图像处理方法、装置、存储介质和电子设备制造方法及图纸

本申请提供一种图像处理方法、装置、存储介质和电子设备，其中，方法包括将第一图像输入第一神经网络模型，获得第一图像的特征图；将特征图输入第二神经网络模型，获得第二图像。其中，第二图像的清晰度高于第一图像，第一神经网络模型包括用于确定特征图的图像尺寸的第一卷积网络和至少一个用于特征提取的第二卷积网络，第二神经网络模型为对应第一神经网络模型设置的解码模型。本申请实施例提供的方法提高了图像处理的效率。方法提高了图像处理的效率。方法提高了图像处理的效率。

【技术实现步骤摘要】
图像处理方法、装置、存储介质和电子设备


[0001]本申请涉及人工智能
，尤其涉及一种图像处理方法、装置、存储介质和电子设备。

技术介绍

[0002]图像是我们生活中不可或缺的一部分，由于图像捕获过程中的曝光时间较长、拍摄设备不稳定等原因，会导致图像模糊，对图像进行去模糊处理即恢复图像清晰边缘结构和真实细节是亟待解决的问题。
[0003]目前，通过深度学习对图像进行去模糊处理的方法过于复杂，导致图像处理的效率较低。

技术实现思路

[0004]本申请实施例提供一种图像处理方法、装置、存储介质和电子设备，提高了图像处理的效率。
[0005]为达到上述目的，第一方面，本申请实施例提供一种图像处理方法，包括：
[0006]将第一图像输入第一神经网络模型，获得所述第一图像的特征图；
[0007]将所述特征图输入第二神经网络模型，获得第二图像；
[0008]其中，所述第二图像的清晰度高于所述第一图像，所述第一神经网络模型包括用于确定所述特征图的图像尺寸的第一卷积网络和至少一个用于特征提取的第二卷积网络，所述第二神经网络模型为对应所述第一神经网络模型设置的解码模型。
[0009]第二方面，本申请实施例提供一种图像处理装置，包括：
[0010]第一获取模块，用于将第一图像输入第一神经网络模型，获得所述第一图像的特征图；
[0011]第二获取模块，用于将所述特征图输入第二神经网络模型，获得第二图像；
[0012]其中，所述第二图像的清晰度高于所述第一图像，所述第一神经网络模型包括用于确定所述特征图的图像尺寸的第一卷积网络和至少一个用于特征提取的第二卷积网络，所述第二神经网络模型为对应所述第一神经网络模型设置的解码模型。
[0013]第三方面，本申请实施例提供一种电子设备，包括处理器、存储器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，所述计算机程序被所述处理器执行时实现如第一方面所述的图像处理方法中的步骤。
[0014]第四方面，本申请实施例提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如第一方面所述的图像处理方法中的步骤。
[0015]本申请实施例中，将第一图像输入第一神经网络模型，获得第一图像的特征图，再将特征图输入第二神经网络模型，可以获得清晰度高于第一图像第二图像。通过使第一神经网络模型包括用于确定特征图的图像尺寸的第一卷积网络和至少一个用于特征提取的第二卷积网络，第二神经网络模型为对应第一神经网络模型设置的解码模型，可以简化深
度学习对图像进行去模糊处理的方法，从而提高图像处理的效率。
附图说明
[0016]为了更清楚的说明本申请实施例中的技术方案，现对说明书附图作如下说明，显而易见地，下述附图仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据所列附图获得其他附图。
[0017]图1是本申请实施例提供的图像处理方法的流程示意图之一；
[0018]图2是本申请实施例提供的第一神经网络模型的结构示意图；
[0019]图3是本申请实施例提供的图像处理方法的流程示意图之二；
[0020]图4是本申请实施例提供的第二神经网络模型的结构示意图；
[0021]图5是本申请实施例提供的图像处理方法的流程示意图之三；
[0022]图6是本申请实施例提供的图像处理方法的流程示意图之四；
[0023]图7为本申请实施例提供的图像处理装置的结构示意图；
[0024]图8为本申请实施例提供的电子设备的结构示意图。
具体实施方式
[0025]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。在本申请中的实施例的基础上，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0026]本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
[0027]在本申请实施例中，“示例性地”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性地”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性地”或者“例如”等词旨在以具体方式呈现相关概念。
[0028]以下对本申请实施例提供的图像处理方法进行说明。
[0029]参见图1，图1是本申请实施例提供的图像处理方法的流程示意图之一。图1所示的图像处理方法可以由终端执行。
[0030]如图1所示，图像处理方法可以包括以下步骤：
[0031]步骤101，将第一图像输入第一神经网络模型，获得所述第一图像的特征图；
[0032]第一图像为需进行去模糊处理的图像。第一图像的类型可以为红绿蓝(RGB)图像，也可以为亮度、灰度和饱和度(YUV)图像。
[0033]现有技术中，图像处理方法仅针对RGB图像进行图像去模糊处理，本申请实施例提供的方法通过上述第一神经网络模型和第二神经网络模型进行图像处理，不但可以对RGB
图像进行去模糊处理，还可对YUV图像进行去模糊处理，增强了图像处理方法的通用性。这样，在实际应用中，不再需要将图像信号处理器(ISP)产生的YUV图像转换成RGB图像后再进行图像去模糊处理，可以直接采用本申请实施例提供的方法对ISP采样后的图像进行图像去模糊处理。
[0034]获取第一图像的方式包括但不限于：
[0035]方式一：通过图像采集设备捕获第一图像；
[0036]方式二：从预先存储有图像的存储介质中读取获得第一图像。
[0037]实际应用时，在方式一中，图像的捕获过程并不完美，即使在最佳捕获条件下，由于曝光时间过长，图像采集设备不稳定或者图像采集设备设置不当等原因，会导致捕获的图像模糊。
[0038]在方式二中，从存储介质中读取的图像也可能会存在清晰程度不高，图像较为模糊的问题。
[0039]上述第一神经网络模型包括用于确定所述特征图的图像尺寸的第一卷积网络和至少一个用于特征提取的第二卷积网络。
[0040]具体实现时，在第一神经网络模型只包括一个第二卷积网络的情况下，首先将第一图像输入第一卷积网络，然后将第一卷积网络的输出结果输入第二卷积网络，由第二卷积网络输出特征图。
[0041]在第一神经网络模型包括多个第二卷积网络的本文档来自技高网...

【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，包括：将第一图像输入第一神经网络模型，获得所述第一图像的特征图；将所述特征图输入第二神经网络模型，获得第二图像；其中，所述第二图像的清晰度高于所述第一图像，所述第一神经网络模型包括用于确定所述特征图的图像尺寸的第一卷积网络和至少一个用于特征提取的第二卷积网络，所述第二神经网络模型为对应所述第一神经网络模型设置的解码模型。2.根据权利要求1所述的方法，其特征在于，所述将第一图像输入第一神经网络模型，获得所述第一图像的特征图，包括：利用所述第一卷积网络对所述第一图像的图像尺寸进行变换，获得第三图像；利用至少一个所述第二卷积网络对所述第三图像进行特征提取，获得所述特征图，其中，所述特征图的图像尺寸与所述第三图像的图像尺寸相同。3.根据权利要求2所述的方法，其特征在于，所述第二卷积网络包括第一个第二卷积网络和第二个第二卷积网络，所述利用至少一个所述第二卷积网络对所述第三图像进行特征提取，获得所述特征图，包括：利用第一个第二卷积网络对所述第三图像进行特征提取，获得第一特征图，其中，所述第一特征图的图像尺寸与所述第三图像的图像尺寸相同；利用第二个第二卷积网络对所述第一特征图进行特征提取，获得所述特征图，所述特征图的特征信息多于所述第一特征图的特征信息。4.根据权利要求3所述的方法，其特征在于，第一个第二卷积网络包括串联的第一子卷积网络和第二子卷积网络，所述利用第一个第二卷积网络对所述第三图像进行特征提取，获得第一特征图，包括：利用所述第一子卷积网络对所述第三图像进行特征提取，获得第四特征图；利用所述第二子卷积网络对所述第四特征图进行特征提取，获得第五特征图，所述第五特征图的特征信息多于所述第四特征图的特征信息；根据所述第三图像和所述第五特征图，确定所述第一特征图。5.根据权利要求1所述的方法，其特征在于，所述第二神经网络模型包括第三卷积网络和至少一个第四卷积网络，所述将所述特征图输入第二神经网络模型，获得第二图像，包括：利用所述第三卷积网络对所述特征图的图像尺寸进行逆变换，获得第二特征图，所述第二特征图的图像尺寸和所述第一图像的图像尺寸相同；利用所述至少一个第四卷积网络对所述第二特征图进行...

【专利技术属性】
技术研发人员：滕运来，冯俊兰，邓超，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：