[发明专利]图像处理和神经网络训练方法、装置及计算机设备

权利要求书

1.一种图像处理方法，包括：

获取待处理图像；

基于所述待处理图像迭代进行多尺度特征提取，获得第一重建特征图；

根据所述第一重建特征图和所述待处理图像的先验特征图得到第二重建特征图；

基于所述第二重建特征图迭代进行所述多尺度特征提取；

根据每次所述多尺度特征提取的结果进行特征融合，得到第三重建特征图；

根据所述第三重建特征图进行图像重建，得到重建图像；所述重建图像的分辨率高于所述待处理图像的分辨率。

2.根据权利要求1所述的方法，其特征在于，所述基于所述待处理图像迭代进行多尺度特征提取，获得第一重建特征图包括：

对所述待处理图像进行浅层特征提取，获得浅层特征图，并将所述浅层特征图作为多尺度特征提取的输入特征图；

对所述输入特征图进行不同尺度特征提取，得到不同尺度的特征图；

根据所述不同尺度的特征图和所述输入特征图得到本次多尺度特征提取的结果；

将所述结果作为输入特征图，并返回所述对所述输入特征图进行不同尺度特征提取，得到不同尺度的特征图的步骤进行迭代，直到迭代次数达到迭代次数阈值时，获得所述第一重建特征图。

3.根据权利要求2所述的方法，其特征在于，所述根据所述不同尺度的特征图和所述输入特征图得到本次多尺度特征提取的结果包括：

将各所述不同尺度的特征图进行通道拼接，得到特征映射图；

对所述特征映射图进行特征压缩，得到压缩后的特征映射图；

融合所述压缩后的特征映射图和所述输入特征图得到所述本次多尺度特征提取的结果。

4.根据权利要求1所述的方法，其特征在于，所述根据所述第一重建特征图和所述待处理图像的先验特征图得到第二重建特征图包括：

将所述第一重建特征图和所述待处理图像的先验特征图进行通道拼接，获得第一通道拼接特征图；

对所述第一通道拼接特征图进行卷积处理，得到所述第二重建特征图。

5.根据权利要求1所述的方法，其特征在于，在所述根据所述第一重建特征图和所述待处理图像的先验特征图得到第二重建特征图之前，还包括：

基于所述第一重建特征图迭代进行多尺度特征提取，获得先验深层特征图；

对所述先验深层特征图进行分辨率变换，得到所述待处理图像的先验特征图。

6.根据权利要求1所述的方法，其特征在于，所述根据每次所述多尺度特征提取的结果进行特征融合，得到第三重建特征图包括：

获取所述待处理图像的浅层特征图；

将每次所述多尺度特征提取的结果和所述浅层特征图进行通道拼接，获得第二通道拼接特征图；

对所述第二通道拼接特征图进行卷积处理，得到所述第三重建特征图。

7.根据权利要求1至6任意一项所述的方法，其特征在于，所述方法通过预训练的神经网络模型实现；所述神经网络模型的训练步骤包括：

获取训练图像和所述训练图像对应的基准图像，所述基准图像的分辨率高于所述训练图像的分辨率；

通过待训练的神经网络模型基于所述训练图像迭代进行多尺度特征提取，获得第一训练特征图；

通过所述待训练的神经网络模型根据所述第一训练特征图和所述训练图像的先验特征图得到第二训练特征图；

通过所述待训练的神经网络模型基于所述第二训练特征图迭代进行所述多尺度特征提取；

通过所述待训练的神经网络模型根据每次所述多尺度特征提取的结果进行特征融合，得到第三训练特征图；

通过所述待训练的神经网络模型根据所述第三训练特征图进行图像重建，得到训练重建图像；所述训练重建图像的分辨率高于所述训练图像的分辨率；

根据所述训练重建图像和所述训练图像对应的基准图像调整所述待训练的神经网络模型的参数后继续进行训练，直至满足训练结束条件时结束训练，得到训练完成的神经网络模型。