CN109981991A - 模型训练方法、图像处理方法、装置、介质和电子设备 - Google Patents

Abstract

本发明公开了一种模型训练方法、图像处理方法、装置、介质和电子设备，涉及图像处理技术领域。该模型训练方法包括：获取满足预设要求的第一图像；确定与所述第一图像对应且包含异常信息的第二图像；以所述第二图像作为图像处理模型的输入且所述第一图像作为所述图像处理模型的输出的方式确定训练样本；利用所述训练样本对所述图像处理模型进行训练。本公开可以去除图像中的异常信息，提高图像的展示效果。

Description

模型训练方法、图像处理方法、装置、介质和电子设备

技术领域

本公开涉及图像处理技术领域，具体而言，涉及一种模型训练方法、图像处理方法、模型训练装置、图像处理装置、存储介质和电子设备。

背景技术

高速摄影也称凝时摄影或运动摄影，是指在短时间内拍摄快速移动的物体，产生冻结瞬间的效果。高速摄影通常需要专业的相机设备以及拍摄者较高的拍摄技巧，例如，设置较大的光圈、较快的快门速度、较高的ISO(International Organization forStandardization的缩写，国际标准化组织，该组织对感光度做了量化规定，可以将ISO的中文名可以理解为：感光度)，并选准时间进行拍摄。

在拍摄方面，对于非专业的设备(例如，手机、平板等)，无法拍摄出效果较好的高速摄影照片。原因在于，一方面，这些非专业的设备往往不具有较大的光圈，在这种情况下，需要将ISO值设置为很大(例如，1600)，然而过大的ISO值会产生强烈的噪声；另一方面，快门速度较慢，如果物体的移动速度较快，会出现照片模糊的情况。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种模型训练方法、图像处理方法、模型训练装置、图像处理装置、存储介质和电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的高速摄影效果不佳的问题。

根据本公开的一个方面，提供一种模型训练方法，包括：获取满足预设要求的第一图像；确定与所述第一图像对应且包含异常信息的第二图像；以所述第二图像作为图像处理模型的输入且所述第一图像作为所述图像处理模型的输出的方式确定训练样本；利用所述训练样本对所述图像处理模型进行训练。

在本公开的一种示例性实施例中，通过相机拍摄所述第一图像；其中，确定与所述第一图像对应且包含异常信息的第二图像包括：调整相机的拍摄参数，以使拍摄出的图像包含异常信息；在拍摄所述第一图像后一预设时间段内拍摄图像，将拍摄出的图像作为与所述第一图像对应且包含异常信息的第二图像。

在本公开的一种示例性实施例中，所述异常信息包含使图像模糊化而产生的信息；其中，确定与所述第一图像对应且包含异常信息的第二图像包括：对所述第一图像进行模糊化处理，以确定与所述第一图像对应且包含异常信息的第二图像。

在本公开的一种示例性实施例中，对所述第一图像进行模糊化处理包括：确定点扩散函数；利用所述点扩散函数对所述第一图像进行处理，以实现所述第一图像的模糊化处理。

在本公开的一种示例性实施例中，所述异常信息包含噪声信息；其中，确定与所述第一图像对应且包含异常信息的第二图像包括：确定所述第一图像上各像素对应的随机数；分别将各像素的像素值与对应的随机数相结合，以确定与所述第一图像对应且包含异常信息的第二图像。

根据本公开的一个方面，提供一种图像处理方法，包括：根据当前拍摄场景确定目标拍摄参数；在所述目标拍摄参数下，响应用户的拍摄操作生成中间图像；利用一训练后的图像处理模型对中间图像进行处理，以得到目标图像。

在本公开的一种示例性实施例中，所述图像处理方法还包括：如果所述目标图像的指标异常，则对所述目标图像进行处理以调整指标；其中，所述目标图像的指标包括亮度和/或白平衡。

在本公开的一种示例性实施例中，根据当前拍摄场景确定目标拍摄参数包括：确定当前拍摄场景的光照度作为目标光照度；利用一参数对照表确定与所述目标光照度对应的目标拍摄参数。

在本公开的一种示例性实施例中，所述图像处理方法还包括：利用上述任意一实施例所述的模型训练方法对图像处理模型进行训练，以确定训练后的图像处理模型。

在本公开的一种示例性实施例中，利用一训练后的图像处理模型对中间图像进行处理，以得到目标图像，包括：如果所述中间图像的分辨率大于与所述图像处理模型相适应的图像的分辨率，则对所述中间图像进行切割，以确定多个中间子图像；利用训练后的图像处理模型分别对所述多个中间子图像进行处理；将处理后的多个中间子图像进行拼接，以得到目标图像。

在本公开的一种示例性实施例中，在利用一训练后的图像处理模型对中间图像进行处理之前，所述图像处理方法还包括：判断所述中间图像是否满足预设要求；其中，如果所述中间图像未满足所述预设要求，则用一训练后的图像处理模型对中间图像进行处理。

根据本公开的一个方面，提供一种模型训练装置，包括图像获取模块、图像确定模块、样本确定模块和模型训练模块。

具体的，图像获取模块用于获取满足预设要求的第一图像；图像确定模块用于确定与所述第一图像对应且包含异常信息的第二图像；样本确定模块用于以所述第二图像作为图像处理模型的输入且所述第一图像作为所述图像处理模型的输出的方式确定训练样本；模型训练模块用于利用所述训练样本对所述图像处理模型进行训练。

在本公开的一种示例性实施例中，第一图像由相机拍摄出；其中，图像确定模块被配置为执行：调整相机的拍摄参数，以使拍摄出的图像包含异常信息；在拍摄所述第一图像后一预设时间段内拍摄图像，将拍摄出的图像作为与所述第一图像对应且包含异常信息的第二图像。

在本公开的一种示例性实施例中，所述异常信息包含使图像模糊化而产生的信息；其中，图像确定模块包括图像模糊单元。

具体的，图像模糊单元用于对所述第一图像进行模糊化处理，以确定与所述第一图像对应且包含异常信息的第二图像。

在本公开的一种示例性实施例中，图像模糊单元被配置为执行：确定点扩散函数；利用所述点扩散函数对所述第一图像进行处理，以实现所述第一图像的模糊化处理。

在本公开的一种示例性实施例中，所述异常信息包含噪声信息；其中，图像确定模块还包括噪声添加单元。

具体的，噪声添加单元被配置为执行：确定所述第一图像上各像素对应的随机数；分别将各像素的像素值与对应的随机数相结合，以确定与所述第一图像对应且包含异常信息的第二图像。

根据本公开的一个方面，提供一种图像处理装置，包括参数确定模块、图像生成模块和图像处理模块。

具体的，参数确定模块用于根据当前拍摄场景确定目标拍摄参数；图像生成模块用于在所述目标拍摄参数下，响应用户的拍摄操作生成中间图像；图像处理模块用于利用一训练后的图像处理模型对中间图像进行处理，以得到目标图像。

在本公开的一种示例性实施例中，图像处理装置还包括指标调整模块。

具体的，指标调整模块用于如果所述目标图像的指标异常，则对所述目标图像进行处理以调整指标；其中，所述目标图像的指标包括亮度和/或白平衡。

在本公开的一种示例性实施例中，参数确定模块被配置为执行：确定当前拍摄场景的光照度作为目标光照度；利用一参数对照表确定与所述目标光照度对应的目标拍摄参数。

在本公开的一种示例性实施例中，图像处理装置还包括模型训练装置。

具体的，模型训练装置用于利用上述任一实施例所述的模型训练方法对图像处理模型进行训练，以确定训练后的图像处理模型。

在本公开的一种示例性实施例中，图像处理模块被配置为执行：如果所述中间图像的分辨率大于与所述图像处理模型相适应的图像的分辨率，则对所述中间图像进行切割，以确定多个中间子图像；利用训练后的图像处理模型分别对所述多个中间子图像进行处理；将处理后的多个中间子图像进行拼接，以得到目标图像。

在本公开的一种示例性实施例中，图像处理装置还包括图像判断模块。

具体的，图像判断模块用于判断所述中间图像是否满足预设要求；其中，如果所述中间图像未满足所述预设要求，则用一训练后的图像处理模型对中间图像进行处理。

根据本公开的一个方面，提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一实施例所述的模型训练方法或上述任意一项所述的图像处理方法。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一实施例所述的模型训练方法或上述任意一项所述的图像处理方法。

在本公开的一些实施例所提供的技术方案中，在用户拍摄图像后，利用一图像处理模型对图像进行处理，以得到目标图像。其中，针对图像处理模型的训练过程，首先，获取满足要求的第一图像；接下来，确定与第一图像对应且包含异常信息的第二图像；随后，以第二图像为输入且以第一图像为输出对模型进行训练。一方面，通过利用图像处理模型对用户拍摄的图像进行处理，可以得到与该图像对应的去除了异常信息的图像，使图像的展示效果更佳；另一方面，针对高速摄影的场景，可以采用本公开的图像处理方法对拍摄的图像进行处理，以消除由于模糊和噪声造成的图像展示效果差的问题，尤其在相机参数调节存在限制的非专业设备上，本公开示例性实施方式的图像处理方法有着广泛的应用前景。

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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示意性示出了根据本公开的示例性实施方式的模型训练方法的流程图；

图2示意性示出了根据本公开的示例性实施方式的图像处理方法的流程图；

图3示意性示出了根据本公开的示例性实施方式的模型训练装置的方框图；

图4示意性示出了根据本公开的示例性实施方式的图像确定模块的方框图；

图5示意性示出了根据本公开的另一示例性实施方式的图像确定模块的方框图；

图6示意性示出了根据本公开的示例性实施方式的图像处理装置的方框图；

图7示意性示出了根据本公开的另一示例性实施方式的图像处理装置的方框图；

图8示意性示出了根据本公开的又一示例性实施方式的图像处理装置的方框图；

图9示意性示出了根据本公开的再一示例性实施方式的图像处理装置的方框图；

图10示出了根据本公开的示例性实施方式的存储介质的示意图；以及

图11示意性示出了根据本公开的示例性实施方式的电子设备的方框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，本公开所用的术语“第一”、“第二”仅是为了区分的目的，不应当作为本公开内容的限制。

在本公开的示例性实施方式中，下面所述的模型训练方法通常可以由服务器来实现，也就是说，可以由服务器执行模型训练方法的各个步骤，在这种情况下，模型训练装置可以配置在该服务器内。然而，模型训练方法还可以由终端设备(如，手机、平板、个人计算机等)来实现，本公开对此不做特殊限制。

另外，下面所述的图像处理方法通常可以由终端设备来实现，以便可以对终端设备拍摄的图像进行实时处理。在这种情况下，图像处理装置可以配置在该终端设备内。然而，在对实时性要求不高的场景下，图像处理方法还可以由服务器来实现，本公开对此亦不做特殊限制。

图1示意性示出了本公开的示例性实施方式的模型训练方法的流程图。参考图1，所述模型训练方法可以包括以下步骤：

S12.获取满足预设要求的第一图像。

根据本公开的一些实施例，预设要求可以包括：图像中异常信息小于一阈值。此处所述的异常信息可以包括图像噪声以及由于拍摄等原因导致图像模糊的信息。

根据本公开的另一些实施例，预设要求还可以包括：图像是人为标记的图像，可以通过人为的感知人工标记出高清图像。也就是说，通过人工进行判断，确定出展示效果好的图像。

服务器可以从一图像集中获取满足上述预设要求的图像作为第一图像。其中，图像集可以是预先存储在一本地存储空间的图像集，然而，图像集还可以是通过联网的方式从网络上确定的图像集。本公开对图像集的大小、图像集包含图像的类型等不做特殊限制。

另外，第一图像还可以是终端设备实时拍摄的图像。在这种情况下，第一图像可以将拍摄的第一图像发送至服务器。

S14.确定与所述第一图像对应且包含异常信息的第二图像。

根据本公开的一些实施例，在第一图像为通过终端设备的相机拍摄到的图像的情况下，首先，服务器可以向终端设备发送参数调整指令，以便对相机的拍摄参数均进行调整，使得接下来终端设备拍摄出的图像包含异常信息；接下来，服务器可以控制终端设备在拍摄第一图像后的预设时间段内拍摄图像，将拍摄到的图像作为第二图像。其中，可以将预设时间段设置为很小，使得拍摄对象的状态几乎没有变化，由此，第二图像与第一图像对应且包含有异常信息。

例如，终端设备在拍摄第一图像时，配置的拍摄参数可以包括较大的光圈、较小的ISO、较短的曝光时间等。而进行第二图像的拍摄时，可以将拍摄参数配置为包括较小的光圈、较大的ISO、较长的曝光时间等。由此，第二图像相对于第一图像，虽然拍摄对象未出现变化，然而，第二图像会存在一些噪声(或称为噪点)。

根据本公开的另一些实施例，步骤S14中的异常信息可以包含使图像模糊化而产生的信息，在这种情况下，服务器可以对步骤S12中获取的第一图像进行模糊化处理，以确定出与第一图像对应且包含异常信息的第二图像。

针对模糊化处理的过程，首先，服务器可以确定点扩散函数(Point SpreadFunction，PSF)。点扩散函数是描述光学系统对点源解析能力的函数。针对不同的图像，点扩散函数的方向以及强度可以均有所不同。其中，点扩散函数的方向可以对应于拍摄对象可能的随机运动方向，例如，直线运动或曲线运动，容易理解的是，此处所述的运动方向可以是相比于相机的相对方向；而点扩散函数的强度可以表征拍摄对象运动的快慢程度。

点扩散函数可以是一个卷积核，该卷积核的权值可以随机生成，本公开对此不做特殊限制。

接下来，服务器可以利用点扩散函数对第一图像进行处理，以实现第一图像的模糊化处理。具体的，可以将第一图像与点扩散函数进行卷积处理，卷积处理的结果即为第二图像。

根据本公开的另一些实施例，步骤S14中的异常信息可以包含噪声信息，在这种情况下，服务器可以对步骤S12中获取的第一图像进行噪声处理，以确定第二图像。

针对噪声处理的过程，在一个实施例中，首先，可以确定第一图像上各像素对应的随机数。具体的，随机数可以满足特定分布，其中，特定分布可以例如是高斯分布，C++、Python、MATLAB等均提供有服从高斯分布的随机数。然而，应当理解的是，特定分布还可以是泊松分布，或者是高斯分布与泊松分布的结合，本公开对特定分布的具体形式不做特殊限制。

接下来，服务器可以分别将各像素的像素值与对应的随机数相结合，以确定与第一图像对应且包含异常信息的第二图像。例如，如果第一图像中一像素的像素值为100，对应的随机数为10，则第二图像中对应像素的像素值为110。

针对噪声处理的过程，在另一个实施例中，首先，针对第一图像上的多个像素，确定各像素对应的随机数。具体的，可以采用随机算法从第一图像的所有像素中确定多个像素，例如，在共有1000个像素的图像中，从中随机确定120个像素作为待进行噪声处理的像素；接下来，确定所述多个像素中各像素对应的随机数，类似地，此处的随机数也可以例如服从高斯分布；随后，可以分别将多个像素的像素值与对应的随机数相结合，以确定与第一图像对应且包含异常信息的第二图像。

另外，针对噪声处理，本公开还可以采用高斯噪声、泊松噪声、瑞丽噪声、伽马噪声、指数分布噪声、椒盐噪声、周期噪声中的任一种或多种为图像添加噪声的方法对第一图像进行处理，以得到第二图像。

上面实施例分别对第一图像进行模糊化处理和噪声处理，以得到与第一图像对应且包含异常信息的第二图像。应当理解的是，本公开的另一些实施例中，可以将模糊化处理与噪声处理相结合，以确定出既存在由于模糊化而产生的异常信息又存在噪声对应的异常信息的第二图像。

具体的，服务器可以先对第一图像进行模糊化处理，再对模糊化处理后的第一图像上添加噪声信息，以得到第二图像。或者，服务器可以先对第一图像添加噪声信息，再对添加噪声信息的第一图像进行模糊化处理，本公开对使第一图像产生异常信息的过程顺序不做特殊限制。

S16.以所述第二图像作为图像处理模型的输入且所述第一图像作为所述图像处理模型的输出的方式确定训练样本。

在本公开的示例性实施方式中，以第一图像和第二图像作为用于训练图像处理模型的一组样本。通过重复上述步骤S12和步骤S14，可以确定多组样本，以形成用于训练模型的训练集。

本公开所述的图像处理模型可以是卷积神经网络模型，该卷积神经网络模型的输入为图像且输出为图像。例如，可以采用FCN(Fully Convolutional Networks，全卷积网络)、UNet等的网络架构来实现图像处理模型。本公开对图像处理模型中卷积层的数量、权重、特征结合方式均不作特殊限制。

S18.利用所述训练样本对所述图像处理模型进行训练。

在本公开的示例性实施方式中，可以利用步骤S16中确定的训练样本对图像处理模型进行训练。另外，本公开的模型训练方法还可以包括利用上述步骤S12和步骤S14确定出另一些样本，以对训练后的图像处理模型进行验证。

此外，如果训练样本的分辨率与图像处理模型不适配，则可以对训练样本进行切割处理。例如，训练样本的分辨率为3000×4000，然而，由于图像处理模型的显存问题，可能只能接受分辨率为512×512的输入，在这种情况下，可以将训练样本进行切割处理，将切割后的子样本分别输入至模型进行训练。

进一步的，本示例实施方式中还提供了一种图像处理方法。

图2示意性示出了本公开的示例性实施方式的图像处理方法的流程图。参考图2，所述图像处理方法可以包括以下步骤：

S22.根据当前拍摄场景确定目标拍摄参数。

根据本公开的一些实施例，终端设备可以确定当前拍摄场景的光照度作为目标光照度，并利用一参数对照表确定与目标光照度对应的目标拍摄参数。其中，开发人员可以根据经验确定出光照度与拍摄参数的对应关系，并形成参数对照表，本公开对参数对照表的形式、所包含的内容不做特殊限制。

考虑到当前拍摄场景，选择拍摄参数，可以有效地提升图像的展示效果，真实感更强。

除光照度之外，在本公开的另一些实施例中，可以预先构建场景与拍摄参数的对应关系，这些场景可以例如包括晴天、阴雨天、雪天、夜晚、室内环境等。在实际应用中，终端设备可以利用图像识别技术识别出当前拍摄的场景，接下来，利用预先构建的对应关系确定出与当前场景匹配的目标拍摄参数。

S24.在所述目标拍摄参数下，响应用户的拍摄操作生成中间图像。

在确定出目标拍摄参数后，可以响应用户的拍摄操作拍摄出图像，并将该图像作为中间图像。另外，终端设备在生成中间图像后，可以直接将中间图像进行展示以便于用户查看，然而，需要注意的是，终端设备也可以不对中间图像进行展示。

S26.利用一训练后的图像处理模型对中间图像进行处理，以得到目标图像。

步骤S26中所述的图像处理模型可以与上述步骤S12至步骤S18中所述的图像处理模型相同。也就是说，可以利用上述模型训练方法对图像处理模型进行训练，以确定训练后的图像处理模型。

可以将中间图像作为图像处理模型的输入，以通过该模型对中间图像进行处理，得到目标图像。

根据本公开的一些实施例，如果中间图像的分辨率大于与图像处理模型相适应的图像的分辨率，则可以对中间图像进行切割，以确定多个中间子图像。这里所说的与图像处理模型相适应的图像的分辨率可以指代训练模型时所采用的样本的分辨率。

接下来，可以利用训练后的图像处理模型分别对多个中间子图像进行处理，并将处理后的多个中间子图像进行拼接，以得到目标图像。

另外，为了确保中间子图像平滑且完整的拼接过程，在对中间图像进行切割时，可以为中间子图像预留交叠区域，以避免拼接处可能不连续的情况。

在确定出目标图像后，本公开的图像处理方法还可以包括对目标图像进行指标判断的过程，其中，目标图像的指标可以包括但不限于亮度、白平衡等。具体的，可以判断各指标是否满足预设指标的要求，该预设指标的要求可以由开发人员根据自行确定，本公开对亮度、白平衡等的预设效果不进行特殊限制。

如果判断出目标图像的指标异常，则对目标图像进行处理以调整指标。以亮度为例，对目标图像进行处理包括：对目标图像上每个像素乘以一系数，以改变目标图像的亮度，进而实现指标的调整。另外，以白平衡为例，可以为像素的不同通道(红、绿、蓝)分配不同的系数，以实现白平衡的调节。

此外，在将中间图像输入图像处理模型之前，本公开的图像处理方法还可以包括判断中间图像是否满足预设要求，其中，此处的预设要求与上面步骤S12中所述的预设要求相同。

如果中间图像未满足预设要求，则用训练后的图像处理模型对中间图像进行处理。

综上所述，在用户拍摄图像后，利用一图像处理模型对图像进行处理，以得到目标图像。其中，针对图像处理模型的训练过程，首先，获取满足要求的第一图像；接下来，确定与第一图像对应且包含异常信息的第二图像；随后，以第二图像为输入且以第一图像为输出对模型进行训练。一方面，通过利用图像处理模型对用户拍摄的图像进行处理，可以得到与该图像对应的去除了异常信息的图像，使图像的展示效果更佳；另一方面，针对高速摄影的场景，可以采用本公开的图像处理方法对拍摄的图像进行处理，以消除由于模糊和噪声造成的图像展示效果差的问题，尤其在相机参数调节存在限制的非专业设备上，本公开示例性实施方式的图像处理方法有着广泛的应用前景。

应当注意，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

进一步的，本示例实施方式中还提供了一种模型训练装置。

图3示意性示出了本公开的示例性实施方式的模型训练装置的方框图。参考图3，根据本公开的示例性实施方式的模型训练装置3可以包括图像获取模块31、图像确定模块33、样本确定模块35和模型训练模块37。

具体的，图像获取模块31可以用于获取满足预设要求的第一图像；图像确定模块33可以用于确定与所述第一图像对应且包含异常信息的第二图像；样本确定模块35可以用于以所述第二图像作为图像处理模型的输入且所述第一图像作为所述图像处理模型的输出的方式确定训练样本；模型训练模块37可以用于利用所述训练样本对所述图像处理模型进行训练。

根据本公开的示例性实施例，第一图像由相机拍摄出；其中，图像确定模块33被配置为执行：调整相机的拍摄参数，以使拍摄出的图像包含异常信息；在拍摄所述第一图像后一预设时间段内拍摄图像，将拍摄出的图像作为与所述第一图像对应且包含异常信息的第二图像。

根据本公开的示例性实施例，所述异常信息包含使图像模糊化而产生的信息；参考图4，图像确定模块33可以包括图像模糊单元401。

具体的，图像模糊单元401可以用于对所述第一图像进行模糊化处理，以确定与所述第一图像对应且包含异常信息的第二图像。

根据本公开的示例性实施例，图像模糊单元401被配置为执行：确定点扩散函数；利用所述点扩散函数对所述第一图像进行处理，以实现所述第一图像的模糊化处理。

根据本公开的示例性实施例，所述异常信息包含噪声信息；参考图5，相比于图像确定模块33，图像确定模块51还可以包括噪声添加单元501。

具体的，噪声添加单元501被配置为执行：针对所述第一图像上的多个像素，确定各像素对应的随机数；分别将各像素的像素值与对应的随机数相结合，以确定与所述第一图像对应且包含异常信息的第二图像。

进一步的，本示例实施方式中还提供了一种图像处理装置。

图6示意性示出了本公开的示例性实施方式的图像处理装置的方框图。参考图6，根据本公开的示例性实施方式的图像处理装置6可以包括参数确定模块61、图像生成模块63和图像处理模块65。

具体的，参数确定模块61可以用于根据当前拍摄场景确定目标拍摄参数；图像生成模块63可以用于在所述目标拍摄参数下，响应用户的拍摄操作生成中间图像；图像处理模块65可以用于利用一训练后的图像处理模型对中间图像进行处理，以得到目标图像。

根据本公开的示例性实施例，参考图7，相比于图像处理装置6，图像处理装置7还可以包括指标调整模块71。

具体的，指标调整模块71可以用于如果所述目标图像的指标异常，则对所述目标图像进行处理以调整指标；其中，所述目标图像的指标包括亮度和/或白平衡。

根据本公开的示例性实施例，参数确定模块61被配置为执行：确定当前拍摄场景的光照度作为目标光照度；利用一参数对照表确定与所述目标光照度对应的目标拍摄参数。

根据本公开的示例性实施例，参考图8，相比于图像处理装置6，图像处理装置8还可以包括模型训练装置81。

具体的，模型训练装置81可以用于利用上述任一实施例所述的模型训练方法对图像处理模型进行训练，以确定训练后的图像处理模型。

根据本公开的示例性实施例，图像处理模块65被配置为执行：如果所述中间图像的分辨率大于与所述图像处理模型相适应的图像的分辨率，则对所述中间图像进行切割，以确定多个中间子图像；利用训练后的图像处理模型分别对所述多个中间子图像进行处理；将处理后的多个中间子图像进行拼接，以得到目标图像。

根据本公开的示例性实施例，参考图9，相比于图像处理装置6，图像处理装置9还可以包括图像判断模块91。

具体的，图像判断模块91可以用于判断所述中间图像是否满足预设要求；其中，如果所述中间图像未满足所述预设要求，则用一训练后的图像处理模型对中间图像进行处理。

由于本发明实施方式的程序运行性能分析装置的各个功能模块与上述方法发明实施方式中相同，因此在此不再赘述。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图10所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品1000，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、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)、光盘、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

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，其中承载了可读程序代码。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、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图11来描述根据本发明的这种实施方式的电子设备1100。图11显示的电子设备1100仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图11所示，电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于：上述至少一个处理单元1110、上述至少一个存储单元1120、连接不同系统组件(包括存储单元1120和处理单元1110)的总线1130、显示单元1140。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1110执行，使得所述处理单元1110执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元1110可以执行如图1中所示的步骤S12至步骤S18或者如图2中所示的步骤S22至步骤S26。

存储单元1120可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)11201和/或高速缓存存储单元11202，还可以进一步包括只读存储单元(ROM)11203。

存储单元1120还可以包括具有一组(至少一个)程序模块11205的程序/实用工具11204，这样的程序模块11205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1130可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1100也可以与一个或多个外部设备1200(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1100交互的设备通信，和/或与使得该电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1150进行。并且，电子设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1160通过总线1130与电子设备1100的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1100使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、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公开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，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限。

Claims (14)

1.一种模型训练方法，其特征在于，包括：

获取满足预设要求的第一图像；

确定与所述第一图像对应且包含异常信息的第二图像；

以所述第二图像作为图像处理模型的输入且所述第一图像作为所述图像处理模型的输出的方式确定训练样本；

利用所述训练样本对所述图像处理模型进行训练。

2.根据权利要求1所述的模型训练方法，其特征在于，通过相机拍摄所述第一图像；其中，确定与所述第一图像对应且包含异常信息的第二图像包括：

调整相机的拍摄参数，以使拍摄出的图像包含异常信息；

在拍摄所述第一图像后一预设时间段内拍摄图像，将拍摄出的图像作为与所述第一图像对应且包含异常信息的第二图像。

3.根据权利要求1所述的模型训练方法，其特征在于，所述异常信息包含使图像模糊化而产生的信息；其中，确定与所述第一图像对应且包含异常信息的第二图像包括：

对所述第一图像进行模糊化处理，以确定与所述第一图像对应且包含异常信息的第二图像。

4.根据权利要求3所述的模型训练方法，其特征在于，对所述第一图像进行模糊化处理包括：

确定点扩散函数；

利用所述点扩散函数对所述第一图像进行处理，以实现所述第一图像的模糊化处理。

5.根据权利要求1或3所述的模型训练方法，其特征在于，所述异常信息包含噪声信息；其中，确定与所述第一图像对应且包含异常信息的第二图像包括：

确定所述第一图像上各像素对应的随机数；

分别将各像素的像素值与对应的随机数相结合，以确定与所述第一图像对应且包含异常信息的第二图像。

6.一种图像处理方法，其特征在于，包括：

根据当前拍摄场景确定目标拍摄参数；

在所述目标拍摄参数下，响应用户的拍摄操作生成中间图像；

利用一训练后的图像处理模型对中间图像进行处理，以得到目标图像。

7.根据权利要求6所述的图像处理方法，其特征在于，所述图像处理方法还包括：

如果所述目标图像的指标异常，则对所述目标图像进行处理以调整指标；

其中，所述目标图像的指标包括亮度和/或白平衡。

8.根据权利要求6所述的图像处理方法，其特征在于，根据当前拍摄场景确定目标拍摄参数包括：

确定当前拍摄场景的光照度作为目标光照度；

利用一参数对照表确定与所述目标光照度对应的目标拍摄参数。

9.根据权利要求6所述的图像处理方法，其特征在于，所述图像处理方法还包括：

利用权利要求1至5中任一项所述的模型训练方法对图像处理模型进行训练，以确定训练后的图像处理模型。

10.根据权利要求9所述的图像处理方法，其特征在于，利用一训练后的图像处理模型对中间图像进行处理，以得到目标图像，包括：

如果所述中间图像的分辨率大于与所述图像处理模型相适应的图像的分辨率，则对所述中间图像进行切割，以确定多个中间子图像；

利用训练后的图像处理模型分别对所述多个中间子图像进行处理；

将处理后的多个中间子图像进行拼接，以得到目标图像。

11.一种模型训练装置，其特征在于，包括：

图像获取模块，用于获取满足预设要求的第一图像；

图像确定模块，用于确定与所述第一图像对应且包含异常信息的第二图像；

样本确定模块，用于以所述第二图像作为图像处理模型的输入且所述第一图像作为所述图像处理模型的输出的方式确定训练样本；

模型训练模块，用于利用所述训练样本对所述图像处理模型进行训练。

12.一种图像处理装置，其特征在于，包括：

参数确定模块，用于根据当前拍摄场景确定目标拍摄参数；

图像生成模块，用于在所述目标拍摄参数下，响应用户的拍摄操作生成中间图像；

图像处理模块，用于利用一训练后的图像处理模型对中间图像进行处理，以得到目标图像。

13.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的模型训练方法或权利要求6至10中任一项所述的图像处理方法。

14.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至5中任一项所述的模型训练方法或权利要求6至10中任一项所述的图像处理方法。