CN111046893B - 图像相似性确定方法和装置、图像处理方法和装置 - Google Patents
图像相似性确定方法和装置、图像处理方法和装置 Download PDFInfo
- Publication number
- CN111046893B CN111046893B CN201811189157.8A CN201811189157A CN111046893B CN 111046893 B CN111046893 B CN 111046893B CN 201811189157 A CN201811189157 A CN 201811189157A CN 111046893 B CN111046893 B CN 111046893B
- Authority
- CN
- China
- Prior art keywords
- image data
- similarity
- loss function
- channel
- reconstructed image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003672 processing method Methods 0.000 title abstract description 13
- 238000012545 processing Methods 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 150
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000006835 compression Effects 0.000 description 15
- 238000007906 compression Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 15
- 230000008447 perception Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种图像相似性确定方法和装置、图像处理方法和装置,其中,该图像相似性确定方法包括:生成双通道灰度图像数据,其中,该双通道灰度图像数据包括第一通道的灰度原始图像数据和第二通道的灰度重建图像数据;计算该双通道灰度图像数据的第一相似度,根据该第一相似度确定第一损失函数,其中,该第一损失函数与该第一相似度成反比;计算该原始图像数据和该重建图像数据的像素级第二相似度,根据该第二相似度确定第二损失函数;根据该第一损失函数和该第二损失函数确定表示该原始图像数据和该重建图像数据相似度的损失函数。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种图像相似性确定方法和装置、图像处理方法和装置。
背景技术
近年来,随着人工神经网络的发展,在图像压缩领域,渐渐使用人工神经网络取代手工线性变换(例如联合图像专家小组JPEG)的处理方式,即使用学习的编码器函数取代分析变换,使用学习的解码器函数取代合成变换,上述解码器例如,生成对抗式网络(Generative Adversarial Network,GAN),变分编码器(Variational Auto-encoder,VAE),最近的研究表明,通过深度卷积网络中的特征图能够有效的获取图像的纹理信息。
GAN多用于图像的生成,GAN中包括两个网络,一个是生成网络G,一个是判别器网络D,生成网络G主要用来学习真实图像分布,从而让生成的图像更加真实,以骗过判别器,判别器网络D需要对生成的图像进行真假判别,在训练过程中,生成网络输入一个噪声变量z,输出生成的图像数据g(z;θg),判别器网络输入原始图像以及生成的图像数据g(z;θg),输出的结果为置信度d(x;θd),生成器和判别器不断进行抵抗,最终两个网络达到动态均衡,生成器生成的图像接近于真实图像分布,判别器识别不出真假图像。
传统的图像质量评价方法可以分为客观和主观两类,在训练阶段,传统的图像压缩算法可以最大限度的减少像素级损失度量(客观评价,例如均方误差MSE),由此获得良好的峰值信噪比特征,但由于高频分量的损耗(模糊),会导致图像在感知上不真实,为了更准确的评价图像质量,可以将图像感知质量作为附加的损失度量(主观评价)。
应该注意,上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明,并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
现有的主观评价方法,即在计算图像感知的损失度量时,将原始图像和重建图像作为孪生神经网络的两个输入,根据该孪生神经网络分别提取原始图像的特征向量和重建图像的特征向量,计算两个特征向量的相似度函数(例如计算特征向量的距离度量),将该相似度函数确定为该图像感知的损失度量。
发明人发现,在该方法中,该孪生神经网络对于原始图像和重建图像的特征提取过程是独立的,因此计算该相似度函数的时间较长,且由于特征提取是独立进行的,因此,无法体现原始图像和重建图像的相关性,无法直观的反映出原始图像和重建图像各个对应位置的像素之间的语义相似度,计算精度不够准确。
本发明实施例提出了一种图像相似性确定方法和装置、图像处理方法和装置,解决现有技术中存在的问题,并且,可以根据该损失函数训练用于图像压缩的神经网络的参数,使得该原始图像数据和该重建图像数据相似度变高,提高重建图像(压缩图像)的质量。
根据本发明实施例的第一个方面,提供了一种图像相似性确定装置,其中,该装置包括:
生成单元,其用于生成双通道灰度图像数据,其中,该双通道灰度图像数据包括第一通道的灰度原始图像数据和第二通道的灰度重建图像数据;
第一计算单元,其用于计算该双通道灰度图像数据的第一相似度,根据该第一相似度确定第一损失函数,其中,该第一损失函数与该第一相似度成反比;
第二计算单元,其用于计算该原始图像数据和该重建图像数据的像素级第二相似度,根据该第二相似度确定第二损失函数;
确定单元,其用于根据该第一损失函数和该第二损失函数确定表示该原始图像数据和该重建图像数据相似度的损失函数。
根据本发明实施例的第二个方面,提供了一种图像处理装置,其中,该装置包括:
编码器,其用于将输入的原始图像数据转化为特征向量;
解码器,其用于将该特征向量转化为重建图像数据;
前述第一个方面所述的图像相似性确定装置,其用于计算该原始图像数据和该重建图像数据的损失函数;
处理单元,其用于根据所述损失函数,训练所述编码器的参数,根据训练后的参数,所述编码器和所述解码器生成新的重建图像数据,所述图像相似性确定装置重新计算所述新的重建图像数据和所述原始图像数据的损失函数,直至重新计算得到的损失函数表示所述原始图像数据和所述新的重建图像数据相似度大于等于第一阈值。
根据本发明实施例的第三个方面,提供了一种图像相似性确定方法,其中,该方法包括:
生成双通道灰度图像数据,其中,该双通道灰度图像数据包括第一通道的灰度原始图像数据和第二通道的灰度重建图像数据;
计算该双通道灰度图像数据的第一相似度,根据该第一相似度确定第一损失函数,其中,该第一损失函数与该第一相似度成反比;
计算该原始图像数据和该重建图像数据的像素级第二相似度,根据该第二相似度确定第二损失函数;
根据该第一损失函数和该第二损失函数确定表示该原始图像数据和该重建图像数据相似度的损失函数。
本发明实施例的有益效果在于,通过将原始图像和重建图像作为一个双通道图像,根据该双通道图像计算原始图像和重建图像的感知级损失函数,并根据该感知级损失函数以及像素级损失函数确定最终的损失函数,该确定方法节省计算时间,且提高相似度的计算精度,解决现有技术中存在的问题,并且,可以根据该损失函数训练用于图像压缩的神经网络的参数,使得该原始图像数据和该重建图像数据相似度变高,提高重建图像(压缩图像)的质量。
参照后文的说明和附图,详细公开了本发明的特定实施方式,指明了本发明的原理可以被采用的方式。应该理解,本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内,本发明的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在,但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
参照以下的附图可以更好地理解本发明的很多方面。附图中的部件不是成比例绘制的,而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分,附图中对应部分可能被放大或缩小。在本发明的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。此外,在附图中,类似的标号表示几个附图中对应的部件,并可用于指示多于一种实施方式中使用的对应部件。
在附图中:
图1是本实施例1中图像相似性确定方法流程图;
图2是本实施例1中卷积神经网络结构示意图;
图3是本实施例2中图像处理***架构示意图;
图4是本实施例2中图像处理方法流程图;
图5是本实施例2中解码器对应的卷积神经网络结构示意图;
图6是本实施例3中图像相似性确定装置示意图;
图7是本实施例4中图像处理装置示意图。
图8是本实施例5中电子设备硬件构成示意图。
具体实施方式
参照附图,通过下面的说明书,本发明实施例的前述以及其它特征将变得明显。这些实施方式只是示例性的,不是对本发明的限制。为了使本领域的技术人员能够容易地理解本发明的原理和实施方式,本发明实施例以图像压缩处理的重建图像为例进行说明,但可以理解,本发明实施例并不限于此,基于其他图像处理的重建图像也在本发明的包含范围内。
下面参照附图对本发明的具体实施方式进行说明。
实施例1
本实施例1提供一种图像相似性确定方法,图1是该方法流程图,如图1所示,该方法包括:
步骤101,生成双通道灰度图像数据,其中,该双通道灰度图像数据包括第一通道的灰度原始图像数据和第二通道的灰度重建图像数据;
步骤102,计算该双通道灰度图像数据的第一相似度,根据该第一相似度确定第一损失函数,其中,该第一损失函数与该第一相似度成反比;
步骤103,计算该原始图像数据和该重建图像数据的像素级第二相似度,根据该第二相似度确定第二损失函数;
步骤104,根据该第一损失函数和该第二损失函数确定表示该原始图像数据和该重建图像数据相似度的损失函数。
为了更好的说明上述步骤101-104,以下先对部分特征进行解释说明。
在本实施例中,损失函数又可以叫做评价函数,用于评估重建图像和原始图像不一致(或一致)的程度,也是神经网络中优化的目标函数,神经网络训练或者优化的过程就是最小化损失函数的过程,损失函数越小,表示重建图像和原始图像的相似度越高。
在本实施例中,在图像处理领域,例如图像压缩,可以看作是码率以及图像压缩失真程度的一种折中,该图像压缩失真程度可以看作是重建图像(压缩图像)和原始图像的相似度程度(损失函数表示),相似度越高,表示重建图像质量越高,在评价重建图像质量时,本实施例结合了主观度量和客观度量两类因素确定损失函数,由此,使得评价结果更加准确,提高重建图像的置信度。
一方面,针对主观度量,即本实施例中感知级第一损失函数,其可以反映重建图像的内容损失和风格损失,该感知级第一损失函数可以反映重建图像和原始图像在语义(感知特征)上的相似程度。
以下结合步骤101-102说明如何计算该感知级第一损失函数。
在本实施例中,在步骤101中,将灰度原始图像和灰度重建图像合并生成一个双通道灰度图像,灰度原始图像数据和灰度重建图像数据分别看作该一张图像的两个通道的数据。该原始图像和重建图像的尺寸(X×Y,X表示图像的长度方向的像素数,Y表示图像的宽度方向的像素数)大小相同。
例如,针对灰度原始图像数据,其可以表示为二维单通道矩阵V1,ay,x表示像素位置为(y,x)的像素的灰度值,针对灰度重建图像数据,其可以表示为二维单通道矩阵V2,by,x表示像素位置为(y,x)的像素的灰度值,具体如下:
在本实施例中,将矩阵V1和V2合并生成一个双通道灰度图像,其可以表示为二维双通道矩阵V3:
在本实施例中,在步骤101前,该方法还可以包括(可选,未图示):
步骤100,将该原始图像数据转化为灰度原始图像数据,将该重建图像数据转化为灰度重建图像数据,该步骤100中灰度处理的方法可以参考现有技术,例如将图像中每个像素对应的三个颜色分量使用加权平均值法进行加权求和,得到该像素的灰度值,具体不再赘述。
在步骤102中,使用卷积神经网络计算该双通道灰度图像数据的第一相似度,图2是该卷积神经网络结构示意图,以下结合图2说明如何计算该第一相似度。
如图2所示,该卷积神经网络包括底层的多个卷积层,修正线性单元ReLU,最大池化层,以及高层的全连接层,将步骤101中生成的上述灰度双通道图像数据作为该卷积神经网络的输入,即将上述矩阵V3作为该卷积神经网络的输入,经过该卷积神经网络底层的第一层卷积处理后,该灰度原始图像数据和灰度重建图像数据就进行了相关的加权组合并映射,这表示在经过第一次卷积后,灰度原始图像数据和灰度重建图像数据就联系(关联)在一起,经过底层处理后,经过高层的全连接层后,输出的神经元个数为1,输出结果表示该第一相似度S1,例如,该第一相似度可以是0~1之内的分数,该双通道图像数据的第一相似度的具体算法以及该卷积神经网络的参数可以参考现有技术,例如,卷积核大小为3×3等,本实施例并不以此作为限制。
在本实施例中,在步骤102中,根据该第一相似度确定感知级损失函数(第一损失函数),该第一损失函数与该第一相似度成反比;即第一相似度越高,该第一损失函数越小,该第一相似度越低,该第一损失函数越大,将该损失函数作为神经网络(例如GAN)优化的目标函数,获取满足预定条件的损失函数时,表示得到的重建图像与原始图像的相似度大于等于第一阈值。
在本实施例中,根据基于该双通道图像数据计算的第一相似度来计算感知级第一损失函数,该感知级第一损失函数能够更加直观的反映出原始图像和重建图像的语义(感知)关联性以及语义(感知)相似度,且感知相似度计算时间更短,计算准确性更高。
在一个实施方式中,该第一损失函数perceptualloss等于该第一相似度的对数的相反数,具体如下公式1)所示:
perceptualloss=-logS1 公式1)
在该实施方式中,例如该第一相似度S1可以是0~1之内的分数,在S1越接近1时,perceptualloss越接近0,表示原始图像和重建图像相似度高,重建图像失真度低,反之,在S1越接近0时,perceptualloss越接大,表示原始图像和重建图像相似度低,重建图像失真度高。
在一个实施方式中,该第一损失函数等于该第一相似度的对数的倒数,即该第一损失函数与该第一相似度成反比;即第一相似度越高,该第一损失函数越小,该第一相似度越低,该第一损失函数越大。
上述两个实施方式仅为两个示例,本实施例并不以此作为限制,该第一损失函数与该第一相似度成反比的各种实施方式都在本实施例的保护范围内。
一方面,针对客观度量,即本实施例中像素级第二损失函数,可以反映原始图像和重建图像在像素值上的差异,无法反映人眼的视觉感知特性。
以下结合步骤103说明如何计算该像素级第二损失函数。
在步骤103中,该像素级第二相似度为均方误差或多层级结构相似性,将该像素级第二相似度作为该第二损失函数。
例如,计算原始图像数据和重建图像数据的均方误差(MSE),将该像素级第二相似度作为该第二损失函数pixelloss,即计算原始图像数据和重建图像数据各个对应位置像素值的欧式距离平方的均值,具体如下公式2)所示:
例如,计算原始图像数据和重建图像数据的多层级结构相似性,具体如下公式3)所示:该多层级结构相似性的具体计算过程可以参考现有技术,此处不再赘述。
其中,x表示重建图像数据的RGB值,表示原始图像数据的RGB值,其中 越大表示相似度越高,即重建图像的失真越小,反之表示相似度越低,即重建图像的失真越大。
上述两个实施方式仅为两个示例,本实施例并不以此作为限制,现有的图像评价时的客观度量,即像素级的相似度实施方式都在本实施例的保护范围内。
在本实施例中,并不限定步骤101-102以及步骤103的执行顺序。
在本实施例中,在步骤104中,计算第一损失函数与第一权重λ1的第一乘积,以及第二损失函数与第二权重λ2的第二乘积;计算该第一乘积和该第二乘积的和,将该和确定为该损失函数具体可以参考如下公式4):
在本实施例中,第一权重λ1以及第二权重λ2可以根据需要确定,λ1与λ2的和为1,本实施例并不以此作为限制。
在本实施例中,该损失函数包含了像素级的客观度量和感知级的主观度量,将该损失函数作为神经网络(例如GAN)的优化目标,可以进一步提高重建图像的置信度。
由此,通过将原始图像和重建图像作为一个双通道图像,根据该双通道图像计算原始图像和重建图像的感知级损失函数,并根据该感知级损失函数以及像素级损失函数确定最终的损失函数,该确定方法节省计算时间,且提高相似度的计算精度,解决现有技术中存在的问题,可以进一步提高重建图像的置信度。
实施例2
在本实施例中,提供一种基于该GAN的图像处理方法,基于GAN的生成器(解码器)前加入编码器,原始图像经过编码器得到特征向量,以此作为解码器的输入得到重建图像。
图3是该基于GAN的图像处理(压缩)***架构示意图,如图3所示,首先对GAN进行训练,用其生成器来初始化压缩***的解码器,原始图像x经过该编码器fθ得到特征向量Z,解码器gφ基于特征向量Z得到重建图像计算该原始图像数据和该重建图像数据的损失函数来训练编码器的网络参数;更新网络的参数θ,生成新的重建图像数据,重新计算该损失函数,重复上述过程,直至优化后的损失函数满足预定条件,即表示该原始图像数据和该重建图像数据相似度大于等于第一阈值,换句话说重建后的图像质量高。
本实施例2提供了一种图像处理方法,利用实施例1中的损失函数训练用于图像压缩的神经网络的参数,使得该原始图像数据和该重建图像数据相似度变高,即提高重建图像(压缩图像)的质量。
图4是该图像处理方法流程图,如图4所示,该方法包括:
步骤401,利用编码器将输入的原始图像数据转化为特征向量;
步骤402,利用解码器将该特征向量转化为重建图像数据;
步骤403,计算该原始图像数据和该重建图像数据的损失函数;
步骤404,根据该损失函数,训练该编码器的参数,生成新的重建图像数据,并重新计算该新的重建图像数据和该原始图像数据的损失函数,直至重新计算得到的损失函数表示该原始图像数据和该新的重建图像数据相似度大于等于第一阈值。
在本实施例中,步骤402中解码器可以采用卷积神经网络实现,图5是该解码器对应的卷积神经网络示意图,如图5所示,特征向量作为输入,经过四层反向卷积(CONV1,CONV2,CONV3,CONV4)得到重建图像,该卷积神经网络结构可以参考现有技术中深度卷积对抗生成网络(DCGAN),该解码器可以参考该DCGAN的生成器,图5中的stride2是卷积层的参数,表示步长,此处不再一一赘述。
在本实施例中,可以使用现有技术的方法,利用与判别器网络相关的对抗损失函数预先对该解码器进行训练,得到该解码器的参数,例如,可以使用如下公式5)的对抗损失函数来训练该解码器的参数:
在公式5)中,由两项构成,x表示原始图像,Z表示输入生成网络G(解码器)的噪声,而g(z)表示生成网络G生成的图像,d(x)表示判别网络D判断原始图像是否是真实的概率。而d(g(z))是判别网络D判断重建图像g(z)是否真实的概率。
该公式5)表示,由于神经网络训练(解码器参数训练)的过程就是最小化损失函数5)的过程,生成网络G希望d(g(z))尽可能得大(越大表示图像越真实,真实表示图像越相似),这时L(D,G)会变小,因此希望min_G。而判别网络D目标是d(x)的值大,d(g(z))的值小(d值越大表示越真实,即表示原始图像是真实的,但重建图像不是真实的),这时L(D,G)会变大,因此希望max_D。在训练过程中,可以利用随机梯度变化算法,第一步训练判别网络D,希望L(D,G)越大越好,所以是加上梯度(ascending),来更新该判别网络D(见公式6))。第二步训练生成网络G,希望L(D,G)越小越好,所以是减去梯度(descending),来更新该生成网络G(见公式7))。整个训练过程交替进行。上述公式5)-7)属于现有技术,该解码器的训练过程可以参考现有技术,此处不再一一赘述。在上述训练过程完成后,保持该解码器的参数不变。
在本实施例中,步骤401中的编码器可以采用卷积神经网络实现,该编码器对应的卷积神经网络与图5对应的卷积神经网络相反,通过正向卷积提取原始图像中的特征向量,该卷积神经网络的具体结构可以参考现有技术中可以用于提取图像特征向量的卷积神经网络的结构,本实施例并不以此作为限制,该编码器的初始参数设定与上述判别网络D的参数类似,即根据与该解码器相关的判别器的参数来初始化该编码器的参数,在步骤403-404中,对该编码器的参数θ进行优化,使得步骤403中的损失函数满足预定条件,即表示重建图像和原始图像的相似度变高,重建图像的质量越高。
在本实施例中,步骤403中计算的损失函数即为实施例1中步骤104中计算得到的损失函数,具体计算方式请参考公式4),此处不再赘述。
在本实施例中,在步骤404中,判断该损失函数是否还有优化的空间,判断结果为是时,重新训练该编码器的参数θ,并返回执行步骤401-403,重新获取新的重建图像,并计算新的损失函数,直至步骤403中获得的损失函数满足预定条件,停止训练。这时重建图像和原始图像的相似性大于等于第一阈值,例如,该预定条件是损失函数小于等于第二阈值,即损失函数越小时获得的重建图像的质量越高,与原始图像越相似,在步骤404中,获得损失函数满足预定条件时对应的重建图像,将该重建图像作为图像处理(压缩)结果,该第一阈值和第二阈值可以根据需要确定,本实施例并不以此作为限制。
通过上述实施例,可以根据该实施例1中的损失函数训练用于图像压缩的神经网络的参数,使得该原始图像数据和该重建图像数据相似度变高,提高重建图像(压缩图像)的质量。
实施例3
本实施例3还提供一种图像相似性确定装置。由于该装置解决问题的原理与实施例1的方法类似,因此其具体的实施可以参考实施例1的方法的实施,内容相同之处不再重复说明。
图6是该图像相似性确定装置构成示意图,如图6所示,该装置600包括:
生成单元601,其用于生成双通道灰度图像数据,其中,该双通道灰度图像数据包括第一通道的灰度原始图像数据和第二通道的灰度重建图像数据;
第一计算单元602,其用于计算该双通道灰度图像数据的第一相似度,根据该第一相似度确定第一损失函数,其中,该第一损失函数与该第一相似度成反比;
第二计算单元603,其用于计算该原始图像数据和该重建图像数据的像素级第二相似度,根据该第二相似度确定第二损失函数;
确定单元604,其用于根据该第一损失函数和该第二损失函数确定表示该原始图像数据和该重建图像数据相似度的损失函数。
在本实施例中,生成单元601,第一计算单元602,第二计算单元603,确定单元604的实施方式可以参考实施例1中步骤101-104,此处不再赘述。
在本实施例中,该第一计算单元602使用卷积神经网络计算该双通道灰度图像数据的第一相似度,其中,该第一相似度大于等于0,小于等于1,其中,该第一损失函数等于该第一相似度的对数的相反数,其具体实施方式可以参考实施例1。
在本实施例中,该像素级第二相似度为均方误差或多层级结构相似性,其具体实施方式可以参考实施例1。
在本实施例中,该确定单元604包括:
乘积模块(未图示),其用于计算第一损失函数与第一权重的第一乘积,以及第二损失函数与第二权重的第二乘积;
相加模块(未图示),其用于计算该第一乘积和该第二乘积的和,将该和确定为该损失函数。
在本实施例中,该装置还可以包括:(未图示,可选)
转换单元,其用于将该原始图像数据转化为灰度原始图像数据,将该重建图像数据转化为灰度重建图像数据。
由此,通过将原始图像和重建图像作为一个双通道图像,根据该双通道图像计算原始图像和重建图像的感知级损失函数,并根据该感知级损失函数以及像素级损失函数确定最终的损失函数,该确定方法节省计算时间,且提高相似度的计算精度,解决现有技术中存在的问题,可以进一步提高重建图像的置信度。
实施例4
本实施例4还提供一种图像处理装置。由于该装置解决问题的原理与实施例2的方法类似,因此其具体的实施可以参考实施例2的方法的实施,内容相同之处不再重复说明。
图7是该图像处理装置构成示意图,如图7所示,该装置700包括:
编码器701,其用于将输入的原始图像数据转化为特征向量;
解码器702,其用于将该特征向量转化为重建图像数据;
图像相似性确定装置703,其用于计算该原始图像数据和该重建图像数据的损失函数;
处理单元704,其用于根据该损失函数,训练该编码器701的参数,根据训练后的参数,该编码器701和该解码器702生成新的重建图像数据,该图像相似性确定装置703重新计算该新的重建图像数据和该原始图像数据的损失函数,直至重新计算得到的损失函数表示该原始图像数据和该新的重建图像数据相似度大于等于第一阈值。
在本实施例中,编码器701、解码器702的具体实施方式可以参考实施例2,图像相似度确定装置703的实施方式可以参考实施例3中图像相似度确定装置600,该处理单元704的具体实施方式可以参考实施例2,此处不再赘述。
通过上述实施例,可以根据该实施例1中的损失函数训练用于图像压缩的神经网络的参数,使得该原始图像数据和该重建图像数据相似度变高,提高重建图像(压缩图像)的质量。
实施例5
本发明实施例还提供一种电子设备,包括有如实施例3所述的图像相似度确定装置或包括实施例4所述的图像处理装置,其内容被合并于此。该电子设备例如可以是计算机、服务器、工作站、膝上型计算机、智能手机,等等;但本发明实施例不限于此。
图8是本发明实施例的电子设备硬件构成一示意图。如图8所示,电子设备800可以包括:处理器(例如中央处理器CPU)810和存储器820;存储器820耦合到中央处理器810。其中该存储器820可存储各种数据;此外还存储信息处理的程序,并且在处理器810的控制下执行该程序。
在一个实施方式中,图像相似度确定装置600或图像处理装置700的功能可以被集成到处理器810中。其中,处理器810可以被配置为实现如实施例1所述的图像相似度确定方法或实施例2所述的图像处理方法。
在另一个实施方式中,图像相似度确定装置600或图像处理装置700可以与处理器810分开配置,例如可以将图像相似度确定装置600或图像处理装置700配置为与处理器810连接的芯片,通过处理器810的控制来实现图像相似度确定装置600或图像处理装置700的功能。
例如,处理器810可以被配置为进行如下的控制:生成双通道灰度图像数据,其中,该双通道灰度图像数据包括第一通道的灰度原始图像数据和第二通道的灰度重建图像数据;计算该双通道灰度图像数据的第一相似度,根据该第一相似度确定第一损失函数,其中,该第一损失函数与该第一相似度成反比;计算该原始图像数据和该重建图像数据的像素级第二相似度,根据该第二相似度确定第二损失函数;根据该第一损失函数和该第二损失函数确定表示该原始图像数据和该重建图像数据相似度的损失函数。
或者,例如,处理器810可以被配置为进行如下的控制:利用编码器将输入的原始图像数据转化为特征向量;利用解码器将该特征向量转化为重建图像数据;使用实施例1中的方法计算该原始图像数据和该重建图像数据的损失函数;根据该损失函数,训练该编码器的参数,根据训练后的参数,该编码器和该解码器生成该新的重建图像数据,该图像相似性确定装置重新计算该新的重建图像数据和该原始图像数据的损失函数,直至重新计算得到的损失函数表示该原始图像数据和该新的重建图像数据相似度大于等于第一阈值。
该处理器810的具体实施方式可以参考实施例1或2,此处不再赘述。
此外,如图8所示,电子设备800还可以包括:收发单元830等;其中,上述部件的功能与现有技术类似,此处不再赘述。值得注意的是,电子设备800也并不是必须要包括图8中所示的所有部件;此外,电子设备800还可以包括图8中没有示出的部件,可以参考现有技术。
本发明实施例还提供一种计算机可读程序,其中当在图像相似性确定装置中执行该程序时,该程序使得计算机在该图像相似性确定装置中执行如上面实施例1中的图像相似性确定方法。
本发明实施例还提供一种存储有计算机可读程序的存储介质,其中该计算机可读程序使得计算机在图像相似性确定装置中执行上面实施例1中的图像相似性确定方法。
本发明实施例还提供一种计算机可读程序,其中当在图像处理装置中执行该程序时,该程序使得计算机在该图像处理装置中执行如上面实施例2中的图像处理方法。
本发明实施例还提供一种存储有计算机可读程序的存储介质,其中该计算机可读程序使得计算机在图像处理装置中执行上面实施例2中的图像处理方法。
结合本发明实施例描述的在图像相似性确定装置中图像相似性确定的方法可直接体现为硬件、由处理器执行的软件模块或二者组合。例如,图6-8所示的功能框图中的一个或多个和/或功能框图的一个或多个组合,既可以对应于计算机程序流程的各个软件模块,亦可以对应于各个硬件模块。这些软件模块,可以分别对应于图1,4所示的各个步骤。这些硬件模块例如可利用现场可编程门阵列(FPGA)将这些软件模块固化而实现。
软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息;或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该软件模块可以存储在图像相似性确定装置的存储器中,也可以存储在可***图像相似性确定装置的存储卡中。
针对图6-8描述的功能框图中的一个或多个和/或功能框图的一个或多个组合,可以实现为用于执行本申请所描述功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑器件、分立硬件组件、或者其任意适当组合。针对图6-8描述的功能框图中的一个或多个和/或功能框图的一个或多个组合,还可以实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、与DSP通信结合的一个或多个微处理器或者任何其它这种配置。
以上结合具体的实施方式对本发明进行了描述,但本领域技术人员应该清楚,这些描述都是示例性的,并不是对本发明保护范围的限制。本领域技术人员可以根据本发明的精神和原理对本发明做出各种变型和修改,这些变型和修改也在本发明的范围内。
关于包括以上多个实施例的实施方式,还公开下述的附记。
附记1、一种图像相似性确定装置,其中,所述装置包括:
生成单元,其用于生成双通道灰度图像数据,其中,所述双通道灰度图像数据包括第一通道的灰度原始图像数据和第二通道的灰度重建图像数据;
第一计算单元,其用于计算所述双通道灰度图像数据的第一相似度,根据所述第一相似度确定第一损失函数,其中,所述第一损失函数与所述第一相似度成反比;
第二计算单元,其用于计算所述原始图像数据和所述重建图像数据的像素级第二相似度,根据所述第二相似度确定第二损失函数;
确定单元,其用于根据所述第一损失函数和所述第二损失函数确定表示所述原始图像数据和所述重建图像数据相似度的损失函数。
附记2、根据附记1所述的装置,其中,所述第一计算单元使用卷积神经网络计算所述双通道灰度图像的第一相似度,其中,所述第一相似度大于等于0,小于等于1。
附记3、根据附记2所述的装置,其中,所述第一损失函数等于所述第一相似度的对数的相反数。
附记4、根据附记1所述的装置,其中,所述像素级第二相似度为均方误差或多层级结构相似性。
附记5、根据附记1所述的装置,其中,所述确定单元包括:
乘积模块,其用于计算第一损失函数与第一权重的第一乘积,以及第二损失函数与第二权重的第二乘积;
相加模块,其用于计算所述第一乘积和所述第二乘积的和,将所述和确定为所述损失函数。
附记6、根据附记1所述的装置,其中,所述装置还包括:
转换单元,其用于将所述原始图像数据转化为灰度原始图像数据,将所述重建图像数据转化为灰度重建图像数据。
附记7、一种图像处理装置,其中,所述装置包括:
编码器,其用于将输入的原始图像数据转化为特征向量;
解码器,其用于将所述特征向量转化为重建图像数据;
附记1~6中任一项所述的图像相似性确定装置,其用于计算所述原始图像数据和所述重建图像数据的损失函数;
处理单元,其用于根据所述损失函数,训练所述编码器的参数,根据训练后的参数,所述编码器和所述解码器生成新的重建图像数据,所述图像相似性确定装置重新计算所述新的重建图像数据和所述原始图像数据的损失函数,直至重新计算得到的损失函数表示所述原始图像数据和所述新的重建图像数据相似度大于等于第一阈值。
附记8、一种图像相似性确定方法,其中,所述方法包括:
生成双通道灰度图像数据,其中,所述双通道灰度图像数据包括第一通道的灰度原始图像数据和第二通道的灰度重建图像数据;
计算所述双通道灰度图像数据的第一相似度,根据所述第一相似度确定第一损失函数,其中,所述第一损失函数与所述第一相似度成反比;
计算所述原始图像数据和所述重建图像数据的像素级第二相似度,根据所述第二相似度确定第二损失函数;
根据所述第一损失函数和所述第二损失函数确定表示所述原始图像数据和所述重建图像数据相似度的损失函数。
附记9、根据附记8所述的方法,其中,使用卷积神经网络计算所述双通道灰度图像的第一相似度,其中,所述第一相似度大于等于0,小于等于1。
附记10、根据附记9所述的方法,其中,所述第一损失函数等于所述第一相似度的对数的相反数。
附记11、根据附记8所述的方法,其中,所述像素级第二相似度为均方误差或多层级结构相似性。
附记12、根据附记8所述的方法,其中,根据所述第一损失函数和所述第二损失函数确定表示所述原始图像数据和所述重建图像数据相似度的损失函数包括:
计算第一损失函数与第一权重的第一乘积,以及第二损失函数与第二权重的第二乘积;
计算所述第一乘积和所述第二乘积的和,将所述和确定为所述损失函数。
附记13、根据附记8所述的方法,其中,所述方法还包括:
将所述原始图像数据转化为灰度原始图像数据,将所述重建图像数据转化为灰度重建图像数据。
Claims (6)
1.一种图像相似性确定装置,其中,所述装置包括:
生成单元,其用于生成双通道灰度图像数据,其中,所述双通道灰度图像数据包括第一通道的灰度原始图像数据和第二通道的灰度重建图像数据;
第一计算单元,其用于计算所述双通道灰度图像数据的第一相似度,根据所述第一相似度确定第一损失函数,其中,所述第一损失函数与所述第一相似度成反比;
第二计算单元,其用于计算原始图像数据和重建图像数据的像素级第二相似度,根据所述像素级第二相似度确定第二损失函数;
确定单元,其用于根据所述第一损失函数和所述第二损失函数确定表示所述原始图像数据和所述重建图像数据相似度的损失函数;
其中,所述第一计算单元使用卷积神经网络计算所述双通道灰度图像数据的第一相似度,其中,所述第一相似度大于等于0,小于等于1;
所述第一损失函数等于所述第一相似度的对数的相反数。
2.根据权利要求1所述的装置,其中,所述像素级第二相似度为均方误差或多层级结构相似性。
3.根据权利要求1所述的装置,其中,所述确定单元包括:
乘积模块,其用于计算第一损失函数与第一权重的第一乘积,以及第二损失函数与第二权重的第二乘积;
相加模块,其用于计算所述第一乘积和所述第二乘积的和,将所述和确定为所述损失函数。
4.根据权利要求1所述的装置,其中,所述装置还包括:
转换单元,其用于将所述原始图像数据转化为所述灰度原始图像数据,将所述重建图像数据转化为所述灰度重建图像数据。
5.一种图像处理装置,其中,所述装置包括:
编码器,其用于将输入的原始图像数据转化为特征向量;
解码器,其用于将所述特征向量转化为重建图像数据;
权利要求1~4中任一项所述的图像相似性确定装置,其用于计算所述原始图像数据和所述重建图像数据的损失函数;
处理单元,其用于根据所述损失函数,训练所述编码器的参数,根据训练后的参数,所述编码器和所述解码器生成新的重建图像数据,所述图像相似性确定装置重新计算所述新的重建图像数据和所述原始图像数据的损失函数,直至重新计算得到的损失函数表示所述原始图像数据和所述新的重建图像数据相似度大于等于第一阈值。
6.一种图像相似性确定方法,其中,所述方法包括:
生成双通道灰度图像数据,其中,所述双通道灰度图像数据包括第一通道的灰度原始图像数据和第二通道的灰度重建图像数据;
计算所述双通道灰度图像数据的第一相似度,根据所述第一相似度确定第一损失函数,其中,所述第一损失函数与所述第一相似度成反比;
计算原始图像数据和重建图像数据的像素级第二相似度,根据所述像素级第二相似度确定第二损失函数;
根据所述第一损失函数和所述第二损失函数确定表示所述原始图像数据和所述重建图像数据相似度的损失函数;
其中,使用卷积神经网络计算所述双通道灰度图像的第一相似度,其中,所述第一相似度大于等于0,小于等于1;所述第一损失函数等于所述第一相似度的对数的相反数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811189157.8A CN111046893B (zh) | 2018-10-12 | 2018-10-12 | 图像相似性确定方法和装置、图像处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811189157.8A CN111046893B (zh) | 2018-10-12 | 2018-10-12 | 图像相似性确定方法和装置、图像处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111046893A CN111046893A (zh) | 2020-04-21 |
CN111046893B true CN111046893B (zh) | 2024-02-02 |
Family
ID=70229643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811189157.8A Active CN111046893B (zh) | 2018-10-12 | 2018-10-12 | 图像相似性确定方法和装置、图像处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046893B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012132B (zh) * | 2021-03-22 | 2023-08-25 | 平安科技(深圳)有限公司 | 一种图像相似度确定方法、装置及计算设备、存储介质 |
CN118160300A (zh) * | 2021-11-12 | 2024-06-07 | 华为技术有限公司 | 图像处理方法和装置 |
WO2023155032A1 (zh) * | 2022-02-15 | 2023-08-24 | 华为技术有限公司 | 图像处理方法和图像处理装置 |
CN116883698B (zh) * | 2023-09-07 | 2023-12-26 | 腾讯科技(深圳)有限公司 | 一种图像对比方法及相关装置 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4924521A (en) * | 1987-12-18 | 1990-05-08 | International Business Machines Corporation | Image processing system and method employing combined black and white and gray scale image data |
US5363213A (en) * | 1992-06-08 | 1994-11-08 | Xerox Corporation | Unquantized resolution conversion of bitmap images using error diffusion |
US5790717A (en) * | 1993-10-26 | 1998-08-04 | Bell Communications Research Inc. | Apparatus and method for predicting subjective quality of compressed images |
WO2003041394A1 (en) * | 2001-11-05 | 2003-05-15 | Nikon Corporation | Image compression apparatus, image compression program, and image compression method |
CN101478693A (zh) * | 2008-12-31 | 2009-07-08 | 中国资源卫星应用中心 | 一种对星载光学遥感图像压缩质量进行评价的方法 |
CN101478697A (zh) * | 2009-01-20 | 2009-07-08 | 中国测绘科学研究院 | 影像有损压缩质量评价方法 |
JP2009296139A (ja) * | 2008-06-03 | 2009-12-17 | Ricoh Co Ltd | 画像処理装置、画像処理方法及びコンピュータプログラム |
CN101888469A (zh) * | 2009-05-13 | 2010-11-17 | 富士通株式会社 | 图像处理方法和图像处理设备 |
CN102737230A (zh) * | 2012-05-25 | 2012-10-17 | 华中科技大学 | 一种基于方向场估计的非局部均值滤波方法 |
CN103902553A (zh) * | 2012-12-25 | 2014-07-02 | 北大方正集团有限公司 | 一种视频对比方法及装置 |
CN105100789A (zh) * | 2015-07-22 | 2015-11-25 | 天津科技大学 | 一种视频质量评价方法 |
CN106709958A (zh) * | 2016-12-03 | 2017-05-24 | 浙江大学 | 一种基于灰度梯度和颜色直方图的图像质量评价方法 |
CN107274379A (zh) * | 2017-05-09 | 2017-10-20 | 武汉大学 | 一种图像质量评价方法及*** |
WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
CN107507134A (zh) * | 2017-09-21 | 2017-12-22 | 大连理工大学 | 基于卷积神经网络的超分辨率方法 |
CN107548556A (zh) * | 2015-04-21 | 2018-01-05 | Vid拓展公司 | 基于艺术意图的视频译码 |
CN107633522A (zh) * | 2017-08-30 | 2018-01-26 | 山东财经大学 | 基于局部相似性活动轮廓模型的脑部图像分割方法和*** |
CN107784676A (zh) * | 2017-09-20 | 2018-03-09 | 中国科学院计算技术研究所 | 基于自动编码器网络的压缩感知测量矩阵优化方法和*** |
CN108062780A (zh) * | 2017-12-29 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 图像压缩方法和装置 |
CN108090902A (zh) * | 2017-12-30 | 2018-05-29 | 中国传媒大学 | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 |
CN108121522A (zh) * | 2017-12-19 | 2018-06-05 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于边缘方向相关性的预畸变后平显画面反走样方法 |
CN108346133A (zh) * | 2018-03-15 | 2018-07-31 | 武汉大学 | 一种面向视频卫星超分辨率重建的深度学习网络训练方法 |
CN108537104A (zh) * | 2018-01-30 | 2018-09-14 | 西安电子科技大学 | 基于全图观测的压缩感知网络及感知损失重构方法 |
CN108564580A (zh) * | 2018-04-23 | 2018-09-21 | 朱苗 | 基于人类视觉***的图像质量评价方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004192307A (ja) * | 2002-12-11 | 2004-07-08 | Seiko Epson Corp | 類似画像抽出装置、類似画像抽出方法および類似画像抽出プログラム |
WO2004075556A1 (ja) * | 2003-02-19 | 2004-09-02 | Ishikawajima-Harima Heavy Industries Co., Ltd. | 画像圧縮装置、画像圧縮方法、画像圧縮プログラム、及び圧縮符号化方法、圧縮符号化装置、圧縮符号化プログラム、並びに復合化方法、復合化装置、復合化プログラム |
JP4750801B2 (ja) * | 2005-12-20 | 2011-08-17 | 富士通株式会社 | 画像判別装置 |
KR101272258B1 (ko) * | 2006-07-04 | 2013-06-13 | 삼성전자주식회사 | 영상 보상 장치 및 방법 |
US20090060363A1 (en) * | 2007-08-30 | 2009-03-05 | Himax Technologies Limited | System and method for image compression |
US9858892B2 (en) * | 2014-03-28 | 2018-01-02 | Change Healthcare Llc | Method and computing device for identifying a pixel visibility loss condition |
US10867416B2 (en) * | 2017-03-10 | 2020-12-15 | Adobe Inc. | Harmonizing composite images using deep learning |
-
2018
- 2018-10-12 CN CN201811189157.8A patent/CN111046893B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4924521A (en) * | 1987-12-18 | 1990-05-08 | International Business Machines Corporation | Image processing system and method employing combined black and white and gray scale image data |
US5363213A (en) * | 1992-06-08 | 1994-11-08 | Xerox Corporation | Unquantized resolution conversion of bitmap images using error diffusion |
US5790717A (en) * | 1993-10-26 | 1998-08-04 | Bell Communications Research Inc. | Apparatus and method for predicting subjective quality of compressed images |
WO2003041394A1 (en) * | 2001-11-05 | 2003-05-15 | Nikon Corporation | Image compression apparatus, image compression program, and image compression method |
JP2009296139A (ja) * | 2008-06-03 | 2009-12-17 | Ricoh Co Ltd | 画像処理装置、画像処理方法及びコンピュータプログラム |
CN101478693A (zh) * | 2008-12-31 | 2009-07-08 | 中国资源卫星应用中心 | 一种对星载光学遥感图像压缩质量进行评价的方法 |
CN101478697A (zh) * | 2009-01-20 | 2009-07-08 | 中国测绘科学研究院 | 影像有损压缩质量评价方法 |
CN101888469A (zh) * | 2009-05-13 | 2010-11-17 | 富士通株式会社 | 图像处理方法和图像处理设备 |
CN102737230A (zh) * | 2012-05-25 | 2012-10-17 | 华中科技大学 | 一种基于方向场估计的非局部均值滤波方法 |
CN103902553A (zh) * | 2012-12-25 | 2014-07-02 | 北大方正集团有限公司 | 一种视频对比方法及装置 |
CN107548556A (zh) * | 2015-04-21 | 2018-01-05 | Vid拓展公司 | 基于艺术意图的视频译码 |
CN105100789A (zh) * | 2015-07-22 | 2015-11-25 | 天津科技大学 | 一种视频质量评价方法 |
WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
CN106709958A (zh) * | 2016-12-03 | 2017-05-24 | 浙江大学 | 一种基于灰度梯度和颜色直方图的图像质量评价方法 |
CN107274379A (zh) * | 2017-05-09 | 2017-10-20 | 武汉大学 | 一种图像质量评价方法及*** |
CN107633522A (zh) * | 2017-08-30 | 2018-01-26 | 山东财经大学 | 基于局部相似性活动轮廓模型的脑部图像分割方法和*** |
CN107784676A (zh) * | 2017-09-20 | 2018-03-09 | 中国科学院计算技术研究所 | 基于自动编码器网络的压缩感知测量矩阵优化方法和*** |
CN107507134A (zh) * | 2017-09-21 | 2017-12-22 | 大连理工大学 | 基于卷积神经网络的超分辨率方法 |
CN108121522A (zh) * | 2017-12-19 | 2018-06-05 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于边缘方向相关性的预畸变后平显画面反走样方法 |
CN108062780A (zh) * | 2017-12-29 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 图像压缩方法和装置 |
CN108090902A (zh) * | 2017-12-30 | 2018-05-29 | 中国传媒大学 | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 |
CN108537104A (zh) * | 2018-01-30 | 2018-09-14 | 西安电子科技大学 | 基于全图观测的压缩感知网络及感知损失重构方法 |
CN108346133A (zh) * | 2018-03-15 | 2018-07-31 | 武汉大学 | 一种面向视频卫星超分辨率重建的深度学习网络训练方法 |
CN108564580A (zh) * | 2018-04-23 | 2018-09-21 | 朱苗 | 基于人类视觉***的图像质量评价方法 |
Non-Patent Citations (2)
Title |
---|
Xichen Yang etc..Image quality assessment via spatial structural analysis.《Computers & Electrical Engineering》.2016,全文. * |
李元诚等.一种基于支持向量机的小波图像压缩方法.《北京航空航天大学学报》.2006,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111046893A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046893B (zh) | 图像相似性确定方法和装置、图像处理方法和装置 | |
CN109949255B (zh) | 图像重建方法及设备 | |
KR102389173B1 (ko) | 생성 적대 네트워크를 위한 트레이닝 방법, 이미지 처리 방법, 디바이스 및 저장 매체 | |
CN110689599B (zh) | 基于非局部增强的生成对抗网络的3d视觉显著性预测方法 | |
CN109934300B (zh) | 模型压缩方法、装置、计算机设备及存储介质 | |
Aranguren et al. | Improving the segmentation of magnetic resonance brain images using the LSHADE optimization algorithm | |
CN112529863B (zh) | 测量骨密度的方法及装置 | |
WO2021135715A1 (zh) | 一种图像压缩方法及装置 | |
JP6945253B2 (ja) | 分類装置、分類方法、プログラム、ならびに、情報記録媒体 | |
CN110139102B (zh) | 视频编码复杂度的预测方法、装置、设备和存储介质 | |
CN111210382B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN111079764A (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
CN113850753B (zh) | 医学图像信息计算方法、装置、边缘计算设备和存储介质 | |
CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
CN116030259B (zh) | 一种腹部ct图像多器官分割方法、装置及终端设备 | |
CN115601751B (zh) | 一种基于领域泛化的眼底图像语义分割方法 | |
He et al. | A visual residual perception optimized network for blind image quality assessment | |
CN112529886A (zh) | 一种基于Attention DenseUNet的MRI神经胶质瘤分割方法 | |
TWI792696B (zh) | 顏色恆常性對比學習的方法和裝置 | |
CN114694074A (zh) | 一种使用图像生成视频的方法、装置以及存储介质 | |
CN113486925A (zh) | 模型训练方法、眼底图像生成方法、模型评估方法及装置 | |
CN111798463B (zh) | 一种头颈部ct图像中多器官自动分割方法 | |
Ruivo et al. | Double-deep learning-based point cloud geometry coding with adaptive super-resolution | |
CN114565626A (zh) | 基于PSPNet改进的肺部CT图像分割算法 | |
CN114419249A (zh) | 物体三维形状重建方法、装置、设备及存储介质 |
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 |