[发明专利]图像处理方法和装置

说明书

本发明公开了一种图像处理方法和装置。其中，该方法包括：接收发送端发送的数据，并根据接收的数据确定小波系数，其中，发送端发送的数据中包括对原始图像经过小波分解后得到的小波系数；根据小波系数生成低分辨率图像；根据神经网络对低分辨率图像进行超分辨率重建，得到高分辨率图像。本发明解决了相关技术中的图像压缩方法无法同时满足较高的压缩效率和较高的图像还原质量的技术问题。

技术领域

本发明涉及图像处理领域，具体而言，涉及一种图像处理方法和装置。

背景技术

在图像传输时，带宽的限制使得不能兼顾图像的大小与图像的传输时间，通常需要对图像进行压缩。传统的图片压缩方法局限于从数学的角度对图像数据去除冗余，算法设计框架基本固定，压缩效率很难再有大幅度的提升，系统无学习功能，生成图像质量固定，当带宽限制严重时，对成像质量影响巨大。现有技术中，可以采用小波变换的方式来对图像进行压缩，在图像压缩之后对压缩的低分辨率图像进行超分辨率重建。小波变换是近年来被广泛应用的一种数学分析工具，它克服了短时傅立叶变换在单分辨率上的缺陷，在时域和频域都有表征信号细节信息的能力，且时间和频率的窗口大小可动态调整，适应范围广泛。近年来，基于小波变换的图像压缩及传输算法被广泛应用在图像压缩技术中。在JPEG 2000的压缩算法中即使用了无损的5/3小波变换和有损的9/7小波变换来实现图片压缩，基于5/3小波的图像压缩算法应用较为广泛。

针对相关技术中的图像压缩方法无法同时满足较高的压缩效率和较高的图像还原质量的技术问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种图像处理方法和装置，以至少解决相关技术中的图像压缩方法无法同时满足较高的压缩效率和较高的图像还原质量的技术问题。

根据本发明实施例的一个方面，提供了一种图像处理方法，该方法包括：接收发送端发送的数据，并根据接收的数据确定小波系数，其中，发送端发送的数据中包括对原始图像经过小波分解后得到的小波系数；根据小波系数生成低分辨率图像；根据神经网络对低分辨率图像进行超分辨率重建，得到高分辨率图像。

进一步地，根据神经网络对低分辨率图像进行超分辨率重建包括：确定当前的神经网络；接收更新参数，其中，更新参数为发送端发送的根据原始图像对当前的神经网络进行优化得到的神经网络的参数；根据更新参数对当前的神经网络进行更新，得到更新的神经网络；根据更新的神经网络对低分辨率图像进行超分辨率重建。

进一步地，该方法还包括：对多个样本图像进行小波分解，得到对应的多个低分辨率样本图像；根据多个样本图像和对应的多个低分辨率样本图像训练神经网络；将训练后的神经网络作为初始的神经网络存储在发送端和接收端，其中，在根据发送端第一次发送的数据进行超分辨率重建时确定当前的神经网络为初始的神经网络。

进一步地，根据神经网络对低分辨率图像进行超分辨率重建包括：根据低分辨率图像的内容选择神经网络的类别；根据选择的神经网络对低分辨率图像进行超分辨率重建。

根据本发明实施例的另一方面，还提供了一种图像处理方法，该方法包括：发送端对原始图像进行小波分解，得到小波系数；发送端向接收端发送小波系数；接收端根据小波系数生成低分辨率图像；接收端根据神经网络对低分辨率图像进行超分辨率重建，得到高分辨率图像。

进一步地，在发送端对原始图像进行小波分解，得到小波系数之后，该方法还包括：发送端根据小波系数生成低分辨率图像；发送端根据原始图像和低分辨率图像对发送端当前的神经网络进行优化；在发送端对神经网络经过预设次数的优化之后，发送端向接收端发送更新参数，其中，更新参数为在发送端经过预设次数优化之后的神经网络的参数；接收端在接收到更新参数之后，根据更新参数对接收端的神经网络进行更新以得到更新的神经网络，并基于更新的神经网络对后续接收到的小波系数对应的低分辨率图像进行超分辨率重建。