CN117237214A - 图像处理方法、模型训练方法、装置、电子设备、介质 - Google Patents

Abstract

本公开提供了图像处理方法、模型训练方法、装置、电子设备、介质，涉及图像处理技术领域，尤其涉及人工智能、深度学习、图像抗扭曲等技术领域。具体实现方案为：获取待处理图像，对所述待处理图像进行缩放处理，获取所述待处理图像对应的缩放处理图像；将所述缩放处理图像输入预先训练的光流预测模型，获取所述缩放处理图像对应的预测光流图像；所述预测光流图像的像素表征所述缩放处理图像的像素与所述缩放处理图像对应的预测矫正图像的像素的对应关系；对所述预测光流图像进行上采样处理，获取映射光流图像；根据所述映射光流图像，对所述待处理图像进行图像映射处理，获取所述待处理图像对应的矫正图像。

Description

图像处理方法、模型训练方法、装置、电子设备、介质

技术领域

本公开涉及图像处理技术领域，尤其涉及人工智能、深度学习、图像抗扭曲等技术领域。具体而言，本公开涉及一种图像处理方法、模型训练方法、装置、电子设备、介质。

背景技术

文档数字化是将用户所拍摄的图像进行处理、信息理解、分类、提取以及归纳的过程，然后实际应用中由于拍摄的局限性导致拍摄的图片出现弯曲、折叠的现象，严重影响了文档图像的处理以及OCR(OpticalCharacter Recognition，光学字符识别)识别的准确率。

通过文档抗扭曲算法可以将弯曲折叠的图像变为平整的图像，提升OCR识别的准确率以及去阴影等文档图像处理任务的任务效果，在文档数字化中起着至关重要的作用。

发明内容

本公开提供了一种图像处理方法、模型训练方法、装置、电子设备、介质。

根据本公开的第一方面，提供了一种图像处理的方法，该方法包括：

获取待处理图像，对所述待处理图像进行缩放处理，获取所述待处理图像对应的缩放处理图像；

将所述缩放处理图像输入预先训练的光流预测模型，获取所述缩放处理图像对应的预测光流图像；所述预测光流图像的像素表征所述缩放处理图像的像素与所述缩放处理图像对应的预测矫正图像的像素的对应关系；

对所述预测光流图像进行上采样处理，获取映射光流图像；

根据所述映射光流图像，对所述待处理图像进行图像映射处理，获取所述待处理图像对应的矫正图像。

根据本公开的第二方面，提供了一种图像处理的装置，该装置包括：

缩放模块，用于获取待处理图像，对所述待处理图像进行缩放处理，获取所述待处理图像对应的缩放处理图像；

预测模块，用于将所述缩放处理图像输入预先训练的光流预测模型，获取所述缩放处理图像对应的预测光流图像；所述预测光流图像的像素表征所述缩放处理图像的像素与所述缩放处理图像对应的预测矫正图像的像素的对应关系；

上采样模块，用于对所述预测光流图像进行上采样处理，获取映射光流图像；

图像映射模块，用于根据所述映射光流图像，对所述待处理图像进行图像映射处理，获取所述待处理图像对应的矫正图像。

根据本公开的第三方面，提供了一种模型训练的方法，该方法包括：

获取待训练图像以及所述待训练图像对应的标签光流图像；

根据所述待训练图像以及标签光流图像对光流预测模型进行训练，获取预先训练的光流预测模型；

其中，所述标签光流图的像素表征所述待训练图像的像素与所述待训练图像对应的矫正图像的像素的对应关系。

根据本公开的第四方面，提供了一种模型训练的装置，该装置包括：

图像模块，用于获取待训练图像以及所述待训练图像对应的标签光流图像；

训练模块，用于根据所述待训练图像以及标签光流图像对光流预测模型进行训练，获取预先训练的光流预测模型；

其中，所述标签光流图的像素表征所述待训练图像的像素与所述待训练图像对应的矫正图像的像素的对应关系。

根据本公开的第五方面，提供了一种电子设备，该电子设备包括：

至少一个处理器；以及

与上述至少一个处理器通信连接的存储器；其中，

存储器存储有可被上述至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述图像处理的方法和/或模型训练的方法。

根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使计算机执行上述图像处理的方法和/或模型训练的方法。

根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述图像处理的方法和/或模型训练的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开实施例提供的一种图像处理的方法的流程示意图；

图2是本公开实施例提供的另一种图像处理的方法的部分步骤的流程示意图；

图3是本公开实施例提供的方法中bottleneck的结构示意图；

图4是本公开实施例提供的方法中FCN的结构示意图；

图5是本公开实施例提供的方法中ASPP的结构示意图；

图6是本公开实施例提供的方法中Head的结构示意图；

图7是本公开实施例提供的一种模型训练的方法的流程示意图；

图8是本公开实施例提供的一种图像处理的装置的结构示意图；

图9是本公开实施例提供的一种模型训练的装置的结构示意图；

图10是用来实现本公开实施例的图像处理的方法和模型训练的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在一些相关技术中，可以使用传统的图像处理算法实现文档抗扭曲。具体的，可以基于内容切分实现对文档图像的矫正，通过对文档图像的内容，包括倾斜角、文本行、字符或词组特征等进行分析，基于一定的规则得到矫正后的图像。

但传统的图像处理算法虽然能够实现文档图像的矫正，但矫正的效果尤其是复杂场景下(如图文混合的文档)的文档图像的矫正的矫正效果较差，同时严重依赖于OCR的效果，且耗时严重。

在一些相关技术中，可以使用基于深度学习的算法实现文档抗扭曲，具体的，基于深度学习模型，如DewarpNet(基于2D和3D回归网络的单幅图像文档矫正网络)、DocUnet(堆叠的U-Net网络)等，实现像素界别的光流预测，再通过映射得到矫正后的图像。

虽然基于深度学习的算法能够实现文档图像校正且泛化能力较好，但耗时较长，且效果上不能满足实际应用的需求。

本公开实施例提供的图像处理方法、模型训练方法、装置、电子设备、介质，旨在解决现有技术的如上技术问题中的至少一个。

本公开实施例提供的图像处理的方法以及模型训练的方法可以由终端设备或服务器等电子设备执行，终端设备可以为车载设备、用户设备(UserEquipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(PersonalDigitalAssistant，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程序指令的方式来实现。或者，可通过服务器执行所述方法。

图1示出了本公开实施例提供的图像处理方法的流程示意图。如图1中所示，本公开实施例提供的应用程序的统计方法可以包括步骤S110、步骤S120、步骤S130、步骤S140。

在步骤S110中，获取待处理图像，对待处理图像进行缩放处理，获取待处理图像对应的缩放处理图像；

在步骤S120中，将缩放处理图像输入预先训练的光流预测模型，获取缩放处理图像对应的预测光流图像；

在步骤S130中，对预测光流图像进行上采样处理，获取映射光流图像；

在步骤S140中，根据映射光流图像，对待处理图像进行图像映射处理，获取待处理图像对应的矫正图像；

其中，预测光流图像的像素表征缩放处理图像的像素与缩放处理图像对应的预测矫正图像的像素的对应关系。

举例来说，待处理图像可以是通过拍摄设备拍摄文档生成的文档图像。

因此，本公开实施例提供的图像处理的方法可以应用于文档数字化，本公开实施例提供的图像处理的方法可以用于对文档图像进行矫正，实现文档抗扭曲，将弯曲折叠的文档图像转化为平整的图像。

在一些可能的实现方式中，在步骤S110中，获取待处理图像可以是接收客户端发送的待处理图像。其中，客户端可以是个人电脑、移动设备等可与用户交互的设备。

在一些可能的实现方式中，待处理图像的数量可以为多个，也就是说，本公开实施例提供的图像处理的方法可以应用于批量的图像处理。

在一些可能的实现方式中，对待处理图像进行缩放处理，可以是按照一定的缩小比例，对待处理图像进行下采样处理，获取缩放处理图像。

在一些可能的实现方式中，对待处理图像进行缩放处理，也可以是对待处理图像进行下采样处理，将待处理图像缩放至固定大小，获取缩放处理图像。

在一些可能的实现方式中，在步骤S120中，光流预测模型可以是预先训练的深度学习模型，其输入为图像(具体可以是固定大小的图像)，输出为输入图像对应的预测光流图像。

其中，预测光流图像的像素的像素值表征该图像中对应的像素与输入图像对应的预测矫正图像的像素对应关系。

输入图像对应的预测矫正图像可以是根据光流预测模型的预测结果可以获取的输入图像对应的矫正之后的(或者说经过抗扭曲处理的)图像。也就是说，预测矫正图像可以是根据预测光流图像进行图像映射后获取的图像。

在一些具体的实现方式中，预测光流图像的像素的像素值用于表征输入图像中对应的像素的运动轨迹(包括运动方向和运动距离)，输入图像中的各个像素根据该像素对应的运动轨迹运动后，生成的新图像就是预测矫正图像。

因此，缩放处理图像对应的预测矫正图像可以是将缩放处理图像输入光流预测模型后，根据光流预测模型输出的预测光流图像进行图像映射后获取的图像。

预测光流图像的像素的像素值表征缩放处理图像的像素与预测矫正图像的像素的对应关系。

在一些可能的实现方式中，光流预测模型可以是任何可以实现光流预测的深度学习网络。

在一些可能的实现方式中，在步骤S130中，对预测光流图像进行上采样处理可以是对预测光流图像进行与下采样处理对应的上采样处理。

也就是说，将待处理图像通过下采样处理缩放N倍后获取缩放处理图像，则将预测光流图像放大N倍获取映射光流图像。其中，N为正数。

因此，获取的映射光流图像的图像尺寸与待处理图像的图像尺寸一致，这样根据映射光流图像获取的矫正图像也与待处理图像的图像尺寸一致。

在一些可能的实现方式中，由于预测光流图像的像素是图像之间的像素对应关系，根据预测光流图像获取的映射光流图像也是像素对应关系，因此，在步骤S140中，对待处理图像进行图像映射处理就是根据像素对应关系生成待处理图像对应的矫正图像。

在本公开实施例提供的图像处理的方法中，由于输入光流预测模型的是经过缩放处理的缩放处理图像，因此，相比于直接将待处理图像输入光流预测模型，需要处理的像素数量更少，处理速度更快，提升了图像矫正的速度；同时，由于映射光流图像是通过对预测光流图像进行上采样处理得到的，可以保证映射光流图像中相近的像素对应的像素值是相似的，也就保证了待处理图像相临近的像素的映射是相似的，进而保证的图像映射处理得到的矫正图像的像素的邻近关系与待处理图像是相似的，也就保证了待处理图像和矫正图像的内容相似性，提升了图像校正的效果。

下面对本公开实施例提供的图像处理的方法进行具体介绍。

在一些可能的实现方式中，光流预测模型可以包括Backbone(骨干网络)、Neck(颈部网络)、Head(检测头)。

图2示出了在流预测模型包括Backbone、Neck、Head的情况下，将缩放处理图像输入预先训练的光流预测模型，获取缩放处理图像对应的预测光流图像的一种具体实施例方法的流程示意图，如图2中所示，将缩放处理图像输入预先训练的光流预测模型，获取缩放处理图像对应的预测光流图像可以包括步骤S210、步骤S220、步骤S230。

在步骤S210中，将缩放处理图像输入骨干网络，获取缩放处理图像的层级图像特征；

在步骤S220中，将层级图像特征输入颈部网络，对层级图像特征进行特征融合，获取缩放处理图像的融合图像特征；

在步骤S230中，将融合图像特征输入检测头，获取缩放处理图像对应的预测光流图像。

在一些可能的实现方式中，在步骤S210中，Backbone可以是图像特征提取网络，其可以包括多个级联的特征提取模块，多个特征提取模块输出的不同大小的图像特征即为层级图像特征。

在一些可能的实现方式中，Backbone可以是轻量级网络Mobilenet(移动端神经网络)。

Mobilenet相比于其他图像特征提取网络处理速度更快，使用Mobilenet作为Backbone可以在保证矫正效果的基础上进一步加快图像处理的速度。

在一些具体的实现方式中，Backbone为Mobilenet的情况下，Backbone的网络结构如下表所示：

其中，input表示输入该结构的图的大小，operator表示该结构对应的操作、t代表bottleneck结构中expansionfactor(膨胀系数)、c代表图的channel(通道)的数量、n代表该结构对应的操作执行的次数、s代表该结构中卷积操作的stride(步长)。

conv2d表示对输入进行二维卷积操作。

图3为bottleneck的结构示意图，如图3所示，在bottleneck中卷积操作的stride为1的情况下，bottleneck的组成包括激活函数为Relu6且卷积核大小为1x1的Conv(卷积神经网络层)301、激活函数为Rule6且卷积核大小为3*3的Dwise(DepthwiseConv，深度可分离卷积)302、激活函数为Linear且卷积核大小为1x1的Conv(卷积神经网络层)303、用于将激活函数为Linear、卷积核大小为1x1的Conv303的输出与input(bottleneck的输入)进行融合的Add304。

在bottleneck中卷积操作的stride为2的情况下，bottleneck的组成包括激活函数为Relu6且卷积核大小为1x1的Conv(卷积神经网络层)305、激活函数为Rule6且卷积核大小为3*3，卷积stride为2的Dwise306、激活函数为Linear且卷积核大小为1x1的Conv(卷积神经网络层)307。

在一些可能的实现方式中，在步骤S220中，层级图像特征可以包括至少一个浅层图像特征和至少一个深层图像特征。

其中，浅层图像特征可以是Backbone中位于浅层的网络结构输出的图像特征，深度图像特征可以是Backbone中位于深层的网络结构输出的图像特征。

在一些具体的实现方式中，深度图像特征可以是Backbone的最后一层输出的图像特征，浅层图像特征可以的Backbone的倒数第二层、倒数第三层、倒数第四层输出的图像特征。

在一些可能的实现方式中，将层级图像特征输入颈部网络，对层级图像特征进行特征融合，获取待处理图像的融合图像特征可以包括将浅层图像特征和高层图像特征输入颈部网络，对高层图像特征进行上采样，获取与浅层图像特征大小一致的采样图像特征；将浅层图像特征和采样图像特征进行特征融合，获取缩放处理图像的融合图像特征。

在一些可能的实现方式中，可以通过FPN(FeaturePyramidNetworks，特征金字塔)实现对浅层图像特征和高层图像特征的特征融合。

图4示出了FPN的结构示意图，如图4左边所示，获取Backbone输出的浅层图像特征即，第一浅层图像特征403、第二浅层图像特征402、第三浅层图像特征401以及高层图像特征404，通过对高层图像特征进行上采样，获取与第一浅层图像特征403大小一致的采样图像特征(为了与其他采样图像特征进行区分，命名为第一采样图像特征405)，将第一浅层图像特征405与第一采样图像特征403进行融合获取第一融合图像特征；将第一融合图像特征进行上采样，获取第二浅层图像特征402大小一致的第二采样图像特征406，将第二浅层图像特征402与第二采样图像特征406进行融合获取第二融合图像特征；将第二融合图像特征进行上采样，获取第三浅层图像特征401大小一致的第三采样图像特征407，将第三浅层图像特征401与第三采样图像特征407进行融合获取第三融合图像特征。

可以将第一融合图像特征、第二融合图像特征、第三融合图像特征以及高层图像特征都作为缩放处理图像的融合图像特征；也可以通过对第一融合图像特征、第二融合图像特征、第三融合图像特征以及高层图像特征进行处理来获取缩放处理图像的融合图像特征。

在一些具体的实现方式中，Backbone为Mobilenet的情况下，如图4所示，上采样处理具体可以是进行2倍放大的上采样处理，可以通过2xUP结构实现；将Backbone输出的图像特征与上采样得到的图像特征进行特征融合获取融合图像特征可以是使用1x1Conv结构对Backbone输出的图像特征进行1x1的卷积处理，将卷积处理后的图像特征与上采样得到的图像特征进行加和融合，并通过两个级联的bottleneck结构获取融合图像特征。

由于浅层图像特征有利于光流预测任务，高层图像特征中包含语义信息，通过对高层图像特征和浅层图像特征的融合获取的融合图像特征在包含语义特征的基础上，也包含有利用光流预测的特征，因此，使用融合图像特征可以提升光流预测模型的光流预测准确性。

在一些可能的实现方式中，对层级图像特征进行特征融合，获取缩放处理图像的融合图像特征也可以是对层级图像特征进行处理获取不同感受野的感受野图像特征，通过对感受野图像特征进行融合获取融合图像特征。

在一些可能的实现方式中，对层级图像特征进行处理获取不同感受野的感受野图像特征，通过对感受野图像特征进行融合获取融合图像特征可以包括根据层级图像特征，获取多个感受野图像特征；将多个感受野图像特征进行特征融合，获取感受野融合特征；将感受野融合特征与层级图像特征进行特征融合，获取缩放处理图像的融合图像特征。

其中，不同感受野图像特征对应的感受野不同。

在一些可能的实现方式中，根据层级图像特征，获取多个感受野图像特征可以是使用不同大小的卷积核对层级图像特征进行卷积处理，获取多个感受野图像特征。

在一些可能的实现方式中，将多个感受野图像特征进行特征融合，获取感受野融合特征，包括：将多个感受野图像特征进行通道拼接，获取拼接图像特征；通过对拼接图像特征进行卷积处理，获取与层级图像特征尺寸一致的感受野融合特征。

在一些可能的实现方式中，可以通过ASPP(AtrousSpatialPyramid Pooling，空洞金字塔池化)结构实现对层级图像特征进行处理获取不同感受野的感受野图像特征，通过对感受野图像特征进行融合获取融合图像特征。

图5示出了ASPP结构的结构示意图，如图5中所示，可以分别使用1x1Conv以及rate(空洞系数)分别为12、24、36的3x3Conv以及Tmage Pooling(图像池化)来对高层图像特征501进行处理，获取不同感受野的感受野图像特征502、感受野图像特征503、感受野图像特征504、感受野图像特征505、感受野图像特征506，并对通过对感受野图像特征进行通道融合，获取拼接图像特征507，并通过1x1Conv，将拼接图像特征507变为与层级图像特征大小一致的融合图像特征508。

通过获取不同感受野的感受野图像特征，可以提升获取的融合图像特征的感受野，进而提升根据融合图像特征获取的预测光流图像的准确性，进而提升了图像矫正的效果。

在一些可能的实现方式中，将层级图像特征输入颈部网络，对层级图像特征进行特征融合，获取待处理图像的融合图像特征还可以包括对高层图像特征进行处理获取不同感受野的感受野图像特征，通过对感受野图像特征进行融合获取高层图像特征对应的融合图像特征；对高层图像特征对应的融合图像特征进行上采样，获取与浅层图像特征大小一致的采样图像特征；将浅层图像特征和采样图像特征进行特征融合，获取缩放处理图像的融合图像特征。

其中，对高层图像特征进行处理获取不同感受野的感受野图像特征，通过对感受野图像特征进行融合获取高层图像特征对应的融合图像特征可以通过ASPP实现；对高层图像特征对应的融合图像特征进行上采样，获取与浅层图像特征大小一致的采样图像特征；将浅层图像特征和采样图像特征进行特征融合，获取缩放处理图像的融合图像特征可以通过FPN实现。ASPP与FPN的结构以及处理过程如上所述，在此不再赘述。

通过ASPP与FPN可以获取包括浅层图像特征以及不同感受野的特征的融合特征，进而提升提升根据融合图像特征获取的预测光流图像的准确性，进而提升了图像矫正的效果。

将浅层图像特征和高层图像特征输入颈部网络，对高层图像特征进行上采样，获取与浅层图像特征大小一致的采样图像特征；将浅层图像特征和采样图像特征进行特征融合，获取缩放处理图像的融合图像特征。

在一些可能的实现方式中，在步骤S230中，Head可以与Backbone对应。

图6示出了Backbone为Mobilenet的情况下，Head的结构示意图。如图6中所示，Head可以包括你找顺序级联的两个bottleneck以及1x1Conv。bottleneck以及1x1Conv的具体组成如上所述，在此不再赘述。

通过以上的光流预测模型可以在保证图像矫正效果的基础上提升图像矫正的速度，使得本公开实施例提供的图像处理的方法可以用于解决实际的图像抗扭曲处理。

使用图7示出了本公开实施例提供的模型训练的方法的流程示意图，如图7中所示，本公开实施例提供的模型训练的方法可以包括步骤S710、步骤S720。

在步骤S710中，获取待训练图像以及待训练图像对应的标签光流图像；

在步骤S720中，根据待训练图像以及标签光流图像对光流预测模型进行训练，获取预先训练的光流预测模型；

其中，标签光流图的像素表征待训练图像的像素与待训练图像对应的矫正图像的像素的对应关系。

举例来说，待训练图像可以是通过拍摄设备拍摄文档生成的文档图像。

因此，本公开实施例提供的模型训练的方法得到的光流预测模型可以应用于文档数字化，用于对文档图像进行矫正，实现文档抗扭曲，将弯曲折叠的文档图像转化为平整的图像。

在一些可能的实现方式中，在步骤S710中，获取待训练图像可以是经过预处理的图像。

其中，预处理可以是对图像的图像尺寸进行处理，使得得到的待训练图像的图像尺寸一致。

在一些可能的实现方式中，在步骤S720中，光流预测模型可以是深度学习模型，其输入为图像(具体可以是固定大小的图像)，输出为输入图像对应的预测光流图像。

其中，预测光流图像的像素的像素值表征该图像中对应的像素与输入图像对应的预测矫正图像的像素对应关系。

输入图像对应的预测矫正图像可以是根据光流预测模型的预测结果可以获取的输入图像对应的矫正之后的(或者说经过抗扭曲处理的)图像。也就是说，预测矫正图像可以是根据预测光流图像进行图像映射后获取的图像。

在一些具体的实现方式中，预测光流图像的像素的像素值用于表征输入图像中对应的像素的运动轨迹(包括运动方向和运动距离)，输入图像中的各个像素根据该像素对应的运动轨迹运动后，生成的新图像就是预测矫正图像。

在一些可能的实现方式中，通过预测光流图像和标签光流图像获取光流预测网络的损失值，根据该损失值进行反向传播，对光流预测网络的模型参数进行修改，获取预先训练的光流预测模型。

在本公开实施例提供的模型训练方法中，得到的光流预测模型的输入可以是经过缩放处理的缩放处理图像，因此，相比于直接将待处理图像输入光流预测模型，需要处理的像素数量更少，处理速度更快，提升了图像矫正的速度；同时，由于映射光流图像是通过对预测光流图像进行上采样处理得到的，可以保证映射光流图像中相近的像素对应的像素值是相似的，也就保证了待处理图像相临近的像素的映射是相似的，进而保证的图像映射处理得到的矫正图像的像素的邻近关系与待处理图像是相似的，也就保证了待处理图像和矫正图像的内容相似性，提升了图像校正的效果。

下面对本公开实施例提供的模型训练的方法进行具体介绍。

在一些可能的实现方式中，光流预测模型可以包括Backbone(骨干网络)、Neck(颈部网络)、Head(检测头)。

在光流预测模型包括Backbone、Neck、Head的情况下，根据待训练图像以及标签光流图像对光流预测模型进行训练，获取预先训练的光流预测模型可以包括：

将待训练图像输入骨干网络，获取待训练图像的层级图像特征；

将层级图像特征输入颈部网络，对层级图像特征进行特征融合，获取待训练图像的融合图像特征；

将融合图像特征输入检测头，获取待训练图像对应的预测光流图像；

根据预测光流图像以及标签光流图像对光流预测模型的模型参数进行修改，获取预先训练的光流预测模型。

在一些可能的实现方式中，Backbone可以是图像特征提取网络，其可以包括多个级联的特征提取模块，多个特征提取模块输出的不同大小的图像特征即为层级图像特征。

在一些可能的实现方式中，Backbone可以是轻量级网络Mobilenet(移动端神经网络)。

Mobilenet相比于其他图像特征提取网络处理速度更快，使用Mobilenet作为Backbone可以在保证矫正效果的基础上进一步加快图像处理的速度。

在一些具体的实现方式中，Backbone为Mobilenet的情况下，Backbone的网络结如上所述，在此不再赘述。

在一些可能的实现方式中，层级图像特征可以包括至少一个浅层图像特征和至少一个深层图像特征。

其中，浅层图像特征可以是Backbone中位于浅层的网络结构输出的图像特征，深度图像特征可以是Backbone中位于深层的网络结构输出的图像特征。

在一些具体的实现方式中，深度图像特征可以是Backbone的最后一层输出的图像特征，浅层图像特征可以的Backbone的倒数第二层、倒数第三层、倒数第四层输出的图像特征。

在一些可能的实现方式中，将层级图像特征输入颈部网络，对层级图像特征进行特征融合，获取待训练图像的融合图像特征可以包括将浅层图像特征和高层图像特征输入颈部网络，对高层图像特征进行上采样，获取与浅层图像特征大小一致的采样图像特征；将浅层图像特征和采样图像特征进行特征融合，获取待训练图像的融合图像特征。

在一些可能的实现方式中，可以通过FPN(FeaturePyramidNetworks，特征金字塔)实现对浅层图像特征和高层图像特征的特征融合。

图4示出了FPN的结构示意图，如图4左边所示，获取Backbone输出的浅层图像特征，即第一浅层图像特征403、第二浅层图像特征402、第三浅层图像特征401以及高层图像特征404，通过对高层图像特征进行上采样，获取与第一浅层图像特征403大小一致的采样图像特征(为了与其他采样图像特征进行区分，命名为第一采样图像特征405)，将第一浅层图像特征405与第一采样图像特征403进行融合获取第一融合图像特征；将第一融合图像特征进行上采样，获取第二浅层图像特征402大小一致的第二采样图像特征406，将第二浅层图像特征402与第二采样图像特征406进行融合获取第二融合图像特征；将第二融合图像特征进行上采样，获取第三浅层图像特征401大小一致的第三采样图像特征407，将第三浅层图像特征401与第三采样图像特征407进行融合获取第三融合图像特征。

可以将第一融合图像特征、第二融合图像特征、第三融合图像特征以及高层图像特征都作为待训练图像的融合图像特征；也可以通过对第一融合图像特征、第二融合图像特征、第三融合图像特征以及高层图像特征进行处理来获取待训练图像的融合图像特征。

在一些具体的实现方式中，Backbone为Mobilenet的情况下，如图4所示，上采样处理具体可以是进行2倍放大的上采样处理，可以通过2xUP结构实现；将Backbone输出的图像特征与上采样得到的图像特征进行特征融合获取融合图像特征可以是使用1x1Conv结构对Backbone输出的图像特征进行1x1的卷积处理，将卷积处理后的图像特征与上采样得到的图像特征进行加和融合，并通过两个级联的bottleneck结构获取融合图像特征。

由于浅层图像特征有利于光流预测任务，高层图像特征中包含语义信息，通过对高层图像特征和浅层图像特征的融合获取的融合图像特征在包含语义特征的基础上，也包含有利用光流预测的特征，因此，使用融合图像特征可以提升光流预测模型的光流预测准确性。

在一些可能的实现方式中，对层级图像特征进行特征融合，获取待训练图像的融合图像特征也可以是对层级图像特征进行处理获取不同感受野的感受野图像特征，通过对感受野图像特征进行融合获取融合图像特征。

在一些可能的实现方式中，对层级图像特征进行处理获取不同感受野的感受野图像特征，通过对感受野图像特征进行融合获取融合图像特征可以包括根据层级图像特征，获取多个感受野图像特征；将多个感受野图像特征进行特征融合，获取感受野融合特征；将感受野融合特征与层级图像特征进行特征融合，获取待训练图像的融合图像特征。

其中，不同感受野图像特征对应的感受野不同。

在一些可能的实现方式中，根据层级图像特征，获取多个感受野图像特征可以是使用不同大小的卷积核对层级图像特征进行卷积处理，获取多个感受野图像特征。

在一些可能的实现方式中，将多个感受野图像特征进行特征融合，获取感受野融合特征，包括：将多个感受野图像特征进行通道拼接，获取拼接图像特征；通过对拼接图像特征进行卷积处理，获取与层级图像特征尺寸一致的感受野融合特征。

在一些可能的实现方式中，可以通过ASPP(AtrousSpatialPyramid Pooling，空洞金字塔池化)结构实现对层级图像特征进行处理获取不同感受野的感受野图像特征，通过对感受野图像特征进行融合获取融合图像特征。

图5示出了ASPP结构的结构示意图，如图5中所示，可以分别使用1x1Conv以及rate(空洞系数)分别为12、24、36的3x3Conv以及Tmage Pooling(图像池化)来对高层图像特征501进行处理，获取不同感受野的感受野图像特征502、感受野图像特征503、感受野图像特征504、感受野图像特征505、感受野图像特征506，并对通过对感受野图像特征进行通道融合，获取拼接图像特征507，并通过1x1Conv，将拼接图像特征507变为与层级图像特征大小一致的融合图像特征508。

通过获取不同感受野的感受野图像特征，可以提升获取的融合图像特征的感受野，进而提升根据融合图像特征获取的预测光流图像的准确性，进而提升了图像矫正的效果。

在一些可能的实现方式中，将层级图像特征输入颈部网络，对层级图像特征进行特征融合，获取待处理图像的融合图像特征还可以包括对高层图像特征进行处理获取不同感受野的感受野图像特征，通过对感受野图像特征进行融合获取高层图像特征对应的融合图像特征；对高层图像特征对应的融合图像特征进行上采样，获取与浅层图像特征大小一致的采样图像特征；将浅层图像特征和采样图像特征进行特征融合，获取缩放处理图像的融合图像特征。

其中，对高层图像特征进行处理获取不同感受野的感受野图像特征，通过对感受野图像特征进行融合获取高层图像特征对应的融合图像特征可以通过ASPP实现；对高层图像特征对应的融合图像特征进行上采样，获取与浅层图像特征大小一致的采样图像特征；将浅层图像特征和采样图像特征进行特征融合，获取缩放处理图像的融合图像特征可以通过FPN实现。ASPP与FPN的结构以及处理过程如上所述，在此不再赘述。

通过ASPP与FPN可以获取包括浅层图像特征以及不同感受野的特征的融合特征，进而提升提升根据融合图像特征获取的预测光流图像的准确性，进而提升了图像矫正的效果。

在一些可能的实现方式中，Head可以与Backbone对应。

图6示出了Backbone为Mobilenet的情况下，Head的结构示意图。如图6中所示，Head可以包括你找顺序级联的两个bottleneck以及1x1Conv。bottleneck以及1x1Conv的具体组成如上所述，在此不再赘述。

通过以上的光流预测模型可以在保证图像矫正效果的基础上提升图像矫正的速度，使得本公开实施例提供的图像处理的方法可以用于解决实际的图像抗扭曲处理。

基于与图1中所示的方法相同的原理，图8示出了本公开实施例提供的一种图像处理的装置的结构示意图，如图8所示，该图像处理的装置80可以包括：

缩放模块810，用于获取待处理图像，对待处理图像进行缩放处理，获取待处理图像对应的缩放处理图像；

预测模块820像对应的预测光流图像；预测光流图像的像素表征缩放处理图像的像素与缩放处理图像对应的预测矫正图像的像素的对应关系；

上采样模块830，用于对预测光流图像进行上采样处理，获取映射光流图像；

图像映射模块840，用于根据映射光流图像，对待处理图像进行图像映射处理，获取待处理图像对应的矫正图像。

在本公开实施例提供的图像处理的装置中，由于输入光流预测模型的是经过缩放处理的缩放处理图像，因此，相比于直接将待处理图像输入光流预测模型，需要处理的像素数量更少，处理速度更快，提升了图像矫正的速度；同时，由于映射光流图像是通过对预测光流图像进行上采样处理得到的，可以保证映射光流图像中相近的像素对应的像素值是相似的，也就保证了待处理图像相临近的像素的映射是相似的，进而保证的图像映射处理得到的矫正图像的像素的邻近关系与待处理图像是相似的，也就保证了待处理图像和矫正图像的内容相似性，提升了图像校正的效果。

可以理解的是，本公开实施例中的图像处理的装置的上述各模块具有实现图1中所示的实施例中的图像处理的方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述图像处理的装置的各模块的功能描述具体可以参见图1中所示实施例中的图像处理的方法的对应描述，在此不再赘述。

基于与图7中所示的方法相同的原理，图9示出了本公开实施例提供的一种模型训练的装置的结构示意图，如图9所示，该模型训练的装置90可以包括：

图像模块910，用于获取待训练图像以及待训练图像对应的标签光流图像；

训练模块920，用于根据待训练图像以及标签光流图像对光流预测模型进行训练，获取预先训练的光流预测模型；

其中，标签光流图的像素表征待训练图像的像素与待训练图像对应的矫正图像的像素的对应关系。

在本公开实施例提供的模型训练的装置中，得到的光流预测模型的输入可以是经过缩放处理的缩放处理图像，因此，相比于直接将待处理图像输入光流预测模型，需要处理的像素数量更少，处理速度更快，提升了图像矫正的速度；同时，由于映射光流图像是通过对预测光流图像进行上采样处理得到的，可以保证映射光流图像中相近的像素对应的像素值是相似的，也就保证了待处理图像相临近的像素的映射是相似的，进而保证的图像映射处理得到的矫正图像的像素的邻近关系与待处理图像是相似的，也就保证了待处理图像和矫正图像的内容相似性，提升了图像校正的效果。

可以理解的是，本公开实施例中的模型训练的装置的上述各模块具有实现图7中所示的实施例中的模型训练的方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述模型训练的装置的各模块的功能描述具体可以参见图7中所示实施例中的模型训练的方法的对应描述，在此不再赘述。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如本公开实施例提供的图像处理的方法和/或模型训练的方法。

该电子设备与现有技术相比，由于输入光流预测模型的是经过缩放处理的缩放处理图像，因此，相比于直接将待处理图像输入光流预测模型，需要处理的像素数量更少，处理速度更快，提升了图像矫正的速度；同时，由于映射光流图像是通过对预测光流图像进行上采样处理得到的，可以保证映射光流图像中相近的像素对应的像素值是相似的，也就保证了待处理图像相临近的像素的映射是相似的，进而保证的图像映射处理得到的矫正图像的像素的邻近关系与待处理图像是相似的，也就保证了待处理图像和矫正图像的内容相似性，提升了图像校正的效果。

该可读存储介质为存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如本公开实施例提供的图像处理的方法和/或模型训练的方法。

该可读存储介质与现有技术相比，由于输入光流预测模型的是经过缩放处理的缩放处理图像，因此，相比于直接将待处理图像输入光流预测模型，需要处理的像素数量更少，处理速度更快，提升了图像矫正的速度；同时，由于映射光流图像是通过对预测光流图像进行上采样处理得到的，可以保证映射光流图像中相近的像素对应的像素值是相似的，也就保证了待处理图像相临近的像素的映射是相似的，进而保证的图像映射处理得到的矫正图像的像素的邻近关系与待处理图像是相似的，也就保证了待处理图像和矫正图像的内容相似性，提升了图像校正的效果。

该计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开实施例提供的图像处理的方法和/或模型训练的方法。

该计算机程序产品与现有技术相比，由于输入光流预测模型的是经过缩放处理的缩放处理图像，因此，相比于直接将待处理图像输入光流预测模型，需要处理的像素数量更少，处理速度更快，提升了图像矫正的速度；同时，由于映射光流图像是通过对预测光流图像进行上采样处理得到的，可以保证映射光流图像中相近的像素对应的像素值是相似的，也就保证了待处理图像相临近的像素的映射是相似的，进而保证的图像映射处理得到的矫正图像的像素的邻近关系与待处理图像是相似的，也就保证了待处理图像和矫正图像的内容相似性，提升了图像校正的效果。

图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如图像处理的方法和/或模型训练的方法。例如，在一些实施例中，图像处理的方法和/或模型训练的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM1003并由计算单元1001执行时，可以执行上文描述的图像处理的方法和/或模型训练的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理的方法和/或模型训练的方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

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。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (20)

1.一种图像处理的方法，包括：

获取待处理图像，对所述待处理图像进行缩放处理，获取所述待处理图像对应的缩放处理图像；

将所述缩放处理图像输入预先训练的光流预测模型，获取所述缩放处理图像对应的预测光流图像；所述预测光流图像的像素表征所述缩放处理图像的像素与所述缩放处理图像对应的预测矫正图像的像素的对应关系；

对所述预测光流图像进行上采样处理，获取映射光流图像；

根据所述映射光流图像，对所述待处理图像进行图像映射处理，获取所述待处理图像对应的矫正图像。

2.根据权利要求1所述的方法，其中，所述光流预测模型包括：骨干网络、颈部网络、检测头；

所述将所述缩放处理图像输入预先训练的光流预测模型，获取所述缩放处理图像对应的预测光流图像，包括：

将所述缩放处理图像输入所述骨干网络，获取所述缩放处理图像的层级图像特征；

将所述层级图像特征输入所述颈部网络，对所述层级图像特征进行特征融合，获取所述缩放处理图像的融合图像特征；

将所述融合图像特征输入所述检测头，获取所述缩放处理图像对应的预测光流图像。

3.根据权利要求2所述的方法，其中，所述层级图像特征包括至少一个浅层图像特征和至少一个高层图像特征；

所述将所述层级图像特征输入所述颈部网络，对所述层级图像特征进行特征融合，获取所述待处理图像的融合图像特征，包括：

将所述浅层图像特征和所述高层图像特征输入所述颈部网络，对所述高层图像特征进行上采样，获取与所述浅层图像特征大小一致的采样图像特征；

将所述浅层图像特征和所述采样图像特征进行特征融合，获取所述缩放处理图像的融合图像特征。

4.根据权利要求2所述的方法，其中，所述对所述层级图像特征进行特征融合，获取所述缩放处理图像的融合图像特征，包括：

根据所述层级图像特征，获取多个感受野图像特征；

将多个感受野图像特征进行特征融合，获取感受野融合特征；

将所述感受野融合特征与所述层级图像特征进行特征融合，获取所述缩放处理图像的融合图像特征；

其中，不同感受野图像特征对应的感受野不同。

5.根据权利要求4所述的方法，其中，所述将多个感受野图像特征进行特征融合，获取感受野融合特征，包括：

将多个感受野图像特征进行通道拼接，获取拼接图像特征；

通过对所述拼接图像特征进行卷积处理，获取与所述层级图像特征尺寸一致的感受野融合特征。

6.根据权利要求4所述的方法，其中，所述根据所述层级图像特征，获取多个感受野图像特征，包括：

使用不同大小的卷积核对所述层级图像特征进行卷积处理，获取多个感受野图像特征。

7.根据权利要求2所述的方法，其中，所述骨干网络为移动端神经网络。

8.根据权利要求1所述的方法，其中，所述对所述预测光流图像进行上采样处理，获取映射光流图像，包括：

对所述预测光流图像进行上采样处理，获取与所述待处理图像图像尺寸一致的映射光流图像。

9.根据权利要求1所述的方法，其中，所述所述待处理图像为通过拍摄设备拍摄文档生成的文档图像。

10.一种模型训练的方法，包括：

获取待训练图像以及所述待训练图像对应的标签光流图像；

根据所述待训练图像以及标签光流图像对光流预测模型进行训练，获取预先训练的光流预测模型；

其中，所述标签光流图的像素表征所述待训练图像的像素与所述待训练图像对应的矫正图像的像素的对应关系。

11.根据权利要求10所述的方法，其中，所述光流预测模型包括：骨干网络、颈部网络、检测头；

所述根据所述待训练图像以及标签光流图像对光流预测模型进行训练，获取预先训练的光流预测模型，包括：

将所述待训练图像输入所述骨干网络，获取所述待训练图像的层级图像特征；

将所述层级图像特征输入所述颈部网络，对所述层级图像特征进行特征融合，获取所述待训练图像的融合图像特征；

将所述融合图像特征输入所述检测头，获取所述待训练图像对应的预测光流图像；

根据所述预测光流图像以及所述标签光流图像对所述光流预测模型的模型参数进行修改，获取预先训练的光流预测模型。

12.根据权利要求11所述的方法，其中，所述层级图像特征包括至少一个浅层图像特征和至少一个高层图像特征；

所述将所述层级图像特征输入所述颈部网络，对所述层级图像特征进行特征融合，获取所述待训练图像的融合图像特征，包括：

将所述浅层图像特征和所述高层图像特征输入所述颈部网络，对所述高层图像特征进行上采样，获取与所述浅层图像特征大小一致的采样图像特征；

将所述浅层图像特征和所述采样图像特征进行特征融合，获取所述待训练图像的融合图像特征。

13.根据权利要求11所述的方法，其中，所述对所述层级图像特征进行特征融合，获取所述待训练图像的融合图像特征，包括：

根据所述层级图像特征，获取多个感受野图像特征；

将多个感受野图像特征进行特征融合，获取感受野融合特征；

将所述感受野融合特征与所述层级图像特征进行特征融合，获取所述待训练图像的融合图像特征；

其中，不同感受野图像特征对应的感受野不同。

14.根据权利要求13所述的方法，其中，所述将多个感受野图像特征进行特征融合，获取感受野融合特征，包括：

将多个感受野图像特征进行通道拼接，获取拼接图像特征；

通过对所述拼接图像特征进行卷积处理，获取与所述层级图像特征尺寸一致的感受野融合特征。

15.根据权利要求13所述的方法，其中，所述根据所述层级图像特征，获取多个感受野图像特征，包括：

使用不同大小的卷积核对所述层级图像特征进行卷积处理，获取多个感受野图像特征。

16.一种图像处理的装置，包括：

缩放模块，用于获取待处理图像，对所述待处理图像进行缩放处理，获取所述待处理图像对应的缩放处理图像；

预测模块，用于将所述缩放处理图像输入预先训练的光流预测模型，获取所述缩放处理图像对应的预测光流图像；所述预测光流图像的像素表征所述缩放处理图像的像素与所述缩放处理图像对应的预测矫正图像的像素的对应关系；

上采样模块，用于对所述预测光流图像进行上采样处理，获取映射光流图像；

图像映射模块，用于根据所述映射光流图像，对所述待处理图像进行图像映射处理，获取所述待处理图像对应的矫正图像。

17.一种模型训练的装置，包括：

图像模块，用于获取待训练图像以及所述待训练图像对应的标签光流图像；

训练模块，用于根据所述待训练图像以及标签光流图像对光流预测模型进行训练，获取预先训练的光流预测模型；

其中，所述标签光流图的像素表征所述待训练图像的像素与所述待训练图像对应的矫正图像的像素的对应关系。

18.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法和/或权利要求10-15中任一项所述的方法。

19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法和/或权利要求10-15中任一项所述的方法。

20.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法和/或权利要求10-15中任一项所述的方法。