图像处理方法、装置、电子设备和可读存储介质与流程

文档序号:33144281发布日期:2023-02-03 21:07阅读:36来源:国知局
图像处理方法、装置、电子设备和可读存储介质与流程

1.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、电子设备和可读存储介质。


背景技术:

2.目前,越来越多的业务需求需要将纸质原稿转换为扫描图像文件,为了便于用户的操作,提高用户的体验性,越来越多的手持设备配置了将拍摄图像转换为扫描图像的功能。用户在需要将纸质原稿转换为扫描图像文件时,只需要通过手持设备对纸质原稿进行拍摄,然后通过手持设备对拍摄的图像进行扫描转换,得到转换后的扫描图像文件。
3.但是,手持拍摄图像的质量,容易受到光照、拍摄环境、手持设备的参数等的影响,在日常中,极易产生模糊、阴影、褶皱等影响画面质量和文本辨识的不良因素,导致在将拍摄图像转换为扫描图像时,扫描效果不稳定,扫描图像的质量较差。


技术实现要素:

4.基于上述研究,本发明实施例提供一种图像处理方法、装置、电子设备和可读存储介质,提高了生成的扫描图像的质量,保证了扫描图像的扫描效果的稳定性。
5.本发明的实施例可以通过以下方式实现:
6.第一方面,本发明实施例提供一种图像处理方法,所述方法包括:
7.获取待处理的原始图像;
8.通过图像处理模型对所述原始图像进行特征提取,得到所述原始图像的全局特征图以及局部特征图;
9.通过所述图像处理模型对所述原始图像的全局特征图以及局部特征图进行特征处理,得到所述原始图像的扫描图像;其中,所述图像处理模型是通过采集样本图像与样本图像对应的扫描图像,并利用特征匹配损失以及对抗损失训练得到的。
10.在可选的实施方式中,在通过图像处理模型对所述原始图像进行特征提取之前,所述方法还包括:
11.获取样本图像以及所述样本图像对应的标签扫描图像;
12.将所述样本图像输入至初始图像处理模型中,得到所述样本图像对应的预测扫描图像;
13.计算所述预测扫描图像和所述标签扫描图像的特征匹配损失以及对抗损失;
14.根据所述特征匹配损失以及所述对抗损失,得到所述预测扫描图像和所述标签扫描图像的目标损失;
15.判断所述目标损失是否满足预设条件,若未满足,利用反向传播算法,将所述目标损失反向传播,对所述初始图像处理模型的参数进行更新迭代,得到图像处理模型。
16.在可选的实施方式中,所述计算所述预测扫描图像和所述标签扫描图像的特征匹配损失以及对抗损失的步骤包括:
17.将所述预测扫描图像和所述标签扫描图像输入至判别模型中,得到所述预测扫描图像和所述标签扫描图像的特征匹配损失以及对抗损失。
18.在可选的实施方式中,所述将所述预测扫描图像和所述标签扫描图像输入至判别模型中,得到所述预测扫描图像和所述标签扫描图像的特征匹配损失的步骤包括:
19.将所述预测扫描图像和所述标签扫描图像输入至所述判别模型中,得到所述判别模型每一层网络的标签扫描图像的特征信息以及预测扫描图像的特征信息;
20.计算每一层网络的标签扫描图像的特征信息与预测扫描图像的特征信息的损失;
21.根据每一层网络的标签扫描图像的特征信息与预测扫描图像的特征信息的损失,得到所述预测扫描图像和所述标签扫描图像的特征匹配损失。
22.在可选的实施方式中,所述将所述预测扫描图像和所述标签扫描图像输入至判别模型中,得到所述预测扫描图像和所述标签扫描图像的对抗损失的步骤包括:
23.将所述预测扫描图像和所述标签扫描图像输入至所述判别模型中,得到所述判别模型对所述预测扫描图像以及所述标签扫描图像的判别结果;
24.根据所述判别模型对所述预测扫描图像以及所述标签扫描图像的判别结果,得到所述预测扫描图像和所述标签扫描图像的对抗损失。
25.在可选的实施方式中,所述将所述预测扫描图像和所述标签扫描图像输入至判别模型中,得到所述预测扫描图像和所述标签扫描图像的特征匹配损失以及对抗损失的步骤包括:
26.对所述预测扫描图像和所述标签扫描图像进行设定倍数的缩放,得到不同尺寸的预测扫描图像和标签扫描图像;
27.分别将不同尺寸的预测扫描图像和标签扫描图像输入至所述判别模型,得到不同尺寸的预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失;
28.所述根据所述特征匹配损失以及所述对抗损失,得到所述预测扫描图像和标签扫描图像的目标损失的步骤包括:
29.根据不同尺寸的预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失,得到目标损失。
30.在可选的实施方式中,所述获取样本图像以及所述样本图像对应的标签扫描图像的步骤包括:
31.对目标图像进行扫描,得到所述目标图像的标签扫描图像;
32.对所述标签扫描图像进行预处理,得到所述标签扫描图像对应的样本图像。
33.在可选的实施方式中,所述对所述标签扫描图像进行预处理,得到所述标签扫描图像对应的样本图像的步骤包括:
34.对所述标签扫描图像进行阴影叠加、噪声叠加以及模糊叠加,得到所述标签扫描图像对应的样本图像。
35.在可选的实施方式中,所述将所述样本图像输入至初始图像处理模型中,得到所述样本图像对应的预测扫描图像的步骤包括:
36.将所述样本图像输入至所述初始图像处理模型的全局网络进行特征提取,得到全局特征图;
37.将所述样本图像输入至所述初始图像处理模型的第一局部网络进行特征提取,得
到局部特征图;
38.将所述全局特征图以及所述局部特征图进行合并,得到合并特征图;
39.将所述合并特征图输入至所述初始图像处理模型的第二局部网络进行特征处理,得到预测扫描图像。
40.在可选的实施方式中,所述通过图像处理模型对所述原始图像进行特征提取,得到所述原始图像的全局特征图以及局部特征图的步骤包括:
41.将所述原始图像输入至所述图像处理模型的全局网络进行特征提取,得到所述原始图像的全局特征图;
42.将所述原始图像输入至所述图像处理模型的第一局部网络进行特征提取,得到所述原始图像的局部特征图;
43.所述通过所述图像处理模型对所述原始图像的全局特征图以及局部特征图进行处理,得到所述原始图像的扫描图像的步骤包括:
44.将所述全局特征图以及所述局部特征图进行合并,得到合并特征图;
45.将所述合并特征图输入至所述图像处理模型的第二局部网络进行特征处理,得到所述原始图像的扫描图像。
46.第二方面,本发明实施例提供一种图像处理装置,包括:
47.数据获取模块,用于获取待处理的原始图像;
48.第一处理模块,用于通过图像处理模型对所述原始图像进行特征提取,得到所述原始图像的全局特征图以及局部特征图;
49.第二处理模块,用于通过所述图像处理模型对所述原始图像的全局特征图以及局部特征图进行特征处理,得到所述原始图像的扫描图像;其中,所述图像处理模型是通过采集样本图像与样本图像对应的扫描图像,并利用特征匹配损失以及对抗损失训练得到的。
50.第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述任一实施方式所述的图像处理方法。
51.第四方面,本发明实施例提供一种可读存储介质,所述可读存储介质包括计算机程序,所述计算机程序运行时控制所述可读存储介质所在电子设备执行前述任一实施方式所述的图像处理方法。
52.本发明实施例提供的图像处理方法、装置、电子设备和可读存储介质,通过采集样本图像与样本图像对应的扫描图像,并利用特征匹配损失以及对抗损失训练得到图像处理模型,进而在获取待处理的原始图像后,即可通过图像处理模型对原始图像进行特征提取,得到原始图像的全局特征图以及局部特征图,在得到原始图像的全局特征图以及局部特征图后,通过图像处理模型对原始图像的全局特征图以及局部特征图进行特征处理,即可得到原始图像的扫描图像,提高了扫描图像的质量,保证了扫描效果的稳定性。
附图说明
53.为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这
些附图获得其他相关的附图。
54.图1为本发明实施例所提供的电子设备的一种结构框图。
55.图2为本发明实施例所提供的图像处理方法的一种流程示意图。
56.图3为本发明实施例所提供的图像处理模型的一种结构示意图。
57.图4为本发明实施例所提供的图像处理方法的另一种流程示意图。
58.图5为本发明实施例所提供的判别模型的一种结构示意图。
59.图6为本发明实施例所提供的一种扫描效果图。
60.图7为本发明实施例所提供的图像处理装置的一种方框示意图。
61.图标:100-电子设备;10-图像处理装置;11-数据获取模块;12-第一处理模块;13-第二处理模块;20-存储器;30-处理器;40-通信单元。
具体实施方式
62.为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
63.因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
64.应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
65.在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
66.如背景技术所述,手持拍摄图像的质量,容易受到光照、拍摄环境、手持设备的参数等的影响,在日常中,极易产生模糊、阴影、褶皱等影响画面质量和文本辨识的不良因素,基于传统视觉算法的图像增强方法难以去除阴影、褶皱等问题,进而在拍摄图像存在多种质量问题的情况下,将拍摄图像转换为扫描图像时,难以达到稳定的扫描效果。
67.传统的图像增强方法可大致分为三类,空域法、频域法和混合域法。其中空域法是对像素值进行处理,如直方图均衡,伽马变换;频域法是在变换域内操作,如小波变换;混合域法是结合以上两域的其他一些方法。传统的方法通过设计算子,简单且快速地获得结果,但是没有考虑到图像中的语义信息,在复杂环境中难以取得较稳定的增强效果。除此之外,传统增强方法需要人工设计复杂的算法和策略以解决输入多样的问题,复杂耗时且适用场景受限。
68.而近年来,卷积神经网络在很多低层次的计算机视觉任务中取得了巨大突破,包括图像超分辨、去模糊、去雾、去噪、图像增强等。相比于传统视觉的图像增强算法,基于神
经网络的深度学习方法极大地改善了图像增强的质量。
69.基于此,本实施例提供一种图像处理方法,基于深度学习的技术,通过采集样本图像与样本图像对应的扫描图像,并利用特征匹配损失以及对抗损失训练得到图像处理模型,进而在获取待处理的原始图像后,即可通过图像处理模型对原始图像进行特征提取,得到原始图像的全局特征图以及局部特征图,通过图像处理模型对原始图像的全局特征图以及局部特征图进行处理,得到原始图像的扫描图像,提高了扫描图像的质量,保证了扫描效果的稳定性。
70.请参阅图1,图1为本实施例所提供的电子设备100的一种结构框图。如图1所示,电子设备可以包括图像处理装置10、存储器20、处理器30及通信单元40,存储器20存储有处理器30可执行的机器可读指令,当电子设备100运行时,处理器30及存储器20之间通过总线通信,处理器30执行机器可读指令,并执行图像处理方法。
71.存储器20、处理器30以及通信单元40各元件相互之间直接或间接地电性连接,以实现信号的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。图像处理装置10包括至少一个可以软件或固件(firmware)的形式存储于存储器20中的软件功能模块。处理器30用于执行存储器20中存储的可执行模块(例如图像处理装置10所包括的软件功能模块或计算机程序)。
72.其中,存储器20可以是,但不限于,随机读取存储器(random access memory,ram),只读存储器(read only memory,rom),可编程只读存储器(programmable read-only memory,prom),可擦除只读存储器(erasable programmable read-only memory,eprom),电可擦除只读存储器(electric erasable programmable read-only memory,eeprom)等。
73.在一些实施例中,处理器30用以执行本实施例中描述的一个或多个功能。在一些实施例中,处理器30可以包括一个或多个处理核(例如,单核处理器(s)或多核处理器(s))。仅作为举例,处理器30可以包括中央处理单元(central processing unit,cpu)、专用集成电路(application specific integratedcircuit,asic)、专用指令集处理器(application specific instruction-setprocessor,asip)、图形处理单元(graphics processing unit,gpu)、物理处理单元(physics processing unit,ppu)、数字信号处理器(digital signal processor,dsp)、现场可编程门阵列(field programmable gate array,fpga)、可编程逻辑器件(programmable logic device,pld)、控制器、微控制器单元、简化指令集计算机(reducedinstruction set computing,risc)或微处理器等,或其任意组合。
74.为了便于说明,在电子设备100中仅描述了一个处理器。然而,应当注意,本实施例中的电子设备100还可以包括多个处理器,因此本实施例中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若服务器的处理器执行步骤a和步骤b,则应该理解,步骤a和步骤b也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,处理器执行步骤a,第二处理器执行步骤b,或者处理器和第二处理器共同执行步骤a和b。
75.本实施例中,存储器20用于存储程序,处理器30用于在接收到执行指令后,执行程序。本实施例任一实施方式所揭示的流程定义的方法可以应用于处理器30中,或者由处理器30实现。
76.通信单元40用于通过网络建立电子设备100与其他设备之间的通信连接,并用于通过网络收发数据。
77.在一些实施方式中,网络可以是任何类型的有线或者无线网络,或者是他们的结合。仅作为示例,网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(local area network,lan)、广域网(wide area network,wan)、无线局域网(wireless local area networks,wlan)、城域网(metropolitan area network,man)、广域网(wide area network,wan)、公共电话交换网(public switched telephone network,pstn)、蓝牙网络、zigbee网络、或近场通信(near field communication,nfc)网络等,或其任意组合。
78.在本实施例中,电子设备100可以是但不限于移动终端、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,umpc)、上网本、个人数字助理(personal digital assistant,pda)等电子设备上,本实施例对电子设备的具体类型不作任何限制。在一种实施方式中,电子设备还可以是物理服务器,或者多台物理服务器组成的服务集群。本实施例对电子设备的具体类型不作任何限制。
79.可以理解地,图1所示的结构仅为示意。电子设备100还可以具有比图1所示更多或者更少的组件,或者具有与图1所示不同的配置。图1所示的各组件可以采用硬件、软件或其组合实现。
80.基于图1的实现架构,本实施例提供一种图像处理方法,由图1所示的电子设备执行,下面基于图1示出的电子设备100的结构图对本实施例提供的图像处理方法的步骤进行详细阐述。请结合参阅图2,本实施例所提供的图像处理方法包括步骤s101至步骤s103。
81.步骤s101:获取待处理的原始图像。
82.其中,原始图像可以是通过手持设备对需要扫描的文件或者物品等进行拍摄得到。可选的,在本实施例中,手持设备可以是移动终端,如手机、平板等等。
83.在一种实施方式中,当电子设备为手持设备或者电子设备与手持设备集成为一体时,可以直接对需要扫描的文件或者物品等进行拍摄,得到原始图像。在一种实施方式中,当电子设备与手持设备独立设置时,可以在手持设备对需要扫描的文件或者物品等进行拍摄后,接收手持设备传输的拍摄图像,将拍摄图像作为原始图像。
84.步骤s102:通过图像处理模型对原始图像进行特征提取,得到原始图像的全局特征图以及局部特征图。
85.其中,得到原始图像后,即可将原始图像输入到预先训练得到的图像处理模型中进行特征提取,得到原始图像的特征图。
86.为了提高扫描图像的图像质量,在本实施例中,在对原始图像进行特征提取时,包括提取原始图像的全局特征以及提取原始图像的局部特征。通过对原始图像提取全局特征以及局部特征,可以同时学习到原始图像的全局信息以及细节信息,增加了原始图像的细节处理,可以有效提高扫描图像的图像质量。
87.步骤s103:通过图像处理模型对原始图像的全局特征图以及局部特征图进行特征处理,得到原始图像的扫描图像。
88.在本实施例中,图像处理模型是通过采集样本图像与样本图像对应的扫描图像,并利用特征匹配损失以及对抗损失训练得到的,因此,图像处理模型在对原始图像进行特
征提取,得到原始图像的全局特征图以及局部特征图后,对全局特征图以及局部特征图进行合并,对合并后的特征图进行特征处理,即可得到扫描效果稳定以及质量较好的的扫描图像。
89.本实施例所提供的图像处理方法,将拍摄图像的转扫描问题转换为图像的风格迁移问题,通过采集样本图像与样本图像对应的扫描图像,利用特征匹配损失以及对抗损失训练得到图像处理模型,即可通过图像处理模型将拍摄图像的风格迁移为扫描图像,进而在获取待处理的原始图像后,通过图像处理模型对原始图像进行特征提取,得到原始图像的全局特征图以及局部特征图,对原始图像的全局特征图以及局部特征图进行特征处理,即可得到原始图像的扫描图像,并提高了扫描图像的质量,保证了扫描效果的稳定性。
90.为了生成逼真的扫描图像,在本实施例中,图像处理模型可采用pix2pixhd搭建。pix2pixhd是一种基于条件对抗式生成网络的高分辨率图像合成和语义编辑网络,原始的pix2pixhd采用生成对抗网络(generative adversarial network,gan)框架,它由一个生成器和一个判别器构成,其中,生成器采用多粒度unet网络结构,判别器采用全卷积网络结构,生成器和判别器互相对抗学习,不断提升以达到设定的目标性能。在本实施例中,图像处理模型可作为pix2pixhd中的生成器,用于生成扫描图像。为了生成逼真的扫描图像,提高扫描图像的质量,请结合参阅图3,在本实施例中,图像处理模型可以由全局网络g1和局部网络g2构成,其中,局部网络g2可以由进行下采样的第一局部网络g
2f
和进行上采样的第二局部网络g
2r
构成。
91.基于此,在本实施例中,通过图像处理模型对原始图像进行特征提取,得到原始图像的全局特征图以及局部特征图的步骤包括:
92.将原始图像输入至图像处理模型的全局网络进行特征提取,得到原始图像的全局特征图。
93.将原始图像输入至图像处理模型的第一局部网络进行特征提取,得到原始图像的局部特征图。
94.相应地,通过图像处理模型对原始图像的全局特征图以及局部特征图进行特征处理,得到原始图像的扫描图像的步骤包括:
95.将全局特征图以及所述局部特征图进行合并,得到合并特征图;
96.将合并特征图输入至图像处理模型的第二局部网络进行特征处理,得到原始图像的扫描图像。
97.其中,在得到原始图像后,可将原始图像输入至第一局部网络g
2f
进行特征提取,得到局部特征图,同时输入至全局网络g1进行特征提取,得到全局特征图。
98.可选的,在本实施例中,第一局部网络g
2f
可以包括下采样层,全局网络g1包括下采样层、残差块以及上采样层。
99.在将原始图像输入至第一局部网络g
2f
后,通过第一局部网络的下采样层进行下采样处理,即可提取得到局部特征图。在将原始图像输入至全局网络g1后,先通过全局网络的下采样层进行下采样处理,得到下采样处理后的特征图,然后通过残差块对下采样处理后的特征图进行处理,得到残差块处理后的特征图,之后通过上采样层对残差块处理后的特征图进行上采样处理,在进行上采样处理后,即可提取得到全局特征图。
100.可选的,在本实施例中,第一局部网络g
2f
可以包括一层下采样层,通过一层下采样
层对原始图像进行2倍下采样。全局网络g1可以包括四层下采样层、九个残差块以及四层上采样层,其中,四层下采样中每一层下采样层可以为2倍下采样层,四层上采样层中每一层上采样层可以为2倍上采样层。
101.在通过全局网络g1提取得到全局特征图以及通过第一局部网络g
2f
提取得到局部特征图后,即可将全局特征图和局部特征图进行合并。为了实现全局特征图和局部特征图的合并,在本实施例中,需要将全局特征图和局部特征图的尺寸统一,因此,在将原始图像输入至全局网络g1之前,还需要对原始图像进行2倍下采样,以缩小原始图像的尺寸。在对原始图像进行2倍下采样后,即可将2倍下采样后的原始图像输入至全局网络g1中进行特征提取,如此,得到的全局特征图的尺寸则与第一局部网络g
2f
输出的局部特征图的尺寸一致,从而便于局部特征图与全局特征图的合并。
102.在得到局部特征图和全局特征图,将局部特征图和全局特征图进行合并,得到合并特征图后,即可将合并特征图输入至第二局部网络g
2r
进行特征处理,生成原始图像的扫描图像。
103.可选的,在本实施例中,第二局部网络g
2r
可以包括残差块以及上采样层。在将合并特征图输入至第二局部网络g
2r
后,经过残差块以及上采样层处理后,即可输出扫描图像。
104.可选的,在本实施例中,第二局部网络g
2r
可以包括三个残差块以及一层上采样层。为了得到与原始图像大小一样的扫描图像,在本实施例中,当第一局部网络g
2f
的下采样层为2倍下采样时,第二局部网络g
2r
的上采样层为2倍上采样层。
105.在一种具体地实施方式中,在得到原始图像后,将原始图像以原分辨率输入至第一局部网络中经过一层下采样层进行特征提取,得到局部特征图,同时,对原始图像进行2倍下采样,将2倍下采样后的原始图像输入至全局网络中经过四层下采样层、九个残差块以及四层上采样层进行特征提取后,得到全局特征图。在得到全局特征图以及局部特征图后,将全局特征图以及局部特征图进行合并,将合并后的合并特征图输入至第二局部网络g
2r
中经过三个残差块和一层上采样层进行特征处理后,即可输出与原始图像大小一致的扫描图像,实现了图像的风格迁移。
106.为了降低显存,在本实施例中,图像的输入通道数为32通道数,且在训练过程中,所有层级的通道数进行减半训练。
107.本实施例所提供的图像处理方法,通过图像处理模型提取原始图像的全局特征图以及局部特征图,将全局特征图以及局部特征图进行合并,可以得到原始图像的全局信息以及细节信息,增加了原始图像的细节处理,进而在对合并后的特征图进行特征处理,得到扫描图像后,可以提高扫描图像的质量。
108.为了提高图像处理模型对图像的处理能力,保证扫描图像的稳定性,在本实施例中,基于pix2pixhd搭建图像处理模型,并采用对抗学习的方式对图像处理模型进行训练,请结合参阅图4,模型的训练过程可以通过以下步骤实现:
109.步骤s201:获取样本图像以及样本图像对应的标签扫描图像。
110.步骤s202:将样本图像输入至初始图像处理模型中,得到样本图像对应的预测扫描图像。
111.步骤s203:计算预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失。
112.步骤s204:根据特征匹配损失以及对抗损失,得到预测扫描图像和标签扫描图像
的目标损失。
113.步骤s205:判断目标损失是否满足预设条件,若未满足,利用反向传播算法,将目标损失反向传播,对初始图像处理模型的参数进行更新迭代,得到图像处理模型。
114.由于本实施例采用高分辨率图像合成与语义编辑网络,训练时需要成对的数据,因此,在本实施例中,需要获取样本图像以及样本图像对应的标签扫描图像。可以理解地,对于每一张样本图像,该张样本图像与该张样本图像对应的标签扫描图像为一个图像对。
115.由于成对的训练数据难以通过日常的数据采集技术获得,为了获取用于训练的成对数据,在本实施例中,获取样本图像以及样本图像对应的标签扫描图像的步骤包括:
116.对目标图像进行扫描,得到目标图像的标签扫描图像。
117.对标签扫描图像进行预处理,得到标签扫描图像对应的样本图像。
118.其中,在图像风格迁移的处理过程中,数据集的标签风格是决定网络生成图像风格的重要因素。在本实施例中,可通过扫描仪等设备对目标图像进行扫描,产生一批作为模型训练标签的标签扫描图像。通过将扫描图像作为模型训练的标签,可使模型最后生成的图像的风格为扫描风格。需要说明的是,在本实施例中,目标图像可以是手持设备拍摄的原始图像。
119.在得到目标图像的标签扫描图像后,对标签扫描图像进行预处理,即可得到标签扫描图像对应的样本图像。
120.可选的,在本实施例中,对标签扫描图像的预处理可以是缩放、镜像、裁剪等等图像处理方式,具体地,本实施例不做限制。
121.为了使图像处理模型能在不同场景下完成扫描风格的迁移,应对真实场景下复杂多变的输入情况,在本实施例中,对标签扫描图像进行预处理,得到标签扫描图像对应的样本图像的步骤可以包括:
122.对标签扫描图像进行阴影叠加、噪声叠加以及模糊叠加,得到标签扫描图像对应的样本图像。
123.其中,通过对标签扫描图像进行阴影叠加、噪声叠加以及模糊叠加,使得到的样本图像包括了常规场景中较易出现的阴影、褶皱、模糊等多种干扰,更接近于拍摄得到的原始图像,进而在利用样本图像训练图像处理模型时,可使图像处理模型学会去除图像中的噪声、阴影、褶皱等干扰,生成较为干净的扫描图像,使得图像处理模型可以应对多种输入干扰,端对端地完成不同场景下的扫描风格迁移任务。
124.本实施例所提供的图像处理方法,通过对手持设备拍摄的原图进行扫描,得到标签扫描图像,通过对标签扫描图像进行阴影叠加、噪声叠加、模糊叠加,得到标签扫描图像对应的样本图像,如此,生成训练所使用的图像对数据集,可以提高图像处理模型解决具体问题的适用能力,可以应用多种输入干扰的情况,可以端对端地完成不同场景下的扫描风格迁移任务。
125.在获取得到样本图像以及样本图像对应的标签扫描图像后,即可将得到样本图像输入到初始图像处理模型中,得到样本图像对应的预测扫描图像。
126.在本实施例中,初始图像处理模型表征还未开始训练的图像处理模型或者处于训练中的图像处理模型。可以理解地,初始图像处理模型的结构与上述所述的已训练得到的图像处理模型的结构相同,因此,在本实施例中,将样本图像输入至初始图像处理模型中,
得到样本图像对应的预测扫描图像的步骤可以包括:
127.将样本图像输入至初始图像处理模型的全局网络进行特征提取,得到全局特征图。
128.将样本图像输入至初始图像处理模型的第一局部网络进行特征提取,得到局部特征图。
129.将全局特征图以及局部特征图进行合并,得到合并特征图。
130.将合并特征图输入至初始图像处理模型的第二局部网络进行特征处理,得到预测扫描图像。
131.其中,将样本图像输入至初始图像处理模型的全局网络,通过全局网络进行特征提取,即可得到全局特征图,将样本图像输入至初始图像处理的第一局部网络进行特征提取,即可得到局部特征图。然后将局部特征图与全局特征图进行合并,即可得到合并特征图。在得到合并特征图之后,即可将合并特征图输入至初始第二图像处理模型的第二局部网络进行特征处理,即可得到预测扫描图像。其中,通过全局网络、第一局部网络对样本图像进行特征提取的过程以及通过第二合并网络对合并特征图进行特征处理的过程可参照上述描述,在此不过多赘述。
132.在得到样本图像对应的预测扫描图像后,即可预测扫描图像和标签扫描图像的损失,根据损失调整模型的参数。
133.在本实施例中,预测扫描图像和标签扫描图像的损失由两部分组成,分别为特征匹配损失以及对抗损失。
134.可选的,基于对抗学习的方式,在本实施例中,计算预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失的步骤包括:
135.将预测扫描图像和标签扫描图像输入至判别模型中,得到预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失。
136.其中,判别模型作为pix2pixhd中判别器,用于区分图像处理模型生成的预测扫描图像是否为真实图像以及用于区分标签扫描图像是否为真实图像。
137.在本实施例中,判别模型可以为全卷积网络结构,包括一层卷积层、三层下采样层、全连接层以及激活层(sigmoid层)。在将图像输入至判别模型后,先通过卷积层提取预图像的粗糙特征,然后通过下采样层进一步从粗糙特征中提取细化特征,之后通过全连接层进行真假分类,并通过激活层将分类结果转换为概率进行输出。
138.在本实施例中,在将预测扫描图像和标签扫描图像输入至判别模型后,经过一层卷积层、三层下采样层、全连接层以及激活层处理后,会输出对预测扫描图像以及标签扫描图像的判别结果。其中,判别结果用于表征判别模型对预测扫描图像判别为真实图像的概率,以及对标签扫描图像判别为真实图像的概率。
139.对于标签扫描图像,其为模型训练的标签,因此标签扫描图像为真实图像,对于预测扫描图像,其为模型生成的图像,因此预测扫描图像为虚假图像。
140.在本实施例中,特征匹配损失用于匹配标签扫描图像和预测扫描图像的中间特征,通过计算标签扫描图像和预测扫描图像的中间特征的损失,可以稳定训练的过程,保持图像内容的相关性并使得图像的风格转化更加有效。可选的,在本实施例中,特征匹配损失可以通过以下过程得到:
141.将预测扫描图像和标签扫描图像输入至判别模型中,得到判别模型每一层网络的标签扫描图像的特征信息以及预测扫描图像的特征信息。
142.计算每一层网络的标签扫描图像的特征信息与预测扫描图像的特征信息的损失。
143.根据每一层网络的标签扫描图像的特征信息与预测扫描图像的特征信息的损失,得到预测扫描图像和标签扫描图像的特征匹配损失。
144.其中,在将预测扫描图像和标签扫描图像输入至判别模型后,会经过卷积层、下采样层等网络层处理,每一层网络都得到预测扫描图像和标签扫描图像的特征信息。
145.在本实施例中,在提取得到判别模型中每一层网络的标签扫描图像的特征信息以及预测扫描图像的特征信息后,计算每一层网络的标签扫描图像的特征信息与预测扫描图像的特征信息的损失,即针对每一层网络,计算该层网络的标签扫描图像的特征信息与预测扫描图像的特征信息的差值。
146.在计算得到每一层网络的标签扫描图像的特征信息与预测扫描图像的特征信息的损失后,将每一层网络的标签扫描图像的特征信息与预测扫描图像的特征信息的损失进行求和平均,即可得到预测扫描图像和标签扫描图像的特征匹配损失。
147.在本实施例中,预测扫描图像和标签扫描图像的特征匹配损失可通过以下公式计算得到:
[0148][0149]
其中,t为判别模型的网络总层数,ni表示第i层网络的元素的数量,d(i)(s,x)为第i层网络的标签扫描图像的特征信息,d(i)(s,g(s))为第i层网络的预测扫描图像的特征信息,g(s)为预测扫描图像,x为标签扫描图像,s为样本图像,即输入至图像处理模型的图像,e
(s,x)
为期望,l
fm
(g,d)表示预测扫描图像和标签扫描图像的特征匹配损失,g表示图形处理模型,d为判别模型。
[0150]
本实施例所提供的图像处理方法,通过提取判别模型中每一层网络中预测扫描图像和标签扫描图像的特征信息,根据每一层网络中预测扫描图像和标签扫描图像的特征信息的损失,计算得到预测扫描图像和标签扫描图像的特征匹配损失,保持了图像内容的相关性,使得扫描风格转化更加有效,同时也能对训练过程进行稳定。
[0151]
对于判别模型来说,其主要目的是在鉴别图像真假时,要保证是准确的,即要保证真实图像的判别结果为真,虚假图像的判别结果为假。而图像处理模型则要与判别模型对抗,要使生成的预测扫描图像越来越逼近于标签扫描图像,以此迷惑判别模型,使判别模型将预测扫描图像判别为真。判别模型与图像处理模型通过相互对抗学习,不断提升性能,减少自身的损失。因此,在本实施例中,将预测扫描图像和标签扫描图像输入至判别模型中,得到预测扫描图像和标签扫描图像的对抗损失的步骤包括:
[0152]
将预测扫描图像和标签扫描图像输入至判别模型中,得到判别模型对预测扫描图像以及标签扫描图像的判别结果。
[0153]
根据判别模型对预测扫描图像以及标签扫描图像的判别结果,得到预测扫描图像和标签扫描图像的对抗损失。
[0154]
其中,将预测扫描图像和标签扫描图像输入至判别模型中进行处理后,可得到判
别模型对预测扫描图像以及标签扫描图像的判别结果,即得到判别模型对预测扫描图像判别为真实图像的概率,以及得到判别模型对标签扫描图像判别为真实图像的概率。
[0155]
在得到判别模型对预测扫描图像以及标签扫描图像的判别结果后,即可根据判别模型对预测扫描图像以及标签扫描图像的判别结果,得到预测扫描图像和标签扫描图像的对抗损失。
[0156]
在本实施例中,预测扫描图像和标签扫描图像的对抗损失可通过以下公式计算得到:
[0157]
l
gan
(g,d)=e
(s,x)
[logd(s,x)]+e
(s,x)
(log(1-d(s,g(s)))]
[0158]
其中,logd(s,x)为判别模型将标签扫描图像判别为真实图像的概率,即将真实图像判别为真的概率,log(1-d(s,g(s)))为判别模型将预测扫描图像判定为虚假图像的概率,即将虚假图像判别为假的概率,l
gan
(g,d)为预测扫描图像和标签扫描图像对抗损失。
[0159]
在计算得到特征匹配损失和对抗损失后,即可根据特征匹配损失以及对抗损失的和,计算得到预测扫描图像和标签扫描图像的目标损失。
[0160]
鉴于判别模型在鉴于真伪时,要保证鉴别的结果真的就是真的,假的就是假的,所以判别模型的对抗损失应当最大化,因此,在可选的实施方式中,目标损失为对抗损失的最大值与特征匹配损失的和。
[0161]
在根据特征匹配损失以及对抗损失,计算得到预测扫描图像和标签扫描图像的目标损失,即可判断目标损失是否满足预设条件。
[0162]
在本实施例中,预设条件可以是达到最小值,判断目标损失是否满足预设条件,即判断目标损失是否达到最小值。因此,在可选的实施方式中,目标损失还可以表示为min((maxl
gan
(g,d))+λl
fm
(g,d)),其中,λ为超参数,自定义设置,l
fm
(g,d)为特征匹配损失,l
gan
(g,d)为对抗损失。
[0163]
在本实施例中,判定目标损失未满足预设条件时,则利用反向传播算法,将目标损失反向传播,对初始图像处理模型的参数进行更新迭代,得到图像处理模型。
[0164]
需要说明的是,在本实施例中,将目标损失反向传播,对初始图像处理模型的参数进行调整的同时,也会对判别模型的参数进行调整,而在对初始图像处理模型的参数以及判别模型的参数进行调整后,再次将样本图像输入至调整参数后的初始图像处理模型中,得到新的预测扫描图像,然后将新的预测扫描图像以及标签扫描图像输入到调整参数后的判别模型中,计算特征匹配损失以及对抗损失,然后根据重新计算得到的特征匹配损失以及对抗损失,再次计算得到目标损失,判断再次计算得到的目标损失是否满足预设条件,若满足,则保留当前网络的结构,得到图像处理模型以及参数优化后的判别模型,若未满足,则继续将目标损失反向传播,对两个模型的参数进行调整,以此迭代,直至目标损失满足预设条件,得到图像处理模型以及参数优化后的判别模型。
[0165]
在一种可选的实施方式中,为了提高训练速度,在对模型的参数进行调整时,还可以按照顺序对模型参数进行调整,可以先对图像处理模型的参数进行调整,然后对判别模型的参数进行调整。即,将目标损失反向传播后,还可以先对初始图像处理模型的参数进行调整,而在对初始图像处理模型的参数进行调整后,固定初始图像处理模型的参数,对判别模型的参数进行调整,在对判别模型的参数进行调整后,再次将样本图像输入至调整参数后的初始图像处理模型中,得到新的预测扫描图像,然后将新的预测扫描图像以及标签扫
描图像输入到调整参数后的判别模型中,计算特征匹配损失以及对抗损失,然后根据重新计算得到的特征匹配损失以及对抗损失,再次计算得到目标损失,判断再次计算得到的目标损失是否满足预设条件,若满足,则保留当前网络的结构,得到图像处理模型以及参数优化后的判别模型,若未满足,则继续将目标损失反向传播,再次按照顺序调整两个模型的参数进行调整,以此迭代,直至目标损失满足预设条件,得到图像处理模型以及参数优化后的判别模型。
[0166]
为了提高准确性,提高判别模型判别的客观性,请结合参阅图5,在本实施例中,判别模型可以为多尺度的判别模型,即判别模型的输入可以为多个不同尺寸的图像,判别模型的输出为每个尺寸的图像的判别结果。基于此,在本实施例中,将预测扫描图像和标签扫描图像输入至判别模型中,得到预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失的步骤包括:
[0167]
对预测扫描图像和标签扫描图像进行设定倍数的缩放,得到不同尺寸的预测扫描图像和标签扫描图像。
[0168]
分别将不同尺寸的预测扫描图像和标签扫描图像输入至判别模型,得到不同尺寸的预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失。
[0169]
相应地,根据特征匹配损失以及所述对抗损失,得到预测扫描图像和标签扫描图像的目标损失的步骤包括:
[0170]
根据不同尺寸的预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失,得到目标损失。
[0171]
其中,在将预测扫描图像和标签扫描图像输入至判别模型之前,可对预测扫描图像和标签扫描图像进行设定倍数的下采样,从而实现对预测扫描图像和标签扫描图像进行设定倍数的缩放。
[0172]
可选的,在本实施例中,可对预测扫描图像和标签扫描图像进行2倍下采样以及4倍下采样,以创建三种尺寸的图像金字塔,其中,三种尺寸的图像金字塔包括缩小2倍的预测扫描图像以及标签扫描图像、缩小4倍的预测扫描图像以及标签扫描图像、原尺寸的预测扫描图像以及标签扫描图像这三种尺寸的图像。
[0173]
在得到不同尺寸的预测扫描图像和标签扫描图像后,即可将不同尺寸的预测扫描图像和标签扫描图像输入到判别模型中进行判别。在本实施例中,每一个尺寸对应着判别模型的一个尺度。例如,在对预测扫描图像以及标签扫描图像进行设定倍数的缩放后,得到缩小2倍的预测扫描图像以及标签扫描图像、缩小4倍的预测扫描图像以及标签扫描图像、原尺寸的预测扫描图像以及标签扫描图像这三种尺寸的预测扫描图像和标签扫描图像,则缩小2倍的预测扫描图像以及标签扫描图像对应判别模型的一个尺度,缩小4倍的预测扫描图像以及标签扫描图像对应判别模型的一个尺度,而原尺寸的预测扫描图像以及标签扫描图像对应判别模型的一个尺度。
[0174]
将不同尺寸的预测扫描图像和标签扫描图像输入至判别模型后,对于每个尺寸的预测扫描图像和标签扫描图像,均会计算得到该尺寸的预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失。其中,将不同尺寸的预测扫描图像和标签扫描图像输入判别模型后,针对每个尺寸的预测扫描图像和标签扫描图像,可根据每一层网络的特征信息的损失,得到该尺寸的预测扫描图像和标签扫描图像的特征匹配损失,以及根据判别模型对该
尺寸的预测扫描图像以及标签扫描图像的判别结果,得到该尺寸的预测扫描图像和标签扫描图像的对抗损失。
[0175]
可选的,在得到判别模型对不同尺寸的预测扫描图像以及标签扫描图像的判别结果之后,可将不同尺寸的预测扫描图像以及标签扫描图像的判别结果进行整理合并,得到最终的判别结果。例如,针对3个尺寸的预测扫描图像以及标签扫描图像,假设,对于其中2个尺寸的预测扫描图像以及标签扫描图像,判别模型均将预测扫描图像判别为真,标签扫描图像判别为假,而对于另一个尺寸的预测扫描图像以及标签扫描图像,判别模型均将其预测扫描图像判别为假,标签扫描图像判别为真,则最终的判别结果为预测扫描图像为真,标签扫描图像为假。
[0176]
在得到不同尺寸的预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失后,结合不同尺寸的预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失,即可得到最终的目标损失。
[0177]
在一种实施方式中,可将不同尺寸的预测扫描图像和标签扫描图像的特征匹配损失进行相加,得到特征匹配损失和,将不同尺寸的预测扫描图像和标签扫描图像的对抗损失进行相加,得到对抗损失和,然后根据特征匹配损失和以及对抗损失和,得到目标损失。
[0178]
在一种实施方式中,目标损失还可以通过以下公式计算得到:
[0179][0180]
其中,dk表示判别模型的第k个尺度,l
gan
(g,dk)为第k个尺度的对抗损失,l
fm
(g,dk)为第k个尺寸的特征匹配损失,λ为超参数,自定义设置。可以理解地,k还可以为其他的取值,本实施例不做具体限制。
[0181]
在根据不同尺寸的预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失,得到目标损失后,即可判断目标损失是否满足预设条件,若未满足,利用反向传播算法,将目标损失反向传播,对两个模型的参数进行更新迭代,以得到图像处理模型以及参数优化后的判别模型,若满足预设条件,则保留当前网络结构,得到图像处理模型以及判别模型。
[0182]
为了提高模型的训练速度,在本实施例中,在进行模型训练时,还可先对图像处理模型中的全局网络进行训练,即将图像处理模型的局部网络进行锁定,只对全局网络和判别模型的网络的结构参数进行调整,在对全局网络和判别模型的网络的结构参数进行调整后,再将局部网络加入训练,然后对所有网络的结构进行微调,包括对判别模型的网络结构、图像处理模型的全局网络以及局部网络。如此,能大大提高模型训练的速度,提高效率。
[0183]
在得到图像处理模型后,即可通过图像处理模型对输入的手持设备拍摄的原始图像进行图像增强,输出原始图像转扫描后的扫描图像,实现图像风格的迁移。
[0184]
本实施例所提供的图像处理方法,通过采用多尺度的判别模型,利用不同尺寸的预测扫描图像和标签扫描图像进行模型训练,在不增加网络和卷积核大小的情况下,增加了图像的感受野,且通过不同尺寸的图像视角进行图像风格的鉴别,使鉴别结果更加准确。
[0185]
本实施例所提供的图像处理方法,通过全局整合局部的模型结构,能够有效的提取全局和局部信息,有利于在保留原始图像内容不变的条件下,更真实地还原迁移的风格。如图6所示,图6中的(a)为拍摄的原始图像,图中具有阴影、褶皱等问题,图(6)中的(b)为通
过图像处理模型处理后的扫描图像,去除了原始图像中的阴影、褶皱,且图像清晰干净,扫描效果稳定。
[0186]
本实施例所提供的图像处理方法,利用多尺度的判别结构,在不增加网络和卷积核大小的情况下,增加了图像的感受野,使用不同的图像视角进行图像风格的鉴别更加准确。
[0187]
本实施例所提供的图像处理方法,通过使用半精度模式,在图像风格迁移的任务中,在不降低生成图像的质量以及不减缓推理速度的前提下,大大地减少了模型所占用的显存。
[0188]
本实施例所提供的图像处理方法,无需引入额外的设备,仅需提取手持设备拍摄的图像即可完成图像增强任务,成本低,操作简单。
[0189]
基于同一发明构思,请结合参阅图7,本实施例还提供一种图像处理装置10,应用于图1所示的电子设备,图像处理装置10包括至少一个可以软件或固件的形式存储于电子设备的存储器20中的软件功能模块。如图7所示,本实施例所提供的图像处理装置10包括数据获取模块11、第一处理模块12以及第二处理模块13。
[0190]
数据获取模块11,用于获取待处理的原始图像。
[0191]
第一处理模块11,用于通过图像处理模型对原始图像进行特征提取,得到原始图像的全局特征图以及局部特征图。
[0192]
第二处理模块12,用于通过图像处理模型对原始图像的全局特征图以及局部特征图进行特征处理,得到原始图像的扫描图像;其中,图像处理模型是通过采集样本图像与样本图像对应的扫描图像,并利用特征匹配损失以及对抗损失训练得到的。
[0193]
在可选的实施方式中,图像处理装置10还包括模型训练模块,在通过图像处理模型对原始图像进行特征提取之前,模型训练模块用于:
[0194]
获取样本图像以及样本图像对应的标签扫描图像。
[0195]
将样本图像输入至初始图像处理模型中,得到样本图像对应的预测扫描图像。
[0196]
计算预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失。
[0197]
根据特征匹配损失以及对抗损失,得到预测扫描图像和标签扫描图像的目标损失。
[0198]
判断目标损失是否满足预设条件,若未满足,利用反向传播算法,将目标损失反向传播,对初始图像处理模型的参数进行更新迭代,得到图像处理模型。
[0199]
在可选的实施方式中,模型训练模块用于:
[0200]
将预测扫描图像和标签扫描图像输入至判别模型中,得到预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失。
[0201]
在可选的实施方式中,模型训练模块用于:
[0202]
将预测扫描图像和标签扫描图像输入至判别模型中,得到判别模型每一层网络的标签扫描图像的特征信息以及预测扫描图像的特征信息。
[0203]
计算每一层网络的标签扫描图像的特征信息与预测扫描图像的特征信息的损失。
[0204]
根据每一层网络的标签扫描图像的特征信息与预测扫描图像的特征信息的损失,得到预测扫描图像和标签扫描图像的特征匹配损失。
[0205]
在可选的实施方式中,模型训练模块用于:
[0206]
将预测扫描图像和标签扫描图像输入至判别模型中,得到判别模型对预测扫描图像以及标签扫描图像的判别结果。
[0207]
根据判别模型对预测扫描图像以及标签扫描图像的判别结果,得到预测扫描图像和标签扫描图像的对抗损失。
[0208]
在可选的实施方式中,模型训练模块用于:
[0209]
对预测扫描图像和标签扫描图像进行设定倍数的缩放,得到不同尺寸的预测扫描图像和标签扫描图像。
[0210]
分别将不同尺寸的预测扫描图像和标签扫描图像输入至判别模型,得到不同尺寸的预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失。
[0211]
根据特征匹配损失以及对抗损失,得到预测扫描图像和标签扫描图像的目标损失的步骤包括:
[0212]
根据不同尺寸的预测扫描图像和标签扫描图像的特征匹配损失以及对抗损失,得到目标损失。
[0213]
在可选的实施方式中,模型训练模块用于:
[0214]
对目标图像进行扫描,得到目标图像的标签扫描图像。
[0215]
对标签扫描图像进行预处理,得到标签扫描图像对应的样本图像。
[0216]
在可选的实施方式中,模型训练模块用于:
[0217]
对标签扫描图像进行阴影叠加、噪声叠加以及模糊叠加,得到标签扫描图像对应的样本图像。
[0218]
在可选的实施方式中,模型训练模块用于:
[0219]
将样本图像输入至初始图像处理模型的全局网络进行特征提取,得到全局特征图。
[0220]
将样本图像输入至初始图像处理模型的第一局部网络进行特征提取,得到局部特征图。
[0221]
将全局特征图以及局部特征图进行合并,得到合并特征图。
[0222]
将合并特征图输入至初始图像处理模型的第二局部网络进行提取处理,得到预测扫描图像。
[0223]
在可选的实施方式中,第一处理模块12用于:
[0224]
将原始图像输入至所述图像处理模型的全局网络进行特征提取,得到原始图像的全局特征图。
[0225]
将原始图像输入至图像处理模型的第一局部网络进行特征提取,得到原始图像的局部特征图。
[0226]
第二处理模块13用于:
[0227]
将全局特征图以及局部特征图进行合并,得到合并特征图。
[0228]
将合并特征图输入至图像处理模型的第二局部网络进行特征处理,得到原始图像的扫描图像。
[0229]
本实施例所提供的图像处理装置,将拍摄图像的转扫描问题转换为图像的风格迁移问题,通过采集样本图像与样本图像对应的扫描图像,利用特征匹配损失以及对抗损失训练得到图像处理模型,即可通过图像处理模型将拍摄图像的风格迁移为扫描图像,进而
在获取待处理的原始图像后,通过图像处理模型对原始图像进行特征提取,得到原始图像的全局特征图以及局部特征图,对原始图像的全局特征图以及局部特征图进行特征处理,即可得到原始图像的扫描图像,并提高了扫描图像的质量,保证了扫描效果的稳定性。
[0230]
在上述基础上,本实施例还提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现前述任一实施方式所述的图像处理方法。
[0231]
其中,可读存储介质可以是,但不限于,u盘、移动硬盘、只读存储器(rom,read-only memory)、随机存取存储器(ram,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0232]
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的可读存储介质的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
[0233]
综上,本发明实施例所提供的图像处理方法、装置、电子设备和可读存储介质,通过采集样本图像与样本图像对应的扫描图像,并利用特征匹配损失以及对抗损失训练得到图像处理模型,进而在获取待处理的原始图像后,即可通过图像处理模型对原始图像进行特征提取,得到原始图像的全局特征图以及局部特征图,通过图像处理模型对原始图像的全局特征图以及局部特征图进行特征处理,得到原始图像的扫描图像,提高了扫描图像的质量,保证了扫描效果的稳定性。
[0234]
以上所述,仅为本发明的各种实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1