CN111383299B - 图像的处理方法、装置及计算机可读存储介质 - Google Patents

图像的处理方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN111383299B
CN111383299B CN201811622823.2A CN201811622823A CN111383299B CN 111383299 B CN111383299 B CN 111383299B CN 201811622823 A CN201811622823 A CN 201811622823A CN 111383299 B CN111383299 B CN 111383299B
Authority
CN
China
Prior art keywords
low
pixel
frequency
frequency component
map
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
Application number
CN201811622823.2A
Other languages
English (en)
Other versions
CN111383299A (zh
Inventor
张志豪
李松南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TCL Technology Group Co Ltd
Original Assignee
TCL Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by TCL Technology Group Co Ltd filed Critical TCL Technology Group Co Ltd
Priority to CN201811622823.2A priority Critical patent/CN111383299B/zh
Publication of CN111383299A publication Critical patent/CN111383299A/zh
Application granted granted Critical
Publication of CN111383299B publication Critical patent/CN111383299B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • 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
    • 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
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明适用于数据处理技术领域，提供了图像的处理方法、装置及计算机可读存储介质，包括：通过将原始图像分解为高频分量图以及低频分量图，以减小分解后图像的像素；同时对各个高频分量图进行降噪生成目标高频图，并增加低频分量图的光强度生成目标低频图，以通过并行处理的方式增加图像处理的效率，最后将分别处理生成的目标高频图以及目标低频图进行组合重建，生成处理后的图像，从而通过降低处理过程中单张图像的像素，以及提高图像处理的并行效率，实现了对图片进行快速处理美化的目的。

Description

图像的处理方法、装置及计算机可读存储介质
技术领域
本发明属于数据处理技术领域，尤其涉及图像的处理方法、装置及计算机可读存储介质。
背景技术
现在人们越来越多地使用智能手机等数字设备进行拍照，虽然当前智能手机的镜头已大有改善，但是在弱光和背光的情况下，照片的质量依然不高。在这种情况下就需要对原始照片进行后期加工，以提高照片的质量。
然而，由于现有的智能手机拍摄出的照片的像素都很高，因此对照片中的每个像素的数据进行整体的质量提升需要耗费大量的时间。我们在生活中经常需要等待很长时间智能手机才能输出加工后更美观的图片。
发明内容
有鉴于此，本发明实施例提供了图像的处理方法、装置及计算机可读存储介质，以解决现有图像的处理方法存在的处理速度慢的问题。
本发明实施例的第一方面提供了一种图像的处理方法，包括：获取原始图像，并将所述原始图像进行分解，生成高频分量图以及低频分量图；对所述高频分量图进行降噪，得到各个所述高频分量图对应的目标高频图；增加所述低频分量图的光强度，得到目标低频图；将所述目标高频图以及所述目标低频图进行组合重建，生成处理后的图像。
本发明实施例的第二方面提供了一种图像的处理装置，包括：分解模块，用于获取原始图像，并将所述原始图像进行分解，生成高频分量图以及低频分量图；降噪模块，用于对各个所述高频分量图进行降噪，得到各个所述高频分量图对应的目标高频图；增强模块，用于增加所述低频分量图的光强度，得到目标低频图；重建模块，用于将所述目标高频图以及所述目标低频图进行组合重建，生成处理后的图像。
本发明实施例的第三方面提供了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本发明实施例的第一方面提供的方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：通过将原始图像分解为高频分量图以及低频分量图，以减小分解后图像的像素；同时对各个高频分量图进行降噪生成目标高频图，并增加低频分量图的光强度生成目标低频图，以通过并行处理的方式增加图像处理的效率，最后将分别处理生成的目标高频图以及目标低频图进行组合重建，生成处理后的图像，从而通过降低处理过程中单张图像的像素，以及提高图像处理的并行效率，实现了对图片进行快速处理美化的目的。
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图像的处理方法的实现流程图；
图2是本发明实施例提供的图像的处理方法S103的具体实现流程图；
图3是本发明实施例提供的图像的处理方法S1032的具体实现流程图；
图4是本发明实施例提供的图像的处理装置的结构框图；
图5是本发明实施例提供的图像的处理装置的示意图。
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、装置、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。
实施例一
图1示出了本发明实施例提供的图像的处理方法的实现流程，详述如下：
在S101中，获取原始图像，并将所述原始图像进行分解，生成高频分量图以及低频分量图。
现有的数字照相设备为了拍摄出更加清晰的照片，照片的像素越来越高，但是高像素的照片在需要进行图像处理时就会耗费大量的时间。耗费大量时间的原因在于，现有技术需要对原始图像中的各个像素的数据进行数据处理，而由于原始图像是一个整体，使得这种处理方式在后处理的像素往往需要等待先处理的像素处理完成之后才能被处理，难以进行并行的计算，此外对所有的像素的数据均进行同样的数据处理方式，缺乏针对性，可能存在一些像素的数据被处理后也不会对照片效果的提升带来帮助，反而浪费了处理资源和处理时间。
基于上述的理由，本发明实施例对原始图像进行分解，从而通过两方面提高图像处理的处理速度，第一方面：由于分解后的图像的像素明显降低，对分解后生成的图像进行并行处理，有助于提高速度；第二方面：在后续的过程中对不同类型的图像进行不同方式的处理，有助于减少在效果不大的处理方式上浪费的处理时间。
可选地，通过多次离散小波变换算法将原始图像逐次分解为多个高频分量图以及一个低频分量图。可以理解地，高频分量图中包含了原始图像中物体边缘的高频信息以及原始图像所存在的噪声的信息，低频分量图中包含了原始图像中变化较为平缓的部分的信息。因此在分解出低频分量图以及高频分量图以后，可以在后续的过程中对二者进行不同的方式进行处理，从而减少运算成本以及运算时间。
作为本发明的一个实施例，如图2所示，上述S101包括：
在S1011中，通过离散小波变换算法将所述原始图像分解为多个第一层的高频分量以及1个第一层的低频分量。
可选地，通过哈尔小波变换算法对原始图像进行分解，由于此步骤是对原始图像的第一次分解，因此生成的是第一层的水平方向的高频分量、垂直方向的高频分量、斜行方向的高频分量以及1个第一层的低频分量。
在S1012中，重复执行预设次数的分解运算，所述分解运算包括：将上一层的低频分量通过离散小波变换算法分解为多个下一层的高频分量以及1个下一层的低频分量。
示例性地，若原始图像的像素值为4K×3K，则通过重复执行3次分解运算，再加上S1011步骤中的分解，一共可以生成4层的高频分量以及低频分量。
可选地，每次分解运算均可以通过哈尔小波变换算法将上一层的低频分量生成下一层的水平方向的高频分量、垂直方向的高频分量、斜行方向的高频分量以及1个下一层的低频分量。可以理解地，每个高频分量或低频分量均对应一个图像。
在S1013中，将每一层的高频分量均作为所述高频分量图，并将最下层的低频分量作为所述低频分量图。
示例性地，假设将原始图像通过四次分解，每一次分解均可以生成三个高频分流量以及一个低频分量，则本发明实施例将这四层的总共12个高频分量均作为分解后生成的高频分量图，并将第四层的低频分量作为分解后生成的低频分量图。
在本发明实施例中，将所述原始图像进行多次跌代分解，可以生成多个高频分量图以及1个低频分量图。可以理解地，每一层的高频分量图的像素值均为上一层的图像的像素值的一半，最下层的低频分量图的像素值相较于原始图像的像素值显著降低。因此，在后续对各个高频分量图以及低频分量图进行并行处理时的处理时长会低于对原始图像进行整体处理所需的时长。
在S102中，对所述高频分量图进行降噪，得到各个所述高频分量图对应的目标高频图。
如上文所述，本发明实施例提高图像处理速度的另一个关键在于：对由原始图像分解而来的高频分量图以及低频分量图采取不同的处理方式。
可以理解地，由于高频分量图中包含了原始图像中物体边缘的信息以及噪声的信息，所以对高频分量图中的噪声进行去除，可以较大幅度的提升处理后图像的质量，而对于高频分量图中的光强度进行增强对于处理后的图像的质量影响并不大，所以本发明实施例只对高频分量图进行降噪。
可选地，具体对所述高频分量图进行降噪，得到各个所述高频分量图对应的目标高频图的步骤包括：提取所述高频分量图中每个像素对应的信息值；遍历所述高频分量图中的各个像素，若遍历到的像素的所有相邻像素对应的信息值均大于预设的阈值，则将所述遍历到的像素对应的信息值修改为0，以得到目标高频图。
可以理解地，再对原始图像进行多次分解后，生成的每个高频分量图的各个元素均对应一个信息值，该信息值为原始图像经过分解后每个像素对应的信号值。
可以理解地，本发明实施例的降噪过程是基于一个对于图像中噪声的特性的假设，即：高频分量图中噪声所在的像素对应的信息值比其他像素对应的信息值高，且噪声所在的像素周边区域中如果信息值的变化较为平缓，则该噪声对高频分量图的影响更大。
示例性地，基于上述假设，本发明实施例对高频分量图上每一个像素对应的信号值进行检测，若某个像素对应的信息值大于预设的阈值，则为该像素贴上标签1，若某个像素对应的信息值不大于预设的阈值，则将该像素贴上标签0。在贴好标签后，若某个像素对应标签1，则其可能为噪声所在的像素，若该像素周边的相邻的像素均对应标签1，则将该像素确认为噪声所在的像素，因此将该像素的信息值修改为0。对高频分量图中每一个像素都进行上述操作，在完成对所有噪声所在的像素的信息值进行修改后，即可生成降噪的目标高频图。
在S103中，增加所述低频分量图的光强度，得到目标低频图。
由于原始图像中的噪声已在多次分解过程中从低频分量中移除，则本发明实施例最后确定的低频分量图中的噪声较少，因此，不对低频分量图进行降噪运算，这有利于提高图像处理的效率。
在本发明实施例中，主要对低频分量图进行光强度的增加，从而使得在后续生成的处理后的图像相较于原始图像更加明亮，图像中的物体更加清晰，以解决在背光情况下拍摄的原始图像较暗这一最大的问题。
可选地，本发明实施例对低频分量图进行伽马校正，并对校正后的图像进行曝光融合运算，从而生成目标低频图。该目标低频图在光强度提升的同时，可以保留颜色饱和度。
可以理解地，由于低频分量图比原始图像的像素少很多，例如，经过4次分解后生成低频分量图的像素个数只有原始图像的十六分之一，所以对低频分量图进行光强度增强的速度会大大加快。
在S104中，将所述目标高频图以及所述目标低频图进行组合重建，生成处理后的图像。
可以理解地，本发明实施例通过与S101对原始图像进行分解的逆过程，将所述目标高频图以及所述目标低频图进行组合重建，生成处理后的图像。
可选地，如果在S101中通过离散小波变换算法将所述原始图像分解为多层的高频分量图以及低频分量图，则在本发明实施例中，从最下层开始用离散小波变换的重构过程依次将每一层的目标高频图以及目标低频图进行组合，直至重建至最上层，生成处理后的图像。
可以理解地，本发明实施例通过将原始图像分解为高频分量图以及低频分量图，以减小分解后图像的像素；同时对各个高频分量图进行降噪生成目标高频图，并增加低频分量图的光强度生成目标低频图，以通过并行处理的方式增加图像处理的效率，最后将分别处理生成的目标高频图以及目标低频图进行组合重建，生成处理后的图像，从而通过降低处理过程中单张图像的像素，以及提高图像处理的并行效率，实现了对图片进行快速处理美化的目的。
作为本发明的一个实施例，如图3所示，上述S103包括：
在S1031中，对所述低频分量图进行伽马校正，得到校正低频图。
由于伽马校正为现有技术，因此生成校正低频图的具体过程不在此详述。本发明实施例的关键在于不是直接将校正低频图作为目标低频图，而是会在后续过程中综合分析低频分量图以及校正低频图，从而生成目标低频图。
在S1032中，根据所述低频分量图以及所述校正低频图中各个像素的特征，计算所述低频分量图以及所述校正低频图中各个像素对应的权重。
可选地，所述像素的特征包括：像素对比度、中间光强度以及颜色丰富度。其中，像素对比度用于表征所述低频分量图中像素可以展示的不同颜色之间的差别，对比度越大，不同颜色之间的反差越大；中间光强度用于表征低频分量图中像素的光强度与预设的最佳光强度的差异；颜色丰富度用于表征低频分量图中像素的RGB值之间的颜色值差。
可选地，通过现有的拉普拉斯滤波器确定所述低频分量图中各个像素的像素对比度，优选地，通过3×3的拉普拉斯滤波器确定低频分量图中各个像素的像素对比度。
可选地，提取所述低频分量图以及所述校正低频图中各个像素的光强度，并根据预设的指数公式计算各个所述像素的中间光强度。可选地，通过预设的指数公式：
Figure BDA0001927291380000071
其中，当n＝1时，P1ij表示低频分量图中第i行第j列的像素对应的中间光强度，Y1ij表示低频分量图中第i行第j列的像素对应的光强度，当n＝2时，P2ij表示校正低频图中第i行第j列的像素对应的中间光强度，Y2ij表示校正低频图中第i行第j列的像素对应的光强度。可以理解地，128为本发明实施例中预设的最佳光强度。
可选地，根据所述低频分量图以及所述校正低频图中各个像素的RGB值，计算各个所述像素的颜色丰富度。可选地，根据公式：
Figure BDA0001927291380000081
其中，当n＝1时，C1ij表示低频分量图中第i行第j列的像素对应的颜色丰富度，Y1ij表示低频分量图中第i行第j列的像素对应的颜色丰富度，R1ij表示低频分量图中第i行第j列的像素对应的红色值，G1ij表示低频分量图中第i行第j列的像素对应的绿色值，B1ij表示低频分量图中第i行第j列的像素对应的蓝色值，当n＝2时，C2ij表示校正低频图中第i行第j列的像素对应的颜色丰富度，Y2ij表示校正低频图中第i行第j列的像素对应的颜色丰富度，R2ij表示校正低频图中第i行第j列的像素对应的红色值，G2ij表示校正低频图中第i行第j列的像素对应的绿色值，B2ij表示校正低频图中第i行第j列的像素对应的蓝色值。
在本发明实施例中，在确定出像素的特征后，对所述低频分量图以及所述校正低频图中各个像素对应的权重，图4示出了本发明实施例S1032的具体实施流程，详述如下：
在S10321中，计算所述低频分量图中像素对应的像素对比度、中间光强度以及颜色丰富度相乘的积，作为所述低频分量图中该像素对应的低频特征值。
可选地，通过公式Mij＝L1ij×P1ij×C1ij计算所述低频分量图中该像素对应的低频特征值，其中，Mij表示低频分量图中第i行第j列的像素对应的低频特征值，L1ij低频分量图中第i行第j列的像素对应的像素对比度，P1ij表示低频分量图中第i行第j列的像素对应的中间光强度，C1ij表示低频分量图中第i行第j列的像素对应的颜色丰富度。
在S10322中，计算所述校正低频图中像素对应的像素对比度、中间光强度以及颜色丰富度相乘的积，作为所述校正低频图中该像素对应的校正特征值。
可选地，通过公式Nij＝L2ij×P2ij×C2ij计算所述校正低频图中该像素对应的低频特征值，其中，Nij表示校正低频图中第i行第j列的像素对应的校正特征值，L2ij校正低频图中第i行第j列的像素对应的像素对比度，P2ij表示校正低频图中第i行第j列的像素对应的中间光强度，C2ij表示校正低频图中第i行第j列的像素对应的颜色丰富度。
在S10323中，计算所述低频分量图以及所述校正低频图中相同位置的像素对应的低频特征值以及所述校正特征值相加的和，作为所述低频分量图以及所述校正低频图该位置的像素对应的综合特征值。
可选地，通过公式Zij＝Mij+Nij计算所述低频分量图以及所述校正低频图该位置的像素对应的综合特征值，其中，Zij表示低频分量图以及所述校正低频图第i行第j列的像素对应的综合特征值，Mij表示低频分量图中第i行第j列的像素对应的低频特征值，Nij表示校正低频图中第i行第j列的像素对应的校正特征值。
在S10324中，将所述低频分量图中像素对应的低频特征值除以该像素对应的综合特征值的商作为所述低频分量图中该像素对应的权重。
可选地，通过公式：
Figure BDA0001927291380000091
计算所述低频分量图中该像素对应的权重。其中，当n＝1时，Wnij表示低频分量图中第i行第j列的像素对应的权重，Mij表示低频分量图中第i行第j列的像素对应的低频特征值，Zij表示低频分量图以及所述校正低频图第i行第j列的像素对应的综合特征值。
在S10325中，将所述校正低频图中像素对应的校正特征值除以该像素对应的综合特征值的商作为所述校正低频图中该像素对应的权重。
可选地，通过公式：
Figure BDA0001927291380000092
计算所述校正低频图中该像素对应的权重。其中，当n＝2时，Wnij表示校正低频图中第i行第j列的像素对应的权重，Nij表示校正低频图中第i行第j列的像素对应的校正特征值，Zij表示低频分量图以及所述校正低频图第i行第j列的像素对应的综合特征值。
在S1033中，根据所述低频分量图以及所述校正低频图中各个像素对应的权重对各个像素对应的信息值进行加权计算，生成各个像素对应的加权信息值。
通过公式：IFij＝I1ij×W1ij+I2ij×W2ij计算各个像素对应的加权信息值。其中，所述IFij为第i行第j列的像素对应的加权信息值，所述I1ij为低频分量图第i行第j列的像素对应的信息值，I2ij为校正低频图第i行第j列的像素对应的信息值，所述W1ij为低频分量图中第i行第j列的像素对应的权重，所述W2ij校正低频图中第i行第j列的像素对应的权重。
在S1034中，将所述各个像素对应的加权信息值作为所述目标低频图中各个像素对应的信息值，以生成目标低频图。
在本发明实施例中，通过上述的方法可以快速地对低频分量图进行光强度的增强。
对应于上文实施例所述的图像的处理方法，图4示出了本发明实施例提供的图像的处理装置的结构框图，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4，该装置包括：
分解模块401，用于获取原始图像，并将所述原始图像进行分解，生成高频分量图以及低频分量图；
降噪模块402，用于对各个所述高频分量图进行降噪，得到各个所述高频分量图对应的目标高频图；
增强模块403，用于增加所述低频分量图的光强度，得到目标低频图；
重建模块404，用于将所述目标高频图以及所述目标低频图进行组合重建，生成处理后的图像。
可选地，所述将所述原始图像进行分解，生成高频分量图以及低频分量图，包括：通过离散小波变换算法将所述原始图像分解为多个第一层的高频分量以及1个第一层的低频分量；重复执行预设次数的分解运算，所述分解运算包括：将上一层的低频分量通过离散小波变换算法分解为多个下一层的高频分量以及1个下一层的低频分量；将每一层的高频分量均作为所述高频分量图，并将最下层的低频分量作为所述低频分量图。
可选地，所述对所述高频分量图进行降噪，得到各个所述高频分量图对应的目标高频图，包括：提取所述高频分量图中每个像素对应的信息值；遍历所述高频分量图中的各个像素，若遍历到的像素以及所有与其相邻的像素对应的信息值均大于预设的阈值，则将所述遍历到的像素对应的信息值修改为0，以得到目标高频图。
可选地，所述增加所述低频分量图的光强度，得到目标低频图，包括：对所述低频分量图进行伽马校正，得到校正低频图；根据所述低频分量图以及所述校正低频图中各个像素的特征，计算所述低频分量图以及所述校正低频图中各个像素对应的权重；根据所述低频分量图以及所述校正低频图中各个像素对应的权重对各个像素对应的信息值进行加权计算，生成各个像素对应的加权信息值；将所述各个像素对应的加权信息值作为所述目标低频图中各个像素对应的信息值，以生成目标低频图。
可选地，所述像素的特征包括：像素对比度、中间光强度以及颜色丰富度；所述图像的处理方法还包括：通过拉普拉斯滤波器确定所述低频分量图中各个像素的像素对比度；提取所述低频分量图以及所述校正低频图中各个像素的光强度，并根据预设的指数公式计算各个所述像素的中间光强度；根据所述低频分量图以及所述校正低频图中各个像素的RGB值，计算各个所述像素的颜色丰富度。
可选地，所述根据所述低频分量图以及所述校正低频图中各个像素的特征，计算所述低频分量图以及所述校正低频图中各个像素对应的权重，包括：计算所述低频分量图中像素对应的像素对比度、中间光强度以及颜色丰富度相乘的积，作为所述低频分量图中该像素对应的低频特征值；计算所述校正低频图中像素对应的像素对比度、中间光强度以及颜色丰富度相乘的积，作为所述校正低频图中该像素对应的校正特征值；计算所述低频分量图以及所述校正低频图中相同位置的像素对应的低频特征值以及所述校正特征值相加的和，作为所述低频分量图以及所述校正低频图该位置的像素对应的综合特征值；将所述低频分量图中像素对应的低频特征值除以该像素对应的综合特征值的商作为所述低频分量图中该像素对应的权重；将所述校正低频图中像素对应的校正特征值除以该像素对应的综合特征值的商作为所述校正低频图中该像素对应的权重。
在本发明实施例中，通过将原始图像分解为高频分量图以及低频分量图，以减小分解后图像的像素；同时对各个高频分量图进行降噪生成目标高频图，并增加低频分量图的光强度生成目标低频图，以通过并行处理的方式增加图像处理的效率，最后将分别处理生成的目标高频图以及目标低频图进行组合重建，生成处理后的图像，从而通过降低处理过程中单张图像的像素，以及提高图像处理的并行效率，实现了对图片进行快速处理美化的目的。
图5是本发明一实施例提供的图像的处理装置的示意图。如图5所示，该实施例的图像的处理装置包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52，例如图像的处理程序。所述处理器50执行所述计算机程序52时实现上述各个图像的处理方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至404的功能。
所述图像的处理装置5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述图像的处理装置/装置可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是图像的处理装置5的示例，并不构成对图像的处理装置5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，例如所述图像的处理装置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50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。
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)

1.一种图像的处理方法，其特征在于，包括：
获取原始图像，并对所述原始图像进行分解，生成高频分量图以及低频分量图；
对所述高频分量图进行降噪，得到所述高频分量图对应的目标高频图；
增加所述低频分量图的光强度，得到目标低频图，具体为：对所述低频分量图进行伽马校正得到校正低频图；计算所述低频分量图中像素对应的低频特征值；计算所述校正低频图中像素对应的校正特征值；计算所述低频分量图以及所述校正低频图中相同位置的像素对应的低频特征值以及校正特征值相加的和，作为所述低频分量图以及所述校正低频图该位置的像素对应的综合特征值；根据所述综合特征值分别得到所述低频分量图和所述校正低频图中像素对应的权重；对各个像素对应的信息值进行加权计算，生成各个像素对应的加权信息值；根据所述各个像素对应的加权信息值生成目标低频图；
将所述目标高频图以及所述目标低频图进行组合重建，生成处理后的图像。
2.如权利要求1所述的图像的处理方法，其特征在于，所述将所述原始图像进行分解，生成高频分量图以及低频分量图，包括：
通过离散小波变换算法将所述原始图像分解为多个第一层的高频分量以及1个第一层的低频分量；
重复执行预设次数的分解运算，所述分解运算包括：将上一层的低频分量通过离散小波变换算法分解为多个下一层的高频分量以及1个下一层的低频分量；
将每一层的高频分量分别作为一个所述高频分量图，并将最下层的低频分量作为所述低频分量图。
3.如权利要求1所述的图像的处理方法，其特征在于，所述对所述高频分量图进行降噪，得到所述高频分量图对应的目标高频图，包括：
提取所述高频分量图中每个像素对应的信息值；
遍历所述高频分量图中的各个像素，若遍历到的像素以及所有与其相邻的像素对应的信息值均大于预设的阈值，则将所述遍历到的像素对应的信息值修改为0，以得到目标高频图。
4.如权利要求1所述的图像的处理方法，其特征在于，所述增加所述低频分量图的光强度，得到目标低频图，包括：
对所述低频分量图进行伽马校正，得到校正低频图；
根据所述低频分量图以及所述校正低频图中各个像素的特征，分别计算所述低频分量图以及所述校正低频图中各个像素对应的权重，具体为：分别根据所述低频分量图以及所述校正低频图中各个像素的像素对比度、中间光强度以及颜色丰富度计算各个像素对应的低频特征值和校正特征值；分别根据所述低频特征值和所述校正特征值计算所述低频分量图以及所述校正低频图中各个像素对应的权重；
根据所述低频分量图以及所述校正低频图中各个像素对应的权重对各个像素对应的信息值进行加权计算，生成各个像素对应的加权信息值，具体为：分别计算所述低频分量图中各个像素对应的权重与各个像素对应的信息值、以及所述校正低频图中各个像素对应的权重与各个像素对应的信息值的乘积；根据计算得到的两个乘积生成各个像素对应的加权信息值；
将所述各个像素对应的加权信息值作为所述目标低频图中各个像素对应的信息值，以生成目标低频图。
5.如权利要求4所述的图像的处理方法，其特征在于，所述像素的特征包括：像素对比度、中间光强度以及颜色丰富度；所述图像的处理方法还包括：
通过拉普拉斯滤波器确定所述低频分量图中各个像素的像素对比度；
提取所述低频分量图以及所述校正低频图中各个像素的光强度，并根据预设的指数公式计算各个所述像素的中间光强度；
根据所述低频分量图以及所述校正低频图中各个像素的RGB值，计算各个所述像素的颜色丰富度。
6.如权利要求5所述的图像的处理方法，其特征在于，所述根据所述低频分量图以及所述校正低频图中各个像素的特征，计算所述低频分量图以及所述校正低频图中各个像素对应的权重，包括：
计算所述低频分量图中像素对应的像素对比度、中间光强度以及颜色丰富度相乘的积，作为所述低频分量图中该像素对应的低频特征值；
计算所述校正低频图中像素对应的像素对比度、中间光强度以及颜色丰富度相乘的积，作为所述校正低频图中该像素对应的校正特征值；
计算所述低频分量图以及所述校正低频图中相同位置的像素对应的低频特征值以及所述校正特征值相加的和，作为所述低频分量图以及所述校正低频图该位置的像素对应的综合特征值；
将所述低频分量图中像素对应的低频特征值除以该像素对应的综合特征值的商作为所述低频分量图中该像素对应的权重；
将所述校正低频图中像素对应的校正特征值除以该像素对应的综合特征值的商作为所述校正低频图中该像素对应的权重。
7.一种图像的处理装置，其特征在于，包括：
分解模块，用于获取原始图像，并对所述原始图像进行分解，生成高频分量图以及低频分量图；
降噪模块，用于对所述高频分量图进行降噪，得到各个所述高频分量图对应的目标高频图；
增强模块，用于增加所述低频分量图的光强度，得到目标低频图，具体为：对所述低频分量图进行伽马校正得到校正低频图；计算所述低频分量图中像素对应的低频特征值；计算所述校正低频图中像素对应的校正特征值；计算所述低频分量图以及所述校正低频图中相同位置的像素对应的低频特征值以及校正特征值相加的和，作为所述低频分量图以及所述校正低频图该位置的像素对应的综合特征值；根据所述综合特征值分别得到所述低频分量图和所述校正低频图中像素对应的权重；对各个像素对应的信息值进行加权计算，生成各个像素对应的加权信息值；根据所述各个像素对应的加权信息值生成目标低频图；
重建模块，用于将所述目标高频图以及所述目标低频图进行组合重建，生成处理后的图像。
8.如权利要求7所述的图像的处理装置，其特征在于，所述分解模块，包括：
第一分解子模块，用于通过离散小波变换算法将所述原始图像分解为多个第一层的高频分量以及1个第一层的低频分量；
第二分解子模块，用于重复执行预设次数的分解运算，所述分解运算包括：将上一层的低频分量通过离散小波变换算法分解为多个下一层的高频分量以及1个下一层的低频分量；
生成子模块，用于将每一层的高频分量分别作为一个所述高频分量图，并将最下层的低频分量作为所述低频分量图。
9.如权利要求7所述的图像的处理装置，其特征在于，所述降噪模块，包括：
提取子模块，用于提取所述高频分量图中每个像素对应的信息值；
遍历子模块，用于遍历所述高频分量图中的各个像素，若遍历到的像素以及所有与其相邻的像素对应的信息值均大于预设的阈值，则将所述遍历到的像素对应的信息值修改为0，以得到目标高频图。
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任一项所述的图像的处理方法的步骤。
CN201811622823.2A 2018-12-28 2018-12-28 图像的处理方法、装置及计算机可读存储介质 Active CN111383299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811622823.2A CN111383299B (zh) 2018-12-28 2018-12-28 图像的处理方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811622823.2A CN111383299B (zh) 2018-12-28 2018-12-28 图像的处理方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111383299A CN111383299A (zh) 2020-07-07
CN111383299B true CN111383299B (zh) 2022-09-06

Family

ID=71218032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811622823.2A Active CN111383299B (zh) 2018-12-28 2018-12-28 图像的处理方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111383299B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581404A (zh) * 2020-12-25 2021-03-30 合肥赛为智能有限公司 轨道交通视频监控图像增强算法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160627A (zh) * 2015-08-31 2015-12-16 Tcl集团股份有限公司 一种基于分类自学习的超分辨率图像获取方法及系统
CN106709891A (zh) * 2016-11-15 2017-05-24 哈尔滨理工大学 基于小波变换与自适应变换结合的图像处理方法
CN106886977A (zh) * 2017-02-08 2017-06-23 徐州工程学院 一种多图自动配准及融合拼接方法
CN108154514A (zh) * 2017-12-06 2018-06-12 广东欧珀移动通信有限公司 图像处理方法、装置及设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7769513B2 (en) * 2002-09-03 2010-08-03 Automotive Technologies International, Inc. Image processing for vehicular applications applying edge detection technique
WO2009061917A1 (en) * 2007-11-06 2009-05-14 Copanion, Inc. Systems and methods to automatically organize electronic jobs by automatically classifying electronic documents using extracted image and text features and using a machine-learning recognition subsystem

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160627A (zh) * 2015-08-31 2015-12-16 Tcl集团股份有限公司 一种基于分类自学习的超分辨率图像获取方法及系统
CN106709891A (zh) * 2016-11-15 2017-05-24 哈尔滨理工大学 基于小波变换与自适应变换结合的图像处理方法
CN106886977A (zh) * 2017-02-08 2017-06-23 徐州工程学院 一种多图自动配准及融合拼接方法
CN108154514A (zh) * 2017-12-06 2018-06-12 广东欧珀移动通信有限公司 图像处理方法、装置及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An optimal weighted averaging fusion strategy for thermal and visible images using dual tree discrete wavelet transform and self tunning particle swarm optimization;Kanmani, Madheswari等;《MULTIMEDIA TOOLS AND APPLICATIONS 》;20171031;第76卷(第20期);第20989-21010页 *
基于检调光的航空可见光摄像机曝光融合方法研究;申小禾;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》;20170815(第8期);C031-23 *

Also Published As

Publication number Publication date
CN111383299A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
US10708525B2 (en) Systems and methods for processing low light images
CN112419151B (zh) 图像退化处理方法、装置、存储介质及电子设备
US9082171B2 (en) Image processing device for reducing image noise and the method thereof
CN110189260B (zh) 一种基于多尺度并行门控神经网络的图像降噪方法
WO2021164725A1 (zh) 去除摩尔纹的方法与装置
CN107993189B (zh) 一种基于局部分块的图像色调动态调节方法和装置
CN105809643B (zh) 一种基于自适应块通道拉伸的图像增强方法
WO2019090580A1 (en) System and method for image dynamic range adjusting
CN111383299B (zh) 图像的处理方法、装置及计算机可读存储介质
US20200184606A1 (en) Processing video frames via convolutional neural network using previous frame statistics
CN113052768B (zh) 一种处理图像的方法、终端及计算机可读存储介质
CN110838088A (zh) 一种基于深度学习的多帧降噪方法、装置及终端设备
Pierazzo et al. Da3d: Fast and data adaptive dual domain denoising
CN111861940A (zh) 一种基于条件连续调节的图像调色增强方法
US9619864B2 (en) Image processing apparatus and method for increasing sharpness of images
US20230140865A1 (en) Image processing method and image processing apparatus
US20230060988A1 (en) Image processing device and method
CN115880173A (zh) 图像处理方法、图像处理装置以及计算机可读存储介质
CN111815535B (zh) 图像处理方法、装置、电子设备和计算机可读介质
CN114240767A (zh) 一种基于曝光融合的图像宽动态范围处理方法及装置
CN109996017B (zh) 一种图像的调整方法及其终端
CN114202466A (zh) 图像降噪方法、装置、电子设备及存储介质
Chen et al. An efficient reconfigurable architecture design and implementation of image contrast enhancement algorithm
Zini et al. Shallow Camera Pipeline for Night Photography Enhancement
CN111756954B (zh) 图像处理方法、装置、电子设备和计算机可读介质

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
CB02 Change of applicant information

Address after: 516006 TCL science and technology building, No. 17, Huifeng Third Road, Zhongkai high tech Zone, Huizhou City, Guangdong Province

Applicant after: TCL Technology Group Co.,Ltd.

Address before: 516006 Guangdong province Huizhou Zhongkai hi tech Development Zone No. nineteen District

Applicant before: TCL Corp.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant