[发明专利]图像处理方法、装置、电子设备及计算机可读存储介质

说明书

本申请提供一种图像处理方法、装置、电子设备及计算机可读存储介质，该方法包括：调用训练后的超分重建神经网络中的向量提取模块对获得的待处理图像进行向量提取处理，得到待处理图像的第一特征向量和第二特征向量，该第一特征向量和第二特征向量所处的频域不同；通过训练后的超分重建神经网络对第一特征向量和第二特征向量进行重建处理，得到待处理图像对应的超分重建图像。该方法通过对待处理图像不同频域的第一特征向量和第二特征向量分别进行处理，通过缩小了某一频域特征向量的分辨率减少运算时间，且缓解了图像模糊和细节丢失的问题。

技术领域

本申请涉及神经网络技术领域，尤其涉及一种图像处理方法、装置、电子设备及计算机可读存储介质。

背景技术

随着神经网络的高速发展，在当前的图像超级分辨率重建过程中，常常采用深度学习的方法。

相较于传统算法，深度学习网络能通过学习图像中的特征映射准确恢复图像像素之间的信息，因此可以在低分辨率的图像上提供更多的细节和锐度。虽然深度学习网络在图像超级分辨率重建上有很大的潜力，但超分网络模型受制于手机端硬件，一般都采用轻量级的模型，然而，轻量级模型都是偏向浅层的，难以有效的学习图像中的特征映射，特别是在处理一些图像的高频特征时会导致低分辨率图像的锐度和细节难以提升，从而导致图像模糊和细节丢失；同时，由于图像处理中使用的传统超分网络模型常用域迁移方法去分开处理图像中的高频和低频特征，但这种方法会花费很大的算力，不适合在轻量级模型上使用。

因此，需要提出一种图像处理方法，以减少在处理图像特征时的运算时间，并缓解图像模糊和细节丢失的问题。

发明内容

本申请提供一种图像处理方法、装置、电子设备及计算机可读存储介质，用于缓解图像模糊和细节丢失的问题。

为了解决上述技术问题，本申请提供以下技术方案：

本申请提供一种图像处理方法，包括：

调用训练后的超分重建神经网络中的向量提取模块对获得的待处理图像进行向量提取处理，得到待处理图像的第一特征向量和第二特征向量，第一特征向量和第二特征向量所处的频域不同；

通过训练后的超分重建神经网络对第一特征向量和第二特征向量进行重建处理，得到待处理图像对应的超分重建图像。

相应的，本申请还提供一种图像处理装置，包括：

第一处理单元，用于调用训练后的超分重建神经网络中的向量提取模块对获得的待处理图像进行向量提取处理，得到待处理图像的第一特征向量和第二特征向量，第一特征向量和第二特征向量所处的频域不同；

重建单元，用于通过训练后的超分重建神经网络对第一特征向量和第二特征向量进行重建处理，得到待处理图像对应的超分重建图像。

同时，本申请提供一种电子设备，电子设备包括处理器、存储器以及存储于存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序以实现上述的图像处理方法中的步骤。

此外，本申请还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行以实现上述的图像处理方法中的步骤。

有益效果：本申请提供了一种图像处理方法、装置、电子设备及计算机可读存储介质。该方法通过训练后的超分重建神经网络中的向量提取模块分别提取到处于不同频域的第一特征向量和第二特征向量，通过缩小某一频域特征向量的分辨率减少了运算时间，同时可以有效学习不同频域的特征，再通过训练后的超分重建神经网络对第一特征向量和第二特征向量进行重建处理得到待处理图像对应的超分重建图像，使得在处理图像边缘时更细致，以达到更高的锐度，缓解了图像模糊和细节丢失的问题。

附图说明

下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。