CN109859144B - 图像处理方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质，其中，所述方法包括：获取输入图像的第一亮度特征；利用所述第一亮度特征得到所述输入图像的第一反射特征；基于所述第一亮度特征和第一反射特征，得到所述输入图像的增强后的图像。本公开能够提高图像的处理效率并提高图像质量。

Description

图像处理方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机视觉领域，特别涉及一种图像处理方法及装置、电子设备和存储介质。

背景技术

在平安城市、智慧交通等安防监控场景中，采集的图像由于受到时间、位置以及低光照度环境等限制，可能会失真较大。在这种环境中获取的视频图像对比度低、信息失真。因此对人脸识别、行为分析等智能视频分析工作的效率和准确率较低。

发明内容

本公开实施例提供了一种图像处理方法及装置、电子设备和存储介质，其能够提高图像处理效率并提高图像质量。

根据本公开的一方面，提供了一种图像处理方法，包括：

获取输入图像的第一亮度特征；

利用所述第一亮度特征得到所述输入图像的第一反射特征；

基于所述第一亮度特征和第一反射特征，得到所述输入图像的增强后的图像。

在一些可能的实施方式中，所述第一亮度特征中的元素表示所述输入图像的各像素点的亮度分量，所述获取输入图像的第一亮度特征，包括：

获得输入图像中每个像素点对应的各颜色通道的特征值；

针对每个像素点，确定各颜色通道的特征值中的最大值；

将每个像素点的各颜色通道中的所述最大值确定为第一亮度特征中对应像素点的亮度分量，以得到所述第一亮度特征。

在一些可能的实施方式中，所述第一反射特征中的元素表示所述输入图像各像素点的反射分量，所述利用所述第一亮度特征得到所述输入图像的第一反射特征，包括：

将所述第一亮度特征中的各元素与预设常量进行相加处理，得到加和特征；

将所述输入图像的各像素点的每个颜色通道的特征值与所述加和特征中对应像素点的特征值之间的比值，确定为对应像素点的每个颜色通道的第一反射分量；

根据各像素点的每个颜色通道的第一反射分量确定所述第一反射特征。

在一些可能的实施方式中，所述第一反射特征中的元素表示所述输入图像各像素点的反射分量，所述利用所述第一亮度特征得到所述输入图像的第一反射特征，包括：

将所述第一亮度特征中的各元素与预设常量进行相加处理，得到加和特征；

获得所述输入图像的各像素点的每个颜色通道的特征值与所述加和特征中对应像素点的特征值的比值，得到各像素点的每个颜色通道的第一反射分量；

对所述第一反射分量执行去噪处理，得到各像素点的每个颜色通道的第二反射分量；

根据各像素点的每个颜色通道的所述第二反射分量确定所述第一反射特征。

在一些可能的实施方式中，所述基于所述第一亮度特征和第一反射特征，得到所述输入图像的增强后的图像，包括：

对所述第一亮度特征进行优化处理，得到第二亮度特征；

基于所述第二亮度特征和第一反射特征，得到所述输入图像的增强后的图像。

在一些可能的实施方式中，对所述第一亮度特征进行优化处理，得到第二亮度特征，包括：

基于编码参数，对所述第一亮度特征执行编码处理，得到编码后的第一亮度特征；

基于解码参数，对所述编码后的第一亮度特征执行解码处理，得到所述第二亮度特征。

在一些可能的实施方式中，所述基于所述第二亮度特征和第一反射特征，得到所述输入图像的增强处理后的图像，包括：

对所述第二亮度特征和第一反射特征执行乘积处理，得到重建特征；

基于所述重建特征确定所述增强后的图像。

在一些可能的实施方式中，所述对所述第一亮度特征进行优化处理包括：通过第一神经网络对所述第一亮度特征进行优化处理；

其中，所述第一神经网络的训练过程，包括：

获取图像样本；

获取所述图像样本的第一亮度特征和结构权值特征，所述结构权值特征中的元素表示所述第一亮度特征中各像素点的亮度分量的权值；

将所述第一亮度特征和结构权值特征输入至所述第一神经网络，得到预测的第二亮度特征；

根据所述预测的第二亮度特征对应的损失值调整所述第一神经网络的参数，直至所述损失值满足预设要求。

在一些可能的实施方式中，所述第一神经网络的损失函数为：

其中，L_s1为第一神经网络的损失函数，y_i表示第一亮度特征中像素点i的亮度分量，

表示优化的第二亮度特征中像素点i的亮度分量，N表示像素点的数量，W^(l)表示第一神经网络第l层的神经网络参数，w_i表示第i个像素点的结构权值，F表示弗罗贝尼乌斯范数，L₁表示第一神经网络中的网络层数，λ为常量。

在一些可能的实施方式中，获取所述图像样本的结构权值特征，包括：

获取图像样本的结构信息；

基于预设算子得到所述结构信息的梯度信息；

利用所述梯度信息得到所述结构权值特征。

在一些可能的实施方式中，所述获取图像样本的结构信息，包括以下方式中的至少一种：

利用结构-纹理分解算法获得所述图像样本的结构信息；

利用滚动导向滤波器获得所述图像样本的结构信息。

在一些可能的实施方式中，所述利用所述梯度信息得到所述结构权值特征的表达式为：

其中，w(x)表示x像素点的结构权值，g(x)表示x像素点的梯度信息。

在一些可能的实施方式中，所述方法还包括：通过第二神经网络对所述第一反射分量执行去噪处理，其中，所述第二神经网络的损失函数的表达式为：

其中，L_s2为第二神经网络的损失函数，R_i表示第一反射分量，

表示去噪后的第二反射分量，N表示像素点的数量，W^(l)表示第二神经网络第l层的神经网络参数，F表示弗罗贝尼乌斯范数，L₂表示第二神经网络中的网络层数，

表示K-L散度，并且，

ρ_j表示第二神经网络中隐层的活跃度，ρ表示散度常量，λ为常量。

根据本公开实施例的第二方面，提供了一种图像处理装置，其包括：

获取模块，其用于获取输入图像的第一亮度特征；

转换模块，其用于利用所述第一亮度特征得到所述输入图像的第一反射特征；

增强模块，其用于基于所述第一亮度特征和第一反射特征，得到所述输入图像的增强后的图像。

在一些可能的实施方式中，所述获取模块还用于获得输入图像中每个像素点对应的各颜色通道的特征值；

针对每个像素点，确定各颜色通道的特征值中的最大值；以及

将每个像素点的各颜色通道中的所述最大值确定为第一亮度特征中对应像素点的亮度分量，以得到所述第一亮度特征；

其中，所述第一亮度特征中的元素表示所述输入图像的各像素点的亮度分量。

在一些可能的实施方式中，所述转换模块还用于将所述第一亮度特征中的各元素与预设常量进行相加处理，得到加和特征；

将所述输入图像的各像素点的每个颜色通道的特征值与所述加和特征中对应像素点的特征值之间的比值，确定为对应像素点的每个颜色通道的第一反射分量；以及

根据各像素点的每个颜色通道的第一反射分量确定所述第一反射特征；

其中，所述第一反射特征中的元素表示所述输入图像各像素点的反射分量。

在一些可能的实施方式中，所述转换模块还用于将所述第一亮度特征中的各元素与预设常量进行相加处理，得到加和特征；

获得所述输入图像的各像素点的每个颜色通道的特征值与所述加和特征中对应像素点的特征值的比值，得到各像素点的每个颜色通道的第一反射分量；

对所述第一反射分量执行去噪处理，得到各像素点的每个颜色通道的第二反射分量；以及

根据各像素点的每个颜色通道的所述第二反射分量确定所述第一反射特征；

其中，所述第一反射特征中的元素表示所述输入图像各像素点的反射分量。

在一些可能的实施方式中，所述增强模块包括：

优化单元，其用于对所述第一亮度特征进行优化处理，得到第二亮度特征；

增强单元，其用于基于所述第二亮度特征和第一反射特征，得到所述输入图像的增强后的图像。

在一些可能的实施方式中，所述优化单元还用于基于编码参数，对所述第一亮度特征执行编码处理，得到编码后的第一亮度特征；

基于解码参数，对所述编码后的第一亮度特征执行解码处理，得到所述第二亮度特征。

在一些可能的实施方式中，所述增强单元还用于对所述第二亮度特征和第一反射特征执行乘积处理，得到重建特征；并且

基于所述重建特征确定所述增强后的图像。

在一些可能的实施方式中，所述优化单元通过第一神经网络所述第一亮度特征进行优化处理；所述装置还包括训练模块，其用于训练所述第一神经网络，并且训练所述第一神经网络的过程包括：

获取图像样本；

获取所述图像样本的第一亮度特征和结构权值特征，所述结构权值特征中的元素表示所述第一亮度特征中各像素点的亮度分量的权值；

将所述第一亮度特征和结构权值特征输入至所述第一神经网络，得到预测的第二亮度特征；

根据所述预测的第二亮度特征对应的损失值调整所述第一神经网络的参数，直至所述损失值满足预设要求。

在一些可能的实施方式中，所述第一神经网络的损失函数为：

其中，L_s1为第一神经网络的损失函数，y_i表示第一亮度特征中像素点i的亮度分量，

表示优化的第二亮度特征中像素点i的亮度分量，N表示像素点的数量，W^(l)表示第一神经网络第l层的神经网络参数，w_i表示第i个像素点的结构权值，F表示弗罗贝尼乌斯范数，L₁表示第一神经网络中的网络层数，λ为常量。

在一些可能的实施方式中，所述训练模块获取图像样本的结构权值特征的过程包括：

获取图像样本的结构信息；

基于预设算子得到所述结构信息的梯度信息；

利用所述梯度信息得到所述结构权值特征。

在一些可能的实施方式中，所述训练模块还用于以下方式中的至少一种获取图像样本的结构信息：

利用结构-纹理分解算法获得所述图像样本的结构信息；

利用滚动导向滤波器获得所述图像样本的结构信息。

在一些可能的实施方式中，所述训练模块利用所述梯度信息得到所述结构权值特征的表达式为：

其中，w(x)表示x像素点的结构权值，g(x)表示x像素点的梯度信息。

在一些可能的实施方式中，所述转换模块还用于通过第二神经网络对所述第一反射分量执行去噪处理，其中，所述第二神经网络的损失函数的表达式为：

其中，L_s2为第二神经网络的损失函数，R_i表示第一反射分量，

表示去噪后的第二反射分量，N表示像素点的数量，W^(l)表示第二神经网络第l层的神经网络参数，F表示弗罗贝尼乌斯范数，L₂表示第二神经网络中的网络层数，

表示K-L散度，并且，

ρ_j表示第二神经网络中隐层的活跃度，ρ表示散度常量，λ为常量。

根据本公开实施例的第三方面，提供了一种电子设备，其包括：

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：执行第一方面中任意一项所述的方法。

根据本公开实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现第一方面中任意一项所述的方法。

本公开实施例可以利用图像的亮度特征与反射特征结合的方式，实现图像增强的目的。本公开实施例可以首先获取输入图像的亮度特征，并根据该亮度特征进一步确定输入图像的反射特征，进而通过获得的亮度特征以及反射特征执行输入图像的增强处理，得到增强后的图像。该过程具有简单方便且处理效率高的特点，同时还能够提高图像增强效果。

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，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的一种图像处理方法的流程图；

图2示出根据本公开实施例的图像处理方法中步骤S100的流程图；

图3示出根据本公开实施例的一种图像处理方法中步骤S200的流程图；

图4示出根据本公开实施例的一种图像处理方法中步骤S200的另一流程图；

图5示出根据本公开实施例的一种图像处理方法中步骤S300的流程图；

图6示出根据本公开实施例的一种图像处理方法中步骤S301的流程图；

图7示出根据本公开实施例的第一神经网络的各层的结构示意图；

图8示出根据本公开实施例的一种图像处理方法中步骤S302的流程图；

图9示出根据本公开实施例中训练第一神经网络的流程图；

图10示出根据本公开实施例中获取所述图像样本的结构权值特征的流程图；

图11示出根据本公开实施例的一种图像处理装置的框图；

图12示出根据本公开实施例的一种电子设备800的框图；

图13示出根据本公开实施例的一种电子设备1900的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

本公开实施例提供了一种图像处理方法，该方法可以应用在图像处理设备或者图像采集设备中，或者也可以应用在任意的终端或者服务器中，只要与图像采集或处理相关的设备，即可以应用本公开实施例的方法。

图1示出根据本公开实施例的一种图像处理方法的流程图。其中，如图1所示本公开实施例的图像处理方法可以包括：

S100：获取输入图像的第一亮度特征；

本公开实施例中，获取的输入图像可以为低照度情况下获取的低照度图像，或者也可以为由于其他因素而使得图像的对比度、清晰度、图像质量、分辨率等受到影响的图像。本公开实施例可以对输入图像执行图像增强处理，提高输入图像的图像质量。

另外，本公开实施例提供的图像处理方法可以通过神经网络实现，如深度神经网络，但本公开对此不进行具体限定，本公开实施例也可以通过相应的图像处理算法实现本公开实施例的相应功能。

在接收到输入图像时，本公开实施例可以首先提取输入图像中各像素点的亮度特征(亮度分量)，基于该亮度分量确定输入图像的第一亮度特征。其中，第一亮度特征可以表示成矩阵形式，并且其中各元素的亮度分量与彩色图像的各像素点对应。

在一些可能的实施例中，对于RGB图像(彩色图像)，可以首先获取每个像素点在R通道、G通道和B通道上的特征值，并根据各颜色通道的特征值获得输入图像的第一亮度特征。对于其他的图像，也可以获取每个像素点上其他各颜色通道的特征值，本公开对此不进行一一举例说明。

S200：利用所述第一亮度特征得到所述输入图像的第一反射特征；

在步骤S100之后，可以根据得到的第一亮度特征获得输入图像各像素点的反射分量。其中，可以通过预设的方式获得各颜色通道的反射分量，从而形成第一反射特征。本公开实施例的第一反射特征可以包括经过去噪处理后的反射特征，也可以包括未经去噪处理的特征，本领域技术人员可以根据不同的需求自行选择设定。另外，第一反射特征同样也可以表示成矩阵形式，并且其中各元素的反射分量也与彩色图像的各像素点对应。

S300：基于所述第二亮度特征和第一反射特征，得到所述输入图像的增强后的图像。

在获得输入图像的第一亮度特征以及第一反射特征之后，即可以利用各像素点的亮度分量和反射分量得到增强后的特征值，例如可以将二者执行乘积处理，以得到增强处理后的图像。

基于本公开实施例，可以实现根据图像各像素点的亮度特征和反射特征执行图像增强处理，其具有增强效果好且效率高的特点。

下面结合附图对本公开实施例的各个步骤进行详细说明。

如上述实施例所述，本公开实施例步骤S100获取的第一亮度特征中的元素可以表示所述输入图像的各像素点的亮度分量，通过各颜色通道的特征值即可以确定第一亮度特征。图2示出根据本公开实施例的一种图像处理方法中步骤S100的流程图。其中，所述获取输入图像的第一亮度特征，可以包括：

S101：获得输入图像中每个像素点对应的各颜色通道的特征值；

在本公开实施例中，获取输入图像的第一亮度特征时，可以提取输入图像各像素点上每个颜色通道的特征值，例如在图像为RGB形式时，可以分别获取输入图像的每个像素点处的三个通道的特征值(如R值、G值和B值)。在本公开的其他实施例中，可以根据图像的形式的不同获取不同的颜色通道的特征值，本公开对此不进行具体限定。

S102：针对每个像素点，确定各颜色通道的特征值中的最大值；

由于每个像素点可以包括多个颜色通道的特征值，本公开实施例可以将各个颜色通道的特征值中最大的特征值确定为该像素点的亮度分量。具体可以根据下式获得：

其中，T(x)表示x像素点的亮度分量，c为颜色通道，L^c(x)表示x像素点c颜色通道的特征值。

通过上式，即可以获得针对每个像素点的最大颜色通道值，以用于后续的第一亮度特征的确定。

在本公开的其他实施例中，如果输入图像不是RGB形式，也可以将图像转换成RGB形式，本公开实施例对图像形式的转换过程不作具体限定，本领域技术人员可以选择适配的方式执行上述转换。

S103：将每个像素点的各颜色通道中的所述最大值确定为第一亮度特征中对应像素点的亮度分量，以得到所述第一亮度特征。

如上所述，在获得各个像素点的颜色通道的最大值之后，可以将该最大值作为该像素点的亮度分量，并根据每个像素点的亮度分量形成所述第一亮度特征。

本公开实施例，通过利用每个像素点的颜色通道的最大值形成第一亮度特征，从而可以有效的减少噪声对图像的影响。

通过上述实施例即可以获得本公开实施例的输入图像的第一亮度特征，在获得第一亮度特征之后，可以根据该第一亮度特征得到第一反射特征。本公开实施例的第一反射特征中的元素可以表示所述输入图像各像素点的反射分量，下面针对该过程进行说明。

图3示出根据本公开实施例的一种图像处理方法中步骤S200的流程图，其中，所述利用所述第一亮度特征得到所述输入图像的第一反射特征，可以包括：

S201：将所述第一亮度特征中各元素与预设常量进行相加处理，得到加和特征；

本公开实施例在得到输入图像的第一亮度特征后，可以根据该第一亮度特征得到输入图像的各像素点的反射分量。其中，首先可以将第一亮度特征中每个像素点的亮度分量与一预设常量相加，该预设常量可以为一个较小的值，通常小于1，例如可以为0.01。在对每个像素点的亮度分量进行加和处理后，得到每个像素点的加和值，基于各像素点的加和值即可以构成所述加和特征。同样的，加和特征也可以表示成矩阵形式，其中的元素可以为与彩色图像的各像素点对应的加和值。

S202：将所述输入图像的各像素点的每个颜色通道的特征值与所述加和特征中对应像素点的特征值之间的比值，确定为对应像素点的每个颜色通道的第一反射分量；

根据前述实施例，在步骤S100中可以获得输入图像的各像素点的每个颜色通道的特征值，在执行步骤S202时，可以根据该特征值得到反射分量。步骤S202中，可以将输入图像各像素点的每个颜色通道的特征值与对应像素点的加和值进行相除处理，得到每个像素点的各颜色通道的特征值与相应像素点的加和值之间的比值，对于RGB图像，则每个像素点可以得到三个比值，即R值和该像素点的加和值的比值，G值和该像素点的加和值的比值，以及B值和该像素点的加和值的比值。对于其他类型的图像或者图像特征，可以得到其他特征值的比值，本公开对此不进行限定。

通过上述即可以得到每个颜色通道的比值，每个像素点的各比值即可以作为该像素点的第一反射分量。例如，可以将每个像素点的R值、G值和B值分别与该像素点的加和值相除，得到三个第一反射分量，从而可以获得每个像素点的三个颜色通道的第一反射分量。

S203：根据各像素点的每个颜色通道的第一反射分量确定所述第一反射特征。

在得到每个像素点的各颜色通道的第一反射分量之后，则可以对应的形成第一反射特征。该第一反射特征包括对应于每个像素点的各颜色通道的第一反射分量。

上述过程可以根据下式算法实现：

R^c(x)＝L^c(x)/(T(x)+ε)；

其中，R^c(x)为像素点x的c颜色通道的第一反射分量，L^c(x)为像素点x的c颜色通道的特征值，T(x)为像素点x的第一亮度分量，ε为预设常量。

通过上式，即可以得到输入图像的第一反射特征。本公开实施例通过结合第一反射特征和第一亮度特征，可以得到的增强图像符合人类视觉特性。

另外，在本公开的一些实施例中，还可以执行反射分量的去噪过程，从而可以减小噪声对于图像的影响。

图4示出根据本公开实施例的一种图像处理方法中步骤S200的另一流程图，其中，所述利用所述第一亮度特征得到所述输入图像的第一反射特征，可以包括：

S2001：将所述第一亮度特征中的各元素与预设常量进行相加处理，得到加和特征；

与步骤S201相同，步骤S2001可以将第一亮度特征中每个像素点的亮度分量与一预设常量相加，该预设常量可以为一个较小的值，通常小于1，例如可以为0.01。在对每个像素点的亮度分量进行加和处理后，得到每个像素点的加和值，基于各像素点的加和值即可以构成所述加和特征。同样的，加和特征也可以表示成矩阵形式，其中的元素可以为与彩色图像的各像素点对应的加和值。

S2002：获得所述输入图像的各像素点的每个颜色通道的特征值与所述加和特征中对应像素点的特征值的比值，得到各像素点的每个颜色通道的第一反射分量；

与步骤S202相同，步骤S2002中可以得到输入图像每个颜色通道的特征值与对应的加和值进行相除处理，得到每个像素点的各颜色通道的特征值与相应像素点的加和特征中的加和值之间的比值，即可以得到每个颜色通道对应的比值，该比值即可以作为该像素点的第一反射分量。例如，可以将每个像素点的R值、G值和B值分别与该像素点的加和值相除，得到三个第一反射分量，从而可以获得每个像素点的三个颜色通道的第一反射分量。

S2003：对所述第一反射分量执行去噪处理，得到各像素点的每个颜色通道的第二反射分量；

本公开实施例，在获得第一反射分量之后，可以对第一反射分量执行去噪处理，得到与各第一发射分量对应的第二反射分量，通过该去噪处理，可以减少图像中的噪声分量。本公开实施例可以利用第二神经网络(如去噪自编码神经网络)对各颜色通道的第一反射分量执行去噪处理。其中，该第二神经网络的训练过程中采用的损失函数可以为下式：

其中，L_s2为第二神经网络的损失函数，R_i表示第一反射分量，

表示去噪后的第二反射分量，N表示像素点的数量，W^(l)表示第二神经网络第l层的神经网络参数，F表示弗罗贝尼乌斯范数(如为2)，L₂表示第二神经网络中的网络层数，

表示K-L散度，并且，

ρ_j表示第二神经网络中隐层的活跃度，ρ表示散度常量，K为隐层层数，β表示稀疏化权值。

在训练第二神经网络中，可以向第二神经网络输入训练样本，例如该训练样本可以包括由图像样本的各像素点的第一反射分量构成的反射分量样本R_i，通过本公开实施例的第二神经网络执行去噪处理后可以得到去噪后的反射分量样本

将去噪前后的两个反射分量输入至上述损失函数L_s2，得到第二损失值，在该第二损失值满足第二要求时，即可以终止第二神经网络的训练，得到优化完成的第二神经网络。而在得到的第二损失值不满足第二要求时，需要调整第二神经网络的参数，如W^(l)等参数，再进一步执行训练样本的去噪过程，直至得到的第二损失值满足第二要求。本公开实施例的第二要求可以为第二损失值小于或者等于第二阈值。对于第二阈值的取值本公开不进行具体的限定，本领域技术人员可以根据需求执行设定选取。

通过训练完成的第二神经网络即可以对第一反射分量执行去噪处理得到对应的第二反射分量，从而降低图像的噪声分量。

S2004：根据各像素点的每个颜色通道的所述第二反射分量确定所述第一反射特征。

在得到每个像素点的各颜色通道的第二反射分量之后，即可以根据各第二反射分量确定第一反射特征。

通过图4示出的实施例，本公开实施例可以实现对于反射分量的优化处理，即可以降低反射分量中的噪声分量，可以进一步提高重构的图像的质量。

在得到第一反射特征以及第一亮度特征之后，即可以执行步骤S300的图像恢复过程.即得到增强后的图像。

本公开实施例可以直接利用第一亮度特征和第一反射特征之间的乘积得到增强后的图像的各像素点的特征，例如可以将第一反射特征中每个像素点的各颜色通道的反射分量与第一亮度特征中相应像素点的亮度分量相乘，从而得到各像素点的每个颜色通道增强处理后的特征值。基于增强处理后的各颜色通道的特征值可以获得对应的图像，即为增强处理后的图像。

进一步，为了提高增强处理的效果，本公开实施例还可以执行第一亮度特征的优化处理，并利用优化后的亮度特征与第一反射特征得到增强后的图像，下面结合附图说明该过程。

图5示出根据本公开实施例的图像处理方法中步骤S300的流程图，其中，所述基于所述第一亮度特征和第一反射特征，得到所述输入图像的增强后的图像(步骤S300)，可以包括：

S301：对所述第一亮度特征进行优化处理，得到第二亮度特征；

本公开实施例在获得输入图像的第一亮度特征之后，可以对该第一亮度特征执行优化处理，该步骤可以初步的提高图像的各亮度分量的对比度。其中，第二亮度特征和第一亮度特征的维度相同。另外，本公开实施例对于第一亮度特征的优化处理，可以包括编码步骤和解码步骤，例如可以利用自编码网络实现，但本公开对此不进行具体限定。

S302：基于所述第二亮度特征和第一反射特征，得到所述输入图像的增强后的图像。

本公开实施例，可以在得到优化的第二亮度特征以及第一反射矩阵之后，利用各对应元素的乘积结果得到增强图像的像素特征，从而恢复出增强后的图像。

图6示出根据本公开实施例的一种图像处理方法中步骤S301的流程图。其中，所述对所述第一亮度特征进行优化处理，得到第二亮度特征，可以包括：

S3011：基于编码参数，对所述第一亮度特征执行编码处理，得到编码后的第一亮度特征；

本公开实施例的步骤S301可以通过第一神经网络执行，该第一神经网络可以执行上述编码处理和解码处理吗，并且编码参数和解码参数可以与图像的各亮度分量的权值相关。具体的，本公开实施例可以通过向自编码网络中引入亮度分量的权值的信息，形成了本公开实施例的第一神经网络。因此，通过本公开实施例的第一神经网络，可以实现第一亮度特征的自适应调整，且调整效果更好。

在步骤S3011中，可以根据第一神经网络的编码参数执行第一亮度特征的编码处理，例如可以将第一亮度特征中的各亮度分量与编码参数相乘，继而得到编码后的第一亮度特征。图7示出根据本公开实施例的第一神经网络的各层的结构示意图，但不作为本公开第一神经网络的具体限定。其中，第一神经网络可以包括输入层、隐层和输出层。其中，在编码过中，可以通过H＝W⁽¹⁾T得到编码后的第一亮度特征，其中，H＝{h₁,h₂,...,h_k}为隐层的编码结构，K为隐层的层数，

表示编码参数，M1为编码参数的个数，T＝{T₁,...T_N}为输入的第一亮度特征，N为像素点的个数。

通过上述方式，即可以完成编码处理的过程，得到编码后的第一亮度特征，其中编码参数的确定可以根据第一神经网络的训练优化来完成，后续会对第一神经网络的训练过程进行说明。

S3012：基于解码参数，对所述编码后的第一亮度特征执行解码处理，得到所述第二亮度特征。

在对第一亮度特征执行编码处理后，即可以利用解码参数对编码后的第一亮度特征执行解码处理。例如可以通过输出层执行该解码处理。例如，可以利用解码参数与编码后的第一亮度特征执行相乘操作，得到优化重建的第二亮度特征。

具体的，可以通过

实现该解码的过程，其中，

表示第二亮度特征，N为像素点的个数，

表示该第二亮度特征中包括的每个像素点优化后的亮度分量，

表示解码参数，M2为解码参数的个数。

通过上述方式，即可以完成解码处理的过程，得第二亮度特征，其中解码参数的确定可以根据第一神经网络的训练优化来完成，后续会对第一神经网络的训练过程进行说明。图8示出根据本公开实施例的一种图像处理方法中步骤S302的流程图。其中，所述基于所述第二亮度特征和第一反射特征，得到所述输入图像的增强后的图像，可以包括：

S3021：对所述第二亮度特征和第一反射特征执行乘积处理，得到重建特征；

本公开实施例中的第二亮度特征表示优化后的亮度分量，第一反射特征表示输入图像的反射分量，将对应像素点的反射分量以及亮度分量进行相乘处理，可以得到对应像素点的重建特征。其中，可以通过下式表示S3021：

其中，

表示像素点x的重建特征(像素值)，

表示像素点x的第一反射特征，

表示像素点x的第二亮度特征。c表示每个像素点的颜色通道。

本公开实施例得到的重建特征同样也可以表示成矩阵形式，其中各元素表示与彩色图像的各像素点对应的重建后的特征值，例如可以重建各像素点的R值、B值和D值。

S3022：基于所述重建特征确定所述输入图像的增强处理后的图像。

在得到每个像素点的重建特征之后，可以根据该重建后的特征形成一个新的图像，该图像即为输入图像增强处理后的图像。

本公开实施例采用的图像处理方法，可以通过优化的亮度特征与反射分量结合，对图像执行图像增强，该方式不易受到噪声的影响，且不需要多张图像同时处理，有效的提高了实时性，同时本公开实施例不需要额外定义其他参数，适应性较好。本公开实施例增强处理后可以提高输入图像的图像质量，增加对比对，且更加清晰。

下面对本公开实施例的第一神经网络的训练过程进行详细说明。本公开实施例在实现第一亮度特征优化的第一神经网络中引入了图像的结构权值信息，从而可以进一步的提高亮度分量的优化效率。其中结构权值信息为每个像素点的亮度分量的权值信息。

其中，本公开实施例的第一神经网络可以为根据自编码神经网络得到的，在自编码网络中引入了结构权值的信息。其中，图9示出根据本公开实施例中训练第一神经网络的流程图。其中，训练所述第一神经网络的步骤，包括：

S501：获取图像样本；

首先，可以获取用于训练第一神经网络的图像样本，该图像样本可以为低照度情况下获取的图像，或者其他图像质量较低的图像，图像样本的数量可以根据需求设定，本公开实施例中，各图像样本的对比度、清晰度可以不同，从而可以加大图像样本的区别性，提高网络的训练精度。

S502：获取所述图像样本的第一亮度特征和结构权值特征，所述结构权值特征中的元素表示所述第一亮度特征中各像素点的亮度分量的权值；

本公开实施例可以预先获取图像样本的第一亮度特征，具体可以根据步骤S100执行，在此不再具体说明。同时还可以获得第一亮度特征对应的结构权值特征，该结构权值特征中可以包括第一亮度特征的各亮度分量的权值信息。

其中，图10示出根据本公开实施例中获取所述图像样本的结构权值特征的流程图，可以步骤S502可以包括：

S5021：获取图像样本的结构信息；

图像样本中包含许多级别的重要结构，本公开实施例可以通过第一方式执行图像样本的平滑处理获得上述结构信息。例如，本公开实施例可以利用结构-纹理分解算法获得所述图像样本的结构信息；或者也可以利用滚动导向滤波器Rolling guidance filter获得所述图像样本的结构信息。通过上述方式可以得到各图像样本的结构信息。

S5022：基于预设算子得到所述结构信息的梯度信息；

本公开实施例可以采用Sobel算子对各结构信息执行处理，得到结构信息对应的梯度信息，其中Sobel算子的运算方式，本公开不进行具体说明，可以根据现有技术手段实现。

S5023：利用所述梯度信息得到所述结构权值特征。

在得到梯度信息后，本公开实施例根据梯度信息得到每个像素点的结构权值，其中可以根据第二方式执行步骤S5023，其中第二方式的表达式为：

其中，w(x)表示x像素点的结构权值，g(x)表示x像素点的梯度信息。

通过上式即可以根据每个像素点的梯度信息确定每个像素点的结构权值，该结构权值表示每个像素点的亮度分量的权值。

S503：将所述第一亮度特征和结构权值特征输入至所述第一神经网络，并根据得到的损失值调整所述第一神经网络的参数，直至所述损失值满足预设要求。

所述第一神经网络的损失函数为：

其中，L_s1为第一神经网络的损失函数，y_i表示第一亮度特征中像素点i的亮度分量，

表示优化的第二亮度特征中像素点i的亮度分量，N表示像素点的数量，W^(l)表示第一神经网络第l层的神经网络参数，w_i表示第i个像素点的结构权值，F表示弗罗贝尼乌斯范数，L₁表示第一神经网络中的网络层数，λ为常量。

根据上述损失函数L_s1，即可以得到每次优化处理后的第二亮度特征的第一损失值，在该第一损失值满足第一要求时，即表示完成第一神经网络的训练，反之，则调整第一神经网络的网络参数，直至得到的第一损失值满足第一要求，其中满足第一要求可以包括第一损失值小于或者等于第一阈值，该第一阈值的取值本公开实施例不作具体限定，可以根据需求自行选取设定。

通过上述实施例，本公开不仅可以实现对低照度图片进行亮度矫正，而且可以进行噪声压制，同时由于即将结构信息加入到自编码神经网络中，可以加强重建图像的结构特征保护。

综上所述，本公开实施例可以对图像的亮度分量进行优化，并将优化的亮度分量与反射分量结合。本公开实施例可以首先获取输入图像的亮度特征，并根据该亮度特征进一步确定输入图像的反射特征，进而通过获得的亮度特征以及反射特征执行输入图像的增强处理，得到增强后的图像。该过程具有简单方便且处理效率高的特点，同时还能够提高图像增强效果。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图11示出根据本公开实施例的一种图像处理装置的框图，如图11所示，所述图像处理装置包括：

获取模块10，其用于获取输入图像的第一亮度特征；

转换模块20，其用于利用所述第一亮度特征得到所述输入图像的第一反射特征；

增强模块30，其用于基于所述第一亮度特征和第一反射特征，得到所述输入图像的增强后的图像。

在一些可能的实施方式中，所述获取模块还用于获得输入图像中每个像素点对应的各颜色通道的特征值；

针对每个像素点，确定各颜色通道的特征值中的最大值；以及

将每个像素点的各颜色通道中的所述最大值确定为第一亮度特征中对应像素点的亮度分量，以得到所述第一亮度特征；

其中，所述第一亮度特征中的元素表示所述输入图像的各像素点的亮度分量。

在一些可能的实施方式中，所述转换模块还用于将所述第一亮度特征中的各元素与预设常量进行相加处理，得到加和特征；

将所述输入图像的各像素点的每个颜色通道的特征值与所述加和特征中对应像素点的特征值之间的比值，确定为对应像素点的每个颜色通道的第一反射分量；以及

根据各像素点的每个颜色通道的第一反射分量确定所述第一反射特征；

其中，所述第一反射特征中的元素表示所述输入图像各像素点的反射分量。

在一些可能的实施方式中，所述转换模块还用于将所述第一亮度特征中的各元素与预设常量进行相加处理，得到加和特征；

获得所述输入图像的各像素点的每个颜色通道的特征值与所述加和特征中对应像素点的特征值的比值，得到各像素点的每个颜色通道的第一反射分量；

对所述第一反射分量执行去噪处理，得到各像素点的每个颜色通道的第二反射分量；以及

根据各像素点的每个颜色通道的所述第二反射分量确定所述第一反射特征；

其中，所述第一反射特征中的元素表示所述输入图像各像素点的反射分量。

在一些可能的实施方式中，所述增强模块包括：

优化单元，其用于对所述第一亮度特征进行优化处理，得到第二亮度特征；

增强单元，其用于基于所述第二亮度特征和第一反射特征，得到所述输入图像的增强后的图像。

在一些可能的实施方式中，所述优化单元还用于基于编码参数，对所述第一亮度特征执行编码处理，得到编码后的第一亮度特征；

基于解码参数，对所述编码后的第一亮度特征执行解码处理，得到所述第二亮度特征。

在一些可能的实施方式中，所述增强单元还用于对所述第二亮度特征和第一反射特征执行乘积处理，得到重建特征；并且

基于所述重建特征确定所述增强后的图像。

在一些可能的实施方式中，所述优化单元通过第一神经网络所述第一亮度特征进行优化处理；所述装置还包括训练模块，其用于训练所述第一神经网络，并且训练所述第一神经网络的过程包括：

获取图像样本；

获取所述图像样本的第一亮度特征和结构权值特征，所述结构权值特征中的元素表示所述第一亮度特征中各像素点的亮度分量的权值；

将所述第一亮度特征和结构权值特征输入至所述第一神经网络，得到预测的第二亮度特征；

根据所述预测的第二亮度特征对应的损失值调整所述第一神经网络的参数，直至所述损失值满足预设要求。

在一些可能的实施方式中，所述第一神经网络的损失函数为：

其中，L_s1为第一神经网络的损失函数，y_i表示第一亮度特征中像素点i的亮度分量，

表示优化的第二亮度特征中像素点i的亮度分量，N表示像素点的数量，W^(l)表示第一神经网络第l层的神经网络参数，w_i表示第i个像素点的结构权值，F表示弗罗贝尼乌斯范数，L₁表示第一神经网络中的网络层数，λ为常量。

在一些可能的实施方式中，所述训练模块获取图像样本的结构权值特征的过程包括：

获取图像样本的结构信息；

基于预设算子得到所述结构信息的梯度信息；

利用所述梯度信息得到所述结构权值特征。

在一些可能的实施方式中，所述训练模块还用于以下方式中的至少一种获取图像样本的结构信息：

利用结构-纹理分解算法获得所述图像样本的结构信息；

利用滚动导向滤波器获得所述图像样本的结构信息。

在一些可能的实施方式中，所述训练模块利用所述梯度信息得到所述结构权值特征的表达式为：

其中，w(x)表示x像素点的结构权值，g(x)表示x像素点的梯度信息。

在一些可能的实施方式中，所述转换模块还用于通过第二神经网络对所述第一反射分量执行去噪处理，其中，所述第二神经网络的损失函数的表达式为：

其中，L_s2为第二神经网络的损失函数，R_i表示第一反射分量，

表示去噪后的第二反射分量，N表示像素点的数量，W^(l)表示第二神经网络第l层的神经网络参数，F表示弗罗贝尼乌斯范数，L₂表示第二神经网络中的网络层数，

表示K-L散度，并且，

ρ_j表示第二神经网络中隐层的活跃度，ρ表示散度常量，λ为常量。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，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上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图12示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800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，个人数字助理等终端。

参照图12，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800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802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800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804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806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800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808包括一个前置摄像头和/或后置摄像头。当电子设备800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810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800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804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802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814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800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814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814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816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816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816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，电子设备800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，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图13示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图13，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932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1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (26)

1.一种图像处理方法，其特征在于，包括：

获取输入图像的第一亮度特征；

利用所述第一亮度特征得到所述输入图像的第一反射特征；

基于所述第一亮度特征和第一反射特征，得到所述输入图像的增强后的图像；

其中，所述第一反射特征中的元素表示所述输入图像各像素点的反射分量，所述利用所述第一亮度特征得到所述输入图像的第一反射特征，包括：

将所述第一亮度特征中的各元素与预设常量进行相加处理，得到加和特征；

将所述输入图像的各像素点的每个颜色通道的特征值与所述加和特征中对应像素点的特征值之间的比值，确定为对应像素点的每个颜色通道的第一反射分量；

根据各像素点的每个颜色通道的第一反射分量确定所述第一反射特征。

2.根据权利要求1所述的方法，其特征在于，所述第一亮度特征中的元素表示所述输入图像的各像素点的亮度分量，所述获取输入图像的第一亮度特征，包括：

获得输入图像中每个像素点对应的各颜色通道的特征值；

针对每个像素点，确定各颜色通道的特征值中的最大值；

将每个像素点的各颜色通道中的所述最大值确定为第一亮度特征中对应像素点的亮度分量，以得到所述第一亮度特征。

3.根据权利要求1或2所述的方法，其特征在于，所述根据各像素点的每个颜色通道的第一反射分量确定所述第一反射特征，包括：

对所述第一反射分量执行去噪处理，得到各像素点的每个颜色通道的第二反射分量；

根据各像素点的每个颜色通道的所述第二反射分量确定所述第一反射特征。

4.根据权利要求1所述的方法，其特征在于，所述基于所述第一亮度特征和第一反射特征，得到所述输入图像的增强后的图像，包括：

对所述第一亮度特征进行优化处理，得到第二亮度特征；

基于所述第二亮度特征和第一反射特征，得到所述输入图像的增强后的图像。

5.根据权利要求4所述的方法，其特征在于，对所述第一亮度特征进行优化处理，得到第二亮度特征，包括：

基于编码参数，对所述第一亮度特征执行编码处理，得到编码后的第一亮度特征；

基于解码参数，对所述编码后的第一亮度特征执行解码处理，得到所述第二亮度特征。

6.根据权利要求4或5所述的方法，其特征在于，所述基于所述第二亮度特征和第一反射特征，得到所述输入图像的增强处理后的图像，包括：

对所述第二亮度特征和第一反射特征执行乘积处理，得到重建特征；

基于所述重建特征确定所述增强后的图像。

7.根据权利要求4或5所述的方法，其特征在于，所述对所述第一亮度特征进行优化处理包括：通过第一神经网络对所述第一亮度特征进行优化处理；

其中，所述第一神经网络的训练过程，包括：

获取图像样本；

获取所述图像样本的第一亮度特征和结构权值特征，所述结构权值特征中的元素表示所述第一亮度特征中各像素点的亮度分量的权值；

将所述第一亮度特征和结构权值特征输入至所述第一神经网络，得到预测的第二亮度特征；

根据所述预测的第二亮度特征对应的损失值调整所述第一神经网络的参数，直至所述损失值满足预设要求。

8.根据权利要求7所述的方法，其特征在于，其中，所述第一神经网络的损失函数为：

其中，L_s1为第一神经网络的损失函数，y_i表示第一亮度特征中像素点i的亮度分量，

表示优化的第二亮度特征中像素点i的亮度分量，N表示像素点的数量，W^(l)表示第一神经网络第l层的神经网络参数，w_i表示第i个像素点的结构权值，F表示弗罗贝尼乌斯范数，L₁表示第一神经网络中的网络层数，λ为常量。

9.根据权利要求7所述的方法，其特征在于，获取所述图像样本的结构权值特征，包括：

获取图像样本的结构信息；

基于预设算子得到所述结构信息的梯度信息；

利用所述梯度信息得到所述结构权值特征。

10.根据权利要求9所述的方法，其特征在于，所述获取图像样本的结构信息，包括以下方式中的至少一种：

利用结构-纹理分解算法获得所述图像样本的结构信息；

利用滚动导向滤波器获得所述图像样本的结构信息。

11.根据权利要求9或10所述的方法，其特征在于，所述利用所述梯度信息得到所述结构权值特征的表达式为：

其中，w(x)表示x像素点的结构权值，g(x)表示x像素点的梯度信息。

12.根据权利要求3所述的方法，其特征在于，所述方法包括：通过第二神经网络对所述第一反射分量执行去噪处理，其中，所述第二神经网络的损失函数的表达式为：

其中，L_s2为第二神经网络的损失函数，R_i表示第一反射分量，

表示去噪后的第二反射分量，N表示像素点的数量，W^(l)表示第二神经网络第l层的神经网络参数，F表示弗罗贝尼乌斯范数，L₂表示第二神经网络中的网络层数，

表示K-L散度，并且，

ρ_j表示第二神经网络中隐层的活跃度，ρ表示散度常量，λ为常量。

13.一种图像处理装置，其特征在于，包括：

获取模块，其用于获取输入图像的第一亮度特征；

转换模块，其用于利用所述第一亮度特征得到所述输入图像的第一反射特征；

增强模块，其用于基于所述第一亮度特征和第一反射特征，得到所述输入图像的增强后的图像；

其中，所述转换模块还用于将所述第一亮度特征中的各元素与预设常量进行相加处理，得到加和特征；

将所述输入图像的各像素点的每个颜色通道的特征值与所述加和特征中对应像素点的特征值之间的比值，确定为对应像素点的每个颜色通道的第一反射分量；以及

根据各像素点的每个颜色通道的第一反射分量确定所述第一反射特征；

其中，所述第一反射特征中的元素表示所述输入图像各像素点的反射分量。

14.根据权利要求13所述的装置，其特征在于，所述获取模块还用于获得输入图像中每个像素点对应的各颜色通道的特征值；

针对每个像素点，确定各颜色通道的特征值中的最大值；以及

将每个像素点的各颜色通道中的所述最大值确定为第一亮度特征中对应像素点的亮度分量，以得到所述第一亮度特征；

其中，所述第一亮度特征中的元素表示所述输入图像的各像素点的亮度分量。

15.根据权利要求13或14所述的装置，其特征在于，所述转换模块还用于对所述第一反射分量执行去噪处理，得到各像素点的每个颜色通道的第二反射分量；以及

根据各像素点的每个颜色通道的所述第二反射分量确定所述第一反射特征。

16.根据权利要求13所述的装置，其特征在于，所述增强模块包括：

优化单元，其用于对所述第一亮度特征进行优化处理，得到第二亮度特征；

增强单元，其用于基于所述第二亮度特征和第一反射特征，得到所述输入图像的增强后的图像。

17.根据权利要求16所述的装置，其特征在于，所述优化单元还用于基于编码参数，对所述第一亮度特征执行编码处理，得到编码后的第一亮度特征；

基于解码参数，对所述编码后的第一亮度特征执行解码处理，得到所述第二亮度特征。

18.根据权利要求16或17所述的装置，其特征在于，所述增强单元还用于对所述第二亮度特征和第一反射特征执行乘积处理，得到重建特征；并且

基于所述重建特征确定所述增强后的图像。

19.根据权利要求16或17所述的装置，其特征在于，所述优化单元通过第一神经网络所述第一亮度特征进行优化处理；所述装置还包括训练模块，其用于训练所述第一神经网络，并且训练所述第一神经网络的过程包括：

获取图像样本；

获取所述图像样本的第一亮度特征和结构权值特征，所述结构权值特征中的元素表示所述第一亮度特征中各像素点的亮度分量的权值；

将所述第一亮度特征和结构权值特征输入至所述第一神经网络，得到预测的第二亮度特征；

根据所述预测的第二亮度特征对应的损失值调整所述第一神经网络的参数，直至所述损失值满足预设要求。

20.根据权利要求19所述的装置，其特征在于，所述第一神经网络的损失函数为：

其中，L_s1为第一神经网络的损失函数，y_i表示第一亮度特征中像素点i的亮度分量，

表示优化的第二亮度特征中像素点i的亮度分量，N表示像素点的数量，W^(l)表示第一神经网络第l层的神经网络参数，w_i表示第i个像素点的结构权值，F表示弗罗贝尼乌斯范数，L₁表示第一神经网络中的网络层数，λ为常量。

21.根据权利要求19所述的装置，其特征在于，所述训练模块获取图像样本的结构权值特征的过程包括：

获取图像样本的结构信息；

基于预设算子得到所述结构信息的梯度信息；

利用所述梯度信息得到所述结构权值特征。

22.根据权利要求21所述的装置，其特征在于，所述训练模块还用于以下方式中的至少一种获取图像样本的结构信息：

利用结构-纹理分解算法获得所述图像样本的结构信息；

利用滚动导向滤波器获得所述图像样本的结构信息。

23.根据权利要求21或22所述的装置，其特征在于，所述训练模块利用所述梯度信息得到所述结构权值特征的表达式为：

其中，w(x)表示x像素点的结构权值，g(x)表示x像素点的梯度信息。

24.根据权利要求15所述的装置，其特征在于，所述转换模块还用于通过第二神经网络对所述第一反射分量执行去噪处理，其中，所述第二神经网络的损失函数的表达式为：

其中，L_s2为第二神经网络的损失函数，R_i表示第一反射分量，

表示去噪后的第二反射分量，N表示像素点的数量，W^(l)表示第二神经网络第l层的神经网络参数，F表示弗罗贝尼乌斯范数，L₂表示第二神经网络中的网络层数，

表示K-L散度，并且，

ρ_j表示第二神经网络中隐层的活跃度，ρ表示散度常量，λ为常量。

25.一种电子设备，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12中任意一项所述的方法。

26.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至12中任意一项所述的方法。

Images