像处理方法的实施例的效果示意图二；
[0033]图5为本专利技术提供的基于稀疏表达的图像处理装置的实施例的结构原理图；
[0034]图6为本专利技术提供的终端的实施例的结构原理图。
具体实施方式
[0035]为使本专利技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0036]本专利技术提供的一种基于稀疏表达的图像处理方法，是可以应用在终端中，终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑、车载电脑和便携式可穿戴设备。终端在获取到待处理图像后，可以通过本专利技术提供的基于稀疏表达的图像处理方法对待处理图像进行处理得到目标图像。
[0037]实施例一
[0038]如图1所示，本专利技术提供的基于稀疏表达的图像处理方法包括步骤：
[0039]S100、提供待处理图像，通过已训练的深度学习模型确定所述待处理图像对应的稀疏表达系数。
[0040]本实施例提供的基于稀疏表达的图像处理方法可以应用于多种图像处理任务中，例如图像超分、去噪等，稀疏是信号的最基本特性之一，有助于采用最少的信息去描述更充分的信息，在稀疏表达中，最基本的概念是过完备字典D∈R
n
×
K
，它由大量冗余的源构成(K&gt;n)，假设信号y可以表示成过完备字典上的稀疏线性组合，那么该过程可以描述为：y＝Dα0，其中稀疏表达系数α0仅有少量值为非零。
[0041]在传统的基于稀疏表达的图像处理技术中，需要对稀疏表达系数α0采用迭代优化的方式进行求解，稀疏表达建模的这种求解过程导致了其求解的高计算复杂度，计算量大，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏表达的图像处理方法，其特征在于，包括：提供待处理图像，通过已训练的深度学习模型确定所述待处理图像对应的稀疏表达系数；根据所述稀疏表达系数和预设过完备字典获取所述待处理图像对应的目标特征；根据所述目标特征获取所述待处理图像对应的目标图像。2.根据权利要求1所述的基于稀疏表达的图像处理方法，其特征在于，所述通过已训练的深度学习模型确定所述待处理图像对应的稀疏表达系数，包括：将所述待处理图像切分为若干待处理图像块，通过所述已训练的深度学习模型分别提取各所述待处理图像块对应的初始特征；通过所述已训练的深度学习模型分别对各所述待处理图像块对应的初始特征进行第一卷积处理，获取各所述待处理图像块对应的稀疏表达系数。3.根据权利要求2所述的基于稀疏表达的图像处理方法，其特征在于，所述根据所述稀疏表达系数和预设过完备字典获取所述待处理图像对应的目标特征，包括：根据各所述待处理图像块对应的稀疏表达系数和所述预设过完备字典获取各所述待处理图像块对应的目标特征。4.根据权利要求3所述的基于稀疏表达的图像处理方法，其特征在于，所述根据所述目标特征获取所述待处理图像对应的目标图像，包括：通过所述已训练的深度学习模型分别对各所述待处理图像块对应的目标特征进行第二卷积处理，获取各所述待处理图像块对应的目标图像块；对各所述待处理图像块对应的目标图像块进行图像重建，获取所述目标图像。5.根据权利要求4所述的基于稀疏表达的图像处理方法，其特征在于，所述通过所述已训练的深度学习模型分别对各所述待处理图像块对应的目标特征进行第二卷积处理，获取各所述待处理图像块对应的目标图像块，包括：当所述目标图像的分辨率要求...

【专利技术属性】
技术研发人员：王树朋，刘阳兴，
申请(专利权)人：武汉TCL集团工业研究院有限公司，
类型：发明
国别省市：