CN111382772A - 一种图像处理方法、装置及终端设备 - Google Patents

Abstract

本发明适用于图像处理技术领域，提供了一种图像处理方法、装置及终端设备，通过利用第一损失函数对基础神经网络模型进行训练，得到第一神经网络模型，再利用第二损失函数对所述第一神经网络模型进行训练，得到第二神经网络模型，然后将待处理图像输入所述第二神经网络模型进行处理后，生成所述待处理图像对应的目标图像，通过第一损失函数和第二损失函数的双重作用，使得最终得到的第二神经网络模型能够输出更为清晰和更多纹理细节的暗光图像，使得人们主观视觉体验更佳。

Description

一种图像处理方法、装置及终端设备

技术领域

本发明属于图像处理技术领域，尤其涉及一种图像处理方法、装置及终端设备。

背景技术

在暗光条件下，利用传统的拍摄成像技术，很难快速拍摄出清晰的图像。为了解决单帧暗光图像复原问题，当下存在多方面的研究，目前最流行最有效的方法是基于深度学习的方法。

虽然按目前基于深度学习的图像处理模型在一定程度上提高了暗光图像的画面品质，但由于模型影响因素考虑的局限性，复原出来的图像通常较为平滑，图像比较模糊，存在较大程度的失真，主观视觉体验不佳。

发明内容

有鉴于此，本发明实施例提供了一种图像处理方法、装置及终端设备，以解决现有暗光图像存在失真，主观视觉体验不佳的问题。

本发明实施例的第一方面提供了一种图像处理方法，包括：

利用第一损失函数对基础神经网络模型进行训练，得到第一神经网络模型；

利用第二损失函数对所述第一神经网络模型进行训练，得到第二神经网络模型；

将待处理图像输入所述第二神经网络模型进行处理后，生成所述待处理图像对应的目标图像。

本发明实施例的第二方面提供了一种图像处理装置，包括：

第一训练单元，用于利用第一损失函数对基础神经网络模型进行训练，得到第一神经网络模型；

第二训练单元，用于利用第二损失函数对所述第一神经网络模型进行训练，得到第二神经网络模型；

图像处理单元，用于将待处理图像输入所述第二神经网络模型进行处理后，生成所述待处理图像对应的目标图像。

本发明实施例的第三方面提供了一种终端设备，包括：

存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现本发明实施例的第一方面提供的图像处理方法的步骤。

其中，所述计算机程序包括：

第一训练单元，用于利用第一损失函数对基础神经网络模型进行训练，得到第一神经网络模型；

第二训练单元，用于利用第二损失函数对所述第一神经网络模型进行训练，得到第二神经网络模型；

图像处理单元，用于将待处理图像输入所述第二神经网络模型进行处理后，生成所述待处理图像对应的目标图像。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明实施例的第一方面提供的图像处理方法的步骤。

其中，所述计算机程序包括：

第一训练单元，用于利用第一损失函数对基础神经网络模型进行训练，得到第一神经网络模型；

第二训练单元，用于利用第二损失函数对所述第一神经网络模型进行训练，得到第二神经网络模型；

图像处理单元，用于将待处理图像输入所述第二神经网络模型进行处理后，生成所述待处理图像对应的目标图像。

本发明实施例与现有技术相比存在的有益效果是：通过利用第一损失函数对基础神经网络模型进行训练，得到第一神经网络模型，再利用第二损失函数对所述第一神经网络模型进行训练，得到第二神经网络模型，然后将待处理图像输入所述第二神经网络模型进行处理后，生成所述待处理图像对应的目标图像，通过第一损失函数和第二损失函数的双重作用，使得最终得到的第二神经网络模型能够输出更为清晰和更多纹理细节的暗光图像，使得人们主观视觉体验更佳。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种图像处理方法的实现流程图；

图2是本发明实施例提供的一种对基础神经网络模型进行训练的方法的具体实现流程图；

图3是本发明实施例提供的一种对第一神经网络模型进行训练的方法的具体实现流程图；

图4-1为本发明实施例提供的一种第一图像；

图4-2为本发明实施例提供的一种第二图像；

图4-3为本发明实施例提供的一种第四图像；

图5是本发明实施例提供的一种图像处理装置的示意图；

图6是本发明实施例提供的一种终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。请参考图1，图1示出了本发明实施例提供的一种图像处理方法的实现流程，详述如下：

在步骤S101中，利用第一损失函数对基础神经网络模型进行训练，得到第一神经网络模型。

在本发明实施例中，基础神经网络模型为所选择的对暗光图像进行处理的神经网络模型，优选为卷积神经网络ConvNet，可选U-Net网络或其它全分辨率处理网络。

在这里，第一神经网络模型具体为利用第一损失函数对基础神经网络模型中的各个参数进行优化后所得的的神经网络模型，这里的第一并无其它特殊含义。

在这里，第一损失函数具体为：

L₁＝||I_pre-I_gt||

其中，I_pre表示将第一图像输入基础神经网络模型进行处理后所输出的第二图像，I_gt表示所述第一图像对应的第三图像，所述第一图像为原始暗光图像，所述第三图像为跟所述原始暗光图像在同一场景，同样暗光条件下，通过三脚架上的相机进行预设时长长曝光拍摄而成的图像，

表示对图像I求绝对值之后再求平均值，I表示图像I_pre减去图像I_gt后生成的图像，H表示图像I的高,W表示图像I的宽，C表示图像I的通道数，(w,h,c)代表图像I中第c通道，第w列，第h行对应的像素值。

在这里，第一图像为原始暗光图像；第二图像为将原始暗光图像输入基础神经网络进行处理后得到的图像，第三图像为原始暗光图像对应的高清图像，该高清图像是在跟原始暗光图像同一场景，同样暗光条件下，通过三脚架上的相机进行预设时长比如10s长曝光拍摄而成的图像。

在这里，通过比较第二图像和第三图像两者之间的差值以调整基础神经网络模型中的各个参数，以使得各个参数达到最优从而得到优化后的第一神经网络模型。

在这里，利用第一损失函数对基础神经网络模型进行优化的目的是为了去掉原始图像中的噪声，以得到去除噪声之后的高质量图像。为了使得第一神经网络模型中的各个参数达到最优，基于第一损失函数，通过随机梯度下降方法和误差反向传播算法来获取最优参数。

在步骤S102中，利用第二损失函数对所述第一神经网络模型进行训练，得到第二神经网络模型。

在本发明实施例中，第二损失函数为纹理一致性损失(texture matching loss)函数，主要目的是为了提升图像的纹理和细节，使图像在主观视觉上更清晰，该第二损失函数具体为：

L_T＝||G(φ(I_pre))-G(φ(I_gt))||

其中，

G为二维矩阵，其长和宽均为C；c1,c2为矩阵G的下标；φ表示VGG19模型的层结构中的激活值relu2_2激活层的特征图；I表示输入到φ的图像；H，W表示选取φ(I)特征图中高为H，宽为W的小块进行计算，w，h，c表示φ(I)特征图中选取小块中的第w列，第h行，第c通道对应的值。

在这里，通过G(φ)计算图像上16×16小块的内积，当两个图像小块内积件的差距越小时，代表这两个小块的纹理越一致，从而使得所训练得到的第二神经网络能够实现提升图像的纹理和细节。

在这里，第二神经网络模型具体为利用第二损失函数对第一神经网络模型中的各个参数再次进行优化后所得的的神经网络模型，这里的第二并无其它特殊含义。

在这里，通过利用第二损失函数对第一神经网络模型中的各个参数进行调整后，使得经第二神经网络模型所输出的图像更符合人类感觉视觉的特征和更丰富的纹理信息的图像，即第二神经网络模型通过G和φ的共同作用形成的第二损失函数，能够学习出更多的细节，复原出更清晰，主观视觉更好的图像。

在步骤S103中，将待处理图像输入所述第二神经网络模型进行处理后，生成所述待处理图像对应的目标图像。

在本发明实施例中，待处理图像为需要处理的暗光图像，即在暗光条件下所拍摄的图像，主观上该暗光图像比较模糊且纹理不清楚，视觉体验不好。

目标图像为当前所输入的待处理图像经第二神经网络模型进行复原后所得到的具有更多纹理信息且更为清晰的图像，

可选的，请参考图2，图2示出了本发明实施例提供的一种对基础神经网络模型进行训练的方法的具体实现流程，详述如下：

在步骤S201中，将训练样本图像输入所述基础神经网络模型。

在本发明实施例中，训练样本图像为由多个在多种场景下的暗光图像以及该暗光图像对应的高清图像所组成的图像集合，该高清图像是在跟原始暗光图像同一场景，同样暗光条件下，通过三脚架上的相机进行10s长曝光拍摄而成。

在这里，将训练样本图像输入至基础神经网络模型中以对该基础神经网络模型进行训练，以得到符合要求的第一神经网络模型。

在步骤S202中，根据预设的第一训练参数，利用所述第一损失函数对所述基础神经网络模型进行训练，得到对所述基础神经网络模型的参数进行调整后的第一神经网络模型。

在本发明实施例中，第一训练参数具体为基础神经网络模型中所设置的初始epoch＝4000，初始学习率为1e-4,当epoch＝2000时，学习率降低为1e-5。

可选的，请参考图3，图3示出了本发明实施例提供的一种对第一神经网络模型进行训练的方法的具体实现流程，详述如下：

在步骤S301中，将训练样本图像输入所述第一神经网络模型。

在步骤S302中，根据预设的第二训练参数，利用所述第二损失函数对所述第一神经网络模型进行训练，得到对所述第一神经网络模型的参数进行调整后的第二神经网络模型。

在本发明实施例中，第一训练参数具体为第一神经网络模型中所设置的epoch＝1000，学习率为1e-5。

请参考图4，为了验证经训练得到的第二神经网络模型的图像处理效果，将如图4-1所示的第一图像，即原始暗光图像分别输入采用L1loss训练得到的神经网络模型比如本发实施例中的第一神经网络模型，以及本发明实施例中的第二神经网络模型，可以得到如图4-2所示的第二图像和图4-3所示的第四图像。对比图4-2和图4-3，可以明显的看到经第二神经网络模型输出的图像的纹理及细节更多，并且更清晰，主观视觉感受更好。在本发明实施例中，通过利用第一损失函数对基础神经网络模型进行训练，得到第一神经网络模型，再利用第二损失函数对所述第一神经网络模型进行训练，得到第二神经网络模型，然后将待处理图像输入所述第二神经网络模型进行处理后，生成所述待处理图像对应的目标图像，通过第一损失函数和第二损失函数的双重作用，使得最终得到的第二神经网络模型能够输出更为清晰和更多纹理细节的暗光图像，使得人们主观视觉体验更佳。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑控制，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的一种图像处理方法，图5示出了本发明实施例提供的一种图像处理装置的示意图，为了便于说明，仅示出了与本发明实施例相关的部分。

参照图5，该装置包括：

第一训练单元51，用于利用第一损失函数对基础神经网络模型进行训练，得到第一神经网络模型；

第二训练单元52，用于利用第二损失函数对所述第一神经网络模型进行训练，得到第二神经网络模型；

图像处理单元53，用于将待处理图像输入所述第二神经网络模型进行处理后，生成所述待处理图像对应的目标图像。

可选的，所述第一损失函数具体为：

L₁＝||I_pre-I_gt||

其中，I_pre表示将第一图像输入基础神经网络模型进行处理后所输出的第二图像，I_gt表示所述第一图像对应的第三图像，所述第一图像为原始暗光图像，所述第三图像为跟所述原始暗光图像在同一场景，同样暗光条件下，通过三脚架上的相机进行预设时长长曝光拍摄而成的图像，

表示对图像I求绝对值之后再求平均值，I表示图像I_pre减去图像I_gt后生成的图像，H表示图像I的高,W表示图像I的宽，C表示图像I的通道数，(w,h,c)代表图像I中第c通道，第w列，第h行对应的像素值。

可选的，所述第二损失函数具体为：

L_T＝||G(φ(I_pre))-G(φ(I_gt))||

其中，

G为二维矩阵，其长和宽均为C；c1,c2为矩阵G的下标；φ表示VGG19模型的层结构中的激活值relu2_2激活层的特征图；I表示输入到φ的图像；H，W表示选取φ(I)特征图中高为H，宽为W的小块进行计算，w，h，c表示φ(I)特征图中选取小块中的第w列，第h行，第c通道对应的值。

可选的，所述第一训练单元51包括：

第一图像输入子单元，用于将训练样本图像输入所述基础神经网络模型；

第一训练子单元，用于根据预设的第一训练参数，利用所述第一损失函数对所述基础神经网络模型进行训练，得到对所述基础神经网络模型的参数进行调整后的第一神经网络模型。

可选的，所述第二训练单元52包括：

第二图像输入子单元，用于将训练样本图像输入所述第一神经网络模型；

第二训练子单元，用于根据预设的第二训练参数，利用所述第二损失函数对所述第一神经网络模型进行训练，得到对所述第一神经网络模型的参数进行调整后的第二神经网络模型。

在本发明实施例中，通过利用第一损失函数对基础神经网络模型进行训练，得到第一神经网络模型，再利用第二损失函数对所述第一神经网络模型进行训练，得到第二神经网络模型，然后将待处理图像输入所述第二神经网络模型进行处理后，生成所述待处理图像对应的目标图像，通过第一损失函数和第二损失函数的双重作用，使得最终得到的第二神经网络模型能够输出更为清晰和更多纹理细节的暗光图像，使得人们主观视觉体验更佳。

图6是本发明一实施例提供的一种终端的示意图。如图6所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个图像处理方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器60执行所述计算机程序62时实现上述各系统实施例中各单元的功能，例如图5所示模块51至53的功能。

示例性的，所述计算机程序62可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。例如，所述计算机程序62可以被分割成第一训练单元51、第二训练单元52、图像处理单元53，各单元具体功能如下：

第一训练单元51，用于利用第一损失函数对基础神经网络模型进行训练，得到第一神经网络模型；

第二训练单元52，用于利用第二损失函数对所述第一神经网络模型进行训练，得到第二神经网络模型；

图像处理单元53，用于将待处理图像输入所述第二神经网络模型进行处理后，生成所述待处理图像对应的目标图像。

可选的，所述第一损失函数具体为：

L₁＝||I_pre-I_gt||

其中，I_pre表示将第一图像输入基础神经网络模型进行处理后所输出的第二图像，I_gt表示所述第一图像对应的第三图像，所述第一图像为原始暗光图像，所述第三图像为跟所述原始暗光图像在同一场景，同样暗光条件下，通过三脚架上的相机进行预设时长长曝光拍摄而成的图像，

表示对图像I求绝对值之后再求平均值，I表示图像I_pre减去图像I_gt后生成的图像，H表示图像I的高,W表示图像I的宽，C表示图像I的通道数，(w,h,c)代表图像I中第c通道，第w列，第h行对应的像素值。

可选的，所述第二损失函数具体为：

L_T＝||G(φ(I_pre))-G(φ(I_gt))||

其中，

G为二维矩阵，其长和宽均为C；c1,c2为矩阵G的下标；φ表示VGG19模型的层结构中的激活值relu2_2激活层的特征图；I表示输入到φ的图像；H，W表示选取φ(I)特征图中高为H，宽为W的小块进行计算，w，h，c表示φ(I)特征图中选取小块中的第w列，第h行，第c通道对应的值。

可选的，所述第一训练单元51包括：

第一图像输入子单元，用于将训练样本图像输入所述基础神经网络模型；

第一训练子单元，用于根据预设的第一训练参数，利用所述第一损失函数对所述基础神经网络模型进行训练，得到对所述基础神经网络模型的参数进行调整后的第一神经网络模型。

可选的，所述第二训练单元52包括：

第二图像输入子单元，用于将训练样本图像输入所述第一神经网络模型；

第二训练子单元，用于根据预设的第二训练参数，利用所述第二损失函数对所述第一神经网络模型进行训练，得到对所述第一神经网络模型的参数进行调整后的第二神经网络模型。

所述终端设备6包括但不限于桌上型计算机、笔记本、掌上电脑及智能手机等终端设备。所述终端设备6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。

所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的系统/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，系统或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像处理方法，其特征在于，所述方法包括：

利用第一损失函数对基础神经网络模型进行训练，得到第一神经网络模型；

利用第二损失函数对所述第一神经网络模型进行训练，得到第二神经网络模型；

将待处理图像输入所述第二神经网络模型进行处理后，生成所述待处理图像对应的目标图像。

2.如权利要求1所述的方法，其特征在于，所述第一损失函数具体为：

L₁＝||I_pre-I_gt||

其中，I_pre表示将第一图像输入基础神经网络模型进行处理后所输出的第二图像，I_gt表示所述第一图像对应的第三图像，所述第一图像为原始暗光图像，所述第三图像为跟所述原始暗光图像在同一场景，同样暗光条件下，通过三脚架上的相机进行预设时长长曝光拍摄而成的图像，

表示对图像I求绝对值之后再求平均值，I表示图像I_pre减去图像I_gt后生成的图像，H表示图像I的高,W表示图像I的宽，C表示图像I的通道数，(w,h,c)代表图像I中第c通道，第w列，第h行对应的像素值。

3.如权利要求1所述的方法，其特征在于，所述第二损失函数具体为：

L_T＝||G(φ(I_pre))-G(φ(I_gt))||

其中，

G为二维矩阵，其长和宽均为C；c1,c2为矩阵G的下标；φ表示VGG19模型的层结构中的激活值relu2_2激活层的特征图；I表示输入到φ的图像；H，W表示选取φ(I)特征图中高为H，宽为W的小块进行计算，w，h，c表示φ(I)特征图中选取小块中的第w列，第h行，第c通道对应的值。

4.如权利要求1至3任一所述的方法，其特征在于，所述利用第一损失函数对基础神经网络模型进行训练，得到第一神经网络模型的步骤，包括：

将训练样本图像输入所述基础神经网络模型；

根据预设的第一训练参数，利用所述第一损失函数对所述基础神经网络模型进行训练，得到对所述基础神经网络模型的参数进行调整后的第一神经网络模型。

5.如权利要求1至3任一所述的方法，其特征在于，所述利用第二损失函数对所述第一神经网络模型进行训练，得到第二神经网络模型的步骤，包括：

将训练样本图像输入所述第一神经网络模型；

根据预设的第二训练参数，利用所述第二损失函数对所述第一神经网络模型进行训练，得到对所述第一神经网络模型的参数进行调整后的第二神经网络模型。

6.一种图像处理装置，其特征在于，所述装置包括：

第一训练单元，用于利用第一损失函数对基础神经网络模型进行训练，得到第一神经网络模型；

第二训练单元，用于利用第二损失函数对所述第一神经网络模型进行训练，得到第二神经网络模型；

图像处理单元，用于将待处理图像输入所述第二神经网络模型进行处理后，生成所述待处理图像对应的目标图像。

7.如权利要求6所述的装置，其特征在于，所述第一损失函数具体为：

L₁＝||I_pre-I_gt||

其中，I_pre表示将第一图像输入基础神经网络模型进行处理后所输出的第二图像，I_gt表示所述第一图像对应的第三图像，所述第一图像为原始暗光图像，所述第三图像为跟所述原始暗光图像在同一场景，同样暗光条件下，通过三脚架上的相机进行预设时长长曝光拍摄而成的图像，

表示对图像I求绝对值之后再求平均值，I表示图像I_pre减去图像I_gt后生成的图像，H表示图像I的高,W表示图像I的宽，C表示图像I的通道数，(w,h,c)代表图像I中第c通道，第w列，第h行对应的像素值。

8.如权利要求6所述的装置，其特征在于，所述第二损失函数具体为：

L_T＝||G(φ(I_pre))-G(φ(I_gt))||

其中，

G为二维矩阵，其长和宽均为C；c1,c2为矩阵G的下标；φ表示VGG19模型的层结构中的激活值relu2_2激活层的特征图；I表示输入到φ的图像；H，W表示选取φ(I)特征图中高为H，宽为W的小块进行计算，w，h，c表示φ(I)特征图中选取小块中的第w列，第h行，第c通道对应的值。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述图像处理方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述图像处理方法的步骤。

Images