[发明专利]图像处理方法、生成式对抗网络系统和电子设备

说明书

本发明涉及图像处理方法、生成式对抗网络、电子设备及存储介质。该方法包括：通过初始特征提取层对待处理图像进行第一处理，获得初始特征；通过每个下采样特征提取层对输入到自身的输入特征进行第二处理，获得浅层特征、深度特征以及下采样特征；通过全局特征提取层对第M个下采样特征提取层输出的下采样特征进行第三处理，获得全局特征；通过每个上采样特征提取层对输入到自身的输入特征进行第四处理，获得上采样特征；通过残差特征提取层对第M个上采样特征提取层输出的上采样特征进行第五处理，获得残差特征；将残差特征和待处理图像相加得到目标图像。该方法不仅能够降低图像增强过程中的处理复杂度，而且还能提高对微小纹理的复原能力。

技术领域

本发明属于图像处理技术领域，具体涉及一种图像处理方法、生成式对抗网络系统和电子设备。

背景技术

图像处理包括：图像去噪、去模糊、去雾、去雨滴、低照度增强、边界增强等。多年来，图像处理技术一直是研究和应用领域的一个难点，由于现实场景的复杂多变，在应用中经常会遇到图像降质问题，而相关图像处理技术的单一性又限制了其在工程中的使用。多数情况下，传统的图像处理技术是针对多个单一问题进行处理后进行融合，其合理性不容置疑。但经过分析可以发现，各单一图像处理问题之间并不是相互独立的，例如在噪声和模糊同时存在的情况下，优先去噪会造成图像纹理信息的部分丢失，进而影响后续的去模糊过程，而优先去模糊不仅造成图像复原不准确还会放大噪声因素；又如低照度增强技术的处理并非仅仅是调节亮度信息的分布，研究和应用这一技术既要保证亮度信息的增强，又要保证噪声信息的极大抑制。

传统的图像处理技术针对各单一问题进行退化建模，然后结合统计模型和图像先验信息进行复原操作。例如在图像去噪中采用贝叶斯模型和噪声假设来进行增强；在图像去模糊中，采用最大后验概率模型和重尾分布进行建模；在图像去雾中，采用反向暗通道来进行颜色信息的调节；在低照度增强中，大多采用反向暗通道和去噪结合的方式。以上这些单一增强问题都得到了很好的研究水平，但在现实场景中，图像处理是一个复杂模式，利用上述单一增强方式对图像进行多次处理并不能达到很好的增强效果。

发明内容

鉴于此，本发明实施例提供一种图像处理方法、生成式对抗网络系统和电子设备，以有效地改善上述问题。

本发明的实施例是这样实现的：

第一方面，本发明实施例提供了一图像处理方法，应用于生成式对抗网络GAN中，所述GAN包括生成网络，所述生成网络包括初始特征提取层、依次连接的M个下采样特征提取层、全局特征提取层、依次连接的M个上采样特征提取层和残差特征提取层，其中，M为大于等于1的整数。所述方法包括：

通过所述初始特征提取层对待处理图像进行第一处理，获得初始特征；

通过每个所述下采样特征提取层对输入到自身的输入特征进行第二处理，获得浅层特征、深度特征以及下采样特征，其中，与所述初始特征提取层连接的第一个所述下采样特征提取层的输入特征为所述初始特征，第二个至第M个所述下采样特征提取层的输入特征为自身的前一个所述下采样特征提取层输出的所述下采样特征；

通过所述全局特征提取层对第M个所述下采样特征提取层输出的下采样特征进行第三处理，获得全局特征；