CN110349102A - 图像美化的处理方法、图像美化的处理装置以及电子设备 - Google Patents
图像美化的处理方法、图像美化的处理装置以及电子设备 Download PDFInfo
- Publication number
- CN110349102A CN110349102A CN201910566769.2A CN201910566769A CN110349102A CN 110349102 A CN110349102 A CN 110349102A CN 201910566769 A CN201910566769 A CN 201910566769A CN 110349102 A CN110349102 A CN 110349102A
- Authority
- CN
- China
- Prior art keywords
- image
- picture
- network
- processing
- image data
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 80
- 238000003672 processing method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 82
- 238000013528 artificial neural network Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000012805 post-processing Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004069 differentiation Effects 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 26
- 230000006870 function Effects 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 9
- 230000006854 communication Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000007667 floating Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003475 lamination Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000000153 supplemental effect Effects 0.000 description 3
- 230000003796 beauty Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010054949 Metaplasia Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000015689 metaplastic ossification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本公开涉及图像处理技术领域，提供了一种图像美化的处理方法、装置、计算机可读存储介质及电子设备。该方法包括：将待美化图像进行预处理，获取与所述待美化图像对应的第一图像数据，其中，所述待美化图像为缺乏暗部细节的图像和包含噪点的图像中的一种或多种；将所述第一图像数据输入至训练后的生成对抗深度神经网络中，基于所述生成对抗深度神经网络的生成器网络对所述第一图像数据进行美化处理，得到第二图像数据；对所述第二图像数据进行与所述预处理操作对应的后处理操作，得到美化图像，其中，所述美化图像为恢复暗部细节的图像和去除噪点的图像中的一种或多种。本技术方案能够提高图像处理效率，并能够准确恢复其暗部细节和消除图像噪点。
Description
技术领域
本公开涉及图像处理技术领域，具体而言，涉及一种图像美化的处理方法、图像美化的处理装置，以及实现所述图像方法的电子设备。
背景技术
在光线不足的情况(也称作“暗光环境”、“弱光环境”)下，如果不调整相机的感光度，则总是拍摄出来的缺乏暗部细节的模糊图像。具体的，图像暗部将会缺少细节，导致图像质量不佳。然而，在光线不足的情况下，调整相机的感光度，则拍摄出来的图像会带有大量噪点。从而，虽然在一定程度上能够挽救图像的暗部细节，但由于大量噪点的出现使得图像质量同样被大打折扣。
对于上述在光线不足的情况下的图像拍摄问题，相关技术提供曝光的解决方案。具体的，在胶片相机中，曝光是指将预涂感光版(Presensitized Plate，简称：PS版)置于晒版机工作台上，通过对底片曝光获得一种潜在或可见图像的过程。在数码照相机中，曝光是指通过将光线经过图像传感器生成数码图像的操作。其中，曝光受制于曝光的时间和通光量，在曝光时间不足或者通光量不足时会导致照片欠曝的情况下，将导致图中暗部的细节不清楚或者丢失。而在曝光时间过长或者通光量过大的情况下，将导致照片过曝，使得图像中亮部的细节不清楚或者丢失。
可见，对于暗光环境下所拍摄图像，相关技术提供的图像美化的处理方法的处理效率较低。
需要说明的是，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。
发明内容
本公开的目的在于提供一种图像美化的处理方法、图像美化的处理装置、计算机存储介质及电子设备，进而至少在一定程度上提高暗光环境下所拍摄图像的处理效率。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种图像美化的处理方法，包括：将待美化图像进行预处理，获取与所述待美化图像对应的第一图像数据，其中，所述待美化图像为缺乏暗部细节的图像和包含噪点的图像中的一种或多种；将所述第一图像数据输入至训练后的生成对抗深度神经网络中，基于所述生成对抗深度神经网络的生成器网络对所述第一图像数据进行美化处理，得到第二图像数据；以及，对所述第二图像数据进行与所述预处理操作对应的后处理操作，得到美化图像，其中，所述美化图像为恢复暗部细节的图像和去除噪点的图像中的一种或多种。
在本公开的一些实施例，基于前述方案，所述将待美化图像进行预处理，获取与所述待美化图像对应的第一图像数据，包括：获取所述待美化图像的像素矩阵；对所述像素矩阵进行数据类型转换，得到数据类型规范化后的第一矩阵；以及，对所述第一矩阵进行去均值化处理和归一化处理，获得与所述待美化图像对应的第一图像数据。
在本公开的一些实施例，基于前述方案，所述对所述第二图像数据进行与所述预处理操作对应的后处理操作，得到美化图像，包括：对所述第二图像数据进行数据类型转换，得到第二矩阵；以及，对所述第二矩阵进行加均值化处理和截断处理，获得与所述美化图像对应的像素矩阵，以根据像素矩阵生成所述美化图像。
在本公开的一些实施例，基于前述方案，在所述将所述第一图像数据输入至训练后的生成对抗深度神经网络中之前，所述方法还包括：获取多组训练样本，其中，每组所述训练样本包含输入图像和目标图像；将所述输入图像输入至生成对抗深度神经网络中的生成器网络，并基于所述生成器网络对所述输入图像进行美化处理，得到生成图像；将所述生成图像、所述输入图像以及所述目标图像输入至生成对抗深度神经网络中的判别器网络，得到关于所述生成图像的像素值的第一判别结果和关于所述目标图像的像素值的第二判别结果；以及，根据所述第一判别结果和所述第二判别结果优化所述生成对抗深度神经网络参数，得到所述图像美化模型。
在本公开的一些实施例，基于前述方案，所述根据所述第一判别结果和所述第二判别结果优化所述生成对抗深度神经网络参数，包括：根据所述生成图像和所述目标图像的像素差、所述生成图像中的相邻像素差以及所述生成器网络输出的多个生成图像之间的像素差中的一种或多种，优化所述生成器网络的参数以及优化所述判别器网络的参数。
在本公开的一些实施例，基于前述方案，所述根据所述第一判别结果和所述第二判别结果优化所述图像美化模型的模型参数，包括：保持所述生成器网络的参数不变，根据所述生成图像和所述目标图像的像素差优化所述判别器网络的参数；以及，保持所述判别器网络的优化后的参数不变，根据所述生成图像中的相邻像素差和所述生成器网络输出的多个生成图像之间的像素差中的一种或多种，优化所述生成器网络的参数。
在本公开的一些实施例，基于前述方案，所述训练样本中第一输入图像为包含缺乏暗部细节的图像，与所述第一输入图像对应的第一目标图像为恢复暗部细节的图像。
在本公开的一些实施例，基于前述方案，所述训练样本中第二输入图像为包含噪点的图像，与所述第二输入图像对应的第二目标图像为去除噪点的图像。
在本公开的一些实施例，基于前述方案，所述生成器网络包括卷积层、池化层、像素补充层、反卷积层和像素归一化层。
在本公开的一些实施例，基于前述方案，所述生成器网络中，上采样参数与下采样参数对应相等。
在本公开的一些实施例，基于前述方案，所述判别器网络包括多个卷积层。
根据本公开的一个方面，提供了一种图像美化的处理装置，所述装置包括：预处理模块，被配置为将待美化图像进行预处理，获取与所述待美化图像对应的第一图像数据，其中，所述待美化图像为缺乏暗部细节的图像和包含噪点的图像中的一种或多种；图像美化处理模块，被配置为将所述图像数据输入至训练后的生成对抗深度神经网络中，基于所述生成对抗深度神经网络的生成器网络对所述第一图像数据进行美化处理，得到第二图像数据；以及，后处理模块，被配置为对所述第二图像数据进行与所述预处理操作对应的后处理操作，得到生成图像，其中，所述生成图像为恢复暗部细节的图像和去除噪点的图像中的一种或多种。
在本公开的一些实施例，基于前述方案，所述预处理模块，包括：
获取单元，被配置为获取所述待美化图像的像素矩阵；
第一处理单元，被配置为对所述像素矩阵进行数据类型转换，得到数据类型规范化后的第一矩阵；
第二处理单元，被配置为对所述第一矩阵进行去均值化处理和归一化处理，获得与所述待美化图像对应的第一图像数据。
在本公开的一些实施例，基于前述方案，上述后处理模块，包括：转换单元和第三处理单元。其中：
上述转换单元，被配置为对所述第二图像数据进行数据类型转换，得到第二矩阵；以及，上述第三处理单元，被配置为对所述第二矩阵进行加均值化处理和截断处理，获得与所述美化图像对应的像素矩阵，以根据像素矩阵生成所述美化图像。
在本公开的一些实施例，基于前述方案，上述图像美化的处理装置还包括训练所述生成对抗深度神经网络的模型训练模块，包括：样本获取单元、图像生成单元、图像判别单元和参数优化单元。其中：
上述样本获取单元被配置为：获取多组训练样本，其中，每组所述训练样本包含输入图像和目标图像；上述图像生成单元被配置为：将所述输入图像输入至生成对抗深度神经网络中的生成器网络，并基于所述生成器网络对所述输入图像进行美化处理，得到生成图像；上述图像判别单元别配置为：将所述生成图像、所述输入图像以及所述目标图像输入至生成对抗深度神经网络中的判别器网络，得到关于所述生成图像的像素值的第一判别结果和关于所述目标图像的像素值的第二判别结果；以及，上述参数优化单元被配置为：根据所述第一判别结果和所述第二判别结果优化所述生成对抗深度神经网络参数，得到所述图像美化模型。
在本公开的一些实施例，基于前述方案，上述参数优化单元被具体配置为：根据所述生成图像和所述目标图像的像素差、所述生成图像中的相邻像素差以及所述生成器网络输出的多个生成图像之间的像素差中的一种或多种，优化所述生成器网络的参数以及优化所述判别器网络的参数。
在本公开的一些实施例，基于前述方案，上述模型训练模块，包括：第一训练单元和第二训练单元。其中：
上述第一训练单元被配置为：保持所述生成器网络的参数不变，根据所述生成图像和所述目标图像的像素差优化所述判别器网络的参数；以及，上述第二训练单元被配置为：保持所述判别器网络的优化后的参数不变，根据所述生成图像中的相邻像素差和所述生成器网络输出的多个生成图像之间的像素差中的一种或多种，优化所述生成器网络的参数。
在本公开的一些实施例，基于前述方案，所述训练样本中第一输入图像为包含缺乏暗部细节的图像，与所述第一输入图像对应的第一目标图像为恢复暗部细节的图像。
在本公开的一些实施例，基于前述方案，所述训练样本中第二输入图像为包含噪点的图像，与所述第二输入图像对应的第二目标图像为去除噪点的图像。
在本公开的一些实施例，基于前述方案，所述生成器网络包括卷积层、池化层、像素补充层、反卷积层和像素归一化层。
在本公开的一些实施例，基于前述方案，所述生成器网络中，上采样参数与下采样参数对应相等。
在本公开的一些实施例，基于前述方案，所述判别器网络包括多个卷积层。
根据本公开的一个方面，提供了一种计算机存储介质，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第一方面所述的图像美化的处理方法。
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第一方面所述的图像美化的处理方法。
由上述技术方案可知，本公开示例性实施例中的图像美化的处理方法、图像美化的处理装置、计算机存储介质及电子设备至少具备以下优点和积极效果：
在本公开的一些实施例所提供的技术方案中，将待美化图像进行预处理，获取与待美化图像对应的第一图像数据，并将第一图像数据输入至训练后的生成对抗深度神经网络中，基于生成对抗深度神经网络的生成器网络对第一图像数据进行美化处理，例如，对第一图像数据进行卷积处理、反卷积处理以及归一化处理等。进一步地，对第二图像数据进行与上述预处理操作对应的后处理操作，得到美化图像。通过生成对抗深度神经网络的方式美化图像，能够提高图像处理效率。同时，基于本公开提供的技术方案可以针对暗环境下拍摄的图像进行修正与美化。具体的，对于在暗环境中拍摄的欠曝光图像，能够恢复其暗部细节，对于在暗环境中拍摄的过曝光图像，能够消除其图像中的噪点。另外，对暗环境中拍摄照片的抖动产生的不清晰图像，也能够提供修复能力。
本公开应当理解的是，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示出了可以应用本公开实施例的技术方案的示例性系统架构的示意图；
图2示出本公开一示例性实施例中图像美化的处理方法的流程示意图；
图3示出了根据本公开一实施例的图像预处理方法的流程示意图；
图4示出了根据本公开一实施例的生成对抗深度神经网络的训练方法的流程示意图；
图5示出了根据本公开一实施例的一训练样本中的输入图像示意图；
图6示出了与图5所示输入样本为同一组训练样本中的目标图像示意图；
图7示出了根据本公开一实施例的一训练样本中的输入图像示意图；
图8示出了与图7所示输入样本为同一组训练样本中的目标图像示意图；
图9示出了根据本公开一实施例的生成器网络的结构示意图；
图10示出了根据本公开一实施例的判别器网络的结构示意图；
图11示出了根据本公开一实施例的生成对抗深度神经网络的训练方法的框架示意图；
图12示出了根据本公开一实施例的优化抗神经网络参数的方法的流程示意图；
图13示出了根据本公开一实施例的图像后处理方法的流程示意图；
图14示出本公开示例性实施例中图像美化的处理装置的结构示意图；以及，
图15示出本公开示例性实施例中电子设备的结构示意图。
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。
示例实施方式中所描述的特征、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例中。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例的充分理解。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没有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，附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，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内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/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。
图1示出了可以应用本公开实施例的技术方案的示例性系统架构的示意图。
如图1所示，系统架构100可以包括移动终端101、网络102以及服务器103。其中，上述移动终端101可以是手机、便携式计算机、平板电脑等具有摄像头和显示屏幕的终端设备；网络102用以移动终端101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线通信链路、无线通信链路等等，在本公开实施例中，移动终端101和服务器103之间的网络102可以是无线通信链路，具体地可以是移动网络。
应该理解，图1中的终端、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络和服务器。比如服务器103可以是多个服务器组成的服务器集群等；服务器103也可以是多个服务器组成的服务器集群等，可用于存储与图像美化处理相关的信息。
在本公开的一个实施例中，移动终端101获取待美化图像后，并将待美化图像发送至服务器103；服务器103将待美化图像进行预处理，获取到与上述待美化图像对应的第一图像数据；服务器103将所述第一图像数据输入至训练后的生成对抗深度神经网络中，基于生成对抗深度神经网络的生成器网络对第一图像数据进行美化处理；并进一步地，服务器103对上述第二图像数据进行与所述预处理操作对应的后处理操作，得到美化图像，并将美化图像返回至移动终端101。
在本公开的一个实施例中，移动终端101获取待美化图像后，将待美化图像进行预处理，获取到与上述待美化图像对应的第一图像数据，并将第一图像数据发送至服务器103；服务器103将所述第一图像数据输入至训练后的生成对抗深度神经网络中，基于生成对抗深度神经网络的生成器网络对第一图像数据进行美化处理；并进一步地，服务器103将第二图像数据返回至移动终端101；移动终端101对上述第二图像数据进行与所述预处理操作对应的后处理操作，得到美化图像。
需要说明的是，本公开实施例所提供的图像美化的处理方法一般由服务器103执行，相应地，图像美化的处理装置一般设置于服务器103中。但是，在本公开的其它实施例中，终端也可以与服务器具有相似的功能，从而执行本公开实施例所提供的图像美化的处理方案。
对于相关技术提供的图像美化的处理方法中，对于暗光环境下所拍摄图像的处理效率较低的问题。发明人进行以下尝试：
1.基于卷积神经网络算法对低照度图像进行处理的方法。具体而言，基于卷积神经网络算法对低照度图像进行处理的方法即通过设计卷积网络结构，通过卷积结构提取图像特征，并对相应的指标进行迭代训练从而获得生成目标图像的方法。基于传统图像处理的算法则是基于基本的计算机图形学原理对图像进行处理的方法，该方法也可以配合卷积神经网络算法对图像进行处理。最后基于高性能摄像硬件的方式则是得益于硬件性能或者指标的提升来改善不良环境下的照片质量。然而，基于卷积神经网络算法对低照度图像进行处理的方法受限于其训练的方式，其最终生成目标图像在去噪、恢复暗部细节以及提高清晰度等效果较差。
2.基于传统图像处理算法对暗环境下拍摄照片的曝光和噪点进行处理的方法。基于传统图像处理算法对暗环境下拍摄照片的曝光的处理无法智能处理照片中过曝或者是欠曝的情况，其处理的结果往往导致在处理完过曝的区域后，其他原本正常曝光的区域出现了欠曝的情况，另外传统图像处理算法去噪能力较弱，一般来说，传统图像处理算法去噪会导致图像模糊，细节丢失等问题。
3.基于高性能摄像硬件的方式来改善图像效果的方法。基于高性能摄像硬件的方式则依赖于高性能摄像硬件，而这些新的硬件往往价格高昂，导致图像处理的成本较高。
本公开提供的技术方案中，基于训练生成对抗深度神经网络而确定图像美化模型，通过图像美化模型来对待处理图像进行美化。根据本公开提供的技术方案可以针对暗环境下拍摄的图像进行修正与美化。具体的，对于在暗环境中拍摄的欠曝光图像，能够恢复其暗部细节，对于在暗环境中拍摄的过曝光图像，能够消除其图像中的噪点。另外，对暗环境中拍摄照片的抖动产生的不清晰图像，本公开提供的技术方案能够提供修复能力。同时，此方案处理图像的成本低，适用范围广。
其中，生成对抗深度神经网络是一种神经网络，其相较于传统神经网络主要特点是除了拥有生成器网络结构外还拥有一个判别器网络结构。其中生成器网络用来生成图像，而判别器网络则用来判断判别一幅图像(包括目标图像和生成图像)的真假。在训练生成对抗深度神经网络的过程中，通过计算生成图像与目标图像的差异，以及判别器网络判断图像的误差等进行迭代训练。进而，通过生成器网络与判别器网络的对抗式训练过程，优化生成器网络的网络参数，从而使得生成图像接近目标需求。从而，生成对抗深度神经网络因为其生成器网络与判别器网络相互对抗的特性，能够生成质量较高的图像。
在本公开的实施例中，提供了一种图像美化的处理方法，至少在一定程度上克服相关技术或发明人的上述尝试方案中所存在的缺陷。本实施例提供的图像美化的处理方法的执行主体可以是具有计算处理功能的设备。
图2示出本公开一示例性实施例中图像美化的处理方法的流程示意图。参考图2，该实施例提供的图像美化的处理方法，包括：
步骤S210，将待美化图像进行预处理，获取与所述待美化图像对应的第一图像数据，其中，所述待美化图像为缺乏暗部细节的图像和包含噪点的图像中的一种或多种；
步骤S220，将所述第一图像数据输入至训练后的生成对抗深度神经网络中，基于所述生成对抗深度神经网络的生成器网络对所述第一图像数据进行美化处理，得到第二图像数据；以及
步骤S230，对所述第二图像数据进行与所述预处理操作对应的后处理操作，得到美化图像，其中，所述美化图像为恢复暗部细节的图像和去除噪点的图像中的一种或多种。
在图2所示实施例提供的技术方案中，将待美化图像进行预处理，获取与待美化图像对应的第一图像数据，并将第一图像数据输入至训练后的生成对抗深度神经网络中，基于生成对抗深度神经网络的生成器网络对第一图像数据进行美化处理，例如，对第一图像数据进行卷积处理、反卷积处理以及归一化处理等。进一步地，对第二图像数据进行与上述预处理操作对应的后处理操作，得到美化图像。通过生成对抗深度神经网络的方式美化图像，能够提高图像处理效率。同时，基于本公开提供的技术方案可以针对暗环境下拍摄的图像进行修正与美化。具体的，对于在暗环境中拍摄的欠曝光图像，能够恢复其暗部细节，对于在暗环境中拍摄的过曝光图像，能够消除其图像中的噪点。另外，对暗环境中拍摄照片的抖动产生的不清晰图像，本公开提供的技术方案能够提供修复能力。
以下对图2所示实施例的各个步骤的具体实施方式进行详细阐述：
在示例性的实施例中，图3示出了根据本公开一实施例的图像预处理方法的流程示意图，可以作为步骤S210的一种具体实施方式。参考图3，该实施例提供的图像预处理方法包括步骤S310-步骤S330。
在步骤S310中，获取所述待美化图像的像素矩阵。
在示例性的实施例中，上述待美化图像是指缺乏暗部细节的图像(即，由于暗环境下进行拍摄时欠曝光导致的模糊图像)，和/或，上述待美化图像是指包含噪点的图像(即，由于暗环境下进行拍摄时过曝光导致的含噪点图像)。另外，上述像素矩阵是由图像的像素值组成的矩阵。为了实现对图像的修正处理，获取待美化图像像素值，进而确定待美化图像对应的像素矩阵。
在步骤S320中，对所述像素矩阵进行数据类型转换，得到数据类型规范化后的第一矩阵。
在示例性的实施例中，得到待美化图像的像素矩阵之后，像素矩阵中的像素值的数据类型为整型，通过数据类型转换，得到浮点型像素数据。
在步骤S330中，对所述第一矩阵进行去均值化处理和归一化处理，获得与所述待美化图像对应的第一图像数据。
在神经网络中，特征值x比较大的时候，会导致W*x+b(其中，W为神经网络的权重参数，b为神经网络的偏置参数)的结果也会很大，进而激活函数(如relu)输出时，会导致对应数值变化量太小。再进行反向传播的梯度计算时，将会导致梯度消散问题，使得参数改变量很小，从而不易于拟合。
因此，在示例性的实施例中，为了降低后续拟合难度，得到浮点型像素数据的像素矩阵之后，需对其进行去均值处理。具体的，浮点型像素数据的像素矩阵的各维度都减对应维度的均值，使得浮点型像素数据的各个维度都被中心化。
在示例性的实施例中，为了把各个特征的尺度控制在相同的范围内，以便于获取最优解，对上述去均值处理之后的数据进行方差归一化。
通过图3所示实施例提供的图像预处理方法，便获取到与待美化图像对应的第一图像数据。进一步的，在步骤S220将上述第一图像数据输入至训练后的生成对抗深度神经网络中之前，需训练一生成对抗深度神经网络。
在示例性的实施例中，图4示出了根据本公开一实施例的生成对抗深度神经网络的训练方法的流程示意图。参考图4，该实施例提供的图像预处理方法包括步骤S410-步骤S440。
在步骤S410中，获取多组训练样本，其中，每组所述训练样本包含输入图像和目标图像。
本示例性的实施例中，上述每组训练样本包括配对的输入图像和目标图像。图5-图8示出了根据本公开实施例的两组训练样本。
示例性的，上述训练样本中第一输入图像为包含缺乏暗部细节的图像，与上述第一输入图像对应的第一目标图像为恢复暗部细节的图像。例如，上述输入图像为如图5所示的缺失暗部细节的图像a，则同组的目标图像为恢复暗部细节的图像b(如图6)。
示例性的，上述训练样本中第二输入图像为包含噪点的图像，与上述第二输入图像对应的第二目标图像为去除噪点的图像。例如，上述输入图像为如图7所示的包含噪点的图像c，则同组的目标图像为去除噪点的图像d(如图8)。
可见，每组训练样本中输入图像是待美化图像，目标图像为期待美化后的图像。
通过获取上述缺失暗部细节的图像、对应的恢复暗部细节的图像，以及获取上述包含噪点的图像、对应的去除噪点的图像，作为训练数据集，以训练出能够恢复暗部细节和去除噪点的图像美化模型。
在步骤S420中，将所述输入图像输入至生成对抗深度神经网络中的生成器网络，并基于所述生成器网络对所述输入图像进行美化处理，得到生成图像；以及，在步骤S430中，将所述生成图像、所述输入图像以及所述目标图像输入至生成对抗深度神经网络中的判别器网络，得到关于所述生成图像的像素值的第一判别结果和关于所述目标图像的像素值的第二判别结果。
在示例性的实施例中，在介绍对生成对抗深度神经网络的训练过程之前，先对本实施例采用的生成对抗深度神经网络的网络结构进行说明。具体的，图9和图10分别示出了根据本公开一实施例的生成对抗深度神经网络的生成器网络和判别器网络的网络结构。
参考图9，该实施例提供的生成器网络Generator包括卷积层、池化层、像素补充层、反卷积层和像素归一化层。其中，在神经网络架构中，卷积操作和池化操作可用于提取图像的深层特征，但是相较于输入图像，多次的卷积操作、池化操作使得得到的特征图不断减小，从而造成信息丢失。因此，本实施例中为了减少信息的丢失，对于每一次下采样(如图9中，由91至910)，采用对应的上采样(如图9中，由911至920)是指恢复输入图像的大小。从而，本实施例中，生成器网络中，上采样参数与下采样参数对应相等，从而上采样阶段对图像进行的缩略，在下采样阶段进行了相对应的图像放大。也就是说，本实施例中生成器网络采用Unet网络结构(如图9中的虚线成“U”形状)，进而能够减少网络传递过程中原始信息的丢失，从而改善网络后半部分输出过程中的结构不一致或者语义不一致的现象，最终提高美化处理后的图像质量。
在示例性的实施例中，图9所示的生成器网络中在上采样920中还采用tanh函数作为激活函数。
在示例性的实施例中，参考图10，本实施例提供的生成对抗深度神经网络模型的判别器网络Discriminator包括多个卷积层，其中，在下采样1110中采用sigmoid函数作为激活函数。
在示例性的实施例中，图9和图10仅为示意性示出的生成器网络和判别器网络的网络结构。实际操作中，可以根据实际需要对网络结构进行调整，因而本公开中用于图像美化的生成对抗深度神经网络的网络结构具备可扩展性。
在示例性的实施例中，图11示出了根据本公开一实施例的生成对抗深度神经网络的训练方法的框架示意图。参考图11，生成对抗深度神经网络包含生成器网络G1110和判别器网络D1120。
生成器网络G用来对待美化图像(输入图像)进行美化处理(例如：卷积处理、反卷积处理和归一化处理等)，并将其美化处理之后的图像输出作为生成图像。而判别器网络D用来接收上述生成图像，以及与上述待美化图像(输入图像)同一组的目标图像，进而判别一幅图像(包括目标图像和生成图像)的真假。同时，判别器网络D的训练目标是：判别目标图像为真，判别生成图像为假。而生成器网络G的训练目标是：对于待美化图像(输入图像)进行美化处理得到另判别器网络的判别结果为真的生成图像，即使得生成图像越接近目标图像，以达到以假乱真的效果。
具体的，参考图11，将一组训练样本中的输入图像111进行预处理之后，输入至生成器网络G1110(例如图9所示的生成器网络)中。生成器网络G1110对其进行美化处理得到生成图像112。进一步地，将输入图像111、同一组训练样本中的目标图像113以及上述生成图像112输入至判别器网络D1120(例如图10所示的判别器网络)中。具体的，判别器网络D1120根据生成图像112和输入图像111的比对得到关于生成图像111的像素值的第一判别结果，以及判别器网络D1120根据目标图像113和输入图像111的比对关于目标图像113的像素值的第二判别结果。
继续参考图4，在步骤S440中，根据所述第一判别结果和所述第二判别结果优化所述生成对抗深度神经网络参数，得到所述图像美化模型。
在示例性的实施例中，根据上述生成图像112和上述目标图像113的像素差、上述生成图像112中的相邻像素差和/或上述生成器网络G1110输出的多个生成图像之间的像素差，来优化生成器网络的参数以及优化所述判别器网络的参数。
在示例性的实施例中，输入生成器网络G1110的输入图像111对应的数据为z，生成器网络G1110输出的生成图像112对应的数据为G(z；θg)。判别器网络D1120的输入目标图像113对应的数据x以及生成图像112对应的数据为G(z；θg)，输出一个表示该输入是目标图像或者生成图像的二分类置信度D(x；θd)。进而，本实施例中可以定义如下的损失函数：
其中,xi、zi分别为目标图像113对应的数据以及生成图像112对应的数据。而优化目标则是：min{G[max(D(Loss))]}。
在示例性的实施例中，先训练判别器网络D1120，即通过迭代优化判别器网络D1120的参数θd，以使得判别器网络D1120的判别准确率达到预设阈值。进一步地，再训练生成器网络G1110，即通过迭代优化生成器网络G1110的参数θg，以使得生成器网络G1110能够生成用户期待的美化图像。
示例性的，图12示出了根据本公开一实施例的优化抗神经网络参数的方法的流程示意图。参考图12，该实施例提供的方法包括步骤S1210和步骤S1220。
在步骤S1210中，保持所述生成器网络的参数不变，根据所述生成图像和所述目标图像的像素差优化所述判别器网络的参数。
示例性的，上述生成图像对应的数据zi用于体现生成图像的像素值，以及上述目标图像对应的数据xi用于体现目标图像的像素值。进一步的，根据上述生成图像和上述目标图像的像素差优化所述判别器网络的参数θd的一种具体实施方式可以是：
根据M组训练样本中的目标图像113对应的数据xi＝x1，，，xm，以及将上述M组组训练样本中的生成图像112对应的数据zi＝z1，，，zm计算下式：
然后，通过梯度下降法更新上述判别器网络D的参数θd。
在步骤S1220中，保持所述判别器网络的优化后的参数不变，根据所述生成图像中的相邻像素差和所述生成器网络输出的多个生成图像之间的像素差中的一种或多种，优化所述生成器网络的参数。
示例性的，上述生成图像中的相邻像素差是指：同一生成图像中相邻两个像素的像素差，通过同一生成图像的相邻像素差可有助于生成器网络确定噪点位置/暗部细节的位置，进而准确地美化图像。其中，生成图像对应的数据zi为一像素矩阵，则生成图像对应的数据zi可以用来体现上述生成图像中的相邻像素差。
示例性的，上述生成器网络输出的多个生成图像之间的像素差是指：对于同一输入图像，生成器网络G输出的多个生成图像(如，zi和z1+i)的相同位置处。例如，生成图像zi中A点的像素值和生成图像z1+i中A点的像素值。通过对应于同一输入图像的多个生成图像的相同位置处的像素差可有助于衡量生成器网络的图像美化能力，进而优质地美化图像。其中，多个生成图像对应的数据z1，，，zm可以用来体现上述生成器网络输出的多个生成图像之间的像素差。
进一步的，根据上述生成图像中的相邻像素差和/或上述生成器网络输出的多个生成图像之间的像素差优化生成器网络的参数θg的一种具体实施方式可以是：
示例性的，上述M组组训练样本中的生成图像112对应的数据zi＝z1，，，zm计算下式：
然后，通过梯度下降法更新上述生成器网络G的参数θg。
根据图12所示实施例提供的技术方案，先训练判别器网络D，以保证判别器网络的判别准确率达到预设阈值。然后，在训练好的判别器网络的基础上再训练生成器网络G。其中，训练生成器网络G时，由于目标图像不是生成器网络产生的，所以将logD(xi)对应的梯度设为0，因此只计算[logD(1-G(zi))]的梯度。
根据上述实施例提供的技术方案，在训练生成对抗深度神经网络的过程中，通过计算生成图像与目标图像的差异，以及判别器网络判断图像的误差等进行迭代训练。进而，通过生成器网络与判别器网络的对抗式训练过程，优化生成器网络的网络参数，从而使得生成图像接近目标需求。
在示例性的实施例中，将训练后的生成对抗深度神经网络作为图像美化模型，用于对待美化图像进行美化处理。具体的，继续参考图2，在步骤S220中，将所述第一图像数据输入至训练后的生成对抗深度神经网络中，基于所述生成对抗深度神经网络的生成器网络对所述第一图像数据进行美化处理，得到第二图像数据。
在示例性的实施例中，对待美化图像进行上述预处理之后获取上述第一图像数据，并将上述第一图像数据输入至上述图像美化模型(即，上述训练后的生成对抗深度神经网络)中，则上述训练后的生成对抗深度神经网络的生成器网络对上述第一图像数据进行美化处理，从而输出美化处理之后的第二图像数据。具体的，上述第二图像数据为美化图像对应的像素数据。
在示例性的实施例中，参考图2，在步骤S230中，对所述第二图像数据进行与所述预处理操作对应的后处理操作，得到美化图像，其中，所述美化图像为恢复暗部细节的图像和去除噪点的图像中的一种或多种。
在示例性的实施例中，上述美化图像是指恢复暗部细节的图像(即，对由于暗环境下进行拍摄时欠曝光导致的模糊图像进行修复后的图像)，和/或，上述美化图像是指去除噪点的图像(即，对由于暗环境下进行拍摄时过曝光导致的含噪点图像进行修复后的图像)。
在示例性的实施例中，图13示出了根据本公开一实施例的图像后处理方法的流程示意图，可以作为步骤S230的一种具体实施方式。参考图13，该实施例提供的图像预处理方法包括步骤S1310和步骤S1320。
在步骤S1310中，对所述第二图像数据进行数据类型转换，得到第二矩阵；以及，在步骤S1320中，对所述第二矩阵进行加均值化处理和截断处理，获得与所述美化图像对应的像素矩阵，以根据像素矩阵生成所述美化图像。
在示例性的实施例中，上述后处理过程与前述预处理过程相对应。
示例性的，由于上述预处理过程中对待美化图像对应的像素矩阵进行过数据类型的转换，因而在后处理过程中需进行与上述预处理过程中相反的数据类型转换。例如，对于待美化图像s，在上述预处理过程中将待美化图像s的像素矩阵中的数据类型由整型转换为浮点型，则美化处理之后的第二图像数据的数据类型为浮点型，需在后处理过程中将其数据类型转换为整型。从而保证图像美化前后的像素数据类型不改变，而仅对暗部细节、噪点进行准确修复，以提高图像美化质量。
根据本公开提供的基于生成对抗深度神经网络进行图像美化处理的方法，美化处理后的图像具有清晰度高、图像暗部细节得到恢复，以及噪点被准确去除的特点，同时，可以在一定程度去除暗环境抖动导致的照片模糊等问题。用户在得到输出结果后还可以自定义对优化的强度进行调整，或者进行其他照片后处理的过程，用户处理照片的耗时也较短，并且不依赖于过高的摄像，照相硬件，且具备扩展性高，可移植性好的特点。
本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由处理器(包含CPU和GPU)执行的计算机程序。例如，通过GPU实现对上述生成对抗深度神经网络的训练，或者基于训练后的生成对抗深度神经网络，使用CPU或GPU实现对待美化图像的美化处理等。在该计算机程序被处理器执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本公开示例性实施方式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。
以下介绍本公开的图像美化的处理装置实施例，可以用于执行本公开上述的图像美化的处理方法。
图14示出本公开示例性实施例中图像美化的处理装置的结构示意图。如图14所示，图像美化的处理装置1400包括：预处理模块1401、图像美化处理模块1402和后处理模块1403。其中：
预处理模块1401，配置为将待美化图像进行预处理，获取与所述待美化图像对应的第一图像数据，其中，所述待美化图像为缺乏暗部细节的图像和包含噪点的图像中的一种或多种；图像美化处理模块1402，配置为将所述图像数据输入至训练后的生成对抗深度神经网络中，基于所述生成对抗深度神经网络的生成器网络对所述第一图像数据进行美化处理，得到第二图像数据；后处理模块1403，配置为对所述第二图像数据进行与所述预处理操作对应的后处理操作，得到生成图像，其中，所述生成图像为恢复暗部细节的图像和去除噪点的图像中的一种或多种。
在示例性的实施例中，上述预处理模块1401，包括：获取单元、第一处理单元和第二处理单元。其中：获取单元，配置为获取所述待美化图像的像素矩阵；第一处理单元，配置为对所述像素矩阵进行数据类型转换，得到数据类型规范化后的第一矩阵；第二处理单元，配置为对所述第一矩阵进行去均值化处理和归一化处理，获得与所述待美化图像对应的第一图像数据。
在示例性的实施例中，后处理模块1403，包括：转换单元和第三处理单元。其中：转换单元，配置为对所述第二图像数据进行数据类型转换，得到第二矩阵；第三处理单元，配置为对所述第二矩阵进行加均值化处理和截断处理，获得与所述美化图像对应的像素矩阵，以根据像素矩阵生成所述美化图像。
在示例性的实施例中，图像美化的处理装置1400还包括训练所述生成对抗深度神经网络的模型训练模块，包括：样本获取单元、图像生成单元、图像判别单元和参数优化单元。其中：样本获取单元，配置为获取多组训练样本，其中，每组所述训练样本包含输入图像和目标图像；图像生成单元，配置为将所述输入图像输入至生成对抗深度神经网络中的生成器网络，并基于所述生成器网络对所述输入图像进行美化处理，得到生成图像；图像判别单元，配置为将所述生成图像、所述输入图像以及所述目标图像输入至生成对抗深度神经网络中的判别器网络，得到关于所述生成图像的像素值的第一判别结果和关于所述目标图像的像素值的第二判别结果；以及，参数优化单元，配置为根据所述第一判别结果和所述第二判别结果优化所述生成对抗深度神经网络参数，得到所述图像美化模型。
在示例性的实施例中，参数优化单元，配置为根据所述生成图像和所述目标图像的像素差、所述生成图像中的相邻像素差以及所述生成器网络输出的多个生成图像之间的像素差中的一种或多种，优化所述生成器网络的参数以及优化所述判别器网络的参数。
在示例性的实施例中，模型训练模块，包括：第一训练单元和第二训练单元。其中：第一训练单元，配置为保持所述生成器网络的参数不变，根据所述生成图像和所述目标图像的像素差优化所述判别器网络的参数；以及，第二训练单元，配置为保持所述判别器网络的优化后的参数不变，根据所述生成图像中的相邻像素差和所述生成器网络输出的多个生成图像之间的像素差中的一种或多种，优化所述生成器网络的参数。
在示例性的实施例中，所述训练样本中第一输入图像为包含缺乏暗部细节的图像，与所述第一输入图像对应的第一目标图像为恢复暗部细节的图像。
在示例性的实施例中，所述训练样本中第二输入图像为包含噪点的图像，与所述第二输入图像对应的第二目标图像为去除噪点的图像。
在示例性的实施例中，所述生成器网络包括卷积层、池化层、像素补充层、反卷积层和像素归一化层。
在示例性的实施例中，所述生成器网络中，上采样参数与下采样参数对应相等。
在示例性的实施例中，所述判别器网络包括多个卷积层。
上述图像美化的处理装置中各单元的具体细节已经在对应的图像美化的处理方法中进行了详细的描述，因此此处不再赘述。
图15示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图15示出的电子设备的计算机系统1500仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图15所示，计算机系统1500包括处理器1501，其中处理器1501可以包含：图形处理单元(Graphics Processing Unit，GPU)、中央处理单元(Central Processing Unit，CPU)，其可以根据存储在只读存储器(Read-Only Memory，ROM)1502中的程序或者从存储部分1508加载到随机访问存储器(Random Access Memory，RAM)1503中的程序而执行各种适当的动作和处理。在RAM 1503中，还存储有系统操作所需的各种程序和数据。处理器(GPU/CPU)1501、ROM 1502以及RAM 1503通过总线1504彼此相连。输入/输出(Input/Output，I/O)接口1505也连接至总线1504。
以下部件连接至I/O接口1505：包括键盘、鼠标等的输入部分1506；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1507；包括硬盘等的存储部分1508；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1509。通信部分1509经由诸如因特网的网络执行通信处理。驱动器1510也根据需要连接至I/O接口1505。可拆卸介质1511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1510上，以便于从其上读出的计算机程序根据需要被安装入存储部分1508。
特别地，根据本公开的实施例，下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。在这样的实施例中，该计算机程序可以通过通信部分1509从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器(GPU/CPU)1501执行时，执行本申请的系统中限定的各种功能。在一些实施例中，计算机系统1500还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
需要说明的是，本公开实施例所示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上述两者的任意组合。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(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，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。而在本公开中，计算机可读的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、光信号或上述的任意合适的组合。计算机可读的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：无线、有线等等，或者上述的任意合适的组合。
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，上述模块、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，框图或流程图中的每个方框、以及框图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。
描述于本公开实施例中所涉及到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。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。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的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。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
例如，所述的电子设备可以实现如图2中所示的：步骤S210，将待美化图像进行预处理，获取与所述待美化图像对应的第一图像数据，其中，所述待美化图像为缺乏暗部细节的图像和包含噪点的图像中的一种或多种；步骤S220，将所述第一图像数据输入至训练后的生成对抗深度神经网络中，基于所述生成对抗深度神经网络的生成器网络对所述第一图像数据进行美化处理，得到第二图像数据以及，步骤S230，对所述第二图像数据进行与所述预处理操作对应的后处理操作，得到美化图像，其中，所述美化图像为恢复暗部细节的图像和去除噪点的图像中的一种或多种。
又如，所述的电子设备可以实现如图3至图13中所示的各个步骤。
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。
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、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
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它实施方案。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下面的权利要求指出。
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制。
Claims (15)
1.一种图像美化的处理方法，其特征在于，所述方法包括：
将待美化图像进行预处理，获取与所述待美化图像对应的第一图像数据，其中，所述待美化图像为缺乏暗部细节的图像和包含噪点的图像中的一种或多种；
将所述第一图像数据输入至训练后的生成对抗深度神经网络中，基于所述生成对抗深度神经网络的生成器网络对所述第一图像数据进行美化处理，得到第二图像数据；
对所述第二图像数据进行与所述预处理操作对应的后处理操作，得到美化图像，其中，所述美化图像为恢复暗部细节的图像和去除噪点的图像中的一种或多种。
2.根据权利要求1所述的图像美化的处理方法，其特征在于，所述将待美化图像进行预处理，获取与所述待美化图像对应的第一图像数据，包括：
获取所述待美化图像的像素矩阵；
对所述像素矩阵进行数据类型转换，得到数据类型规范化后的第一矩阵；
对所述第一矩阵进行去均值化处理和归一化处理，获得与所述待美化图像对应的第一图像数据。
3.根据权利要求2所述的图像美化的处理方法，其特征在于，所述对所述第二图像数据进行与所述预处理操作对应的后处理操作，得到美化图像，包括：
对所述第二图像数据进行数据类型转换，得到第二矩阵；
对所述第二矩阵进行加均值化处理和截断处理，获得与所述美化图像对应的像素矩阵，以根据像素矩阵生成所述美化图像。
4.根据权利要求1所述的图像美化的处理方法，其特征在于，在将所述第一图像数据输入至训练后的生成对抗深度神经网络中之前，所述方法还包括：
获取多组训练样本，其中，每组所述训练样本包含输入图像和目标图像；
将所述输入图像输入至生成对抗深度神经网络中的生成器网络，并基于所述生成器网络对所述输入图像进行美化处理，得到生成图像；
将所述生成图像、所述输入图像以及所述目标图像输入至生成对抗深度神经网络中的判别器网络，得到关于所述生成图像的像素值的第一判别结果和关于所述目标图像的像素值的第二判别结果；
根据所述第一判别结果和所述第二判别结果优化所述生成对抗深度神经网络参数，得到所述图像美化模型。
5.根据权利要求4所述的图像美化的处理方法，其特征在于，所述根据所述第一判别结果和所述第二判别结果优化所述生成对抗深度神经网络参数，包括：
根据所述生成图像和所述目标图像的像素差、所述生成图像中的相邻像素差以及所述生成器网络输出的多个生成图像之间的像素差中的一种或多种，优化所述生成器网络的参数以及优化所述判别器网络的参数。
6.根据权利要求4所述的图像美化的处理方法，其特征在于，所述根据所述第一判别结果和所述第二判别结果优化所述图像美化模型的模型参数，包括：
保持所述生成器网络的参数不变，根据所述生成图像和所述目标图像的像素差优化所述判别器网络的参数；
保持所述判别器网络的优化后的参数不变，根据所述生成图像中的相邻像素差和所述生成器网络输出的多个生成图像之间的像素差中的一种或多种，优化所述生成器网络的参数。
7.根据权利要求4至6中任意一项所述的图像美化的处理方法，其特征在于，所述训练样本中第一输入图像为包含缺乏暗部细节的图像，与所述第一输入图像对应的第一目标图像为恢复暗部细节的图像。
8.根据权利要求7图像美化的处理方法，其特征在于，所述训练样本中第二输入图像为包含噪点的图像，与所述第二输入图像对应的第二目标图像为去除噪点的图像。
9.根据权利要求4至6中任意一项所述的图像美化的处理方法，其特征在于，所述生成器网络中，上采样参数与下采样参数对应相等。
10.根据权利要求4至6中任意一项所述的图像美化的处理方法，其特征在于，所述判别器网络包括多个卷积层。
11.一种图像美化的处理装置，其特征在于，所述装置包括：
预处理模块，被配置为将待美化图像进行预处理，获取与所述待美化图像对应的第一图像数据，其中，所述待美化图像为缺乏暗部细节的图像和包含噪点的图像中的一种或多种；
图像美化处理模块，被配置为将所述图像数据输入至训练后的生成对抗深度神经网络中，基于所述生成对抗深度神经网络的生成器网络对所述第一图像数据进行美化处理，得到第二图像数据；
后处理模块，被配置为对所述第二图像数据进行与所述预处理操作对应的后处理操作，得到生成图像，其中，所述生成图像为恢复暗部细节的图像和去除噪点的图像中的一种或多种。
12.根据权利要求11所述的图像美化的处理装置，其特征在于，所述预处理模块，包括：
获取单元，被配置为获取所述待美化图像的像素矩阵；
第一处理单元，被配置为对所述像素矩阵进行数据类型转换，得到数据类型规范化后的第一矩阵；
第二处理单元，被配置为对所述第一矩阵进行去均值化处理和归一化处理，获得与所述待美化图像对应的第一图像数据。
13.根据权利要求12所述的图像美化的处理装置，其特征在于，所述后处理模块，包括：
转换单元，被配置为对所述第二图像数据进行数据类型转换，得到第二矩阵；
第三处理单元，被配置为对所述第二矩阵进行加均值化处理和截断处理，获得与所述美化图像对应的像素矩阵，以根据像素矩阵生成所述美化图像。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至10中任意一项所述的图像美化的处理方法。
15.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至10中任意一项所述的图像美化的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910566769.2A CN110349102A (zh) | 2019-06-27 | 2019-06-27 | 图像美化的处理方法、图像美化的处理装置以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910566769.2A CN110349102A (zh) | 2019-06-27 | 2019-06-27 | 图像美化的处理方法、图像美化的处理装置以及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110349102A true CN110349102A (zh) | 2019-10-18 |
Family
ID=68176833
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910566769.2A Pending CN110349102A (zh) | 2019-06-27 | 2019-06-27 | 图像美化的处理方法、图像美化的处理装置以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110349102A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111145107A (zh) * | 2019-12-06 | 2020-05-12 | 深圳市雄帝科技股份有限公司 | 一种图像美化方法、装置、介质及设备 |
| CN111488865A (zh) * | 2020-06-28 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 图像优化方法、装置、计算机存储介质以及电子设备 |
| CN111711753A (zh) * | 2020-06-24 | 2020-09-25 | 中国银行股份有限公司 | 照片上传方法及装置、存储介质及电子设备 |
| CN113192022A (zh) * | 2021-04-27 | 2021-07-30 | 长治学院 | 基于深度学习的病原孢子识别计数方法和装置 |
| CN114095777A (zh) * | 2022-01-20 | 2022-02-25 | 广东欧谱曼迪科技有限公司 | 一种视频处理系统、方法、电子设备及存储介质 |
| CN115100061A (zh) * | 2022-06-28 | 2022-09-23 | 重庆长安汽车股份有限公司 | 图像美化方法、装置、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491771A (zh) * | 2017-09-21 | 2017-12-19 | 百度在线网络技术（北京）有限公司 | 人脸检测方法和装置 |
| CN108460356A (zh) * | 2018-03-13 | 2018-08-28 | 上海海事大学 | 一种基于监控系统的人脸图像自动处理系统 |
| CN108986050A (zh) * | 2018-07-20 | 2018-12-11 | 北京航空航天大学 | 一种基于多分支卷积神经网络的图像和视频增强方法 |
| CN109615582A (zh) * | 2018-11-30 | 2019-04-12 | 北京工业大学 | 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法 |
| CN109711364A (zh) * | 2018-12-29 | 2019-05-03 | 成都视观天下科技有限公司 | 一种人脸图像超分辨重建方法、装置及计算机设备 |
| CN111383188A (zh) * | 2018-12-29 | 2020-07-07 | Tcl集团股份有限公司 | 一种图像处理方法、系统及终端设备 |
| CN112950497A (zh) * | 2021-02-22 | 2021-06-11 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
-
2019
- 2019-06-27 CN CN201910566769.2A patent/CN110349102A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491771A (zh) * | 2017-09-21 | 2017-12-19 | 百度在线网络技术（北京）有限公司 | 人脸检测方法和装置 |
| US20190087648A1 (en) * | 2017-09-21 | 2019-03-21 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for facial recognition |
| CN108460356A (zh) * | 2018-03-13 | 2018-08-28 | 上海海事大学 | 一种基于监控系统的人脸图像自动处理系统 |
| CN108986050A (zh) * | 2018-07-20 | 2018-12-11 | 北京航空航天大学 | 一种基于多分支卷积神经网络的图像和视频增强方法 |
| CN109615582A (zh) * | 2018-11-30 | 2019-04-12 | 北京工业大学 | 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法 |
| CN109711364A (zh) * | 2018-12-29 | 2019-05-03 | 成都视观天下科技有限公司 | 一种人脸图像超分辨重建方法、装置及计算机设备 |
| CN111383188A (zh) * | 2018-12-29 | 2020-07-07 | Tcl集团股份有限公司 | 一种图像处理方法、系统及终端设备 |
| CN112950497A (zh) * | 2021-02-22 | 2021-06-11 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111145107A (zh) * | 2019-12-06 | 2020-05-12 | 深圳市雄帝科技股份有限公司 | 一种图像美化方法、装置、介质及设备 |
| CN111145107B (zh) * | 2019-12-06 | 2023-03-10 | 深圳市雄帝科技股份有限公司 | 一种图像美化方法、装置、介质及设备 |
| CN111711753A (zh) * | 2020-06-24 | 2020-09-25 | 中国银行股份有限公司 | 照片上传方法及装置、存储介质及电子设备 |
| CN111488865A (zh) * | 2020-06-28 | 2020-08-04 | 腾讯科技（深圳）有限公司 | 图像优化方法、装置、计算机存储介质以及电子设备 |
| CN113192022A (zh) * | 2021-04-27 | 2021-07-30 | 长治学院 | 基于深度学习的病原孢子识别计数方法和装置 |
| CN114095777A (zh) * | 2022-01-20 | 2022-02-25 | 广东欧谱曼迪科技有限公司 | 一种视频处理系统、方法、电子设备及存储介质 |
| CN115100061A (zh) * | 2022-06-28 | 2022-09-23 | 重庆长安汽车股份有限公司 | 图像美化方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110349102A (zh) | 图像美化的处理方法、图像美化的处理装置以及电子设备 | |
| CN111968044B (zh) | 基于Retinex和深度学习的低照度图像增强方法 | |
| Yang et al. | Sparse gradient regularized deep retinex network for robust low-light image enhancement | |
| CN113052814B (zh) | 基于Retinex和注意力机制的暗光图像增强方法 | |
| CN107798661B (zh) | 一种自适应的图像增强方法 | |
| CN108416745B (zh) | 一种具有色彩恒常性的图像自适应去雾增强方法 | |
| CN113129236B (zh) | 基于Retinex和卷积神经网络的单张低光照图像增强方法及系统 | |
| CN109978792A (zh) | 一种生成图像增强模型的方法 | |
| Lepcha et al. | A deep journey into image enhancement: A survey of current and emerging trends | |
| CN115358952B (zh) | 一种基于元学习的图像增强方法、系统、设备和存储介质 | |
| CN112633234A (zh) | 人脸去眼镜模型训练、应用方法及其装置、设备和介质 | |
| CN108648160B (zh) | 一种水下海参图像去雾增强方法及系统 | |
| CN115035011B (zh) | 一种融合策略下自适应RetinexNet的低照度图像增强方法 | |
| CN116433518A (zh) | 一种基于改进Cycle-Dehaze神经网络的火灾图像烟雾去除方法 | |
| CN114202460B (zh) | 面对不同损伤图像的超分辨率高清重建方法和系统及设备 | |
| CN116152128A (zh) | 基于注意力机制的高动态范围多曝光图像融合模型及方法 | |
| Chen et al. | CERL: A unified optimization framework for light enhancement with realistic noise | |
| CN113888405B (zh) | 基于分簇自适应膨胀卷积神经网络的去噪去马赛克方法 | |
| Wu et al. | An improved method of low light image enhancement based on retinex | |
| Pu et al. | Fractional-order retinex for adaptive contrast enhancement of under-exposed traffic images | |
| CN116051801A (zh) | 基于光照场景进行hdr光照增强的方法及装置 | |
| CN112330566B (zh) | 图像去噪的方法、装置及计算机存储介质 | |
| CN115222609A (zh) | 一种基于生成对抗网络模型的水下图像修复方法和生成对抗网络模型训练方法 | |
| Anoop et al. | Advancements in low light image enhancement techniques and recent applications | |
| CN110796607A (zh) | 一种基于视网膜大脑皮层理论的深度学习低光照图像增强方法 |
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 |