CN109816620B - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN109816620B CN109816620B CN201910098569.9A CN201910098569A CN109816620B CN 109816620 B CN109816620 B CN 109816620B CN 201910098569 A CN201910098569 A CN 201910098569A CN 109816620 B CN109816620 B CN 109816620B
- Authority
- CN
- China
- Prior art keywords
- image
- degraded
- characteristic
- kernel
- degradation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,所述方法包括:估计第一图像的退化模糊核特征,所述退化模糊核特征表示模拟第一图像的退化方式的退化模型中的退化模糊核;根据所述退化模糊核特征对所述第一图像进行图像重构,得到第二图像,其中,所述第二图像的分辨率高于所述第一图像。本公开实施例能够利用估计得到的退化模糊核特征对图像质量较低的第一图像进行处理,使得处理完成的第二图像的图像质量更高,所呈现的视觉效果更好。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
图像超分辨是计算机视觉领域的重要问题,通过算法对输入的低分辨率图像进行处理,得到高质量高分辨率图像。图像超分辨率在很多领域有重要应用,如安防监控领域,数码摄像领域以及医学图像处理领域。
然而,相关技术中基于深度学习的超分辨技术都假设低分辨率图像可以由已知的下采样方式得到(大多由高分辨率图像经过双三次下采样得到),但在实际应用中低分辨率图像的退化方式可能并不符合双三次下采样,因此这些算法对真实数据的超分辨率效果有限。
发明内容
本公开提出了一种图像处理方法及装置、电子设备和存储介质。
根据本公开的一方面,提供了一种图像处理方法,包括:估计第一图像的退化模糊核特征,所述退化模糊核特征表示模拟第一图像的退化方式的退化模型中的退化模糊核;根据所述退化模糊核特征对所述第一图像进行图像重构,得到第二图像,其中,所述第二图像的分辨率高于所述第一图像。
在一种可能的实现方式中,所述根据所述退化模糊核特征对所述第一图像进行图像重构之前,还包括:校正所述退化模糊核特征;其中,所述根据所述退化模糊特征对所述第一图像进行图像重构,得到第二图像,包括:根据校正后的退化模糊核特征对所述第一图像进行图像重构,得到第二图像。
在一种可能的实现方式中,所述方法通过图像处理网络实现,所述图像处理网络包括退化模糊核估计子网络,所述退化模糊核估计子网络至少包括第一卷积层和第一池化层;估计第一图像的退化模糊核特征,包括:将所述第一图像输入至所述第一卷积层,得到第一特征图;将所述第一特征图输入至所述第一池化层得到所述退化模糊核特征。
在一种可能的实现方式中,所述图像处理网络包括非盲超分辨子网络和退化模糊核迭代校正子网络,其中,所述校正所述退化模糊核特征,包括:在当前一次校正中,将所述第一图像和退化模糊核特征输入至非盲超分辨子网络,得到中间图像,将所述退化模糊核特征和中间图像输入至所述退化模糊核迭代校正子网络,得到残差特征;根据残差特征对所述退化模糊核特征进行校正,将校正后的退化模糊核特征用于下一次校正,直至达到预设的校正次数。
在一种可能的实现方式中,所述退化模糊核迭代校正子网络至少包括第二卷积层、第三卷积层、全连接层和第二池化层,其中,将所述退化模糊核特征和中间图像输入至所述退化模糊核迭代校正子网络,得到残差特征,包括:将中间图像输入至第二卷积层,得到第二特征图;将退化模糊核特征输入至全连接层,得到所述全连接层的输出结果,并对所述输出结果进行维度变换,得到第三特征图;融合所述第二特征图和的第三特征图得到融合结果,将所述融合结果输入至所述第三卷积层得到第四特征图;将所述第四特征图输入所述第二池化层得到残差特征。
在一种可能的实现方式中,所述方法还包括:将达到预设的校正次数时获得的中间图像确定为所述第二图像。
根据本公开的一方面,提供了一种图像处理装置,包括:特征估计模块,用于估计第一图像的退化模糊核特征,所述退化模糊核特征表示模拟第一图像的退化方式的退化模型中的退化模糊核;图像重构模块,用于根据所述退化模糊核特征对所述第一图像进行图像重构,得到第二图像,其中,所述第二图像的分辨率高于所述第一图像。
在一种可能的实现方式中,图像处理装置还包括:特征校正模块,根据所述退化模糊核特征对所述第一图像进行图像重构之前,校正所述退化模糊核特征;其中,图像重构模块包括:图像重构子模块,根据校正后的退化模糊核特征对所述第一图像进行图像重构,得到第二图像。
在一种可能的实现方式中,所述图像处理装置通过图像处理网络实现,所述图像处理网络包括退化模糊核估计子网络,所述退化模糊核估计子网络至少包括第一卷积层和第一池化层;特征估计模块包括:第一卷积子模块,用于将所述第一图像输入至所述第一卷积层,得到第一特征图;第一池化子模块,用于将所述第一特征图输入至所述第一池化层得到所述退化模糊核特征。
在一种可能的实现方式中,所述图像处理网络包括非盲超分辨子网络和退化模糊核迭代校正子网络,其中,特征校正模块包括:中间图像确定子模块,用于在当前一次校正中,将所述第一图像和退化模糊核特征输入至非盲超分辨子网络,得到中间图像,残差特征确定子模块,用于将所述退化模糊核特征和中间图像输入至所述退化模糊核迭代校正子网络,得到残差特征;特征校正子模块,用于根据残差特征对所述退化模糊核特征进行校正,将校正后的退化模糊核特征用于下一次校正,直至达到预设的校正次数。
在一种可能的实现方式中,所述退化模糊核迭代校正子网络至少包括第二卷积层、第三卷积层、全连接层和第二池化层,其中,残差特征确定子模块包括:第二卷积子模块,用于将中间图像输入至第二卷积层,得到第二特征图;维度变换子模块,用于将退化模糊核特征输入至全连接层,得到所述全连接层的输出结果,并对所述输出结果进行维度变换,得到第三特征图;特征融合子模块,用于融合所述第二特征图和的第三特征图得到融合结果,将所述融合结果输入至所述第三卷积层得到第四特征图;第二卷积子模块,用于将所述第四特征图输入所述第二池化层得到残差特征。
在一种可能的实现方式中,图像处理装置还包括:图像确定模块,用于将达到预设的校正次数时获得的中间图像确定为所述第二图像。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:执行上述图像处理方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述图像处理方法。
在本公开实施例中,根据本公开的实施例的图像处理方法,能够利用预设的退化参数对图像质量较低的第一图像进行处理,使得处理完成的第二图像的图像质量更高,所呈现的视觉效果更好。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图。
图2示出根据本公开实施例的图像处理方法中图像重构操作的场景示意图。
图3示出根据本公开实施例的图像处理方法的流程图。
图4示出根据本公开实施例的图像处理方法所采用的退化模糊核估计子网络的使用场景示意图。
图5示出根据本公开实施例的图像处理方法所采用的退化模糊核迭代校正子网络的使用场景示意图。
图6示出根据本公开实施例的图像处理装置的框图。
图7示出根据本公开实施例的一种电子设备的框图。
图8示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像处理方法的流程图。该图像处理方法可以由终端设备或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中,该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示,所述方法包括:
步骤S11,估计第一图像的退化模糊核特征。其中,所述退化模糊核特征表示模拟第一图像的退化方式的退化模型中的退化模糊核。
其中,所述第一图像可以是分辨率较低的、具有噪声的、所呈现图像较为模糊的图像。所述第一图像可以是由图像采集设备(例如摄像头)采集的某一区域(例如商场入口、道路路口等)的场景图像,也可以是直接输入的已保存的图像或者视频帧。
本实现方式中,高分辨率图像经退化模型可得到低分辨率图像,例如第一图像。而退化模型中的退化模糊核(特征)可以用于表示第一图像的图像质量的需要改善的程度,因此,可以利用所述退化模糊核(特征)改善第一图像的图像质量(例如降低噪声、提高清晰度等)。在另外的实现方式中,可以通过调整退化模糊核(特征)来改变改善后的第一图像的图像质量。
在一种可能的实现方式中,退化模型和退化模糊核(特征)可以根据具体使用需求来设定,以下是退化模型和退化模糊核(特征)的一个示例。
其中,k用于表示退化模糊核特征,↓用于表示下采样,n表示噪声参数。x表示退化前的图像,y表示退化后的图像。
在一种可能的实现方式中,可以利用深度学习技术估计(预测)第一图像的模糊程度,进而得到退化模糊核(特征)。作为示例,估计第一图像的退化模糊核特征过程中,可以先提取第一图像中例如图像纹理、图像色彩、图像尺寸、图像风格、图像噪声、清晰度或分辨率等特征,进而根据提取到的特征估计该退化模糊核特征。
在本公开的实现方式中,通过图像处理方法可以实现低分辨图像(例如第一图像)的超分辨重建过程,得到高质量的高分辨率图像(例如第二图像)。
步骤S12,根据所述退化模糊核特征对所述第一图像进行图像重构,得到第二图像。
其中,第二图像的分辨率高于所述第一图像。所述分辨率用于表示单位面积中所包含的像素点的数量,分辨率越高,图像越清晰。
在本实现方式中,所得到的第二图像的图像质量高于第一图像的图像质量,图像质量除通过分辨率来体现之外,也可通过噪声等其他参数体现,例如,第二图像的分辨率高于第一图像且第二图像中的噪声低于第一图像的噪声。
在本实现方式中,所述根据所述退化模糊核特征对所述第一图像进行图像重构,得到第二图像,包括:对第一图像进行特征提取,得到第一图像的多个第一中间特征;根据退化模糊核特征对所述多个第一中间特征进行特征变换,得到多个第二中间特征;基于所述多个第二中间特征进行图像重构,得到第二图像。
在一种可能的实现方式中,可以利用尺度不变特征转换(Scale-InvariantFeature Transform,SIFT)、加速稳健特征(Speeded-Up Robust Features,SURF)等特征提取方法对第一图像进行特征提取,以得到第一图像的多个第一中间特征。本公开对特征提取的具体方式不做限制。
在一种可能的实现方式中,每一个第一中间特征都可以看作第一图像的某一项特征,例如,其中一个第一中间特征可以用于表示第一图像的纹理,另外一个第一中间特征可以用于表示第一图像的色彩。本实现方式中对第一图像进行特征提取所得到的多个第一中间特征中可包括第一图像的全部特征。
在一种可能的实现方式中,特征变换的过程可以理解为利用退化模糊核特征与用于表示第一中间特征的特征值进行运算的过程,以使得经过特征变换后得到的第二中间特征具备了通过退化模糊核特征完成改善的信息。
在一种可能的实现方式中,第二中间特征的数量是第一中间特征数量的N倍,其中,N为大于或等于1的整数,N值越大,所得到的第二图像的清晰度越高,N值越小,所得到的第二图像的清晰度越低。
在本实现方式中,图像重构的过程可以理解为将多个第二中间特征整合成一个第二图像的过程,使得各个第二中间特征所要表示的特征可以在第二图像呈现。
在一种可能的实现方式中,第一图像的尺寸和第二图像的尺寸可以根据该图像处理方法的使用场景任意设定,本实现方式中对此不作具体限定。
根据本公开的实施例的图像处理方法,能够利用预设的退化参数对图像质量较低的第一图像进行处理,使得处理完成的第二图像的图像质量更高,第二图像所呈现的视觉效果更好。
在一种可能的实现方式中,所述基于所述第二中间特征进行图像重构,得到第二图像,包括:重新排列多个第二中间特征中的像素,得到中间图像;对所述中间图像进行尺寸变换,得到第二图像。
本实现方式中,重新排列像素的过程,可以理解为将多个第二中间特征的中的各个像素点整合到一个图像(下称重排图像)的过程,使得重排图像中包括了各个第二中间特征所要表示的特征。重排图像和第二图像可均包括第二中间特征中的全部像素点,本实现方式中,重排图像中像素点的个数是第二中间特征中像素点数量的总和,重排图像中像素点的个数与第二图像中像素点的个数相同。
图2示出根据本公开实施例的图像处理方法中图像重构操作的场景示意图。
作为示例,如图2所示,第二中间特征21的维度为2×2×4(即4个尺寸为2,2×2的第二特征图像),重排图像22的维度为4×4×1(即1个尺寸为4×4的中间图像),像素排列过程中,可以将4个第二中间特征的第一个像素(像素1、2、3、4)排列于重排图像的对应于第二中间特征的第一个像素的区域23,进而得到重排图像左上角的尺寸为2×2的区域23。
在一种可能的实现方式中,重排图像的尺寸大于第一图像的尺寸,尺寸变换可以是尺寸缩放,用于缩放中间图像的尺寸,使得缩放后得到的第二图像的尺寸满足要求,例如与第一图像的尺寸相同。举例来说,如果第二图像的尺寸与第一图像相同,由于第二图像中像素点的个数多于第一图像中像素点的个数,因此第二图像的分辨率高于第一图像的分辨率。
根据本公开的实施例的图像重构的操作,可以得到尺寸满足要求(例如与第一图像相同)且分辨率高于第一图像的第二图像。
在一种可能的实现方式中,第一图像的尺寸和第二图像的尺寸可以根据该图像处理方法的使用场景任意设定,本实现方式中对此不作具体限定。
根据本公开的实施例的图像处理方法,能够利用估计得到的退化模糊核特征对图像质量较低的第一图像进行处理,使得处理完成的第二图像的图像质量更高,第二图像所呈现的视觉效果更好。
图3示出根据本公开实施例的图像处理方法的流程图。如图3所示,图像处理方法包括:
步骤S21,估计第一图像的退化模糊核特征。
步骤S22,根据所述退化模糊核特征对所述第一图像进行图像重构之前,校正所述退化模糊核特征。
在一些实施例中,通过步骤11的操作得到的退化模糊核特征可能是不准确的,该种情况下则无法直接利用估计得到的退化模糊核特征,进一步得到较高质量的第二图像。作为示例,当估计得到的退化模糊核特征较小时,通过该退化模糊核特征处理得到的第二图像会比较模糊,图像梯度较小;当估计得到的退化模糊核特征较大时,第二图像会出现振铃现象(例如图像边缘过重),图像梯度较大,不符合自然图像梯度的分布规律。该种情况下,则需要对估计得到的退化模糊核特征进行校正,以保证用于图像重构的退化模糊核特征可以更好的处理第一图像,以得到更为清晰、分辨率更高的第二图像。
因此在对退化模糊核特征的校正过程,当估计得到的退化模糊核特征较小时,校正退化模糊核特征的过程中会逐渐增大退化模糊核特征,通过该退化模糊核特征得到第二图像较清晰,图像梯度较大;反之,当估计得到的退化模糊核特征较大时,校正退化模糊核特征的过程中会逐渐减小退化模糊核特征,使通过该退化模糊核特征得到第二图像的图像边缘模糊化,图像梯度也较小,使得第二图像更加符合自然图像梯度的分布规律。
举例来说,如果退化模糊核特征以向量表示,可以以向量的模来衡量退化模糊核特征的大小。
在一种可能的实现方式中,可以会对退化模糊核特征校正多次,每一次校正过程中,都可以改变退化模糊核特征。
步骤S23,根据校正后的退化模糊核特征对所述第一图像进行图像重构,得到第二图像。
本实现方式中,步骤S23中图像重构操作与步骤S12中图像重构操作可以是相同的,关于步骤S23中图像重构操作的阐述可以参考步骤S12中的内容,此处不再赘述。
通过本实现方式中利用校正后的退化模糊核特征对第一图像进行图像重构,可以得到呈现视觉效果更好的第二图像。
在一种可能的实现方式中,所述方法通过图像处理网络实现,所述图像处理网络包括退化模糊核估计子网络,所述退化模糊核估计子网络至少包括第一卷积层和第一池化层;估计第一图像的退化模糊核特征,包括:将所述第一图像输入至所述第一卷积层,得到第一特征图;将所述第一特征图输入至所述第一池化层得到所述退化模糊核特征。
其中,第一卷积层用于对第一图像进行特征提取,第一池化层用于对第一特征图进行全局估计。
第一特征图可以用于表达第一图像的特征(例如图像纹理、图像色彩、图像尺寸或图像风格等特征)。在提取到第一特征图后,可以基于第一池化层保留第一特征图中更为细节、准确的特征信息,进而基于该特征信息确定退化模糊核特征。
本实现方式中,如图4所示,退化模糊核估计子网络可以由四个第一卷积层42和一个第一池化层(未示出)组成。在利用退化模糊核估计子网络估计第一图像的退化模糊核特征的过程中,可以先将第一图像41输入至第一卷积层42进行卷积处理,得到第一特征图43,将所述第一特征图43输入至所述第一池化层(未示出)进行维度压缩,得到退化模糊核特征。
在一种可能的实现方式中,第一池化层包括全局池化层。这样设置的好处在于,可以降低退化模糊核估计过程中的运算量。
在一种可能的实现方式中,所述图像处理网络包括非盲超分辨子网络和退化模糊核迭代校正子网络,其中,所述校正所述退化模糊核特征,包括:在当前一次校正中,将所述第一图像和退化模糊核特征输入至非盲超分辨子网络,得到中间图像,将所述退化模糊核特征和中间图像输入至所述退化模糊核迭代校正子网络,得到残差特征;根据残差特征对所述退化模糊核特征进行校正,将校正后的退化模糊核特征用于下一次校正,直至达到预设的校正次数。
其中,非盲超分辨子网络用于根据估计得到(或每一次校正后)的退化模糊核特征对第一图像进行超分辨率处理,得到中间图像,其中,中间图像的图像质量高于第一图像的图像质量。非盲超分辨子网络的工作方式可以参见对步骤S12的描述。
本实现方式中,残差特征可以理解为估计得到的退化模糊核特征与校正之后的退化模糊核特征之间的差距。根据残差特征和估计得到的退化模糊核特征可以确定校正之后的退化模糊核特征。例如,可将残差特征和估计得到的退化模糊核特征叠加得到校正之后的退化模糊核特征。本公开不限制具体的校正方式。
本实现方式中,退化模糊核迭代校正子网络用于根据估计得到的(或者校正后的)退化模糊核特征和第一图像(或者校正过程中产生的中间图像)校正退化模糊核特征。
在一种可能的实现方式中,所述退化模糊核迭代校正子网络至少包括第二卷积层、第三卷积层、全连接层和第二池化层,其中,将所述退化模糊核特征和中间图像输入至所述退化模糊核迭代校正子网络,得到残差特征,包括:将中间图像输入至第二卷积层,得到第二特征图;将退化模糊核特征输入至全连接层,得到所述全连接层的输出结果,并对所述输出结果进行维度变换,得到第三特征图;融合所述第二特征图和的第三特征图得到融合结果,将所述融合结果输入至所述第三卷积层得到第四特征图;将所述第四特征图输入所述第二池化层得到残差特征。
其中,第二卷积层和第三卷积层用于对输入信息的特征提取,第二池化层用于对第四特征图进行全局估计。
对于维度变换,可以包括长度、宽度和通道数的缩放,通过维度变换可以将一个特征矩阵收缩为一个特征向量,也可以是将一个特征向量拉伸为一个特征矩阵,也可以增大或缩小通道数。
在一种可能的实现方式中,退化模糊核特征可以是维度为X×1×1的特征向量,将退化模糊核特征输入至全连接层,得到所述全连接层的输出结果可以是X×Y×1的特征图,本实现方式可以通过维度拉伸的方法使输出结果(维度为X×Y×1的特征图)变为维度为X×Y×Z的第三特征图。其中,X、Y和Z为大于或等于1的整数,分别用于表示第三特征图的宽、高和通道数量。例如,可将输出结果(维度为X×Y×1的特征图)复制Z次,得到Z个X×Y的特图,并分别连接各个特征图得到X×Y×Z的第三特征图像。
对退化模糊核特征进行维度变换,是为了使得到的第三特征图像能够与第二特征图像融合。在一种可能的实现方式中,可以通过维度变换使得第三特征图像的个数(通道数)与第二特征图像相同,高度或宽度中的任意一者相同,以便于融合。
其中,融合变换可以通过拼接所述第二特征图和第三特征图实现,本实现方式中,第二特征图的通道数可与第三特征图相同,即每一个第二特征图都可以具有一个与其对应的第二特征图,并可沿高度或宽度方向进行拼接,即实现融合。第二特征图的宽度可与第三特征图相同,二者的高度是否相同不做限制,这样相应的第二特征图和第三特征图可以沿宽度方向拼接。或者,第二特征图的高度可与第三特征图相同,二者的宽度是否相同不做限制,这样,相应的第二特征图和第三特征图可以沿高度方向拼接。
举例来说,第二特征图的维度为X×Y×Z,对全连接层的输出结果进行维度变换后得到的第三特征图的维度为W×Y×Z,在特征融合的过程中,可以沿高度对相应的第二特征图和第三特征图进行拼接,得到维度为(X+W)×Y×Z的融合结果。
本实现方式中,可以对退化模糊核特征迭代校正多次,以进一步提高第二图像的呈现效果。作为示例,退化模糊核迭代校正子网络的执行过程可以通过图5示出。
如图5所示,在得到估计得到的退化模糊核特征之后,退化模糊核特征估计子网络首先会将估计得到的退化模糊核特征发送至非盲超分辨子网络(未示出),非盲超分辨子网络(未示出)会根据估计得到的退化模糊核特征和第一图像得到中间图像51,并将中间图像51发送至退化模糊核迭代校正子网络;在对退化模糊核特征迭代校正过程中,非盲超分辨子网络会将中间图像51发送至退化模糊核迭代校正子网络中的第二卷积层52,得到第二特征图53,同时将退化模糊核特征44发送至全连接层45,得到第二特征图的中间向量fh,并对fh进行维度拉伸得到第三特征图46,融合第二特征图53和第三特征图46,得到融合结果(未示出),并将融合结果发送至第二卷积层54,第二卷积层对融合结果进行卷积操作得到第四特征图55,并将第四特征图发送至第二池化层(未示出),得到残差特征56。根据残差特征56对所述退化模糊核特征44进行校正,将校正后的退化模糊核特征和第一图像再次输入非盲超分辨子网络,开始下一次的矫正,直至满足校正条件,则将最后一次迭代过程中的中间图像51确定为所述第二图像。
在一种可能的实现方式中,在一种可能的实现方式中,将达到预设的校正次数时获得的中间图像确定为所述第二图像。
其中,校正次数可以根据具体的使用场景进行任意设定,作为示例,可以在将退化模糊核特征迭代五次得到的中间图像确定为第二图像。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图6示出根据本公开实施例的图像处理装置的框图,如图6所示,所述图像处理装置包括:
特征估计模块61,用于估计第一图像的退化模糊核特征,所述退化模糊核特征表示模拟第一图像的退化方式的退化模型中的退化模糊核;
图像重构模块62,用于根据所述退化模糊核特征对所述第一图像进行图像重构,得到第二图像,其中,所述第二图像的分辨率高于所述第一图像。
在一种可能的实现方式中,图像处理装置还包括:特征校正模块,根据所述退化模糊核特征对所述第一图像进行图像重构之前,校正所述退化模糊核特征;其中,图像重构模块包括:图像重构子模块,根据校正后的退化模糊核特征对所述第一图像进行图像重构,得到第二图像。
在一种可能的实现方式中,所述图像处理装置通过图像处理网络实现,所述图像处理网络包括退化模糊核估计子网络,所述退化模糊核估计子网络至少包括第一卷积层和第一池化层;特征估计模块包括:第一卷积子模块,用于将所述第一图像输入至所述第一卷积层,得到第一特征图;第一池化子模块,用于将所述第一特征图输入至所述第一池化层得到所述退化模糊核特征。
在一种可能的实现方式中,所述图像处理网络包括非盲超分辨子网络和退化模糊核迭代校正子网络,其中,特征校正模块包括:中间图像确定子模块,用于在当前一次校正中,将所述第一图像和退化模糊核特征输入至非盲超分辨子网络,得到中间图像,残差特征确定子模块,用于将所述退化模糊核特征和中间图像输入至所述退化模糊核迭代校正子网络,得到残差特征;特征校正子模块,用于根据残差特征对所述退化模糊核特征进行校正,将校正后的退化模糊核特征用于下一次校正,直至达到预设的校正次数。
在一种可能的实现方式中,所述退化模糊核迭代校正子网络至少包括第二卷积层、第三卷积层、全连接层和第二池化层,其中,残差特征确定子模块包括:第二卷积子模块,用于将中间图像输入至第二卷积层,得到第二特征图;维度变换子模块,用于将退化模糊核特征输入至全连接层,得到所述全连接层的输出结果,并对所述输出结果进行维度变换,得到第三特征图;特征融合子模块,用于融合所述第二特征图和的第三特征图得到融合结果,将所述融合结果输入至所述第三卷积层得到第四特征图;第二卷积子模块,用于将所述第四特征图输入所述第二池化层得到残差特征。
在一种可能的实现方式中,图像处理装置还包括:图像确定模块,用于将达到预设的校正次数时获得的中间图像确定为所述第二图像。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
图7是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图7,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图8,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
估计第一图像的退化模糊核特征,所述退化模糊核特征表示模拟第一图像的退化方式的退化模型中的退化模糊核;
根据所述退化模糊核特征对所述第一图像进行图像重构,得到第二图像,
其中,所述第二图像的分辨率高于所述第一图像;
所述根据所述退化模糊核特征对所述第一图像进行图像重构之前,还包括:校正所述退化模糊核特征;
所述根据所述退化模糊核特征对所述第一图像进行图像重构,得到第二图像,包括:根据校正后的退化模糊核特征对所述第一图像进行图像重构,得到所述第二图像;
所述方法通过图像处理网络实现,所述图像处理网络包括非盲超分辨子网络和退化模糊核迭代校正子网络;
所述校正所述退化模糊核特征,包括:
在当前一次校正中,将所述第一图像和退化模糊核特征输入至非盲超分辨子网络,得到中间图像;
将所述退化模糊核特征和中间图像输入至所述退化模糊核迭代校正子网络,得到残差特征;
根据残差特征对所述退化模糊核特征进行校正,将校正后的退化模糊核特征用于下一次校正,直至达到预设的校正次数。
2.根据权利要求1所述的方法,其特征在于,所述图像处理网络包括退化模糊核估计子网络,所述退化模糊核估计子网络至少包括第一卷积层和第一池化层;
所述估计第一图像的退化模糊核特征,包括:
将所述第一图像输入至所述第一卷积层,得到第一特征图;
将所述第一特征图输入至所述第一池化层得到所述退化模糊核特征。
3.根据权利要求1所述的方法,其特征在于,所述退化模糊核迭代校正子网络至少包括第二卷积层、第三卷积层、全连接层和第二池化层,
其中,将所述退化模糊核特征和中间图像输入至所述退化模糊核迭代校正子网络,得到残差特征,包括:
将中间图像输入至第二卷积层,得到第二特征图;
将退化模糊核特征输入至全连接层,得到所述全连接层的输出结果,并对所述输出结果进行维度变换,得到第三特征图;
融合所述第二特征图和的第三特征图得到融合结果,将所述融合结果输入至所述第三卷积层得到第四特征图;
将所述第四特征图输入所述第二池化层得到残差特征。
4.根据权利要求1至3中任意一项所述的方法,其特征在于,还包括:
将达到预设的校正次数时获得的中间图像确定为所述第二图像。
5.一种图像处理装置,其特征在于,包括:
特征估计模块,用于估计第一图像的退化模糊核特征,所述退化模糊核特征表示模拟第一图像的退化方式的退化模型中的退化模糊核;
图像重构模块,用于根据所述退化模糊核特征对所述第一图像进行图像重构,得到第二图像,其中,所述第二图像的分辨率高于所述第一图像;
图像处理装置还包括:特征校正模块,根据所述退化模糊核特征对所述第一图像进行图像重构之前,校正所述退化模糊核特征;
图像重构模块包括:图像重构子模块,根据校正后的退化模糊核特征对所述第一图像进行图像重构,得到第二图像;
所述图像处理装置通过图像处理网络实现,所述图像处理网络包括非盲超分辨子网络和退化模糊核迭代校正子网络,
特征校正模块包括:
中间图像确定子模块,用于在当前一次校正中,将所述第一图像和退化模糊核特征输入至非盲超分辨子网络,得到中间图像,
残差特征确定子模块,用于将所述退化模糊核特征和中间图像输入至所述退化模糊核迭代校正子网络,得到残差特征;
特征校正子模块,用于根据残差特征对所述退化模糊核特征进行校正,将校正后的退化模糊核特征用于下一次校正,直至达到预设的校正次数。
6.根据权利要求5所述的装置,其特征在于,所述图像处理网络包括退化模糊核估计子网络,所述退化模糊核估计子网络至少包括第一卷积层和第一池化层;
特征估计模块包括:
第一卷积子模块,用于将所述第一图像输入至所述第一卷积层,得到第一特征图;
第一池化子模块,用于将所述第一特征图输入至所述第一池化层得到所述退化模糊核特征。
7.根据权利要求5所述的装置,其特征在于,所述退化模糊核迭代校正子网络至少包括第二卷积层、第三卷积层、全连接层和第二池化层,
其中,残差特征确定子模块包括:
第二卷积子模块,用于将中间图像输入至第二卷积层,得到第二特征图;
维度变换子模块,用于将退化模糊核特征输入至全连接层,得到所述全连接层的输出结果,并对所述输出结果进行维度变换,得到第三特征图;
特征融合子模块,用于融合所述第二特征图和的第三特征图得到融合结果,将所述融合结果输入至所述第三卷积层得到第四特征图;
第二卷积子模块,用于将所述第四特征图输入所述第二池化层得到残差特征。
8.根据权利要求5至7中任意一项所述的装置,其特征在于,图像处理装置还包括:
图像确定模块,用于将达到预设的校正次数时获得的中间图像确定为所述第二图像。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至4中任意一项所述的图像处理方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910098569.9A CN109816620B (zh) | 2019-01-31 | 2019-01-31 | 图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910098569.9A CN109816620B (zh) | 2019-01-31 | 2019-01-31 | 图像处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109816620A CN109816620A (zh) | 2019-05-28 |
CN109816620B true CN109816620B (zh) | 2021-01-05 |
Family
ID=66606232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910098569.9A Active CN109816620B (zh) | 2019-01-31 | 2019-01-31 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816620B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111223040B (zh) * | 2020-01-09 | 2023-04-25 | 北京市商汤科技开发有限公司 | 网络训练方法及装置、图像生成方法及装置 |
CN113177890B (zh) * | 2021-04-27 | 2023-04-18 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101742050A (zh) * | 2009-12-03 | 2010-06-16 | 浙江大学 | 针对运动模糊核空间移变的tdiccd图像复原方法 |
CN102355589A (zh) * | 2011-10-26 | 2012-02-15 | 西安电子科技大学 | 基于参数自优化多群粒子群优化的视频超分辨重建方法 |
CN102752484A (zh) * | 2012-06-25 | 2012-10-24 | 清华大学 | 一种快速非全局一致图像抖动模糊去除算法及其*** |
CN107424119A (zh) * | 2017-04-12 | 2017-12-01 | 广西大学 | 一种单图像的超分辨率方法 |
CN107578388A (zh) * | 2017-09-11 | 2018-01-12 | 陕西美星恒祺新能源科技有限公司 | 一种提高基于光电联合变换相关器的图像去模糊精度方法 |
JP2018028868A (ja) * | 2016-08-19 | 2018-02-22 | 正浩 小林 | 画像復元方法 |
CN108305230A (zh) * | 2018-01-31 | 2018-07-20 | 上海康斐信息技术有限公司 | 一种模糊图像综合处理方法和*** |
CN108765280A (zh) * | 2018-03-30 | 2018-11-06 | 徐国明 | 一种高光谱图像空间分辨率增强方法 |
CN108805808A (zh) * | 2018-04-04 | 2018-11-13 | 东南大学 | 一种利用卷积神经网络提高视频分辨率的方法 |
CN108961186A (zh) * | 2018-06-29 | 2018-12-07 | 赵岩 | 一种基于深度学习的老旧影片修复重制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8594464B2 (en) * | 2011-05-26 | 2013-11-26 | Microsoft Corporation | Adaptive super resolution for video enhancement |
-
2019
- 2019-01-31 CN CN201910098569.9A patent/CN109816620B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101742050A (zh) * | 2009-12-03 | 2010-06-16 | 浙江大学 | 针对运动模糊核空间移变的tdiccd图像复原方法 |
CN102355589A (zh) * | 2011-10-26 | 2012-02-15 | 西安电子科技大学 | 基于参数自优化多群粒子群优化的视频超分辨重建方法 |
CN102752484A (zh) * | 2012-06-25 | 2012-10-24 | 清华大学 | 一种快速非全局一致图像抖动模糊去除算法及其*** |
JP2018028868A (ja) * | 2016-08-19 | 2018-02-22 | 正浩 小林 | 画像復元方法 |
CN107424119A (zh) * | 2017-04-12 | 2017-12-01 | 广西大学 | 一种单图像的超分辨率方法 |
CN107578388A (zh) * | 2017-09-11 | 2018-01-12 | 陕西美星恒祺新能源科技有限公司 | 一种提高基于光电联合变换相关器的图像去模糊精度方法 |
CN108305230A (zh) * | 2018-01-31 | 2018-07-20 | 上海康斐信息技术有限公司 | 一种模糊图像综合处理方法和*** |
CN108765280A (zh) * | 2018-03-30 | 2018-11-06 | 徐国明 | 一种高光谱图像空间分辨率增强方法 |
CN108805808A (zh) * | 2018-04-04 | 2018-11-13 | 东南大学 | 一种利用卷积神经网络提高视频分辨率的方法 |
CN108961186A (zh) * | 2018-06-29 | 2018-12-07 | 赵岩 | 一种基于深度学习的老旧影片修复重制方法 |
Non-Patent Citations (8)
Title |
---|
Accurate Blur Models vs. Image Priors in Single Image Super-Resolution;Netalee Efrat等;《2013 IEEE International Conference on Computer Vision》;20140303;第2832-2839页 * |
CVPR 2018|Poster论文:处理多种退化类型的卷积超分辨率;机器之心Pro;《https://baijiahao.***.com/s?id=1600363106494311145&wfr=spider&for=pc》;20180513;第1页 * |
Image Super-Resolution Using Deep Convolutional Networks;Chao Dong等;《IEEE Transactions on Pattern Analysis and Machine Intelligence》;20160201;第38卷(第2期);第295-307页 * |
Learning a Deep Convolutional Network for Image Super-Resolution;Youngjin Yoon等;《2015 IEEE International Conference on Computer Vision Workshop (ICCVW)》;20160215;第57-65页 * |
Learning a single convolutional super-resolution network for multiple degradations;Kai Zhang等;《2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition》;20181217;第1节第3段,第3.3节第1段,第3.4节第1-3段,第4.1节第1-8段,图2,图3 * |
Nonparametric Blind Super-Resolution;Tomer Michaeli等;《2013 IEEE International Conference on Computer Vision》;20140303;第945-952页 * |
Recovering realistic texture in image super-resolution by deep spatial feature transform;Xintao Wang等;《2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition》;20181217;第606-615页 * |
Zero-shot super-resolution using deep internal learning;Assaf Shocher等;《2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition》;20181217;第3118-3126页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109816620A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348537B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109118430B (zh) | 超分辨率图像重建方法及装置、电子设备及存储介质 | |
CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN110060215B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111445414B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN108900903B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN110675355B (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN110619610B (zh) | 图像处理方法及装置 | |
CN109840890B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113706421B (zh) | 一种图像处理方法及装置、电子设备和存储介质 | |
CN111369482B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113139947A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
KR102366995B1 (ko) | 이미지 처리 모델의 훈련 방법, 장치 및 매체 | |
CN112634160A (zh) | 拍照方法及装置、终端、存储介质 | |
CN110415258B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110874809A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113012052B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109816620B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
WO2023019870A1 (zh) | 视频处理方法及装置、电子设备、存储介质、计算机程序、计算机程序产品 | |
CN110458771B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111583142A (zh) | 图像降噪方法及装置、电子设备和存储介质 | |
CN113160039B (zh) | 图像风格迁移方法、装置、电子设备及存储介质 | |
CN111553865B (zh) | 图像修复方法及装置、电子设备和存储介质 | |
CN112837237A (zh) | 视频修复方法及装置、电子设备和存储介质 | |
CN112749709A (zh) | 图像处理方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |