CN108776959B - 图像处理方法、装置及终端设备 - Google Patents

Abstract

本申请适用于图像处理技术领域，提供了图像处理方法、装置及终端设备，包括：获取待处理图像；获取生成网络，所述生成网络的结构包括编码网络和解码网络，所述编码网络提取输入所述生成网络的图像的预设特征，所述解码网络根据所述编码网络提取的输入所述生成网络的图像的预设特征重建图像；将所述待处理图像输入所述生成网络，得到所述生成网络输出的生成图像；显示所述生成图像。通过上述方法能够保证增强图像的同时而使图像不失真。

Description

图像处理方法、装置及终端设备

技术领域

本申请属于图像处理技术领域，尤其涉及图像处理方法、装置及终端设备。

背景技术

目前，各种终端设备通常具备拍照功能。在拍照过程中，由于外界环境或者终端设备(如数码相机或手机等)自身的原因，可能会导致拍出来的图像看起来并不是那么清晰。例如亚采样、大气因素(如雾霾)、成像噪声(如相机运动导致的噪声、成像传感器光学极限导致的噪声等)、几何运动、投影以及附加噪声(如成像传感器自身的噪声)等会导致拍出来的照片出现退化的现象。为了得到清晰的图像，需要对出现退化现象的原始图像进行增强，使其看起来更符合人类的视觉。但是传统的图像增强方法有可能会产生图像的失真等问题。

发明内容

有鉴于此，本申请实施例提供了一种图像处理方法、装置及终端设备，以解决现有技术在增强图像的同时所产生的图像失真的问题。

本申请实施例的第一方面提供了一种图像处理方法，包括：

获取待处理图像；

获取生成网络，所述生成网络的结构包括编码网络和解码网络，所述编码网络提取输入所述生成网络的图像的预设特征，所述解码网络根据所述编码网络提取的输入所述生成网络的图像的预设特征重建图像；

将所述待处理图像输入所述生成网络，得到所述生成网络输出的生成图像；

显示所述生成图像。

本申请实施例的第二方面提供了一种图像处理装置，包括：

待处理图像获取单元，用于获取待处理图像；

生成网络获取单元，用于获取生成网络，所述生成网络的结构包括编码网络和解码网络，所述编码网络提取输入所述生成网络的图像的预设特征，所述解码网络根据所述编码网络提取的输入所述生成网络的图像的预设特征重建图像；

生成图像输出单元，用于将所述待处理图像输入所述生成网络，得到所述生成网络输出的生成图像；

生成图像显示单元，用于显示所述生成图像。

本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述图像处理方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述图像处理方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：

由于本申请实施例的生成网络的结构包括提取特征的编码网络以及根据提取的特征重建图像的解码网络，因此，该生成网络能够采用自监督的训练模式，从图像样本中自动学习特征而不需要该图像样本具有对应的特征标签，从而在待处理图像输入该生成网络后，该生成网络能够自动提取待处理图像的特征，进而在根据提取的特征进行图像重建时，能够保证增强图像的同时而使图像不失真。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种图像处理方法的流程图；

图2是本申请实施例提供的另一种图像处理方法的流程图；

图3(a)是本申请实施例提供的一种场景为风景的图像示意图；

图3(b)是本申请实施例提供的一种场景为海滩的图像示意图；

图3(c)是本申请实施例提供的一种场景为蓝天的图像示意图；

图4是本申请实施例提供的一种图像处理装置的结构示意图；

图5是本申请实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

具体实现中，本申请实施例中描述的移动终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，上述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。

在接下来的讨论中，描述了包括显示器和触摸敏感表面的移动终端。然而，应当理解的是，移动终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。

移动终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。

可以在移动终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。

另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例一：

图1示出了本申请实施例提供的一种图像处理方法的流程图，详述如下：

步骤S11，获取待处理图像。

其中，待处理图像包括待进行图像增强的图像，比如，包括由于外界环境或终端设备自身的原因所得到的出现退化现象的图像。

具体地，该待处理图像包括终端设备的相机预览界面显示的图像，也包括存储在该终端设备中的图像。

可选地，获取的待处理图像的个数大于或等于1。

步骤S12，获取生成网络，所述生成网络的结构包括编码网络和解码网络，所述编码网络提取输入所述生成网络的图像的预设特征，所述解码网络根据所述编码网络提取的输入所述生成网络的图像的预设特征重建图像。

步骤S13，将所述待处理图像输入所述生成网络，得到所述生成网络输出的生成图像。

需要指出的是，该步骤的生成网络为经过训练的生成网络。

步骤S14，显示所述生成图像。

本申请实施例中，获取待处理图像以及生成网络，将所述待处理图像输入所述生成网络，得到所述生成网络输出的生成图像，显示所述生成图像。由于本申请实施例的生成网络的结构包括提取特征的编码网络以及根据提取的特征重建图像的解码网络，因此，该生成网络能够采用自监督的训练模式，从图像样本中自动学习特征而不需要该图像样本具有对应的特征标签，从而在待处理图像输入该生成网络后，该生成网络能够自动提取待处理图像的特征，进而在根据提取的特征进行图像重建时，能够保证增强图像的同时而使图像不失真。

实施例二：

图2示出了本申请实施例提供的另一种图像处理方法的流程图，详述如下：

步骤S21，获取待处理图像。

该步骤与实施例一的步骤S11相同，此处不再赘述。

步骤S22，判断所述待处理图像的图像内容所属的场景类别，根据判断结果获取对应的生成网络。

该步骤中，首先根据待处理图像的图像内容确定该待处理图像的场景，再根据预设的场景类别分类方法，确定该场景对应的场景类别，最后确定该待处理图像的图像内容所属的场景类别。其中，本申请实施例的生成网络的个数大于或等于1。

其中，场景类别分类方法是指将终端设备可识别的场景划分为不同的场景类别的方法，具体包括：分析不同场景关注的图像特征，将关注相同图像特征的场景划分为同一类。通常一个场景类别包括至少一个场景。假设终端设备可识别的场景包括但不限于：风景、海滩、蓝天、绿草、人像、猫、美食等，其中，图3(a)、图3(b)、图3(c)分别示出了本申请实施例提供的场景为风景、海滩、蓝天的图像示意图。则将终端设备可识别的场景进行场景类别分类的方法具体为：通过分析可知，由于用户对包括风景、海滩、蓝天、绿草这些图像内容的图像通常只关注图像中的整体颜色、轮廓等，而不会关注图像中的细节，因此，将风景、海滩、蓝天、绿草这些场景划分为同一类的场景类别；又由于用户对包括人像、猫、美食这些图像内容的图像通常会关注图像的整体颜色、整个形状的区域特征、图像内容中的空间关系特征等，因此，将人像、猫、美食这些场景划分为同一类的场景类别。

该步骤中，为了便于提高对待处理图像进行处理的速度，则预先设置与不同场景类别对应的生成网络。可选地，若获取的待处理图像的个数大于1，且判断出获取的待处理图像所属的场景类别不同，则根据判断结果为待处理图像分别选择对应的生成网络。

可选地，假设生成网络有2个，分别为第一生成网络和第二生成网络，当待处理图像的图像内容为第一预设场景类别时，选择第一生成网络，当处理图像的图像内容为第二预设场景类别时，选择第二生成网络，则该步骤S22具体包括：

若判断出所述待处理图像的图像内容为第一预设场景类别，将所述待处理图像输入预先训练的第一生成网络，所述第一生成网络的结构包括第一编码网络和第一解码网络，所述第一编码网络提取输入所述第一生成网络的图像的第一预设特征，所述第一解码网络根据所述第一编码网络提取的输入所述第一生成网络的图像的第一预设特征重建图像。

本申请实施例中，若第一预设场景类别包括的场景只关注图像中的整体颜色、轮廓等，而不会关注图像中的细节，则第一编码网络提取的第一预设特征包括：颜色特征、纹理特征、轮廓特征等。其中，颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质；纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质；而轮廓特征则主要针对物体的外边界。

若判断出所述待处理图像的图像内容为第二预设场景类别，将所述待处理图像输入预先训练的第二生成网络，所述第二生成网络的结构包括第二编码网络和第二解码网络，所述第二编码网络提取输入所述第二生成网络的图像的第二预设特征，所述第二解码网络根据所述第二编码网络提取的输入所述第二生成网络的图像的第二预设特征重建图像，所述第二预设特征与所述第一预设特征不同。

本申请实施例中，若第二预设场景类别包括的场景关注的是物体的细节，如物体的整个形状区域、多个物体的相互位置关系等，则第二编码网络提取的第二预设特征包括：区域特征、空间关系特征以及至少一个以下特征：颜色特征、纹理特征。其中，区域特征关系到图像中整个物体的形状区域；空间关系特征，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接(或邻接)关系、交叠(或重叠)关系和包含(或包容)关系等。

可选地，若待处理图像有多个且为不同待处理图像选择不同的生成网络，则同时将该不同待处理图像输入对应的生成网络，以提高处理速度，例如，假设待处理图像有2个：第一待处理图像和第二待处理图像，且为第一待处理图像选择第一生成网络，为第二待处理图像选择第二生成网络，则同时将第一待处理图像输入第一生成网络，将第二待处理图像输入第二生成网络，进而得到第一生成网络和第二生成网络输出的生成图像。由于不同的生成网络能够并行处理输入的待处理图像，因此提高了待处理图像的图像处理速度。

步骤S23，将所述待处理图像输入所述生成网络，得到所述生成网络输出的生成图像。

若选择的生成网络为第一生成网络(或第二生成网络)，则该步骤将得到该第一生成网络(或第二生成网络)输出的生成图像。当然，若待处理图像有多个，且根据该多个待处理图像所属的场景类别选择了第一生成网络以及第二生成网络，则将得到第一生成网络和第二生成网络输出的生成图像。

步骤S24，显示所述生成图像。

显示第一生成网络和/或第二生成网络输出的生成图像。

本申请实施例中，由于将属于不同场景类别的待处理图像输入对应的生成网络处理，因此，使得待处理图像的处理更有针对性，提高处理结果的精确性。

可选地，由于在实际情况中，用户可能显示的处理后的图像不满意，因此，为了能够获得更满意的图像，则发出图像重处理指令，即在所述步骤S24之后，包括：

检测是否接收到图像重处理指令，所述图像重处理指令携带用户选择的生成网络的标识；若接收到图像重处理指令，将所述待处理图像输入所述用户选择的生成网络的标识对应的生成网络；显示所述用户选择的生成网络的标识对应的生成网络输出的图像。

上述步骤中，由于根据终端设备选择的生成网络对待处理图像进行处理后，可能得到用户不满意的图像，因此，为了得到更符合需求的图像，则用户可灵活选择对待处理图像进行处理的生成网络，之后，终端设备根据用户选择的生成网络对待处理图像进行处理，并输出处理后的图像。

可选地，本申请实施例的生成网络的训练过程包括：

获取待训练的生成网络以及训练集，所述训练集包括噪声图像以及与所述噪声图像对应的基准图像；根据所述待训练的生成网络以及所述训练集构建所述待训练的生成网络的重建代价函数；根据所述重建代价函数训练所述待训练的生成网络。

其中，本申请实施例的基准图像是没有噪声，或噪声可忽略的清晰图像。

可选地，训练集包括的噪声图像可通过在基准图像加入高斯噪声或非高斯噪声得到。由于非高斯噪声相对于高斯噪声来说范围更广，更加没有规律，更加难以进行建模，因此优先选择非高斯噪声更加符合实际情况，也更能提升模型的表现力。

可选地，所述根据所述待训练的生成网络以及所述训练集构建所述待训练的生成网络的重建代价函数，包括：

将所述训练集的噪声图像输入所述待训练的生成网络，得到所述待训练的生成网络输出的生成图像。

采用所述待训练的生成图像与所述噪声图像对应的基准图像的差值的范数构建所述待训练的生成网络的重建代价函数。

本申请实施例中，可采用待训练的生成图像与所述噪声图像对应的基准图像的差值的L1范数和L2范数等构建所述待训练的生成网络的重建代价函数，优选地，为了提升生成网络的训练速度，采用待训练的生成图像与所述噪声图像对应的基准图像的差值的L1范数构建所述待训练的生成网络的重建代价函数。

可选地，所述根据所述重建代价函数训练所述待训练的生成网络，包括：

在所述待训练的生成网络输出生成图像后，计算所述待训练的生成网络的重建代价函数对应的重建代价值。

判断所述重建代价值是否小于预设的代价阈值，若小于预设的代价阈值，停止训练所述待训练的生成网络，若大于或等于预设的代价阈值，根据所述重建代价值对所述待训练的生成网络的参数进行反向传播求偏导，根据反向传播求偏导的结果以及预设的学习速率校正所述待训练的生成网络的对应参数。

采用校正参数后的待训练的生成网络生成新的生成图像。

重复执行上述步骤，直到判断出计算的重建代价值小于预设的代价阈值。

其中，预设的代价阈值趋近于0，比如，设置为0.0001等。

具体地，根据生成网络的目标输出(即基准函数)和实际输出(即生成图像)计算该生成网络的总误差，根据该生成网络的总误差分别对该生成网络的各个参数求偏导，以确定该各个参数对该生成网络的总误差产生了多少影响，再根据反向传播求偏导的结果以及预设学习速率校正对应的生成网络的参数。例如，假设w’为生成网络校正后的参数，w为生成网络校正前的参数，n为预设学习速率，-m为反向传播求偏导的结果(即生成网络的总误差对w求偏导后得到的值)，则w’＝w-n*m。

其中，该预设学习速率的值大于0且小于1，优选地，该预设学习速率为0.5。

可选地，当用户判定生成网络无需继续训练，则可通过发出网络停止训练指令，以主动停止该生成网络的训练过程，即在所述判断所述重建代价值是否小于预设的代价阈值之后，包括：

若大于或等于预设的代价阈值，判断是否接收到网络停止训练指令，若接收到网络停止训练指令，则停止训练所述待训练的生成网络。

本申请实施例中，通过主动停止生成网络的训练，能够在满足用户需求的情况下缩短生成网络的训练时间。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

实施例三：

图4示出了本申请实施例提供的一种图像处理装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分：

该图像处理装置包括：待处理图像获取单元41、生成网络获取单元42、生成图像输出单元43、生成图像显示单元44。其中：

待处理图像获取单元41，用于获取待处理图像。

具体地，该待处理图像包括终端设备的相机预览界面显示的图像，也包括存储在该终端设备中的图像。

可选地，获取的待处理图像的个数大于或等于1。

生成网络获取单元42，用于获取生成网络，所述生成网络的结构包括编码网络和解码网络，所述编码网络提取输入所述生成网络的图像的预设特征，所述解码网络根据所述编码网络提取的输入所述生成网络的图像的预设特征重建图像。

需要指出的是，该步骤的生成网络为经过训练的生成网络。

生成图像输出单元43，用于将所述待处理图像输入所述生成网络，得到所述生成网络输出的生成图像。

生成图像显示单元44，用于显示所述生成图像。

本申请实施例中，由于本申请实施例的生成网络的结构包括提取特征的编码网络以及根据提取的特征重建图像的解码网络，因此，该生成网络能够采用自监督的训练模式，从图像样本中自动学习特征而不需要该图像样本具有对应的特征标签，从而在待处理图像输入该生成网络后，该生成网络能够自动提取待处理图像的特征，进而在根据提取的特征进行图像重建时，能够保证增强图像的同时而使图像不失真。

可选地，所述生成网络获取单元42具体用于：

对应生成网络获取模块，用于判断所述待处理图像的图像内容所属的场景类别，根据判断结果获取对应的生成网络。

具体地，首先根据待处理图像的图像内容确定该待处理图像的场景，再根据预设的场景类别分类方法，确定该场景对应的场景类别，最后确定该待处理图像的图像内容所属的场景类别。其中，本申请实施例的生成网络的个数大于或等于1。

其中，场景类别分类方法是指将终端设备可识别的场景划分为不同的场景类别的方法，具体包括：分析不同场景关注的图像特征，将关注相同图像特征的场景划分为同一类。

可选地，假设生成网络有2个，分别为第一生成网络和第二生成网络，当待处理图像的图像内容为第一预设场景类别时，选择第一生成网络，当处理图像的图像内容为第二预设场景类别时，选择第二生成网络，则所述生成网络获取单元42具体包括：

第一生成网络获取模块，用于若判断出所述待处理图像的图像内容为第一预设场景类别，将所述待处理图像输入预先训练的第一生成网络，所述第一生成网络的结构包括第一编码网络和第一解码网络，所述第一编码网络提取输入所述第一生成网络的图像的第一预设特征，所述第一解码网络根据所述第一编码网络提取的输入所述第一生成网络的图像的第一预设特征重建图像。

本申请实施例中，若第一预设场景类别包括的场景只关注图像中的整体颜色、轮廓等，而不会关注图像中的细节，则第一编码网络提取的第一预设特征包括：颜色特征、纹理特征、轮廓特征等。其中，颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质；纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质；而轮廓特征则主要针对物体的外边界。

第二生成网络获取模块，用于若判断出所述待处理图像的图像内容为第二预设场景类别，将所述待处理图像输入预先训练的第二生成网络，所述第二生成网络的结构包括第二编码网络和第二解码网络，所述第二编码网络提取输入所述第二生成网络的图像的第二预设特征，所述第二解码网络根据所述第二编码网络提取的输入所述第二生成网络的图像的第二预设特征重建图像，所述第二预设特征与所述第一预设特征不同。

本申请实施例中，若第二预设场景类别包括的场景关注的是物体的细节，如物体的整个形状区域、多个物体的相互位置关系等，则第二编码网络提取的第二预设特征包括：区域特征、空间关系特征以及至少一个以下特征：颜色特征、纹理特征。其中，区域特征关系到图像中整个物体的形状区域；空间关系特征，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接(或邻接)关系、交叠(或重叠)关系和包含(或包容)关系等。

可选地，由于在实际情况中，用户可能显示的处理后的图像不满意，因此，为了能够获得更满意的图像，则发出图像重处理指令，则所述该图像处理装置还包括：

图像重处理指令检测单元，用于检测是否接收到图像重处理指令，所述图像重处理指令携带用户选择的生成网络的标识；

待处理图像输入单元，用于若接收到图像重处理指令，将所述待处理图像输入所述用户选择的生成网络的标识对应的生成网络；

图像显示单元，用于显示所述用户选择的生成网络的标识对应的生成网络输出的图像。

可选地，所述该图像处理装置还包括：

训练集获取单元，用于获取待训练的生成网络以及训练集，所述训练集包括噪声图像以及与所述噪声图像对应的基准图像；

重建代价函数构建单元，用于根据所述待训练的生成网络以及所述训练集构建所述待训练的生成网络的重建代价函数；

生成网络训练单元，用于根据所述重建代价函数训练所述待训练的生成网络。

其中，本申请实施例的基准图像是没有噪声，或噪声可忽略的清晰图像。

可选地，训练集包括的噪声图像可通过在基准图像加入高斯噪声或非高斯噪声得到。由于非高斯噪声相对于高斯噪声来说范围更广，更加没有规律，更加难以进行建模，因此优先选择非高斯噪声更加符合实际情况，也更能提升模型的表现力。

可选地，所述重建代价函数构建单元包括：

噪声图像输入模块，用于将所述训练集的噪声图像输入所述待训练的生成网络，得到所述待训练的生成网络输出的生成图像；

重建代价函数构建模块，用于采用所述待训练的生成图像与所述噪声图像对应的基准图像的差值的范数构建所述待训练的生成网络的重建代价函数。

本申请实施例中，可采用待训练的生成图像与所述噪声图像对应的基准图像的差值的L1范数和L2范数等构建所述待训练的生成网络的重建代价函数，优选地，为了提升生成网络的训练速度，采用待训练的生成图像与所述噪声图像对应的基准图像的差值的L1范数构建所述待训练的生成网络的重建代价函数。

可选地，所述生成网络训练单元包括：

重建代价值计算模块，用于在所述待训练的生成网络输出生成图像后，计算所述待训练的生成网络的重建代价函数对应的重建代价值；

参数校正模块，用于判断所述重建代价值是否小于预设的代价阈值，若小于预设的代价阈值，停止训练所述待训练的生成网络，若大于或等于预设的代价阈值，根据所述重建代价值对所述待训练的生成网络的参数进行反向传播求偏导，根据反向传播求偏导的结果以及预设的学习速率校正所述待训练的生成网络的对应参数。

校正后的图像生成模块，用于采用校正参数后的待训练的生成网络生成新的生成图像；

重复执行上述模块，直到判断出计算的重建代价值小于预设的代价阈值。

其中，预设的代价阈值趋近于0，比如，设置为0.0001等。

可选地，当用户判定生成网络无需继续训练，则可通过发出网络停止训练指令，以主动停止该生成网络的训练过程，即所述参数校正模块还包括：

网络停止训练指令是否接收判断模块，用于若大于或等于预设的代价阈值，判断是否接收到网络停止训练指令，若接收到网络停止训练指令，则停止训练所述待训练的生成网络。

实施例四：

图5是本申请一实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个图像处理方法实施例中的步骤，例如图1所示的步骤S11至S14。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块41至44的功能。

示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。例如，所述计算机程序52可以被分割成待处理图像获取单元、生成网络获取单元、生成图像输出单元、生成图像显示单元，各单元具体功能如下：

待处理图像获取单元，用于获取待处理图像；

生成网络获取单元，用于获取生成网络，所述生成网络的结构包括编码网络和解码网络，所述编码网络提取输入所述生成网络的图像的预设特征，所述解码网络根据所述编码网络提取的输入所述生成网络的图像的预设特征重建图像；

生成图像输出单元，用于将所述待处理图像输入所述生成网络，得到所述生成网络输出的生成图像；

生成图像显示单元，用于显示所述生成图像。

所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种图像处理方法，其特征在于，包括：

获取待处理图像；

判断所述待处理图像的图像内容所属的场景类别，所述场景类别对应所述待处理图像的预设特征，所述预设特征包括颜色特征、纹理特征、轮廓特征，或者所述预设特征包括颜色特征及纹理特征中的至少一个，以及区域特征、空间关系特征；

根据所述场景类别获取对应的生成网络，所述生成网络的结构包括编码网络和解码网络，所述编码网络提取输入所述生成网络的图像的预设特征，所述解码网络根据所述编码网络提取的输入所述生成网络的图像的预设特征重建图像；

将所述待处理图像输入所述生成网络，得到所述生成网络输出的生成图像；

显示所述生成图像；

所述生成网络的训练过程包括：

获取待训练的生成网络以及训练集，所述训练集包括噪声图像以及与所述噪声图像对应的基准图像；

将所述训练集的噪声图像输入所述待训练的生成网络，得到所述待训练的生成网络输出的生成图像，采用所述待训练的生成图像与所述噪声图像对应的基准图像的差值的范数构建所述待训练的生成网络的重建代价函数；

根据所述重建代价函数训练所述待训练的生成网络。

2.根据权利要求1所述的图像处理方法，其特征在于，在所述显示所述生成图像之后，包括：

检测是否接收到图像重处理指令，所述图像重处理指令携带用户选择的生成网络的标识；

若接收到图像重处理指令，将所述待处理图像输入所述用户选择的生成网络的标识对应的生成网络；

显示所述用户选择的生成网络的标识对应的生成网络输出的图像。

3.根据权利要求1所述的图像处理方法，其特征在于，所述根据所述重建代价函数训练所述待训练的生成网络，包括：

在所述待训练的生成网络输出生成图像后，计算所述待训练的生成网络的重建代价函数对应的重建代价值；

判断所述重建代价值是否小于预设的代价阈值，若小于预设的代价阈值，停止训练所述待训练的生成网络，若大于或等于预设的代价阈值，根据所述重建代价值对所述待训练的生成网络的参数进行反向传播求偏导，根据反向传播求偏导的结果以及预设的学习速率校正所述待训练的生成网络的对应参数；

采用校正参数后的待训练的生成网络生成新的生成图像；

重复执行上述步骤，直到判断出计算的重建代价值小于预设的代价阈值。

4.根据权利要求2所述的图像处理方法，其特征在于，在所述判断所述重建代价值是否小于预设的代价阈值之后，包括：

若大于或等于预设的代价阈值，判断是否接收到网络停止训练指令，若接收到网络停止训练指令，则停止训练所述待训练的生成网络。

5.一种图像处理装置，其特征在于，包括：

待处理图像获取单元，用于获取待处理图像；

生成网络获取单元，用于判断所述待处理图像的图像内容所属的场景类别，所述场景类别对应所述待处理图像的预设特征，所述预设特征包括颜色特征、纹理特征、轮廓特征，或者所述预设特征包括颜色特征及纹理特征中的至少一个，以及区域特征、空间关系特征；根据所述场景类别获取对应的生成网络，所述生成网络的结构包括编码网络和解码网络，所述编码网络提取输入所述生成网络的图像的预设特征，所述解码网络根据所述编码网络提取的输入所述生成网络的图像的预设特征重建图像；

生成图像输出单元，用于将所述待处理图像输入所述生成网络，得到所述生成网络输出的生成图像；

生成图像显示单元，用于显示所述生成图像；

其中，所述生成网络获取模块包括：对应生成网络获取模块，用于判断所述待处理图像的图像内容所属的场景类别，根据判断结果获取对应的生成网络，不同的场景类别关注所述待处理图像中的不同特征；

所述该图像处理装置还包括：

训练集获取单元，用于获取待训练的生成网络以及训练集，所述训练集包括噪声图像以及与所述噪声图像对应的基准图像；

重建代价函数构建单元，用于根据所述待训练的生成网络以及所述训练集构建所述待训练的生成网络的重建代价函数；

生成网络训练单元，用于根据所述重建代价函数训练所述待训练的生成网络；

所述重建代价函数构建单元包括：

噪声图像输入模块，用于将所述训练集的噪声图像输入所述待训练的生成网络，得到所述待训练的生成网络输出的生成图像；

重建代价函数构建模块，用于采用所述待训练的生成图像与所述噪声图像对应的基准图像的差值的范数构建所述待训练的生成网络的重建代价函数。

6.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。

Images