[发明专利]图像处理装置、系统、方法和计算机可读存储介质

说明书

图像处理装置、系统、方法和计算机可读存储介质，所述图像处理装置包括：识取单元，适于对接收到的原始图像按照预设的特征类型进行识取操作，得到至少一个特征类型分支的预处理图像及所述特征类型分支的图像参数；各所述图像处理单元，适于对适配的特征类型分支的预处理图像执行相应的像素优化操作，得到所述特征类型分支相应的中间图像；所述数据整合单元，适于根据所述特征类型分支的图像参数和所述特征类型分支相应的中间图像，确定超分辨率图像。采用上述方案，能够兼顾提升图像质量和处理效率，并有效增强了普适性和可调性。

技术领域

本说明书实施例涉及数据处理技术领域，尤其涉及一种图像处理装置、系统、方法和计算机可读存储介质。

背景技术

目前的网络技术已经十分发达，用户可以通过网络浏览图像、视频等多媒体信息。通常而言，图像、视频等多媒体数据都存放于服务器中，在接收到发送指令后，将相应的多媒体数据通过网络发送至终端进行显示。

随着成像技术的进步，图像和视频的清晰度越来越高，数据量也越来越大，为了节省网络传输带宽和存储空间，存储于服务器的多媒体数据都进行分辨率压缩。当终端接收到多媒体数据后，需要进行分辨率放大，以正常显示多媒体数据。但是，将原始的多媒体数据进行分辨率压缩时，容易造成信息损失，进而导致压缩再放大的多媒体数据的信息量少于原始的多媒体数据的信息量。信息损失越多，画面清晰度越低，成像质量越差。

超分辨率(Super-Resolution,SR)技术的目的就在于将小分辨率的多媒体数据(如图像、视频等)放大到目标分辨率，并尽可能的恢复之前由于压缩而损失的信息，从而改善画面清晰度，保障成像质量。

并且，由于神经网络在数据处理领域中逐渐广泛应用，超分辨率技术得到了发展。例如，基于神经网络的单图像超分辨率(Single Image Super-Resolution，SISR)技术就引起了世界各国研究者的关注，在从神经网络架构、损失函数、数据及等方面获得了重大突破。

为了满足不同的图像质量需求，现有的基于神经网络的超分辨率方法通常依赖于更深层次、更广维度的网络架构，以构建端到端(end-to-end)的神经网络模型。但是，采用更深层次、更广维度的网络架构容易导致算法逻辑过于复杂，进而需要消耗极大的计算资源，并且，过于泛化的训练数据会降低神经网络的学习效率，加大神经网络模型的训练难度，由此可能造成模型难以收敛和训练时间过长的问题。再者，即使费时费力地完成了神经网络模型的训练，由于过于泛化的训练数据，各种类型的图像特征之间相互影响，导致不同图像质量需求的完成度受到限制，最终使得神经网络模型输出的图像的成像效果一般。

综上可知，现有的超分辨率技术无法适应越来越复杂多变的图像质量需求，有待改善。

发明内容

有鉴于此，本说明书实施例提供一种图像处理装置、系统、方法和计算机可读存储介质，能够兼顾提升图像质量和处理效率，并有效增强了普适性和可调性。

本说明书实施例提供了一种图像处理装置，包括：识取单元、多个可配置的图像处理单元和数据整合单元，其中：

所述识取单元，适于对接收到的原始图像按照预设的特征类型进行识取操作，得到至少一个特征类型分支的预处理图像及所述特征类型分支的图像参数；

各所述图像处理单元，适于对适配的特征类型分支的预处理图像执行相应的像素优化操作，得到所述特征类型分支相应的中间图像；

所述数据整合单元，适于根据所述特征类型分支的图像参数和所述特征类型分支相应的中间图像，确定超分辨率图像。

可选地，所述识取单元与多个所述图像处理单元之间分别设有第一传输路径；各所述第一传输路径分别适配不同特征类型分支；

多个所述图像处理单元与所述数据整合单元之间分别设有第二传输路径；各所述第二传输路径分别适配不同特征类型分支；