[发明专利]一种人脸图像清晰度提升方法及装置

说明书

本发明公开了一种人脸图像清晰度提升方法及装置，属于图像处理领域；在获取待提升清晰度的人脸图像后，将人脸图像输入到经退化操作训练的模型中得到清晰度提升后的人脸图像。由于模型经过退化操作训练，即原本清晰的图像处理为清晰度不高的图像，然后以清晰度不高的图像为训练样本使其得到清晰的图像，这样待提升清晰度的人脸图像输入到模型中后能够大大提升人脸图像的清晰度。

技术领域

本发明涉及图像处理技术，特别地，涉及一种人脸图像清晰度提升方法及装置。

背景技术

当前市场上的提升照片清晰度的图片编辑类应用中，用户可以输入照片对照片进行清晰度的提升。但是，在对照片进行清晰度提升的时候，使用的方法在人脸图像上的效果会比较一般。传统方法对人脸图像做针对性优化，也只能进行简单的降噪操作，但降噪的同时会让人脸有很重的涂抹感，脸部细节会大量丢失，清晰度的提升效果较差。

发明内容

为了克服现有技术的不足，本发明提供一种人脸图像清晰度提升方法及装置，以解决传统提升人脸照片清晰度方法让人脸有很重的涂抹感，脸部细节会大量丢失，清晰度的提升效果较差的问题。

本发明解决其技术问题所采用的技术方案是：

一方面，

一种人脸图像清晰度提升方法，包括以下步骤：

获取待提升清晰度的人脸图像；

将所述人脸图像输入经退化操作训练的模型中得到清晰度提升后的人脸图像。

进一步地，所述经退化操作训练的模型的训练步骤包括：

获取训练人脸图像的高清图片；

将所述训练人脸图像进行退化操作得到低清图片；

将所述低清图片输入到预构建的卷积神经网络模型中得到生成图片；

计算所述生成图片与所述高清图片之间的损失；

判断所述损失是否收敛；

若不收敛，则采用自适应矩估计算法优化所述卷积神经网络模型的参数；

重复上述步骤直至所述损失收敛且所述生成图片清晰度达到要求时，保存所述卷积神经网络模型的参数得到经退化操作训练的模型。

进一步地，所述退化操作包含以下步骤：

以50％的概率进行模糊操作；

以20％的概率进行加噪操作；

以70％的概率进行JPEG压缩操作；

进行缩放操作，缩放至图片长宽分别是所述高清图片的长宽的1/4大小。

进一步地，还包括：

将所述高清图片输入到预构建的多层判别模型中得到所述高清图片为真的第一概率；

将所述生成图片输入到所述多层判别模型中得到所述生成图片为假的第二概率；

用Hinge损失函数分别计算所述第一概率和第二概率与1的损失，并将计算得到的两个损失求和得到损失和；

判断所述损失和是否收敛；

若不收敛，则采用自适应矩估计算法优化所述多层判别模型的参数；

重复上述步骤直至所述损失和收敛，保存此时的多层判别模型。

进一步地，将所述人脸图像输入经退化操作训练的模型中得到清晰度提升后的人脸图像包括：

对所述人脸图像进行预处理得到只包含人脸的原始降噪人脸图像；