[發明專利]一種圖像處理方法及計算設備

有效

• 申請號: 201910180903.5
• 申請日: 2019-03-11
• 公開（公告）號: CN109949225B
• 公開（公告）日: 2021-05-04
• 發明（設計）人: 陳裕潮;李志陽;李啟東;洪煒冬;張偉
• 申請（專利權）人: 廈門美圖之家科技有限公司
• 主分類號: G06T3/40
• 分類號: G06T3/40
• 代理公司: 北京思睿峰知識產權代理有限公司 11396
• 代理人: 高攀;張贊

1.一種圖像處理方法，適于在計算設備中執行，所述方法包括步驟：

獲取與原始圖像對應的低分辨率圖像；

將所述低分辨率圖像與所述原始圖像作為輸入圖像輸入到圖像處理機器學習模型組件中，獲取相較于所述原始圖像具有更高分辨率且更豐富的細節信息的高分辨率完整圖像，其中，所述圖像處理機器學習模型組件利用預先獲取的多組圖像集進行訓練得到，其中，所述多組圖像集包括高分辨率完整圖像集、高分辨率圖像集以及低分辨率圖像集，

其中，所述圖像處理機器學習模型組件是通過深度引導濾波組件、遞歸神經網絡組件以及全卷積神經網絡組件耦合生成的，以及，所述將所述低分辨率圖像與所述原始圖像作為輸入圖像輸入到所述圖像處理機器學習模型組件中，獲取相較于所述原始圖像具有更高分辨率且更豐富的細節信息的高分辨率完整圖像的步驟包括：

將所述低分辨率圖像與所述原始圖像輸入到深度引導濾波組件，獲取與所述原始圖像對應的輸出圖像；

將所述輸出圖像輸入到遞歸神經網絡組件，獲取經過不同遞歸次數輸出的多個遞歸圖像，所述遞歸神經網絡適于學習所述輸出圖像中的高頻信息；

將所述多個遞歸圖像輸入到全卷積網絡組件，獲取中間圖像，所述全卷積網絡組件適于確定每個遞歸圖像中高頻信息的權重，將所述中間圖像與所述輸出圖像執行疊加處理，獲取高分辨率完整圖像。

2.如權利要求1所述的方法，其中，所述圖像處理機器學習模型組件是通過深度引導濾波組件與遞歸神經網絡組件耦合生成的。

3.如權利要求2所述的方法，其中，將所述低分辨率圖像與所述原始圖像作為輸入圖像輸入到圖像處理機器學習模型組件中獲取相較于所述原始圖像具有更高分辨率且更豐富的細節信息的高分辨率完整圖像的步驟包括：

將所述低分辨率圖像與所述原始圖像輸入到深度引導濾波組件，獲取與所述原始圖像對應的輸出圖像；

將所述輸出圖像輸入到遞歸神經網絡組件，獲取高分辨率完整圖像。

4.如權利要求2所述的方法，其中，所述圖像處理機器學習模型組件利用預先獲取的多組圖像集進行訓練得到，包括：

利用所述多組圖像集對所述深度引導濾波組件以及所述遞歸神經網絡組件進行協同訓練，從而實現使所述圖像處理機器學習模型組件訓練完成。

5.如權利要求4所述的方法，其中，利用所述多組圖像集對所述圖像處理機器學習模型組件進行訓練的步驟包括：

獲取高分辨率完整圖像集、高分辨率圖像集以及低分辨率圖像集；

構建所述圖像處理機器學習模型組件，所述圖像處理機器學習模型組件中設置有訓練參數；

利用高分辨率圖像集、低分辨率圖像集與高分辨率完整圖像集之間的對應關系對所述圖像處理機器學習模型組件進行訓練，調整所述訓練參數，直到所述圖像處理機器學習模型組件達到預設要求。

6.如權利要求1所述的方法，其中，所述圖像處理機器學習模型組件的結構包括引導濾波網絡和遞歸神經網絡。

7.如權利要求1所述的方法，其中，所述多組圖像集是指利用從與每個畫面對應的多個圖像中分別提取出高分辨率完整圖像、高分辨率圖像以及低分辨率圖像來形成高分辨率完整圖像集、高分辨率圖像集以及低分辨率圖像集。

8.如權利要求5所述的方法，其中，所述預設條件是指利用損失函數獲取的損失函數值達到閾值。

9.如權利要求1所述的方法，其中，將所述低分辨率圖像與所述原始圖像作為輸入圖像輸入到圖像處理機器學習模型組件中獲取相較于所述原始圖像具有更高分辨率且更豐富的細節信息的高分辨率完整圖像的步驟，包括：

按照構成所述低分辨率圖像與所述原始圖像的圖像通道分別將每個圖像通道對應的圖像數據輸入到所述圖像處理機器學習模型組件中，獲取與每個圖像通道對應的最終圖像數據；

利用各個通道的最終圖像數據，生成高分辨率完整圖像。