[发明专利]一种图像处理方法、设备及存储介质

说明书

本申请实施例提供一种图像处理方法、设备及存储介质，所述方法包括：将待处理图像对应的第一特征图输入残差块，以利用所述残差块中至少一个网络层依次对所述第一特征图进行卷积处理；在每个网络层中，依次利用第一尺寸的卷积核和第二尺寸的卷积核对所述网络层的输入进行卷积处理，得到至少一个第二特征图，其中，所述第一尺寸大于所述第二尺寸；基于所述至少一个第二特征图，得到所述待处理图像的处理结果。据此，在利用残差块对第一特征图进行卷积的过程中，可获得更大的感受野，从而实现更多信息的输入，进而有效提高图像处理的准确度。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种图像处理方法、设备及存储介质。

背景技术

目前，以深度学习为基础的图像处理技术在多个领域内都有了广泛应用。其中，以改进的全卷积神经网络(Fully Convolutional Network，FCN)最为常用，例如U-Net网络等。

但U-Net网络难以处理复杂的图像处理任务，因此，催生了U-Net网络和残差网络ResNet结合的方案，这种方案虽然增强了网络对高层特征的识别，但图像处理的准确度依然不高。

发明内容

本申请的多个方面提供一种图像处理方法、设备及存储介质，用以提高图像处理的准确度。

本申请实施例提供一种图像处理方法，包括：

将待处理图像对应的第一特征图输入残差块，以利用所述残差块中至少一个网络层依次对所述第一特征图进行卷积处理；

在每个网络层中，依次利用第一尺寸的卷积核和第二尺寸的卷积核对所述网络层的输入进行卷积处理，得到至少一个第二特征图，其中，所述第一尺寸大于所述第二尺寸；

基于所述至少一个第二特征图，得到所述待处理图像的处理结果。

本申请实施例还提供一种计算设备，包括存储器和处理器；

所述存储器用于存储一条或多条计算机指令；

所述处理器与所述存储器耦合，用于执行所述一条或多条计算机指令，以用于：

将待处理图像对应的第一特征图输入残差块，以利用所述残差块中至少一个网络层依次对所述第一特征图进行卷积处理；

在每个网络层中，依次利用第一尺寸的卷积核和第二尺寸的卷积核对所述网络层的输入进行卷积处理，得到至少一个第二特征图，其中，所述第一尺寸大于所述第二尺寸；

基于所述至少一个第二特征图，得到所述待处理图像的处理结果。

本申请实施例还提供一种存储计算机指令的计算机可读存储介质，当所述计算机指令被一个或多个处理器执行时，致使所述一个或多个处理器执行权利要求1-10任一项所述的图像处理方法。

在本申请实施例中，基于一种改进的残差块，对待处理图像对应的第一特征图进行卷积处理。在残差块的每个网络层中，依次利用第一尺寸和第二尺寸的卷积核执行卷积处理，且第一尺寸大于第二尺寸，据此，在利用残差块对第一特征图进行卷积的过程中，可获得更大的感受野，从而实现更多信息的输入，进而有效提高图像处理的准确度。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请一实施例提供的一种图像处理方法的流程示意图；

图2为本申请一实施例提供的一种残差块的结构示意图；

图3为本申请一实施例提供的一种图像处理系统的结构示意图；

图4为本申请另一实施例提供的一种计算设备的结构示意图。