图像处理方法、装置、电子设备及计算机可读介质制造方法及图纸

本公开实施例提供了一种图像处理方法、装置、电子设备及计算机可读介质，包括：获取待处理图像；通过图像生成网络对待处理图像进行至少一次图像处理，得到处理后的图像，处理后的图像的图像尺寸大于待处理图像，且处理后的图像质量不低于待处理图像；其中，图像生成网络为经过训练后的生成式对抗网络中的生成网络。在本公开实施例中，在对待处理图像的图像尺寸进行放大处理时，可以基于图像生成网络对待处理图像进行至少一次的处理，并且由于图像生成网络为经过训练后的生成式对抗网络中的生成网络，因此在对各种待处理图像进行图像尺寸放大处理时，可以有效的减少产生奇异点，进而保证了图像的图像质量，提升了用户体验。

【技术实现步骤摘要】
图像处理方法、装置、电子设备及计算机可读介质
本公开涉及图像处理
，具体而言，本公开涉及一种图像处理方法、装置、电子设备及计算机可读介质。
技术介绍
随着计算机技术和通信技术的迅猛发展，智能终端的使用得到广泛普及，越来越多的功能被开发出来用于方便和丰富人们的工作与生活，如对图像的尺寸进行放大处理，得到尺寸更大的图像。但是，现有技术中在对图像的尺寸进行放大处理的过程中可能会产生一些奇异点，导致了图像的质量下降，以使用户体验较差。
技术实现思路
提供该
技术实现思路
部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该
技术实现思路
部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。第一方面，本公开实施例提供了一种图像处理方法，该方法包括：获取待处理图像；通过图像生成网络对所述待处理图像进行至少一次图像处理，得到处理后的图像，所述处理后的图像的图像尺寸大于所述待处理图像，且处理后的图像质量不低于所述待处理图像；其中，所述图像生成网络为经过训练后的生成式对抗网络中的生成网络。第二方面，本公开实施例提供了一种图像处理装置，该装置包括：图像获取模块，用于获取待处理图像；图像处理模块，用于过图像生成网络对所述待处理图像进行至少一次图像处理，得到处理后的图像，所述处理后的图像的图像尺寸大于所述待处理图像，且处理后的图像质量不低于所述待处理图像；其中，所述图像生成网络为经过训练后的生成式对抗网络中的生成网络。第三方面，本公开提供了一种电子设备，该电子设备包括处理器和存储器；存储器，用于存储计算机操作指令；处理器，用于通过调用计算机操作指令，执行如本公开实施例的第一方面的任一实施例中所示的方法。第四方面，本公开提供了一种计算机可读介质，该计算机可读介质存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如本公开实施例的第第一方面的任一实施例中所示的方法。本公开实施例提供的技术方案带来的有益效果是：在本公开实施例中，在对待处理图像的图像尺寸进行放大处理时，可以基于图像生成网络对待处理图像进行至少一次的处理，并且由于图像生成网络为经过训练后的生成式对抗网络中的生成网络，因此在对各种待处理图像进行图像尺寸放大处理时，可以有效的减少产生奇异点，进而保证了图像的图像质量，提升了用户体验。附图说明结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。图1为本公开的实施例中一种图像处理方法的流程示意图；图2A为本公开的实施例中一种图像示意图；图2B为本公开的实施例中另一种图像示意图；图2C为本公开的实施例中又一种图像示意图；图3为本公开的实施例中一种训练生成式对抗网络的流程示意图；图4为本公开的实施例中又一种训练生成式对抗网络的流程示意图；图5为本公开的实施例中一种初始的生成式对抗网络的结构示意图；图6为本公开的实施例中一种损失函数的结构示意图；图7为本公开的实施例中一种图像处理装置的结构示意图；图8为本公开的实施例中一种电子设备的结构示意图。具体实施方式下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元，也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。本公开的实施例提供了一种图像处理方法，如图1所示，该方法可以包括：步骤S110，获取待处理图像。其中，待处理图像指的是需要提升图像尺寸的图像。本公开实施例中，待处理图像中可以包括一定的物体，例如人脸、人体、建筑、车辆、风景等，本公开实施例对此不作限定。另外，待处理图像可以为任意风格的图像，例如彩色照片风格图像、黑白照片风格图像、彩色油画风格图像等，本公开实施例对此也不作限定。步骤S120，通过图像生成网络对待处理图像进行至少一次图像处理，得到处理后的图像，处理后的图像的图像尺寸大于待处理图像，且处理后的图像质量不低于待处理图像。在实际应用中，当需要提升图像的图像尺寸时，可以基于图像生成网络对待处理图像进行相应的图像处理，进而得到提升图像尺寸后的图像。其中，这里的图像生成网络为经过训练后的生成式对抗网络(GenerativeAdversarialNets，GAN)中的生成网络，即生成器G(Generator)。在本公开实施例中，在对待处理图像的图像尺寸进行放大处理时，可以基于图像生成网络对待处理图像进行至少一次的处理，并且由于图像生成网络为经过训练后的生成式对抗网络中的生成网络，因此在对各种待处理图像进行图像尺寸放大处理时，可以有效的减少产生奇异点，进而保证了图像的图像质量，提升了用户体验。本公开可选的实施例中，生成网络包括依次级联的至少一个上采样模块、以及至少一个残差模块，通过图像生成网络对待处理图像进行至少一次图像处理，得到处理后的图像，包括：通过上采样模块提升待处理图像的尺寸，通过残差模块提高上采样输出的图像的质量，得到输出图像；其中，进行第一次图像处理时，输入图像为待处理图像，若进行了至少两次，除第一次之外的其他次，当前次的输入图像为上一次的输出图像。在实际应用中，生成网络中可以包括依次级联的至少一个上采样模块、以及至少一个残差模块，其中，上采样模块可以提升待本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，包括：/n获取待处理图像；/n通过图像生成网络对所述待处理图像进行至少一次图像处理，得到处理后的图像，所述处理后的图像的图像尺寸大于所述待处理图像，且处理后的图像质量不低于所述待处理图像；/n其中，所述图像生成网络为经过训练后的生成式对抗网络中的生成网络。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：
获取待处理图像；
通过图像生成网络对所述待处理图像进行至少一次图像处理，得到处理后的图像，所述处理后的图像的图像尺寸大于所述待处理图像，且处理后的图像质量不低于所述待处理图像；
其中，所述图像生成网络为经过训练后的生成式对抗网络中的生成网络。


2.根据权利要求1所述的方法，其特征在于，所述生成网络包括依次级联的至少一个上采样模块、以及至少一个残差模块，通过所述图像生成网络对所述待处理图像进行至少一次图像处理，得到处理后的图像，包括：
通过上采样提升输入待处理图像的尺寸，通过残差模块提高上采样输出的图像的质量，得到输出图像；
其中，进行第一次图像处理时，输入图像为待处理图像，若进行了至少两次，除第一次之外的其他次，当前次的输入图像为上一次的输出图像。


3.根据权利要求1所述的方法，其特征在于，所述生成式对抗网络包括所述生成网络和判别网络；
所述生成式对抗网络是通过以下方式训练得到的：
获取训练样本集，所述训练样本集中包括各样本图像对，每个样本图像对包括第一图像和第二图像，其中，所述第一图像和所述第二图像的原始图像内容相同，所述第一图像的图像尺寸小于所述第二图像的图像尺寸；
基于所述训练样本集对所述初始的生成式对抗网络进行训练，直至对应的损失函数满足设定条件。


4.根据权利要求3所述的方法，其特征在于，所述第一图像通过下列方式得到：
获取所述第二图像；
基于预设尺寸对所述第二图像进行缩小处理，得到所述第一图像。


5.根据权利要求3所述的方法，其特征在于，所述基于所述训练样本集对所述初始的生成式对抗网络进行训练，包括：
将每个样本图像对中的第一图像输入至所述生成网络，得到所述第一图像对应的生成图像；
将第二图像和对应的生成图像输入至所述判别网络，得到所述生成图像对应的第一判别结果和所述第二图像对应的第二判别结果；

【专利技术属性】
技术研发人员：李华夏，
申请(专利权)人：北京字节跳动网络技术有限公司，
类型：发明
国别省市：北京;11