一种图像处理方法、系统、存储介质及电子设备技术方案

本申请公开了一种图像处理方法、系统、存储介质及电子设备，获取待处理文档图像，通过预先部署在嵌入式设备中的图像增强模型，对待处理文档图像进行清晰度增强操作，得到增强后的文档图像，图像增强模型通过预训练操作得到，预训练操作为减少图像增强模型的推理时间、降低图像增强模型的模型功耗和提高图像增强模型的精度的操作，图像增强模型通过预设部署方式部署在嵌入式设备中，预设部署方式为提高图像增强模型的计算效率和减少图像增强模型在嵌入式设备中的内存占用率的部署方式。型在嵌入式设备中的内存占用率的部署方式。型在嵌入式设备中的内存占用率的部署方式。

【技术实现步骤摘要】
一种图像处理方法、系统、存储介质及电子设备


[0001]本申请涉及文档图像增强
，更具体地说，涉及一种图像处理方法、系统、存储介质及电子设备。

技术介绍

[0002]在日常工作和生活中，我们经常需要拍摄文档图像，例如合同、发票、证书等。由于拍摄条件的限制，这些文档图像可能存在一定程度的阴影、模糊、噪声、失真等问题，从而降低了图像的质量和可读性，给后续的处理和使用带来了不便。因此，需要对图像进行增强来提高图像的清晰度、质量和可读性。
[0003]现有对图像进行增强的方式需要高性能计算机或专用硬件的支持，或者现有对图像进行增强的方式对图像进行增强的效果差，算法鲁棒性差等，从而无法适应特殊场景的阴影和模糊问题，导致图像不清晰。
[0004]因此，如何提高图像的清晰度、质量和可读性，是本申请亟需解决的问题。

技术实现思路

[0005]有鉴于此，本申请公开了一种图像处理方法、系统、存储介质及电子设备，旨在通过部署在嵌入式设备中的图像增强模型对待处理文档图像进行清晰度增强操作，得到增强后的文档图像，从而提高图像的清晰度、质量和可读性。
[0006]为了实现上述目的，其公开的技术方案如下：
[0007]本申请第一方面公开了一种图像处理方法，所述方法包括：
[0008]获取待处理文档图像；
[0009]通过预先部署在嵌入式设备中的图像增强模型，对所述待处理文档图像进行清晰度增强操作，得到增强后的文档图像；所述图像增强模型通过预训练操作得到；所述预训练操作为减少图像增强模型的推理时间、降低图像增强模型的模型功耗和提高图像增强模型的精度的操作；所述图像增强模型通过预设部署方式部署在嵌入式设备中；所述预设部署方式为提高图像增强模型的计算效率和减少图像增强模型在嵌入式设备中的内存占用率的部署方式。
[0010]优选的，还包括：
[0011]获取训练数据集；
[0012]所述获取训练数据集，包括：
[0013]获取符合预设清晰条件的训练图片集；
[0014]对所述训练图片集随机添加阴影、模糊和/或噪声的退化效果，得到对比图片集；
[0015]对所述对比图片集进行数据增强处理，得到数据增强后的图片集；
[0016]通过统一尺寸处理方式，对所述数据增强后的图片集进行尺寸统一，得到训练数据集。
[0017]优选的，图像增强模型的预训练操作的过程，包括：
[0018]构建轻量级导向残差网络模型和重量级导向残差网络模型；
[0019]对所述轻量级导向残差网络模型和所述重量级导向残差网络模型进行模型剪枝操作；所述模型剪枝操作用于减少模型推理时间和降低模型功耗；
[0020]通过模型剪枝操作后的重量级导向残差网络模型，对模型剪枝操作后的轻量级导向残差网络模型进行模型蒸馏；所述模型蒸馏用于提高模型剪枝操作后的轻量级导向残差网络模型的精度；
[0021]通过绝对值均值误差损失函数、多尺度结构相似性损失函数和所述训练数据集，对模型剪枝操作后的重量级导向残差网络模型和模型蒸馏后的轻量级导向残差网络模型进行模型训练，得到图像增强模型。
[0022]优选的，所述图像增强模型通过预设部署方式部署在嵌入式设备中的过程，包括：
[0023]通过深度学习预测框架，对图形增强模型的模型格式进行转换，得到模型格式转换后的图形增强模型；
[0024]对所述图像增强模型进行模型量化；所述模型量化用于提高图像增强模型的计算效率和减少图像增强模型在嵌入式设备中的内存占用率；
[0025]在嵌入式设备中创建独立进程；所述独立进程为与嵌入式设备的程序主进程相互隔离的独立进程；
[0026]将所述独立进程作为模型推理进程，并通过所述模型推理进程将模型量化后的图像增强模型部署在嵌入式设备中。
[0027]优选的，在所述获取待处理文档图像之后，所述通过预先部署在嵌入式设备中的图像增强模型，对所述待处理文档图像进行清晰度增强操作，得到增强后的文档图像之前，还包括：
[0028]对所述待处理文档图像进行图像预处理；
[0029]对所述待处理文档图像进行图像预处理的过程，包括：
[0030]对所述待处理文档图像进行文档自动框选和文档方向调整。
[0031]优选的，还包括：
[0032]通过嵌入式设备将增强后的文档图像进行展示。
[0033]优选的，还包括：
[0034]生成对应的应用程序，并将所述应用程序运行在嵌入式设备中以执行图像处理。
[0035]本申请第二方面公开了一种图像处理系统，所述系统包括：
[0036]第一获取单元，用于获取待处理文档图像；
[0037]操作单元，用于通过预先部署在嵌入式设备中的图像增强模型，对所述待处理文档图像进行清晰度增强操作，得到增强后的文档图像；所述图像增强模型通过预训练操作得到；所述预训练操作为减少图像增强模型的推理时间、降低图像增强模型的模型功耗和提高图像增强模型的精度的操作；所述图像增强模型通过预设部署方式部署在嵌入式设备中；所述预设部署方式为提高图像增强模型的计算效率和减少图像增强模型在嵌入式设备中的内存占用率的部署方式。
[0038]本申请第三方面公开了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如第一方面任意一项所述的图像处理方法。
[0039]本申请第四方面公开了一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如第一方面任意一项所述的图像处理方法。
[0040]经由上述技术方案可知，本申请公开了一种图像处理方法、系统、存储介质和电子设备，获取待处理文档图像，通过预先部署在嵌入式设备中的图像增强模型，对待处理文档图像进行清晰度增强操作，得到增强后的文档图像，图像增强模型通过预训练操作得到，预训练操作为减少图像增强模型的推理时间、降低图像增强模型的模型功耗和提高图像增强模型的精度的操作，图像增强模型通过预设部署方式部署在嵌入式设备中，预设部署方式为提高图像增强模型的计算效率和减少图像增强模型在嵌入式设备中的内存占用率的部署方式。通过上述方案，无需额外的高性能计算机或专用硬件对图像进行增强来提高图像的清晰度，只需将对图像增强模型进行预训练操作，使得预训练操作后的图像增强模型能直接对含有阴影、模糊、噪声等问题的文档图像进行阴影去除、噪声去除和清晰度增强，并且通过对图像增强模型进行预训练操作来减少模型推理时间，使图像增强模型保留较好的鲁棒性，通过提高图像增强模型的计算效率和减少图像增强模型在嵌入式设备中的内存占用率的预设部署方式，将预训练操作后的图像增强模型在手机等嵌入式设备中进行部署，并通过部署在嵌入式设备中的图像增强模型对待处理文档图像进行清晰度增强操作，得到增强后的文档图像，从而提高图像的清晰度、质量和可读性。
附图说明
[00本文档来自技高网...

【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，所述方法包括：获取待处理文档图像；通过预先部署在嵌入式设备中的图像增强模型，对所述待处理文档图像进行清晰度增强操作，得到增强后的文档图像；所述图像增强模型通过预训练操作得到；所述预训练操作为减少图像增强模型的推理时间、降低图像增强模型的模型功耗和提高图像增强模型的精度的操作；所述图像增强模型通过预设部署方式部署在嵌入式设备中；所述预设部署方式为提高图像增强模型的计算效率和减少图像增强模型在嵌入式设备中的内存占用率的部署方式。2.根据权利要求1所述的方法，其特征在于，还包括：获取训练数据集；所述获取训练数据集，包括：获取符合预设清晰条件的训练图片集；对所述训练图片集随机添加阴影、模糊和/或噪声的退化效果，得到对比图片集；对所述对比图片集进行数据增强处理，得到数据增强后的图片集；通过统一尺寸处理方式，对所述数据增强后的图片集进行尺寸统一，得到训练数据集。3.根据权利要求2所述的方法，其特征在于，图像增强模型的预训练操作的过程，包括：构建轻量级导向残差网络模型和重量级导向残差网络模型；对所述轻量级导向残差网络模型和所述重量级导向残差网络模型进行模型剪枝操作；所述模型剪枝操作用于减少模型推理时间和降低模型功耗；通过模型剪枝操作后的重量级导向残差网络模型，对模型剪枝操作后的轻量级导向残差网络模型进行模型蒸馏；所述模型蒸馏用于提高模型剪枝操作后的轻量级导向残差网络模型的精度；通过绝对值均值误差损失函数、多尺度结构相似性损失函数和所述训练数据集，对模型剪枝操作后的重量级导向残差网络模型和模型蒸馏后的轻量级导向残差网络模型进行模型训练，得到图像增强模型。4.根据权利要求1所述的方法，其特征在于，所述图像增强模型通过预设部署方式部署在嵌入式设备中的过程，包括：通过深度学习预测框架，对图形增强模型的模型格式进行转换，得到模型格式转换后的图形增强模型；对所述图像增强模型进行模型量化；所述模型量化用于提高图像增强模...

【专利技术属性】
技术研发人员：石剑锋，刘罡，
申请(专利权)人：武汉网幂科技有限公司，
类型：发明
国别省市：