【技术实现步骤摘要】
图像处理方法、装置、电子设备及计算机可读存储介质
[0001]本申请涉及神经网络
,尤其涉及一种图像处理方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]随着神经网络的高速发展,在当前的图像超级分辨率重建过程中,常常采用深度学习的方法。
[0003]相较于传统算法,深度学习网络能通过学习图像中的特征映射准确恢复图像像素之间的信息,因此可以在低分辨率的图像上提供更多的细节和锐度。虽然深度学习网络在图像超级分辨率重建上有很大的潜力,但超分网络模型受制于手机端硬件,一般都采用轻量级的模型,然而,轻量级模型都是偏向浅层的,难以有效的学习图像中的特征映射,特别是在处理一些图像的高频特征时会导致低分辨率图像的锐度和细节难以提升,从而导致图像模糊和细节丢失;同时,由于图像处理中使用的传统超分网络模型常用域迁移方法去分开处理图像中的高频和低频特征,但这种方法会花费很大的算力,不适合在轻量级模型上使用。
[0004]因此,需要提出一种图像处理方法,以减少在处理图像特征时的运算时间,并缓解图像模糊和细节丢失的问题。
技术实现思路
[0005]本申请提供一种图像处理方法、装置、电子设备及计算机可读存储介质,用于缓解图像模糊和细节丢失的问题。
[0006]为了解决上述技术问题,本申请提供以下技术方案:
[0007]本申请提供一种图像处理方法,包括:
[0008]调用训练后的超分重建神经网络中的向量提取模块对获得的待处理图像进行向量提取处理,得到待处理图像的第一特征 ...
【技术保护点】
【技术特征摘要】
1.一种图像处理方法,其特征在于,包括:调用训练后的超分重建神经网络中的向量提取模块对获得的待处理图像进行向量提取处理,得到所述待处理图像的第一特征向量和第二特征向量,所述第一特征向量和所述第二特征向量所处的频域不同;通过所述训练后的超分重建神经网络对所述第一特征向量和所述第二特征向量进行重建处理,得到所述待处理图像对应的超分重建图像。2.根据权利要求1所述的方法,其特征在于,所述通过所述训练后的超分重建神经网络对所述第一特征向量和所述第二特征向量进行重建处理,得到所述待处理图像对应的超分重建图像,包括:通过所述训练后的超分重建神经网络中的特征映射模块分别对所述第一特征向量和所述第二特征向量进行特征映射处理,得到第一输出特征和第二输出特征;通过所述训练后的超分重建神经网络中的特征重建模块对所述第一输出特征和所述第二输出特征进行超分重建,得到所述待处理图像对应的超分重建图像。3.根据权利要求1所述的方法,其特征在于,所述调用训练后的超分重建神经网络中的向量提取模块对获得的待处理图像进行向量提取处理,得到所述待处理图像的第一特征向量和第二特征向量之前,还包括:获取第一训练集、第二训练集和初始超分重建神经网络;根据所述第一训练集对所述初始超分重建神经网络进行预训练,得到第一超分重建神经网络;根据所述第二训练集对所述第一超分重建神经网络进行二次训练,得到所述训练后的超分重建神经网络。4.根据权利要求3所述的方法,其特征在于,所述根据所述第一训练集对所述初始超分重建神经网络进行预训练,得到第一超分重建神经网络,包括:获取目标损失函数和网络参数的初始值;将所述第一训练集中的第一目标图像输入到所述初始超分重建神经网络中进行处理,输出第一超分重建图像;根据所述第一超分重建图像和所述目标训练集中的第二目标图像,确定所述目标损失函数的函数值,并根据所述目标损失函数的函数值更新所述网络参数;在所述目标损失函数的函数值停止下降时停止网络训练,得到第一超分重建神经网络。5.根据权利要求4所述的方法,其特征在于,所述获取目标损失函数,包括:获取第一损失函数、第二损失函数以及第三损失函数;获取第一权重、第二权重以及第三权重;根据所述第一权重和所述第一损失函数、所述第二权重和所述第二损失函数以及所述第三权重和所述第三损失函数,确定目标损失函数。6.根据权利要求1所述的方法,其特征在于,所述向量提取模块包括特征提取模块和收缩模块,所述调用训练后的超分重建神经网络中的向量提取模块对获得的待处理图像进行向量提取处理,得到所述待处理图像的第一特征向量和第二特征向量,包括:通过训练后的超分重建神经网络中的特征提取模块对获得的待处理图像进行特征提
取,得到所述待处理图像的第一特征子向量和第二特征子向量;通过所述训练后的超分重建神经网络中的收缩模块对所述第一特征子向量和所述第二特征子向量进行降维处理,得到所述...
【专利技术属性】
技术研发人员:梁昊竣,刘健威,苗欢,刘杰,
申请(专利权)人:TCL科技集团股份有限公司,
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。