CN109544503B - 图像处理方法、装置、电子设备及存储介质 - Google Patents
图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109544503B CN109544503B CN201811199241.8A CN201811199241A CN109544503B CN 109544503 B CN109544503 B CN 109544503B CN 201811199241 A CN201811199241 A CN 201811199241A CN 109544503 B CN109544503 B CN 109544503B
- Authority
- CN
- China
- Prior art keywords
- image
- attribute parameter
- source
- images
- adjusting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 title claims description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 42
- 238000013441 quality evaluation Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000003796 beauty Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003631 expected effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本公开是关于一种图像处理方法、装置、电子设备及存储介质,所述方法包括:获取源图像,所述源图像为电子设备采集到的图像;分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像;利用图像质量评价模型对每个第一图像进行打分,获得对每个第一图像的评价分值;将评价分值最高的第一图像作为目标图像进行展示。上述步骤既完成了源图像的图像属性参数调整,又因为使用了图像质量评价模型,能够快速选出在视觉整体上较为美观的第一图像进行展示,从而帮助用户把源图像输出为了较高美观度的图像,实现了对源图像的一键美化。
Description
技术领域
本公开涉及图像处理领域,尤其涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
相关图像处理技术中,主要是针对图像中存在的某些不美观现象进行检测,然后单独就检测出来的问题进行针对性的修复。例如:检测到图像中存在很多白雾,则采取图像去雾功能进行去雾处理;检测到图像的暗通道比较明显,则意味着图像过暗,则使用修复图像过暗的算法进行处理。
发明人在对相关技术的研究过程中发现,现有的图像处理技术都是通过检测各种不美观现象,针对检测出来的问题单独进行修复,很难在视觉整体上去美化图像。
发明内容
为克服相关技术中存在的问题,本公开提供一种图像处理方法和装置、电子设备及存储介质。
根据本公开实施例的第一方面,提供一种图像处理方法,包括:
获取源图像,所述源图像为电子设备采集到的图像;
分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像;
利用图像质量评价模型对每个第一图像进行打分,获得对每个第一图像的评价分值;
将评价分值最高的第一图像作为目标图像进行展示。
根据本公开实施例的第二方面,提供一种图像处理装置,包括:
源图像获取模块,被配置为获取源图像,所述源图像为电子设备采集到的图像;
图像属性参数调整模块,被配置为分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像;
评价打分模块,被配置为利用图像质量评价模型对每个第一图像进行打分,获得对每个第一图像的评价分值;
目标图像展示模块,被配置为将评价分值最高的第一图像作为目标图像进行展示。
根据本公开实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取源图像,所述源图像为电子设备采集到的图像;
分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像;
利用图像质量评价模型对每个第一图像进行打分,获得对每个第一图像的评价分值;
将评价分值最高的第一图像作为目标图像进行展示。
根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行一种图像处理方法,所述方法包括:
获取源图像,所述源图像为电子设备采集到的图像;
分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像;
利用图像质量评价模型对每个第一图像进行打分,获得对每个第一图像的评价分值;
将评价分值最高的第一图像作为目标图像进行展示。
根据本公开实施例的第五方面,提供一种应用程序,当所述应用程序中的指令由电子设备的处理器执行时,使得电子设备能够执行一种图像处理方法,所述方法包括:
获取源图像,所述源图像为电子设备采集到的图像;
分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像;
利用图像质量评价模型对每个第一图像进行打分,获得对每个第一图像的评价分值;
将评价分值最高的第一图像作为目标图像进行展示。
本公开的实施例提供的技术方案可以包括以下有益效果:
在本发明实施例中,通过获取源图像,所述源图像为电子设备采集到的图像;分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像;利用图像质量评价模型对每个第一图像进行打分,获得对每个第一图像的评价分值;将评价分值最高的第一图像作为目标图像进行展示。上述步骤既完成了源图像的图像属性参数调整,又因为使用了图像质量评价模型,能够快速选出在视觉整体上较为美观的第一图像进行展示,从而帮助用户把源图像输出为了较高美观度的图像,实现了对源图像的一键美化。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种图像处理方法的流程图;
图2是根据一示例性实施例示出的一种图像处理装置的框图;
图3是根据一示例性实施例示出的一种电子设备的框图(电子设备的一般结构);
图4是根据一示例性实施例示出的一种电子设备的框图(服务器的一般结构)。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种图像处理方法的流程图,如图1所示,该图像处理方法用于电子设备中,包括以下步骤:
在步骤101中,获取源图像,所述源图像为电子设备采集到的图像。
在本发明实施例中,涉及电子设备,所述电子设备可以是手机、电脑、配套穿戴设备等。在本发明实施例中,电子设备根据有关程序或有关用户操作,采集源图像。所述源图像可以是用户利用电子设备的摄像头拍摄的图像,也可以是来自本地的图像或者来自网络的图像,本发明实施例对此不做具体限制。
在步骤102中,分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像。
在本发明实施例中,所述图像属性参数是指图像自身具有的特征,如图像的分辨率、像素、分辨率、大小、颜色、位深、色调、饱和度、锐化程度、亮度、色彩通道、图像的层次组成等特征。可选地,所述图像属性参数包括以下至少一项:亮度、对比度、饱和度、锐化程度、色彩通道。上述图像属性参数为对图像美观度影响较大的参数,电子设备可以设置对以上五种参数中的至少一种进行属性参数调整。
在本发明实施例中,首先获取源图像的图像属性参数值,然后分别对至少一个属性参数值进行至少两次调整。例如:获取到的源图像的亮度为A,对比度为B,饱和度为C,将源图像的亮度值进行至少两次调整,分别调整至A1、A2、A3,再将源图像的对比度进行至少两次调整,分别调整至B1、B2、B3,再将源图像的饱和度进行至少两次调整,分别调整至C1、C2、C3,这样,就得到了九张调整后的图像。需要注意的是,在调整某个属性参数值时,可能会对其他属性参数值产生影响,例如,调整对比度,饱和度值随之也会发生变化,但调整锐化程度,一般不会影响饱和度值。在本发明实施例中,对某种单一属性参数值进行调整的时候,只关心该属性参数值的数值变化,不考虑其他属性参数值的连带变化。
经过上述对源图像的对比度、亮度、饱和度三者分别三次的调整,共产生了九张调整后的图像,将调整后的图像记为第一图像。
在本发明实施例中,如何高效地调整图像属性参数,具体将图像属性参数调整至什么数值,可以使用现有的图像处理算法工具进行处理。
可选地,所述分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像的步骤包括:调用预设的图像处理库,分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像。
预设的图像处理库,例如opencv(Open Source Computer Vision Library,开源计算机视觉库)、skimage(scikit-image SciKit,图像处理包,)、pillow(Python ImagingLibrary low,低版Python图片库)等图像处理库,可以调用相应的图像处理库接口,以调整图像属性参数。
比如在调整图像亮度时,我们可以借助skimage包的exposure模块。对于亮度的调整,有个gamma参数。当gamma>1时,新图像比原图像暗;当gamma<1时,新图像比原图像亮。可以通过设定不同的gamma值使得图像变得更暗或者更亮。
可选地,所述分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像的步骤,包括:针对所述源图像的每个图像属性参数,按照每个图像属性参数对应的数值变化范围,对所述每个图像属性参数进行至少两次调整,获得多张调整后的第一图像。
在本发明实施例中,每个图像属性参数对应有一个数值变化范围,可以将源图像的属性参数调整至该数值变化范围内的任意N个值(N≥2),因为对至少一个图像属性参数进行了调整,例如对M(M≥1)个属性参数进行了调整,所以最终获得了N*M张第一图像。
可选地,所述每个图像属性参数对应的数值变化范围为:与所述图像属性参数对应的阈值组合,所述阈值组合包括至少两个设定阈值;
所述针对所述源图像的每个图像属性参数,按照每个图像属性参数对应的数值变化范围,对所述每个图像属性参数进行至少两次调整,获得多张调整后的第一图像,包括:
针对所述源图像的每个图像属性参数,按照每个图像属性参数对应的阈值组合,将所述每个图像属性参数调整至所述至少两个设定阈值,获得多张调整后的第一图像。
在本发明实施例中,所述数值变化范围为阈值组合,所述阈值组合包括至少两个设定阈值。例如,亮度值的阈值组合为S1、S2、S3,其中,S1、S2、S3均为设定阈值,饱和度值的阈值组合为T1、T2、T3,其中,T1、T2、T3均为设定阈值。至于阈值组合中设定阈值的具体取值,本发明实施例对此不做具体限定。
每次可以针对所述源图像的一个图像属性参数进行调整,将其调整为该参数对应的阈值组合中的一个设定阈值,获得一张第一图像;进行至少两次这样的调整后,可以获得多张第一图像。例如,对源图像的亮度值进行三次调整,分别调整至阈值组合中的S1、S2、S3,就可以得到三张第一图像。
可选地,在获取源图像之前,还包括:为每个图像属性参数设置设定阈值,其中,每个图像属性参数包括至少两个设定阈值。
在本发明实施例中,在步骤101之前,还包括为每个图像属性参数设置设定阈值。阈值的设定可以由本领域技术人员自己设定;若使用图像处理库调整图像属性参数,则使用图像处理库自带的设定阈值。所述设定阈值可以是使一张图像比较美观的数个参数取值,该参数取值可以由本领域技术人员的经验得来,也可以是机器学习模型通过对大量的图像样本进行学习训练获得。
在步骤103中,利用图像质量评价模型对每个第一图像进行打分,获得对每个第一图像的评价分值。
在本发明实施例中,所述图像质量评价模型可分为全参考(Full-Reference,FR),部分参考(Reduced-Reference,RR)和无参考(No-Reference,NR)三种类型。
全参考图像质量评价是指在选择理想图像作为参考图像的情况下,比较待评图像与参考图像之间的差异,分析待评图像的失真程度,从而得到待评图像的质量评估。常用的全参考图像质量客观评价主要以像素统计、信息论、结构信息三方面为基础。
部分参考也称为半参考,它是以理想图像的部分特征信息作为参考,对待评图像进行比较分析,从而得到图像质量评价结果。由于所参考的信息是从图像中提取出来的特征,所以它必须要先提取待评图像和理想图像的部分特征信息,通过比较提取出的部分信息对待评图像进行质量评估。
无参考方法也称为首评价方法,无参考方法一般都是基于图像统计特性。无参考图像质量评价方法首先对理想图像的特征作出某种假设,再为该假设建立相应的数学分析模型,最后通过计算待评图像在该模型下的表现特征,从而得到图像的质量评价结果。
在本发明实施例中,对于利用哪种图像质量评价模型对所述第一图像进行打分,不做具体限定。
具体地,我们可以利用已经训练好的深度CNN(卷积神经网络)模型——NIMA这个图像质量评价模型对所述第一图像进行打分。NIMA已经在AVA图像数据集上进行了训练。因此在本技术方案中,我们只需要加载预训练的参数即可。NIMA采用的是诸如VGG16以及Inception-v3等经典深度神经网络进行的训练,最后使用的损失函数是分类损失。NIMA将标注的数值范围在[0,10]的图像打分值取整得到0到10这11个数,然后进行11分类训练即可得到模型。
NIMA通过在目标分类相关数据集(如ImageNet)上的训练,对图像属性参数初始化权重,之后对带有注释的数据进行微调,完成感知质量评价任务。NIMA为任何给定的图像产生一个分布等级,在1到10的范围内,NIMA给每一个可能的分数赋值,根据该分数赋值可以对图像进行美学排序。
在本发明实施例中,由于第一图像是多张,所以在对每个第一图像进行评价打分后,可以得到多个评价分值。
可选地,在获取源图像的步骤之前,还包括:
利用预设的图像样本及所述图像样本的评价分值对预设机器学习模型进行训练,获得所述图像质量评价模型。
在本发明实施例中,可以选择全参考图像质量评价模型,即利用预设的图像样本及所述图像样本的评价分值对预设机器学习模型进行训练,获得所述图像质量评价模型。
具体步骤可以为:(1)利用图像数据库中的图像和其主观分数值进行卷积神经网络训练,得到图像质量评价模型;(2)运用该模型对图像数据库中的图像进行质量分数测试;(3)将测试分数与主观分数值进行线性回归分析,将异常图像样本从图像数据库中剔除,得到更新的数据库;(4)将更新数据库中的图像样本进行步骤(1)操作后进行测试,达到预期效果的即为最终的质量评价模型;若没有达到预期效果,那么重复步骤(2)和(3),直至达到预期效果。
在步骤104中,将评价分值最高的第一图像作为目标图像进行展示。
在本发明实施例中,根据图像质量评价模型的打分,对打分进行排序,最后选出评价分值最高的第一图像作为目标图像进行展示。因为图像质量评价模型的主要功能是预测与人类感知相关的质量分数,能很好的预测人类偏好,所以,一般被图像质量评价模型打分最高的图像,也代表着人类的审美偏好。这样,展示的目标图像就是视觉整体上美观度较高的图像,而不是只进行针对性美化过的图像。进而,输入(电子设备采集)的是源图像,输出(电子设备展示)的是目标图像,实现了对源图像的一键美化。
在本发明实施例中,通过获取源图像,分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像,然后利用图像质量评价模型对每个第一图像进行打分,获得对每个第一图像的评价分值,最后将评价分值最高的第一图像作为目标图像进行展示。上述步骤中对源图像的各个属性参数调整,使图像进行了整体美化,又因为使用了图像质量评价模型,能够快速选出在视觉整体上较为美观的第一图像进行展示,从而帮助用户把源图像输出为了较高美观度的图像,实现了对源图像的整体美化和一键美化。
图2是根据一示例性实施例示出的一种图像处理装置的框图。参照图2,该图像处理装置200包括源图像获取模块201,图像属性参数调整模块202,评价打分模块203和目标图像展示模块204。
该源图像获取模块201被配置为获取源图像,所述源图像为电子设备采集到的图像;
该图像属性参数调整模块202被配置为分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像;
该评价打分模块203被配置为利用图像质量评价模型对每个第一图像进行打分,获得对每个第一图像的评价分值;
该目标图像展示模块204被配置为将评价分值最高的第一图像作为目标图像进行展示。
可选地,所述图像属性参数调整模块202包括:
图像属性参数调整子模块,被配置为针对所述源图像的每个图像属性参数,按照每个图像属性参数对应的数值变化范围,对所述每个图像属性参数进行至少两次调整,获得多张调整后的第一图像。
可选地,所述图像属性参数调整子模块包括:
设定阈值调整单元,被配置为针对所述源图像的每个图像属性参数,按照每个图像属性参数对应的阈值组合,将所述每个图像属性参数调整至所述至少两个设定阈值,获得多张调整后的第一图像。
可选地,所述图像属性参数调整模块202包括:
图像库调用子模块,被配置为调用预设的图像处理库,分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像。
可选地,所述图像处理装置200还包括:
模型训练模块,被配置为利用预设的图像样本及所述图像样本的评价分值对预设机器学习模型进行训练,获得所述图像质量评价模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图3是根据一示例性实施例示出的一种用于图像处理的电子设备300的框图。例如,电子设备300可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等移动终端。
参照图3,电子设备300可以包括以下一个或多个组件:处理组件302,存储器304,电力组件306,多媒体组件308,音频组件310,输入/输出(I/O)的接口312,传感器组件314,以及通信组件316。
处理组件302通常控制电子设备300的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件302可以包括一个或多个处理器320来执行指令,以完成上述图像处理方法的全部或部分步骤。此外,处理组件302可以包括一个或多个模块,便于处理组件302和其他组件之间的交互。例如,处理组件302可以包括多媒体模块,以方便多媒体组件308和处理组件302之间的交互。
存储器304被配置为存储各种类型的数据以支持在设备300的操作。这些数据的示例包括用于在设备300上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件306为设备300的各种组件提供电力。电源组件306可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件308包括在所述设备300和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件308包括一个前置摄像头和/或后置摄像头。当设备300处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件310被配置为输出和/或输入音频信号。例如,音频组件310包括一个麦克风(MIC),当设备300处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器304或经由通信组件316发送。在一些实施例中,音频组件310还包括一个扬声器,用于输出音频信号。
I/O接口312为处理组件302和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件314包括一个或多个传感器,用于为设备300提供各个方面的状态评估。例如,传感器组件314可以检测到设备300的打开/关闭状态,组件的相对定位,例如所述组件为设备300的显示器和小键盘,传感器组件314还可以检测设备300或设备300一个组件的位置改变,用户与设备300接触的存在或不存在,设备300方位或加速/减速和设备300的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件314还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件314还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件316被配置为便于设备300和其他设备之间有线或无线方式的通信。设备300可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件316还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,设备300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器304,上述指令可由设备300的处理器320执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图4是根据一示例性实施例示出的一种用于图像处理的电子设备400的框图。例如,设备400可以被提供为一服务器。参照图4,设备400包括处理组件422,其进一步包括一个或多个处理器,以及由存储器432所代表的存储器资源,用于存储可由处理组件422的执行的指令,例如应用程序。存储器432中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件422被配置为执行指令,以执行下述方法:
获取源图像,所述源图像为电子设备采集到的图像;
分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像;
利用图像质量评价模型对每个第一图像进行打分,获得对每个第一图像的评价分值;
将评价分值最高的第一图像作为目标图像进行展示。
设备400还可以包括一个电源组件426被配置为执行设备400的电源管理,一个有线或无线网络接口450被配置为将设备400连接到网络,和一个输入输出(I/O)接口458。设备400可以操作基于存储在存储器432的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本发明实施例还提供一种应用程序,当所述应用程序中的指令由电子设备的处理器执行时,使得电子设备能够执行一种图像处理方法,所述方法包括:
获取源图像,所述源图像为电子设备采集到的图像;
分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像;
利用图像质量评价模型对每个第一图像进行打分,获得对每个第一图像的评价分值;
将评价分值最高的第一图像作为目标图像进行展示。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (9)
1.一种图像处理方法,其特征在于,所述方法包括:
获取源图像,所述源图像为电子设备采集到的图像;
分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像;
利用图像质量评价模型对每个第一图像进行打分,获得对每个第一图像的评价分值;
将评价分值最高的第一图像作为目标图像进行展示;
其中,所述分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像,包括:
针对所述源图像的每个图像属性参数,按照每个图像属性参数对应的数值变化范围,对所述每个图像属性参数进行至少两次调整,获得多张调整后的第一图像;
其中,所述每个图像属性参数对应的数值变化范围为:与所述图像属性参数对应的阈值组合,所述阈值组合包括至少两个设定阈值;
所述针对所述源图像的每个图像属性参数,按照每个图像属性参数对应的数值变化范围,对所述每个图像属性参数进行至少两次调整,获得多张调整后的第一图像,包括:
针对所述源图像的每个图像属性参数,按照每个图像属性参数对应的阈值组合,将所述每个图像属性参数调整至所述至少两个设定阈值,获得多张调整后的第一图像。
2.根据权利要求1所述的方法,其特征在于,所述分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像,包括:
调用预设的图像处理库,分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像。
3.根据权利要求1所述的方法,其特征在于,在所述获取源图像之前,还包括:
利用预设的图像样本及所述图像样本的评价分值对预设机器学习模型进行训练,获得所述图像质量评价模型。
4.根据权利要求1所述的方法,其特征在于,所述图像属性参数包括以下至少一项:亮度、对比度、饱和度、锐化程度、色彩通道。
5.一种图像处理装置,其特征在于,所述装置包括:
源图像获取模块,被配置为获取源图像,所述源图像为电子设备采集到的图像;
图像属性参数调整模块,被配置为分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像;
评价打分模块,被配置为利用图像质量评价模型对每个第一图像进行打分,获得对每个第一图像的评价分值;
目标图像展示模块,被配置为将评价分值最高的第一图像作为目标图像进行展示;
其中,所述图像属性参数调整模块包括:
图像属性参数调整子模块,被配置为针对所述源图像的每个图像属性参数,按照每个图像属性参数对应的数值变化范围,对所述每个图像属性参数进行至少两次调整,获得多张调整后的第一图像;
其中,所述图像属性参数调整子模块包括:
设定阈值调整单元,被配置为针对所述源图像的每个图像属性参数,按照每个图像属性参数对应的阈值组合,将所述每个图像属性参数调整至所述至少两个设定阈值,获得多张调整后的第一图像;
其中,所述每个图像属性参数对应的数值变化范围为:与所述图像属性参数对应的阈值组合,所述阈值组合包括至少两个设定阈值。
6.根据权利要求5所述的装置,其特征在于,所述图像属性参数调整模块包括:
图像库调用子模块,被配置为调用预设的图像处理库,分别将所述源图像的至少一个图像属性参数进行至少两次调整,获得多张第一图像。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:
模型训练模块,被配置为利用预设的图像样本及所述图像样本的评价分值对预设机器学习模型进行训练,获得所述图像质量评价模型。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1至4任一所述的图像处理方法。
9.一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行权利要求1至4任一所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811199241.8A CN109544503B (zh) | 2018-10-15 | 2018-10-15 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811199241.8A CN109544503B (zh) | 2018-10-15 | 2018-10-15 | 图像处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544503A CN109544503A (zh) | 2019-03-29 |
CN109544503B true CN109544503B (zh) | 2020-12-01 |
Family
ID=65844001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811199241.8A Active CN109544503B (zh) | 2018-10-15 | 2018-10-15 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544503B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428475B (zh) | 2019-06-21 | 2021-02-05 | 腾讯科技(深圳)有限公司 | 一种医学图像的分类方法、模型训练方法和服务器 |
CN110996169B (zh) * | 2019-07-12 | 2022-03-01 | 北京达佳互联信息技术有限公司 | 剪辑视频的方法、装置、电子设备及计算机可读存储介质 |
CN112258450B (zh) * | 2019-07-31 | 2022-02-25 | 华为技术有限公司 | 一种对象评分方法及装置 |
CN113065571A (zh) * | 2019-12-16 | 2021-07-02 | 北京沃东天骏信息技术有限公司 | 一种构造训练数据集的方法和装置 |
CN112132766A (zh) * | 2020-09-28 | 2020-12-25 | 北京金山云网络技术有限公司 | 图像的修复方法和装置、存储介质、电子装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296669A (zh) * | 2016-08-01 | 2017-01-04 | 微梦创科网络科技(中国)有限公司 | 一种图像质量评价方法和装置 |
CN107481218A (zh) * | 2017-07-12 | 2017-12-15 | 中国科学院自动化研究所 | 图像美感评估方法及装置 |
CN107492067A (zh) * | 2017-09-07 | 2017-12-19 | 维沃移动通信有限公司 | 一种图像美化方法及移动终端 |
CN108010060A (zh) * | 2017-12-06 | 2018-05-08 | 北京小米移动软件有限公司 | 目标检测方法及装置 |
CN108198130A (zh) * | 2017-12-28 | 2018-06-22 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN108234889A (zh) * | 2018-03-19 | 2018-06-29 | 浙江国自机器人技术有限公司 | 一种调整图像采集亮度的方法、装置和存储介质 |
CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
CN108364267A (zh) * | 2018-02-13 | 2018-08-03 | 北京旷视科技有限公司 | 图像处理方法、装置及设备 |
CN108629814A (zh) * | 2018-05-14 | 2018-10-09 | 北京小米移动软件有限公司 | 相机调整方法及装置 |
-
2018
- 2018-10-15 CN CN201811199241.8A patent/CN109544503B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296669A (zh) * | 2016-08-01 | 2017-01-04 | 微梦创科网络科技(中国)有限公司 | 一种图像质量评价方法和装置 |
CN107481218A (zh) * | 2017-07-12 | 2017-12-15 | 中国科学院自动化研究所 | 图像美感评估方法及装置 |
CN107492067A (zh) * | 2017-09-07 | 2017-12-19 | 维沃移动通信有限公司 | 一种图像美化方法及移动终端 |
CN108010060A (zh) * | 2017-12-06 | 2018-05-08 | 北京小米移动软件有限公司 | 目标检测方法及装置 |
CN108198130A (zh) * | 2017-12-28 | 2018-06-22 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
CN108364267A (zh) * | 2018-02-13 | 2018-08-03 | 北京旷视科技有限公司 | 图像处理方法、装置及设备 |
CN108234889A (zh) * | 2018-03-19 | 2018-06-29 | 浙江国自机器人技术有限公司 | 一种调整图像采集亮度的方法、装置和存储介质 |
CN108629814A (zh) * | 2018-05-14 | 2018-10-09 | 北京小米移动软件有限公司 | 相机调整方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109544503A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544503B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
WO2021017561A1 (zh) | 人脸识别方法及装置、电子设备和存储介质 | |
US10565763B2 (en) | Method and camera device for processing image | |
CN108986199B (zh) | 虚拟模型处理方法、装置、电子设备及存储介质 | |
EP2977956B1 (en) | Method, apparatus and device for segmenting an image | |
EP3125158B1 (en) | Method and device for displaying images | |
CN109360261B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN106408603B (zh) | 拍摄方法及装置 | |
CN111553864B (zh) | 图像修复方法及装置、电子设备和存储介质 | |
CN104156915A (zh) | 肤色调整方法和装置 | |
CN105898364A (zh) | 一种视频播放处理方法、装置、终端及系统 | |
CN114641982B (zh) | 用于执行环境光图像校正的系统 | |
CN110677734B (zh) | 视频合成方法、装置、电子设备及存储介质 | |
CN112614064B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN107424130B (zh) | 图片美颜方法和装置 | |
CN113676671B (zh) | 视频剪辑方法、装置、电子设备及存储介质 | |
CN112927122A (zh) | 水印去除方法、装置及存储介质 | |
CN112866801A (zh) | 视频封面的确定方法、装置、电子设备及存储介质 | |
CN104992416B (zh) | 图像增强方法和装置、智能设备 | |
CN106469446B (zh) | 深度图像的分割方法和分割装置 | |
CN107609513B (zh) | 视频类型确定方法及装置 | |
CN111373409B (zh) | 获取颜值变化的方法及终端 | |
CN111340690B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112188091A (zh) | 人脸信息识别方法、装置、电子设备及存储介质 | |
CN115641269A (zh) | 一种图像修补方法、装置及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |