图像处理方法、装置及电子设备与流程

1.本技术属于人工智能技术领域，具体涉及一种图像处理方法、装置及电子设备。


背景技术：

2.电子设备例如手机在拍摄密集纹理的图像时容易产生高频干扰条纹，该高频干扰条纹称之为摩尔纹。相关技术中，其是基于去摩尔纹模型对摩尔纹图像进行去摩尔纹处理，但是基于该去摩尔纹模型对摩尔纹图像进行处理时，会遇到摩尔纹图像和去摩尔纹模型不匹配的问题，使得去摩尔纹模型对摩尔纹图像进行处理后所得到的去摩尔纹图像的效果不佳。


技术实现要素：

3.本技术实施例的目的是提供一种图像处理方法、装置及电子设备，能够解决现有使用去摩尔纹模型对摩尔纹图像进行去摩尔纹处理时出现的摩尔纹模型和摩尔纹图像不匹配，使得处理后得到的去摩尔纹图像的效果不佳的问题。
4.第一方面，本技术实施例提供了一种图像处理方法，所述方法包括：
5.对第一图像进行分块处理，获得所述第一图像对应的n个第一图像块；
6.获取n个所述第一图像块分别对应的图像复杂度；
7.根据n个所述第一图像块分别对应的图像复杂度，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块；其中，不同所述预设去摩尔纹子模型用于处理不同所述图像复杂度的第一图像块；
8.将n个所述第一图像块分别对应的第二图像块进行拼接，获得所述第一图像对应的第二图像，n为大于1的正整数。
9.第二方面，本技术实施例提供了一种图像处理装置，所述装置包括：
10.第一处理模块，用于对第一图像进行分块处理，获得所述第一图像对应的n个第一图像块；
11.获取模块，用于获取n个所述第一图像块分别对应的图像复杂度；
12.第二处理模块，用于根据n个所述第一图像块分别对应的图像复杂度，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块；其中，不同所述预设去摩尔纹子模型用于处理不同所述图像复杂度的第一图像块；
13.拼接模块，用于将n个所述第一图像块分别对应的第二图像块进行拼接，获得所述第一图像对应的第二图像，n为大于1的正整数。
14.第三方面，本技术实施例提供了一种电子设备，该电子设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
15.第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储程
序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
16.第五方面，本技术实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。
17.第六方面，本技术实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面所述的方法。
18.在本技术实施例中，电子设备会先对第一图像进行分块处理，以获得第一图像对应的n个第一图像块，并获取n个第一图像块分别对应的图像复杂度，以及根据n个第一图像块分别对应的图像复杂度，将n个第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个第一图像块分别对应的第二图像块，进而将n个第一图像块分别对应的第二图像块进行拼接，获得第一图像对应的第二图像。即，通过本技术实施例，其会基于不同预设去摩尔纹子模型处理第一图像中不同图像复杂度的第一图像块，使得针对不同图像复杂度的第一图像块使用与其匹配的预设去摩尔纹子模型进行处理，从而根据不同图像的实际复杂度，比如图像区域复杂度，图像区域线条复杂度等，都按不同的方式处理摩尔纹，从而对图像有针对性地处理摩尔纹，提高了处理图像摩尔纹后的图像的清晰度，从而获得清晰的第二图像块，此时，基于对应的第二图像块进行拼接所获得的第二图像具有更高的清晰度。
附图说明
19.图1是本技术实施例提供的图像处理方法的流程图；
20.图2是本技术实施例提供的基于不同预设去摩尔纹子模型对第一图像进行去摩尔纹处理的流程图；
21.图3是本技术实施例提供的图像处理装置的结构示意图；
22.图4是本技术实施例提供的电子设备的结构示意图；
23.图5是本技术另一实施例提供的电子设备的结构示意图。
具体实施方式
24.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本技术保护的范围。
25.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
26.本技术实施例提供的图像处理方法，其执行主体可以是本技术实施例提供的图像处理装置，或者集成了该图像处理装置的电子设备，其中该图像处理装置可以采用硬件或软件的方式实现。
27.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的图像处理
方法进行详细地说明。
28.请参看图1，其是本技术实施例提供的一种图像处理方法的流程图，该方法可以应用于电子设备中，该电子设备可以为手机、平板电脑、笔记本电脑等。如图1所示，该方法可以包括步骤1100～步骤1400，以下予以详细说明。
29.步骤1100，对第一图像进行分块处理，获得所述第一图像对应的n个第一图像块。
30.其中，n为大于1的正整数。
31.其中，第一图像为存在摩尔纹的图像，在本技术实施例中，电子设备需要对存在摩尔纹的图像进行去摩尔纹处理。
32.通常，第一图像的尺寸为c
×h×
w，其中，c表示第一图像的通道数，h表示第一图像的宽度，w表示第一图像的高度。
33.通常，电子设备可以将第一图像使用有重叠的方式进行分块，那么，本步骤1100对第一图像进行分块处理，获得所述第一图像对应的n个第一图像块中可以进一步包括：根据重叠率l和分块倍数r
，
对所述第一图像进行分块处理，得到r
×
r个大小为c
×
(h/r)(1+l)
×
(w/r)(1+l)的第一图像块。
34.其中，l表示重叠率，也可以理解为所划分的第一图像块的重叠区域的倍率。r表示分块倍数，表示需要将第一图像在空间维度上分为r
×
r个大小的第一图像块。具体地，电子设备可以基于重叠率l确定出重叠区域的倍率，然后基于分块倍数r以重叠区域的倍率为基准将第一图像划分为r
×
r个第一图像块。
35.示例性地，参照图2，电子设备可以将第一图像20划分为第一图像块201、第一图像块202、第一图像块203和第一图像块204。
36.在执行步骤1100对第一图像进行分块处理，获得所述第一图像对应的n个第一图像块之后，进入：
37.步骤1200，获取n个所述第一图像块分别对应的图像复杂度。
38.其中，图像复杂度用于衡量对应的第一图像块的复杂程度，图像复杂度通常由颜色复杂度和纹理复杂度组成，其中，颜色复杂度用于衡量对应的第一图像块的颜色的复杂程度，纹理复杂度用于衡量对应的第一图像块的纹理的复杂程度。
39.在一个可选的实施例中，本步骤1200获取所述第一图像块对应的图像复杂度可以进一步包括如下步骤1210～步骤1230：
40.步骤1210，根据所述第一图像块的rgb均值和rgb方差，获得所述第一图像块对应的颜色复杂度。
41.其中，r表示red(红色)，g表示green(绿色)，b表示blue(蓝色)。
42.本步骤1210中，第一图像块x对应的颜色复杂度c(x)满足如下公式：
[0043][0044]
其中，xr表示第一图像块中任意像素点的红色通道，xg表示第一图像块中任意像素点的绿色通道，xb表示第一图像块中任意像素点的蓝色通道，μ表示第一图像块的rgb均值，例如可以是将第一图像块中每个像素点的rgb值累加后除以第一图像块中像素点的个数，便可得到第一图像块的rgb均值。σ2表示第一图像块的rgb方差，例如可以是计算第一图像
块中每个像素点的rgb值与第一图像块的rgb均值μ之间的差值的平方值的平均数，便可得到第一图像块的rgb方差。
[0045]
步骤1220，根据所述第一图像块的图像边缘信息，获得所述第一图像块对应的纹理复杂度。
[0046]
本步骤1220中，第一图像块x对应的纹理复杂度f(x)满足如下公式：
[0047]
f(x)＝conv(φ,x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0048]
其中，φ表示边缘提取算子，该边缘提取算子φ例如可以是拉普拉斯算子，通过边缘提取算子φ可以提取第一图像块x的边缘信息。
[0049]
步骤1230，根据所述第一图像块对应的颜色复杂度和纹理复杂度，获得所述第一图像块对应的图像复杂度。
[0050]
本步骤1230中，第一图像块x对应的图像复杂度m(x)满足如下公式：
[0051]
m(x)＝(1-λ)c(x)
·
λμ(f(x))
ꢀꢀꢀꢀ
(3)
[0052]
其中，c(x)表示第一图像块的颜色复杂度；f(x)表示第一图像块的纹理复杂度；μ表示第一图像块的rgb均值；λ为超参数，超参数λ用于调节图像复杂度中颜色复杂度和纹理复杂度之间的重要性，λ可以是0.5，表示图像复杂度中颜色复杂度和纹理复杂度的重要性相同，当然，λ还可以是其他数值，本实施例对此不做限定。
[0053]
示例性地，第一图像块201的图像复杂度为m(1)、第一图像块202的图像复杂度为m(2)、第一图像块203的图像复杂度为m(3)、第一图像块204的图像复杂度为m(4)。
[0054]
根据以上步骤1210～步骤1230，电子设备能够计算出第一图像中不同第一图像块分别对应的图像复杂度，进而对不同图像复杂度的第一图像块使用不同算力的预设去摩尔纹子模型进行去摩尔纹处理。
[0055]
在执行以上步骤1200获取n个所述第一图像块分别对应的图像复杂度之后，进入：
[0056]
步骤1300，根据n个所述第一图像块分别对应的图像复杂度，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块。
[0057]
其中，第二图像块为对对应的第一图像块去除摩尔纹之后的图像块。
[0058]
其中，不同所述预设去摩尔纹子模型用于处理不同所述图像复杂度的第一图像块，即，不同预设去摩尔纹子模型的算力均不相同。并且，预设去摩尔纹子模型的输入为第一图像块，输出为该第一图像块对应的第二图像块。在本实施例中，电子设备针对不同图像复杂度的第一图像块使用与其匹配的预设去摩尔纹子模型进行去摩尔纹处理，这样便可避免预设去摩尔纹子模型出现算力冗余的问题。
[0059]
在一个可选的实施例中，本步骤1300根据n个所述第一图像块分别对应的图像复杂度，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块可以进一步包括如下步骤1310～步骤1330：
[0060]
步骤1310，根据n个所述第一图像块分别对应的图像复杂度，确定n个所述第一图像块与不同所述预设去摩尔纹子模型的匹配度。
[0061]
本步骤1310中，电子设备可以根据n个第一图像块分别对应的图像复杂度从高到低的顺序，将排序靠前的第一图像块与算力强的预设去摩尔纹子模型相匹配，将排序靠后的第一图像块与算力小的预设去摩尔纹子模型相匹配。
[0062]
示例性地，四个第一图像块分别对应的图像复杂度从高到低的顺序为：第一图像块201的图像复杂度为m(1)、第一图像块202的图像复杂度为m(2)、第一图像块203的图像复杂度为m(3)、第一图像块204的图像复杂度为m(4)。
[0063]
对应的，电子设备提供图2所示的预设去摩尔纹模型30，该预设去摩尔纹模型30包括三个预设去摩尔纹子模型，例如预设去摩尔纹子模型1、预设去摩尔纹子模型2和预设去摩尔纹子模型3，并且，预设去摩尔纹子模型3的算力大于预设去摩尔纹子模型2的算力，预设去摩尔纹子模型2的算力大于预设去摩尔纹子模型1的算力。这样，便可将第一图像块201和第一图像块202与预设去摩尔纹子模型3相匹配，将第一图像块203与预设去摩尔纹子模型2相匹配，以及将第一图像块204与预设去摩尔纹子模型1相匹配。
[0064]
步骤1320，根据n个所述第一图像块与不同所述预设去摩尔纹子模型的匹配度，从不同所述预设去摩尔纹子模型中，确定出n个所述第一图像块分别对应的预设去摩尔纹子模型。
[0065]
继续上述示例，第一图像块201对应预设去摩尔纹子模型3，第一图像块202对应预设去摩尔纹子模型3，第一图像块203对应预设去摩尔纹子模型2，以及第一图像块204对应预设去摩尔纹子模型1。
[0066]
步骤1330，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块。
[0067]
本步骤1330中，电子设备会将不同第一图像块输入至对应的预设去摩尔纹子模型中，以通过对应的预设去摩尔纹子模型对对应的第一图像块进行去摩尔纹处理，获得对应的第二图像块。
[0068]
继续上述示例，参照图2，电子设备会将不同第一图像块输入至不同预设去摩尔纹子模型中，例如会将第一图像块201输入至预设去摩尔纹子模型3，以通过预设去摩尔纹子模型3对第一图形块201进行去摩尔纹处理，获得第二图像块211。将第一图像块202输入至预设去摩尔纹子模型3，以通过预设去摩尔纹子模型3对第一图形块202进行去摩尔纹处理，获得第二图像块212。将第一图像块203输入至预设去摩尔纹子模型2，以通过预设去摩尔纹子模型2对第一图形块203进行去摩尔纹处理，获得第二图像块213。以及将第一图像块204输入至预设去摩尔纹子模型1，以通过预设去摩尔纹子模型1对第一图形块204进行去摩尔纹处理，获得第二图像块214。
[0069]
根据以上步骤1310～步骤1330，电子设备能够将排序靠前的图像复杂度对应的第一图像块优先与算力强的预设去摩尔纹子模型相匹配，这样，能够避免预设去摩尔纹子模型出现算力冗余的问题。
[0070]
在执行以上步骤1300根据n个所述第一图像块分别对应的图像复杂度，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块之后，进入：
[0071]
步骤1400，将n个所述第一图像块分别对应的第二图像块进行拼接，获得所述第一图像对应的第二图像。
[0072]
其中，第二图像为对第一图像进行去摩尔纹处理后得到的图像，第二图像也可称之为去摩尔纹图像。
[0073]
在一个可选的实施例中，本步骤1400将n个所述第一图像块分别对应的第二图像
convolutional neural network，mbcnn)模型，也可以是动态多池化卷积网络(dynamic multi-pooling convolutional neural network，dmcnn)，本技术实施例对此不做限定。可以理解的，基础去摩尔纹模型是由多个卷积核与注意力结构构成。
[0084]
其中，待训练去摩尔纹模型的模型参数例如可以包括待训练去摩尔纹模型的权重。
[0085]
通常，基础去摩尔纹模型为原始网络，该原始网络可以称之为超网。针对基础去摩尔纹模型中所有的卷积核，这些卷积核形状可以表示为c
in
×cout
×k×
k，其中，c
in
表示输入通道数，c
out
表示输出通道数，k表示卷积核大小。在本技术实施例中，使用n
w[0:.]
表示基础去摩尔纹模型，其中，w[0,α]中的α是宽度系数，表示从基础去摩尔纹模型中每个卷积核按照c
out
维度取前α比例的通道构成一个网络，该网络称为子网，也就是待训练去摩尔纹子模型，每个待训练去摩尔纹子模型的权重是基础去摩尔纹模型的部分权重。通过设置不同的宽度系数α可以得到不同待训练去摩尔纹子模型。
[0086]
示例性地，以基础去摩尔纹模型为mbcnn模型为例，电子设备分别取n
w[0:.]
，n
w[0:.]
，n
w[0:.]
三个待训练去摩尔纹子模型，这三个待训练去摩尔纹子模型是共享权重的，这样可减少待训练去摩尔纹模型的参数量，且这样，便可得到一个待训练去摩尔纹模型。
[0087]
步骤2200，获取所述待训练去摩尔纹子模型分别对应的训练图像子集。
[0088]
在一个可选地实施例中，本步骤2200获取所述待训练去摩尔纹子模型分别对应的训练图像子集可以进一步包括如下步骤2210～步骤2240：
[0089]
步骤2110，获取训练图像集；其中，训练图像集中包括多个训练图像。
[0090]
步骤2120，对训练图像集中的训练图像进行分块处理，获得训练图像对应的多个第三图像块。
[0091]
通常，训练图像可以表示为大小为c
×h×
w，其中，c表示训练图像的通道数，h表示训练图像的宽度，w表示训练图像的高度。本步骤2120中，电子设备可以根据设定分块倍数r对训练图像进行分块处理，在空间维度均匀分成r
×
r个大小为c
×
(h/r)
×
(w/r)的第三图像块。示例性地，对于1024x1024分辨率的训练图像进行2倍分块，便可得到四个大小相同的第三图像块。
[0092]
步骤2130，获取多个第三图像块分别对应的图像复杂度。
[0093]
本步骤2130中，关于如何获取第三图像块对应的图像复杂度，可以参照以上步骤1200获取第一图像块对应的图像复杂度，本实施例对此不做赘述。
[0094]
步骤2140，根据多个第三图像块分别对应的图像复杂度，将训练图像集进行分类处理，获得不同待训练去摩尔纹子模型分别对应的训练图像子集。
[0095]
本步骤2140中，电子设备会根据第三图像块对应的图像复杂度从高到低的顺序，将所得到的第三图像块分类为三个训练图像子集(d1，d2，d3)，其中，训练图像子集d1中包括的训练图像的复杂度小于或等于第二复杂度阈值，训练图像子集d2中包括的训练图像的复杂度小于或等于第一图像复杂度阈值且大于第二图像复杂度阈值，训练图像子集d3中包括的训练图像的复杂度大于第一复杂度阈值。也就是说，训练图像子集d1为低等级图像复杂度的训练图像组成的集合，训练图像子集d2为中等级图像复杂度的训练图像组成的集合，训练图像子集d3为高等级图像复杂度的训练图像组成的集合。这样，便可将训练图像子
集d1训练时输入至n
w[0:0.4]
，将训练图像子集d2训练时输入至n
w[0:.]
，以及将训练图像子集d3输入至n
w[0:.]
。
[0096]
根据以上步骤2110～步骤2140，电子设备便可获得不同待训练去摩尔纹子模型分别对应的训练图像子集。
[0097]
步骤2300，获取所述待训练去摩尔纹子模型分别对应的采样值。
[0098]
通常，不同待训练去摩尔纹子模型由于容量大小不一样，拟合速度也不一样。并且，由于待训练去摩尔纹子模型之间是权重共享的，如果每次待训练去摩尔纹子模型更新时使用相同概率更新可能会使得原本训练好的权重在当前次更新又被扰乱。这会减小整体待训练去摩尔纹模型的拟合速度。因此需要为不同的待训练去摩尔纹子模型选取不同的采样值。
[0099]
在本实施例中，待训练去摩尔纹子模型对应的采样值pi满足如下公式：
[0100][0101]
其中，m表示待训练去摩尔纹模型中包括的待训练去摩尔纹子模型的个数，在本技术实施例中，m为3。τ表示平滑系数，用于控制最终采样值的平滑性，τ可以是0.8，τ越小，对应的采样值越平滑。
[0102]
示例性地，电子设备便可得到待训练去摩尔纹子模型n
w[0:.]
对应的采样值p1，待训练去摩尔纹子模型n
w[0:.]
对应的采样值p2，待训练去摩尔纹子模型n
w[0:.]
对应的采样值p3。
[0103]
步骤2400，根据所述待训练去摩尔纹子模型分别对应的训练图像子集和采样值，对所述待训练去摩尔纹模型进行训练，获得预设去摩尔纹模型；其中，所述预设去摩尔纹模型包括与不同所述待训练去摩尔纹子模型分别对应的预设去摩尔纹子模型。
[0104]
其中，预设去摩尔纹模型为对待训练去摩尔纹模型进行训练后得到的模型。对应的，预设去摩尔纹子模型为对对应的待训练去摩尔纹子模型进行训练后得到的子模型。
[0105]
在一个可选地实施例中，本步骤2400根据所述待训练去摩尔纹子模型分别对应的训练图像子集和采样值，对所述待训练去摩尔纹模型进行训练，获得预设去摩尔纹模型可以进一步包括如下步骤2410～步骤2430：
[0106]
步骤2410，根据所述待训练去摩尔纹子模型分别对应的采样值，从所述待训练去摩尔纹子模型中，确定出用于当前轮训练的待训练去摩尔纹子模型。
[0107]
继续上述示例，电子设备先随机生成一个[0-1]间的值，并获取该值在[p1,p2,p3]中的最小上界，并将所选取出的采样值例如采样值p1所对应的待训练去摩尔纹子模型n
w[0:.]
用于当前轮训练。
[0108]
步骤2420，根据用于当前轮训练的待训练去摩尔纹子模型对应的训练图像子集，确定用于当前轮训练的待训练去摩尔纹子模型的损失函数。
[0109]
能够理解的，损失函数可以选择l1 loss，也可以选择l2 loss，本实施例对此不做限定。
[0110]
继续上述示例，电子设备会进一步获取该待训练摩尔纹子模型n
w[0:.]
对应的训练图像子集d1的批量训练图像，并将批量训练图像输入至该待训练摩尔纹子模型n
w[0:.]
中。
[0111]
步骤2430，根据所述损失函数调整用于当前轮训练的待训练去摩尔纹子模型的模型参数，获得所述预设去摩尔纹模型。
[0112]
其中，所述当前轮训练的待训练去摩尔纹子模型的模型参数为所共享的所述待训练去摩尔纹模型的模型参数。
[0113]
本步骤2430中，由于不同待训练去摩尔纹子模型共享待训练去摩尔纹模型的模型参数，根据损失调整用于当前轮训练的待训练去摩尔纹子模型的模型参数，相当于是调整待训练去摩尔纹模型的模型参数，这样便可获得预设去摩尔纹模型，该预设去摩尔纹模型中包括不同待训练去摩尔纹子模型分别对应的预设去摩尔纹子模型。
[0114]
其中，用于当前轮训练的待训练去摩尔纹子模型的损失选择l1 loss函数，该损失满足如下公式：
[0115][0116]
其中，x表示训练图像，y表示该训练图像的真实标记，m表示待训练去摩尔纹模型中包括的待训练摩尔纹子模型的个数，在本技术实施例中，m为3。n表示训练图像的数量。
[0117]
继续上述示例，预设去摩尔纹模型包括预设去摩尔纹子模型1、预设去摩尔纹子模型2和预设去摩尔纹子模型3，并且，预设去摩尔纹子模型1为对待训练去摩尔纹子模型n
w[0:.]
进行训练得到的子模型，预设去摩尔纹子模型2为对待训练去摩尔纹子模型n
w[0:.]
进行训练得到的子模型，以及预设去摩尔纹子模型3为对待训练去摩尔纹子模型n
w[0:.]
进行训练得到的子模型。其中，预设去摩尔纹子模型3的算力大于预设去摩尔纹子模型2的算力，预设去摩尔纹子模型2的算力大于预设去摩尔纹子模型1的算力。
[0118]
可以理解的，在数据集aim19上使用同一个训练配置测试效果。现有技术中的单一去摩尔纹模型为mbcnn模型的情况下，flops为2.14t，参数量为14.21m。本技术实施例的预设去摩尔纹模型为mbcnn模型的情况下，flops为1.09t，参数量为10.61m。理论加速率和压缩率分别为46.9％和25.4％。
[0119]
在aim19数据集上测试超网模型效果。现有技术中的单一去摩尔纹模型为dmcnn模型的情况下，flops为699.16g，参数量为1.43m。本技术实施例的预设去摩尔纹模型为dmcnn模型的情况下，flops为333.39g，参数量为0.99m。理论加速率和压缩率分别为52.3％和29.9％。
[0120]
本技术实施例提供的图像处理方法，执行主体可以为图像处理装置。本技术实施例中以图像处理装置执行图像处理方法为例，说明本技术实施例提供的图像处理装置。
[0121]
与上述实施例相对应，参见图3，本技术实施例还提供一种图像处理装置300，该图像处理装置300包括第一处理模块310、获取模块320、第二处理模块330、拼接模块340。
[0122]
第一处理模块310，用于对第一图像进行分块处理，获得所述第一图像对应的n个第一图像块；
[0123]
获取模块320，用于获取n个所述第一图像块分别对应的图像复杂度；
[0124]
第二处理模块330，用于根据n个所述第一图像块分别对应的图像复杂度，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块；其中，不同所述预设去摩尔纹子模型用于处理不同所述图像复杂度的第一图像块；
[0125]
拼接模块340，用于将n个所述第一图像块分别对应的第二图像块进行拼接，获得所述第一图像对应的第二图像，n为大于1的正整数。
[0126]
在一个实施例中，所述获取模块310，具体用于：根据所述第一图像块的rgb均值和rgb方差，获得所述第一图像块对应的颜色复杂度；根据所述第一图像块的图像边缘信息，获得所述第一图像块对应的纹理复杂度；根据所述第一图像块对应的颜色复杂度和纹理复杂度，获得所述第一图像块对应的图像复杂度。
[0127]
在一个实施例中，所述第二处理模块330，具体用于：根据n个所述第一图像块分别对应的图像复杂度，确定n个所述第一图像块与不同所述预设去摩尔纹子模型的匹配度；根据n个所述第一图像块与不同所述预设去摩尔纹子模型的匹配度，从不同所述预设去摩尔纹子模型中，确定出n个所述第一图像块分别对应的预设去摩尔纹子模型；以及，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块。
[0128]
在一个实施例中，所述拼接模块340，具体用于：根据n个所述第一图像块在所述第一图像中的位置信息，将n个所述第一图像块分别对应的第二图像块进行拼接，获得所述第一图像对应的第三图像；查找所述第三图像中不同所述第二图像块间的重叠区域；获取所述重叠区域中各像素点的像素值均值，设置为所述重叠区域中各像素点的像素值，获得所述第一图像对应的第二图像。
[0129]
在一个实施例中，装置400还包括训练模块(图中未示出)，用于：根据基础去摩尔纹模型和设定的不同宽度系数，获得待训练去摩尔纹模型；其中，所述待训练去摩尔纹模型包括不同所述宽度系数分别对应的待训练去摩尔纹子模型，且不同所述宽度系数分别对应的待训练去摩尔纹子模型共享所述待训练去摩尔纹模型的模型参数；获取所述待训练去摩尔纹子模型分别对应的训练图像子集；获取所述待训练去摩尔纹子模型分别对应的采样值；根据所述待训练去摩尔纹子模型分别对应的训练图像子集和采样值，对所述待训练去摩尔纹模型进行训练，获得预设去摩尔纹模型；其中，所述预设去摩尔纹模型包括与所述待训练去摩尔纹子模型分别对应的预设去摩尔纹子模型。
[0130]
在一个实施例中，训练模块，具体用于：根据所述待训练去摩尔纹子模型分别对应的采样值，从所述待训练去摩尔纹子模型中，确定出用于当前轮训练的待训练去摩尔纹子模型；根据用于当前轮训练的待训练去摩尔纹子模型对应的训练图像子集，确定用于当前轮训练的待训练去摩尔纹子模型的损失函数；根据所述损失函数调整用于当前轮训练的待训练去摩尔纹子模型的模型参数，获得所述预设去摩尔纹模型；其中，所述当前轮训练的待训练去摩尔纹子模型的模型参数为所共享的所述待训练去摩尔纹模型的模型参数。
[0131]
根据本技术实施例，电子设备会先对第一图像进行分块处理，以获得第一图像对应的n个第一图像块，并获取n个第一图像块分别对应的图像复杂度，以及根据n个第一图像块分别对应的图像复杂度，将n个第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个第一图像块分别对应的第二图像块，进而将n个第一图像块分别对应的第二图像块进行拼接，获得第一图像对应的第二图像。即，通过本技术实施例，其会基于不同预设去摩尔纹子模型处理第一图像中不同图像复杂度的第一图像块，使得针对不同图像复杂度的第一图像块使用与其匹配的预设去摩尔纹子模型进行处理，从而根据不同图像的实际复杂度，比如图像区域复杂度，图像区域线条复杂度等，都按不同的方式处理摩尔纹，从而对图像有针对性地处理摩尔纹，提高了处理图像摩尔纹后的图像的清晰度，从而获得清晰的第二图像块，此时，基于对应的第二图像块进行拼接所获得的第二图像具有更高的清晰度。
[0132]
本技术实施例中的图像处理装置可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(mobile internet device，mid)、增强现实(augmented reality，ar)/虚拟现实(virtual reality，vr)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，还可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本技术实施例不作具体限定。
[0133]
本技术实施例中的图像处理装置可以为具有操作系统的装置。该操作系统可以为安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本技术实施例不作具体限定。
[0134]
本技术实施例提供的图像处理装置能够实现图1的方法实施例实现的各个过程，为避免重复，这里不再赘述。
[0135]
可选地，如图4所示，本技术实施例还提供一种电子设备400，包括处理器401和存储器402，存储器402上存储有可在所述处理器401上运行的程序或指令，该程序或指令被处理器401执行时实现上述图像处理方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0136]
需要说明的是，本技术实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
[0137]
图5为实现本技术实施例的一种电子设备的硬件结构示意图。
[0138]
该电子设备1000包括但不限于：射频单元1001、网络模块1002、音频输出单元1003、输入单元1004、传感器1005、显示单元1006、用户输入单元1007、接口单元1008、存储器1009、以及处理器1010等部件。
[0139]
本领域技术人员可以理解，电子设备1000还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器1010逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图5中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
[0140]
其中，处理器1010，用于对第一图像进行分块处理，获得所述第一图像对应的n个第一图像块；获取n个所述第一图像块分别对应的图像复杂度；根据n个所述第一图像块分别对应的图像复杂度，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块；其中，不同所述预设去摩尔纹子模型用于处理不同所述图像复杂度的第一图像块；将n个所述第一图像块分别对应的第二图像块进行拼接，获得所述第一图像对应的第二图像，n为大于1的正整数。
[0141]
可选地，处理器1010，用于根据所述第一图像块的rgb均值和rgb方差，获得所述第一图像块对应的颜色复杂度；根据所述第一图像块的图像边缘信息，获得所述第一图像块对应的纹理复杂度；根据所述第一图像块对应的颜色复杂度和纹理复杂度，获得所述第一图像块对应的图像复杂度。
[0142]
可选地，处理器1010，用于根据n个所述第一图像块分别对应的图像复杂度，确定n个所述第一图像块与不同所述预设去摩尔纹子模型的匹配度；根据n个所述第一图像块与不同所述预设去摩尔纹子模型的匹配度，从不同所述预设去摩尔纹子模型中，确定出n个所述第一图像块分别对应的预设去摩尔纹子模型；以及，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块。
[0143]
可选地，处理器1010，用于根据n个所述第一图像块在所述第一图像中的位置信息，将n个所述第一图像块分别对应的第二图像块进行拼接，获得所述第一图像对应的第三图像；查找所述第三图像中不同所述第二图像块间的重叠区域；获取所述重叠区域中各像素点的像素值均值，设置为所述重叠区域中各像素点的像素值，获得所述第一图像对应的第二图像。
[0144]
可选地，处理器1010，用于根据基础去摩尔纹模型和设定的不同宽度系数，获得待训练去摩尔纹模型；其中，所述待训练去摩尔纹模型包括不同所述宽度系数分别对应的待训练去摩尔纹子模型，且不同所述宽度系数分别对应的待训练去摩尔纹子模型共享所述待训练去摩尔纹模型的模型参数；获取所述待训练去摩尔纹子模型分别对应的训练图像子集；获取所述待训练去摩尔纹子模型分别对应的采样值；根据所述待训练去摩尔纹子模型分别对应的训练图像子集和采样值，对所述待训练去摩尔纹模型进行训练，获得预设去摩尔纹模型；其中，所述预设去摩尔纹模型包括与所述待训练去摩尔纹子模型分别对应的预设去摩尔纹子模型。
[0145]
可选地，处理器1010，用于根据所述待训练去摩尔纹子模型分别对应的采样值，从所述待训练去摩尔纹子模型中，确定出用于当前轮训练的待训练去摩尔纹子模型；根据用于当前轮训练的待训练去摩尔纹子模型对应的训练图像子集，确定用于当前轮训练的待训练去摩尔纹子模型的损失函数；根据所述损失函数调整用于当前轮训练的待训练去摩尔纹子模型的模型参数，获得所述预设去摩尔纹模型；
[0146]
其中，所述当前轮训练的待训练去摩尔纹子模型的模型参数为所共享的所述待训练去摩尔纹模型的模型参数。
[0147]
根据本技术实施例，电子设备会先对第一图像进行分块处理，以获得第一图像对应的n个第一图像块，并获取n个第一图像块分别对应的图像复杂度，以及根据n个第一图像块分别对应的图像复杂度，将n个第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个第一图像块分别对应的第二图像块，进而将n个第一图像块分别对应的第二图像块进行拼接，获得第一图像对应的第二图像。即，通过本技术实施例，其会基于不同预设去摩尔纹子模型处理第一图像中不同图像复杂度的第一图像块，使得针对不同图像复杂度的第一图像块使用与其匹配的预设去摩尔纹子模型进行处理获得对应的第二图像块，此时，基于对应的第二图像块进行拼接所获得的第二图像具有较好的效果。
[0148]
应理解的是，本技术实施例中，输入单元1004可以包括图形处理器(graphics processing unit，gpu)10041和麦克风10042，图形处理器10041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1006可包括显示面板10061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板10061。用户输入单元1007包括触控面板10071以及其他输入设备10072中的至少一种。触控面板10071，也称为触摸屏。触控面板10071可包括触摸检测装置和触摸控制器两个部
分。其他输入设备10072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
[0149]
存储器1009可用于存储软件程序以及各种数据。存储器1009可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器1009可以包括易失性存储器或非易失性存储器，或者，存储器1009可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synch link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本技术实施例中的存储器1009包括但不限于这些和任意其它适合类型的存储器。
[0150]
处理器1010可包括一个或多个处理单元；可选的，处理器1010集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器1010中。
[0151]
本技术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程序或指令，该程序或指令被处理器执行时实现上述用户活跃度确定方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0152]
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器rom、随机存取存储器ram、磁碟或者光盘等。
[0153]
本技术实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述图像处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0154]
应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
[0155]
本技术实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述图像处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0156]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及
的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
[0157]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0158]
上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。

技术特征：
1.一种图像处理方法，其特征在于，所述方法包括：对第一图像进行分块处理，获得所述第一图像对应的n个第一图像块；获取n个所述第一图像块分别对应的图像复杂度；根据n个所述第一图像块分别对应的图像复杂度，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块；其中，不同所述预设去摩尔纹子模型用于处理不同所述图像复杂度的第一图像块；将n个所述第一图像块分别对应的第二图像块进行拼接，获得所述第一图像对应的第二图像，n为大于1的正整数。2.根据权利要求1所述的方法，其特征在于，获取所述第一图像块对应的图像复杂度，包括：根据所述第一图像块的rgb均值和rgb方差，获得所述第一图像块对应的颜色复杂度；根据所述第一图像块的图像边缘信息，获得所述第一图像块对应的纹理复杂度；根据所述第一图像块对应的颜色复杂度和纹理复杂度，获得所述第一图像块对应的图像复杂度。3.根据权利要求1所述的方法，其特征在于，所述根据n个所述第一图像块分别对应的图像复杂度，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块，包括：根据n个所述第一图像块分别对应的图像复杂度，确定n个所述第一图像块与不同所述预设去摩尔纹子模型的匹配度；根据n个所述第一图像块与不同所述预设去摩尔纹子模型的匹配度，从所述预设去摩尔纹子模型中，确定出n个所述第一图像块分别对应的预设去摩尔纹子模型；以及，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块。4.根据权利要求1所述的方法，其特征在于，所述将n个所述第一图像块分别对应的第二图像块进行拼接，获得所述第一图像对应的第二图像，包括：根据n个所述第一图像块在所述第一图像中的位置信息，将n个所述第一图像块分别对应的第二图像块进行拼接，获得所述第一图像对应的第三图像；查找所述第三图像中不同所述第二图像块间的重叠区域；获取所述重叠区域中各像素点的像素值均值，设置为所述重叠区域中各像素点的像素值，获得所述第一图像对应的第二图像。5.根据权利要求1至4中任一项所述的方法，其特征在于，在所述根据n个所述第一图像块分别对应的图像复杂度，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块之前，所述方法还包括：根据基础去摩尔纹模型和设定的不同宽度系数，获得待训练去摩尔纹模型；其中，所述待训练去摩尔纹模型包括不同所述宽度系数分别对应的待训练去摩尔纹子模型，且不同所述宽度系数分别对应的待训练去摩尔纹子模型共享所述待训练去摩尔纹模型的模型参数；获取所述待训练去摩尔纹子模型分别对应的训练图像子集；获取所述待训练去摩尔纹子模型分别对应的采样值；根据所述待训练去摩尔纹子模型分别对应的训练图像子集和采样值，对所述待训练去
摩尔纹模型进行训练，获得预设去摩尔纹模型；其中，所述预设去摩尔纹模型包括与所述待训练去摩尔纹子模型分别对应的预设去摩尔纹子模型。6.根据权利要求5所述的方法，其特征在于，所述根据所述待训练去摩尔纹子模型分别对应的训练图像子集和采样值，对所述待训练去摩尔纹模型进行训练，获得预设去摩尔纹模型，包括：根据所述待训练去摩尔纹子模型分别对应的采样值，从所述待训练去摩尔纹子模型中，确定出用于当前轮训练的待训练去摩尔纹子模型；根据用于当前轮训练的待训练去摩尔纹子模型对应的训练图像子集，确定用于当前轮训练的待训练去摩尔纹子模型的损失函数；根据所述损失函数调整用于当前轮训练的待训练去摩尔纹子模型的模型参数，获得所述预设去摩尔纹模型；其中，所述当前轮训练的待训练去摩尔纹子模型的模型参数为所共享的所述待训练去摩尔纹模型的模型参数。7.一种图像处理装置，其特征在于，所述装置包括：第一处理模块，用于对第一图像进行分块处理，获得所述第一图像对应的n个第一图像块；获取模块，用于获取n个所述第一图像块分别对应的图像复杂度；第二处理模块，用于根据n个所述第一图像块分别对应的图像复杂度，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块；其中，不同所述预设去摩尔纹子模型用于处理不同所述图像复杂度的第一图像块；拼接模块，用于将n个所述第一图像块分别对应的第二图像块进行拼接，获得所述第一图像对应的第二图像，n为大于1的正整数。8.根据权利要求7所述的装置，其特征在于，所述获取模块，具体用于：根据所述第一图像块的rgb均值和rgb方差，获得所述第一图像块对应的颜色复杂度；根据所述第一图像块的图像边缘信息，获得所述第一图像块对应的纹理复杂度；根据所述第一图像块对应的颜色复杂度和纹理复杂度，获得所述第一图像块对应的图像复杂度。9.根据权利要求7所述的装置，其特征在于，所述第二处理模块，具体用于：根据n个所述第一图像块分别对应的图像复杂度，确定n个所述第一图像块与不同所述预设去摩尔纹子模型的匹配度；根据n个所述第一图像块与不同所述预设去摩尔纹子模型的匹配度，从不同所述预设去摩尔纹子模型中，确定出n个所述第一图像块分别对应的预设去摩尔纹子模型；以及，将n个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得n个所述第一图像块分别对应的第二图像块。10.根据权利要求7所述的装置，其特征在于，所述拼接模块，具体用于：根据n个所述第一图像块在所述第一图像中的位置信息，将n个所述第一图像块分别对应的第二图像块进行拼接，获得所述第一图像对应的第三图像；查找所述第三图像中不同所述第二图像块间的重叠区域；
获取所述重叠区域中各像素点的像素值均值，设置为所述重叠区域中各像素点的像素值，获得所述第一图像对应的第二图像。11.根据权利要求7至10中任一项所述的装置，其特征在于，所述装置还包括训练模块，用于：根据基础去摩尔纹模型和设定的不同宽度系数，获得待训练去摩尔纹模型；其中，所述待训练去摩尔纹模型包括不同所述宽度系数分别对应的待训练去摩尔纹子模型，且不同所述宽度系数分别对应的待训练去摩尔纹子模型共享所述待训练去摩尔纹模型的模型参数；获取所述待训练去摩尔纹子模型分别对应的训练图像子集；获取所述待训练去摩尔纹子模型分别对应的采样值；根据所述待训练去摩尔纹子模型分别对应的训练图像子集和采样值，对所述待训练去摩尔纹模型进行训练，获得预设去摩尔纹模型；其中，所述预设去摩尔纹模型包括与所述待训练去摩尔纹子模型分别对应的预设去摩尔纹子模型。12.根据权利要求11所述的装置，其特征在于，所述训练模块，具体用于：根据所述待训练去摩尔纹子模型分别对应的采样值，从所述待训练去摩尔纹子模型中，确定出用于当前轮训练的待训练去摩尔纹子模型；根据用于当前轮训练的待训练去摩尔纹子模型对应的训练图像子集，确定用于当前轮训练的待训练去摩尔纹子模型的损失函数；根据所述损失函数调整用于当前轮训练的待训练去摩尔纹子模型的模型参数，获得所述预设去摩尔纹模型；其中，所述当前轮训练的待训练去摩尔纹子模型的模型参数为所共享的所述待训练去摩尔纹模型的模型参数。13.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-6中任一项所述的图像处理方法的步骤。14.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-6中任一项所述的图像处理方法的步骤。

技术总结
本申请公开一种图像处理方法、装置及电子设备，该方法包括：对第一图像进行分块处理，获得所述第一图像对应的N个第一图像块；获取N个所述第一图像块分别对应的图像复杂度；根据N个所述第一图像块分别对应的图像复杂度，将N个所述第一图像块分别输入至对应的预设去摩尔纹子模型中，获得N个所述第一图像块分别对应的第二图像块；其中，不同所述预设去摩尔纹子模型用于处理不同所述图像复杂度的第一图像块；将N个所述第一图像块分别对应的第二图像块进行拼接，获得所述第一图像对应的第二图像，N为大于1的正整数。N为大于1的正整数。N为大于1的正整数。


技术研发人员：刘晗 李迅潮
受保护的技术使用者：维沃移动通信有限公司
技术研发日：2023.04.27
技术公布日：2023/8/1