[发明专利]一种图像处理方法及计算设备

说明书

本发明公开了一种图像处理方法及计算设备，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。

技术领域

本发明涉及计算机技术领域，特别涉及一种图像处理方法及计算设备。

背景技术

近年来，利用引导图的引导滤波方法在执行图像滤波时，既可保持图像边缘性又可使图像的纹理部分与引导图近似，因此在图像增强、图像抠图、图像去雾等场景中大受欢迎。基于此，提出一种利用引导滤波单元与卷积神经网络耦合的图像处理方法(例如，深度引导滤波)，该方法可引入引导滤波层形成深度引导滤波网络，从而可将高分辨率图像作为低分辨率图像的引导图并输出高分辨图像。但这种方法的图像处理结果存在图像细节丢失、图像过于平滑等问题。因此，需要一种图像处理效果更好(例如，图像细节丰富并且图像不会过于平滑)的技术方案。

发明内容

为此，本发明提供一种图像处理方法及计算设备，以力图解决或者至少缓解上面存在的问题。

根据本发明的一个方面，提供一种图像处理方法，适于在计算设备中执行，该方法包括如下步骤：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。

可选地，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。

可选地，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。

可选地，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。

可选地，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，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。

可选地，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。

可选地，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。

可选地，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。

可选地，所述第一预设要求是指利用L1范数作为损失函数获取的损失函数值达到第一预定阈值。