CN111586389A - 图像处理方法及相关装置 - Google Patents
图像处理方法及相关装置 Download PDFInfo
- Publication number
- CN111586389A CN111586389A CN202010475385.2A CN202010475385A CN111586389A CN 111586389 A CN111586389 A CN 111586389A CN 202010475385 A CN202010475385 A CN 202010475385A CN 111586389 A CN111586389 A CN 111586389A
- Authority
- CN
- China
- Prior art keywords
- image data
- discriminator
- white balance
- generator
- network model
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 122
- 238000012549 training Methods 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000009826 distribution Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 13
- 238000013459 approach Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 241000227425 Pieris rapae crucivora Species 0.000 description 1
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N9/00—Details of colour television systems
- H04N9/64—Circuits for processing colour signals
- H04N9/73—Colour balance circuits, e.g. white balance circuits or colour temperature control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Color Television Image Signal Generators (AREA)
- Processing Of Color Television Signals (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种图像处理方法及相关装置，应用于电子设备，包括：获取用于训练初始白平衡神经网络模型的样本数据，所述样本数据包括第一图像数据和第二图像数据，所述第二图像数据为所述第一图像数据的真实白平衡图像数据；将所述第一图像数据输入所述初始白平衡神经网络模型的生成器，得到第三图像数据；将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，得到训练后的生成器；将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练，得到训练后的判别器。本申请实施例有利于通过训练后的白平衡神经网络模型获取到精准的白平衡处理之后的图像。
Description
技术领域
本申请涉及移动终端技术领域，具体涉及一种图像处理方法及相关装置。
背景技术
现有技术中，对图像的白平衡处理一般采用传统的手工特征白平衡算法，或基于卷积的深度学习白平衡算法。传统的手工特征白平衡算法往往覆盖不到全场景，当在一些特定场景下无法满足手工特征白平衡算法的先验假设条件时，调试人员需要花费较多的精力进行测试来调整各种场景，以保证手工特征白平衡算法的处理结果不出现较大的色差，而基于卷积的深度学习白平衡算法在训练模型时，需要大量的数据集，并且算法的鲁棒性不够，需要和传统的手工特征白平衡算法结合使用，过程较为复杂。
发明内容
本申请实施例提供了一种图像处理方法及相关装置，有利于通过训练后的白平衡神经网络模型获取到精准的白平衡处理之后的图像。
第一方面，本申请实施例提供一种图像处理方法，其特征在于，应用于电子设备，所述方法包括：
获取用于训练初始白平衡神经网络模型的样本数据，所述样本数据包括第一图像数据和第二图像数据，所述第二图像数据为所述第一图像数据的真实白平衡图像数据；
将所述第一图像数据输入所述初始白平衡神经网络模型的生成器，得到第三图像数据；
将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，得到训练后的生成器；
将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练，得到训练后的判别器，所述训练后的白平衡神经网络模型包括所述训练后的生成器和所述训练后的判别器。
第二方面，本申请实施例提供一种图像处理装置，应用于电子设备，所述电子设备包括眼球追踪组件；所述图像处理装置包括处理单元和通信单元，其中，
所述处理单元，用于通过所述通信单元获取用于训练初始白平衡神经网络模型的样本数据，所述样本数据包括第一图像数据和第二图像数据，所述第二图像数据为所述第一图像数据的真实白平衡图像数据；以及用于将所述第一图像数据输入所述初始白平衡神经网络模型的生成器，得到第三图像数据；以及用于将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，得到训练后的生成器；以及用于将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练，得到训练后的判别器，所述训练后的白平衡神经网络模型包括所述训练后的生成器和所述训练后的判别器。
第三方面，本申请实施例提供一种电子设备，包括控制器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述控制器执行，上述程序包括用于执行本申请实施例第一方面任一方法中的步骤的指令。
第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。
第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出，本申请实施例中，电子设备首先获取用于训练初始白平衡神经网络模型的样本数据，所述样本数据包括第一图像数据和第二图像数据，所述第二图像数据为所述第一图像数据的真实白平衡图像数据，其次，将所述第一图像数据输入所述初始白平衡神经网络模型的生成器，得到第三图像数据，然后，将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，得到训练后的生成器，最后，将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练，得到训练后的判别器，所述训练后的白平衡神经网络模型包括所述训练后的生成器和所述训练后的判别器。由于初始白平衡神经网络模型为生成式对抗网络模型，在模型训练的过程中利用对抗训练的方式进行训练，从而训练后的白平衡神经网络模型可以用来生成白平衡图像，且生成的白平衡图像更加清晰自然。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的一些实施例，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。
图1A是本申请实施例提供的一种生成器的网络结构图；
图1B是本申请实施例提供的一种初始白平衡神经网络模型的网络结构图；
图1C是本申请实施例提供的一种图像处理方法的流程示意图；
图1D是本申请实施例提供的一种计算第二损失值的参考示意图；
图2是本申请实施例提供的另一种图像处理方法的流程示意图；
图3是本申请实施例提供的一种电子设备的结构示意图；
图4是本申请实施例提供的一种图像处理装置的功能单元组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
电子设备可以包括终端或者服务器，本申请实施例不做限定。终端包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备(例如智能手表、智能手环、计步器等)、计算设备或连接到无线调制解调器的其他处理的精度。用户设备(User Equipment，UE)，移动台(Mobile Station，MS)，终端设备(terminal device)等等。为方便描述，上面提到的设备统称为电子设备。
下面对本申请实施例进行详细介绍。
白平衡的基本概念是不管在任何光源下，都可以将白色物体还原为白色，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进行补偿，在日常拍摄中，会遇到各种光源，光源不同，色温也不同，有时拍摄的画面会出现偏色，而白平衡就是用来解决这一问题的，白平衡的主要作用是：纠正色温，还原拍摄主体的色彩，使其在不同光源条件下拍摄的画面同人眼观看的画面色彩相近；通过控制色温，可以获得色彩效果迥异的图像。
本申请中的初始白平衡神经网络模型为生成式对抗网络模型，生成式对抗网络模型包括生成模型和判别模型，生成模型对联合概率进行建模，从统计的角度表示数据的分布情况，刻画数据是如何生成的，收敛速度快，例如朴素贝叶斯、GDA、HMM等；判别模型对条件概率进行建模，不关心数据如何生成，主要是寻找不同类别之间的最优分类面，例如LR、SVM等。生成模型对应本申请中的生成器，判别模型对应本申请中的判别器，生成器不断学习训练集中第二图像数据的概率分布，目标是将输入的第一图像数据转化为可以以假乱真的第三图像数据，判别器是判断第三图像数据是否是第一图像数据真实的经过白平衡处理后的图像数据，目标是将生成器产生的第三图像数据与训练集中的第二图像数据分辨开。
训练集中包括大量的用于训练初始白平衡神经网络模型的样本数据，样本数据包括第一图像数据和第二图像数据，第二图像数据为第一图像数据真实的白平衡图像数据，通过让生成器和判别器进行博弈，在训练过程中，互相竞争使生成器和判别器同时得到增强，由于判别器的存在，使得生成器在没有大量先验知识以及先验分布的前提下，也能很好的去学习逼近真实的图像数据，最终让白平衡神经网络模型生成的第三图像数据达到以假乱真的效果，此时判别器无法区分生成器生成的第三图像数据和第二图像数据的区别，便可以应用训练后的白平衡神经网络模型，通过训练后的白平衡神经网络模型可以生成待处理图像的白平衡图像。
传统的手工特征白平衡算法包括：灰度世界算法、灰度边界算法和白块算法，灰度世界算法假设图像中的RGB通道的平均值相同，灰度边界算法假设图像的RGB通道的梯度的平均值相同，白块算法假设图像中存在白斑，即图像的最亮点即为白色。基于卷积的深度学习白平衡算法，对输入图像进行各种网络结构哦的卷积操作，最终输出RGain、GGain、BGain三个值，通过计算和真实的RGain、GGain、BGain比较计算损失loss，不断训练优化网络模型的参数，最终得到固定参数的卷积神经网络模型。
因此，本申请提供一种图像处理方法，该方法包括基于生成式对抗网络的白平衡神经网络模型，该白平衡神经网络模型将生成式对抗网络和白平衡算法相结合，可以增加模型的鲁棒性和精度。白平衡神经网络模型的网络结构包括生成器和判别器，如图1A所示，为生成器的网络结构图，当输入第一图像后，输出第三图像，第三图像即为白平衡处理之后的图像，其中生成器例如可以是一个训练好的U-Net卷积神经网络，通过生成器输出待处理的图像后，即可得到白平衡处理之后的图像。如图1B所示，为包括生成器和判别器的白平衡神经网络模型的网络结构图，生成器和判别器均为卷积神经网络，生成器的输入为第一图像数据，输出为第三图像数据，判别器的输入为第二图像数据或第三图像数据，输出为图像为真的概率P。
未经过训练的初始白平衡神经网络模型的损失函数Loss主要分为三个部分，Loss0、Loss1和Loss2，计算公式如下：
Loss＝Loss0+α*Loss1+β*Loss2
其中，α和β为常数，Loss0为初始白平衡神经网络模型损失函数，Loss1为第二图像和第三图像的二范数损失函数，Loss2为生成Gain值和真实Gain值组成的余弦相似度损失函数。用于训练初始白平衡神经网络模型的训练集中包括第一图像数据和第二图像数据，通过训练得到训练后的白平衡神经网络模型，可应用于图像处理以获取待处理图像经过白平衡处理之后的图像，基于大量数据的对抗训练能够全面提高各种场景下的白平衡算法的精准率，同时利用对抗训练，可使得算法鲁棒性优于普通的基于卷积神经网络的白平衡算法，在各种特殊场景下，例如纯色场景效果得到更好的处理效果，此外，本申请采用了端到端的训练和运动，避免了传统的手工特征白平衡算法的复杂逻辑处理，能够较为简单的部署在电子设备上。本申请中利用对抗训练的方式训练初始白平衡神经网络模型，训练后的白平衡神经网络模型用于生成白平衡图像，可使得生成的图像更加清晰自然。
请参阅图1C，图1C是本申请实施例提供了一种图像处理方法的流程示意图，应用于电子设备。如图所示，本图像处理方法包括：
S101，所述电子设备获取用于训练初始白平衡神经网络模型的样本数据，所述样本数据包括第一图像数据和第二图像数据，所述第二图像数据为所述第一图像数据的真实白平衡图像数据。
其中，训练集中包括大量的用于训练初始白平衡神经网络模型的样本数据，样本数据包括第一图像数据和第二图像数据，第二图像数据为第一图像数据真实的白平衡图像数据。通过样本数据中的第一图像数据和第二图像数据对初始白平衡神经网络模型进行训练，便可得到训练后的白平衡神经网络模型，使用训练后的白平衡神经网络模型对待处理的图像进行处理，便可得到待处理图像经过白平衡处理之后的图像。
S102，所述电子设备将所述第一图像数据输入所述初始白平衡神经网络模型的生成器，得到第三图像数据。
其中，将第一图像数据输入初始白平衡神经网络模型的生成器后，得到第三图像数据，第三图像数据为对第一图像数据经过白平衡处理过后的图像数据，但是此时还没有对初始白平衡神经网络模型进行训练，因此第二图像数据作为第一图像数据的白平衡处理结果，效果不是特别好，需要进行改进和修缮。
S103，所述电子设备将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，得到训练后的生成器。
其中，将生成器生成的第三图像数据数据初始白平衡神经网络模型的判别器，通过控制判别器的输出来反向对生成器进行训练，得到训练后的生成器，训练后的生成器输出第三图像数据后，将第三图像数据输入到判别器，可以是判别器的输出趋近第一目标值，第一目标值为1。
S104，所述电子设备将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练，得到训练后的判别器，所述训练后的白平衡神经网络模型包括所述训练后的生成器和所述训练后的判别器。
其中，判别器的输出表示图像数据为真的概率，数值在0到1之间，第一目标值为1，第二目标值为0，第二图像数据代表第一图像数据的真实的白平衡处理过后的数据，第三图像数据代表第一图像数据经白平衡神经网络模型处理后的数据，通过第二图像数据和第三图像数据对判别器进行训练，得到训练后的判别器，训练后的生成器和训练后的判别器组成了训练过后的白平衡神经网络模型，此时，可以使用白平衡神经网络模型进行图像数据，输入待处理的图像，便可得到待处理图像经过白平衡处理之后的图像。
可以看出，本申请实施例中，电子设备首先获取用于训练初始白平衡神经网络模型的样本数据，所述样本数据包括第一图像数据和第二图像数据，所述第二图像数据为所述第一图像数据的真实白平衡图像数据，其次，将所述第一图像数据输入所述初始白平衡神经网络模型的生成器，得到第三图像数据，然后，将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，得到训练后的生成器，最后，将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练，得到训练后的判别器，所述训练后的白平衡神经网络模型包括所述训练后的生成器和所述训练后的判别器。由于初始白平衡神经网络模型为生成式对抗网络模型，在模型训练的过程中利用对抗训练的方式进行训练，从而训练后的白平衡神经网络模型可以用来生成白平衡图像，且生成的白平衡图像更加清晰自然。
在一个可能的示例中，所述将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，包括：固定所述判别器的第一参数组，对所述生成器的第二参数组进行调整，得到训练后的生成器，所述调整用于使所述生成器输出的第三图像数据输入所述判别器后，得到的输出为第一目标值。
其中，首先需要对初始白平衡神经网络模型的生成器进行训练，训练前的判别器的各项模型参数组成了第一参数组，训练前的生成器的各项模型参数组成了第二参数组，在对生成器进行训练时，需要固定判别器的各项参数，即固定第一参数组，仅仅调整第二参数组中的各项参数，调整依据是将生成器根据第一图像数据生成的第三数据输入到判别器，获取判别器的输出，不断调整第二参数组中的各项参数，使得判别器的输出趋近第一目标值，即使判别器的输出趋近1，当判别器的输出趋近于1时便可停止训练，此时调整了第二参数组之后的生成器便是训练完成的生成器。
可见，本示例中，在对生成器进行训练时，需要固定判别器的各项参数，仅仅对生成器的各项参数进行调整，以使训练后的生成器输出的第三图像数据输入到判别器后，输出可以趋近第一目标值。
在一个可能的示例中，所述将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，包括：对所述第二图像数据和所述第三图像数据进行第一预处理，得到第一损失值；固定所述判别器的第一参数组，对所述生成器的第二参数组进行调整，得到训练后的生成器，所述调整用于最小化所述第一损失值。
其中，在使得判别器的输出趋近第一目标值之后，可继续对生成器进行训练，此时，对生成器生成的第三图像数据和训练集中的第二图像数据进行第一预处理，得到第一损失值后，依然需要固定判别器的第一参数组，对生成器当前的第二参数组进行调整，该调整的目的是第一损失值可以最小化，从而完成对生成器的训练，得到训练后的生成器。
其中，第一损失值的计算公式为：
Loss1＝||Ir-Ig||2
其中，Ir表示第二图像数据，Ig表示第三图像数据，通过对第二图像数据和第三图像数据做二范数运算，来度量第二图像和第三图像之间的颜色差异，为了最小化第二图像和第三图像之间的颜色差异，需要再次对生成器进行训练和参数调整。
可见，本示例中，对第二图像数据和第三图像处理进行第一预处理，得到第一损失值，第一损失值可用于度量第二图像数据和第三图像数据之间的色差，损失值越大表明色差越大，损失值越小表明色差越小，因此为了较小色差，需要最小化第一损失值，在最小化损失值的过程中，再次对生成器进行训练，从而得到训练后的生成器。
在一个可能的示例中，所述将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，包括：对所述第一图像数据、所述第二图像数据和所述第三图像数据进行第二预处理，得到第二损失值；固定所述判别器的第一参数组，对所述生成器的第二参数组进行调整，得到训练后的生成器，所述调整用于最小化所述第二损失值。
其中，根据第一图像数据和第三图像数据，可以计算得到生成白平衡增益Gain值，根据第二图像数据和第一图像数据，可以计算得到真实白平衡增益Gain值，如图1D所示，对第一图像数据、第二图像数据和第三图像数据进行第二预处理，得到第二损失值，第二算损失值用于表示生成的白平衡增益和真实的白平衡增益之间的差异，第二损失值越大，表明差异越大。将第三图像数据和第一图像数据相除可以计算得到生成的白平衡增益Gain1，将第二图像数据和第一图像数据相除可以计算得到真实的白平衡增益Gain2，最后计算两者的余弦相似度即可得到Loss2，计算公式如下：
为了减少增益损失，即使得Loss2可以最小化，需要再次对生成器进行训练和参数调整。
其中，生成器的训练包括三个层级的训练，即第一轮训练生成器，该训练用于使判别器的输出为第一目标值；第二轮训练生成器，该训练用于最小化第一损失值Loss1，以减小第二图像数据和第三图像数据之间的色差；第三轮训练生成器，该训练用于最小化第二损失值Loss2，以减小生成白平衡增益和真实白平衡增益之间的差异，通过不断的重复以上三轮训练之后，便可得到一个较为成熟的生成器。
可见，本示例中，通过计算第一数据、第二图像数据和第三图像数据各自的RGain、GGain、BGain，可以计算得到生成的白平衡增益Gain1和真实白平衡Gain2，从而计算第二损失值Loss2，Loss2用于度量生成白平衡增益和真实白平衡增益之间的差异，为了减小差异则需要最小化Loss2，在最小化Loss2的过程中，再次对生成器进行训练，从而得到训练后的生成器。
在一个可能的示例中，所述将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练，包括：固定训练后的生成器的第二参数组，将第二图像数据和第三图像数据分别输入所述判别器；对所述判别器的第一参数组进行调整，所述调整用于使所述第二图像数据输入所述判别器后，所述判别器的输出为第一目标值，以及使所述第三图像数据输入所述判别器后，所述判别器的输出为第二目标值。
其中，在生成器训练完成后，则需要对判别器进行训练，在训练判别器时，则需要固定生成器的各项参数，即需要固定第二参数组，仅仅对第一参数组中的各项参数进行调整。在训练判别器时，分别将第二图像数据和第三图像数据输入判别器，由于第二图像数据为第一图像数据真实的经过白平衡处理过后的图像数据，第三图像数据为第一图像数据通过训练后的生成器生成的白平衡处理过后的图像数据，而判别器的作用是将第二图像数据和第三图像数据进行区分，因此，在训练判别器时，需要通过不断调整第一参数组中的各项参数，从而使得第二图像数据输入到判别器后，判别器的输出值趋近于第一目标值，第三图像数据输入到判别器后，判别器的输出值趋近于第二目标值，第一目标值对应数值1，第二目标值对应数值二，因此，第二图像数据输入判别器后得到数据为真的概率趋近于1，第三图像数据输入判别器后得到数据为真的概率趋近于0。
可见，本示例中，在生成器训练完成后，即可根据生成器生成的第三图像数据和训练集中的第二图像数据对判别器进行训练，通过训练使得判别器可以对第二图像数据和第三图像数据进行区别，从而判别器可以根据经过白平衡处理过后的图像数据，判断其是真实的白平衡数据还是生成的白平衡数据。
在一个可能的示例中，所述方法还包括：计算所述初始白平衡神经网络模型的第三损失值；根据所述第三损失值对所述初始白平衡神经网络模型的多项参数进行调整，所述调整用于最小化所述第三损失值，所述多项参数包括所述第一参数组和所述第二参数组。
其中，初始白平衡神经网络模型具有第三损失值，第三损失值Loss0的计算公式如下：
其中Pr表示训练集中第二图像数据的分布，Pi表示训练集中第一图像数据的分布，第二图像数据代表白平衡校准好的图像，第二图像数据代表未校准白平衡的图像，x～Pr、x～Pi表示x属于的两个不同的分布，即在第二图像数据中的分布和在第一图像数据中的分布，D(x)为图像x进入判别器之后输出的值，E表示对log D(x)进行数学期望运算，G(x)为图像x进入生成器之后得到的图像，D(G(x))表示将图像G(x)输入判别器之后输出的值，公式中对1-D(G(x))之后先做对数运算再做数学期望运算。公式中，对Loss0做max的时候需要极大化公式的数值结果，此时需要固定生成器G的参数，训练并调整判别器D的参数；对Loss0做min的时候需要极小化公式的数值结果，此时需要固定判别器D的参数，训练并调整生成器G的参数。
可见，本示例中，通过计算初始白平衡神经网络模型的第三损失值，可以根据第三损失值实现对生成器和判别器的交替训练，从而使得生成器生成的第三图像数据越来越逼真，白平衡效果越来越好，能够使得判别器输出较大的值以认为生成器生成的图像数据为真实的图像数据。
在一个可能的示例中，所述计算所述初始白平衡神经网络模型的第三损失值，包括：从所述训练集中获取所述第一图像数据对应的第一图像分布，以及所述第二图像数据对应的第二图像分布；根据所述第一图像分布和所述第二图像分布，计算所述初始白平衡神经网络模型的第三损失值。
其中，第三损失值的计算公式并不固定，只需要从训练集中获取第一图像数据对应的第一图像分布，以及第二图像数据对应的第二图像分布，根据第一图像分布和第二图像分布，集合计算出初始白平衡神经网络模型的第三损失值，第三Loss0在生成式对抗网络中存在多种改进的变体，因此，第三损失值的计算公式还可以是如下公式：
此外，x～Pi表示第一图像分布，x～Pr表示第二图像分布，第三损失值的计算公式还可以是如下公式：
此外，第三损失值的计算公式还可以是如下公式：
其中，白平衡神经网络模型中的生成器和判别器的网络结构并不是固定的，可以对生成器和判别器网路结构进行优化裁剪等操作，为了保证训练后的白平衡网络模型运行的实时性效果，还可以尽可能的压缩网络模型的运算量。
可见，本示例中，通过计算初始白平衡网络模型的第三损失值，可以对初始网络模型中的各项参数进行条件，以减小初始白平衡网络模型的模型损失，同时第三损失值的计算公式并不固定，获取第一图像数据的第一图像分布以及第二图像数据的第二图像分布后，便可计算出第三损失值。
与所述图1C所示的实施例一致的，请参阅图2，图2是本申请实施例提供的一种图像处理方法的流程示意图，应用于电子设备。如图所示，本图像处理方法包括：
S201，所述电子设备获取用于训练初始白平衡神经网络模型的样本数据，所述样本数据包括第一图像数据和第二图像数据，所述第二图像数据为所述第一图像数据的真实白平衡图像数据。
S202，所述电子设备将所述第一图像数据输入所述初始白平衡神经网络模型的生成器，得到第三图像数据。
S203，所述电子设备固定所述判别器的第一参数组，对所述生成器的第二参数组进行调整，得到训练后的生成器，所述调整用于使所述生成器输出的第三图像数据输入所述判别器后，得到的输出为第一目标值。
S204，所述电子设备固定训练后的生成器的第二参数组，将第二图像数据和第三图像数据分别输入所述判别器。
S205，所述电子设备对所述判别器的第一参数组进行调整，所述调整用于使所述第二图像数据输入所述判别器后，所述判别器的输出为第一目标值，以及使所述第三图像数据输入所述判别器后，所述判别器的输出为第二目标值。
可以看出，本申请实施例中，电子设备首先获取用于训练初始白平衡神经网络模型的样本数据，所述样本数据包括第一图像数据和第二图像数据，所述第二图像数据为所述第一图像数据的真实白平衡图像数据，其次，将所述第一图像数据输入所述初始白平衡神经网络模型的生成器，得到第三图像数据，然后，将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，得到训练后的生成器，最后，将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练，得到训练后的判别器，所述训练后的白平衡神经网络模型包括所述训练后的生成器和所述训练后的判别器。由于初始白平衡神经网络模型为生成式对抗网络模型，在模型训练的过程中利用对抗训练的方式进行训练，从而训练后的白平衡神经网络模型可以用来生成白平衡图像，且生成的白平衡图像更加清晰自然。
此外，在对生成器进行训练时，需要固定判别器的各项参数，仅仅对生成器的各项参数进行调整，以使训练后的生成器输出的第三图像数据输入到判别器后，输出可以趋近第一目标值。
此外，在生成器训练完成后，即可根据生成器生成的第三图像数据和训练集中的第二图像数据对判别器进行训练，通过训练使得判别器可以对第二图像数据和第三图像数据进行区别，从而判别器可以根据经过白平衡处理过后的图像数据，判断其是真实的白平衡数据还是生成的白平衡数据。
与所述图1C、图2所示的实施例一致的，请参阅图3，图3是本申请实施例提供的一种电子设备300的结构示意图，该电子设备300运行有一个或多个应用程序和操作系统，如图所示，该电子设备300包括处理器310、存储器320、通信接口330以及一个或多个程序321，其中，所述一个或多个程序321被存储在所述存储器320中，并且被配置由所述处理器310执行，所述一个或多个程序321包括用于执行以下步骤的指令；
在检测到所述电子设备当前接收信号的信号强度低于预设阈值时，通过搜网或小区测量获取到多路信号以及所述多路信号的参数信息，所述多路信号包括所述电子设备不符合驻留条件的小区信号；
从所述多路信号中选取目标信号，并确定所述目标信号的载波方向；
提示用户向所述目标信号的载波方向移动。
可以看出，本申请实施例中，电子设备首先获取用于训练初始白平衡神经网络模型的样本数据，所述样本数据包括第一图像数据和第二图像数据，所述第二图像数据为所述第一图像数据的真实白平衡图像数据，其次，将所述第一图像数据输入所述初始白平衡神经网络模型的生成器，得到第三图像数据，然后，将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，得到训练后的生成器，最后，将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练，得到训练后的判别器，所述训练后的白平衡神经网络模型包括所述训练后的生成器和所述训练后的判别器。由于初始白平衡神经网络模型为生成式对抗网络模型，在模型训练的过程中利用对抗训练的方式进行训练，从而训练后的白平衡神经网络模型可以用来生成白平衡图像，且生成的白平衡图像更加清晰自然。
在一个可能的示例中，在所述将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练方面，所述程序中的指令具体用于执行以下操作：固定所述判别器的第一参数组，对所述生成器的第二参数组进行调整，得到训练后的生成器，所述调整用于使所述生成器输出的第三图像数据输入所述判别器后，得到的输出为第一目标值。
在一个可能的示例中，在所述将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练方面，所述程序中的指令具体用于执行以下操作：对所述第二图像数据和所述第三图像数据进行第一预处理，得到第一损失值；固定所述判别器的第一参数组，对所述生成器的第二参数组进行调整，得到训练后的生成器，所述调整用于最小化所述第一损失值。
在一个可能的示例中，在所述将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练方面，所述程序中的指令具体用于执行以下操作：对所述第一图像数据、所述第二图像数据和所述第三图像数据进行第二预处理，得到第二损失值；固定所述判别器的第一参数组，对所述生成器的第二参数组进行调整，得到训练后的生成器，所述调整用于最小化所述第二损失值。
在一个可能的示例中，在所述将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练方面，所述程序中的指令具体用于执行以下操作：固定训练后的生成器的第二参数组，将第二图像数据和第三图像数据分别输入所述判别器；对所述判别器的第一参数组进行调整，所述调整用于使所述第二图像数据输入所述判别器后，所述判别器的输出为第一目标值，以及使所述第三图像数据输入所述判别器后，所述判别器的输出为第二目标值。
在一个可能的示例中，所述程序中的指令具体用于执行以下操作：计算所述初始白平衡神经网络模型的第三损失值；根据所述第三损失值对所述初始白平衡神经网络模型的多项参数进行调整，所述调整用于最小化所述第三损失值，所述多项参数包括所述第一参数组和所述第二参数组。
在一个可能的示例中，在所述计算所述初始白平衡神经网络模型的第三损失值方面，所述程序中的指令具体用于执行以下操作：从所述训练集中获取所述第一图像数据对应的第一图像分布，以及所述第二图像数据对应的第二图像分布；根据所述第一图像分布和所述第二图像分布，计算所述初始白平衡神经网络模型的第三损失值。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，电子设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，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，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，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申请的范围。
本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个控制单元中。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。需要说明的是，本申请实施例中对单元的划分是示意性的，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。
图4是本申请实施例中所涉及的装置400的功能单元组成框图。该图像处理装置400应用于电子设备，图像处理装置400包括处理单元401和通信单元402，其中：
所述处理单元401，用于通过所述通信单元402获取用于训练初始白平衡神经网络模型的样本数据，所述样本数据包括第一图像数据和第二图像数据，所述第二图像数据为所述第一图像数据的真实白平衡图像数据；以及用于将所述第一图像数据输入所述初始白平衡神经网络模型的生成器，得到第三图像数据；以及用于将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，得到训练后的生成器；以及用于将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练，得到训练后的判别器，所述训练后的白平衡神经网络模型包括所述训练后的生成器和所述训练后的判别器。
可以看出，本申请实施例中，电子设备首先获取用于训练初始白平衡神经网络模型的样本数据，所述样本数据包括第一图像数据和第二图像数据，所述第二图像数据为所述第一图像数据的真实白平衡图像数据，其次，将所述第一图像数据输入所述初始白平衡神经网络模型的生成器，得到第三图像数据，然后，将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，得到训练后的生成器，最后，将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练，得到训练后的判别器，所述训练后的白平衡神经网络模型包括所述训练后的生成器和所述训练后的判别器。由于初始白平衡神经网络模型为生成式对抗网络模型，在模型训练的过程中利用对抗训练的方式进行训练，从而训练后的白平衡神经网络模型可以用来生成白平衡图像，且生成的白平衡图像更加清晰自然。
在一个可能的示例中，在所述将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练方面，所述处理单元401具体用于：固定所述判别器的第一参数组，对所述生成器的第二参数组进行调整，得到训练后的生成器，所述调整用于使所述生成器输出的第三图像数据输入所述判别器后，得到的输出为第一目标值。
在一个可能的示例中，在所述将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练方面，所述处理单元401具体用于：对所述第二图像数据和所述第三图像数据进行第一预处理，得到第一损失值；以及用于固定所述判别器的第一参数组，对所述生成器的第二参数组进行调整，得到训练后的生成器，所述调整用于最小化所述第一损失值。
在一个可能的示例中，在所述将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练方面，所述处理单元401具体用于：对所述第一图像数据、所述第二图像数据和所述第三图像数据进行第二预处理，得到第二损失值；以及用于固定所述判别器的第一参数组，对所述生成器的第二参数组进行调整，得到训练后的生成器，所述调整用于最小化所述第二损失值。
在一个可能的示例中，在所述将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练方面，所述处理单元401具体用于：固定训练后的生成器的第二参数组，将第二图像数据和第三图像数据分别输入所述判别器；以及用于对所述判别器的第一参数组进行调整，所述调整用于使所述第二图像数据输入所述判别器后，所述判别器的输出为第一目标值，以及使所述第三图像数据输入所述判别器后，所述判别器的输出为第二目标值。
在一个可能的示例中，所述处理单元401具体用于：计算所述初始白平衡神经网络模型的第三损失值；以及用于根据所述第三损失值对所述初始白平衡神经网络模型的多项参数进行调整，所述调整用于最小化所述第三损失值，所述多项参数包括所述第一参数组和所述第二参数组。
在一个可能的示例中，在所述计算所述初始白平衡神经网络模型的第三损失值方面，所述处理单元401具体用于：从所述训练集中获取所述第一图像数据对应的第一图像分布，以及所述第二图像数据对应的第二图像分布；以及用于根据所述第一图像分布和所述第二图像分布，计算所述初始白平衡神经网络模型的第三损失值。
其中，所述电子设备还可包括存储单元403，处理单元401和通信单元402可以是控制器或处理器，存储单元403可以是存储器。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤，上述计算机包括移动终端。
本申请实施例还提供一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，上述计算机包括移动终端。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
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的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上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，在本申请各个实施例中的各功能单元可以集成在一个控制单元中，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。
上述集成的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器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，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，对于本领域的一般技术人员，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 (10)
1.一种图像处理方法，其特征在于，应用于电子设备，所述方法包括：
获取用于训练初始白平衡神经网络模型的样本数据，所述样本数据包括第一图像数据和第二图像数据，所述第二图像数据为所述第一图像数据的真实白平衡图像数据；
将所述第一图像数据输入所述初始白平衡神经网络模型的生成器，得到第三图像数据；
将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，得到训练后的生成器；
将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练，得到训练后的判别器，所述训练后的白平衡神经网络模型包括所述训练后的生成器和所述训练后的判别器。
2.根据权利要求1所述的方法，其特征在于，所述将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，包括：
固定所述判别器的第一参数组，对所述生成器的第二参数组进行调整，得到训练后的生成器，所述调整用于使所述生成器输出的第三图像数据输入所述判别器后，得到的输出为第一目标值。
3.根据权利要求1所述的方法，其特征在于，所述将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，包括：
对所述第二图像数据和所述第三图像数据进行第一预处理，得到第一损失值；
固定所述判别器的第一参数组，对所述生成器的第二参数组进行调整，得到训练后的生成器，所述调整用于最小化所述第一损失值。
4.根据权利要求1所述的方法，其特征在于，所述将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，包括：
对所述第一图像数据、所述第二图像数据和所述第三图像数据进行第二预处理，得到第二损失值；
固定所述判别器的第一参数组，对所述生成器的第二参数组进行调整，得到训练后的生成器，所述调整用于最小化所述第二损失值。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练，包括：
固定训练后的生成器的第二参数组，将第二图像数据和第三图像数据分别输入所述判别器；
对所述判别器的第一参数组进行调整，所述调整用于使所述第二图像数据输入所述判别器后，所述判别器的输出为第一目标值，以及使所述第三图像数据输入所述判别器后，所述判别器的输出为第二目标值。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
计算所述初始白平衡神经网络模型的第三损失值；
根据所述第三损失值对所述初始白平衡神经网络模型的多项参数进行调整，所述调整用于最小化所述第三损失值，所述多项参数包括所述第一参数组和所述第二参数组。
7.根据权利要求6所述的方法，其特征在于，所述计算所述初始白平衡神经网络模型的第三损失值，包括：
从所述训练集中获取所述第一图像数据对应的第一图像分布，以及所述第二图像数据对应的第二图像分布；
根据所述第一图像分布和所述第二图像分布，计算所述初始白平衡神经网络模型的第三损失值。
8.一种图像处理装置，其特征在于，应用于电子设备，所述图像处理装置包括处理单元和通信单元，其中，
所述处理单元，用于通过所述通信单元获取用于训练初始白平衡神经网络模型的样本数据，所述样本数据包括第一图像数据和第二图像数据，所述第二图像数据为所述第一图像数据的真实白平衡图像数据；以及用于将所述第一图像数据输入所述初始白平衡神经网络模型的生成器，得到第三图像数据；以及用于将所述第三图像数据输入所述初始白平衡神经网络模型的判别器，通过控制所述判别器的输出反向对所述生成器进行训练，得到训练后的生成器；以及用于将所述第二图像数据和所述第三图像数据输入所述判别器，对所述判别器进行训练，得到训练后的判别器，所述训练后的白平衡神经网络模型包括所述训练后的生成器和所述训练后的判别器。
9.一种电子设备，其特征在于，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-7任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质，其特征在于，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010475385.2A CN111586389B (zh) | 2020-05-29 | 2020-05-29 | 图像处理方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010475385.2A CN111586389B (zh) | 2020-05-29 | 2020-05-29 | 图像处理方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111586389A true CN111586389A (zh) | 2020-08-25 |
| CN111586389B CN111586389B (zh) | 2022-03-29 |
Family
ID=72125495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010475385.2A Active CN111586389B (zh) | 2020-05-29 | 2020-05-29 | 图像处理方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111586389B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884693A (zh) * | 2021-03-25 | 2021-06-01 | 维沃移动通信（深圳）有限公司 | 图像处理模型的训练方法和装置、白平衡处理方法和装置 |
| CN116744125A (zh) * | 2023-08-14 | 2023-09-12 | 北京邮电大学 | 图像颜色数据处理方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190251401A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Image composites using a generative adversarial neural network |
| CN110223259A (zh) * | 2019-06-14 | 2019-09-10 | 华北电力大学（保定） | 一种基于生成式对抗网络的道路交通模糊图像增强方法 |
| CN111199522A (zh) * | 2019-12-24 | 2020-05-26 | 重庆邮电大学 | 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法 |
-
2020
- 2020-05-29 CN CN202010475385.2A patent/CN111586389B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190251401A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Image composites using a generative adversarial neural network |
| CN110223259A (zh) * | 2019-06-14 | 2019-09-10 | 华北电力大学（保定） | 一种基于生成式对抗网络的道路交通模糊图像增强方法 |
| CN111199522A (zh) * | 2019-12-24 | 2020-05-26 | 重庆邮电大学 | 一种基于多尺度残差生成对抗网络的单图像盲去运动模糊方法 |
Non-Patent Citations (1)
| Title |
|---|
| PARTHA DAS等: "Color Constancy by GANs: An Experimental Survey", 《EPRINT ARXIV：1812.03085》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884693A (zh) * | 2021-03-25 | 2021-06-01 | 维沃移动通信（深圳）有限公司 | 图像处理模型的训练方法和装置、白平衡处理方法和装置 |
| CN116744125A (zh) * | 2023-08-14 | 2023-09-12 | 北京邮电大学 | 图像颜色数据处理方法、装置、设备及存储介质 |
| CN116744125B (zh) * | 2023-08-14 | 2023-10-24 | 北京邮电大学 | 图像颜色数据处理方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111586389B (zh) | 2022-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109800710B (zh) | 行人重识别系统及方法 | |
| EP3989104A1 (en) | Facial feature extraction model training method and apparatus, facial feature extraction method and apparatus, device, and storage medium | |
| CN111586389B (zh) | 图像处理方法及相关装置 | |
| CN110675328A (zh) | 基于条件生成对抗网络的低照度图像增强方法及装置 | |
| CN105718869A (zh) | 一种评估图片中人脸颜值的方法和装置 | |
| CN109191403A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
| CN112561986A (zh) | 巡检机器人云台的二次对准方法、装置、设备和存储介质 | |
| CN112446322B (zh) | 眼球特征检测方法、装置、设备及计算机可读存储介质 | |
| CN111724310B (zh) | 图像修复模型的训练方法、图像修复方法及装置 | |
| US20230059499A1 (en) | Image processing system, image processing method, and non-transitory computer readable medium | |
| CN110929564B (zh) | 基于对抗网络的指纹模型生成方法以及相关装置 | |
| CN110838084A (zh) | 一种图像的风格转移方法、装置、电子设备及存储介质 | |
| CN114239717A (zh) | 模型训练方法、图像处理方法及装置、电子设备、介质 | |
| CN113850231A (zh) | 一种红外图像的转换训练方法、装置、设备及存储介质 | |
| CN110554356A (zh) | 一种可见光通信中设备定位方法及系统 | |
| CN112581392A (zh) | 基于双向光照估计与融合修复的图像曝光校正方法、系统及存储介质 | |
| CN114842389B (zh) | 一种实时的鲁棒的两阶段姿态预估方法 | |
| CN114445301B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111277809A (zh) | 一种图像色彩校正方法、系统、设备及介质 | |
| CN107580205A (zh) | 白平衡调整方法和装置 | |
| CN111104987B (zh) | 人脸识别方法、装置及电子设备 | |
| CN108665455B (zh) | 图像显著性预测结果的评价方法和装置 | |
| CN116704401A (zh) | 操作类考试的评分校验方法、装置、电子设备及存储介质 | |
| Zhang et al. | An underwater image enhancement method based on local white balance | |
| CN115756285A (zh) | 屏幕显示亮度调整方法及装置、存储介质及电子设备 |
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 |