CN109785254A - 图片降噪方法、图片降噪模型生成方法、终端及存储介质 - Google Patents
图片降噪方法、图片降噪模型生成方法、终端及存储介质 Download PDFInfo
- Publication number
- CN109785254A CN109785254A CN201811647625.1A CN201811647625A CN109785254A CN 109785254 A CN109785254 A CN 109785254A CN 201811647625 A CN201811647625 A CN 201811647625A CN 109785254 A CN109785254 A CN 109785254A
- Authority
- CN
- China
- Prior art keywords
- picture
- noise reduction
- night scene
- reduction process
- samples pictures
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000011946 reduction process Methods 0.000 claims abstract description 165
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 36
- 230000006854 communication Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241001465382 Physalis alkekengi Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000009527 percussion Methods 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种图片降噪方法、图片降噪模型生成方法、终端及存储介质,该方法通过获取待降噪处理图片,通过图片降噪模型对待降噪处理图片进行降噪处理,其中,图片降噪模型通过样本图片数据对卷积神经网络进行训练得到,样本图片数据包括原始图片和对原始图片进行降噪处理后的图片,解决了现有降噪处理方式中,耗时较长,用户体验满意度低的问题,本发明还公开了一种终端及存储介质,通过实施上述方案,节约了降噪处理时间,从而,提升了用户体验满意度。
Description
技术领域
本发明涉及通信技术领域,更具体地说,涉及一种图片降噪方法、图片降噪模型生成方法、终端及存储介质。
背景技术
目前,用户通常通过具有拍摄功能的智能终端来拍摄图片,例如,智能手机、平板电脑等。由于,图片拍摄的过程中,往往会存在许多噪点,因此,需要对拍摄的图片进行降噪处理。但是,现有技术中,通常是通过拍摄多张图片,将拍摄的多张照片进行合成以降噪,但是拍摄多张照片会耗费较多时间,导致降噪处理时间较长,从而导致用户体验满意度低。
发明内容
本发明要解决的技术问题在于现有降噪处理方式中,耗时较长,用户体验满意度低的问题,针对该技术问题,提供一种图片降噪方法、图片降噪模型生成方法、终端及计算机可读存储介质。
为解决上述技术问题,本发明提供一种图片降噪方法,所述图片降噪方法包括:
获取待降噪处理图片;
通过图片降噪模型对所述待降噪处理图片进行降噪处理,所述图片降噪模型通过样本图片数据对卷积神经网络进行训练得到,所述样本图片数据包括原始图片和对所述原始图片进行降噪处理后的图片。
可选的,所述获取待降噪处理图片包括:
接收拍照指令拍摄图片;
判断拍摄时周围环境亮度是否小于预设亮度值;
若是,将拍摄的图片作为待降噪处理图片。
可选的,所述获取待降噪处理图片包括:
接收拍照指令;
判断当前是否处于夜景拍照模式;
若是,拍摄图片并将其作为待降噪处理图片。
可选的,所述样本图片数据包括夜景图片和对所述夜景图片进行降噪处理后的图片,所述图片降噪模型包括夜景图片降噪模型;
所述通过卷积神经网络降噪模型对所述待降噪处理图片进行降噪处理包括:
通过所述夜景图片降噪模型对所述待降噪处理图片进行降噪处理,所述夜景图片降噪模型通过所述样本图片数据对所述卷积神经网络进行训练得到。
可选的,所述样本图片数据包括根据拍摄对象划分成至少两种类型的夜景图片数据,所述图片降噪模型包括分别基于所述至少两种类型的夜景图片数据对所述卷积神经网络进行训练得到的至少两个夜景图片降噪子模型;
所述通过图片降噪模型对所述待降噪处理图片进行降噪处理包括:
根据所述待降噪处理图片的拍摄对象从所述至少两个夜景图片降噪子模型中选择目标夜景图片降噪子模型;
通过所述目标夜景图片降噪子模型对所述待降噪图片进行降噪处理。
进一步地,本发明还提供一种图片降噪模型生成方法,所述图片降噪模型生成方法包括:
获取样本图片数据,所述样本图片数据中包括原始图片和对所述原始图片进行降噪处理后的图片;
通过所述样本图片数据对卷积神经网络进行训练得到图片降噪模型。
可选的,所述样本图片数据包括夜景图片和对所述夜景图片进行降噪处理后的图片;
所述通过所述样本图片数据对卷积神经网络进行训练得到图片降噪模型包括:
通过所述样本图片数据对卷积神经网络进行训练得到夜景图片降噪模型。
可选的,所述样本图片数据包括根据拍摄对象划分成至少两种类型的夜景图片数据;
所述通过所述样本图片数据对卷积神经网络进行训练得到图片降噪模型包括:
通过所述至少两种类型的夜景图片数据对卷积神经网络进行训练得到至少两个夜景图片降噪子模型。
进一步地,本发明还提供了一种终端,所述终端包括处理器、存储器及通信总线;
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行存储器中存储的一个或者多个程序,以实现上述任一项所述的图片降噪方法的步骤,和/或,实现上述任一项所述的图片降噪模型生成方法。
进一步地,本发明还提供了一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述任一项所述的图片降噪方法的步骤,和/或,实现上述任一项所述的图片降噪模型生成方法。
有益效果
本发明提供一种图片降噪方法、图片降噪模型生成方法、终端及存储介质,针对现有降噪处理方式中,耗时较长,用户体验满意度低的问题,通过获取待降噪处理图片,通过图片降噪模型对待降噪处理图片进行降噪处理,其中,图片降噪模型通过样本图片数据对卷积神经网络进行训练得到,样本图片数据包括原始图片和对原始图片进行降噪处理后的图片,也就是说,本发明中,获取了待降噪处理图片后,会直接通过图片降噪模型对待降噪图片进行降噪处理,相比现有需要拍摄多张图片进行合成的降噪处理方式,本发明提供的图片降噪方法节约了降噪处理时间,从而,提升了用户体验满意度。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为实现本发明各个实施例一个可选的移动终端的硬件结构示意图。
图2为如图1所示的移动终端的无线通信系统示意图;
图3为本发明第一实施例提供的图片降噪方法基本流程图;
图4为本发明第一实施例提供的获取待降噪处理图片的流程图;
图5为本发明第一实施例提供的图片降噪模型生成方法基本流程图;
图6为本发明第二实施例提供的图片降噪模型生成方法方法细化流程图;
图7为本发明第二实施例提供的图片降噪方法细化流程图;
图8为本发明第三实施例提供的终端的结构示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
终端可以以各种形式来实施。例如,本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)、便捷式媒体播放器(Portable Media Player,PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端,以及诸如数字TV、台式计算机等固定终端。
后续描述中将以移动终端为例进行说明,本领域技术人员将理解的是,除了特别用于移动目的的元件之外,根据本发明的实施方式的构造也能够应用于固定类型的终端。
请参阅图1,其为实现本发明各个实施例的一种移动终端的硬件结构示意图,该移动终端100可以包括:RF(Radio Frequency,射频)单元101、WiFi模块102、音频输出单元103、A/V(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解,图1中示出的移动终端结构并不构成对移动终端的限定,移动终端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。
下面结合图1对移动终端的各个部件进行具体的介绍:
射频单元101可用于收发信息或通话过程中,信号的接收和发送,具体的,将基站的下行信息接收后,给处理器110处理;另外,将上行的数据发送给基站。通常,射频单元101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元101还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于GSM(Global System of Mobile communication,全球移动通讯系统)、GPRS(General Packet Radio Service,通用分组无线服务)、CDMA2000(CodeDivision Multiple Access 2000,码分多址2000)、WCDMA(Wideband Code DivisionMultiple Access,宽带码分多址)、TD-SCDMA(Time Division-Synchronous CodeDivision Multiple Access,时分同步码分多址)、FDD-LTE(Frequency DivisionDuplexing-Long Term Evolution,频分双工长期演进)和TDD-LTE(Time DivisionDuplexing-Long Term Evolution,分时双工长期演进)等。
WiFi属于短距离无线传输技术,移动终端通过WiFi模块102可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图1示出了WiFi模块102,但是可以理解的是,其并不属于移动终端的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
音频输出单元103可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时,将射频单元101或WiFi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元103还可以提供与移动终端100执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。
A/V输入单元104用于接收音频或视频信号。A/V输入单元104可以包括图形处理器(Graphics Processing Unit,GPU)1041和麦克风1042,图形处理器1041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。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或WiFi模块102进行发送。麦克风1042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风1042接收声音(音频数据),并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。
移动终端100还包括至少一种传感器105,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1061的亮度,接近传感器可在移动终端100移动到耳边时,关闭显示面板1061和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元106可包括显示面板1061,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1061。
用户输入单元107可用于接收输入的数字或字符信息,以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1071上或在触控面板1071附近的操作),并根据预先设定的程式驱动相应的连接装置。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器110,并能接收处理器110发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1071。除了触控面板1071,用户输入单元107还可以包括其他输入设备1072。具体地,其他输入设备1072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、操作杆等中的一种或多种,具体此处不做限定。
进一步的,触控面板1071可覆盖显示面板1061,当触控面板1071检测到在其上或附近的触摸操作后,传送给处理器110以确定触摸事件的类型,随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图1中,触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能,但是在某些实施例中,可以将触控面板1071与显示面板1061集成而实现移动终端的输入和输出功能,具体此处不做限定。
接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元108可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端100和外部装置之间传输数据。
存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器109可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器110是移动终端的控制中心,利用各种接口和线路连接整个移动终端的各个部分,通过运行或执行存储在存储器109内的软件程序和/或模块,以及调用存储在存储器109内的数据,执行移动终端的各种功能和处理数据,从而对移动终端进行整体监控。处理器110可包括一个或多个处理单元;优选的,处理器110可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操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。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110中。
移动终端100还可以包括给各个部件供电的电源111(比如电池),优选的,电源111可以通过电源管理系统与处理器110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。
尽管图1未示出,移动终端100还可以包括蓝牙模块等,在此不再赘述。
为了便于理解本发明实施例,下面对本发明的移动终端所基于的通信网络系统进行描述。
请参阅图2,图2为本发明实施例提供的一种通信网络系统架构图,该通信网络系统为通用移动通信技术的LTE系统,该LTE系统包括依次通讯连接的UE(User Equipment,用户设备)201,E-UTRAN(Evolved UMTS Terrestrial Radio Access Network,演进式UMTS陆地无线接入网)202,EPC(Evolved Packet Core,演进式分组核心网)203和运营商的IP业务204。
具体地,UE201可以是上述终端100,此处不再赘述。
E-UTRAN202包括eNodeB2021和其它eNodeB2022等。其中,eNodeB2021可以通过回程(backhaul)(例如X2接口)与其它eNodeB2022连接,eNodeB2021连接到EPC203,eNodeB2021可以提供UE201到EPC203的接入。
EPC203可以包括MME(Mobility Management Entity,移动性管理实体)2031,HSS(Home Subscriber Server,归属用户服务器)2032,其它MME2033,SGW(Serving Gate Way,服务网关)2034,PGW(PDN Gate Way,分组数据网络网关)2035和PCRF(Policy andCharging Rules Function,政策和资费功能实体)2036等。其中,MME2031是处理UE201和EPC203之间信令的控制节点,提供承载和连接管理。HSS2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能,并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过SGW2034进行发送,PGW2035可以提供UE 201的IP地址分配以及其它功能,PCRF2036是业务数据流和IP承载资源的策略与计费控制策略决策点,它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。
IP业务204可以包括因特网、内联网、IMS(IP Multimedia Subsystem,IP多媒体子系统)或其它IP业务等。
虽然上述以LTE系统为例进行了介绍,但本领域技术人员应当知晓,本发明不仅仅适用于LTE系统,也可以适用于其他无线通信系统,例如GSM、CDMA2000、WCDMA、TD-SCDMA以及未来新的网络系统等,此处不做限定。
基于上述移动终端硬件结构以及通信网络系统,提出本发明方法各个实施例。
第一实施例
为了解决现有降噪处理方式中,耗时较长,用户体验满意度低的问题,本实施例提供一种降噪处理方法,参见图3所示,图3为本实施例提供的图片降噪方法基本流程图,该图片降噪方法包括:
S301、获取待降噪处理图片。
本实施例中,待降噪处理图片可以是通过摄像头拍摄的,也可以是从网络中获取的。其中,获取待降噪处理图片可以包括但不限于以下两种方式中的至少一种:
第一种:接收拍照指令拍摄图片,将拍摄的图片作为待降噪处理图片;也就是说,在通过摄像头拍摄时,会自动将拍摄的图片作为待降噪处理图片,然后后续通过图片降噪模型对其进行降噪处理。由于环境亮度较好时,拍摄的照片噪点较少,可以不用对其进行降噪处理,环境亮度不好时,其拍摄的照片中的噪点越多,因此,可以将拍摄的夜景图片作为待降噪处理图片,其中,可以根据拍摄时周围环境的亮度、拍摄时是否处于夜景拍照模式、拍摄的时间来判断拍摄的图片是否为夜景图片,若是,将其作为待降噪处理图片,例如,参见图4,获取待降噪处理图片可以是:
S401、接收拍照指令拍摄图片。
S402、判断拍摄时周围环境亮度是否小于预设亮度值。
若是,转S403;若否,结束。
本实施例中,预设亮度值可以根据实际需要灵活设置,在周围环境亮度小于预设亮度值的时候,确定拍摄的图片为夜景图片,转S403;在周围环境亮度大于等于预设亮度值的时候,结束。其中,可以通过环境光传感器等来获取拍摄时周围环境亮度。
S403、将拍摄的图片作为待降噪处理图片。
也就是说,将周围环境亮度小于预设亮度值时拍摄的图片作为待降噪处理图片进行降噪处理。
本实施例中,获取待降噪处理图片也可以是接收拍照指令,并判断终端当前是否处于夜景拍照模式,若是,则拍摄图片并将拍摄的图片作为待降噪处理图片。由于处于夜景拍摄模式时拍摄的图片通常为夜景图片,因此将处于夜景拍摄模式时拍摄的图片作为待降噪处理图片。
或者,获取待降噪处理图片也可以是将拍摄时处于预设时间段的图片作为待降噪处理图片,其中,预设时间段可以根据实际需要灵活设置,例如,可以设置为晚上6:00-第二天早上7:00。也即,在预设时间段内拍摄的图片为夜景图片,将其作为待降噪处理图片。
第二种:接收图片设置指令,将图片设置指令指定的图片作为待降噪处理图片。
S302、通过图片降噪模型对待降噪处理图片进行降噪处理。
本实施例中,在获取待降噪处理图片后,即可通过存储的图片降噪模型对待降噪处理图片进行降噪处理。
因此,在进行降噪处理之前,还应当生成图片降噪模型。
其中,参见图5所示,图片降噪模型生成方法可以包括如下步骤:
S501、获取样本图片数据。
本实施例中,样本图片数据中包括原始图片,和对原始图片进行降噪处理后的图片;其中,样本图片数据中应当包括至少一张原始图片和对该原始图片进行降噪处理后的图片,例如,样本图片数据中可以包括300张原始图片和对300张原始图片分别进行降噪处理后的300张图片,即样本图片数据中包括600张图片。其中,为了使经过图片降噪模型降噪处理后的图片质量更好,本实施例中,可以获取经过筛选后的样本图片数据,也即,可以先获取一些原始图片和对该原始图片进行降噪处理后的图片,然后从中筛选出降噪处理后的图片相比原始图片质量较优的图片作为样本图片数据,例如,可以筛选出降噪处理后的图片相比原始图片清晰度更高的图片作为样本图片数据;又例如,从降噪处理后的图片中筛选出清晰度较高的图片,然后将筛选出的降噪处理后的图片和其对应的原始图片作为样本图片数据;又例如,从降噪处理后的图片中筛选出能增加细节的图片,然后将筛选出的图片和其对应的原始图片作为样本图片数据。其中,可以是人工筛选,这样,经过图片降噪模型降噪处理后的图片更加适应人眼。当然,也可以是通过预设算法进行筛选。
S502、通过样本图片数据对卷积神经网络进行训练得到图片降噪模型。
本实施例中,在获取样本图片数据之后,就可以通过样本图片数据对卷积神经网络进行训练得到图片降噪模型。其中,样本图片数据中的原始图片作为输入,样本图片数据中的降噪处理后的图片作为输出对卷积神经网络进行训练得到降噪模型。在得到图片降噪模型之后,就可以通过图片降噪模型对获取的待降噪图片进行降噪处理。
通常,夜景图片与非夜景图片之间的差距较大,对夜景图片和非夜景图片的降噪处理也可以不同。因此,本实施例中,可以根据夜景与非夜景对图片进行分类。然后,可以根据需要获取夜景图片和/或非夜景图片作为样本图片数据。
本实施例中,样本图片数据可以只包括夜景图片和对该夜景图片进行降噪处理后的图片,也就是说获取夜景图片和对该夜景图片进行降噪处理后的图片作为样本图片数据;这样,就可以基于样本图片数据中的夜景图片和对该夜景图片进行降噪处理后的图片对卷积神经网络进行训练得到夜景图片降噪模型,然后,在通过图片降噪模型对待降噪处理图片进行降噪处理时,则可以通过夜景图片降噪模型对待降噪处理图片进行降噪处理。其中,由于夜景降噪模型主要针对的是对夜景图片进行降噪,若基于夜景图片降噪模型对非夜景图片进行降噪的话,其效果可能不好。因此,在获取待降噪处理图片时,可以只获取夜景图片作为待降噪处理图片,其中,获取夜景图片作为待降噪处理图片的方式可以参见前述记载,此处不再赘述。
本实施例中,样本图片数据可以只包括非夜景图片和对该非夜景图片进行降噪处理后的图片;这样,就可以基于样本图片数据中的非夜景图片和对该非夜景图片进行降噪处理后的图片对卷积神经网络进行训练得到非夜景图片降噪模型,然后,在通过图片降噪模型对待降噪处理图片进行降噪处理时,则可以通过非夜景图片降噪模型对待降噪处理图片进行降噪处理。其中,由于非夜景降噪模型主要针对的是对非夜景图片进行降噪,若基于非夜景图片降噪模型对夜景图片进行降噪的话,其效果可能不好。因此,可以只获取非夜景图片作为待降噪处理图片。对于获取非夜景图片作为待降噪处理图片,可以参见前述获取夜景图片作为待降噪处理图片的方式,此处不再赘述,例如,将拍摄时环境亮度大于等于预设亮度值的图片作为非夜景图片通过非夜景图片降噪模型进行降噪处理,
本实施例中,样本图片数据可以包括非夜景图片和对该非夜景图片进行降噪处理后的图片,以及夜景图片和对非夜景图片进行降噪处理后的图片;这样,就可以基于样本图片数据中的夜景图片和对该夜景图片进行降噪处理后的图片对卷积神经网络进行训练得到夜景图片降噪模型,基于样本图片数据中的非夜景图片和对该非夜景图片进行降噪处理后的图片对卷积神经网络进行训练得到非夜景图片降噪模型。然后,在通过图片降噪模型对待降噪处理图片进行降噪处理时,则根据获取的待降噪处理图片是夜景图片还是非夜景图片,从夜景图片降噪模型和非夜景图片降噪模型中选择一个降噪模型对待降噪图片进行处理,应当理解的是,若待降噪图片是非夜景图片,则通过非夜景图片降噪模型进行降噪,若待降噪图片是夜景图片,则通过夜景图片降噪模型进行降噪。其中,判断待降噪图片是夜景图片还是非夜景图片的方式除了前述记载的根据拍摄时周围环境的亮度、拍摄时是否处于夜景拍照模式、拍摄的时间来判断,还可以根据待降噪处理图片的亮度、以及颜色来判断。
本实施例中,由于不同拍摄对象之间的差距不同,因此,本实施例中,样板图片数据中可以包括根据拍摄对象划分成至少两种类型的图片数据,也就是说,获取根据拍摄对象划分成至少两种类型的图片和对该图片进行降噪处理后的图片作为样本图片数据,然后,就可通过这至少两种类型的图片数据对卷积数据网络进行训练大队至少两个图片降噪子模型。例如,通常,用户会拍摄建筑物、人、天空、树木、灯光等,因此,会存在包括建筑物的图片,包括人的图片,包括天空的图片等,因此,可以根据其拍摄对象的不同,获取至少两种类型的图片作为样本图片数据,然后,分别基于各种类型的样本图片数据,对卷积神经网络进行训练得到对应的至少两个图片降噪子模型,应当理解的是,一种类型的图片,对应的生成一个图片降噪子模型,由于原始图片和对该原始图片降噪处理后的图片的拍摄对象相同,因此,原始图片和对该原始图片降噪处理后的图片应当划分至同一类型。由于根据拍摄对象生成了至少两个图片降噪子模型,因此,在通过图片降噪模型对待处理图片进行降噪处理时,可以先根据待降噪处理图片的拍摄对象从至少两个图片降噪子模型中选择一个作为目标图片降噪子模型,然后,通过目标降噪子模型对待降噪处理图片进行降噪处理。例如,假设样本数据中包括两种类型的图片,一种类型的图片的拍摄对象是天空,另一种类型的图片的拍摄对象是建筑物,因此,根据样本图片数据对卷积数据网络进行训练得到两个图片降噪子模型,一个图片降噪子模型针对的是天空,另一个图片降噪子模型针对的是建筑物;在获取到一张拍摄对象为天空的待降噪处理图片时,根据其拍摄对象,选择针对天空的图片降噪子模型对待降噪图片进行降噪。
本实施例中,上述两种分类方式(一种是基于夜景与非夜景进行分类,另一种是基于拍摄对象进行分类)还可以结合,例如,样本图片数据中可以只包括根据拍摄对象划分成至少两种类型的夜景图片,通过至少两种类型的夜景图片对卷积神经网络进行训练得到至少两个夜景图片降噪子模型,然后,在通过图片降噪模型对待降噪处理图片进行降噪处理时,则需要根据待降噪处理图片的拍摄对象从至少两个夜景图片降噪子模型中选择一个作为目标夜景图片降噪子模型,通过目标降噪夜景图片子模型对待降噪处理图片进行降噪。样本图片数据中也可以只包括根据拍摄对象划分成至少两种类型的非夜景图片,此时,其模型生成方式请参见样本图片数据中只包括根据拍摄对象划分成至少两种类型的夜景图片时的模型生成方式,此处不再赘述。样本图片数据也可以包括根据根据拍摄对象划分成至少两种类型的非夜景图片,和根据拍摄对象划分成至少两种类型的夜景图片;然后,根据样本图片数据生成至少两个夜景图片降噪子模型和至少两个非夜景图片降噪子模型,在通过图片降噪模型对待降噪处理图片进行降噪处理时,则需要根据待降噪处理图片的拍摄对象、夜景还是非夜景选择一个目标降噪子模型,然后,通过目标降噪子模型对其进行降噪处理。例如,假设样本图片数据中包括天空夜景图片,树木夜景图片,天空非夜景图片,树木非夜景图片这四种类型的图片,则根据这四种类型生成四个图片降噪子模型,假设待降噪处理图片为天空夜景图片,则根据天空夜景图片生成的图片降噪子模型对待降噪图片进行降噪处理。
需要说明的是,本实施例中提供的图片降噪模型生成方法和图片降噪方法可以在同一终端上实现,也可以在不同的终端上实现,例如,可以在第一终端上基于上述图片降噪模型生成方法生成图片降噪模型之后,将图片降噪模型安装在第二终端上,第二终端即可通过图片降噪模型实现上述图片降噪方法。
本实施例提供的图片降噪方法、图片降噪模型生成方法,针对现有降噪处理方式中,耗时较长,用户体验满意度低的问题,通过获取待降噪处理图片,通过图片降噪模型对待降噪处理图片进行降噪处理,其中,图片降噪模型通过样本图片数据对卷积神经网络进行训练得到,样本图片数据包括原始图片和对原始图片进行降噪处理后的图片,也就是说,本实施例中,获取了待降噪处理图片后,会直接通过图片降噪模型对待降噪图片进行降噪处理,相比现有需要拍摄多张图片进行合成的降噪处理方式,节约了降噪处理时间,从而,提升了用户体验满意度。
第二实施例
为了更好的理解本发明,本实施例结合更加具体的示例进行说明,请参见图6,图6为本发明第二实施例提供的图片降噪模型生成方法的细化流程图,该图片降噪模型生成方法包括:
S601、获取样本图片数据。
本实施例中,获取根据拍摄对象划分为至少两种类型的夜景图片和对其进行降噪处理后的图片作为样本图片数据。其中,可以人工选择样本图片数据。
为了更好的理解,这里以一个示例进行说明,例如,假设获取200张天空夜景图片和对其进行降噪处理后的图片,获取200张灯光夜景图片和对其进行降噪处理后的图片,获取200张树木夜景图片和对其进行降噪处理后的图片作为样本图片数据,即,样本图片数据中包括三种类型的夜景图片。
S602、根据样本图片数据对卷积神经网络进行训练得到至少两个夜景图片降噪子模型。
本实施例中,样本图片数据中包括至少两种类型的夜景图片,因此,根据这至少两种类型的夜景图片数据对卷积神经网络进行训练得到图片降噪模型,图片降噪模型中包括至少两个夜景图片降噪子模型,需要说明的是,一个夜景图片降噪子模型根据一种类型的图片生成。
承接上例,根据样本图片数据中的天空夜景图片对卷积神经网络进行训练得到天空夜景图片降噪子模型,需要说明的是,在进行训练时,原始的天空夜景图片作为输入,降噪处理后的天空夜景图片作为输出对卷积神经网络进行训练得到天空夜景图片降噪子模型;根据样本图片数据中的灯光夜景图片对卷积神经网络进行训练得到灯光夜景图片降噪子模型,其训练方式参照天空夜景图片降噪子模型;根据样本图片数据中的树木夜景图片对卷积神经网络进行训练得到树木夜景图片降噪子模型,其训练方式参照天空夜景图片降噪子模型。也就是说,根据样本图片数据生成了3个夜景图片降噪子模型。
在得到图片降噪子模型后,就可以根据图片降噪子模型对待降噪处理的图片进行降噪处理,其中,参见图7所示,图片降噪方法包括:
S701、获取待降噪处理图片。
本实施例中,在接收到图片拍照指令时,拍摄图片,并通过环境光传感器获取拍摄时周围环境亮度,并判断周围环境亮度是否大于预设亮度值,若是,则判断拍摄的图片是夜景图片,转S702。
S702、根据待降噪图片拍摄对象从夜景图片降噪子模型中选择一个夜景降噪子模型作为目标夜景图片降噪子模型。
本实施例中,根据待降噪图片的拍摄对象,从至少两个夜景图片降噪子模型中选择一个夜景图片降噪子模型作为目标夜景图片降噪子模型。
承接上例,图片降噪模型中包括天空夜景图片降噪子模型、灯光夜景图片降噪子模型以及树木夜景图片降噪子模型。假设待降噪处理图片拍摄的是天空,则选择天空夜景图片降噪子模型作为目标夜景图片降噪子模型;假设待降噪处理图片拍摄的是灯光,则选择灯光夜景图片降噪子模型作为目标夜景图片降噪子模型;假设待降噪处理图片拍摄的是树木,则选择树木夜景图片降噪子模型作为目标夜景图片降噪子模型。
S703、通过目标夜景图片降噪子模型对待降噪处理图片进行降噪处理。
通过目标夜景图片降噪子模型对待降噪处理图片进行降噪处理,并保存降噪处理后的图片。
需要说明的是,本实施例中提供的图片降噪模型生成方法和图片降噪方法,在第一终端上基于上述图片降噪模型生成方法生成图片降噪模型之后,将图片降噪模型安装在第二终端上,第二终端即可通过图片降噪模型实现上述图片降噪方法。
本实施例提供的图片降噪方法、图片降噪模型生成方法,针对现有降噪处理方式中,耗时较长,用户体验满意度低的问题,通过获取待降噪处理图片,通过图片降噪模型对待降噪处理图片进行降噪处理,其中,图片降噪模型通过样本图片数据对卷积神经网络进行训练得到,样本图片数据包括原始图片和对原始图片进行降噪处理后的图片,也就是说,本实施例中,获取了待降噪处理图片后,会直接通过图片降噪模型对待降噪图片进行降噪处理,相比现有需要拍摄多张图片进行合成的降噪处理方式,节约了降噪处理时间,从而,提升了用户体验满意度。
第三实施例
本实施例提供一种终端,请参见图8所示,本实施例提供的终端包括处理器801、存储器802及通信总线803。
其中,本实施例中的通信总线803用于实现处理器801和存储器802之间的连接通信;
处理器801则用于执行存储器802中存储的一个或者多个程序,以实现上述第一实施例、第二实施例所述的图片降噪方法的各步骤,和/或,实现上述第一实施例、第二实施例所述的图片降噪模型生成方法的各步骤。
也就是说第一实施例、第二实施例提供的图片降噪模型生成方法和图片降噪方法可以在同一终端上实现,也可以在不同的终端上实现,例如,可以在第一终端上基于第一实施例、第二实施例中的图片降噪模型生成方法生成图片降噪模型之后,将图片降噪模型安装在第二终端上,第二终端即可通过图片降噪模型实现第一实施例、第二实施例中的图片降噪方法。
本实施例还提供一种存储介质,如软盘、光盘、硬盘、闪存、U盘、CF卡、SD卡、MMC卡等,在该计算机存储介质中存储有实现上述各个步骤的一个或者多个程序,这一个或者多个程序可被一个或者多个处理器执行,以实现上述第一实施例、第二实施例所述的图片降噪方法的各步骤,和/或,实现上述第一实施例、第二实施例所述的图片降噪模型生成方法的各步骤。
本实施例提供的终端及存储介质,针对现有降噪处理方式中,耗时较长,用户体验满意度低的问题,通过获取待降噪处理图片,通过图片降噪模型对待降噪处理图片进行降噪处理,其中,图片降噪模型通过样本图片数据对卷积神经网络进行训练得到,样本图片数据包括原始图片和对原始图片进行降噪处理后的图片,也就是说,本实施例中,获取了待降噪处理图片后,会直接通过图片降噪模型对待降噪图片进行降噪处理,相比现有需要拍摄多张图片进行合成的降噪处理方式,节约了降噪处理时间,从而,提升了用户体验满意度。
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。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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,本发明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,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明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发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种图片降噪方法,其特征在于,所述图片降噪方法包括:
获取待降噪处理图片;
通过图片降噪模型对所述待降噪处理图片进行降噪处理,所述图片降噪模型通过样本图片数据对卷积神经网络进行训练得到,所述样本图片数据包括原始图片和对所述原始图片进行降噪处理后的图片。
2.如权利要求1所述的图片降噪方法,其特征在于,所述获取待降噪处理图片包括:
接收拍照指令拍摄图片;
判断拍摄时周围环境亮度是否小于预设亮度值;
若是,将拍摄的图片作为待降噪处理图片。
3.如权利要求1所述的图片降噪方法,其特征在于,所述获取待降噪处理图片包括:
接收拍照指令;
判断当前是否处于夜景拍照模式;
若是,拍摄图片并将其作为待降噪处理图片。
4.如权利要求1-3任一项所述的图片降噪方法,其特征在于,所述样本图片数据包括夜景图片和对所述夜景图片进行降噪处理后的图片,所述图片降噪模型包括夜景图片降噪模型;
所述通过卷积神经网络降噪模型对所述待降噪处理图片进行降噪处理包括:
通过所述夜景图片降噪模型对所述待降噪处理图片进行降噪处理,所述夜景图片降噪模型通过所述样本图片数据对所述卷积神经网络进行训练得到。
5.如权利要求4所述的图片降噪方法,其特征在于,所述样本图片数据包括根据拍摄对象划分成至少两种类型的夜景图片数据,所述图片降噪模型包括分别基于所述至少两种类型的夜景图片数据对所述卷积神经网络进行训练得到的至少两个夜景图片降噪子模型;
所述通过图片降噪模型对所述待降噪处理图片进行降噪处理包括:
根据所述待降噪处理图片的拍摄对象从所述至少两个夜景图片降噪子模型中选择目标夜景图片降噪子模型;
通过所述目标夜景图片降噪子模型对所述待降噪图片进行降噪处理。
6.一种图片降噪模型生成方法,其特征在于,所述图片降噪模型生成方法包括:
获取样本图片数据,所述样本图片数据中包括原始图片和对所述原始图片进行降噪处理后的图片;
通过所述样本图片数据对卷积神经网络进行训练得到图片降噪模型。
7.如权利要求6所述的图片降噪模型生成方法,其特征在于,所述样本图片数据包括夜景图片和对所述夜景图片进行降噪处理后的图片;
所述通过所述样本图片数据对卷积神经网络进行训练得到图片降噪模型包括:
通过所述样本图片数据对卷积神经网络进行训练得到夜景图片降噪模型。
8.如权利要求7所述的图片降噪模型生成方法,其特征在于,所述样本图片数据包括根据拍摄对象划分成至少两种类型的夜景图片数据;
所述通过所述样本图片数据对卷积神经网络进行训练得到图片降噪模型包括:
通过所述至少两种类型的夜景图片数据对卷积神经网络进行训练得到至少两个夜景图片降噪子模型。
9.一种终端,其特征在于,所述终端包括处理器、存储器及通信总线;
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行存储器中存储的一个或者多个程序,以实现如权利要求1至5中任一项所述的图片降噪方法的步骤,和/或,实现如权利要求6-8任一项所述的图片降噪模型生成方法。
10.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至5中任一项所述的图片降噪方法的步骤,和/或,实现如权利要求6-8任一项所述的图片降噪模型生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811647625.1A CN109785254A (zh) | 2018-12-29 | 2018-12-29 | 图片降噪方法、图片降噪模型生成方法、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811647625.1A CN109785254A (zh) | 2018-12-29 | 2018-12-29 | 图片降噪方法、图片降噪模型生成方法、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109785254A true CN109785254A (zh) | 2019-05-21 |
Family
ID=66499010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811647625.1A Pending CN109785254A (zh) | 2018-12-29 | 2018-12-29 | 图片降噪方法、图片降噪模型生成方法、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109785254A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462016A (zh) * | 2020-04-09 | 2020-07-28 | 苏州科技大学 | 一种结合人因的深度学习图像色彩引擎 |
CN115115531A (zh) * | 2022-01-14 | 2022-09-27 | 长城汽车股份有限公司 | 图像去噪方法、装置、车辆及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070165112A1 (en) * | 2006-01-16 | 2007-07-19 | Sony Corporation | Information processing apparatus, information processing method, learning apparatus and learning method and program |
US20120033108A1 (en) * | 2009-02-18 | 2012-02-09 | Olympus Corporation | Image processing apparatus, method, and computer-readable recording medium having image processing program recorded thereon |
CN106408522A (zh) * | 2016-06-27 | 2017-02-15 | 深圳市未来媒体技术研究院 | 一种基于卷积对神经网络的图像去噪方法 |
WO2018018470A1 (zh) * | 2016-07-27 | 2018-02-01 | 华为技术有限公司 | 一种去除图像噪声的方法、装置、设备及卷积神经网络 |
CN108765334A (zh) * | 2018-05-24 | 2018-11-06 | 北京飞搜科技有限公司 | 一种图像去噪方法、装置以及电子设备 |
CN108924420A (zh) * | 2018-07-10 | 2018-11-30 | Oppo广东移动通信有限公司 | 图像拍摄方法、装置、介质、电子设备及模型训练方法 |
-
2018
- 2018-12-29 CN CN201811647625.1A patent/CN109785254A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070165112A1 (en) * | 2006-01-16 | 2007-07-19 | Sony Corporation | Information processing apparatus, information processing method, learning apparatus and learning method and program |
US20120033108A1 (en) * | 2009-02-18 | 2012-02-09 | Olympus Corporation | Image processing apparatus, method, and computer-readable recording medium having image processing program recorded thereon |
CN106408522A (zh) * | 2016-06-27 | 2017-02-15 | 深圳市未来媒体技术研究院 | 一种基于卷积对神经网络的图像去噪方法 |
WO2018018470A1 (zh) * | 2016-07-27 | 2018-02-01 | 华为技术有限公司 | 一种去除图像噪声的方法、装置、设备及卷积神经网络 |
CN108765334A (zh) * | 2018-05-24 | 2018-11-06 | 北京飞搜科技有限公司 | 一种图像去噪方法、装置以及电子设备 |
CN108924420A (zh) * | 2018-07-10 | 2018-11-30 | Oppo广东移动通信有限公司 | 图像拍摄方法、装置、介质、电子设备及模型训练方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462016A (zh) * | 2020-04-09 | 2020-07-28 | 苏州科技大学 | 一种结合人因的深度学习图像色彩引擎 |
CN115115531A (zh) * | 2022-01-14 | 2022-09-27 | 长城汽车股份有限公司 | 图像去噪方法、装置、车辆及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108495056A (zh) | 拍照方法、移动终端及计算机可读存储介质 | |
CN109167910A (zh) | 对焦方法、移动终端及计算机可读存储介质 | |
CN107317963A (zh) | 一种双摄像头移动终端控制方法、移动终端及存储介质 | |
CN107493426A (zh) | 一种信息采集方法、设备和计算机可读存储介质 | |
CN109068052A (zh) | 视频拍摄方法、移动终端及计算机可读存储介质 | |
CN108063901A (zh) | 一种图像采集方法、终端和计算机可读存储介质 | |
CN108900778A (zh) | 一种拍摄方法、移动终端及计算机可读存储介质 | |
CN107959795A (zh) | 一种信息采集方法、设备和计算机可读存储介质 | |
CN108600647A (zh) | 拍摄预览方法、移动终端及存储介质 | |
CN109743504A (zh) | 一种辅助拍照方法、移动终端和存储介质 | |
CN107133939A (zh) | 一种照片合成方法、设备及计算机可读存储介质 | |
CN109947248A (zh) | 振动控制方法、移动终端及计算机可读存储介质 | |
CN108055463A (zh) | 图像处理方法、终端及存储介质 | |
CN109672822A (zh) | 一种移动终端的视频处理方法、移动终端及存储介质 | |
CN107124552A (zh) | 一种拍摄方法、终端及计算机可读存储介质 | |
CN109525783A (zh) | 一种曝光拍摄方法、终端及计算机可读存储介质 | |
CN108965710A (zh) | 照片拍摄方法、装置及计算机可读存储介质 | |
CN108053371A (zh) | 一种图像处理方法、终端及计算机可读存储介质 | |
CN107749947A (zh) | 拍照方法、移动终端及计算机可读存储介质 | |
CN110032887A (zh) | 一种图片隐私保护方法、终端及计算机可读存储介质 | |
CN109710159A (zh) | 一种柔性屏响应方法、设备及计算机可读存储介质 | |
CN107896304A (zh) | 一种图像拍摄方法、装置及计算机可读存储介质 | |
CN110086993A (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
CN109785254A (zh) | 图片降噪方法、图片降噪模型生成方法、终端及存储介质 | |
CN109005354A (zh) | 拍摄方法、移动终端及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |