[发明专利]基于神经网络的图像处理方法及装置

说明书

本发明提供了一种基于神经网络的图像处理方法，包括：使用生成模型对第一图像进行填充运算来获得第二图像，其中，第一图像为对原始图像进行尺寸压缩后生成的图像，所述第二图像的尺寸与所述原始图像的尺寸成指定比例；使用判别模型对原始图像和第二图像进行有监督学习来获得第一对比结果，并且使用细节对比模型来计算原始图像的特征图和第二图像的特征图，进而确定第二对比结果，其中，第二对比结果表示原始图像的特征图和第二图像的特征图的差异；基于第一对比结果和第二对比结果来训练生成模型和判别模型。本发明的图像处理方法能够还原较高压缩比的图像，从而大幅度提高图像的压缩比，节约传输图像服务的带宽需求和存储空间需求。

技术领域

本发明涉及图像处理，尤其涉及基于神经网络的图像处理方法及装置。

背景技术

图像压缩指以较少的数据量有损或无损地表示原来的像素矩阵的技术，从而用更加高效的格式存储和传输数据。图像数据之所以能被压缩，就是因为数据中存在着冗余，比如：图像中相邻像素间的相关性引起的空间冗余、不同彩色平面或频谱带的相关性引起的频谱冗余等。数据压缩的目的就是通过去除这些数据冗余来减少表示数据所需的比特数。图像的压缩分为有损压缩和无损压缩，有损压缩是指在压缩过程中忽略掉一些不敏感的信息，虽然不能完全还原出原数据，但能获取更高的压缩比。无损压缩则指仅去除数据的冗余信息，通过信息熵的方式来进行重新编码，来获取尽可能高的压缩比，无损压缩后的数据能够完整的还原出原数据。

图像放大是指对图像进行尺寸上的放大。很显然原始图像中的信息不足以包含放大后所有的图像信息，所以这种放大一定是失真的。图像放大算法即研究如何在尽量减少失真的情况下，通过不同的插值方法，把原始图像放大到指定的尺寸上。常见的图像放大算法有双线性插值，双立方插值等方法。

神经网络(Neural Network)是一种人为设计的网络结构，其本质是多层感知机(Multi-layer Perceptron)。感知机由若干神经元(Neuron)构成，每个神经元从外部或其它节点收到输入信号，并通过激活函数得到输出信号，就像大脑中神经元的信号传递。神经元按层相连，形成网络结构。与神经细胞不同，人工神经元的信号能够反向传播，这种反馈机制让感知机具备学习功能。除了学习功能，多层感知机可以表示非线性映射，因此神经网络能够帮助人们解决一些相对复杂的问题，如模式识别、自动控制、决策评估、预测等。应用场景分为有监督学习，无监督学习和半监督学习等，通过定义不同的损失函数来描述目标、拟合参数来达到网络的目的。

发明内容

针对目前在图像处理中只能还原较低压缩比的图像的问题，本发明一方面提供了一种基于神经网络的图像处理方法，包括：使用生成模型对所述第一图像进行填充运算来获得第二图像，其中，所述第一图像为对原始图像进行尺寸压缩后生成的图像，所述第二图像的尺寸与所述原始图像的尺寸成指定比例；使用判别模型对所述原始图像和所述第二图像进行有监督学习来获得第一对比结果，并且使用细节对比模型来计算所述原始图像的特征图和所述第二图像的特征图，进而确定第二对比结果，其中，所述第二对比结果表示所述原始图像的特征图和所述第二图像的特征图的差异；基于所述第一对比结果和所述第二对比结果来训练所述生成模型和所述判别模型。

一个实施例中，所述方法还包括：利用训练后的生成模型来还原第三图像，其中，所述第三图像为经压缩的图像。

一个实施例中，所述第二图像的尺寸与所述原始图像的尺寸相同。

一个实施例中，使用生成模型对第一图像进行填充运算来获得第二图像包括：使用生成模型对第一图像进行多层卷积运算来获得第二图像。

一个实施例中，基于所述第一对比结果和所述第二对比结果来训练所述生成模型和所述判别模型包括：将所述第一对比结果和所述第二对比结果作为模型损失，使用反向传播方法来训练所述生成模型和所述判别模型。

一个实施例中，所述第一对比结果为正误损失，并且所述第二对比结果为细节损失。