CN111445415A - 图像修复方法及装置、电子设备和存储介质 - Google Patents
图像修复方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111445415A CN111445415A CN202010237090.1A CN202010237090A CN111445415A CN 111445415 A CN111445415 A CN 111445415A CN 202010237090 A CN202010237090 A CN 202010237090A CN 111445415 A CN111445415 A CN 111445415A
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- repaired
- repair
- block
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 230000008439 repair process Effects 0.000 claims abstract description 140
- 238000012549 training Methods 0.000 claims description 107
- 238000013528 artificial neural network Methods 0.000 claims description 102
- 238000012545 processing Methods 0.000 claims description 45
- 238000009826 distribution Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 230000000903 blocking effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000003042 antagnostic effect Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 208000003443 Unconsciousness Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像修复方法及装置、电子设备和存储介质,所述方法包括:对待处理图像进行初步修复,得到第一修复图像,所述待处理图像包括正常区域及待修复区域,所述第一修复图像包括与所述待修复区域对应的初步修复区域;根据所述正常区域的多个第一图像块以及所述初步修复区域的多个第二图像块,分别确定与各个第二图像块的纹理匹配的第一图像块;根据与各个第二图像块的纹理匹配的第一图像块,对所述初步修复区域进行修复,得到所述待处理图像的第二修复图像。本公开实施例可提高图像的修复效果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像修复方法及装置、电子设备和存储介质。
背景技术
图像修复是计算机视觉领域中的重要问题,在许多领域都有着重要的应用,例如图像去水印以及图像修补等。相关技术的图像修复方式只能基于待修复图像中已有的内容进行修复,缺乏构造和生成能力,导致图像修复的效果较差。
发明内容
本公开提出了一种图像修复技术方案。
根据本公开的一方面,提供了一种图像修复方法,包括:对待处理图像进行初步修复,得到第一修复图像,所述待处理图像包括正常区域及待修复区域,所述第一修复图像包括与所述待修复区域对应的初步修复区域;根据所述正常区域的多个第一图像块以及所述初步修复区域的多个第二图像块,分别确定与各个第二图像块的纹理匹配的第一图像块;根据与各个第二图像块的纹理匹配的第一图像块,对所述初步修复区域进行修复,得到所述待处理图像的第二修复图像。
在一种可能的实现方式中,所述根据所述正常区域的多个第一图像块以及所述初步修复区域的多个第二图像块,分别确定与各个第二图像块的纹理匹配的第一图像块,包括:针对任一第二图像块,分别确定出所述第二图像块与所述多个第一图像块之间的相似度;将相似度最高的至少一个第一图像块,确定为与所述第二图像块的纹理匹配的第一图像块。
在一种可能的实现方式中,所述根据与各个第二图像块的纹理匹配的第一图像块,对所述初步修复区域进行修复,得到所述待处理图像的第二修复图像,包括:根据与各个第二图像块的纹理匹配的第一图像块,分别对各个第二图像块进行修复,得到各个第二图像块的修复图像块;对所述待处理图像的正常区域及各个第二图像块的修复图像块进行拼接,得到所述第二修复图像。
在一种可能的实现方式中,所述根据与各个第二图像块的纹理匹配的第一图像块,分别对各个第二图像块进行修复,得到各个第二图像块的修复图像块,包括:针对任一第二图像块,对所述第一修复图像中与所述第二图像块对应的第三图像块进行特征提取,得到所述第三图像块的特征,所述第三图像块的尺寸大于所述第二图像块的尺寸;对与所述第二图像块的纹理匹配的第一图像块进行特征提取,得到所述第一图像块的特征;将所述第三图像块的特征与所述第一图像块的特征进行融合,得到所述第二图像块的融合特征;根据所述第二图像块的融合特征,生成所述第二图像块的修复图像块。
在一种可能的实现方式中,所述方法通过神经网络实现,所述神经网络包括第一修复网络、纹理匹配网络及第二修复网络,所述第一修复网络用于对待处理图像进行初步修复,所述纹理匹配网络用于对所述第二图像块与所述第一图像块进行纹理匹配,所述第二修复网络用于对所述初步修复区域进行修复,所述方法还包括:根据预设的训练集,训练所述神经网络,所述训练集包括多个样本图像及与所述样本图像对应的真实图像,每个样本图像包括正常区域及待修复区域。
在一种可能的实现方式中,所述根据预设的训练集,训练所述神经网络,包括:将所述样本图像输入所述神经网络中处理,得到所述样本图像的初步修复图像以及多个修复样本图像块;对所述样本图像的正常区域及所述多个修复样本图像块进行拼接,得到所述样本图像的修复样本图像;根据所述样本图像的初步修复图像、所述修复样本图像及所述真实图像,训练所述神经网络。
在一种可能的实现方式中,所述根据所述样本图像的初步修复图像、所述修复样本图像及所述真实图像,训练所述神经网络,包括:根据所述初步修复图像及所述真实图像,确定所述神经网络的初步修复损失;根据所述修复样本图像的多个修复样本图像块及所述真实图像的多个真实图像块,确定所述神经网络的分块损失;根据所述修复样本图像及所述真实图像,确定所述神经网络的图像整体损失;根据所述初步修复损失、所述分块损失及所述图像整体损失,训练所述神经网络。
在一种可能的实现方式中,所述神经网络还包括第一判别网络,所述根据预设的训练集,训练所述神经网络,还包括:将与所述样本图像对应的真实图像的多个真实图像块和对应位置的修复样本图像块,分别输入所述第一判别网络中处理,得到所述真实图像块的第一判别结果及所述修复样本图像块的第二判别结果;根据所述第一判别结果及所述第二判别结果,对抗训练所述神经网络。
在一种可能的实现方式中,所述根据预设的训练集,训练所述神经网络,还包括:确定所述样本图像的正常区域的多个图像块的第一数据分布,以及所述多个修复样本图像块的第二数据分布;将所述第一数据分布和所述第二数据分布分别输入所述第一判别网络中处理,得到第三判别结果和第四判别结果;根据所述第一判别结果、所述第二判别结果、所述第三判别结果及所述第四判别结果,对抗训练所述神经网络。
在一种可能的实现方式中,所述神经网络还包括第二判别网络,所述根据预设的训练集,训练所述神经网络,还包括:将与所述样本图像对应的真实图像以及所述修复样本图像,分别输入所述第二判别网络中处理,得到所述真实图像的第五判别结果及所述修复样本图像的第六判别结果;根据所述第五判别结果及所述第六判别结果,对抗训练所述神经网络。
根据本公开的一方面,提供了一种图像修复装置,包括:第一修复模块,用于对待处理图像进行初步修复,得到第一修复图像,所述待处理图像包括正常区域及待修复区域,所述第一修复图像包括与所述待修复区域对应的初步修复区域;纹理匹配模块,用于根据所述正常区域的多个第一图像块以及所述初步修复区域的多个第二图像块,分别确定与各个第二图像块的纹理匹配的第一图像块;第二修复模块,用于根据与各个第二图像块的纹理匹配的第一图像块,对所述初步修复区域进行修复,得到所述待处理图像的第二修复图像。
在一种可能的实现方式中,所述纹理匹配模块包括:相似度确定子模块,用于针对任一第二图像块,分别确定出所述第二图像块与所述多个第一图像块之间的相似度;匹配子模块,用于将相似度最高的至少一个第一图像块,确定为与所述第二图像块的纹理匹配的第一图像块。
在一种可能的实现方式中,所述第二修复模块包括:图像块修复子模块,用于根据与各个第二图像块的纹理匹配的第一图像块,分别对各个第二图像块进行修复,得到各个第二图像块的修复图像块;第一拼接子模块,用于对所述待处理图像的正常区域及各个第二图像块的修复图像块进行拼接,得到所述第二修复图像。
在一种可能的实现方式中,所述图像块修复子模块用于:针对任一第二图像块,对所述第一修复图像中与所述第二图像块对应的第三图像块进行特征提取,得到所述第三图像块的特征,所述第三图像块的尺寸大于所述第二图像块的尺寸;对与所述第二图像块的纹理匹配的第一图像块进行特征提取,得到所述第一图像块的特征;将所述第三图像块的特征与所述第一图像块的特征进行融合,得到所述第二图像块的融合特征;根据所述第二图像块的融合特征,生成所述第二图像块的修复图像块。
在一种可能的实现方式中,所述装置通过神经网络实现,所述神经网络包括第一修复网络、纹理匹配网络及第二修复网络,所述第一修复网络用于对待处理图像进行初步修复,所述纹理匹配网络用于对所述第二图像块与所述第一图像块进行纹理匹配,所述第二修复网络用于对所述初步修复区域进行修复,所述装置还包括:训练模块,用于根据预设的训练集,训练所述神经网络,所述训练集包括多个样本图像及与所述样本图像对应的真实图像,每个样本图像包括正常区域及待修复区域。
在一种可能的实现方式中,所述训练模块包括:修复子模块,用于将所述样本图像输入所述神经网络中处理,得到所述样本图像的初步修复图像以及多个修复样本图像块;第二拼接子模块,用于对所述样本图像的正常区域及所述多个修复样本图像块进行拼接,得到所述样本图像的修复样本图像;训练子模块,用于根据所述样本图像的初步修复图像、所述修复样本图像及所述真实图像,训练所述神经网络。
在一种可能的实现方式中,所述训练子模块用于:根据所述初步修复图像及所述真实图像,确定所述神经网络的初步修复损失;根据所述修复样本图像的多个修复样本图像块及所述真实图像的多个真实图像块,确定所述神经网络的分块损失;根据所述修复样本图像及所述真实图像,确定所述神经网络的图像整体损失;根据所述初步修复损失、所述分块损失及所述图像整体损失,训练所述神经网络。
在一种可能的实现方式中,所述神经网络还包括第一判别网络,所述训练模块还包括:第一判别子模块,用于将与所述样本图像对应的真实图像的多个真实图像块和对应位置的修复样本图像块,分别输入所述第一判别网络中处理,得到所述真实图像块的第一判别结果及所述修复样本图像块的第二判别结果;第一对抗训练子模块,用于根据所述第一判别结果及所述第二判别结果,对抗训练所述神经网络。
在一种可能的实现方式中,所述训练模块还包括:分布确定子模块,用于确定所述样本图像的正常区域的多个图像块的第一数据分布,以及所述多个修复样本图像块的第二数据分布;第二判别子模块,用于将所述第一数据分布和所述第二数据分布分别输入所述第一判别网络中处理,得到第三判别结果和第四判别结果;第二对抗训练子模块,用于根据所述第一判别结果、所述第二判别结果、所述第三判别结果及所述第四判别结果,对抗训练所述神经网络。
在一种可能的实现方式中,所述神经网络还包括第二判别网络,所述训练模块还包括:第三判别子模块,用于将与所述样本图像对应的真实图像以及所述修复样本图像,分别输入所述第二判别网络中处理,得到所述真实图像的第五判别结果及所述修复样本图像的第六判别结果;第三对抗训练子模块,用于根据所述第五判别结果及所述第六判别结果,对抗训练所述神经网络。
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调用所述存储器存储的指令,以执行上述方法。
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方法。
在本公开实施例中,能够对待处理图像进行初步修复,从图像正常区域的图像块中确定出与初步修复区域的图像块的纹理匹配的图像块;根据纹理匹配的图像块进一步修复图像,从而提高待处理图像的修复效果。
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修复方法的流程图。
图2示出根据本公开实施例的图像修复方法的处理过程的示意图。
图3示出根据本公开实施例的图像修复装置的框图。
图4示出根据本公开实施例的一种电子设备的框图。
图5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修复方法的流程图,如图1所示,所述方法包括:
在步骤S11中,对待处理图像进行初步修复,得到第一修复图像,所述待处理图像包括正常区域及待修复区域,所述第一修复图像包括与所述待修复区域对应的初步修复区域;
在步骤S12中,根据所述正常区域的多个第一图像块以及所述初步修复区域的多个第二图像块,分别确定与各个第二图像块的纹理匹配的第一图像块;
在步骤S13中,根据与各个第二图像块的纹理匹配的第一图像块,对所述初步修复区域进行修复,得到所述待处理图像的第二修复图像。
在一种可能的实现方式中,所述图像修复方法可以由终端设备或服务器等电子设备执行,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,所述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。或者,可通过服务器执行所述方法。
举例来说,待处理图像可以是包括任意内容的图像,例如人物、风景、建筑等。待处理图像可包括正常区域及待修复区域,正常区域为图像内容正常可见的区域,待修复区域为图像内容异常或不可见的区域,例如图像中内容缺失或存在水印的区域,本公开对此不作限制。
在一种可能的实现方式中,可在步骤S11中对待处理图像进行初步修复,例如采用编码器-解码器风格的卷积神经网络对待处理图像进行处理,提取图像的全局结构信息,并根据全局结构信息对图像进行修复。该卷积神经网络可例如包括卷积层、膨胀卷积层(也可称为空洞卷积层)、反卷积层、池化层、全连接层等,本公开对该卷积神经网络的具体网络结构不作限制。
经初步修复后,得到待处理图像的第一修复图像。该第一修复图像包括与待修复区域位置对应的初步修复区域。
在一种可能的实现方式中,可对待处理图像的正常区域进行切割,得到多个第一图像块。例如采用k×k的窗口在正常区域中滑动(步长例如为k/2,以获得更多的图像块),得到尺寸为k×k的多个第一图像块。其中,k的取值例如为32,本公开对此不作限制。
在一种可能的实现方式中,第一图像块可包括正常区域中的局部纹理信息。可根据多个第一图像块,构建所述待处理图像的纹理库,以便后续选择相似的纹理。
在一种可能的实现方式中,可对第一修复图像的初步修复区域进行切割,得到多个第二图像块。第二图像块的尺寸可与第一图像块相同或不同,本公开对此不作限制。
在一种可能的实现方式中,可在步骤S12中,根据多个第一图像块以及初步修复区域的多个第二图像块,分别确定与各个第二图像块的纹理匹配的第一图像块。也就是说,对于任意一个第二图像块,可确定该第二图像块的纹理信息与多个第一图像块的纹理信息之间的相似度;根据相似度选择出与该第二图像块的纹理匹配的第一图像块,以便根据纹理信息进一步修复第二图像块。
在一种可能的实现方式中,可在步骤S13中,根据与各个第二图像块的纹理匹配的第一图像块,对所述初步修复区域进行修复,得到所述待处理图像的第二修复图像。
也就是说,对于任意一个第二图像块,可通过卷积神经网络提取与该第二图像块的纹理匹配的第一图像块的特征,该特征包括第一图像块的纹理信息。通过编码器-解码器风格的卷积神经网络对该第二图像块进行处理,提取该第二图像块的特征;将该第二图像块的特征与第一图像块的特征融合;并根据融合后的特征对该第二图像块进行修复,得到修复图像块。将多个修复图像块与待处理图像的正常区域拼接,可得到第二修复图像。
根据本公开的实施例,能够对待处理图像进行初步修复,从图像正常区域的图像块中确定出与初步修复区域的图像块的纹理匹配的图像块;根据纹理匹配的图像块进一步修复图像,从而提高待处理图像的修复效果。
在一种可能的实现方式中,可预设有第一修复网络,用于对待处理图像进行初步修复。该第一修复网络为编码器-解码器风格的卷积神经网络,能够提取图像的全局结构信息,并根据全局结构信息生成修复图像。
在一种可能的实现方式中,第一修复网络可例如包括卷积层、膨胀卷积层(也可称为空洞卷积层)、反卷积层、池化层、全连接层等。其中,采用膨胀卷积层,能够提高第一修复网络对全局结构信息的感知能力,提高全局修复的效果。本公开对第一修复网络的具体网络结构不作限制。
通过这种方式,能够实现待处理图像的初步修复。
在一种可能的实现方式中,步骤S12可包括:
针对任一第二图像块,分别确定出所述第二图像块与所述多个第一图像块之间的相似度;
将相似度最高的至少一个第一图像块,确定为与所述第二图像块的纹理匹配的第一图像块。
举例来说,可预设有纹理匹配网络,用于对第二图像块与第一图像块进行纹理匹配。对于任意一个第二图像块,可将该第二图像块与纹理库中的多个第一图像块输入纹理匹配网络中处理,确定第二图像块与各个第一图像块之间的相似度。
例如,通过纹理匹配网络提取第二图像块和第一图像块的特征;根据特征构建第二图像块与各个第一图像块之间的相似度矩阵;根据相似度矩阵确定出第二图像块与各个第一图像块之间的相似度。本公开对确定相似度的具体过程不作限制。
在一种可能的实现方式中,纹理匹配网络可例如包括卷积层、softmax层等,本公开对纹理匹配网络的具体结构不作限制。
在一种可能的实现方式中,可将相似度最高的至少一个第一图像块,确定为与第二图像块的纹理匹配的第一图像块,例如选择出相似度最高的4个第一图像块,作为纹理匹配的第一图像块。
通过这种方式,可确定与第二图像块的纹理匹配的第一图像块,以便根据纹理信息进一步修复第二图像块。
在一种可能的实现方式中,步骤S13可包括:
根据与各个第二图像块的纹理匹配的第一图像块,分别对各个第二图像块进行修复,得到各个第二图像块的修复图像块;
对所述待处理图像的正常区域及各个第二图像块的修复图像块进行拼接,得到所述第二修复图像。
也就是说,对于任意一个第二图像块,可通过卷积神经网络提取与该第二图像块的纹理匹配的第一图像块的特征,该特征包括第一图像块的纹理信息。通过编码器-解码器风格的卷积神经网络对该第二图像块进行处理,提取该第二图像块的特征;将该第二图像块的特征与第一图像块的特征融合;并根据融合后的特征对该第二图像块进行修复,得到修复图像块。
在一种可能的实现方式中,将多个修复图像块与待处理图像的正常区域拼接,可得到第二修复图像。通过这种方式,可进一步修复待处理图像,提高图像修复的效果。
在一种可能的实现方式中,根据与各个第二图像块的纹理匹配的第一图像块,分别对各个第二图像块进行修复,得到各个第二图像块的修复图像块的步骤,包括:
针对任一第二图像块,对所述第一修复图像中与所述第二图像块对应的第三图像块进行特征提取,得到所述第三图像块的特征,所述第三图像块的尺寸大于所述第二图像块的尺寸;
对与所述第二图像块的纹理匹配的第一图像块进行特征提取,得到所述第一图像块的特征;
将所述第三图像块的特征与所述第一图像块的特征进行融合,得到所述第二图像块的融合特征;
根据所述第二图像块的融合特征,生成所述第二图像块的修复图像块。
举例来说,可预设有第二修复网络,用于对第一修复图像进行修复。第二修复网络包括一个编码器-解码器风格的第一卷积网络和一个常规的第二卷积网络。第一卷积网络和第二卷积网络可例如包括卷积层、膨胀卷积层(空洞卷积层)、反卷积层、池化层、全连接层等,本公开对此不作限制。
在一种可能的实现方式中,对于任意一个第二图像块,可获取与该第二图像块对应的第三图像块。例如,可在第一修复图像中,以该第二图像块的位置为中心向外扩展,得到第三图像块。其中,该第三图像块的尺寸大于该第二图像块的尺寸,例如第二图像块的尺寸为32×32,第三图像块的尺寸为96×96。这样,可以保留第二图像块及其相邻区域的更多的图像信息,以便进一步提高图像修复的效果。
在一种可能的实现方式中,可将第三图像块输入第一卷积网络的编码器中进行特征提取,得到第三图像块的特征。
在一种可能的实现方式中,可将与第二图像块的纹理匹配的第一图像块输入第二卷积网络中进行特征提取。其中,在与第二图像块的纹理匹配的第一图像块为多个的情况下,可将多个第一图像块拼接后,输入第二卷积网络。经处理后,得到第一图像块的特征。
在一种可能的实现方式中,将第三图像块的特征与第一图像块的特征进行融合,得到第二图像块的融合特征;再将融合特征输入第一卷积网络的解码器中,生成该第二图像块的修复图像块。
在一种可能的实现方式中,可进行多级的特征融合。也就是说,第一图像块的特征可包括多级卷积层输出的特征,可在第一卷积网络的解码器中相应的多个层级分别进行特征融合,对多级融合特征依次进行后续的膨胀卷积、反卷积等处理,最终生成该第二图像块的修复图像块。本公开对此不作限制。
在一种可能的实现方式中,将多个修复图像块与待处理图像的正常区域拼接,可得到第二修复图像,从而完成图像修复的整个过程。
通过这种方式,采用纹理匹配的第一图像块参与第二图像块的修复过程,可通过第一图像块中的局部纹理信息,提高第二图像块的分块修复效果。
在一种可能的实现方式中,根据本公开实施例的图像修复方法可通过神经网络实现,所述神经网络包括第一修复网络、纹理匹配网络及第二修复网络,所述第一修复网络用于对待处理图像进行初步修复,所述纹理匹配网络用于对所述第二图像块与所述第一图像块进行纹理匹配,所述第二修复网络用于对所述初步修复区域进行修复。
图2示出根据本公开实施例的图像修复方法的处理过程的示意图。如图2所示,根据本公开实施例的神经网络包括第一修复网络21、纹理匹配网络22及第二修复网络23。
如图2所示,待处理图像Im包括待修复的空白区域和具有正常内容的正常区域。可将待处理图像Im输入第一修复网络21中进行初步修复,得到第一修复图像Is。第一修复图像Is包括与待修复区域位置对应的初步修复区域。
在示例中,可对初步修复区域进行切割,得到第二图像块的集合{ps},每个第二图像块的尺寸为32×32。
在示例中,可对待处理图像Im的正常区域进行切割,得到多个第一图像块,尺寸为32×32;根据多个第一图像块,构建出待处理图像的纹理库24。
在示例中,对于任意第二图像块ps,可将该第二图像块和纹理库24中的多个第一图像块输入纹理匹配网络22,输出与该第二图像块的纹理匹配的4个第一图像块221。
在示例中,可将第二图像块ps对应的第三图像块和纹理匹配的4个第一图像块221输入第二修复网络23中,得到第二图像块ps的修复图像块。如图2所示,第一图像块221的多级特征分别与第三图像块的多级特征进行了融合。
在示例中,对多个第二图像块分别处理,得到多个修复图像块231;将多个修复图像块231与待处理图像的正常区域进行拼接,得到第二修复图像25,从而完成整个图像修复过程。
在应用本公开实施例的神经网络之前,可对神经网络进行训练。
在一种可能的实现方式中,所述方法还包括:根据预设的训练集,训练所述神经网络,所述训练集包括多个样本图像及与所述样本图像对应的真实图像,每个样本图像包括正常区域及待修复区域。
举例来说,可预设有训练集,训练集中包括多个样本图像及与所述样本图像对应的真实图像。可例如选用现有图像数据集中的真实图像,或其他方式获取的真实图像;对真实图像的部分区域进行遮挡,得到相应的样本图像,使得每个样本图像包括正常区域及待修复区域。本公开对此不作限制。
在一种可能的实现方式中,根据预设的训练集,训练所述神经网络的步骤,可包括:
将所述样本图像输入所述神经网络中处理,得到所述样本图像的初步修复图像以及多个修复样本图像块;
对所述样本图像的正常区域及所述多个修复样本图像块进行拼接,得到所述样本图像的修复样本图像;
根据所述样本图像的初步修复图像、所述修复样本图像及所述真实图像,训练所述神经网络。
举例来说,可将训练集中的样本图像输入第一修复网络中,得到样本图像的初步修复图像,该初步修复图像包括初步修复区域;根据样本图像的正常区域的多个图像块,构建纹理库;将初步修复区域的任一样本图像块及正常区域的多个图像块输入纹理匹配网络,得到与该样本图像块的纹理匹配的至少一个图像块。这样,对初步修复区域的各个样本图像块分别处理,可得到与各个样本图像块的纹理匹配的第一图像块。
在一种可能的实现方式中,对初步修复区域的样本图像块向外扩展,得到第三图像块;将第三图像块和纹理匹配的第一图像块输入第二修复网络中得到相应的修复样本图像块。
在一种可能的实现方式中,对所述样本图像的正常区域及所述多个修复样本图像块进行拼接,得到所述样本图像的修复样本图像;进而,根据样本图像的初步修复图像、所述修复样本图像及所述真实图像,可训练所述神经网络。通过这种方式,可实现神经网络的训练过程。
在一种可能的实现方式中,根据所述样本图像的初步修复图像、所述修复样本图像及所述真实图像,训练所述神经网络的步骤,包括:
根据所述初步修复图像及所述真实图像,确定所述神经网络的初步修复损失;
根据所述修复样本图像的多个修复样本图像块及所述真实图像的多个真实图像块,确定所述神经网络的分块损失;
根据所述修复样本图像及所述真实图像,确定所述神经网络的图像整体损失;
根据所述初步修复损失、所述分块损失及所述图像整体损失,训练所述神经网络。
举例来说,可从各个方面限定神经网络的损失。一方面,根据初步修复图像与真实图像之间的差异,可确定第一修复网络的损失,也即神经网络的初步修复损失(Lrecon)。该初步修复损失可例如采用L1损失,本公开对损失函数的选取不作限制。
一方面,根据修复样本图像的修复样本图像块与真实图像的对应位置的真实图像块之间的差异,可确定各个图像块的修复损失,也即神经网络的分块损失(Lps)。该分块损失可包括L1损失、知觉损失Lpercep等,本公开对损失函数的选取不作限制。
另一方面,修复样本图像与真实图像之间的差异,可确定整体图像的修复损失,也即神经网络的图像整体损失(Lblend)。该图像整体损失可包括边界平滑损失Ltv,用于去除边界伪影并保持相邻分块之间的一致性。本公开对损失函数的选取不作限制。
在一种可能的实现方式中,可将初步修复损失、分块损失及图像整体损失的加权和,确定为神经网络的总体损失;根据该总体损失反向调整神经网络的参数。经过多轮调整,在满足训练条件(例如网络收敛)的情况下,可得到训练后的神经网络。通过这种方式,可提高网络训练效果,得到高精度的神经网络。
在一种可能的实现方式中,可通过对抗训练的方式,进一步提高网络训练效果。其中,根据本公开实施例的神经网络还可包括第一判别网络,
所述根据预设的训练集,训练所述神经网络的步骤,还可包括:
将与所述样本图像对应的真实图像的多个真实图像块和对应位置的修复样本图像块,分别输入所述第一判别网络中处理,得到所述真实图像块的第一判别结果及所述修复样本图像块的第二判别结果;
根据所述第一判别结果及所述第二判别结果,对抗训练所述神经网络。
举例来说,可预设有第一判别网络,作为对抗训练的判别器;将第一修复网络、纹理匹配网络及第二修复网络作为对抗训练的生成器。
在训练过程中,可将真实图像的真实图像块输入第一判别网络,得到第一判别结果;将对应位置的修复样本图像块输入第一判别网络,得到第二判别结果。
在一种可能的实现方式中,根据第一判别结果和第二判别结果,可确定神经网络的分块对抗损失;根据该分块对抗损失,分别调整生成器和判别器的参数,从而实现生成器和判别器的对抗训练。
在对抗训练中,判别器试图区分真实图像块和修复样本图像块;生成器试图混淆真实图像块和修复样本图像块,两者相互促进,使得生成器和判别器的精度同时提高。
在一种可能的实现方式中,所述根据预设的训练集,训练所述神经网络,还包括:
确定所述样本图像的正常区域的多个图像块的第一数据分布,以及所述多个修复样本图像块的第二数据分布;
将所述第一数据分布和所述第二数据分布分别输入所述第一判别网络中处理,得到第三判别结果和第四判别结果;
根据所述第一判别结果、所述第二判别结果、所述第三判别结果及所述第四判别结果,对抗训练所述神经网络。
举例来说,为了充分利用纹理先验信息,匹配正常区域的纹理分布,可通过第一判别网络对图像块的数据分布进行判别,以便进一步提高训练效果。
在一种可能的实现方式中,根据样本图像的纹理库中的多个图像块,可确定出该多个图像块的数据分布(称为第一数据分布);根据样本图像的多个修复样本图像块,可确定出多个修复样本图像块的数据分布(称为第二数据分布)。本公开对数据分布的具体计算方式不作限制。
在一种可能的实现方式中,可将第一数据分布和所述第二数据分布分别输入所述第一判别网络中处理,得到第三判别结果和第四判别结果;进而,可根据第一、第二、第三及第四判别结果,确定神经网络的分块对抗损失;根据该分块对抗损失,分别调整生成器和判别器的参数,从而实现生成器和判别器的对抗训练。
在对抗训练中,判别器试图区分真实图像块和修复样本图像块;生成器试图混淆真实图像块和修复样本图像块;同时,判别器试图区分真实图像块的数据分布和修复样本图像块的数据分布,生成器试图混淆真实图像块的数据分布和修复样本图像块的数据分布,两者相互促进,生成器和判别器的精度同时提高。
经对抗训练后,能够使得修复样本图像块更接近真实图像块,修复样本图像块的数据分布更接近真实图像块的数据分布,从而进一步提高网络训练效果。
在一种可能的实现方式中,可将对抗训练加入到前面的训练过程,也即,将分块对抗损失加入神经网络的分块损失中,并将分块对抗损失、L1损失及知觉损失Lpercep的加权和,确定为神经网络的分块损失,从而提高网络训练效果。
在一种可能的实现方式中,根据本公开实施例的神经网络还可包括第二判别网络,
所述根据预设的训练集,训练所述神经网络的步骤,还可包括:
将与所述样本图像对应的真实图像以及所述修复样本图像,分别输入所述第二判别网络中处理,得到所述真实图像的第五判别结果及所述修复样本图像的第六判别结果;
根据所述第五判别结果及所述第六判别结果,对抗训练所述神经网络。
举例来说,可预设有第二判别网络,作为对抗训练的判别器;将第一修复网络、纹理匹配网络及第二修复网络作为对抗训练的生成器。
在训练过程中,可将真实图像输入第二判别网络,得到第五判别结果;将对应的修复样本图像块输入第二判别网络,得到第六判别结果。
在一种可能的实现方式中,根据第五判别结果和第六判别结果,可确定神经网络的整体对抗损失;根据该整体对抗损失,分别调整生成器和判别器的参数,从而实现生成器和判别器的对抗训练。
在一种可能的实现方式中,可将对抗训练加入前面的训练过程,也即,将整体对抗损失加入神经网络的图像整体损失中,并将整体对抗损失与边界平滑损失Ltv的加权和,确定为神经网络的图像整体损失,从而进一步提高网络训练效果。
根据本公开实施例的图像修复方法,在根据全局信息修复图像的基础上,在更小的块状区域上提取区域纹理信息、生成高质量的图像块并拼接回原图,能够做到在复杂场景和通用场景下的图像修复,具有很好的泛化能力;并且,修复图像具有更好的纹理效果,提高了图像修复的精度。
根据本公开实施例的图像修复方法,能够通过纹理库的方式,高效地获得有用纹理块;采用分块处理的方式,能够并行执行,从而提高了处理效率;在训练中,能够通过对抗训练提高网络训练效果,进一步提高生成纹理的质量。
根据本公开实施例的图像修复方法,能够应用于图像修复、图像特效制作等场景中,例如在人脸的美容、人体瘦身等算法中的背景修复;图像水印区域的修复等。
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,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了图像修复装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像修复方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图3示出根据本公开实施例的图像修复装置的框图,如图3所示,所述装置包括:
第一修复模块31,用于对待处理图像进行初步修复,得到第一修复图像,所述待处理图像包括正常区域及待修复区域,所述第一修复图像包括与所述待修复区域对应的初步修复区域;纹理匹配模块32,用于根据所述正常区域的多个第一图像块以及所述初步修复区域的多个第二图像块,分别确定与各个第二图像块的纹理匹配的第一图像块;第二修复模块33,用于根据与各个第二图像块的纹理匹配的第一图像块,对所述初步修复区域进行修复,得到所述待处理图像的第二修复图像。
在一种可能的实现方式中,所述纹理匹配模块包括:相似度确定子模块,用于针对任一第二图像块,分别确定出所述第二图像块与所述多个第一图像块之间的相似度;匹配子模块,用于将相似度最高的至少一个第一图像块,确定为与所述第二图像块的纹理匹配的第一图像块。
在一种可能的实现方式中,所述第二修复模块包括:图像块修复子模块,用于根据与各个第二图像块的纹理匹配的第一图像块,分别对各个第二图像块进行修复,得到各个第二图像块的修复图像块;第一拼接子模块,用于对所述待处理图像的正常区域及各个第二图像块的修复图像块进行拼接,得到所述第二修复图像。
在一种可能的实现方式中,所述图像块修复子模块用于:针对任一第二图像块,对所述第一修复图像中与所述第二图像块对应的第三图像块进行特征提取,得到所述第三图像块的特征,所述第三图像块的尺寸大于所述第二图像块的尺寸;对与所述第二图像块的纹理匹配的第一图像块进行特征提取,得到所述第一图像块的特征;将所述第三图像块的特征与所述第一图像块的特征进行融合,得到所述第二图像块的融合特征;根据所述第二图像块的融合特征,生成所述第二图像块的修复图像块。
在一种可能的实现方式中,所述装置通过神经网络实现,所述神经网络包括第一修复网络、纹理匹配网络及第二修复网络,所述第一修复网络用于对待处理图像进行初步修复,所述纹理匹配网络用于对所述第二图像块与所述第一图像块进行纹理匹配,所述第二修复网络用于对所述初步修复区域进行修复,所述装置还包括:训练模块,用于根据预设的训练集,训练所述神经网络,所述训练集包括多个样本图像及与所述样本图像对应的真实图像,每个样本图像包括正常区域及待修复区域。
在一种可能的实现方式中,所述训练模块包括:修复子模块,用于将所述样本图像输入所述神经网络中处理,得到所述样本图像的初步修复图像以及多个修复样本图像块;第二拼接子模块,用于对所述样本图像的正常区域及所述多个修复样本图像块进行拼接,得到所述样本图像的修复样本图像;训练子模块,用于根据所述样本图像的初步修复图像、所述修复样本图像及所述真实图像,训练所述神经网络。
在一种可能的实现方式中,所述训练子模块用于:根据所述初步修复图像及所述真实图像,确定所述神经网络的初步修复损失;根据所述修复样本图像的多个修复样本图像块及所述真实图像的多个真实图像块,确定所述神经网络的分块损失;根据所述修复样本图像及所述真实图像,确定所述神经网络的图像整体损失;根据所述初步修复损失、所述分块损失及所述图像整体损失,训练所述神经网络。
在一种可能的实现方式中,所述神经网络还包括第一判别网络,所述训练模块还包括:第一判别子模块,用于将与所述样本图像对应的真实图像的多个真实图像块和对应位置的修复样本图像块,分别输入所述第一判别网络中处理,得到所述真实图像块的第一判别结果及所述修复样本图像块的第二判别结果;第一对抗训练子模块,用于根据所述第一判别结果及所述第二判别结果,对抗训练所述神经网络。
在一种可能的实现方式中,所述训练模块还包括:分布确定子模块,用于确定所述样本图像的正常区域的多个图像块的第一数据分布,以及所述多个修复样本图像块的第二数据分布;第二判别子模块,用于将所述第一数据分布和所述第二数据分布分别输入所述第一判别网络中处理,得到第三判别结果和第四判别结果;第二对抗训练子模块,用于根据所述第一判别结果、所述第二判别结果、所述第三判别结果及所述第四判别结果,对抗训练所述神经网络。
在一种可能的实现方式中,所述神经网络还包括第二判别网络,所述训练模块还包括:第三判别子模块,用于将与所述样本图像对应的真实图像以及所述修复样本图像,分别输入所述第二判别网络中处理,得到所述真实图像的第五判别结果及所述修复样本图像的第六判别结果;第三对抗训练子模块,用于根据所述第五判别结果及所述第六判别结果,对抗训练所述神经网络。
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调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的图像修复方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的图像修复方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备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4,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5示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图5,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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
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的改进,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 (13)
1.一种图像修复方法,其特征在于,包括:
对待处理图像进行初步修复,得到第一修复图像,所述待处理图像包括正常区域及待修复区域,所述第一修复图像包括与所述待修复区域对应的初步修复区域;
根据所述正常区域的多个第一图像块以及所述初步修复区域的多个第二图像块,分别确定与各个第二图像块的纹理匹配的第一图像块;
根据与各个第二图像块的纹理匹配的第一图像块,对所述初步修复区域进行修复,得到所述待处理图像的第二修复图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述正常区域的多个第一图像块以及所述初步修复区域的多个第二图像块,分别确定与各个第二图像块的纹理匹配的第一图像块,包括:
针对任一第二图像块,分别确定出所述第二图像块与所述多个第一图像块之间的相似度;
将相似度最高的至少一个第一图像块,确定为与所述第二图像块的纹理匹配的第一图像块。
3.根据权利要求1或2所述的方法,其特征在于,所述根据与各个第二图像块的纹理匹配的第一图像块,对所述初步修复区域进行修复,得到所述待处理图像的第二修复图像,包括:
根据与各个第二图像块的纹理匹配的第一图像块,分别对各个第二图像块进行修复,得到各个第二图像块的修复图像块;
对所述待处理图像的正常区域及各个第二图像块的修复图像块进行拼接,得到所述第二修复图像。
4.根据权利要求3所述的方法,其特征在于,所述根据与各个第二图像块的纹理匹配的第一图像块,分别对各个第二图像块进行修复,得到各个第二图像块的修复图像块,包括:
针对任一第二图像块,对所述第一修复图像中与所述第二图像块对应的第三图像块进行特征提取,得到所述第三图像块的特征,所述第三图像块的尺寸大于所述第二图像块的尺寸;
对与所述第二图像块的纹理匹配的第一图像块进行特征提取,得到所述第一图像块的特征;
将所述第三图像块的特征与所述第一图像块的特征进行融合,得到所述第二图像块的融合特征;
根据所述第二图像块的融合特征,生成所述第二图像块的修复图像块。
5.根据权利要求1-4中任意一项所述的方法,其特征在于,所述方法通过神经网络实现,所述神经网络包括第一修复网络、纹理匹配网络及第二修复网络,所述第一修复网络用于对待处理图像进行初步修复,所述纹理匹配网络用于对所述第二图像块与所述第一图像块进行纹理匹配,所述第二修复网络用于对所述初步修复区域进行修复,
所述方法还包括:根据预设的训练集,训练所述神经网络,所述训练集包括多个样本图像及与所述样本图像对应的真实图像,每个样本图像包括正常区域及待修复区域。
6.根据权利要求5所述的方法,其特征在于,所述根据预设的训练集,训练所述神经网络,包括:
将所述样本图像输入所述神经网络中处理,得到所述样本图像的初步修复图像以及多个修复样本图像块;
对所述样本图像的正常区域及所述多个修复样本图像块进行拼接,得到所述样本图像的修复样本图像;
根据所述样本图像的初步修复图像、所述修复样本图像及所述真实图像,训练所述神经网络。
7.根据权利要求6所述的方法,其特征在于,所述根据所述样本图像的初步修复图像、所述修复样本图像及所述真实图像,训练所述神经网络,包括:
根据所述初步修复图像及所述真实图像,确定所述神经网络的初步修复损失;
根据所述修复样本图像的多个修复样本图像块及所述真实图像的多个真实图像块,确定所述神经网络的分块损失;
根据所述修复样本图像及所述真实图像,确定所述神经网络的图像整体损失;
根据所述初步修复损失、所述分块损失及所述图像整体损失,训练所述神经网络。
8.根据权利要求6或7所述的方法,其特征在于,所述神经网络还包括第一判别网络,所述根据预设的训练集,训练所述神经网络,还包括:
将与所述样本图像对应的真实图像的多个真实图像块和对应位置的修复样本图像块,分别输入所述第一判别网络中处理,得到所述真实图像块的第一判别结果及所述修复样本图像块的第二判别结果;
根据所述第一判别结果及所述第二判别结果,对抗训练所述神经网络。
9.根据权利要求8所述的方法,其特征在于,所述根据预设的训练集,训练所述神经网络,还包括:
确定所述样本图像的正常区域的多个图像块的第一数据分布,以及所述多个修复样本图像块的第二数据分布;
将所述第一数据分布和所述第二数据分布分别输入所述第一判别网络中处理,得到第三判别结果和第四判别结果;
根据所述第一判别结果、所述第二判别结果、所述第三判别结果及所述第四判别结果,对抗训练所述神经网络。
10.根据权利要求6-9中任意一项所述的方法,其特征在于,所述神经网络还包括第二判别网络,所述根据预设的训练集,训练所述神经网络,还包括:
将与所述样本图像对应的真实图像以及所述修复样本图像,分别输入所述第二判别网络中处理,得到所述真实图像的第五判别结果及所述修复样本图像的第六判别结果;
根据所述第五判别结果及所述第六判别结果,对抗训练所述神经网络。
11.一种图像修复装置,其特征在于,包括:
第一修复模块,用于对待处理图像进行初步修复,得到第一修复图像,所述待处理图像包括正常区域及待修复区域,所述第一修复图像包括与所述待修复区域对应的初步修复区域;
纹理匹配模块,用于根据所述正常区域的多个第一图像块以及所述初步修复区域的多个第二图像块,分别确定与各个第二图像块的纹理匹配的第一图像块;
第二修复模块,用于根据与各个第二图像块的纹理匹配的第一图像块,对所述初步修复区域进行修复,得到所述待处理图像的第二修复图像。
12.一种电子设备,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调用所述存储器存储的指令,以执行权利要求1至10中任意一项所述的方法。
13.一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10中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237090.1A CN111445415B (zh) | 2020-03-30 | 2020-03-30 | 图像修复方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237090.1A CN111445415B (zh) | 2020-03-30 | 2020-03-30 | 图像修复方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445415A true CN111445415A (zh) | 2020-07-24 |
CN111445415B CN111445415B (zh) | 2024-03-08 |
Family
ID=71649321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010237090.1A Active CN111445415B (zh) | 2020-03-30 | 2020-03-30 | 图像修复方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445415B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419179A (zh) * | 2020-11-18 | 2021-02-26 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
CN113674176A (zh) * | 2021-08-23 | 2021-11-19 | 北京市商汤科技开发有限公司 | 图像修复方法及装置、电子设备和存储介质 |
WO2022247702A1 (zh) * | 2021-05-28 | 2022-12-01 | 杭州睿胜软件有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN112419179B (zh) * | 2020-11-18 | 2024-07-05 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145839A (zh) * | 2017-04-17 | 2017-09-08 | 努比亚技术有限公司 | 一种指纹图像补全模拟方法及其*** |
CN107993210A (zh) * | 2017-11-30 | 2018-05-04 | 北京小米移动软件有限公司 | 图像修复方法、装置及计算机可读存储介质 |
CN109584178A (zh) * | 2018-11-29 | 2019-04-05 | 腾讯科技(深圳)有限公司 | 图像修复方法、装置和存储介质 |
US20190295227A1 (en) * | 2018-03-26 | 2019-09-26 | Adobe Inc. | Deep patch feature prediction for image inpainting |
-
2020
- 2020-03-30 CN CN202010237090.1A patent/CN111445415B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145839A (zh) * | 2017-04-17 | 2017-09-08 | 努比亚技术有限公司 | 一种指纹图像补全模拟方法及其*** |
CN107993210A (zh) * | 2017-11-30 | 2018-05-04 | 北京小米移动软件有限公司 | 图像修复方法、装置及计算机可读存储介质 |
US20190295227A1 (en) * | 2018-03-26 | 2019-09-26 | Adobe Inc. | Deep patch feature prediction for image inpainting |
CN109584178A (zh) * | 2018-11-29 | 2019-04-05 | 腾讯科技(深圳)有限公司 | 图像修复方法、装置和存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419179A (zh) * | 2020-11-18 | 2021-02-26 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
CN112419179B (zh) * | 2020-11-18 | 2024-07-05 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
WO2022247702A1 (zh) * | 2021-05-28 | 2022-12-01 | 杭州睿胜软件有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113674176A (zh) * | 2021-08-23 | 2021-11-19 | 北京市商汤科技开发有限公司 | 图像修复方法及装置、电子设备和存储介质 |
CN113674176B (zh) * | 2021-08-23 | 2024-04-16 | 北京市商汤科技开发有限公司 | 图像修复方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111445415B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647834B (zh) | 人脸和人手关联检测方法及装置、电子设备和存储介质 | |
CN111310616B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110287874B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
CN111462268B (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN109816764B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN109977847B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN111553864B (zh) | 图像修复方法及装置、电子设备和存储介质 | |
CN110458218B (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN111242303B (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN111435432B (zh) | 网络优化方法及装置、图像处理方法及装置、存储介质 | |
CN110944230B (zh) | 视频特效的添加方法、装置、电子设备及存储介质 | |
CN109711546B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN112219224B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN111445415B (zh) | 图像修复方法及装置、电子设备和存储介质 | |
CN111563138B (zh) | 定位方法及装置、电子设备和存储介质 | |
CN108171222B (zh) | 一种基于多流神经网络的实时视频分类方法及装置 | |
CN112529846A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110415258B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109165722B (zh) | 模型扩展方法及装置、电子设备和存储介质 | |
CN113538310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111311588B (zh) | 重定位方法及装置、电子设备和存储介质 | |
CN110929545A (zh) | 人脸图像的整理方法及装置 | |
CN111553865B (zh) | 图像修复方法及装置、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 |