[发明专利]一种失真图像的去失真方法、装置及电子设备

说明书

本发明实施例提供了一种失真图像的去失真方法、装置及电子设备，包括：生成失真图像对应的边信息分量，其中，失真图像为对原始图像进行图像处理得到的，边信息分量表示失真图像相对原始图像的失真特征；将失真图像的失真图像颜色分量以及所述边信息分量，输入预先建立的卷积神经网络模型进行卷积滤波处理，得到去失真图像颜色分量；其中，卷积神经网络模型为基于预设训练集进行训练得到的，预设训练集包括原始样本图像，以及原始样本图像对应的多个失真图像的失真图像颜色分量，以及每个失真图像对应的边信息分量。从而实现了使用一种不同于现有技术的卷积神经网络模型对失真图像进行去失真处理。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种失真图像的去失真方法，以及一种卷积神经网络模型训练方法，及相关装置和电子设备。

背景技术

在数字图像系统的处理过程中，滤波、数据四舍五入、量化或其他处理可能使得像素值发生强度偏移，导致视觉障碍或假象。为了避免或减轻上述的潜在问题，可以设计使用图像去失真滤波器对图像进行后处理，以恢复像素强度偏移，减轻视觉损失。

传统的图像去失真滤波器通常是人为地去归纳失真图像的特征，人为地设计滤波器结构，以实验和经验为基础配置滤波器系数，例如图像/视频编码标准里使用的去块滤波器(DBK，Deblocking Filter)等；也有一类图像去失真滤波器，它们基于局部图像区域的一些统计信息，自适应地配置滤波器结构、滤波器系数等，如H.265标准中使用的样点自适应补偿技术(SAO，Sample Adaptive Offset)、视频编解码里使用的自适应环路滤波技术(ALF，Adaptive loop Filter)等，这类自适应滤波器复杂度较高，且在编解码领域使用时，需要将依赖于局部统计信息的滤波器相关参数写入码流中以保证编解码端的一致性，这无疑增加了编码比特数。

近年来，深度学习理论迅速发展，与传统依赖先验知识的特征提取算法不同，深度神经网络可在训练数据驱动下自适应地构建特征描述，具有更高的灵活性和普适性。

深度学习在许多高层次的计算机视觉问题上已经取得很大的成功，如图像分类、目标检测和目标分割等。例如，2015年业界已经提出了基于卷积神经网络的端到端的图像超分辨率重建算法(SRCNN，Super Resolutin Convolutional Neural Network)，该网络相对于当时超分辨率重建领域的最领先技术展现了明显的优势，深度学习开始在低层次计算机视觉问题上显示出巨大的潜力；又如，受卷积神经网络在超分辨率恢复中的应用启发，业界内提出使用训练得到的多层卷积神经网络ARCNN(Artifacts Reduction ConvolutionalNeural Network)对JPEG编码后图像进行后处理滤波以去除图像失真，相对传统的滤波方法获得了明显的主、客观质量提升。

目前，业界内还提出使用训练得到的卷积神经网络VRCNN(Variable Filter sizeResidue Convolutional Neural Network)替代传统的去块滤波技术和自适应样点补偿技术，对帧内编码后的图像进行后处理滤波，实验结果表明相对于上述传统的环内滤波方法，卷积神经网络使得重建图像主、客观质量获得了大幅提升。

基于卷积神经网络的端到端的图像去失真算法，避免了图像预处理、人工设计滤波器系数等过程，通过数据驱动自动学习失真特征及补偿方法，使用更简便、泛化性更佳、性能提升更明显，特别适用于糅合了多种失真的图像/视频压缩领域。

发明内容

本发明实施例的目的在于提供一种失真图像的去失真方法，以实现使用一种不同于现有技术的卷积神经网络模型对失真图像进行去失真处理。

本发明实施例提供一种失真图像的去失真方法，包括：

生成失真图像对应的边信息分量，其中，所述失真图像为对原始图像进行图像处理得到的，所述边信息分量表示所述失真图像相对所述原始图像的失真特征；