[发明专利]图像处理方法、装置及电子设备

说明书

本发明实施例提供一种图像处理方法、装置及电子设备，涉及图像处理技术领域。方法包括：获得待去除压缩失真的图片作为待处理图片；判断待处理图片对应的量化表是否为图像压缩标准推荐的量化表；若待处理图片对应的量化表并非图像压缩标准推荐的量化表，则从预存的图片数据库中选取多张未经过压缩的参考图片构成参考图片集；使用参考图片集训练去除压缩失真的通用深度卷积神经网络，得到新的深度卷积神经网络，其中，去除压缩失真的通用深度卷积神经网络使用图像压缩标准推荐的量化表训练得到；使用新的深度卷积神经网络处理待处理图片。该图像处理方法、装置及电子设备，能够去除各类量化表带来的压缩失真，适用范围较广。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种图像处理方法、装置及电子设备。

背景技术

现在互联网上传播的图片大部分都经过JPEG(Joint Photographic ExpertsGroup，联合图像专家小组)图像压缩标准的压缩。经过压缩的JPEG图片所占用的存储空间和传输时所需要用的传输带宽比原图片有大大缩小，但是经过压缩的JPEG图片相应的也会出现图片质量降低的现象，称之为压缩失真现象。比较显著的压缩失真现象有图像块效应、振铃效应等。对于JPEG图片来说，压缩后的图像越小，压缩失真现象越严重。经研究发现，现有的图片处理方式适用性有限，存在不能有效去除压缩失真的现象。

发明内容

有鉴于此，本发明实施例的目的在于提供一种图像处理方法、装置及电子设备，以改善现有技术中图像处理方式适用性有待提高的问题。

本发明较佳实施例提供了一种图像处理方法，包括：

获得待去除压缩失真的图片作为待处理图片；

判断所述待处理图片对应的量化表是否为图像压缩标准推荐的量化表；

若所述待处理图片对应的量化表并非图像压缩标准推荐的量化表，则从预存的图片数据库中选取多张未经过压缩的参考图片构成参考图片集；

使用所述参考图片集训练去除压缩失真的通用深度卷积神经网络，得到新的深度卷积神经网络，其中，所述去除压缩失真的通用深度卷积神经网络使用图像压缩标准推荐的量化表训练得到；

使用所述新的深度卷积神经网络处理所述待处理图片。

可选地，使用所述参考图片集训练去除压缩失真的通用深度卷积神经网络的步骤，包括：

构建与去除压缩失真的通用深度卷积神经网络具有相同参数的第一深度卷积神经网络；

将所述参考图片集中的各参考图片按照所述待处理图片对应的量化表压缩，得到压缩图片；

将所述参考图片和压缩图片分别切成图像块；

将所述压缩图片的图像块作为输入，将所述参考图片的图像块作为监督信号，训练所述第一深度卷积神经网络。

可选地，将所述压缩图片的图像块作为输入，将所述参考图片的图像块作为监督信号，训练所述第一深度卷积神经网络的步骤，包括：

将所述压缩图片的图像块作为输入，将所述参考图片的图像块作为监督信号，将均方误差作为损失函数，使用随机梯度下降算法迭代训练所述第一深度卷积神经网络，直至达到预设条件，则终止训练。

可选地，所述预设条件包括：所述损失函数不再下降，或者，所述迭代训练达到设定次数。

可选地，使用所述参考图片集训练去除压缩失真的通用深度卷积神经网络的步骤，包括：

使用所述参考图片集训练去除压缩失真的通用深度卷积神经网络的最高的M层，其中，M大于等于1。

本发明另一较佳实施例提供了一种图像处理装置，包括：