[發明專利]一種圖像處理方法及計算設備

有效

• 申請號: 201910180916.2
• 申請日: 2019-03-11
• 公開（公告）號: CN109949240B
• 公開（公告）日: 2021-05-04
• 發明（設計）人: 陳裕潮;李志陽;李啟東;陳康;張偉
• 申請（專利權）人: 廈門美圖之家科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T3/40;G06N3/04
• 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

本發明公開了一種圖像處理方法及計算設備。其中方法包括步驟：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。

技術領域

本發明涉及計算機技術領域，特別涉及一種圖像處理方法及計算設備。

背景技術

近年來，利用引導圖的引導濾波方法在執行圖像濾波時，既可保持圖像邊緣性又可使圖像的紋理部分與引導圖近似，因此在圖像增強、圖像摳圖、圖像去霧等場景中大受歡迎。基于此，提出一種利用引導濾波單元與卷積神經網絡耦合的圖像處理方法(例如，深度引導濾波)，該方法可引入引導濾波層形成深度引導濾波網絡，從而可將高分辨率圖像作為低分辨率圖像的引導圖并輸出高分辨圖像。但這種方法的圖像處理結果存在圖像細節丟失、圖像過于平滑等問題。因此，需要一種圖像處理效果更好(例如，圖像細節豐富并且圖像不會過于平滑)的技術方案。

發明內容

為此，本發明提供一種圖像處理方法及計算設備，以力圖解決或者至少緩解上面存在的問題。

根據本發明的一個方面，提供一種圖像處理方法，適于在計算設備中執行，該方法包括如下步驟：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。

可選地，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不用于深度引導濾波組件的并行網絡組件耦合生成的。

可選地，所述并行網絡組件包括視覺幾何組網絡組件。

可選地，所述圖像處理機器學習模型組件的輸出圖像是由深度引導濾波組件輸出的第一圖像與并行網絡組件輸出的第二圖像按照預定比例組合而獲得。

可選地，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中的部分圖像集對所述深度引導濾波組件進行訓練，調整與所述深度引導組件對應的第一網絡參數；利用所述多組圖像集中除部分圖像集外的剩余圖像集對所述深度引導濾波以及所述并行網絡組件進行協同訓練，調整與所述圖像機器學習模型組件對應的全網絡參數。

可選地，所述并行網絡組件是利用網絡圖像集執行初始化后的組件。

可選地，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，并設置有初始的全網絡參數；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分批次對所述圖像處理機器學習模型組件進行訓練，調整所述全網絡參數，直到所述圖像處理機器學習模型組件達到預設要求。

可選地，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分批次對所述圖像處理機器學習模型組件進行訓練調整所述網絡參數直到所述圖像處理機器學習模型組件達到預設要求包括：將高分辨率圖像集、低分辨率圖像集和高分辨率完整圖像集這三組圖像集劃分為包括這三種圖像類型的第一訓練圖像集和第二訓練圖像集；調整所述圖像處理機器學習模型組件中的深度引導濾波與并行網絡組件的預定權重比例，在所述預定權重比例上，第一訓練圖像集和第二訓練圖像集按順序對所述圖像處理機器學習模型組件進行訓練，調整所述全網絡參數，直到所述圖像處理機器學習模型組件達到預設要求。

可選地，所述預定權重比例是隨著訓練次數的增加逐漸減小直至變為固定權重比例。