[發明專利]圖像處理方法及相關裝置

在審

• 申請號: 202111152248.6
• 申請日: 2021-09-29
• 公開（公告）號: CN113947184A
• 公開（公告）日: 2022-01-18
• 發明（設計）人: 戴嬋媛;胡均浩
• 申請（專利權）人: 紫光展銳（重慶）科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06T3/40
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 熊永強;李光金

1.一種圖像處理方法，其特征在于，所述方法包括：

將第一圖像的亮度數據，輸入至扁平化卷積神經網絡模型進行特征提取處理，輸出第一亮度數據；所述扁平化卷積神經網絡模型中卷積層的數量大于卷積神經網絡模型中卷積層的數量，且所述扁平化卷積神經網絡模型中各卷積層中的卷積核的數量小于所述卷積神經網絡模型中各卷積層中的卷積核的數量；

對所述第一圖像的亮度數據進行插值處理，得到第二亮度數據；

對所述第一圖像的色度數據進行插值處理，得到第一色度數據；

對所述第一亮度數據、所述第二亮度數據和所述第一色度數據進行融合處理，得到第二圖像，所述第二圖像的分辨率是所述第一圖像的分辨率的N倍，所述N是正整數。

2.根據權利要求1所述的方法，其特征在于，對所述第一圖像的亮度數據進行的插值處理為雙三次插值處理；和/或，對所述第一圖像的色度數據進行的插值處理為雙三次插值處理。

3.根據權利要求1或2所述的方法，其特征在于，所述扁平化卷積神經網絡模型中各卷積層中的卷積核的數量是根據所述N的取值確定的。

4.根據權利要求1或2所述的方法，其特征在于，所述扁平化卷積神經網絡模型中的M個卷積層分別對應不同位寬的權重系數；所述M是大于或等于2的整數。

5.根據權利要求1或2所述的方法，其特征在于，所述扁平化卷積神經網絡模型包括第一特征提取模塊、第二特征提取模塊、融合模塊和第三特征提取模塊，所述第二特征提取模塊包括多個殘差塊；

所述將第一圖像的亮度數據，輸入至扁平化卷積神經網絡模型進行特征提取處理，輸出第一亮度數據，包括：

將第一圖像的亮度數據，輸入至所述第一特征提取模塊，輸出第一特征數據；

將所述第一特征數據輸入至所述第二特征提取模塊，輸出第二特征數據；

將所述第一特征數據和所述第二特征數據輸入至所述融合模塊，輸出第三特征數據；

將所述第三特征數據輸入至所述第三特征提取模塊，輸出第一亮度數據。

6.根據權利要求5所述的方法，其特征在于，所述方法還包括：

將所述第三特征數據進行壓縮處理，并將處理后的數據存儲在存儲器中；

從所述存儲器中獲取所述處理后的數據，對其進行解壓處理后，執行所述的將所述第三特征數據輸入至所述第三特征提取模塊的步驟。

7.一種圖像處理裝置，其特征在于，所述裝置包括：

處理單元，用于將第一圖像的亮度數據，輸入至扁平化卷積神經網絡模型進行特征提取處理，輸出第一亮度數據；所述扁平化卷積神經網絡模型中卷積層的數量大于卷積神經網絡模型中卷積層的數量，且所述扁平化卷積神經網絡模型中各卷積層中的卷積核的數量小于所述卷積神經網絡模型中各卷積層中的卷積核的數量；

所述處理單元，還用于對所述第一圖像的亮度數據進行插值處理，得到第二亮度數據；

所述處理單元，還用于對所述第一圖像的色度數據進行插值處理，得到第一色度數據；

所述處理單元，還用于對所述第一亮度數據、所述第二亮度數據和所述第一色度數據進行融合處理，得到第二圖像，所述第二圖像的分辨率是所述第一圖像的分辨率的N倍，所述N是正整數。

8.一種芯片，其特征在于，

所述芯片，用于將第一圖像的亮度數據，輸入至扁平化卷積神經網絡模型進行特征提取處理，輸出第一亮度數據；所述扁平化卷積神經網絡模型中卷積層的數量大于卷積神經網絡模型中卷積層的數量，且所述扁平化卷積神經網絡模型中各卷積層中的卷積核的數量小于所述卷積神經網絡模型中各卷積層中的卷積核的數量；

所述芯片，還用于對所述第一圖像的亮度數據進行插值處理，得到第二亮度數據；

所述芯片，還用于對所述第一圖像的色度數據進行插值處理，得到第一色度數據；

所述芯片，還用于對所述第一亮度數據、所述第二亮度數據和所述第一色度數據進行融合處理，得到第二圖像，所述第二圖像的分辨率是所述第一圖像的分辨率的N倍，所述N是正整數。