本申请涉及一种图像锐化的方法、系统、电子装置和存储介质，其中，该方法包括：获取原始图片的图像数据，对该图像数据进行预处理，并将预处理后的数据进行比例划分，构建得到数据集；构建深度卷积生成对抗网络模型，通过数据集中的图像数据对模型进行训练优化，得到训练好的深度卷积生成对抗网络模型，通过训练好的深度卷积生成对抗网络模型生成得到高频图片；将高频图片叠加到原始图片上进行图像锐化，得到最终的锐化图片。通过本申请，解决了相关技术中对图像进行锐化处理后，锐化图像存在噪点或细节丢失的问题，提高了锐化效果。提高了锐化效果。提高了锐化效果。
【技术实现步骤摘要】
一种图像锐化的方法、系统、电子装置和存储介质
[0001]本申请涉及图像处理
，特别是涉及一种图像锐化的方法、系统、电子装置和存储介质。
技术介绍
[0002]随着智能硬件与科技的飞速发展，人们的日常生活中已越来越离不开智能硬件设备，比如手机、电脑、人脸支付平板、人脸识别门禁、人脸门锁等。而这些智能硬件设备均离不开图像处理技术，图像质量会直接影响到设备许多功能的性能，其中，评价图像质量的一项重要指标是清晰度。
[0003]通常情况下，影响清晰度的直接因素有两个，分别是锐度和分辨率。锐度描述的是图像边缘过渡的快慢，过渡越快，锐度越高。分辨率描述的是像素数量，离散的像素数量越多，越能逼近真实世界的连续信号。由于分辨率是由传感器决定的，因此在硬件条件一样的情况下，提升锐度是提升图像清晰度的一个重要方式。
[0004]在相关技术中，对图像进行锐化的方法，一种是直接使用高通滤波器，如Sobel算子、Laplace算子、梯度Prewitt算子等，提取图像高频分量，将获取的高频分量叠加到原图上生成锐化图像，但是由于这些算子对噪声敏感，生成的锐化图像会有许多噪点。另一种方法则是先使用低通滤波器对图像进行滤波处理，得到图像中的低频分量，再减去原图像中的低频分量，得到高频分量，最后将高频分量和原图像叠加，从而得到锐化后的图像。但是这种方法容易造成细节丢失，最终生成的锐化图像会出现部分细节未增强的情况。
[0005]目前针对相关技术中，对图像进行锐化处理后，锐化图像存在噪点或细节丢失的问题，尚未提出有效的解决方案。
技术实现思路
[0006]本申请实施例提供了一种图像锐化的方法、系统、电子装置和存储介质，以至少解决相关技术中对图像进行锐化处理后，锐化图像存在噪点或细节丢失的问题。
[0007]第一方面，本申请实施例提供了一种图像锐化的方法，所述方法包括：获取原始图片的图像数据，对所述图像数据进行预处理，并将预处理后的数据进行比例划分，构建得到数据集；构建深度卷积生成对抗网络模型，通过数据集中的图像数据对模型进行训练优化，得到训练好的深度卷积生成对抗网络模型，通过所述训练好的深度卷积生成对抗网络模型生成得到高频图片；将所述高频图片叠加到所述原始图片上进行图像锐化，得到最终的锐化图片。
[0008]在其中一些实施例中，对所述图像数据进行预处理，并将预处理后的数据进行比例划分，构建得到数据集包括：预设高斯滤波器掩膜的尺寸参数和标准差参数，通过构建好的高斯滤波器对原始图片进行卷积处理，生成得到低频图片；
将所述原始图片和所述低频图片均以预设比例进行训练集、测试集划分，得到所述数据集，其中，训练集中的图片数量大于测试集中的图片数量。
[0009]在其中一些实施例中，所述构建深度卷积生成对抗网络模型包括：设置生成器损失函数，并自定义构建生成器的卷积神经网络结构，得到卷积神经网络生成器，通过所述卷积神经网络生成器将数据集中噪声随机分布的采样图片映射为高频图片，并将所述高频图片与数据集中的低频图片叠加，生成得到新图片，其中，生成器损失函数计算公式如下：其中， 为噪声z的分布，E为期望，为原始图片经高斯滤波器卷积后得到的低频图片，G为生成器，D为判别器，G(z)为噪声经生成器映射转化后得到的高频图片；设置判别器损失函数，并自定义构建判别器的卷积神经网络结构，得到卷积神经网络判别器，通过所述卷积神经网络判别器区分新图片和原始图片，其中，判别器损失函数计算公式如下：其中，为真实的原始图片数据x的概率分布，为噪声z的分布，E为期望，为原始图片经高斯滤波器卷积后得到的低频图片，G为生成器，D为判别器，G(z)为噪声经生成器映射转化后得到的高频图片。
[0010]在其中一些实施例中，通过数据集中的图像数据对模型进行训练优化，得到训练好的深度卷积生成对抗网络模型包括：通过数据集中的原始图片训练集和新图片训练判别器，使模型的判别器损失函数达到最大；固定判别器，将数据集中噪声随机分布的采样图片和低频图片输入生成器中，生成得到高频图片和新图片，将生成的新图片和原始图片输入判别器中得到损失误差，所述损失误差经反向传播到生成器中，更新生成器参数；通过更新的生成器不断生成优化的新图片，将不断优化的新图片和原始图片输入判别器中，得到不断优化的损失误差，并反向传播到优化后的生成器中，进一步更新生成器参数，直至模型的生成器损失函数达到最小。
[0011]在其中一些实施例中，在训练所述判别器时，所述方法包括：通过数据集中的测试集测试判别器是否能正确识别新图片与原始图片，在精度达到预设范围的情况下，所述判别器是损失函数达到最大，训练完成。
[0012]在其中一些实施例中，通过所述训练好的深度卷积生成对抗网络模型生成得到高频图片包括：通过生成器与判别器之间的不断对抗更新，得到训练好的深度卷积生成对抗网络模型，通过所述训练好的深度卷积生成对抗网络模型中的生成器生成去噪且无细节丢失的高频图片。
[0013]第二方面，本申请实施例提供了一种图像锐化的系统，所述系统包括：预处理模块，用于获取原始图片的图像数据，对所述图像数据进行预处理，并将预处理后的数据进行比例划分，构建得到数据集；模型构建训练模块，用于构建深度卷积生成对抗网络模型，通过数据集中的图像数据对模型进行训练优化，得到训练好的深度卷积生成对抗网络模型，通过所述训练好的深度卷积生成对抗网络模型生成得到高频图片；锐化模块，用于将所述高频图片叠加到所述原始图片上进行图像锐化，得到最终的锐化图片。
[0014]在其中一些实施例中，所述预处理模块，还用于预设高斯滤波器掩膜的尺寸参数和标准差参数，通过构建好的高斯滤波器对原始图片进行卷积处理，生成得到低频图片；将所述原始图片和所述低频图片均以预设比例进行训练集、测试集划分，得到所述数据集，其中，训练集中的图片数量大于测试集中的图片数量。
[0015]第三方面，本申请实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的图像锐化的方法。
[0016]第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的图像锐化的方法。
[0017]相比于相关技术，本申请实施例提供的图像锐化的方法，获取原始图片的图像数据，对该图像数据进行预处理，并将预处理后的数据进行比例划分，构建得到数据集；构建深度卷积生成对抗网络模型，通过数据集中的图像数据对模型进行训练优化，得到训练好的深度卷积生成对抗网络模型，通过训练好的深度卷积生成对抗网络模型生成得到高频图片；将高频图片叠加到原始图片上进行图像锐化，得到最终的锐化图片。
[0018]本申请通过生成对抗网络能够准确保留图像高频细节，并且去除噪点，解决了相关技术中对图像进行锐化处理后，锐化图像存在噪点或细节丢失的问题，提高了锐化效果。
附图说明
[0019]此处所说明的附图用来提供对本申请的进一步本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像锐化的方法，其特征在于，所述方法包括：获取原始图片的图像数据，对所述图像数据进行预处理，并将预处理后的数据进行比例划分，构建得到数据集；构建深度卷积生成对抗网络模型，通过数据集中的图像数据对模型进行训练优化，得到训练好的深度卷积生成对抗网络模型，通过所述训练好的深度卷积生成对抗网络模型生成得到高频图片；将所述高频图片叠加到所述原始图片上进行图像锐化，得到最终的锐化图片。2.根据权利要求1所述的方法，其特征在于，对所述图像数据进行预处理，并将预处理后的数据进行比例划分，构建得到数据集包括：预设高斯滤波器掩膜的尺寸参数和标准差参数，通过构建好的高斯滤波器对原始图片进行卷积处理，生成得到低频图片；将所述原始图片和所述低频图片均以预设比例进行训练集、测试集划分，得到所述数据集，其中，训练集中的图片数量大于测试集中的图片数量。3.根据权利要求1所述的方法，其特征在于，所述构建深度卷积生成对抗网络模型包括：设置生成器损失函数，并自定义构建生成器的卷积神经网络结构，得到卷积神经网络生成器，通过所述卷积神经网络生成器将数据集中噪声随机分布的采样图片映射为高频图片，并将所述高频图片与数据集中的低频图片叠加，生成得到新图片，其中，生成器损失函数计算公式如下：其中， 为噪声z的分布，E为期望，为原始图片经高斯滤波器卷积后得到的低频图片，G为生成器，D为判别器，G(z)为噪声经生成器映射转化后得到的高频图片；设置判别器损失函数，并自定义构建判别器的卷积神经网络结构，得到卷积神经网络判别器，通过所述卷积神经网络判别器区分新图片和原始图片，其中，判别器损失函数计算公式如下：其中，为真实的原始图片数据x的概率分布，为噪声z的分布，E为期望，为原始图片经高斯滤波器卷积后得到的低频图片，G为生成器，D为判别器，G(z)为噪声经生成器映射转化后得到的高频图片。4.根据权利要求3所述的方法，其特征在于，通过数据集中的图像数据对模型进行训练优化，得到训练好的深度卷积生成对抗网络模型包括：通过数据集中的原始图片训练集数据和新图片训练判别器，使模型的判别器损失函数达到最大；固定判别器，将数据集中噪声随机分布的采样图片和低频图片输入生成器中，生成得到高...
【专利技术属性】
技术研发人员：肖传宝，邹健飞，冯上栋，
申请(专利权)人：杭州魔点科技有限公司，
类型：发明
国别省市：
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。