CN114972020A - 一种图像处理方法、装置、存储介质及电子设备 - Google Patents
一种图像处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114972020A CN114972020A CN202210387277.9A CN202210387277A CN114972020A CN 114972020 A CN114972020 A CN 114972020A CN 202210387277 A CN202210387277 A CN 202210387277A CN 114972020 A CN114972020 A CN 114972020A
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- super
- original
- background
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 77
- 230000004927 fusion Effects 0.000 claims abstract description 75
- 238000000926 separation method Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims description 35
- 238000005070 sampling Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000007499 fusion processing Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 description 12
- 238000007906 compression Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010207 Bayesian analysis Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本公开实施例公开了一种图像处理方法、装置、存储介质及电子设备。其中，图像处理方法包括：获取低分辨的原始图像，对原始图像进行超分辨率处理得到初始超分辨图像；分别对所述原始图像和所述初始超分辨图像进行前景背景分离，得到所述原始图像的原始前景区域和原始背景区域，以及所述初始超分辨图像的超分辨前景区域和超分辨背景区域；基于背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，得到超分辨图像。通过对原始图像和初始超分辨图像进行前景背景分离，以及将各分离结果进行融合，实现了前景区域和背景区域分开融合处理，使在增强图像清晰度的同时，也保留了原始图像的艺术风格。
Description
技术领域
本公开实施例涉及图像处理技术领域，尤其涉及一种图像处理方法、装置、存储介质及电子设备。
背景技术
超分辨算法用于将低分辨率的图像提升至高分辨率，增强图像清晰度，消除模糊感。早期拍摄的图像或视频由于拍摄设备等的限制，存在画面模糊、噪声多、分辨率低等的问题，可通过超分辨算法对早期拍摄的图像或视频进行处理得到高分辨的图像或视频。
但是由于部分图像/视频存在独特风格和较强的艺术感，例如动漫图像或视频，不同的动漫的风格可以不同。对不同类型的图像/视频采用相同超分辨算法进行处理的过程中，存在造成纹理丢失以及原图像/视频的艺术风格改变的问题。
发明内容
本公开实施例提供了一种图像处理方法、装置、存储介质及电子设备，以实现在增强图像清晰度的同时，也保留原始图像的艺术风格。
第一方面，本公开实施例提供了一种图像处理方法，包括：
获取低分辨的原始图像，对所述原始图像进行超分辨率处理得到初始超分辨图像；
分别对所述原始图像和所述初始超分辨图像进行前景背景分离，得到所述原始图像的原始前景区域和原始背景区域，以及所述初始超分辨图像的超分辨前景区域和超分辨背景区域；
基于背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，得到超分辨图像。
第二方面，本公开实施例还提供了一种图像处理装置，包括：
超分辨率处理模块，用于获取低分辨的原始图像，对所述原始图像进行超分辨率处理得到初始超分辨图像；
图像分离模块，用于分别对所述原始图像和所述初始超分辨图像进行前景背景分离，得到所述原始图像的原始前景区域和原始背景区域，以及所述初始超分辨图像的超分辨前景区域和超分辨背景区域；
区域融合模块，用于基于背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，得到超分辨图像。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的图像处理方法。
第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的图像处理方法。
本公开实施例的技术方案，通过获取低分辨的原始图像，对低分辨率的原始图像进行超分辨率处理得到初始超分辨图像，实现了图像的清晰度增强；进一步的，分别对原始图像和初始超分辨图像进行前景背景分离，得到原始图像的原始前景区域和原始背景区域，以及初始超分辨图像的超分辨前景区域和超分辨背景区域，并根据背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，实现了前景区域和背景区域分开融合处理，使在增强图像清晰度的同时，也保留原始图像的艺术风格。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种图像处理方法的流程示意图；
图2是本公开实施例提供的一种图像处理方法的流程示意图；
图3是本公开实施例提供的一种图像处理方法的流程示意图；
图4是本公开实施例提供的一种图像处理方法的流程示意图；
图5是本公开实施例提供的一种图像处理装置的结构示意图；
图6为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
图1为本公开实施例所提供的一种图像处理方法的流程示意图，本公开实施例适应于在图像或视频中进行超分辨后处理的情况，该方法可以由本公开实施例提供的图像处理装置来执行，该图像处理装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端或PC端等。
如图1，本实施例的方法包括：
S110、获取低分辨的原始图像，对所述原始图像进行超分辨率处理得到初始超分辨图像。
S120、分别对所述原始图像和所述初始超分辨图像进行前景背景分离，得到所述原始图像的原始前景区域和原始背景区域，以及所述初始超分辨图像的超分辨前景区域和超分辨背景区域。
S130、基于背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，得到超分辨图像。
在本实施例中，低分辨的原始图像指的是图像分辨率较低的图像，即画质不清晰的图像，例如360P，480P，720P等分辨率视频中的画面。
具体地，可以从电子设备本地或其他设备的存储位置获取低分辨的原始图像。低分辨的原始图像可以是从视频中提取的一个或多个视频帧，视频可以是低分辨率的动漫视频、绘画教学视频等；也可以是单独存储的图片，在此不做限定。
在本实施例中，超分辨率处理是指将低分辨率图像转换为高分辨率图像的算法，换而言之，通过超分辨率处理，可以将低分辨的原始图像转换成高分辨率的初始超分辨图像。可以理解的是，初始超分辨图像的分辨率大于原始图像的分辨率，画质也相对清晰。
在一些实施例中，超分辨率处理算法可以是基于差值的图像超分辨算法，插值算法包括但不限于最邻近元法，双线性内插法，三次内插法等；在一些实施例中，超分辨率处理算法还可以是基于重建的图像超分辨算法，重建算法包括但不限于凸集投影法、贝叶斯分析方法等。本实施例对超分辨率处理算法的方式不作限定。
在得到初始超分辨图像之后，为了解决初始超分辨图像纹理丢失以及艺术风格改变的问题，本实施例通过对原始图像和初始超分辨图像进行前景背景分离，并将原始图像和初始超分辨图像的前景背景分离结果进行融合，得到清晰度增强，纹理保留原始图像的艺术风格的超分辨图像。
在本实施例中，前景背景分离指的是将图像的前景和背景进行分离，以得到图像的前景区域和背景区域，前景区域中可以包括至少一个目标主体，背景区域可以是图像中除目标主体以外的部分。示例性的，目标主体可以是人、宠物、动漫人物等，在此不做限定。
具体地，可将原始图像和初始超分辨图像分别输入至图像分离网络模型，通过图像分离网络模型识别出原始图像和初始超分辨图像中的目标主体，并将原始图像分割为原始背景区域和包含目标主体的原始前景区域，以及将初始超分辨图像分割为超分辨背景区域和包含目标主体的超分辨前景区域，以实现图像前景区域和背景区域分开处理。其中，图像分离网络模型可以是神经网络模型，图像分离网络模型的网络架构在此不做限定，例如U-Net、ResNet等。
进一步的，在得到原始图像和初始超分辨图像的前景背景分离结果之后，可以根据背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，得到超分辨图像。
其中，前景融合参数指的是用于前景区域融合的可调整参数，即前景融合参数可以用于对原始前景区域和超分辨前景区域进行融合，使前景区域清晰度增强。背景融合参数指的是用于背景区域融合的可调整参数，即背景融合参数可以用于对原始背景区域和超分辨背景区域进行融合，使背景区域的纹理保留原始图像的艺术风格。
具体的，融合过程包括前景融合、背景融合和前景背景拼接。换而言之，根据背景融合参数完成原始背景区域和超分辨背景区域的融合，以及根据前景融合参数完成原始前景区域和超分辨前景区域的融合之后，将前景融合结果和背景融合结果进行拼接，得到完整的超分辨图像，该超分辨图像中前景区域清晰，背景区域的纹理保留原始图像的艺术风格，提升了用户观感。
本公开实施例的技术方案，通过获取低分辨的原始图像，对低分辨率的原始图像进行超分辨率处理得到初始超分辨图像，实现了图像的清晰度增强；进一步的，分别对原始图像和初始超分辨图像进行前景背景分离，得到原始图像的原始前景区域和原始背景区域，以及初始超分辨图像的超分辨前景区域和超分辨背景区域；基于背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，得到超分辨图像，实现了前景区域和背景区域分开融合处理，使在增强图像清晰度的同时，也保留原始图像的艺术风格。
参考图2，图2为本公开实施例提供的图像处理方法的流程示意图，本实施例的方法与上述实施例中提供的图像处理方法中各个可选方案可以结合。本实施例提供的图像处理方法进行了进一步优化。可选的，所述分别对所述原始图像和所述初始超分辨图像进行前景背景分离，包括：对所述原始图像进行语义分割和边缘检测，得到对所述原始图像进行前景背景分离的掩膜图；基于所述掩膜图对所述原始图像和所述初始超分辨图像进行前景背景分离。
如图2，本实施例的方法包括：
S210、获取低分辨的原始图像，对所述原始图像进行超分辨率处理得到初始超分辨图像。
S220、对所述原始图像进行语义分割和边缘检测，得到对所述原始图像进行前景背景分离的掩膜图。
S230、基于所述掩膜图对所述原始图像和所述初始超分辨图像进行前景背景分离，得到所述原始图像的原始前景区域和原始背景区域，以及所述初始超分辨图像的超分辨前景区域和超分辨背景区域。
S240、基于背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，得到超分辨图像。
在本实施例中，通过对原始图像进行语义分割，可以得到二值掩膜图像，二值掩膜图像是一种轮廓粗糙的掩膜图像；为了得到精细的轮廓形状的掩膜图像，可以进一步对二值掩膜图像进行边缘检测，检测出目标物体边缘位置，可以根据目标物体边缘位置确定精细轮廓形状的掩膜图，进而根据精细轮廓形状的掩膜图对原始图像和初始超分辨图像进行前景背景分离，以提高图像前景与背景的分离精度，保留更多的纹理。
示例性的，可以通过语义分割网络模型对原始图像进行语义分割，语义分割网络模型可以是神经网络模型，语义分割网络模型的网络架构在此不做限定，例如U-Net、ResNet等。在对原始图像进行语义分割之后，对得到的二值掩膜图像进行canny边缘检测，得到高精度的掩膜图。该高精度的掩膜图可以用于对原始图像进行前景背景分离，以提高图像前景与背景的分离精度。
在上述各实施例的基础上，所述基于所述掩膜图对所述原始图像和所述初始超分辨图像进行前景背景分离，包括：将所述原始图像和所述掩膜图上采样处理，得到上采样图像和上采样掩膜图，其中，所述上采样图像、所述上采样掩膜图和所述初始超分辨图像的分辨率相同；基于所述上采样掩膜图对所述上采样图像和所述初始超分辨图像前景背景分离。
在本实施例中，通过上采样处理，将原始图像和掩膜图的分辨率调整为与初始超分辨图像相同的分辨率，以便上采样掩膜图对相同分辨率的上采样图像和初始超分辨图像进行准确的前景背景分离，提高前景背景分离的精度。
可选的，前景融合参数和背景融合参数可以是强度参数，参数值的范围介于0和1之间，即前景融合参数为前景边缘强度，背景融合参数为背景强度。
示例性的，超分辨图像的融合公式如下：
超分辨图像＝a×fr+A×(1-fr)+b×br+B×(1-br)
其中，fr表示前景融合参数，br表示背景融合参数，a表示原始前景区域，b表示原始背景区域，A表示超分辨前景区域，以及B表示超分辨背景区域。
本公开实施例的技术方案，通过对原始图像进行语义分割和边缘检测，得到具有精细轮廓形状的掩膜图，进而根据具有精细轮廓形状的掩膜图对原始图像和初始超分辨图像进行前景背景分离，提高图像前景与背景的分离精度，保留更多的纹理。
参考图3，图3为本公开实施例提供的图像处理方法流程示意图，本实施例的方法与上述实施例中提供的图像处理方法中各个可选方案可以结合。本实施例提供的图像处理方法进行了进一步优化。可选的，在得到超分辨图像之后，所述方法还包括：识别所述原始图像中的目标对象区域；在所述目标对象区域为背景目标对象区域的情况下，对所述原始图像中的背景目标对象区域进行上采样处理后，与所述超分辨图像中对应的融合目标对象区域进行融合处理，得到目标超分辨图像。
如图3，本实施例的方法包括：
S310、获取低分辨的原始图像，对所述原始图像进行超分辨率处理得到初始超分辨图像。
S320、分别对所述原始图像和所述初始超分辨图像进行前景背景分离，得到所述原始图像的原始前景区域和原始背景区域，以及所述初始超分辨图像的超分辨前景区域和超分辨背景区域。
S330、基于背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，得到超分辨图像。
S340、识别所述原始图像中的目标对象区域。
S350、在所述目标对象区域为背景目标对象区域的情况下，对所述原始图像中的背景目标对象区域进行上采样处理后，与所述超分辨图像中对应的融合目标对象区域进行融合处理，得到目标超分辨图像。
在本实施例中，目标对象区域指的是原始图像中目标对象所在区域，示例性的，目标对象可以包括人脸等身体部位。原始图像中可以包括一个或多个目标对象区域。目标对象区域按画面远近可以分为背景目标对象区域和前景目标对象区域，背景目标对象指的是原始图像中的远景目标对象，前景目标对象指的是原始图像中的近景目标对象。
具体的，可以通过目标对象检测算法对原始图像进行识别目标对象识别，得到原始图像中一个或多个目标对象区域。其中，目标对象检测算法可以包括基于目标对象特征点的识别算法、基于模板的识别算法和基于神经网络进行识别的算法等，本实施例在此不做限定。
进一步的，在目标对象区域为背景目标对象区域的情况下，可以对原始图像中的背景目标对象区域进行上采样处理，使原始图像中的背景目标对象区域与超分辨图像中对应的融合目标对象区域的分辨率相同，并根据目标对象融合参数，将上采样后的背景目标对象区域与超分辨图像中对应的融合目标对象区域进行融合处理，使得到的目标超分辨图像中背景目标对象区域保持原始的艺术风格。其中，目标对象融合参数可以根据经验设定，用于调整背景目标对象区域的清晰程度。
示例性的，原始图像可以是动漫图像，动漫中前景人脸结构清晰，背景人脸较为模糊，若对同一场景内的前景人脸和背景人脸进行同样的增强，会破坏人脸本身的朦胧虚化感，无法保留原始图像的艺术风格。在本实施例中，可以对动漫图像中的背景人脸区域进行上采样处理，将上采样后的背景人脸区域与超分辨图像中对应的融合人脸区域进行融合处理，得到保持原始的艺术风格的动漫图像。
需要说明的是，目标超分辨图像中的背景目标对象区域的清晰度可以介于上采样后的背景目标对象区域和超分辨图像中对应的融合目标对象区域之间。换而言之，通过上述融合处理，即提升了背景目标对象区域的清晰度，也保持了原始的艺术风格。
示例性的，目标超分辨图像的融合公式如下：
目标超分辨图像＝c×r+C×(1-r)
其中，r表示人脸融合参数，c表示上采样后的原始图像中的背景人脸区域，C表示超分辨图像中对应的融合人脸区域。
在上述各实施例的基础上，在识别所述原始图像中的目标对象区域之后，还包括：确定所述目标对象区域在所述原始图像中的面积占比，在所述面积占比小于预设远景阈值时，确定所述目标对象区域为背景目标对象区域。
示例性的，可以根据目标对象区域内像素点数量确定识别的目标对象区域面积，以及根据原始图像中像素点数量确定整体面积，并将两者相除，得到目标对象区域在原始图像中的面积占比，若面积占比小于预设远景阈值，则将目标对象区域确定为背景目标对象区域；若面积占比大于等于预设远景阈值，则将目标对象区域确定为前景目标对象区域，并将该目标对象区域过滤。其中，预设远景阈值可以根据经验设定，用于判定识别的目标对象区域是否为背景目标对象区域。
本公开实施例的技术方案，通过识别原始图像中的目标对象区域，在目标对象区域为背景目标对象区域的情况下，可以对原始图像中的背景目标对象区域进行上采样处理，使原始图像中的背景目标对象区域与超分辨图像中对应的融合目标对象区域的分辨率相同，并根据目标对象融合参数，将上采样后的背景目标对象区域与超分辨图像中对应的融合目标对象区域进行融合处理，使得到的目标超分辨图像中背景目标对象区域保持原始的艺术风格，提升用户观感。
参考图4，图4为本公开实施例提供的图像处理方法流程示意图，本实施例的方法与上述实施例中提供的图像处理方法中各个可选方案可以结合。本实施例提供的图像处理方法进行了进一步优化。可选的，所述对所述原始图像进行超分辨率处理得到初始超分辨图像，包括：确定所述原始图像的图像清晰度指标，基于所述图像清晰度指标调用对应处理强度的超分辨模型，基于调用的超分辨模型对所述原始图像进行超分辨率处理。
如图4，本实施例的方法包括：
S410、获取低分辨的原始图像，确定所述原始图像的图像清晰度指标，基于所述图像清晰度指标调用对应处理强度的超分辨模型。
S420、基于调用的超分辨模型对所述原始图像进行超分辨率处理，得到初始超分辨图像。
S430、分别对所述原始图像和所述初始超分辨图像进行前景背景分离，得到所述原始图像的原始前景区域和原始背景区域，以及所述初始超分辨图像的超分辨前景区域和超分辨背景区域。
S440、基于背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，得到超分辨图像。
在本实施例中，图像清晰度指标可以用于评价图像清晰度。可以理解的是，图像清晰度越高，图像清晰度指标的数值越大。为了防止图像中产生伪像，可以根据图像清晰度指标调用对应处理强度的超分辨模型，实现了超分辨模型的适应性匹配，进一步的，基于适配的超分辨模型对原始图像进行超分辨率处理，以提高初始超分辨图像的显示效果。
示例性的，超分辨模型可以是神经网络模型，超分辨模型的训练过程包括：获取训练数据，训练数据可以包括低分辨率的原始图像以及对应的高清图像，低分辨率的原始图像可以是进行模糊处理和下采样退化的原始图像，模糊处理的类型包括高斯各向同性和各向异性模糊等，下采样类型包括双线性插值，三次线性插值和最邻近差值。进一步的，基于训练数据对初始的超分辨模型进行训练，直到满足收敛条件，得到超分辨模型。其中，模糊处理的模糊强度可以由高斯模糊核尺寸决定，模糊核越大，对应的训练数据越模糊，训练的超分模型强度越大。
在上述各实施例的基础上，在对所述原始图像进行超分辨率处理得到初始超分辨图像之前，所述方法还包括：确定所述原始图像的图像评价指标，基于图像评价指标调用对应强度的至少一个预处理模型，基于所述预处理模型对所述原始图像进行预处理。
其中，图像评价指标可以用于评价图像质量，包括但不限于噪声指标和压缩失真指标，噪声指标用于评价图像中的噪声程度，压缩失真指标用于评价图像中的压缩失真程度；相应的，预处理模型包括但不限于去噪模型和压缩模型，可以理解的是，噪声指标的数值越大，表明原始图像中噪声程度越大，压缩失真指标越大，表明原始图像的压缩程度越大。
具体的，可以根据噪声指标调用对应强度的去噪模型，不同强度的去噪模型可以根据包含不同噪声程度的训练数据对初始神经网络模型训练得到，训练数据的噪声强度越大，去噪模型的强度越大。此外，可以根据压缩失真指标调用对应强度的压缩模型，不同强度的压缩模型可以根据包含不同压缩程度的训练数据对初始神经网络模型训练得到，训练数据的压缩程度越大，压缩模型的强度越大。
本公开实施例的技术方案，为了图像中产生伪像，可以根据图像清晰度指标调用对应处理强度的超分辨模型，实现了超分辨模型的适应性匹配，基于适配的超分辨模型对原始图像进行超分辨率处理，以提高初始超分辨图像的显示效果。
图5是本公开实施例所提供的一种图像处理装置的结构示意图。如图5所示，所述装置包括：
超分辨率处理模块510，用于获取低分辨的原始图像，对所述原始图像进行超分辨率处理得到初始超分辨图像；
图像分离模块520，用于分别对所述原始图像和所述初始超分辨图像进行前景背景分离，得到所述原始图像的原始前景区域和原始背景区域，以及所述初始超分辨图像的超分辨前景区域和超分辨背景区域；
区域融合模块530，用于基于背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，得到超分辨图像。
在本公开实施例的一些可选的实现方式中，图像分离模块520包括：
掩膜图生成单元，用于对所述原始图像进行语义分割和边缘检测，得到对所述原始图像进行前景背景分离的掩膜图；
前景背景分离单元，用于基于所述掩膜图对所述原始图像和所述初始超分辨图像进行前景背景分离。
在本公开实施例的一些可选的实现方式中，所述前景背景分离单元，具体用于：
将所述原始图像和所述掩膜图上采样处理，得到上采样图像和上采样掩膜图，其中，所述上采样图像、所述上采样掩膜图和所述初始超分辨图像的分辨率相同；
基于所述上采样掩膜图对所述上采样图像和所述初始超分辨图像前景背景分离。
在本公开实施例的一些可选的实现方式中，所述装置还包括：
目标对象识别模块，用于识别所述原始图像中的目标对象区域；
目标对象融合模块，用于在所述目标对象区域为背景目标对象区域的情况下，对所述原始图像中的背景目标对象区域进行上采样处理后，与所述超分辨图像中对应的融合目标对象区域进行融合处理，得到目标超分辨图像。
在本公开实施例的一些可选的实现方式中，所述装置还包括：
背景目标对象区域确定模块，用于确定所述目标对象区域在所述原始图像中的面积占比，在所述面积占比小于预设远景阈值时，确定所述目标对象区域为背景目标对象区域。
在本公开实施例的一些可选的实现方式中，超分辨率处理模块510，具体用于：
确定所述原始图像的图像清晰度指标，基于所述图像清晰度指标调用对应处理强度的超分辨模型，基于调用的超分辨模型对所述原始图像进行超分辨率处理。
在本公开实施例的一些可选的实现方式中，所述装置还包括：
图像预处理模块，用于确定所述原始图像的图像评价指标，基于图像评价指标调用对应强度的至少一个预处理模型，基于所述预处理模型对所述原始图像进行预处理。
本公开实施例所提供的图像处理装置可执行本公开任意实施例所提供的图像处理方法，具备执行图像处理方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如图6中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
本公开实施例提供的电子设备与上述实施例提供的图像处理方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的图像处理方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
获取低分辨的原始图像，对所述原始图像进行超分辨率处理得到初始超分辨图像；
分别对所述原始图像和所述初始超分辨图像进行前景背景分离，得到所述原始图像的原始前景区域和原始背景区域，以及所述初始超分辨图像的超分辨前景区域和超分辨背景区域；
基于背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，得到超分辨图像。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元/模块的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，【示例一】提供了一种图像处理方法，该方法包括：
获取低分辨的原始图像，对所述原始图像进行超分辨率处理得到初始超分辨图像；
分别对所述原始图像和所述初始超分辨图像进行前景背景分离，得到所述原始图像的原始前景区域和原始背景区域，以及所述初始超分辨图像的超分辨前景区域和超分辨背景区域；
基于背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，得到超分辨图像。
根据本公开的一个或多个实施例，【示例二】提供了一种图像处理方法，还包括：
分别对所述原始图像和所述初始超分辨图像进行前景背景分离，包括：
对所述原始图像进行语义分割和边缘检测，得到对所述原始图像进行前景背景分离的掩膜图；
基于所述掩膜图对所述原始图像和所述初始超分辨图像进行前景背景分离。
根据本公开的一个或多个实施例，【示例三】提供了一种图像处理方法，还包括：
基于所述掩膜图对所述原始图像和所述初始超分辨图像进行前景背景分离，包括：
将所述原始图像和所述掩膜图上采样处理，得到上采样图像和上采样掩膜图，其中，所述上采样图像、所述上采样掩膜图和所述初始超分辨图像的分辨率相同；
基于所述上采样掩膜图对所述上采样图像和所述初始超分辨图像前景背景分离。
根据本公开的一个或多个实施例，【示例四】提供了一种图像处理方法，还包括：
在得到超分辨图像之后，所述方法还包括：
识别所述原始图像中的目标对象区域；
在所述目标对象区域为背景目标对象区域的情况下，对所述原始图像中的背景目标对象区域进行上采样处理后，与所述超分辨图像中对应的融合目标对象区域进行融合处理，得到目标超分辨图像。
根据本公开的一个或多个实施例，【示例五】提供了一种图像处理方法，还包括：
在识别所述原始图像中的目标对象区域之后，还包括：
确定所述目标对象区域在所述原始图像中的面积占比，在所述面积占比小于预设远景阈值时，确定所述目标对象区域为背景目标对象区域。
根据本公开的一个或多个实施例，【示例六】提供了一种图像处理方法，还包括：
对所述原始图像进行超分辨率处理得到初始超分辨图像，包括：
确定所述原始图像的图像清晰度指标，基于所述图像清晰度指标调用对应处理强度的超分辨模型，基于调用的超分辨模型对所述原始图像进行超分辨率处理。
根据本公开的一个或多个实施例，【示例七】提供了一种图像处理方法，还包括：
在对所述原始图像进行超分辨率处理得到初始超分辨图像之前，所述方法还包括：
确定所述原始图像的图像评价指标，基于图像评价指标调用对应强度的至少一个预处理模型，基于所述预处理模型对所述原始图像进行预处理。
根据本公开的一个或多个实施例，【示例八】提供了一种图像处理装置，该装置包括：
超分辨率处理模块，用于获取低分辨的原始图像，对所述原始图像进行超分辨率处理得到初始超分辨图像；
图像分离模块，用于分别对所述原始图像和所述初始超分辨图像进行前景背景分离，得到所述原始图像的原始前景区域和原始背景区域，以及所述初始超分辨图像的超分辨前景区域和超分辨背景区域；
区域融合模块，用于基于背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，得到超分辨图像。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种图像处理方法，其特征在于，包括：
获取低分辨的原始图像，对所述原始图像进行超分辨率处理得到初始超分辨图像；
分别对所述原始图像和所述初始超分辨图像进行前景背景分离，得到所述原始图像的原始前景区域和原始背景区域，以及所述初始超分辨图像的超分辨前景区域和超分辨背景区域；
基于背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，得到超分辨图像。
2.根据权利要求1所述的方法，其特征在于，所述分别对所述原始图像和所述初始超分辨图像进行前景背景分离，包括：
对所述原始图像进行语义分割和边缘检测，得到对所述原始图像进行前景背景分离的掩膜图；
基于所述掩膜图对所述原始图像和所述初始超分辨图像进行前景背景分离。
3.根据权利要求2所述的方法，其特征在于，所述基于所述掩膜图对所述原始图像和所述初始超分辨图像进行前景背景分离，包括：
将所述原始图像和所述掩膜图上采样处理，得到上采样图像和上采样掩膜图，其中，所述上采样图像、所述上采样掩膜图和所述初始超分辨图像的分辨率相同；
基于所述上采样掩膜图对所述上采样图像和所述初始超分辨图像前景背景分离。
4.根据权利要求1所述的方法，其特征在于，在得到超分辨图像之后，所述方法还包括：
识别所述原始图像中的目标对象区域；
在所述目标对象区域为背景目标对象区域的情况下，对所述原始图像中的背景目标对象区域进行上采样处理后，与所述超分辨图像中对应的融合目标对象区域进行融合处理，得到目标超分辨图像。
5.根据权利要求4所述的方法，其特征在于，在识别所述原始图像中的目标对象区域之后，还包括：
确定所述目标对象区域在所述原始图像中的面积占比，在所述面积占比小于预设远景阈值时，确定所述目标对象区域为背景目标对象区域。
6.根据权利要求1所述的方法，其特征在于，所述对所述原始图像进行超分辨率处理得到初始超分辨图像，包括：
确定所述原始图像的图像清晰度指标，基于所述图像清晰度指标调用对应处理强度的超分辨模型，基于调用的超分辨模型对所述原始图像进行超分辨率处理。
7.根据权利要求1所述的方法，其特征在于，在对所述原始图像进行超分辨率处理得到初始超分辨图像之前，所述方法还包括：
确定所述原始图像的图像评价指标，基于图像评价指标调用对应强度的至少一个预处理模型，基于所述预处理模型对所述原始图像进行预处理。
8.一种图像处理装置，其特征在于，包括：
超分辨率处理模块，用于获取低分辨的原始图像，对所述原始图像进行超分辨率处理得到初始超分辨图像；
图像分离模块，用于分别对所述原始图像和所述初始超分辨图像进行前景背景分离，得到所述原始图像的原始前景区域和原始背景区域，以及所述初始超分辨图像的超分辨前景区域和超分辨背景区域；
区域融合模块，用于基于背景融合参数和前景融合参数，对原始前景区域、原始背景区域、超分辨前景区域和超分辨背景区域进行融合，得到超分辨图像。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的图像处理方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210387277.9A CN114972020A (zh) | 2022-04-13 | 2022-04-13 | 一种图像处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210387277.9A CN114972020A (zh) | 2022-04-13 | 2022-04-13 | 一种图像处理方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114972020A true CN114972020A (zh) | 2022-08-30 |
Family
ID=82976966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210387277.9A Pending CN114972020A (zh) | 2022-04-13 | 2022-04-13 | 一种图像处理方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114972020A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180097342A (ko) * | 2017-02-23 | 2018-08-31 | 한국전자통신연구원 | 영상 아티팩트를 최소화하는 초해상도 영상 선명화 방법 및 장치 |
| CN110428366A (zh) * | 2019-07-26 | 2019-11-08 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
| WO2020056769A1 (en) * | 2018-09-21 | 2020-03-26 | Intel Corporation | Method and system of facial resolution upsampling for image processing |
| CN111163265A (zh) * | 2019-12-31 | 2020-05-15 | 成都旷视金智科技有限公司 | 图像处理方法、装置、移动终端及计算机存储介质 |
| CN112270697A (zh) * | 2020-10-13 | 2021-01-26 | 清华大学 | 一种结合超分辨率重建的卫星序列影像运动目标检测方法 |
-
2022
- 2022-04-13 CN CN202210387277.9A patent/CN114972020A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180097342A (ko) * | 2017-02-23 | 2018-08-31 | 한국전자통신연구원 | 영상 아티팩트를 최소화하는 초해상도 영상 선명화 방법 및 장치 |
| WO2020056769A1 (en) * | 2018-09-21 | 2020-03-26 | Intel Corporation | Method and system of facial resolution upsampling for image processing |
| CN110428366A (zh) * | 2019-07-26 | 2019-11-08 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
| CN111163265A (zh) * | 2019-12-31 | 2020-05-15 | 成都旷视金智科技有限公司 | 图像处理方法、装置、移动终端及计算机存储介质 |
| CN112270697A (zh) * | 2020-10-13 | 2021-01-26 | 清华大学 | 一种结合超分辨率重建的卫星序列影像运动目标检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163237B (zh) | 模型训练及图像处理方法、装置、介质、电子设备 | |
| CN108230333B (zh) | 图像处理方法、装置、计算机程序、存储介质和电子设备 | |
| CN110062157B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
| CN110298851B (zh) | 人体分割神经网络的训练方法及设备 | |
| CN112381717A (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
| CN110349161B (zh) | 图像分割方法、装置、电子设备、及存储介质 | |
| CN111080595A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN110796664A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN113689372B (zh) | 图像处理方法、设备、存储介质及程序产品 | |
| CN112182299A (zh) | 一种视频中精彩片段的获取方法、装置、设备和介质 | |
| CN111402113B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN110310293B (zh) | 人体图像分割方法及设备 | |
| CN114913061A (zh) | 一种图像处理方法、装置、存储介质及电子设备 | |
| CN111402159B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN113660531A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
| CN113658196A (zh) | 红外图像中船舶的检测方法、装置、电子设备和介质 | |
| WO2024041235A1 (zh) | 图像处理方法、装置、设备、存储介质及程序产品 | |
| CN110349108B (zh) | 处理图像的方法、装置、电子设备、及存储介质 | |
| CN113205011A (zh) | 图像掩膜确定方法及装置、存储介质和电子设备 | |
| CN112714263A (zh) | 视频生成方法、装置、设备及存储介质 | |
| CN111784726A (zh) | 人像抠图方法和装置 | |
| US20220398704A1 (en) | Intelligent Portrait Photography Enhancement System | |
| CN115526796A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN114972021A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN114972020A (zh) | 一种图像处理方法、装置、存储介质及电子设备 |
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 |