压缩图像数据增强方法、装置、设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及压缩图像数据增强方法、装置、设备和计算机可读介质。

背景技术

压缩图像数据增强，是对压缩图像的图像数据进行增强的一项技术。目前，在对压缩图像数据增强时，通常采用的方式为：直接通过滤波器减少压缩图像中的噪声以达到图像数据增强的效果。

然而，当采用上述方式对压缩图像进行数据增强时，经常会存在如下技术问题：

第一，通过滤波器对压缩图像进行数据增强时，会使压缩图像的高频细节信息丢失较多，引入较多新的失真。压缩导致图像信息缺失，滤波器对于丢失的图像信息不能进行修复和增强，使得增强后的压缩图像与原图的差距仍然比较大，压缩图像失真修复程度较低。

第二，通过滤波器对压缩图像进行数据增强时，滤波器只能通过模糊或平滑的方式来减少噪声，减少噪声的同时会造成压缩图像中较多的细小细节信息的丢失且无法对丢失的细节信息进行修复，使得增强后的压缩图像细节特征不够突出，压缩图像特征失真修复程度较低。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于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。本公开的内容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。

本公开的一些实施例提出了压缩图像数据增强方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种压缩图像数据增强方法，该方法包括：获取数据待增强压缩图像与对应上述数据待增强压缩图像的图像编码码流信息，其中，上述图像编码码流信息包括预设量化矩阵；基于数据待增强压缩图像的图像大小，对上述预设量化矩阵进行拼接，以生成对应上述数据待增强压缩图像的量化参数矩阵；获取压缩图像集、与上述压缩图像集对应的量化参数矩阵集以及压缩前的原图像集；基于上述压缩图像集、上述量化参数矩阵集与上述原图像集，对初始压缩图像数据增强模型进行训练，得到训练完成的压缩图像数据增强模型；将上述数据待增强压缩图像与所生成的量化参数矩阵输入至上述训练完成的压缩图像数据增强模型，得到数据增强后的数据增强压缩图像。

第二方面，本公开的一些实施例提供了一种压缩图像数据增强装置，装置包括：第一获取单元，被配置成获取数据待增强压缩图像与对应上述数据待增强压缩图像的图像编码码流信息，其中，上述图像编码码流信息包括预设量化矩阵；生成单元，被配置成基于数据待增强压缩图像的图像大小，对上述预设量化矩阵进行拼接，以生成对应上述数据待增强压缩图像的量化参数矩阵；第二获取单元，被配置成获取压缩图像集、与上述压缩图像集对应的量化参数矩阵集以及压缩前的原图像集；训练单元，被配置成基于上述压缩图像集、上述量化参数矩阵集与上述原图像集，对初始压缩图像数据增强模型进行训练，得到训练完成的压缩图像数据增强模型；数据增强单元，被配置成将上述数据待增强压缩图像与所生成的量化参数矩阵输入至上述训练完成的压缩图像数据增强模型，得到数据增强后的数据增强压缩图像。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的压缩图像数据增强方法，提高了压缩图像失真修复程度。具体来说，造成压缩图像失真修复程度较低的原因在于：通过滤波器对压缩图像进行数据增强时，会使压缩图像的高频细节信息丢失较多，引入较多新的失真。压缩导致图像信息缺失，滤波器对于丢失的图像信息不能进行修复和增强，使得增强后的压缩图像与原图的差距仍然比较大，压缩图像失真修复程度较低。基于此，本公开的一些实施例的压缩图像数据增强方法，首先，获取数据待增强压缩图像与对应上述数据待增强压缩图像的图像编码码流信息，其中，上述图像编码码流信息包括预设量化矩阵。由此，可以得到包括预设量化矩阵的图像编码码流信息。上述预设量化矩阵可以表示局部图像的压缩程度和保留程度信息。然后，基于数据待增强压缩图像的图像大小，对上述预设量化矩阵进行拼接，以生成对应上述数据待增强压缩图像的量化参数矩阵。由此，可以得到用于对上述数据待增强压缩图像进行数据增强的量化参数矩阵。上述量化参数矩阵可以表示上述数据待增强压缩图像的整体压缩程度和保留程度信息。接着，获取压缩图像集、与上述压缩图像集对应的量化参数矩阵集以及压缩前的原图像集。由此，可以得到用于对初始压缩图像数据增强模型进行训练的压缩图像集、与上述压缩图像集对应的量化参数矩阵集、压缩前的原图像集。然后，基于上述压缩图像集、上述量化参数矩阵集与上述原图像集，对初始压缩图像数据增强模型进行训练，得到训练完成的压缩图像数据增强模型。由此，可以对初始压缩图像数据增强模型进行训练，得到训练完成的压缩图像数据增强模型。通过对初始压缩图像数据增强模型进行训练，模型可以学习到量化参数矩阵对压缩图像修复的影响，以及最大限度地利用量化参数矩阵对压缩图像进行数据增强，对丢失的图像信息进行修复，使得数据增强后的压缩图像与原图像差距较小。最后，将上述数据待增强压缩图像与所生成的量化参数矩阵输入至上述训练完成的压缩图像数据增强模型，得到数据增强后的数据增强压缩图像。由此，可以通过压缩图像数据增强模型根据量化参数矩阵对数据待增强压缩图像进行数据增强，得到数据增强后的数据增强压缩图像。也因为采用了利用先验信息即压缩图像集、量化参数矩阵集与原图像集对初始压缩图像数据增强模型进行训练，使得训练后的压缩图像数据增强模型能够最大限度地利用量化参数矩阵对待压缩图像进行数据增强，对丢失的图像信息进行修复，减少了数据增强后的压缩图像与原图像差距。进而提高了压缩图像失真修复程度。

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，元件和元素不一定按照比例绘制。

图1是根据本公开的压缩图像数据增强方法的一些实施例的流程图；

图2是根据本公开的压缩图像数据增强装置的一些实施例的结构示意图；

图3是适于用来实现本公开的一些实施例的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。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

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。

下面将参考附图并结合实施例来详细说明本公开。

图1示出了根据本公开的压缩图像数据增强方法的一些实施例的流程100。该压缩图像数据增强方法，包括以下步骤：

步骤101，获取数据待增强压缩图像与对应数据待增强压缩图像的图像编码码流信息。

在一些实施例中，压缩图像数据增强方法的执行主体(例如计算设备)可以通过有线连接方式或者无线连接方式获取数据待增强压缩图像与对应上述数据待增强压缩图像的图像编码码流信息。其中，上述图像编码码流信息包括预设量化矩阵。实践中，上述执行主体可以从图像压缩工具中获取数据待增强压缩图像与对应上述数据待增强压缩图像的图像编码码流信息。其中，上述图像压缩工具可以为libjpeg图像库工具。上述图像编码码流信息可以表示待增强压缩图像的图像编码码流。上述图像编码码流是由压缩算法生成的一系列二进制数据。上述图像编码码流信息可以包括但不限于以下至少一项：DCT系数与霍夫曼编码。

需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤102，基于数据待增强压缩图像的图像大小，对预设量化矩阵进行拼接，以生成对应数据待增强压缩图像的量化参数矩阵。

在一些实施例中，上述执行主体可以基于数据待增强压缩图像的图像大小，对上述预设量化矩阵进行拼接，以生成对应上述数据待增强压缩图像的量化参数矩阵。其中，上述量化参数矩阵可以为与上述数据待增强压缩图像对应的矩阵。量化参数矩阵中每个量化参数矩阵元素表示待增强压缩图像中与量化参数矩阵元素对应位置的系数被量化的步长。

在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤基于数据待增强压缩图像的图像大小，对上述预设量化矩阵进行拼接，以生成对应上述数据待增强压缩图像的量化参数矩阵：

第一步，确定对应上述图像大小的像素尺寸与对应上述预设量化矩阵的行列信息。其中，上述像素尺寸可以表示数据待增强压缩图像的图像大小。上述行列信息可以包括：预设量化矩阵的行数与预设量化矩阵的列数。例如，上述像素尺寸可以为长度*宽度＝16*16px。上述行列信息可以为(4，4)即预设量化矩阵的行数为4，预设量化矩阵的列数为4。

第二步，基于上述像素尺寸与上述行列信息，确定与上述数据待增强压缩图像对应的预设量化矩阵的拼接行数与行拼接数量。实践中，首先，上述执行主体可以将像素尺寸对应的宽度与预设量化矩阵的行数的比值确定为拼接行数。然后，上述执行主体可以将像素尺寸对应的长度与预设量化矩阵的列数的比值确定为行拼接数量。需要说明的是上述宽度与预设量化矩阵的行数的比值为整数。上述长度与预设量化矩阵的列数的比值为整数。作为示例，上述拼接行数可以为宽度/预设量化矩阵的行数＝16/4＝4。上述行拼接数量可以为长度/预设量化矩阵的列数＝16/4＝4。

第三步，基于上述拼接行数与上述行拼接数量，对上述预设量化矩阵进行拼接，得到拼接后的矩阵。实践中，首先，上述执行主体可以将上述预设量化矩阵按照由左到右一行拼接行拼接数量个预设量化矩阵的拼接方式拼接预设量化矩阵，然后上述执行主体可以按照上述拼接方式从上到下拼接上述拼接行数。最后，上述执行主体可以将拼接的各个预设量化矩阵所形成的矩阵确定为拼接后的矩阵。作为示例，首先，上述执行主体可以将上述预设量化矩阵按照由左到右一行拼接4个预设量化矩阵的拼接方式拼接预设量化矩阵，然后上述执行主体可以按照上述拼接方式从上到下拼接4行。最后，上述执行主体可以将拼接的各个预设量化矩阵所形成的行列信息为16行16列的矩阵确定为拼接后的矩阵。

第四步，将上述拼接后的矩阵确定为量化参数矩阵。

步骤103，获取压缩图像集、与压缩图像集对应的量化参数矩阵集以及压缩前的原图像集。

在一些实施例中，上述执行主体可以获取压缩图像集、与上述压缩图像集对应的量化参数矩阵集以及压缩前的原图像集。其中，上述压缩图像集中的压缩图像可以是对图像进行压缩后的图像。上述量化参数矩阵集中的量化参数矩阵可以为与上述压缩后的图像对应的矩阵。上述原图像集中的原图像可以为压缩之前的图像。实践中，上述执行主体可以从预设数据库中获取压缩图像集、与上述压缩图像集对应的量化参数矩阵集以及压缩前的原图像集。

步骤104，基于压缩图像集、量化参数矩阵集与原图像集，对初始压缩图像数据增强模型进行训练，得到训练完成的压缩图像数据增强模型。

在一些实施例中，上述执行主体可以基于上述压缩图像集、上述量化参数矩阵集与上述原图像集，对初始压缩图像数据增强模型进行训练，得到训练完成的压缩图像数据增强模型。其中，上述初始压缩图像数据增强模型可以为卷积神经网络(ConvolutionalNeural Networks，CNN)模型。

在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤基于上述压缩图像集、上述量化参数矩阵集与上述原图像集，对初始压缩图像数据增强模型进行训练，得到训练完成的压缩图像数据增强模型：

第一步，选择上述压缩图像集中的压缩图像。实践中，上述执行主体可以随机地在压缩图像集中选择一张压缩图像。

第二步，确定量化参数矩阵集中与所选择的压缩图像对应的量化参数矩阵。

第三步，将所选择的压缩图像与所确定的量化参数矩阵确定为样本输入数据。

第四步，基于样本输入数据，执行以下训练步骤：

子步骤一，将原图像集中与样本输入数据对应的原图像确定为样本目标数据。

子步骤二，将样本输入数据中的压缩图像输入至初始压缩图像数据增强模型的输入层，得到初始特征数据。其中，上述初始压缩图像数据增强模型包括上述输入层、第一卷积模块、第二卷积模块、融合层、第三卷积模块、全局先验注意力层、激活函数层与输出层。其中，上述第一卷积模块可以为包含第一预定数量个卷积层的神经网络层。上述第二卷积模块可以为包含第二预设数量个卷积层的神经网络层。上述第三卷积模块可以为包含第三预设数量个卷积层的神经网络层。上述初始特征数据可以为经过输入层处理后的图像数据。例如，上述第一预设数量可以为5。上述第二预设数量可以为8。上述第二预设数量可以为10。

子步骤三，将样本输入数据中的量化参数矩阵输入至上述第一卷积模块，得到第一卷积处理后的第一特征数据。其中，上述第一特征数据可以为量化参数矩阵对应的特征图。

子步骤四，将初始特征数据输入至上述第二卷积模块，得到第二卷积处理后的第二特征数据。其中，上述第二特征数据可以为初始特征数据经过第二卷积处理后所捕获的对应压缩图像的特征图。

子步骤五，将第一特征数据与第二特征数据输入至上述融合层，得到初始融合特征数据。其中，上述初始融合特征数据可以为将上述量化参数矩阵对应的特征图与上述对应压缩图像的特征图按各个通道维度进行整合，得到整合后的特征图。上述融合层可以为用于将各个特征图按照各个通道维度进行拼接，得到一个数据量大于第二特征数据的特征图的神经网络层。上述特征图在深度学习中可以是一个多维张量。上述通道维度可以是多维张量中的一个张量对应的维度。

子步骤六，将初始融合特征数据输入至上述第三卷积模块，得到第三卷积处理后的目标初始融合特征数据。其中，上述目标初始融合特征数据可以为将上述初始融合特征数据经过卷积处理，去除冗余信息和噪声后的初始融合特征数据。

子步骤七，将第一特征数据输入至上述激活函数层，得到激活特征数据。上述激活特征数据可以为第一特征数据经过激活函数处理后的特征图。

子步骤八，将目标初始融合特征数据与激活特征数据输入至上述全局先验注意力层，得到融合特征数据。其中，上述全局先验注意力层可以为自注意力层。上述融合特征数据可以为经过全局先验注意力层对初始融合特征数据进行加权处理后得到特征更加突出的特征图。

子步骤九，将融合特征数据输入至上述输出层，得到增强后压缩图像作为增强数据。

子步骤十，基于增强数据与样本目标数据，确定损失函数值。

子步骤十一，响应于损失函数值小于预设阈值，将初始压缩图像数据增强模型确定为训练完成的压缩图像数据增强模型。

子步骤十二，响应于损失函数值大于等于预设阈值，调整初始压缩图像数据增强模型的网络参数，以及选择未使用过的压缩图像集中的压缩图像和与压缩图像对应的量化参数矩阵作为样本输入数据，使用调整后的初始压缩图像数据增强模型作为初始压缩图像数据增强模型，再次执行上述训练步骤。

在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤基于增强数据与样本目标数据，确定损失函数值：

第一步，确定增强数据与样本目标数据的峰值信噪比与均方差。实践中，上述执行主体可以确定增强数据对应的各第一个像素值与样本目标数据对应的各个第二像素值的之间的均方差。然后，上述执行主体可以根据均方差确定峰值信噪比。作为示例，上述各个第一个像素值可以为{10，20，30}，上述各个第二像素值可以为{16，23，33}，则上述均方差可以为MSE＝18。上述MSE可以表示均方差。上述18＝((10-16)^

第二步，基于上述峰值信噪比与上述均方差确定损失函数值。实践中，上述执行主体可以基于上述峰值信噪比与上述均方差确定损失函数值。作为示例，上述损失函数值Loss＝A*MSE+B*PSNR。其中，上述Loss可以表示损失函数值，上述A与上述B可以为预定义常数。

步骤105，将数据待增强压缩图像与所生成的量化参数矩阵输入至训练完成的压缩图像数据增强模型，得到数据增强后的数据增强压缩图像。

在一些实施例中，上述执行主体将上述数据待增强压缩图像与所生成的量化参数矩阵输入至上述训练完成的压缩图像数据增强模型，得到数据增强后的数据增强压缩图像。其中，上述数据增强压缩图像是将数据待增强压缩图像经过上述训练完成的压缩图像数据增强模型处理后得到的压缩图像。

可选地，在上述将上述数据待增强压缩图像与所生成的量化参数矩阵输入至上述训练完成的压缩图像数据增强模型，得到数据增强后的数据增强压缩图像之后，上述执行主体还可以执行以下步骤：

第一步，响应于确定上述数据增强压缩图像中各个像素点的颜色通道数均为预设数值，将上述数据增强压缩图像确定为预处理图像。其中，上述预设数值可以为1。

第二步，获取与上述数据待增强压缩图像对应的原图像。实践中，上述执行主体可以从预设文件夹中获取与上述数据待增强压缩图像对应的原图像。其中，上述原图像可以为与待增强压缩图像对应的压缩之前的图像。上述预设文件夹可以为用于存储特定类型的文件。例如，上述预设文件夹可以为图片文件夹。

第三步，对上述原图像进行噪声抑制处理，得到噪声抑制图像。实践中，上述执行主体可以通过高斯滤波器对上述原图像进行噪声抑制处理，得到噪声抑制图像。其中，上述噪声抑制图像可以为对原图像进行去噪后的图像。

第四步，对上述噪声抑制图像进行边缘检测，得到边缘细节像素点信息集合。其中，上述边缘细节像素点信息集合中的边缘像素点信息包括：像素值与像素点位置信息。上述像素点位置信息可以表示像素在图像中的位置。

第五步，对于上述边缘细节像素点信息集合中的每个边缘细节像素点信息，执行以下步骤：

子步骤一，将上述预处理图像中与上述边缘细节像素点信息所包括的位置信息对应的像素点确定为目标像素点。

子步骤二，将上述目标像素点的像素值替换为上述边缘细节像素点信息所包括的像素值，以对上述预处理图像进行更新。

第五步，将更新后的预处理图像确定为边缘修复压缩图像。

第六步，将上述边缘修复压缩图像保存至预设存储介质。其中，上述预设存储介质可以包括以下至少一项：便携式计算机磁盘、硬盘与随机访问存储器(RAM)。

可选地，上述方法还包括：

第一步，响应于确定上述数据待增强压缩图像为灰度图像，将上述数据待增强压缩图像转换成由像素组成的矩阵，以及将所组成的矩阵作为待分解矩阵。实践中，首先，上述执行主体可以确定上述数据待增强压缩图像对应的各个像素。接着，上述执行主体可以根据各个像素所在位置将数据待增强压缩图像转换成由像素组成的矩阵。作为示例，上述数据待增强压缩图像可以为3*4的灰度图像。上述3*4的灰度图像对应的各个像素可以为

第二步，对上述待分解矩阵进行低秩分解处理，得到低秩分解处理后的分解矩阵信息。实践中，上述执行主体可以通过奇异值分解法将上述待分解矩阵进行低秩分解处理，得到分解矩阵信息。其中，上述分解矩阵信息可以表示将待分解矩阵分解后的矩阵。上述待分解矩阵可以为A，对A进行低秩分解，得到的低秩分解信息可以为A＝U*Σ*V^

第三步，基于上述分解矩阵信息，生成对应数据待增强压缩图像的初始近似矩阵。实践中，上述执行主体可以根据上述分解矩阵信息，生成对应数据待增强压缩图像的初始近似矩阵。作为示例，A＝UΣV^

第四步，确定上述初始近似矩阵中的各个初始近似矩阵元素对应的最小值与最大值。其中，上述最小值可以为1.5866，上述最大值可以为9.51109。

第五步，基于上述最小值与上述最大值，确定缩放因子。实践中，首先，上述执行主体可以将最大值与最小值的差确定为第一数值。然后，上述执行主体可以将1与第一数值的比值确定为第二数值。接着，上述执行主体可以将255与第二数值的乘积确定为第三数值。最后，上述执行主体可以将第三数值四舍五入后对应的整数确定为缩放因子。例如上述缩放因子可以为32。上述32≈255*(1/(9.51109-1.55866))。

第六步，对于上述初始近似矩阵中的每个初始近似矩阵元素，执行以下缩放映射处理：

子步骤一，将上述初始近似矩阵元素对应的数值确定为原始数值。

子步骤二，基于上述原始数值、上述最小值与上述缩放因子，生成初始更新数值。实践中，上述执行主体可以将原始数值与最小值的差确定为第四数值。接着，上述执行主体可以将上述第四数值与缩放因子的乘积确定为初始更新数值。例如，上述原始数值可以为1.76378，上述第四数值可以为1.76378-1.55866＝0.20512，上述初始更新数值可以为0.20512*32＝6.56384。

子步骤三，基于上述初始更新数值，生成更新数值。实践中，上述执行主体可以将初始更新数值向下取整得到的数值确定为更新数值。例如，上述更新数值可以为6。

子步骤四，将上述初始近似矩阵中的初始近似矩阵元素替换为上述更新数值，以对上述初始近似矩阵进行更新。

第七步，将更新后的初始近似矩阵确定为近似矩阵。例如，上述近似矩阵可以为

第八步，将上述近似矩阵转换为与数据待增强压缩图像对应的像素点信息集合，以及将所转换的像素点信息集合作为待融合像素点信息集合。实践中，上述执行主体可以将上述近似矩阵中的每个近似矩阵元素对应的数值确定为上述近似矩阵元素所在位置的像素值，得到像素点信息集合。例如，像素点信息集合中像素点信息可以为{第一行第二列像素点对应的像素值可以为6}。

第九步，获取与上述数据待增强压缩图像对应的原图像。实践中，上述执行主体可以从预设文件夹中获取与上述数据待增强压缩图像对应的原图像。

第十步，对上述原图像进行噪声抑制处理，得到噪声抑制处理图像。实践中，上述执行主体可以通过高斯滤波器对上述原图像进行噪声抑制处理，得到噪声抑制处理图像。

第十一步，对上述噪声抑制处理图像进行边缘检测，得到边缘像素点信息集合。上述边缘像素点信息集合中的边缘像素点信息可以表示像素对应的像素值以及像素所在噪声抑制处理图像中的位置信息。上述边缘像素点信息包括：像素值与像素位置信息。

第十二步，对于上述边缘像素点信息集合中的每个边缘像素点信息，执行以下边缘细节修复步骤：

第一子步骤，将上述待融合像素点信息集合中与上述边缘像素点信息对应的待融合像素点信息确定为初始目标待融合像素点信息。

第二子步骤，基于上述边缘像素点信息与上述初始目标待融合像素点信息，生成目标待融合像素点信息。实践中，上述执行主体可以将上述边缘像素点信息所包括的像素值与初始目标待融合像素点信息对应的像素值的均值确定为目标待融合像素点信息中的像素值。将边缘像素点信息所包括的位置信息确定为目标待融合像素点信息中位置信息。

第三子步骤，将上述待融合像素点信息集合中的上述初始目标待融合像素点信息替换为上述目标待融合像素点信息，以对待融合像素点信息集合进行更新。

第十三步，将更新后的待融合像素点信息集合对应的图像确定为数据增强压缩图像。

上述技术方案及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“通过滤波器对压缩图像进行数据增强时，滤波器只能通过模糊或平滑的方式来减少噪声，减少噪声的同时会造成压缩图像中较多的细小细节信息的丢失且无法对丢失的细节信息进行修复，使得增强后的压缩图像细节特征不够突出，压缩图像特征失真修复程度较低”。导致压缩图像失真修复程度较低的因素往往如下：通过滤波器对压缩图像进行数据增强时，滤波器只能通过模糊或平滑的方式来减少噪声，减少噪声的同时会造成压缩图像中较多的细小细节信息的丢失且无法对丢失的细节信息进行修复，使得增强后的压缩图像细节特征不够突出，压缩图像特征失真修复程度较低。如果解决了上述因素，就能达到提高压缩图像失真修复程度。为了达到这一效果，本公开通过以下步骤第一步，响应于确定上述数据待增强压缩图像为灰度图像，将上述数据待增强压缩图像转换成由像素组成的矩阵，以及将所组成的矩阵作为待分解矩阵。由此，可以得到用于生成分解矩阵信息的待分解矩阵。第二步，对上述待分解矩阵进行低秩分解处理，得到低秩分解处理后的分解矩阵信息。由此，可以提取出表征矩阵主要特征的分解矩阵信息。通过低秩分解减少了数据待增强压缩图像中的噪声和失真。第三步，基于上述分解矩阵信息，生成对应数据待增强压缩图像的初始近似矩阵。由此，可以得到用于生成近似矩阵的初始近似矩阵。第四步，确定上述初始近似矩阵中的各个初始近似矩阵元素对应的最小值与最大值。由此，可以得到用于生成缩放因子的最小值与最大值。第五步，基于上述最小值与上述最大值，确定缩放因子。由此，可以得到用于将数据待增强压缩图像的图像特征变得更加突出的缩放因子。第六步，对于上述初始近似矩阵中的每个初始近似矩阵元素，执行以下缩放映射处理：子步骤一，将上述初始近似矩阵元素对应的数值确定为原始数值。子步骤二，基于上述原始数值、上述最小值与上述缩放因子，生成初始更新数值。子步骤三，基于上述初始更新数值，生成更新数值。子步骤四，将上述初始近似矩阵中的初始近似矩阵元素替换为上述更新数值，以对上述初始近似矩阵进行更新。第七步，将更新后的初始近似矩阵确定为近似矩阵。由此，可以得到表征图像的对比度更高，细节更加清晰的近似矩阵。第八步，将上述近似矩阵转换为与数据待增强压缩图像对应的像素点信息集合，以及将所转换的像素点信息集合作为待融合像素点信息集合。由此，可以得到表征对比度更高，细节更加清晰的待融合像素点信息集合。第九步，获取与上述数据待增强压缩图像对应的原图像。由此，可以得到用于获取边缘像素点信息集合的原图像。第十步，对上述原图像进行噪声抑制处理，得到噪声抑制处理图像。由此，可以减少原图像中的噪声，进而提高获取边缘像素点信息集合的准确性。第十一步，对上述噪声抑制处理图像进行边缘检测，得到边缘像素点信息集合。由此，可以得到用于修复数据待增强压缩图像细节的边缘像素点信息集合。第十二步，对于上述边缘像素点信息集合中的每个边缘像素点信息，执行以下边缘细节修复步骤：第一子步骤，将上述待融合像素点信息集合中与上述边缘像素点信息对应的待融合像素点信息确定为初始目标待融合像素点信息。第二子步骤，基于上述边缘像素点信息与上述初始目标待融合像素点信息，生成目标待融合像素点信息。第三子步骤，将上述待融合像素点信息集合中的上述初始目标待融合像素点信息替换为上述目标待融合像素点信息，以对待融合像素点信息集合进行更新。第十三步，将更新后的待融合像素点信息集合对应的图像确定为数据增强压缩图像。由此，可以得到边缘细节得到修复的数据增强压缩图像。也因为采用了低秩分解处理，通过低秩分解减少了数据待增强压缩图像中的噪声和失真，得到了表征矩阵主要特征的分解矩阵信息。根据分解矩阵信息生成了初始近似矩阵，对初始近似矩阵缩放映射处理，得到了得到表征图像的对比度更高，细节更加清晰的近似矩阵。在近似矩阵的基础上进行了边缘细节修复，得到了边缘细节信息修复后的数据增强压缩图像。提高了压缩图像特征失真修复程度。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的压缩图像数据增强方法，提高了压缩图像失真修复程度。具体来说，造成压缩图像失真修复程度较低的原因在于：通过滤波器对压缩图像进行数据增强时，会使压缩图像的高频细节信息丢失较多，引入较多新的失真。压缩导致图像信息缺失，滤波器对于丢失的图像信息不能进行修复和增强，使得增强后的压缩图像与原图的差距仍然比较大，压缩图像失真修复程度较低。基于此，本公开的一些实施例的压缩图像数据增强方法，首先，获取数据待增强压缩图像与对应上述数据待增强压缩图像的图像编码码流信息，其中，上述图像编码码流信息包括预设量化矩阵。由此，可以得到包括预设量化矩阵的图像编码码流信息。上述预设量化矩阵可以表示局部图像的压缩程度和保留程度信息。然后，基于数据待增强压缩图像的图像大小，对上述预设量化矩阵进行拼接，以生成对应上述数据待增强压缩图像的量化参数矩阵。由此，可以得到用于对上述数据待增强压缩图像进行数据增强的量化参数矩阵。上述量化参数矩阵可以表示上述数据待增强压缩图像的整体压缩程度和保留程度信息。接着，获取压缩图像集、与上述压缩图像集对应的量化参数矩阵集以及压缩前的原图像集。由此，可以得到用于对初始压缩图像数据增强模型进行训练的压缩图像集、与上述压缩图像集对应的量化参数矩阵集、压缩前的原图像集。然后，基于上述压缩图像集、上述量化参数矩阵集与上述原图像集，对初始压缩图像数据增强模型进行训练，得到训练完成的压缩图像数据增强模型。由此，可以对初始压缩图像数据增强模型进行训练，得到训练完成的压缩图像数据增强模型。通过对初始压缩图像数据增强模型进行训练，模型可以学习到量化参数矩阵对压缩图像修复的影响，以及最大限度地利用量化参数矩阵对压缩图像进行数据增强，对丢失的图像信息进行修复，使得数据增强后的压缩图像与原图像差距较小。最后，将上述数据待增强压缩图像与所生成的量化参数矩阵输入至上述训练完成的压缩图像数据增强模型，得到数据增强后的数据增强压缩图像。由此，可以通过压缩图像数据增强模型根据量化参数矩阵对数据待增强压缩图像进行数据增强，得到数据增强后的数据增强压缩图像。也因为采用了利用先验信息即压缩图像集、量化参数矩阵集与原图像集对初始压缩图像数据增强模型进行训练，使得训练后的压缩图像数据增强模型能够最大限度地利用量化参数矩阵对待压缩图像进行数据增强，对丢失的图像信息进行修复，减少了数据增强后的压缩图像与原图像差距。进而提高了压缩图像失真修复程度。

进一步参考图2，作为对各图所示方法的实现，本公开提供了一种压缩图像数据增强装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图2所示，一些实施例的压缩图像数据增强装置200包括：第一获取单元201、生成单元202、第二获取单元203、训练单元204和数据增强单元205。其中，第一获取单元201被配置成获取数据待增强压缩图像与对应上述数据待增强压缩图像的图像编码码流信息，其中，上述图像编码码流信息包括预设量化矩阵；生成单元202被配置成基于数据待增强压缩图像的图像大小，对上述预设量化矩阵进行拼接，以生成对应上述数据待增强压缩图像的量化参数矩阵；第二获取单元203被配置成获取压缩图像集、与上述压缩图像集对应的量化参数矩阵集以及压缩前的原图像集；训练单元204被配置成基于上述压缩图像集、上述量化参数矩阵集与上述原图像集，对初始压缩图像数据增强模型进行训练，得到训练完成的压缩图像数据增强模型；数据增强单元205被配置成将上述数据待增强压缩图像与所生成的量化参数矩阵输入至上述训练完成的压缩图像数据增强模型，得到数据增强后的数据增强压缩图像。

可以理解的是，该装置200中记载的诸单元与参考图1述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。

下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

计算机可读介质可以是电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。计算机可读介质承载有一个或者多个程序，当一个或者多个程序被该电子设备执行时，使得该电子设备：获取数据待增强压缩图像与对应上述数据待增强压缩图像的图像编码码流信息，其中，上述图像编码码流信息包括预设量化矩阵；基于数据待增强压缩图像的图像大小，对上述预设量化矩阵进行拼接，以生成对应上述数据待增强压缩图像的量化参数矩阵；获取压缩图像集、与上述压缩图像集对应的量化参数矩阵集以及压缩前的原图像集；基于上述压缩图像集、上述量化参数矩阵集与上述原图像集，对初始压缩图像数据增强模型进行训练，得到训练完成的压缩图像数据增强模型；将上述数据待增强压缩图像与所生成的量化参数矩阵输入至上述训练完成的压缩图像数据增强模型，得到数据增强后的数据增强压缩图像。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、生成单元、第二获取单元、训练单元和数据增强单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，生成单元还可以被描述为“基于数据待增强压缩图像的图像大小，对上述预设量化矩阵进行拼接，以生成对应上述数据待增强压缩图像的量化参数矩阵”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离发明构思的情况下，由技术特征或其等同特征进行任意组合而形成的其它技术方案。例如特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。