CN110458771B - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110458771B CN110458771B CN201910688775.5A CN201910688775A CN110458771B CN 110458771 B CN110458771 B CN 110458771B CN 201910688775 A CN201910688775 A CN 201910688775A CN 110458771 B CN110458771 B CN 110458771B
- Authority
- CN
- China
- Prior art keywords
- image
- detail
- processed
- diagram
- brightness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000010586 diagram Methods 0.000 claims abstract description 159
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000007906 compression Methods 0.000 claims abstract description 42
- 230000006835 compression Effects 0.000 claims abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 41
- 238000011084 recovery Methods 0.000 claims abstract description 12
- 230000003321 amplification Effects 0.000 claims abstract description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 3
- 238000005070 sampling Methods 0.000 claims description 56
- 230000009466 transformation Effects 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 26
- 230000002146 bilateral effect Effects 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
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,所述方法包括:对待处理图像进行尺寸压缩及细节信息提取,得到尺寸压缩后的第一图像以及所述待处理图像的细节特征图;对所述第一图像进行高动态范围HDR增强处理,得到增强的第二图像;根据所述细节特征图,对所述第二图像进行尺寸放大及细节信息恢复,得到恢复后的第三图像;其中,所述第三图像与所述待处理图像的图像格式和图像尺寸相同。本公开实施例可有效提高图像处理速度。
Description
技术领域
本公开涉及计算机技术领域,尤其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
随着计算机技术的不断发展,越来越多的用户使用便携的电子设备(例如智能手机)来拍摄各种图像(例如拍摄风景或人物),如何用电子设备拍出景色更美的图像是亟待解决的问题。在相关技术中,可以采用高动态范围(High-Dynamic Range,简称HDR)图像处理方式对图像进行色彩亮度的调整,然而传统HDR方式的计算量较大且无法适应复杂的拍照场景,导致处理后的图像无法达到预期的效果。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面,提供了一种图像处理方法,包括:对待处理图像进行尺寸压缩及细节信息提取,得到尺寸压缩后的第一图像以及所述待处理图像的细节特征图;对所述第一图像进行高动态范围HDR增强处理,得到增强的第二图像;根据所述细节特征图,对所述第二图像进行尺寸放大及细节信息恢复,得到恢复后的第三图像;其中,所述第三图像与所述待处理图像的图像格式和图像尺寸相同。
在一种可能的实现方式中,对所述第一图像进行高动态范围HDR增强处理,得到增强的第二图像,包括:对所述第一图像进行尺寸调整,得到像素宽度与像素高度相等的第四图像;对所述第四图像进行双边网格滤波,得到所述第四图像的第一HDR变换系数;将所述第一图像的亮度图作为引导图,对所述第一HDR变换系数进行双边网格插值,得到所述第一图像的第二HDR变换系数;将所述第一图像及所述第二HDR变换系数叠加,得到所述第二图像。
在一种可能的实现方式中,对所述第四图像进行双边网格滤波,得到所述第四图像的第一HDR变换系数,包括:对所述第四图像进行特征提取,得到所述第四图像的特征图;对所述第四图像的特征图分别进行局部信息提取及全局信息提取,得到所述第四图像的局部特征和全局特征;对所述第四图像的局部特征和全局特征进行融合,得到所述第一HDR变换系数。
在一种可能的实现方式中,对待处理图像进行尺寸压缩及细节信息提取,得到尺寸压缩后的第一图像以及所述待处理图像的细节特征图,包括:对所述待处理图像进行下采样,得到所述第一图像;对所述第一图像进行上采样,得到第五图像;将所述待处理图像与所述第五图像相减,得到所述待处理图像的细节特征图。
在一种可能的实现方式中,对待处理图像进行尺寸压缩及细节信息提取,得到尺寸压缩后的第一图像以及所述待处理图像的细节特征图,包括:对所述待处理图像的亮度图及色度图分别进行下采样,得到所述待处理图像的第一亮度特征图和第一色度特征图;根据所述第一亮度特征图和所述第一色度特征图,确定所述第一图像,其中,所述第一图像的亮度通道的宽度与所述第一图像的色度通道的宽度相等,所述第一图像的亮度通道的高度与所述第一图像的色度通道的高度相等。
在一种可能的实现方式中,对待处理图像进行尺寸压缩及细节信息提取,得到尺寸压缩后的第一图像以及所述待处理图像的细节特征图,还包括:分别对所述第一亮度特征图及所述第一色度特征图进行上采样,得到第二亮度特征图及第二色度特征图;将所述待处理图像的亮度图与所述第二亮度特征图相减,并将所述待处理图像的色度图与所述第二色度特征图相减,得到亮度细节图及色度细节图,所述细节特征图包括所述亮度细节图及所述色度细节图。
在一种可能的实现方式中,根据所述细节特征图,对所述第二图像进行尺寸放大及细节信息恢复,得到恢复后的第三图像,包括:对所述第二图像进行上采样,得到第六图像;将所述第六图像与所述细节特征图叠加,得到所述第三图像。
在一种可能的实现方式中,根据所述细节特征图,对所述第二图像进行尺寸放大及细节信息恢复,得到恢复后的第三图像,包括:对所述第二图像的亮度图及色度图分别进行上采样,得到第三亮度特征图和第三色度特征图;将所述第三亮度特征图与所述亮度细节图叠加,得到所述第三图像的亮度图;将所述第三色度特征图与所述色度细节图叠加,得到所述第三图像的色度图;根据所述第三图像的亮度图与所述第三图像的色度图,确定所述第三图像。
在一种可能的实现方式中,所述方法通过神经网络实现,所述神经网络包括HDR网络,用于对所述第一图像进行HDR增强处理。
在一种可能的实现方式中,所述方法还包括:根据预设的训练集,训练所述神经网络,所述训练集中包括已标注的多个样本图像。
在一种可能的实现方式中,所述待处理图像包括图像采集装置的拍摄界面的预览图像,所述待处理图像的图像格式为NV21、NV12、YV12、YUV420P、RGB、HSV中的任意一种。
根据本公开的另一方面,提供了一种图像处理装置,包括:
压缩及细节提取模块,用于对待处理图像进行尺寸压缩及细节信息提取,得到尺寸压缩后的第一图像以及所述待处理图像的细节特征图;HDR增强模块,用于对所述第一图像进行高动态范围HDR增强处理,得到增强的第二图像;放大及细节恢复模块,用于根据所述细节特征图,对所述第二图像进行尺寸放大及细节信息恢复,得到恢复后的第三图像;其中,所述第三图像与所述待处理图像的图像格式和图像尺寸相同。
在一种可能的实现方式中,所述HDR增强模块包括:尺寸调整子模块,用于对所述第一图像进行尺寸调整,得到像素宽度与像素高度相等的第四图像;滤波子模块,用于对所述第四图像进行双边网格滤波,得到所述第四图像的第一HDR变换系数;插值子模块,用于将所述第一图像的亮度图作为引导图,对所述第一HDR变换系数进行双边网格插值,得到所述第一图像的第二HDR变换系数;叠加子模块,用于将所述第一图像及所述第二HDR变换系数叠加,得到所述第二图像。
在一种可能的实现方式中,所述滤波子模块用于:对所述第四图像进行特征提取,得到所述第四图像的特征图;对所述第四图像的特征图分别进行局部信息提取及全局信息提取,得到所述第四图像的局部特征和全局特征;对所述第四图像的局部特征和全局特征进行融合,得到所述第一HDR变换系数。
在一种可能的实现方式中,所述压缩及细节提取模块包括:第一下采样子模块,用于对所述待处理图像进行下采样,得到所述第一图像;第一上采样子模块,用于对所述第一图像进行上采样,得到第五图像;第一相减子模块,用于将所述待处理图像与所述第五图像相减,得到所述待处理图像的细节特征图。
在一种可能的实现方式中,所述压缩及细节提取模块包括:第二下采样子模块,用于对所述待处理图像的亮度图及色度图分别进行下采样,得到所述待处理图像的第一亮度特征图和第一色度特征图;第一图像确定子模块,用于根据所述第一亮度特征图和所述第一色度特征图,确定所述第一图像,其中,所述第一图像的亮度通道的宽度与所述第一图像的色度通道的宽度相等,所述第一图像的亮度通道的高度与所述第一图像的色度通道的高度相等。
在一种可能的实现方式中,所述压缩及细节提取模块还包括:第二上采样子模块,用于分别对所述第一亮度特征图及所述第一色度特征图进行上采样,得到第二亮度特征图及第二色度特征图;第二相减子模块,用于将所述待处理图像的亮度图与所述第二亮度特征图相减,并将所述待处理图像的色度图与所述第二色度特征图相减,得到亮度细节图及色度细节图,所述细节特征图包括所述亮度细节图及所述色度细节图。
在一种可能的实现方式中,所述放大及细节恢复模块包括:第三上采样子模块,用于对所述第二图像进行上采样,得到第六图像;叠加子模块,用于将所述第六图像与所述细节特征图叠加,得到所述第三图像。
在一种可能的实现方式中,所述放大及细节恢复模块包括:第四上采样子模块,用于对所述第二图像的亮度图及色度图分别进行上采样,得到第三亮度特征图和第三色度特征图;亮度叠加子模块,用于将所述第三亮度特征图与所述亮度细节图叠加,得到所述第三图像的亮度图;色度叠加子模块,用于将所述第三色度特征图与所述色度细节图叠加,得到所述第三图像的色度图;第二图像确定子模块,用于根据所述第三图像的亮度图与所述第三图像的色度图,确定所述第三图像。
在一种可能的实现方式中,所述装置通过神经网络实现,所述神经网络包括HDR网络,用于对所述第一图像进行HDR增强处理。
在一种可能的实现方式中,所述装置还包括:训练模块,用于根据预设的训练集,训练所述神经网络,所述训练集中包括已标注的多个样本图像。
在一种可能的实现方式中,所述待处理图像包括图像采集装置的拍摄界面的预览图像,所述待处理图像的图像格式为NV21、NV12、YV12、YUV420P、RGB、HSV中的任意一种。
根据本公开的另一方面,提供了一种电子设备,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执行上述图像处理方法。
根据本公开的另一方面,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上述图像处理方法。
在本公开实施例中,能够对待处理图像压缩并提取细节信息,对压缩后的图像进行HDR增强,并根据细节信息恢复HDR增强图像的细节,从而通过对压缩图像进行HDR增强以减小计算量,并通过细节信息恢复以保证图像处理效果,有效提高了处理速度。
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图像处理方法的流程图。
图2示出根据本公开实施例的HDR网络的处理过程的示意图。
图3示出根据本公开实施例的图像处理方法的处理过程应用示例的示意图。
图4示出根据本公开实施例的图像处理装置的框图
图5示出根据本公开实施例的电子设备的框图。
图6示出根据本公开实施例的电子设备的框图。
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。
图1示出根据本公开实施例的图像处理方法的流程图,如图1所示,所述图像处理方法包括:
在步骤S11中,对待处理图像进行尺寸压缩及细节信息提取,得到尺寸压缩后的第一图像以及所述待处理图像的细节特征图;
在步骤S12中,对所述第一图像进行高动态范围HDR增强处理,得到增强的第二图像;
在步骤S13中,根据所述细节特征图,对所述第二图像进行尺寸放大及细节信息恢复,得到恢复后的第三图像,
其中,所述第三图像与所述待处理图像的图像格式和图像尺寸相同。
在一种可能的实现方式中,所述图像处理方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行所述方法。
在一种可能的实现方式中,待处理图像可例如包括图像采集装置的拍摄界面的预览图像,例如智能手机拍摄界面显示的预览图;也可以是任意电子设备拍摄的图像,或从互联网上下载的图像等,本公开对待处理图像的具体获取方式不作限制。
在一种可能的实现方式中,待处理图像的图像格式可包括能够直接输入电子设备的数据格式,例如为NV21、NV12、YV12、YUV420P、RGB、HSV中的任意一种。其中,在电子设备为安卓系统的情况下,待处理图像的图像格式可例如为NV21格式。本公开对待处理图像的具体图像格式不作限制。
在一种可能的实现方式中,在接收到待处理图像时,可以在步骤S11中对待处理图像进行前处理,也即进行尺寸压缩及细节信息的提取,得到尺寸压缩后的第一图像以及所述待处理图像的细节特征图。可例如对待处理图像进行卷积或下采样处理,得到尺寸压缩后的第一图像;对第一图像进行反卷积或上采样处理,得到尺寸与待处理图像相同的图像(由于下采样-上采样的过程中会损失一些图像细节,因此该图像为模糊图像);再将待处理图像与模糊图像相减得到细节特征图。应当理解,可以对待处理图像整体进行尺寸压缩及细节信息提取,也可以对待处理图像的各个通道分别进行尺寸压缩及细节信息提取,本公开对此不作限制。
在一种可能的实现方式中,可在步骤S12中通过HDR网络对第一图像进行HDR增强处理,得到增强的第二图像。HDR网络可例如为深度神经网络,本公开对HDR网络的具体类型及训练方式不作限制。
在一种可能的实现方式中,可在步骤S13中对第二图像进行尺寸放大及细节信息恢复。可例如对第二图像进行反卷积或上采样处理,得到尺寸与待处理图像相同的还原图像;再将还原图像与细节特征图相加,得到细节恢复后的第三图像。应当理解,可以对第二图像整体进行尺寸放大及细节信息恢复,也可以对第二图像的各个通道分别进行尺寸放大及细节信息恢复,本公开对此不作限制。
根据本公开实施例的图像处理方法,能够对待处理图像进行尺寸压缩并提取细节信息,对压缩后的图像进行HDR增强,并根据细节信息恢复HDR增强图像的细节,从而通过对尺寸压缩后的图像进行HDR增强以减小计算量,并通过细节信息恢复以保证图像处理效果,有效提高了处理速度。
在一种可能的实现方式中,步骤S11可包括:
对所述待处理图像进行下采样,得到所述第一图像;
对所述第一图像进行上采样,得到第五图像;
将所述待处理图像与所述第五图像相减,得到所述待处理图像的细节特征图。
举例来说,在待处理图像为RGB、HSV等格式时,可整体压缩待处理图像。可对待处理图像进行下采样(例如4倍下采样)处理,得到尺寸压缩后的第一图像;再对第一图像进行与下采样倍数相同的上采样(例如4倍上采样)处理,得到尺寸与待处理图像相同的第五图像(模糊图像);再将待处理图像与第五图像相减得到待处理图像的细节特征图。
通过这种方式,可实现待处理图像的尺寸压缩及细节信息提取过程。
在一种可能的实现方式中,步骤S11可包括:
对所述待处理图像的亮度图及色度图分别进行下采样,得到所述待处理图像的第一亮度特征图和第一色度特征图;
根据所述第一亮度特征图和所述第一色度特征图,确定所述第一图像,
其中,所述第一图像的亮度通道的宽度与所述第一图像的色度通道的宽度相等,所述第一图像的亮度通道的高度与所述第一图像的色度通道的高度相等。
举例来说,在待处理图像包括YUV通道(例如为NV21格式)时,Y通道(亮度通道)与UV通道(色度通道)之间的通道宽高不同,可对各通道分别采用不同倍数的下采样进行尺寸压缩,以使尺寸压缩后的第一图像的亮度通道的宽高与色度通道的宽高相等。
在一种可能的实现方式中,待处理图像的亮度图可以为待处理图像的Y通道(亮度通道)对应的图像,待处理图像的色度图可以为待处理图像的UV通道(色度通道)对应的图像。可以采用不同倍数的下采样,以使处理后的图像(第一图像)的亮度通道宽度与色度通道的宽度相等,亮度通道的高度与色度通道的高度相等。例如,对亮度图进行4倍下采样,对色度图进行2倍下采样。亮度图和色度图分别下采样后,可得到第一亮度特征图和第一色度特征图,进而得到YUV等宽高的第一图像。应当理解,也可以采用其他倍数的下采样(亮度图6倍且色度图3倍;亮度图8倍且色度图4倍等),本公开对下采样的具体参数不作限制。
通过这种方式,可以采用金字塔策略缩小待处理图像的尺寸,减小计算量,从而在部署到终端(手机端)时也能够实现实时处理。
在一种可能的实现方式中,步骤S11还可包括:
分别对所述第一亮度特征图及所述第一色度特征图进行上采样,得到第二亮度特征图及第二色度特征图;
将所述待处理图像的亮度图与所述第二亮度特征图相减,并将所述待处理图像的色度图与所述第二色度特征图相减,得到亮度细节图及色度细节图,所述细节特征图包括所述亮度细节图及所述色度细节图。
举例来说,对于第一亮度特征图(下采样后的亮度图),可采用与下采样相同倍数的上采样(例如4倍上采样),以使第一亮度特征图被还原为第二亮度特征图。该第二亮度特征图的图像尺寸与待处理图像的图像尺寸相同。下采样-上采样的过程中会损失一些图像细节,因此第二亮度特征图为模糊图像。在该情况下,可以将所述待处理图像的亮度图与所述第二亮度特征图相减,从而得到待处理图像的亮度细节图,该亮度细节图能够表示待处理图像的亮度细节信息。
在一种可能的实现方式中,对于第一色度特征图(下采样后的色度图),与第一亮度特征图的处理类似,可采用与下采样相同倍数的上采样(例如2倍上采样),以使第一色度特征图被还原为第二色度特征图。该第二色度特征图的图像尺寸与待处理图像的图像尺寸相同。下采样-上采样的过程中会损失一些图像细节,因此第二色度特征图为模糊图像。在该情况下,可以将所述待处理图像的色度图与所述第二色度特征图相减,从而得到待处理图像的色度细节图,该色度细节图能够表示待处理图像的色彩细节信息。细节特征图包括亮度细节图及色度细节图。
通过这种方式,可以保留待处理图像的亮度细节和色彩细节,以便在后续处理中还原图像的亮度细节和色彩细节。
经过对待处理图像的前处理后,可以在步骤S12中对得到的第一图像进行高动态范围HDR增强处理,得到增强的第二图像。
在一种可能的实现方式中,步骤S12可包括:
对所述第一图像进行尺寸调整,得到像素宽度与像素高度相等的第四图像;对所述第四图像进行双边网格滤波,得到所述第四图像的第一HDR变换系数;将所述第一图像的亮度图作为引导图,对所述第一HDR变换系数进行双边网格插值,得到所述第一图像的第二HDR变换系数;
将所述第一图像及所述第二HDR变换系数叠加,得到所述第二图像。
在一种可能的实现方式中,根据本公开实施例的图像处理方法可通过神经网络实现,所述神经网络包括HDR网络,用于对所述第一图像进行HDR增强处理。HDR网络可以为深度神经网络,本公开对HDR网络的具体类型及训练方式不作限制。
在一种可能的实现方式中,可通过HDR网络对第一图像进行尺寸调整(例如通过一个或多个下采样层进行尺寸调整),得到像素宽度与高度相等的第四图像,例如256×256的小尺寸图像。本公开对尺寸调整的方式及第四图像的尺寸不作限制。
在一种可能的实现方式中,可对第四图像进行双边网格滤波,得到第一HDR变换系数(小尺寸图像的双边域HDR变换系数矩阵)。其中,对所述第四图像进行双边网格滤波,得到所述第四图像的第一HDR变换系数的步骤可包括:
对所述第四图像进行特征提取,得到所述第四图像的特征图;
对所述第四图像的特征图分别进行局部信息提取及全局信息提取,得到所述第四图像的局部特征和全局特征;
对所述第四图像的局部特征和全局特征进行融合,得到所述第一HDR变换系数。
举例来说,可以通过HDR网络的特征提取子网络(包括多个卷积层)对第四图像进行特征提取,得到第四图像的特征图。然后,通过HDR网络的局部分支(例如包括多个卷积层)和全局分支(例如包括多个卷积层以及全连接层)分别对该特征图进行局部信息提取和全局信息提取,得到所述第四图像的局部特征和全局特征。这样,可以得到第四图像所在的图像场景的多个局部区域和全局区域的语义信息,从而能够结合场景中不同物体区域的语义信息对其做不同的调整,提高图像处理的效果。
在一种可能的实现方式中,可在HDR网络中对第四图像的局部特征和全局特征进行融合,从而得到第四图像的第一HDR变换系数(小尺寸图像的双边域HDR变换系数矩阵)。
在一种可能的实现方式中,可将所述第一图像的亮度图作为引导图,对所述第一HDR变换系数进行双边网格插值,得到所述第一图像的第二HDR变换系数。在第一图像包括YUV通道(例如为NV21格式)时,亮度图为第一图像的Y通道(亮度通道)对应的图像;在第一图像为HSV格式时,亮度图为第一图像的V通道(亮度通道)对应的图像;在第一图像为RGB格式时,亮度图为对第一图像进行灰度处理后的灰度图。
在一种可能的实现方式中,可将亮度图作为引导图,对第一HDR变换系数进行分片的双边网格插值(空间域和像素值域的上采样),从而得到原图(第一图像)尺寸的双边域HDR变换系数矩阵(第二HDR变换系数)。然后,可将第一图像及第二HDR变换系数进行叠加(矩阵相乘),从而得到HDR增强后的第二图像。
图2示出根据本公开实施例的HDR网络的处理过程的示意图。如图2所示,可将第一图像21输入HDR网络中,先进行尺寸调整得到第四图像22(256×256的小尺寸图像);将第四图像22输入特征提取子网络24(多个卷积层)中处理,得到特征图;将特征图分别输入局部分支25(多个卷积层)和全局分支26(多个卷积层以及全连接层)中处理,得到局部特征和全局特征;局部特征和全局特征融合后得到第一HDR变换系数27。将第一图像21的亮度图23作为引导图,对第一HDR变换系数27进行双边网格插值,得到第二HDR变换系数28;再将第一图像21及第二HDR变换系数28进行叠加,输出HDR增强后的第二图像29。
通过这种方式,可以利用神经网络获取图像场景的局部和全局区域信息,对不同区域进行不同的调整,从而提高调整后的图像显示效果;同时,以第一图像的亮度图作为引导,可进一步降低计算量,提高图像处理速度。
在得到增强的第二图像后,可在步骤S13中对第二图像进行后处理,也即根据细节特征图,对第二图像进行尺寸放大及细节信息恢复,得到恢复后的第三图像。
在一种可能的实现方式中,步骤S13可包括:
对所述第二图像进行上采样,得到第六图像;
将所述第六图像与所述细节特征图叠加,得到所述第三图像。
举例来说,对第二图像进行与与步骤S11中的下采样倍数相同的上采样(例如4倍上采样)处理,得到尺寸与待处理图像相同的还原图像(第六图像);再将第六图像与步骤S11中得到的细节特征图相加,得到细节恢复后的第三图像。应当理解,可以对第二图像整体进行尺寸放大及细节信息恢复(例如RGB图像),也可以对第二图像的各个通道分别进行尺寸放大及细节信息恢复(例如YUV图像),本公开对此不作限制。
在一种可能的实现方式中,步骤S13可包括:
对所述第二图像的亮度图及色度图分别进行上采样,得到第三亮度特征图和第三色度特征图;将所述第三亮度特征图与所述亮度细节图叠加,得到所述第三图像的亮度图;将所述第三色度特征图与所述色度细节图叠加,得到所述第三图像的色度图;根据所述第三图像的亮度图与所述第三图像的色度图,确定所述第三图像。
举例来说,在第二图像YUV通道(例如为NV21格式)时,可以对第二图像的亮度图(Y通道图像)及色度图(UV通道图像)分别进行上采样。可以采用不同倍数的上采样,以使处理后的图像(第三图像)与待处理图像的各通道宽度相同。例如,对亮度图进行4倍上采样,对色度图进行2倍上采样。也就是说,步骤S13中的上采样倍数与步骤S11中的下采样倍数相同。对亮度图和色度图分别上采样后,可得到第三亮度特征图和第三色度特征图。
其中,得到的第三亮度特征图和第三色度特征图损失了一些图像细节,在该情况下,可以将第三亮度特征图与亮度细节图叠加,得到第三图像的亮度图;同时将第三色度特征图与色度细节图叠加,得到第三图像的色度图;进而根据第三图像的亮度图与色度图,确定第三图像。第三图像与待处理图像的图像格式和图像尺寸相同。
通过这种方式,能够采用金字塔策略还原图像的亮度细节和色度细节,从而在减少计算量的情况下保证处理后的图像的质量。
图3示出根据本公开实施例的图像处理方法的处理过程应用示例的示意图。如图3所示,在该应用示例中,以待处理图像为NV21图像数据为例,可首先对输入的NV21图像数据进行数据前处理(尺寸压缩及细节信息提取):对NV21数据的Y通道(亮度通道)图像进行4倍下采样得到Y通道下采样4倍图(第一亮度特征图),并对NV21数据的UV通道(色度通道)图像进行2倍下采样得到UV通道下采样2倍图(第一色度特征图),从而得到YUV三通道宽高相同的数据(第一图像)。
在该应用示例中,可对Y通道下采样4倍图进行4倍上采样得到Y通道的模糊图(第二亮度特征图),并对UV通道下采样2倍图进行2倍上采样得到UV通道的模糊图(第二色度特征图);将Y通道的亮度图与所述第二亮度特征图相减,从而得到待处理图像的Y通道细节图,将UV通道的色度图与所述第二色度特征图相减,从而得到待处理图像的UV通道细节图。这样,可以保留待处理图像的亮度细节,以便在后续处理中还原图像的亮度细节。
在该应用示例中,可将YUV三通道宽高相同的数据(第一图像)输入HDR网络(HDRNet)中进行HDR增强处理,得到增强的第二图像(未示出)。
在该应用示例中,可对HDR网络输出的第二图像进行后处理(行尺寸放大及细节信息恢复)。可首先对第二图像的Y通道图像进行4倍上采样得到Y通道上采样4倍图(第三亮度特征图),并第二图像的UV通道图像进行2倍上采样得到UV通道上采样2倍图(第三色度特征图);然后,将Y通道上采样4倍图与待处理图像的Y通道细节图相加,得到原尺寸的Y通道图像,并将UV通道上采样2倍图与待处理图像的UV通道细节图相加,得到原尺寸的UV通道图像,从而输出HDR增强后的NV21图像数据(第三图像)。
在一种可能的实现方式中,在使用神经网络之前,可对神经网络进行训练。根据本公开实施例的图像处理方法还包括:根据预设的训练集,训练所述神经网络,所述训练集中包括已标注的多个样本图像。
举例来说,可预先设置有已标注的多个样本图像,每个样本图像具有标注信息,例如样本图像中待调整亮度和色彩的位置;也可以将同一位置的亮度较高的图像(例如白天拍摄的图像)作为亮度较低的图像(例如夜晚拍摄的图像)的标注图像。可将具有标注信息的多个样本图像组成训练集,训练神经网络。该神经网络可至少包括HDR网络。
在一种可能的实现方式中,该神经网络还可包括前处理网络(用于对待处理图像进行尺寸压缩及细节信息提取)和后处理网络(用于对所述第二图像进行尺寸放大及细节信息恢复)。本公开对此不作限制。
在一种可能的实现方式中,可将样本图像输入神经网络中,经由前处理网络、HDR网络、后处理网络处理,输出样本图像的恢复图像;根据恢复图像与标注信息,确定神经网络的网络损失;根据网络损失调整神经网络的网络参数;在满足预设的训练条件时,可得到训练后的神经网络。本公开对具体的训练过程不作限制。
通过这种方式,可得到高精度的神经网络。
根据本公开实施例的图像处理方法,能够采用金字塔策略对图像进行前处理以提取图像细节并后处理以还原图像细节,从而减小计算量同时保证处理效果,有效提高处理速度(例如在1080p的图像下达到实时的效果)。可直接对电子设备(手机端)的图像数据(例如NV21数据)进行HDR效果增强,更方便地部署到智能手机端。
根据本公开实施例的图像处理方法,能够采用改进的HDR网络提取图像中场景的全局和局部信息,使得HDR能够智能地区分各种场景区域(例如天空、建筑物、树木、行人等区域),提高了处理效果;利用图像的亮度图作为引导图,能够减小网络规模和计算量并保证处理效果。根据本公开实施例,实现了暗部细节增强和高光压制,能够显著提高夜间场景下的HDR增强效果。
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。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,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。
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4示出根据本公开实施例的图像处理装置的框图,如图4所示,所述图像处理装置包括:
压缩及细节提取模块,用于对待处理图像进行尺寸压缩及细节信息提取,得到尺寸压缩后的第一图像以及所述待处理图像的细节特征图;HDR增强模块,用于对所述第一图像进行高动态范围HDR增强处理,得到增强的第二图像;放大及细节恢复模块,用于根据所述细节特征图,对所述第二图像进行尺寸放大及细节信息恢复,得到恢复后的第三图像;其中,所述第三图像与所述待处理图像的图像格式和图像尺寸相同。
在一种可能的实现方式中,所述HDR增强模块包括:尺寸调整子模块,用于对所述第一图像进行尺寸调整,得到像素宽度与像素高度相等的第四图像;滤波子模块,用于对所述第四图像进行双边网格滤波,得到所述第四图像的第一HDR变换系数;插值子模块,用于将所述第一图像的亮度图作为引导图,对所述第一HDR变换系数进行双边网格插值,得到所述第一图像的第二HDR变换系数;叠加子模块,用于将所述第一图像及所述第二HDR变换系数叠加,得到所述第二图像。
在一种可能的实现方式中,所述滤波子模块用于:对所述第四图像进行特征提取,得到所述第四图像的特征图;对所述第四图像的特征图分别进行局部信息提取及全局信息提取,得到所述第四图像的局部特征和全局特征;对所述第四图像的局部特征和全局特征进行融合,得到所述第一HDR变换系数。
在一种可能的实现方式中,所述压缩及细节提取模块包括:第一下采样子模块,用于对所述待处理图像进行下采样,得到所述第一图像;第一上采样子模块,用于对所述第一图像进行上采样,得到第五图像;第一相减子模块,用于将所述待处理图像与所述第五图像相减,得到所述待处理图像的细节特征图。
在一种可能的实现方式中,所述压缩及细节提取模块包括:第二下采样子模块,用于对所述待处理图像的亮度图及色度图分别进行下采样,得到所述待处理图像的第一亮度特征图和第一色度特征图;第一图像确定子模块,用于根据所述第一亮度特征图和所述第一色度特征图,确定所述第一图像,其中,所述第一图像的亮度通道的宽度与所述第一图像的色度通道的宽度相等,所述第一图像的亮度通道的高度与所述第一图像的色度通道的高度相等。
在一种可能的实现方式中,所述压缩及细节提取模块还包括:第二上采样子模块,用于分别对所述第一亮度特征图及所述第一色度特征图进行上采样,得到第二亮度特征图及第二色度特征图;第二相减子模块,用于将所述待处理图像的亮度图与所述第二亮度特征图相减,并将所述待处理图像的色度图与所述第二色度特征图相减,得到亮度细节图及色度细节图,所述细节特征图包括所述亮度细节图及所述色度细节图。
在一种可能的实现方式中,所述放大及细节恢复模块包括:第三上采样子模块,用于对所述第二图像进行上采样,得到第六图像;叠加子模块,用于将所述第六图像与所述细节特征图叠加,得到所述第三图像。
在一种可能的实现方式中,所述放大及细节恢复模块包括:第四上采样子模块,用于对所述第二图像的亮度图及色度图分别进行上采样,得到第三亮度特征图和第三色度特征图;亮度叠加子模块,用于将所述第三亮度特征图与所述亮度细节图叠加,得到所述第三图像的亮度图;色度叠加子模块,用于将所述第三色度特征图与所述色度细节图叠加,得到所述第三图像的色度图;第二图像确定子模块,用于根据所述第三图像的亮度图与所述第三图像的色度图,确定所述第三图像。
在一种可能的实现方式中,所述装置通过神经网络实现,所述神经网络包括HDR网络,用于对所述第一图像进行HDR增强处理。
在一种可能的实现方式中,所述装置还包括:训练模块,用于根据预设的训练集,训练所述神经网络,所述训练集中包括已标注的多个样本图像。
在一种可能的实现方式中,所述待处理图像包括图像采集装置的拍摄界面的预览图像,所述待处理图像的图像格式为NV21、NV12、YV12、YUV420P、RGB、HSV中的任意一种。
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5示出根据本公开实施例的电子设备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5,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6示出根据本公开实施例的电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图6,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的改进,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 (22)
1.一种图像处理方法,其特征在于,包括:
对待处理图像进行尺寸压缩及细节信息提取,得到尺寸压缩后的第一图像以及所述待处理图像的细节特征图;
对所述第一图像进行高动态范围HDR增强处理,得到增强的第二图像;
根据所述细节特征图,对所述第二图像进行尺寸放大及细节信息恢复,得到恢复后的第三图像;
其中,所述第三图像与所述待处理图像的图像格式和图像尺寸相同;
其中,所述对所述第一图像进行高动态范围HDR增强处理,得到增强的第二图像,包括:
对所述第一图像进行尺寸调整,得到像素宽度与像素高度相等的第四图像;
对所述第四图像进行双边网格滤波,得到所述第四图像的第一HDR变换系数;
将所述第一图像的亮度图作为引导图,对所述第一HDR变换系数进行双边网格插值,得到所述第一图像的第二HDR变换系数;
将所述第一图像及所述第二HDR变换系数叠加,得到所述第二图像。
2.根据权利要求1所述的方法,其特征在于,对所述第四图像进行双边网格滤波,得到所述第四图像的第一HDR变换系数,包括:
对所述第四图像进行特征提取,得到所述第四图像的特征图;
对所述第四图像的特征图分别进行局部信息提取及全局信息提取,得到所述第四图像的局部特征和全局特征;
对所述第四图像的局部特征和全局特征进行融合,得到所述第一HDR变换系数。
3.根据权利要求1所述的方法,其特征在于,对待处理图像进行尺寸压缩及细节信息提取,得到尺寸压缩后的第一图像以及所述待处理图像的细节特征图,包括:
对所述待处理图像进行下采样,得到所述第一图像;
对所述第一图像进行上采样,得到第五图像;
将所述待处理图像与所述第五图像相减,得到所述待处理图像的细节特征图。
4.根据权利要求1所述的方法,其特征在于,对待处理图像进行尺寸压缩及细节信息提取,得到尺寸压缩后的第一图像以及所述待处理图像的细节特征图,包括:
对所述待处理图像的亮度图及色度图分别进行下采样,得到所述待处理图像的第一亮度特征图和第一色度特征图;
根据所述第一亮度特征图和所述第一色度特征图,确定所述第一图像,
其中,所述第一图像的亮度通道的宽度与所述第一图像的色度通道的宽度相等,所述第一图像的亮度通道的高度与所述第一图像的色度通道的高度相等。
5.根据权利要求4所述的方法,其特征在于,对待处理图像进行尺寸压缩及细节信息提取,得到尺寸压缩后的第一图像以及所述待处理图像的细节特征图,还包括:
分别对所述第一亮度特征图及所述第一色度特征图进行上采样,得到第二亮度特征图及第二色度特征图;
将所述待处理图像的亮度图与所述第二亮度特征图相减,并将所述待处理图像的色度图与所述第二色度特征图相减,得到亮度细节图及色度细节图,所述细节特征图包括所述亮度细节图及所述色度细节图。
6.根据权利要求1-5中任意一项所述的方法,其特征在于,根据所述细节特征图,对所述第二图像进行尺寸放大及细节信息恢复,得到恢复后的第三图像,包括:
对所述第二图像进行上采样,得到第六图像;
将所述第六图像与所述细节特征图叠加,得到所述第三图像。
7.根据权利要求1-5中任意一项所述的方法,其特征在于,根据所述细节特征图,对所述第二图像进行尺寸放大及细节信息恢复,得到恢复后的第三图像,包括:
对所述第二图像的亮度图及色度图分别进行上采样,得到第三亮度特征图和第三色度特征图;
将所述第三亮度特征图与所述亮度细节图叠加,得到所述第三图像的亮度图;
将所述第三色度特征图与所述色度细节图叠加,得到所述第三图像的色度图;
根据所述第三图像的亮度图与所述第三图像的色度图,确定所述第三图像。
8.根据权利要求1-5中任意一项所述的方法,其特征在于,所述方法通过神经网络实现,所述神经网络包括HDR网络,用于对所述第一图像进行HDR增强处理。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
根据预设的训练集,训练所述神经网络,所述训练集中包括已标注的多个样本图像。
10.根据权利要求1-5中任意一项所述的方法,其特征在于,所述待处理图像包括图像采集装置的拍摄界面的预览图像,所述待处理图像的图像格式为NV21、NV12、YV12、YUV420P、RGB、HSV中的任意一种。
11.一种图像处理装置,其特征在于,包括:
压缩及细节提取模块,用于对待处理图像进行尺寸压缩及细节信息提取,得到尺寸压缩后的第一图像以及所述待处理图像的细节特征图;
HDR增强模块,用于对所述第一图像进行高动态范围HDR增强处理,得到增强的第二图像;
放大及细节恢复模块,用于根据所述细节特征图,对所述第二图像进行尺寸放大及细节信息恢复,得到恢复后的第三图像;
其中,所述第三图像与所述待处理图像的图像格式和图像尺寸相同;
其中,所述HDR增强模块包括:
尺寸调整子模块,用于对所述第一图像进行尺寸调整,得到像素宽度与像素高度相等的第四图像;
滤波子模块,用于对所述第四图像进行双边网格滤波,得到所述第四图像的第一HDR变换系数;
插值子模块,用于将所述第一图像的亮度图作为引导图,对所述第一HDR变换系数进行双边网格插值,得到所述第一图像的第二HDR变换系数;
叠加子模块,用于将所述第一图像及所述第二HDR变换系数叠加,得到所述第二图像。
12.根据权利要求11所述的装置,其特征在于,所述滤波子模块用于:
对所述第四图像进行特征提取,得到所述第四图像的特征图;
对所述第四图像的特征图分别进行局部信息提取及全局信息提取,得到所述第四图像的局部特征和全局特征;
对所述第四图像的局部特征和全局特征进行融合,得到所述第一HDR变换系数。
13.根据权利要求11所述的装置,其特征在于,所述压缩及细节提取模块包括:
第一下采样子模块,用于对所述待处理图像进行下采样,得到所述第一图像;
第一上采样子模块,用于对所述第一图像进行上采样,得到第五图像;
第一相减子模块,用于将所述待处理图像与所述第五图像相减,得到所述待处理图像的细节特征图。
14.根据权利要求11所述的装置,其特征在于,所述压缩及细节提取模块包括:
第二下采样子模块,用于对所述待处理图像的亮度图及色度图分别进行下采样,得到所述待处理图像的第一亮度特征图和第一色度特征图;
第一图像确定子模块,用于根据所述第一亮度特征图和所述第一色度特征图,确定所述第一图像,
其中,所述第一图像的亮度通道的宽度与所述第一图像的色度通道的宽度相等,所述第一图像的亮度通道的高度与所述第一图像的色度通道的高度相等。
15.根据权利要求14所述的装置,其特征在于,所述压缩及细节提取模块还包括:
第二上采样子模块,用于分别对所述第一亮度特征图及所述第一色度特征图进行上采样,得到第二亮度特征图及第二色度特征图;
第二相减子模块,用于将所述待处理图像的亮度图与所述第二亮度特征图相减,并将所述待处理图像的色度图与所述第二色度特征图相减,得到亮度细节图及色度细节图,所述细节特征图包括所述亮度细节图及所述色度细节图。
16.根据权利要求11-15中任意一项所述的装置,其特征在于,所述放大及细节恢复模块包括:
第三上采样子模块,用于对所述第二图像进行上采样,得到第六图像;
叠加子模块,用于将所述第六图像与所述细节特征图叠加,得到所述第三图像。
17.根据权利要求11-15中任意一项所述的装置,其特征在于,所述放大及细节恢复模块包括:
第四上采样子模块,用于对所述第二图像的亮度图及色度图分别进行上采样,得到第三亮度特征图和第三色度特征图;
亮度叠加子模块,用于将所述第三亮度特征图与所述亮度细节图叠加,得到所述第三图像的亮度图;
色度叠加子模块,用于将所述第三色度特征图与所述色度细节图叠加,得到所述第三图像的色度图;
第二图像确定子模块,用于根据所述第三图像的亮度图与所述第三图像的色度图,确定所述第三图像。
18.根据权利要求11-15中任意一项所述的装置,其特征在于,所述装置通过神经网络实现,所述神经网络包括HDR网络,用于对所述第一图像进行HDR增强处理。
19.根据权利要求18所述的装置,其特征在于,所述装置还包括:
训练模块,用于根据预设的训练集,训练所述神经网络,所述训练集中包括已标注的多个样本图像。
20.根据权利要求11-15中任意一项所述的装置,其特征在于,所述待处理图像包括图像采集装置的拍摄界面的预览图像,所述待处理图像的图像格式为NV21、NV12、YV12、YUV420P、RGB、HSV中的任意一种。
21.一种电子设备,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10中任意一项所述的方法。
22.一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10中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910688775.5A CN110458771B (zh) | 2019-07-29 | 2019-07-29 | 图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910688775.5A CN110458771B (zh) | 2019-07-29 | 2019-07-29 | 图像处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458771A CN110458771A (zh) | 2019-11-15 |
CN110458771B true CN110458771B (zh) | 2022-04-08 |
Family
ID=68483778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910688775.5A Active CN110458771B (zh) | 2019-07-29 | 2019-07-29 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458771B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111031239B (zh) * | 2019-12-05 | 2021-06-18 | Oppo广东移动通信有限公司 | 图像处理方法及其装置、电子设备和计算机可读存储介质 |
CN113256503B (zh) * | 2020-02-13 | 2024-03-08 | 北京小米移动软件有限公司 | 图像优化方法及装置、移动终端及存储介质 |
CN113592723B (zh) * | 2020-04-30 | 2024-04-02 | 京东方科技集团股份有限公司 | 视频增强方法及装置、电子设备、存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101707666A (zh) * | 2009-11-26 | 2010-05-12 | 北京中星微电子有限公司 | 一种高动态范围的调整方法和装置 |
EP2624204A2 (en) * | 2012-02-02 | 2013-08-07 | Canon Kabushiki Kaisha | Image processing apparatus and method of controlling the same |
CN105915909A (zh) * | 2016-05-27 | 2016-08-31 | 清华大学深圳研究生院 | 一种高动态范围图像分层压缩方法 |
WO2016139260A1 (en) * | 2015-03-05 | 2016-09-09 | Iee International Electronics & Engineering S.A. | Method and system for real-time noise removal and image enhancement of high-dynamic range images |
CN106780402A (zh) * | 2017-01-16 | 2017-05-31 | 聚龙智瞳科技有限公司 | 基于Bayer格式的图像动态范围扩展方法及装置 |
CN106875358A (zh) * | 2017-02-09 | 2017-06-20 | 聚龙智瞳科技有限公司 | 基于Bayer格式的图像增强方法及图像增强装置 |
WO2018136373A1 (en) * | 2017-01-20 | 2018-07-26 | Microsoft Technology Licensing, Llc | Image fusion and hdr imaging |
CN108737750A (zh) * | 2018-06-07 | 2018-11-02 | 北京旷视科技有限公司 | 图像处理方法、装置及电子设备 |
CN108961156A (zh) * | 2018-07-26 | 2018-12-07 | 北京小米移动软件有限公司 | 人脸图像处理的方法及装置 |
CN109360151A (zh) * | 2018-09-30 | 2019-02-19 | 京东方科技集团股份有限公司 | 图像处理方法及系统、分辨率提升方法、可读存储介质 |
WO2019112085A1 (en) * | 2017-12-06 | 2019-06-13 | Korea Advanced Institute Of Science And Technology | Method and apparatus for inverse tone mapping |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101618298B1 (ko) * | 2009-10-23 | 2016-05-09 | 삼성전자주식회사 | 고감도 영상 생성 장치 및 방법 |
US9883112B1 (en) * | 2016-09-22 | 2018-01-30 | Pinnacle Imaging Corporation | High dynamic range imaging |
-
2019
- 2019-07-29 CN CN201910688775.5A patent/CN110458771B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101707666A (zh) * | 2009-11-26 | 2010-05-12 | 北京中星微电子有限公司 | 一种高动态范围的调整方法和装置 |
EP2624204A2 (en) * | 2012-02-02 | 2013-08-07 | Canon Kabushiki Kaisha | Image processing apparatus and method of controlling the same |
WO2016139260A1 (en) * | 2015-03-05 | 2016-09-09 | Iee International Electronics & Engineering S.A. | Method and system for real-time noise removal and image enhancement of high-dynamic range images |
CN105915909A (zh) * | 2016-05-27 | 2016-08-31 | 清华大学深圳研究生院 | 一种高动态范围图像分层压缩方法 |
CN106780402A (zh) * | 2017-01-16 | 2017-05-31 | 聚龙智瞳科技有限公司 | 基于Bayer格式的图像动态范围扩展方法及装置 |
WO2018136373A1 (en) * | 2017-01-20 | 2018-07-26 | Microsoft Technology Licensing, Llc | Image fusion and hdr imaging |
CN106875358A (zh) * | 2017-02-09 | 2017-06-20 | 聚龙智瞳科技有限公司 | 基于Bayer格式的图像增强方法及图像增强装置 |
WO2019112085A1 (en) * | 2017-12-06 | 2019-06-13 | Korea Advanced Institute Of Science And Technology | Method and apparatus for inverse tone mapping |
CN108737750A (zh) * | 2018-06-07 | 2018-11-02 | 北京旷视科技有限公司 | 图像处理方法、装置及电子设备 |
CN108961156A (zh) * | 2018-07-26 | 2018-12-07 | 北京小米移动软件有限公司 | 人脸图像处理的方法及装置 |
CN109360151A (zh) * | 2018-09-30 | 2019-02-19 | 京东方科技集团股份有限公司 | 图像处理方法及系统、分辨率提升方法、可读存储介质 |
Non-Patent Citations (2)
Title |
---|
High dynamic range infrared images detail enhancement based on local edge preserving filter;QiongSong 等;《Infrared Physics & Technology》;20160630;第77卷;464-473 * |
单幅图像的高动态范围图像生成方法;朱恩弘 等;《计算机辅助设计与图形学学报》;20161015;第28卷(第10期);1713-1722 * |
Also Published As
Publication number | Publication date |
---|---|
CN110458771A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118430B (zh) | 超分辨率图像重建方法及装置、电子设备及存储介质 | |
CN110060215B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110458771B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111445414B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113706421B (zh) | 一种图像处理方法及装置、电子设备和存储介质 | |
CN113139947B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110619610B (zh) | 图像处理方法及装置 | |
CN111340731A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112634160A (zh) | 拍照方法及装置、终端、存储介质 | |
CN111192218B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113689361B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
EP3816927B1 (en) | Method and apparatus for training image processing models, and storage medium | |
CN111523346A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN109840890B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110675355B (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN111583142A (zh) | 图像降噪方法及装置、电子设备和存储介质 | |
CN115205172A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113160039B (zh) | 图像风格迁移方法、装置、电子设备及存储介质 | |
CN111369482A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113660531A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN113012052B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109816620B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111461950B (zh) | 图像处理方法及装置 | |
CN111861942A (zh) | 一种降噪方法及装置、电子设备和存储介质 | |
CN111275641A (zh) | 图像处理方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |