[发明专利]一种图像处理方法及计算设备在审
申请号: | 201910180511.9 | 申请日: | 2019-03-11 |
公开(公告)号: | CN109948627A | 公开(公告)日: | 2019-06-28 |
发明(设计)人: | 陈裕潮;李志阳;李启东;许清泉;张伟 | 申请(专利权)人: | 厦门美图之家科技有限公司 |
主分类号: | G06K9/46 | 分类号: | G06K9/46;G06K9/62 |
代理公司: | 北京思睿峰知识产权代理有限公司 11396 | 代理人: | 高攀;张赞 |
地址: | 361008 福建省厦门*** | 国省代码: | 福建;35 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 低分辨率图像 高分辨率 原始图像 图像处理机器 计算设备 模型组件 图像处理 完整图像 组图像 高分辨率图像 输入图像 细节信息 预先获取 学习 | ||
1.一种图像处理方法,适于在计算设备中执行,所述方法包括步骤:
获取与原始图像对应的低分辨率图像;
将所述低分辨率图像与所述原始图像作为输入图像输入到图像处理机器学习模型组件中,获取相较于所述原始图像具有更高分辨率且更丰富的细节信息的高分辨率完整图像,其中,所述图像处理机器学习模型组件利用预先获取的多组图像集进行训练得到,其中,所述多组图像集包括高分辨率完整图像集、高分辨率图像集以及低分辨率图像集。
2.如权利要求1所述的方法,所述图像处理机器学习模型组件是通过深度引导滤波组件与生成对抗网络组件耦合生成的。
3.如权利要求2所述的方法,通过将深度引导滤波组件作为所述生成对抗网络组件的生成网络组件的方式将深度引导滤波组件与生成对抗网络组件耦合而成。
4.如权利要求2所述的方法,所述图像处理机器学习模型组件利用预先获取的多组图像集进行训练得到,包括:
利用所述多组图像集对所述深度引导滤波组件以及所述生成对抗网络组件进行协同训练,从而实现使所述图像处理机器学习模型组件训练完成。
5.如权利要求4所述的方法,利用所述多组图像集对所述图像处理机器学习模型组件进行训练包括:
获取高分辨率完整图像集、高分辨率图像集以及低分辨率图像集;
构建所述图像处理机器学习模型组件,所述图像处理机器学习模型组件设置有全网络参数;
利用高分辨率图像集、低分辨率图像集与高分辨率完整图像集之间的对应关系分批次对所述图像处理机器学习模型组件进行训练,调整所述全网络参数,直到所述图像处理机器学习模型组件达到预设要求。
6.如权利要求5所述的方法,利用高分辨率图像集、低分辨率图像集与高分辨率完整图像集之间的对应关系分批次对所述图像处理机器学习模型组件进行训练,调整所述网络参数直到所述图像处理机器学习模型组件达到预设要求的步骤,包括:
将高分辨率图像集、低分辨率图像集和高分辨率完整图像集这三组图像集划分为包括这三种图像类型的第一训练图像集、第二训练图像集和第三训练图像集;
第一训练图像集、第二训练图像集和第三训练图像集按顺序对所述图像处理机器学习模型组件进行训练,调整所述全网络参数,直到所述图像处理机器学习模型组件达到预设要求。
7.如权利要求6所述的方法,所述预设条件是指利用损失函数获取的损失函数值达到预定阈值。
8.如权利要求6所述的方法,利用第一训练图像集对所述图像处理机器学习模型组件进行训练包括:
利用第一训练图像集中的第一高分辨率图像集、第一低分辨率图像集以及第一高分辨率完整图像集之间的对应关系对所述深度引导滤波组件进行训练,调整所述深度引导滤波对应的第一网络参数,直到所述深度引导滤波达到第一预设要求。
9.一种计算设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1-8所述的方法中的任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1-8所述的方法中的任一方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于厦门美图之家科技有限公司,未经厦门美图之家科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910180511.9/1.html,转载请声明来源钻瓜专利网。