[發明專利]圖像處理裝置及其圖像處理方法

在審

• 申請號: 202010080412.6
• 申請日: 2020-02-04
• 公開（公告）號: CN111986069A
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 李天;金東炫;樸熔燮;樸在演;安一埈;李炫承;安泰慶;文永秀;李泰美
• 申請（專利權）人: 三星電子株式會社
• 主分類號: G06T1/20
• 分類號: G06T1/20;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 倪斌

1.一種圖像處理裝置，包括：

存儲器，存儲計算機可讀指令；以及

處理器，被配置為執行所述計算機可讀指令以便：

將輸入圖像作為第一輸入施加于第一學習網絡模型，

從所述第一學習網絡模型獲取包括基于所述輸入圖像的邊緣而被優化的增強邊緣在內的第一圖像，

將所述輸入圖像作為第二輸入施加于第二學習網絡模型，

從所述第二學習網絡模型獲取包括基于所述輸入圖像的紋理而被優化的增強紋理在內的第二圖像，

識別所述輸入圖像中所包括的邊緣的邊緣區域，

識別所述輸入圖像中所包括的紋理的紋理區域，

基于所述邊緣區域將第一權重應用于所述第一圖像，

基于所述紋理區域將第二權重應用于所述第二圖像，

基于應用于所述第一圖像的第一權重和應用于所述第二圖像的第二權重，獲取從所述輸入圖像優化的輸出圖像。

2.根據權利要求1所述的圖像處理裝置，其中，所述第一學習網絡模型的第一類型不同于所述第二學習網絡模型的第二類型。

3.根據權利要求1所述的圖像處理裝置，其中，所述第一學習網絡模型是以下模型中的一種：用于通過使用多個層來優化所述輸入圖像的邊緣的深度學習模型、或被訓練為通過使用多個預先學習的濾波器來優化所述輸入圖像的邊緣的機器學習模型。

4.根據權利要求1所述的圖像處理裝置，其中，所述第二學習網絡模型是以下模型中的一種：用于通過使用多個層來優化所述輸入圖像的紋理的深度學習模型、或通過使用多個預先學習的濾波器來優化所述輸入圖像的紋理的機器學習模型。

5.根據權利要求1所述的圖像處理裝置，其中，執行所述計算機可讀指令的處理器還被配置為：

基于所述輸入圖像中的邊緣區域和所述輸入圖像中的紋理區域的比例信息來獲取所述第一權重和所述第二權重。

6.根據權利要求1所述的圖像處理裝置，其中，執行所述計算機可讀指令的處理器還被配置為：

對所述輸入圖像進行降頻以獲取分辨率小于所述輸入圖像的分辨率的降頻圖像，

將所述降頻圖像作為所述第一輸入施加于所述第一學習網絡模型，

從所述第一學習網絡模型獲取具有增強邊緣的第一圖像，所述第一學習網絡模型將所述降頻圖像進行升頻，

將所述降頻圖像作為所述第二輸入施加于所述第二學習網絡模型，以及

從所述第二學習網絡模型獲取具有增強紋理的第二圖像，所述第二學習網絡模型將所述降頻圖像進行升頻。

7.根據權利要求1所述的圖像處理裝置，其中，執行所述計算機可讀指令的處理器還被配置為：

獲取識別所述輸入圖像的邊緣區域的第一區域檢測信息和識別所述輸入圖像的紋理區域的第二區域檢測信息，

將所述輸入圖像和所述第一區域檢測信息作為所述第一輸入施加于所述第一學習網絡模型，以及

將所述輸入圖像和所述第二區域檢測信息作為所述第二輸入施加于所述第二學習網絡模型。

8.根據權利要求7所述的圖像處理裝置，其中，所述第一學習網絡模型通過對所述邊緣區域進行升頻來獲取所述第一圖像，并且

所述第二學習網絡模型通過對所述紋理區域進行升頻來獲取所述第二圖像。

9.根據權利要求1所述的圖像處理裝置，其中，所述第二學習網絡模型是如下模型，所述模型存儲與多個圖像模式相對應的多個濾波器，將所述輸入圖像中包括的圖像塊中的每個圖像塊分類為所述多個圖像模式中的圖像模式，并且將所述多個濾波器之中與圖像模式相對應的至少一個濾波器應用于圖像塊。