[发明专利]一种图像处理方法及计算设备

权利要求书

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，

其中，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、递归神经网络组件以及全卷积神经网络组件耦合生成的，以及，所述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所述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的步骤包括：

将所述低分辨率图像与所述原始图像输入到深度引导滤波组件，获取与所述原始图像对应的输出图像；

将所述输出图像输入到递归神经网络组件，获取经过不同递归次数输出的多个递归图像，所述递归神经网络适于学习所述输出图像中的高频信息；

将所述多个递归图像输入到全卷积网络组件，获取中间图像，所述全卷积网络组件适于确定每个递归图像中高频信息的权重，将所述中间图像与所述输出图像执行叠加处理，获取高分辨率完整图像。

2.如权利要求1所述的方法，其中，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递归神经网络组件耦合生成的。

3.如权利要求2所述的方法，其中，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的步骤包括：

将所述低分辨率图像与所述原始图像输入到深度引导滤波组件，获取与所述原始图像对应的输出图像；

将所述输出图像输入到递归神经网络组件，获取高分辨率完整图像。

4.如权利要求2所述的方法，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，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递归神经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，其中，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的步骤包括：

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中设置有训练参数；

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对所述图像处理机器学习模型组件进行训练，调整所述训练参数，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1所述的方法，其中，所述图像处理机器学习模型组件的结构包括引导滤波网络和递归神经网络。

7.如权利要求1所述的方法，其中，所述多组图像集是指利用从与每个画面对应的多个图像中分别提取出高分辨率完整图像、高分辨率图像以及低分辨率图像来形成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。

8.如权利要求5所述的方法，其中，所述预设条件是指利用损失函数获取的损失函数值达到阈值。

9.如权利要求1所述的方法，其中，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的步骤，包括：

按照构成所述低分辨率图像与所述原始图像的图像通道分别将每个图像通道对应的图像数据输入到所述图像处理机器学习模型组件中，获取与每个图像通道对应的最终图像数据；

利用各个通道的最终图像数据，生成高分辨率完整图像。