CN111476731B - 图像矫正方法、装置、存储介质及电子设备 - Google Patents
图像矫正方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111476731B CN111476731B CN202010251527.7A CN202010251527A CN111476731B CN 111476731 B CN111476731 B CN 111476731B CN 202010251527 A CN202010251527 A CN 202010251527A CN 111476731 B CN111476731 B CN 111476731B
- Authority
- CN
- China
- Prior art keywords
- correction
- image
- corrected
- model
- gain
- 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
- 238000003702 image correction Methods 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012937 correction Methods 0.000 claims abstract description 509
- 238000012545 processing Methods 0.000 claims description 42
- 230000004927 fusion Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 7
- 238000012790 confirmation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000003313 weakening effect 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种图像矫正方法、装置、存储介质及电子设备，本申请首先获取需要进行图像矫正的待矫正图像；然后，获取预训练的第一矫正模型和第二矫正模型；然后，根据第一矫正模型获取对应待矫正图像的第一矫正增益，并根据第一矫正增益矫正待矫正图像得到第一矫正图像；最后，根据第二矫正模型获取对应第一矫正图像的第二矫正增益，并根据第二矫正增益矫正第一矫正图像得到矫正结果图像。由此，使得电子设备对图像的图像矫正不受光源的限制，能够更灵活的进行图像矫正。
Description
技术领域
本申请涉及图像处理技术领域，具体涉及一种图像矫正方法、装置、存储介质及电子设备。
背景技术
目前，电子设备在拍照时，通常会对原始拍摄的图像进行矫正后再进行输出。比如，白平衡是指在任何光源下，将原本材质为白色的物体图像还原为白色，其对在特定光源下拍摄时出现的偏色现象，通过加强对应的补色来进行矫正。然而，相关技术中，存在如光源等多种因素限制了电子设备进行图像矫正的灵活性。
发明内容
本申请实施例提供了一种图像矫正方法、装置、存储介质及电子设备，能够使得电子设备更灵活的进行图像矫正。
本申请实施例提供的图像矫正方法，包括：
获取需要进行图像矫正的待矫正图像；
获取预训练的第一矫正模型和第二矫正模型；
根据所述第一矫正模型获取对应所述待矫正图像的第一矫正增益，并根据所述第一矫正增益矫正所述待矫正图像得到第一矫正图像；
根据所述第二矫正模型获取对应所述第一矫正图像的第二矫正增益，并根据所述第二矫正增益矫正所述第一矫正图像得到矫正结果图像像。
本申请实施例提供的图像矫正装置，包括：
图像获取模块，用于获取需要进行图像矫正的待矫正图像；
模型获取模块，用于获取预训练的第一矫正模型和第二矫正模型；
初级矫正模块，用于根据所述第一矫正模型获取对应所述待矫正图像的第一矫正增益，并根据所述第一矫正增益矫正所述待矫正图像得到第一矫正图像；
进阶矫正模块，用于根据所述第二矫正模型获取对应所述第一矫正图像的第二矫正增益，并根据所述第二矫正增益矫正所述第一矫正图像得到矫正结果图像。
本申请实施例提供的存储介质，其上存储有计算机程序，当所述计算机程序被处理器加载时执行如本申请提供的图像矫正方法。
本申请实施例提供的电子设备，包括处理器和存储器，所述存储器存有计算机程序，所述处理器通过加载所述计算机程序，用于执行本申请提供的图像矫正方法。
本申请首先获取需要进行图像矫正的待矫正图像；然后，获取预训练的第一矫正模型和第二矫正模型；然后，根据第一矫正模型获取对应待矫正图像的第一矫正增益，并根据第一矫正增益矫正待矫正图像得到第一矫正图像；最后，根据第二矫正模型获取对应第一矫正图像的第二矫正增益，并根据第二矫正增益矫正第一矫正图像得到矫正结果图像。由此，使得电子设备对图像的图像矫正不受光源的限制，能够更灵活的进行图像矫正。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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。
图1为本申请实施例提供的图像矫正方法的流程示意图。
图2是本申请实施例提供的图像矫正界面的示例图。
图3是本申请实施例中提供的选择子界面的示例图。
图4是本申请实施例提供的图像矫正模型的结构示意图。
图5是本申请实施例中提供的图像矫正模型中第一矫正模型的结构示意图。
图6是本申请实施例中基于第一矫正模型中的自注意力模块进行自注意处理的示意图。
图7是本申请实施例中对第一矫正模型和第二矫正模型进行训练的示意图。
图8是本申请实施例中提供的图像矫正方法的另一流程示意图
图9是本申请实施例提供的图像矫正装置的结构示意图。
图10是本申请实施例提供的电子设备的结构示意图。
具体实施方式
请参照图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是通过所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中，机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。
本申请实施例提供的方案涉及人工智能的机器学习技术，具体通过如下实施例进行说明:
本申请实施例提供一种图像矫正方法、图像矫正装置、存储介质以及电子设备，其中，该图像矫正方法的执行主体可以是本申请实施例中提供的图像矫正装置，或者集成了该图像矫正装置的电子设备，其中该图像矫正装置可以采用硬件或软件的方式实现。其中，电子设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等配置有处理器(包括但不限于通用处理器、定制化处理器等)而具有处理能力的设备。
请参照图1，图1为本申请实施例提供的图像矫正方法的流程示意图，本申请实施例提供的图像矫正方法的流程可以如下：
在101中，获取需要进行图像矫正的待矫正图像。
示例性的，电子设备可以基于预设的图像矫正周期，按照预设的图像选取规则，确定需要进行图像矫正的待矫正图像；或者是在接收到用户输入的图像矫正指令时，根据用户输入的图像矫正指令确定需要进行图像矫正的待矫正图像；或者是在电子设备设备实时拍摄得到或者下载得到新的图像时，将其作为待矫正图像。
应当说明的是，本申请实施例对于图像矫正周期、图像选取规则以及图像矫正指令的设置均不做具体限定，可由电子设备根据用户输入进行设置，也可由电子设备的生产厂商对电子设备进行缺省设置，等等。
比如，假设图像矫正周期被预先配置为以周一为起点的自然周，且图像选取规则被配置为“选取拍摄的图像进行图像矫正”这样，电子设备可以在每周一自动触发进行图像矫正，将拍摄得到且尚未分类的图像确定为需要进行图像矫正的待矫正图像。
又比如，电子设备可以通过包括请求输入接口的图像矫正界面接收输入的图像矫正指令，如图2所示，该请求输入接口可以为输入框的形式，用户可以在该输入框形式的请求输入接口中键入需要进行图像矫正的图像的标识信息，并输入确认信息(如直接按下键盘的回车键)以输入图像矫正指令，该图像矫正指令携带有需要进行图像矫正的图像的标识信息。相应的，电子设备即可根据接收到的图像矫正指令中的标识信息确定需要进行图像矫正的待矫正图像。
又比如，在图2所示的图像矫正界面中，还包括“打开”控件，一方面，电子设备在侦测到该打开控件触发时，将在图像矫正界面之上叠加显示选择子界面(如图3所示)，该选择子界面向用户提供本地储存的可进行图像矫正的图像的缩略图，如图像A、图像B、图像C、图像D、图像E、图像F等图像的缩略图，供用户查找并选中需要进行图像矫正的图像的缩略图；另一方面，用户可以在选中需要进行图像矫正的图像的缩略图之后，触发选择子界面提供的确认控件，以向电子设备输入图像矫正指令，该图像矫正指令与用户选中的图像的缩略图相关联，指示电子设备将用户选中的图像作为需要进行图像矫正的待矫正图像。
应当说明的是，本申请中所进行的图像矫正包括白平衡矫正、亮度矫正或灰度矫正等。
此外，本领域普通技术人员还可以根据实际需要设置其它输入图像矫正指令的具体实现方式，本发明对此不做具体限制。
在102中，获取预训练的第一矫正模型和第二矫正模型。
请参照图4，本申请实施例中预先采用机器学习算法训练有图像矫正模型，该图像矫正模型由两部分组成，为级联的第一矫正模型和第二矫正模型。应当说明的是，本申请对第一矫正模型和第二矫正模型的具体构型以及训练方式不做具体限制，可由本领域普通技术人员根据实际需要进行设置。
其中，图像矫正模型在训练完成后可以部署在电子设备本地，也可以部署在云端服务器。由此，电子设设备在调用预训练的图像矫正模型时，可以直接从本地调用，也可以从云端调用。
在103中，根据第一矫正模型获取对应待矫正图像的第一矫正增益，并根据第一矫正增益矫正待矫正图像得到第一矫正图像。
其中，电子设备首先根据第一矫正模型获取对应待矫正图像的矫正增益，记为第一矫正增益，然后根据该第一矫正增益对待矫正图像进行图像矫正，得到初步矫正后的矫正图像，记为第一矫正图像。
在104中，根据第二矫正模型获取对应第一矫正图像的第二矫正增益，并根据第二矫正增益矫正第一矫正图像得到矫正结果图像。
其中，电子设备在对待矫正图像矫正得到第一矫正图像之后，进一步根据第二矫正模型获取对应第一矫正图像的第二矫正增益，然后根据第二矫正增益对第一矫正图像进行图像矫正，得到进阶矫正后的矫正图像，作为对待矫正图像的矫正结果图像。
由上可知，本申请首先获取需要进行图像矫正的待矫正图像；然后，获取预训练的第一矫正模型和第二矫正模型；然后，根据第一矫正模型获取对应待矫正图像的第一矫正增益，并根据第一矫正增益矫正待矫正图像得到第一矫正图像；最后，根据第二矫正模型获取对应第一矫正图像的第二矫正增益，并根据第二矫正增益矫正第一矫正图像得到矫正结果图像。由此，使得电子设备对图像的图像矫正不受光源的限制，能够更灵活的进行图像矫正。
在一实施例中，根据第一矫正模型获取对应待矫正图像的第一矫正增益，包括：
(1)将待矫正图像输入第一矫正模型进行图像矫正，得到候选矫正图像；
(2)根据候选矫正图像与待矫正图像每一像素点之间的差异，获取待矫正图像每一像素点对应的像素矫正增益；
(3)获取待矫正图像所有像素点的像素矫正增益的平均值，作为第一矫正增益。
本申请实施例中，第一矫正模型采用端到端的方式训练，即第一矫正模型的输入为图像，输出同样为图像，即第一矫正模型被配置为以原始图像为输入，以对原始图像进行图像矫正后的图像为输出。
相应的，在根据第一矫正模型获取对待矫正图像的第一矫正增益时，电子设备首先将待矫正图像输入第一矫正模型进行图像矫正，并将此时第一矫正模型进行图像矫正后输出的图像记为候选矫正图像。
其中，第一矫正模型以像素点为单位，对待矫正图像的每一像素点进行图像矫正。为了使得图像整体更为平滑自然，电子设备进一步根据候选矫正图像与待矫正图像每一像素点之间的差异，获取待矫正图像每一像素点对应的矫正增益，记为像素矫正增益。
然后，电子设备获取所有像素点的像素矫正增益的平均值，作为第一矫正增益。
示例性的，以进行的图像矫正为白平衡矫正为例，电子设备在根据候选矫正图像与待矫正图像每一像素点之间的差异，获取待矫正图像每一像素点对应的像素矫正增益时，可以将候选矫正图像与待矫正图像之间每一像素点的像素值相除，得到每一像素点对应的像素矫正增益。
然后，电子设备获取所有像素点的像素矫正增益的平均值，作为第一矫正增益，可以表示为：
其中，Gainf表示第一矫正增益，R'、G'、B'分别表示候选矫正图像中一像素点的红色通道分量值、绿色通道分量值以及蓝色通道分量值，R、G、B分别表示待矫正图像中对应像素点的红色通道分量值、绿色通道分量值以及蓝色通道分量值，w表示候选矫正图像/待矫正图像的宽，h表示候选矫正图像/待矫正图像的高。
在一实施例中，第一矫正模型与第二矫正模型结构相同，且互不共享参数，第一矫正模型包括编码模块、自注意力模块以及解码模块，将待矫正图像输入第一矫正模型进行图像矫正，得到候选矫正图像，包括：
(1)基于编码模块对待矫正图像进行编码，得到特征图；
(2)基于自注意力模块对特征图进行自注意处理，得到自注意图；
(3)基于解码模块对自注意图进行解码，得到候选矫正图像。
应当说明的是，本申请实施例中第二矫正模型与第一矫正模型采用相同的结构，但二者不共享参数。
相应的，在根据第二矫正模型获取对应第一矫正图像的第二矫正增益时，电子设备可以按照如下方式获取：
(1)将第一矫正图像输入第二矫正模型进行图像矫正，得到第二候选矫正图像；
(2)将第二候选矫正图像与第一矫正图像之间每一像素点的像素值相除，得到第一矫正图像每一像素点对应的像素矫正增益；
(3)获取第一矫正图像所有像素点的像素矫正增益的平均值，作为第二矫正增益。
具体可参照以上根据第一矫正模型获取对应待矫正图像的第一矫正增益的方式相应实施，此处不再赘述。
由于本申请实施例中第一矫正模型与第二矫正模型结构相同，以下仅以第一矫正模型为例进行说明。请参照图5，第一矫正模型由三部分组成，分别为编码模块、自注意力模块以及解码模块。
相应的，在将待矫正图像输入第一矫正模型进行图像矫正，得到候选矫正图像时，电子设备首先基于第一矫正模型的编码模块对待矫正图像进行特征编码，得到待矫正图像的特征图。
在编码得到待矫正图像的特征图之后，电子设备进一步基于第一矫正模型的自注意力模块对待矫正图像的特征图进行自注意处理，得到自注意图。本申请中，考虑现实生活中光源并不单一，而白平衡受混合光源影响较大，因此通过自注意处理来提高主光源的特征权重，并减弱次光源的特征权重。
在自注意处理得到自注意图之后，电子设备进一步基于第一矫正模型的界面模块对自注意图进行特征解码，将其还原为经过图像矫正的图像，即候选矫正图像。
在一实施例中，自注意力模块包括第一卷积模块、第二卷积模块以及第三卷积模块，基于自注意力模块对特征图进行自注意处理，得到自注意图，包括：
(1)基于第一卷积模块对特征图进行卷积处理，得到第一卷积特征图，以及基于第二卷积模块对特征图进行卷积处理，得到第二卷积特征图；
(2)将第一卷积特征图转置后与第二卷积特征图相乘得到融合图，并对融合图进行归一化处理，得到注意力图；
(3)基于第三卷积模块对特征图进行卷积处理，得到第三卷积特征图，并将第三卷积特征图和注意力图相乘得到自注意图。
请参照图6，自注意力模块由三部分组成，分别为第一卷积模块、第二卷积模块以及第三卷积模块。
相应的，在基于自注意力模块对特征图进行自注意处理，得到自注意图时，电子设备首先基于第一卷积模块对特征图进行卷积处理，将经由第一卷积模块卷积处理后的特征图记为第一卷积特征图。同时，电子设备还基于第二卷积模块对特征图进行卷积处理，将经由第二卷积模块卷积处理后的特征图记为第二卷积特征图。
在得到第一卷积特征图和第二卷积特征图之后，电子设备进一步将第一卷积特征图转置后与第二卷积特征图相乘得到融合图，并对该然后进行归一化处理，得到注意力图，该注意力用于放大主要光源的特征，减弱次要光源的特征。其中，本申请对归一化处理的方式不做限制，可由本领域普通技术人员根据实际需要选取合适的归一化处理方式，比如，本申请中电子设备对融合图像进行Softmax归一化处理。
此外，电子设备还基于第三卷积模块对特征图进行卷积处理，并将经由第三卷积模块卷积处理后的特征图记为第三卷积特征图。在得到注意力图以及第三卷积特征图之后，电子设备将第三卷积特征图和注意力图相乘即得到自注意图。
应当说明的是，本申请对第一卷积模块、第二卷积模块、第三卷积模块的结构不做限制，可由本领域普通技术人员根据实际需要进行设置。比如，本申请实施例中，第一卷积模块、第二卷积模块以及第三卷积模块的结构相同，均可卷积核大小1*1的卷积单元，但互不共享参数。
在一实施例中，获取需要进行图像矫正的待矫正图像之前，还包括：
(1)获取样本图像及其对应的目标矫正增益；
(2)根据样本图像及其对应的目标矫正增益对第一矫正模型和第二矫正模型进行训练。
其中，电子设备可以获取任意图像作为样本图像，可以是未经过图像矫正的图像，也可以是经过其它方式图像矫正过的图像。对应每一样本图像，电子设备进一步获取对其进行图像矫正所期望的矫正增益，记为目标矫正增益，可以根据专家知识标定得到。
此外，电子设备还构建初始的图像矫正模型，该图像矫正模型包括初始的第一矫正模型和第二矫正模型，然后，根据获取到的样本图像及其对应的目标矫正增益对初始的第一矫正模型和第二矫正模型进行训练。其中，训练的过程即确定第一矫正模型和第二矫正模型内部参数的过程。
在一实施例中，根据样本图像及其对应的目标矫正增益对第一矫正模型和第二矫正模型进行训练，包括：
(1)根据第一矫正模型获取对应样本图像的第三矫正增益，并根据第三矫正增益矫正样本图像得到第一样本矫正图像；
(2)获取第三矫正增益与目标矫正增益的第一矫正差异，并将目标矫正增益与第三矫正增益相除得到次级目标矫正增益；
(3)根据第二矫正模型获取对应第一样本矫正图像的第四矫正增益，并获取第四矫正增益与次级目标矫正增益的第二矫正差异；
(4)融合第一矫正差异与第二矫正差异得到融合差异，并根据融合差异对第一矫正模型和/或第二矫正模型的参数进行调整。
请参照图7，在根据样本图像及其对应的目标矫正增益对第一矫正模型和第二矫正模型进行训练时，电子设备首先根据第一矫正模型获取对应样本图像的矫正增益，记为第三矫正增益，然后根据该第三矫正增益矫正样本图像得到初步矫正后的矫正图像，记为第一样本矫正图像。
然后，电子设备获取第三矫正增益与目标矫正增益的差异，记为第一矫正差异。其中，第一矫正差异可以通过预设的损失函数进行求取，本申请对于采用何种损失函数不做具体限制，可由本领域普通技术人员根据实际需要进行选取。
比如，当进行的图像矫正为白平衡矫正时，本申请中采用如下损失函数：
其中，Lossf表示第一矫正差异，
表示第三矫正增益，
表示目标矫正增益。
在其它实施例中，还可以采用如基于r/g和b/g的最小均方误差损失函数等。
本申请实施例中，电子设备还将目标矫正增益与第三矫正增益相除得到次级目标矫正增益。
然后，电子设备根据第二矫正模型获取对应第一样本矫正图像的矫正增益，记为第四矫正增益，然后获取第四矫正增益与次级目标矫正增益的第二矫正差异。其中，第二矫正差异与第一矫正差异采用相同的损失函数，第二矫正差异可以表示为：
其中，Losss表示第二矫正差异，
表示第四矫正增益，
表示次级目标矫正增益。
在获取得到第一矫正差异以及第二矫正差异之后，电子设备即融合第一矫正差异与第二矫正差异得到融合差异，并根据融合差异对第一矫正模型和/或第二矫正模型的参数进行调整。
在一实施例中，按照如下公式融合得到融合差异：
Losstotal＝w*Lossf+(1-w)Losss；
其中，Losstotal表示融合差异，w表示占比系数，Lossf表示第一矫正差异，Losss表示第二矫正差异。
应当说明的是，占比系数w用来控制第一矫正差异和第二矫正差异在整个融合差异中的占比，可由本领域普通技术人员根据实际需要进行取值，其中，占比系数w越大表示融合差异中第一矫正差异占比越大，相反占比系数w越小，则表示融合差异中第二矫正差异占比越大。比如，本申请实施例中配置w为0.5，即第一矫正差异和第二矫正差异在整个融合差异中的占比相同。
请参照图8，以进行图像矫正为白平衡矫正为例，本申请实施例提供的图像矫正方法的流程还可以如下：
在201中，电子设备获取样本图像及其对应的目标矫正增益。
其中，电子设备可以获取任意图像作为样本图像，可以是未经过白平衡矫正的图像，也可以是经过其它方式白平衡矫正过的图像。对应每一样本图像，电子设备进一步获取对其进行白平衡矫正所期望的矫正增益，记为目标矫正增益，可以根据专家知识标定得到。
在202中，电子设备构建图像矫正模型，图像矫正模型包括级联的相同结构的第一矫正模型和第二矫正模型，且第一矫正模型和第二矫正模型互不共享参数，第一矫正模型包括编码模块、自注意模块和解码模块。
请结合参照图4和图5，本申请实施例中，电子设备还构建图像矫正模型，该图像矫正模型包括级联的相同结构的第一矫正模型和第二矫正模型，且第一矫正模型和第二矫正模型互不共享参数，第一矫正模型包括编码模块、自注意模块和解码模块。
在203中，电子设备根据样本图像及其对应的目标矫正增益对图像矫正模型进行训练。
其中，训练的过程即确定图像矫正模型内部参数的过程。
比如，在根据样本图像及其对应的目标矫正增益对图像矫正模型进行训练时，电子设备首先根据第一矫正模型获取对应样本图像的矫正增益，记为第三矫正增益，然后根据该第三矫正增益矫正样本图像得到初步矫正后的矫正图像，记为第一样本矫正图像。
然后，电子设备获取第三矫正增益与目标矫正增益的差异，记为第一矫正差异。其中，第一矫正差异可以通过预设的损失函数进行求取，本申请对于采用何种损失函数不做具体限制，可由本领域普通技术人员根据实际需要进行选取。
比如，本申请中采用如下损失函数：
其中，Lossf表示第一矫正差异，
表示第三矫正增益，
表示目标矫正增益。
在其它实施例中，还可以采用如基于r/g和b/g的最小均方误差损失函数等。
本申请实施例中，电子设备还将目标矫正增益与第三矫正增益相除得到次级目标矫正增益。
然后，电子设备根据第二矫正模型获取对应第一样本矫正图像的矫正增益，记为第四矫正增益，然后获取第四矫正增益与次级目标矫正增益的第二矫正差异。其中，第二矫正差异与第一矫正差异采用相同的损失函数，第二矫正差异可以表示为：
其中，Losss表示第二矫正差异，
表示第四矫正增益，
表示次级目标矫正增益。
在获取得到第一矫正差异以及第二矫正差异之后，电子设备即融合第一矫正差异与第二矫正差异得到融合差异，并根据融合差异对第一矫正模型和/或第二矫正模型的参数进行调整。
其中，电子设备按照如下公式融合得到融合差异：
Losstotal＝w*Lossf+(1-w)Losss；
其中，Losstotal表示融合差异，w表示占比系数，Lossf表示第一矫正差异，Losss表示第二矫正差异。
应当说明的是，占比系数w用来控制第一矫正差异和第二矫正差异在整个融合差异中的占比，可由本领域普通技术人员根据实际需要进行取值，其中，占比系数w越大表示融合差异中第一矫正差异占比越大，相反占比系数w越小，则表示融合差异中第二矫正差异占比越大。比如，本申请实施例中配置w为0.5，即第一矫正差异和第二矫正差异在整个融合差异中的占比相同。
在204中，电子设备获取需要进行白平衡矫正的待矫正图像，并基于第一校正模型的编码模块对待矫正图像进行编码得到特征图，基于第一校正模型的自注意力模块对特征图进行自注意处理得到自注意图，以及基于第一校正模型的解码模块对自注意图进行解码，得到候选矫正图像。
其中，电子设备可以基于预设的图像矫正周期，按照预设的图像选取规则，确定需要进行白平衡矫正的待矫正图像；或者是在接收到用户输入的白平衡矫正指令时，根据用户输入的白平衡矫正指令确定需要进行白平衡矫正的待矫正图像；或者是在电子设备设备实时拍摄得到或者下载得到新的图像时，将其作为待矫正图像。
在获取到待矫正图像之后，电子设备将待矫正图像输入第一矫正模型进行白平衡矫正，得到候选矫正图像。其中，电子设备首先基于第一矫正模型的编码模块对待矫正图像进行特征编码，得到待矫正图像的特征图。
在编码得到待矫正图像的特征图之后，电子设备进一步基于第一矫正模型的自注意力模块对待矫正图像的特征图进行自注意处理，得到自注意图。本申请中，考虑现实生活中光源并不单一，而白平衡受混合光源影响较大，因此通过自注意处理来提高主光源的特征权重，并减弱次光源的特征权重。
在自注意处理得到自注意图之后，电子设备进一步基于第一矫正模型的界面模块对自注意图进行特征解码，将其还原为经过白平衡矫正的图像，即候选矫正图像。
在205中，电子设备将候选矫正图像与待矫正图像之间每一像素点的像素值相除，得到待矫正图像每一像素点对应的像素矫正增益，并获取待矫正图像所有像素点的像素矫正增益的平均值，作为待矫正图像的第一矫正增益。
电子设备获取所有像素点的像素矫正增益的平均值，作为第一矫正增益，可以表示为：
其中，Gainf表示第一矫正增益，R'、G'、B'分别表示候选矫正图像中一像素点的红色通道分量值、绿色通道分量值以及蓝色通道分量值，R、G、B分别表示待矫正图像中对应像素点的红色通道分量值、绿色通道分量值以及蓝色通道分量值，w表示候选矫正图像/待矫正图像的宽，h表示候选矫正图像/待矫正图像的高。
在206中，电子设备根据第一矫正增益矫正待矫正图像得到第一矫正图像。
电子设备根据该第一矫正增益对待矫正图像进行白平衡矫正，得到初步矫正后的矫正图像，记为第一矫正图像。
在207中，电子设备根据第二矫正模型获取对应第一矫正图像的第二矫正增益，并根据第二矫正增益矫正第一矫正图像得到矫正结果图像。
其中，电子设备根据第二矫正模型获取对应第一矫正图像的第二矫正增益的方式，可以参照电子设备根据第一矫正模型获取对应待矫正图像的第一矫正增益的方式相应实施，此处不再赘述。
相应的，电子设备在获取到对应第一矫正图像的第二矫正增益之后，即根据第二矫正增益对第一矫正图像进行白平衡矫正，得到进阶矫正后的矫正图像，作为对待矫正图像的矫正结果图像。
在一实施例中，还提供了一种图像矫正装置。请参照图9，图9为本申请实施例提供的图像矫正装置的结构示意图。其中该图像矫正装置应用于电子设备，该图像矫正装置包括图像获取模块301、模型获取模块302、初级矫正模块303以及进阶矫正模块304，如下：
图像获取模块301，用于获取需要进行图像矫正的待矫正图像；
模型获取模块302，用于调用预训练的第一矫正模型和第二矫正模型；
初级矫正模块303，用于根据第一矫正模型获取对应待矫正图像的第一矫正增益，并根据第一矫正增益矫正待矫正图像得到第一矫正图像；
进阶矫正模块304，用于根据第二矫正模型获取对应第一矫正图像的第二矫正增益，并根据第二矫正增益矫正第一矫正图像得到矫正结果图像。
在一实施例中，在根据第一矫正模型获取对应待矫正图像的第一矫正增益时，初级矫正模块303用于：
将待矫正图像输入第一矫正模型进行图像矫正，得到候选矫正图像；
根据候选矫正图像与待矫正图像每一像素点之间的差异，获取待矫正图像每一像素点对应的像素矫正增益；
获取待矫正图像所有像素点的像素矫正增益的平均值，作为第一矫正增益。
在一实施例中，第一矫正模型与第二矫正模型结构相同，且互不共享参数，第一矫正模型包括编码模块、自注意力模块以及解码模块，在将待矫正图像输入第一矫正模型进行图像矫正，得到候选矫正图像时，初级矫正模块303用于：
基于编码模块对待矫正图像进行编码，得到特征图；
基于自注意力模块对特征图进行自注意处理，得到自注意图；
基于解码模块对自注意图进行解码，得到候选矫正图像。
在一实施例中，自注意力模块包括第一卷积模块、第二卷积模块以及第三卷积模块，在基于自注意力模块对特征图进行自注意处理，得到自注意图时，初级矫正模块303用于：
基于第一卷积模块对特征图进行卷积处理，得到第一卷积特征图，以及基于第二卷积模块对特征图进行卷积处理，得到第二卷积特征图；
将第一卷积特征图转置后与第二卷积特征图相乘得到融合图，并对融合图进行归一化处理，得到注意力图；
基于第三卷积模块对特征图进行卷积处理，得到第三卷积特征图，并将第三卷积特征图和注意力图相乘得到自注意图。
在一实施例中，本申请提供的图像矫正装置还包括模型训练模块，在获取需要进行图像矫正的待矫正图像之前，用于：
获取样本图像及其对应的目标矫正增益；
根据样本图像及其对应的目标矫正增益对第一矫正模型和第二矫正模型进行训练。
在一实施例中，在根据样本图像及其对应的目标矫正增益对第一矫正模型和第二矫正模型进行训练时，模型训练模块用于：
根据第一矫正模型获取对应样本图像的第三矫正增益，并根据第三矫正增益矫正样本图像得到第一样本矫正图像；
获取第三矫正增益与目标矫正增益的第一矫正差异，并将目标矫正增益与第三矫正增益相除得到次级目标矫正增益；
根据第二矫正模型获取对应第一样本矫正图像的第四矫正增益，并获取第四矫正增益与次级目标矫正增益的第二矫正差异；
融合第一矫正差异与第二矫正差异得到融合差异，并根据融合差异对第一矫正模型和/或第二矫正模型的参数进行调整。
在一实施例中，按照如下公式融合得到融合差异：
Losstotal＝w*Lossf+(1-w)Losss；
其中，Losstotal表示融合差异，w表示占比系数，Lossf表示第一矫正差异，Losss表示第二矫正差异。
应当说明的是，本申请实施例提供的图像矫正装置与上文实施例中的图像矫正方法属于同一构思，在图像矫正装置上可以运行图像矫正方法实施例中提供的任一方法，其具体实现过程详见以上实施例，此处不再赘述。
在一实施例中，还提供一种电子设备，请参照图10，电子设备包括处理器401和存储器402。
本申请实施例中的处理器401是通用处理器，比如ARM架构的处理器。
存储器402中存储有计算机程序，其可以为高速随机存取存储器，还可以为非易失性存储器，比如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件等。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402中计算机程序的访问，实现如下功能：
获取需要进行图像矫正的待矫正图像；
调用预训练的第一矫正模型和第二矫正模型；
根据第一矫正模型获取对应待矫正图像的第一矫正增益，并根据第一矫正增益矫正待矫正图像得到第一矫正图像；
根据第二矫正模型获取对应第一矫正图像的第二矫正增益，并根据第二矫正增益矫正第一矫正图像得到矫正结果图像。
在一实施例中，在根据第一矫正模型获取对应待矫正图像的第一矫正增益时，处理器401用于执行：
将待矫正图像输入第一矫正模型进行图像矫正，得到候选矫正图像；
根据候选矫正图像与待矫正图像每一像素点之间的差异，获取待矫正图像每一像素点对应的像素矫正增益；
获取待矫正图像所有像素点的像素矫正增益的平均值，作为第一矫正增益。
在一实施例中，第一矫正模型与第二矫正模型结构相同，且互不共享参数，第一矫正模型包括编码模块、自注意力模块以及解码模块，在将待矫正图像输入第一矫正模型进行图像矫正，得到候选矫正图像时，处理器401用于执行：
基于编码模块对待矫正图像进行编码，得到特征图；
基于自注意力模块对特征图进行自注意处理，得到自注意图；
基于解码模块对自注意图进行解码，得到候选矫正图像。
在一实施例中，自注意力模块包括第一卷积模块、第二卷积模块以及第三卷积模块，在基于自注意力模块对特征图进行自注意处理，得到自注意图时，处理器401用于执行：
基于第一卷积模块对特征图进行卷积处理，得到第一卷积特征图，以及基于第二卷积模块对特征图进行卷积处理，得到第二卷积特征图；
将第一卷积特征图转置后与第二卷积特征图相乘得到融合图，并对融合图进行归一化处理，得到注意力图；
基于第三卷积模块对特征图进行卷积处理，得到第三卷积特征图，并将第三卷积特征图和注意力图相乘得到自注意图。
在一实施例中，在获取需要进行图像矫正的待矫正图像之前，处理器401还用于执行：
获取样本图像及其对应的目标矫正增益；
根据样本图像及其对应的目标矫正增益对第一矫正模型和第二矫正模型进行训练。
在一实施例中，在根据样本图像及其对应的目标矫正增益对第一矫正模型和第二矫正模型进行训练时，处理器401用于执行：
根据第一矫正模型获取对应样本图像的第三矫正增益，并根据第三矫正增益矫正样本图像得到第一样本矫正图像；
获取第三矫正增益与目标矫正增益的第一矫正差异，并将目标矫正增益与第三矫正增益相除得到次级目标矫正增益；
根据第二矫正模型获取对应第一样本矫正图像的第四矫正增益，并获取第四矫正增益与次级目标矫正增益的第二矫正差异；
融合第一矫正差异与第二矫正差异得到融合差异，并根据融合差异对第一矫正模型和/或第二矫正模型的参数进行调整。
在一实施例中，处理器401按照如下公式融合得到融合差异。
Losstotal＝w*Lossf+(1-w)Losss；
其中，Losstotal表示融合差异，w表示占比系数，Lossf表示第一矫正差异，Losss表示第二矫正差异。
应当说明的是，本申请实施例提供的电子设备与上文实施例中的图像矫正方法属于同一构思，在电子设备上可以运行图像矫正方法实施例中提供的任一方法，其具体实现过程详见图像矫正方法实施例，此处不再赘述。
需要说明的是，对本申请实施例的图像矫正方法而言，本领域普通技术人员可以理解实现本申请实施例的图像矫正方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，所述计算机程序可存储于一计算机可读取存储介质中，如存储在电子设备的存储器中，并被该电子设备内的处理器执行，在执行过程中可包括如图像矫正方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储器、随机存取记忆体等。
以上对本申请实施例所提供的一种图像矫正方法、装置、存储介质及电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种图像矫正方法，其特征在于，包括：
获取需要进行图像校正的待矫正图像；
获取预训练的第一矫正模型和第二矫正模型；
将所述待矫正图像输入所述第一矫正模型进行图像矫正，得到候选矫正图像；
根据所述候选矫正图像与所述待矫正图像每一像素点之间的差异，获取所述待矫正图像每一像素点对应的像素矫正增益；
获取所述待矫正图像所有像素点的像素矫正增益的平均值，作为所述待矫正图像的第一矫正增益，并根据所述第一矫正增益矫正所述待矫正图像得到第一矫正图像；
根据所述第二矫正模型获取对应所述第一矫正图像的第二矫正增益，并根据所述第二矫正增益矫正所述第一矫正图像得到矫正结果图像。
2.根据权利要求1所述的图像矫正方法，其特征在于，所述第一矫正模型与所述第二矫正模型结构相同，且互不共享参数，所述第一矫正模型包括编码模块、自注意力模块以及解码模块，所述将所述待矫正图像输入所述第一矫正模型进行图像矫正，得到候选矫正图像，包括：
基于所述编码模块对所述待矫正图像进行编码，得到特征图；
基于所述自注意力模块对所述特征图进行自注意处理，得到自注意图；
基于所述解码模块对所述自注意图进行解码，得到所述候选矫正图像。
3.根据权利要求2所述的图像矫正方法，其特征在于，所述自注意力模块包括第一卷积模块、第二卷积模块以及第三卷积模块，所述基于所述自注意力模块对所述特征图进行自注意处理，得到自注意图，包括：
基于所述第一卷积模块对所述特征图进行卷积处理，得到第一卷积特征图，以及基于所述第二卷积模块对所述特征图进行卷积处理，得到第二卷积特征图；
将所述第一卷积特征图转置后与所述第二卷积特征图相乘得到融合图，并对所述融合图进行归一化处理，得到注意力图；
基于所述第三卷积模块对所述特征图进行卷积处理，得到第三卷积特征图，并将所述第三卷积特征图和所述注意力图相乘得到所述自注意图。
4.根据权利要求1-3任一项所述的图像矫正方法，其特征在于，所述获取需要进行图像矫正的待矫正图像之前，还包括：
获取样本图像及其对应的目标矫正增益；
根据所述样本图像及其对应的目标矫正增益对所述第一矫正模型和所述第二矫正模型进行训练。
5.根据权利要求4所述的图像矫正方法，其特征在于，所述根据所述样本图像及其对应的目标矫正增益对所述第一矫正模型和所述第二矫正模型进行训练，包括：
根据所述第一矫正模型获取对应所述样本图像的第三矫正增益，并根据所述第三矫正增益矫正所述样本图像得到第一样本矫正图像；
获取所述第三矫正增益与所述目标矫正增益的第一矫正差异，并将所述目标矫正增益与所述第三矫正增益相除得到次级目标矫正增益；
根据所述第二矫正模型获取对应所述第一样本矫正图像的第四矫正增益，并获取所述第四矫正增益与所述次级目标矫正增益的第二矫正差异；
融合所述第一矫正差异与所述第二矫正差异得到融合差异，并根据所述融合差异对所述第一矫正模型和/或所述第二矫正模型的参数进行调整。
6.根据权利要求5所述的图像矫正方法，其特征在于，按照如下公式融合得到所述融合差异：
Ltotal＝w*Lf+(1-w)Ls；
其中，Ltotal表示所述融合差异，w表示占比系数，Lf表示所述第一矫正差异，Ls表示所述第二矫正差异。
7.一种图像矫正装置，其特征在于，包括：
图像获取模块，用于获取需要进行图像矫正的待矫正图像；
模型获取模块，用于获取预训练的第一矫正模型和第二矫正模型；
初级矫正模块，用于将所述待矫正图像输入所述第一矫正模型进行图像矫正，得到候选矫正图像；以及根据所述候选矫正图像与所述待矫正图像每一像素点之间的差异，获取所述待矫正图像每一像素点对应的像素矫正增益；以及获取所述待矫正图像所有像素点的像素矫正增益的平均值，作为所述待矫正图像的第一矫正增益，并根据所述第一矫正增益矫正所述待矫正图像得到第一矫正图像；
进阶矫正模块，用于根据所述第二矫正模型获取对应所述第一矫正图像的第二矫正增益，并根据所述第二矫正增益矫正所述第一矫正图像得到矫正结果图像。
8.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器加载时执行如权利要求1至6任一项所述的图像矫正方法。
9.一种电子设备，包括处理器和存储器，所述存储器储存有计算机程序，其特征在于，所述处理器通过加载所述计算机程序，用于执行如权利要求1至6任一项所述的图像矫正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010251527.7A CN111476731B (zh) | 2020-04-01 | 2020-04-01 | 图像矫正方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010251527.7A CN111476731B (zh) | 2020-04-01 | 2020-04-01 | 图像矫正方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111476731A CN111476731A (zh) | 2020-07-31 |
| CN111476731B true CN111476731B (zh) | 2023-06-27 |
Family
ID=71750393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010251527.7A Active CN111476731B (zh) | 2020-04-01 | 2020-04-01 | 图像矫正方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476731B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115100659B (zh) * | 2022-06-13 | 2024-08-02 | 深圳市星桐科技有限公司 | 文本识别方法、装置、电子设备和存储介质 |
| CN117952877B (zh) * | 2024-03-26 | 2024-06-21 | 松立控股集团股份有限公司 | 一种基于层次化结构建模的低质图像矫正方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102823236A (zh) * | 2010-06-09 | 2012-12-12 | 富士胶片株式会社 | 成像装置以及图像处理方法 |
| JP2015005927A (ja) * | 2013-06-21 | 2015-01-08 | キヤノン株式会社 | 画像処理装置およびその制御方法 |
| CN107452327A (zh) * | 2016-05-31 | 2017-12-08 | 乐金显示有限公司 | 显示装置及用于对显示装置的像素进行补偿的模块和方法 |
| CN109523485A (zh) * | 2018-11-19 | 2019-03-26 | Oppo广东移动通信有限公司 | 图像颜色校正方法、装置、存储介质及移动终端 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE112017002774T5 (de) * | 2016-06-02 | 2019-02-14 | Sony Corporation | Bildverarbeitungseinrichtung und Bildverarbeitungsverfahren, und Lerneinrichtung und Lernverfahren |
| US10977843B2 (en) * | 2017-06-28 | 2021-04-13 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for determining parameters for medical image processing |
| US10867404B2 (en) * | 2018-08-29 | 2020-12-15 | Toyota Jidosha Kabushiki Kaisha | Distance estimation using machine learning |
-
2020
- 2020-04-01 CN CN202010251527.7A patent/CN111476731B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102823236A (zh) * | 2010-06-09 | 2012-12-12 | 富士胶片株式会社 | 成像装置以及图像处理方法 |
| JP2015005927A (ja) * | 2013-06-21 | 2015-01-08 | キヤノン株式会社 | 画像処理装置およびその制御方法 |
| CN107452327A (zh) * | 2016-05-31 | 2017-12-08 | 乐金显示有限公司 | 显示装置及用于对显示装置的像素进行补偿的模块和方法 |
| CN109523485A (zh) * | 2018-11-19 | 2019-03-26 | Oppo广东移动通信有限公司 | 图像颜色校正方法、装置、存储介质及移动终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111476731A (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3968280A1 (en) | Target tracking method and apparatus, storage medium and electronic device | |
| US8666148B2 (en) | Image adjustment | |
| US9008415B2 (en) | Automatic image adjustment parameter correction | |
| CN111476731B (zh) | 图像矫正方法、装置、存储介质及电子设备 | |
| CN113704531A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| US20210358081A1 (en) | Information processing apparatus, control method thereof, imaging device, and storage medium | |
| CN113507570B (zh) | 曝光补偿方法、装置和电子设备 | |
| CN111898544B (zh) | 文字图像匹配方法、装置和设备及计算机存储介质 | |
| WO2019188573A1 (ja) | 演算装置、演算方法およびプログラム | |
| CN115115552B (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
| CN114463223A (zh) | 一种图像增强的处理方法、装置、计算机设备及介质 | |
| CN112465709A (zh) | 一种图像增强方法、装置、存储介质及设备 | |
| CN113658091A (zh) | 一种图像评价方法、存储介质及终端设备 | |
| JP2021033571A (ja) | 情報処理装置、制御方法およびプログラム | |
| CN110866866B (zh) | 图像仿色处理方法、装置、电子设备及存储介质 | |
| CN112084936A (zh) | 一种人脸图像预处理方法、装置、设备及存储介质 | |
| US20230222639A1 (en) | Data processing method, system, and apparatus | |
| CN117671371A (zh) | 一种基于代理注意力的视觉任务处理方法和系统 | |
| CN117315758A (zh) | 面部表情的检测方法、装置、电子设备及存储介质 | |
| CN111612831A (zh) | 一种深度估计方法、装置、电子设备及存储介质 | |
| CN111104987A (zh) | 人脸识别方法、装置及电子设备 | |
| CN113642353B (zh) | 一种人脸检测模型的训练方法、存储介质及终端设备 | |
| CN112434552A (zh) | 神经网络模型调整方法、装置、设备及存储介质 | |
| CN113723289B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| US11995153B2 (en) | Information processing apparatus, information processing method, and storage medium |
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 |