CN111724312A - 一种处理图像的方法及终端 - Google Patents

一种处理图像的方法及终端 Download PDF

Info

Publication number
CN111724312A
CN111724312A CN201910223624.2A CN201910223624A CN111724312A CN 111724312 A CN111724312 A CN 111724312A CN 201910223624 A CN201910223624 A CN 201910223624A CN 111724312 A CN111724312 A CN 111724312A
Authority
CN
China
Prior art keywords
image
neural network
target
processing
characteristic information
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.)
Pending
Application number
CN201910223624.2A
Other languages
English (en)
Inventor
赵迪
马岚
李松南
俞大海
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 Corp
TCL Research America Inc
Original Assignee
TCL Research America Inc
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 Research America Inc filed Critical TCL Research America Inc
Priority to CN201910223624.2A priority Critical patent/CN111724312A/zh
Publication of CN111724312A publication Critical patent/CN111724312A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于计算机技术领域，提供了一种处理图像的方法及终端，该方法包括：获取待处理图像；对所述待处理图像进行预处理，得到目标待处理图像；通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。本发明实施例，使用预设的神经网络模型将经过预处理的图像处理为多个不同分辨率的目标图像，提取每个目标图像的特征信息，并对提取的特征信息进行拼接、卷积处理，得到去噪图像。实现了即使在处理暗光或者逆光场景下的图像时，也能保留大量图像细节信息，得到高质量的去噪图像，达到良好的去噪效果。

Description

一种处理图像的方法及终端
技术领域
本发明属于计算机技术领域，尤其涉及一种处理图像的方法及终端。
背景技术
图像噪声是指存在于图像数据中不必要的或者多余的干扰信息，噪声的存在严重影响了图像的质量，降噪显得尤为重要。
现有的图像去噪方法，普遍利用图像的局部信息来平滑处理，或者把图像分成一定大小的块，根据图像块之间的相似性，把具有相似结构的二维图像块组合在一起形成三维数组，然后用联合滤波的方法对这些三维数组进行处理，通过逆变换，把处理后的结果返回到原图像中，从而得到去噪后的图像。然而这两种图像去噪方法在处理暗光或者逆光场景下的图像时，往往使图像丢失了很多细节信息，不能得到高质量的去噪图像，不能达到良好的去噪效果。
发明内容
有鉴于此，本发明实施例提供了一种处理图像的方法及终端，以解决现有技术中，在处理暗光或者逆光场景下的图像时，使图像丢失了很多细节信息，不能得到高质量的去噪图像，不能达到良好的去噪效果的问题。
本发明实施例的第一方面提供了一种处理图像的方法，包括：
获取待处理图像；
对所述待处理图像进行预处理，得到目标待处理图像；
通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；其中，所述神经网络模型是通过使用机器学习算法对图像样本集进行训练得到，在训练过程中，所述神经网络模型的输入为所述图像样本集中的图像，所述神经网络模型的输出为所述图像经过处理得到的去噪图像；所述特征信息包括颜色特征、纹理特征、形状特征和空间关系特征；
通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。
本发明实施例的第二方面提供了一种终端，该终端包括：
获取单元，用于获取待处理图像；
第一处理单元，用于对所述待处理图像进行预处理，得到目标待处理图像；
第二处理单元，用于通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；其中，所述神经网络模型是通过使用机器学习算法对图像样本集进行训练得到，在训练过程中，所述神经网络模型的输入为所述图像样本集中的图像，所述神经网络模型的输出为所述图像经过处理得到的去噪图像；所述特征信息包括颜色特征、纹理特征、形状特征和空间关系特征；
第三处理单元，用于通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。
本发明实施例的第三方面提供了另一种终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储支持终端执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行以下步骤：
获取待处理图像；
对所述待处理图像进行预处理，得到目标待处理图像；
通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；其中，所述神经网络模型是通过使用机器学习算法对图像样本集进行训练得到，在训练过程中，所述神经网络模型的输入为所述图像样本集中的图像，所述神经网络模型的输出为所述图像经过处理得到的去噪图像；所述特征信息包括颜色特征、纹理特征、形状特征和空间关系特征；
通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。
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，所述计算机程序被处理器执行时实现以下步骤：
获取待处理图像；
对所述待处理图像进行预处理，得到目标待处理图像；
通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；其中，所述神经网络模型是通过使用机器学习算法对图像样本集进行训练得到，在训练过程中，所述神经网络模型的输入为所述图像样本集中的图像，所述神经网络模型的输出为所述图像经过处理得到的去噪图像；所述特征信息包括颜色特征、纹理特征、形状特征和空间关系特征；
通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。
本发明实施例，通过本发明实施例，通过获取待处理图像；对所述待处理图像进行预处理，得到目标待处理图像；通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。本发明实施例，使用预设的神经网络模型将经过预处理的图像处理为多个不同分辨率的目标图像，提取每个目标图像的特征信息，并对提取的特征信息进行拼接、卷积处理，得到去噪图像。实现了即使在处理暗光或者逆光场景下的图像时，也能保留大量图像细节信息，得到高质量的去噪图像，达到良好的去噪效果。
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是本发明一实施例提供的一种处理图像的方法的实现流程图；
图2是本发明一实施例提供的预处理对比图；
图3是本发明另一实施例提供的一种处理图像的方法的实现流程图；
图4、图5、图6、图7、图8、图9是本发明另一实施例提供的图像去噪处理对比图；
图10是本发明一实施例提供的一种终端的示意图；
图11是本发明另一实施例提供的一种终端的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参见图1，图1是本发明实施例提供的一种处理图像的方法的示意流程图。本实施例中处理图像方法的执行主体为终端，终端包括但不限于智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)等移动终端，还可以包括台式电脑等终端。如图1所示的处理图像的方法可包括：
S101：获取待处理图像。
终端在检测到处理图像指令时，获取待处理图像。处理图像指令可以由用户触发，如用户点击终端中的处理图像选项。获取待处理图像可以是终端调用相机进行实时拍摄的图像，也可以是用户上传至终端的待处理图像，还可以是终端根据处理图像指令中包含的文件标识获取该文件标识对应的图像文件，并提取图像文件中的待处理图像。
待处理图像可以为单帧也可以为多帧。若待处理图像为单帧时，不做任何限制；若待处理图像为两帧及以上时，需为同一场景的相同曝光图像，即无论是摄像机拍摄的待处理图像，或是用户上传的待处理图像，或是终端根据处理图像指令获取的待处理图像，这些图像需为同一场景的相同曝光图像。其中同一场景的相同曝光是指拍摄的场景、光线条件(如逆光、顺光、暗光等)、曝光时间、感光度、曝光量相同。
S102：对所述待处理图像进行预处理，得到目标待处理图像。
终端对待处理图像进行预处理，得到目标待处理图像。
具体地，终端可以通过调用预设函数对待处理图像进行处理，得到目标待处理图像。其中，预设函数为用户根据实际情况编写，用于转换待处理图像的通道模式。
进一步地，S102可以包括：S1021-S1022，具体如下：
S1021：将所述待处理图像处理成多个单颜色通道图像。
终端可以通过调用预设函数将获取的待处理图像的通道模式转换为多个单颜色通道图像。保存图像颜色信息的通道称为颜色通道,每个颜色通道都存放着图像中颜色元素的信息。只由一种颜色元素的信息组成的颜色通道图像为单颜色通道图像。如RGB模式图像中，R为一个红色通道，G为一个绿色通道，B为一个蓝色通道。
例如，终端获取的待处理图像为原始图像(RAW Image Format，RAW)，即未经处理、未经压缩的原始图像信息，此时，终端调用预设函数将原始图像的多颜色单通道模式转换为多个单颜色通道图像。具体地，终端通过调用的预设函数对原始图像中的每个颜色进行提取，并生成多个单颜色通道图像。
S1022：将所述多个单颜色通道图像进行拼接，得到目标待处理图像。
终端通过调用的预设函数将多个单颜色通道图像拼接，得到目标待处理图像。
具体地，可以按照生成单颜色通道图像的顺序进行拼接，也可以任意拼接，对图像拼接的顺序不做限定，只需将生成的多个单颜色通道图像都拼接即可，拼接好的图像即为目标待处理图像。
如图2所示的预处理对比图，左边分辨率为H*W单通道的RAW图像经过预处理后，得到右边分辨率为H/2*W/2的单颜色四通道图像。图2中，H*W*1是指分辨率为H*W通道数量为1，H/2*W/2*4是指分辨率为H/2*W/2，通道数量为4。
S103：通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；其中，所述神经网络模型是通过使用机器学习算法对图像样本集进行训练得到，在训练过程中，所述神经网络模型的输入为所述图像样本集中的图像，所述神经网络模型的输出为所述图像经过处理得到的去噪图像；所述特征信息包括颜色特征、纹理特征、形状特征和空间关系特征。
预设的神经网络模型是通过使用机器学习算法对图像样本集中的图像进行训练得到，在训练过程中，预设的神经网络模型的输入为图像样本集中的图像，神经网络模型的输出为所述图像经过处理得到的去噪图像。预设的神经网络模型包括卷积神经网络以及循环神经网络。
特征信息包括但不限于颜色特征、纹理特征、形状特征和空间关系特征。其中，颜色特征以及纹理特征用于描述图像或图像区域对应景物的表面性质；形状特征包括轮廓特征和区域特征，轮廓特征用于描述图像中物体的外边界，区域特征用于描述图像中物体整个形状区域；空间关系特征用于描述图像中分割出来的多个目标之间的相互空间位置或相对方向关系。
终端将经过预处理得到的目标待处理图像输入预设的神经网络模型中，神经网络模型中的卷积神经网络将目标待处理图像处理为多个不同分辨率的目标图像，并提取每个目标图像的特征信息。
具体地，卷积神经网络可以包括输入层、隐藏层、输出层。
输入层包括一个输入层节点，用于接收输入的目标待处理图像；隐藏层用于对目标待处理图像进行处理，将目标待处理图像处理为多个不同分辨率的目标图像，并提取每个目标图像的颜色特征、纹理特征、形状特征和空间关系特征；输出层用于输出各个目标图像的特征信息。其中，每个分辨率对应一帧目标图像。
进一步地，S103可以包括S1031-S1032，具体如下：
S1031：通过所述神经网络模型对所述目标待处理图像进行上采样以及下采样，得到多个不同分辨率的目标图像。
预设的神经网络模型包括卷积神经网络以及循环神经网络。卷积神经网络中的隐藏层对目标待处理图像进行上采样以及下采样，得到多个不同分辨率的目标图像。
其中，上采样又称放大图像，可以将目标待处理图像按比例放大；下采样又称缩小图像，可以将目标待处理图像按比例缩小。
具体地，卷积神经网络中的隐藏层可以采用反卷积操作对目标待处理图像进行上采样。反卷积是为了实现原先卷积之后的信号复原。利用反卷积对目标待处理图像进行上采样的过程为：先在输入的像素值之间插入1个零作为新的输入，然后对输入的像素值所表现的区域边缘补1个零，再将卷积核先左右翻转，然后上下翻转(即转180度)，再与补零的输入卷积，即可得到输出。
其中，卷积核是指图像处理时，给定输入图像，在输出图像中每一个像素是输入图像中一个小区域中像素的加权平均，其中权值由一个函数定义，这个函数称为卷积核。
卷积神经网络中的隐藏层计算目标待处理图像需要缩小的倍数，确定目标待处理图像缩小该倍数之后的分辨率，按照该分辨率缩小目标待处理图像，得到多个不同分辨率的目标图像。例如，对于一幅图像A尺寸为M*N，对其进行s倍下采样，即得到(M/s)*(N/s)尺寸(即对尺寸为M*N的图像进行s倍缩小)的分辨率图像(s应为M和N的公约数)。
卷积神经网络中的隐藏层可以包括多个处理层，每个处理层对应不同的分辨率，每一层根据对应的分辨率对目标待处理图像进行上采样或者下采样，得到与每个处理层对应的目标图像。
S1032：提取所述目标图像在各自对应的分辨率下的特征信息。
提取特征信息是指将图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。具体地，卷积神经网络中的隐藏层通过局部导数运算计算目标图像的一个或多个特征，即计算目标图像的颜色特征、纹理特征、形状特征和空间关系特征。
卷积神经网络中的输出层输出各个目标图像的颜色特征、纹理特征、形状特征和空间关系特征。
需要说明的是，卷积神经网络选用U-Net卷积神经网络，U-Net卷积神经网络是卷积神经网络的一种变形，因形状似U字母得名。因此在卷积神经网络处理目标图像得到特征信息时，由于U-Net卷积神经网络的对称性，除了U型字母最底端的那个分辨率对应的特征信息为一个外，其余不同分辨率对应的特征信息都有与该分辨率相对应的特征信息。
S104：通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。
终端将特征信息输入预设的神经网络模型中，神经网络模型中的循环神经网络将这些特征信息进行特征信息拼接处理，得到去噪图像。
具体地，循环神经网络可以包括输入层、隐藏层、输出层。
输入层包括一个输入层节点，用于接收输入的特征信息；隐藏层对这些特征信息进行优化处理，并利用预设第一算法对特征信息进行拼接处理，得到去噪图像；输出层用于输出去噪图像。其中，预设第一算法为用户根据实际情况编写，用于拼接特征信息。
进一步地，S104可以包括S1041-S1042，具体如下：
S1041：通过所述神经网络模型将多个所述特征信息按照所述神经网络模型对所述特征信息处理的顺序进行拼接，得到拼接特征信息。
预设的神经网络模型包括卷积神经网络以及循环神经网络。循环神经网络中的隐藏层可以包括多个时间步(一个时间步对应一帧图像的处理)，每个时间步对特征信息进行不同的优化处理。具体地，卷积神经网络中，每个处理层对应不同的分辨率，即每个处理层对应不同的特征信息；循环神经网络中的时间逐步递进对这些特征信息进行处理。例如，循环神经网络中的第一个时间步对输入的特征信息进行处理，将处理结果传递给循环神经网络中的第二个时间步；循环神经网络中的第二个时间步对输入的第一个时间步的处理结果进行进一步处理，将处理结果传递给循环神经网络中的第三个时间步，以此类推，对特征信息进行处理。
利用预设第一算法按照神经网络模型中循环神经网络处理特征信息的顺序对特征信息进行拼接，得到拼接特征信息。
例如，对第一帧待处理图像进行处理，处理至拼接特征信息时，用于拼接的特征信息具体为：此帧图像经过上述卷积神经网络处理得到的不同分辨率下的特征信息，每个分辨率下的特征信息经过循环神经网络中的处理层处理得到的结果，与该分辨率相同的分辨率对应的特征信息。若待处理图像为第二帧及以上，处理至拼接特征信息时，用于拼接的特征信息除了此帧图像经过上述卷积神经网络处理得到的不同分辨率下的特征信息，每个分辨率下的特征信息经过循环神经网络中的处理层处理得到的结果，与该分辨率相同的分辨率对应的特征信息外，还有前一帧在该层处理后的图像信息。
循环神经网络是一类用于处理序列数据的神经网路，可以扩大到更长的序列。循环网络利用了机器学习和模型统计的一个思想，在模型的不同部分共享参数。参数共享使得模型能够扩展到不同形式的样本并进行泛化。
S1042：通过所述神经网络模型对所述拼接特征信息进行卷积处理，得到去噪图像。
神经网络模型利用预设第二算法对特征拼接信息进行卷积处理，得到去噪图像。其中，预设第二算法为用户根据实际情况编写，用于对特征拼接信息进行卷积处理，将特征拼接信息转换为去噪图像。
本发明实施例，通过获取待处理图像；对所述待处理图像进行预处理，得到目标待处理图像；通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。本发明实施例，使用预设的神经网络模型将经过预处理的图像处理为多个不同分辨率的目标图像，提取每个目标图像的特征信息，并对提取的特征信息进行拼接、卷积处理，得到去噪图像。实现了即使在处理暗光或者逆光场景下的图像时，也能保留大量图像细节信息，得到高质量的去噪图像，达到良好的去噪效果。
请参见图3，图3是本发明另一实施例提供的一种处理图像的方法的示意流程图。本实施例中处理图像方法的执行主体为终端，终端包括但不限于智能手机、平板电脑、个人数字助理等移动终端，还可以包括台式电脑等终端。
本实施例中S202-S205与上一实施例中的S101-S104完全相同，具体请参阅上一实施例中S101-S104的相关描述，此处不赘述。
如图3所示的处理图像的方法，为了得到更好的去噪效果，在执行S202之前还可以包括S201：基于所述图像样本集训练所述神经网络模型；其中，所述神经网络模型包括卷积神经网络以及循环神经网络；所述图像样本集包括多组曝光图像；其中，每一组曝光图像包括至少两帧同一场景的短曝光图像以及长曝光图像。
神经网络模型是通过使用机器学习算法对图像样本集中的图像进行训练得到，在训练过程中，神经网络模型的输入为图像样本集中的图像，神经网络模型的输出为所述图像经过处理得到的去噪图像。神经网络模型包括卷积神经网络以及循环神经网络。图像样本集包括多组曝光图像，每一组曝光图像包括至少两帧同一场景的短曝光图像以及长曝光图像。其中，同组曝光图像中的长曝光图像可用于判定通过神经网络模型处理短曝光图像得到的去噪图像的去噪程度，可理解为同组曝光图像中的长曝光图像为标准图像。图像样本集中用于训练的曝光图像越多，训练得到的神经网络模型处理图像的效果越好。
进一步地，S201可以包括S2011-S2015，具体如下：
S2011：获取所述图像样本集。
终端在检测到处理图像指令时，获取图像样本集。处理图像指令可以由用户触发，如用户点击终端中的处理图像选项。获取图像样本集可以是用户上传至终端的图像样本集。
图像样本集包括多组曝光图像，每一组曝光图像包括至少两帧同一场景的短曝光图像以及长曝光图像。即用户上传的图像样本集中，每一组曝光图像包括至少两帧同一场景的短曝光图像以及长曝光图像。同一场景的短曝光图像是指在拍摄的场景、光线条件(如逆光、顺光、暗光等)、曝光时间、感光度、曝光量等相同的情况下拍摄的图像，同一场景的长曝光图像是指与短曝光图像拍摄的场景相同，其他条件明显优于短曝光图像的拍摄条件下拍摄得到的图像。其中，在每组曝光图像中，短曝光图像的数量不少于两帧，长曝光图像的数量可以为一帧。具体用于训练的曝光图像数量以及每组曝光图像中短曝光图像以及长曝光图像的数量，用户可根据实际情况进行调整，对此不做限定。可知，用于训练的图像数量越多，训练得到的神经网络模型处理图像的效果越好。
S2012：对所述短曝光图像进行预处理，得到目标短曝光图像。
终端可以通过调用预设函数对短曝光图像进行处理，得到目标短曝光图像。其中，预设函数为用户根据实际情况编写，用于转换短曝光图像的通道模式。
具体地，终端可以通过调用预设函数将获取的短曝光图像的通道模式转换为多个单颜色通道图像。例如，终端获取的短曝光图像为原始图像，此时，终端调用预设函数将原始图像的多颜色单通道模式转换为多个单颜色通道图像。具体地，终端通过调用的预设函数对原始图像中的每个颜色进行提取，并生成多个单颜色通道图像。
终端通过调用的预设函数将多个单颜色通道图像拼接，得到目标短曝光图像。图像拼接的顺序不做限定，可以按照生成单颜色通道图像的顺序进行拼接，也可以任意拼接，只需将生成的多个单颜色通道图像都拼接即可，拼接好的图像即为目标短曝光图像。
S2013：通过所述卷积神经网络将所述目标短曝光图像处理为多个不同分辨率的目标训练图像，提取每个所述目标训练图像的目标特征信息。
终端将经过预处理得到的目标短曝光图像输入卷积神经网络中，卷积神经网络将目标短曝光图像处理为多个不同分辨率的目标训练图像，并提取每个目标训练图像的目标特征信息。
具体地，卷积神经网络可以包括输入层、隐藏层、输出层。
输入层包括一个输入层节点，用于接收输入的目标短曝光图像；隐藏层用于对目标短曝光图像进行处理，将目标短曝光图像处理为多个不同分辨率的目标训练图像，并提取每个目标训练图像的颜色特征、纹理特征、形状特征和空间关系特征；输出层用于输出各个目标训练图像的目标特征信息。其中，每个分辨率对应一帧目标图像。
具体地，卷积神经网络中的隐藏层对目标短曝光图像进行上采样以及下采样，得到多个不同分辨率的目标训练图像。
其中，上采样又称放大图像，可以将目标短曝光图像按比例放大；下采样又称缩小图像，可以将目标短曝光图像按比例缩小。
卷积神经网络中的隐藏层可以采用邻插值、双线性插值、均值插值、中值插值等方法对目标短曝光图像进行上采样，即在原有图像像素的基础上，在像素点之间采用合适的差值算法插入新的元素，以达到按比例放大图像的目的，从而得到多个不同分辨率的目标训练图像。
卷积神经网络中的隐藏层计算目标短曝光图像需要缩小的倍数，确定目标短曝光图像缩小该倍数之后的分辨率，按照该分辨率缩小目标短曝光图像，得到多个不同分辨率的目标训练图像。例如，对于一幅图像A尺寸为M*N，对其进行s倍下采样，即得到(M/s)*(N/s)尺寸的分辨率图像(即对尺寸为M*N的图像A进行s倍缩小，s应为M和N的公约数)。
卷积神经网络中的隐藏层可以包括多个处理层，每个处理层对应不同的分辨率，每一层根据对应的分辨率对目标短曝光图像进行上采样或者下采样，得到与每个处理层对应的目标训练图像。
提取特征信息是指将图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。具体地，卷积神经网络中的隐藏层通过局部导数运算计算目标训练图像的一个或多个特征，即计算目标训练图像的颜色特征、纹理特征、形状特征和空间关系特征。
卷积神经网络中的输出层输出各个目标训练图像的颜色特征、纹理特征、形状特征和空间关系特征。
需要说明的是，卷积神经网络选用U-Net卷积神经网络，U-Net卷积神经网络是卷积神经网络的一种变形，因形状似U字母得名。因此在卷积神经网络处理目标训练图像得到目标特征信息时，由于U-Net卷积神经网络的对称性，除了U型字母最底端的那个分辨率对应的目标特征信息为一个外，其余不同分辨率对应的目标特征信息都有与该分辨率相对应的目标特征信息。
S2014：通过所述循环神经网络对所述目标特征信息进行特征信息拼接处理，得到目标去噪图像。
终端将目标特征信息输入神经网络模型中的循环神经网络，循环神经网络将这些目标特征信息进行特征信息拼接处理，得到目标去噪图像。
具体地，循环神经网络可以包括输入层、隐藏层、输出层。
输入层包括一个输入层节点，用于接收输入的目标特征信息；隐藏层对这些目标特征信息进行优化处理，并利用预设第一算法对目标特征信息进行拼接处理，得到目标去噪图像；输出层用于输出目标去噪图像。其中，预设第一算法为用户根据实际情况编写，用于拼接目标特征信息。
循环神经网络中的隐藏层可以包括多个处理层，每个处理层对目标特征信息进行不同的优化处理。具体地，卷积神经网络中，每个处理层对应不同的分辨率，即每个处理层对应不同的目标特征信息；循环神经网络中的处理层逐层递进对这些目标特征信息进行处理。例如，循环神经网络中的第一个处理层对输入的目标特征信息进行处理，将处理结果传递给循环神经网络中的第二个处理层；循环神经网络中的第二个处理层对输入的第一个处理层的处理结果进行进一步处理，将处理结果传递给循环神经网络中的第三个处理层，以此类推，对目标特征信息进行处理。
利用预设第一算法按照循环神经网络处理目标特征信息的顺序对目标特征信息进行拼接，得到目标拼接特征信息。
例如，对第一帧目标短曝光图像进行处理，处理至拼接特征信息时，用于拼接的目标特征信息具体为：此帧图像经过上述卷积神经网络处理得到的不同分辨率下的目标特征信息，每个分辨率下的目标特征信息经过循环神经网络中的处理层处理得到的结果，与该分辨率相同的分辨率对应的目标特征信息。若目标短曝光图像为第二帧及以上，处理至拼接特征信息时，用于拼接的目标特征信息除了此帧图像经过上述卷积神经网络处理得到的不同分辨率下的目标特征信息，每个分辨率下的目标特征信息经过循环神经网络中的处理层处理得到的结果，与该分辨率相同的分辨率对应的目标特征信息外，还有前一帧目标短曝光图像经过神经网络模型(卷积神经网络以及循环神经网络)处理得到的目标拼接特征信息。
循环神经网络利用预设第一算法查找和确定初始匹配点，完成特征点的粗匹配，再根据图像配准结果使用预设第一算法对粗匹配的目标特征信息进行筛选，计算出图像变换矩阵，最后使用预设第一算法对目标特征信息进行拼接，得到目标拼接特征信息。
神经网络模型利用预设第二算法对目标拼接特征信息进行卷积处理，得到目标去噪图像。其中，预设第二算法为用户根据实际情况编写，用于对目标拼接特征信息进行卷积处理，将目标拼接特征信息转换为目标去噪图像。
S2015：通过损失函数计算所述目标去噪图像与所述长曝光图像之间的损失值，基于所述损失值更新所述卷积神经网络以及所述循环神经网络的参数。
通过损失函数计算目标去噪图像与长曝光图像之间的损失值，基于损失值更新卷积神经网络以及循环神经网络的参数。损失函数如下：
Figure BDA0002004400620000151
其中，F是输入的帧数(即总共需要处理的图像帧数)，
Figure BDA0002004400620000152
是卷积神经网络的损失函数，
Figure BDA0002004400620000153
是循环神经网络的损失函数，It是长曝光值，fs(Nt,θs)是卷积神经网络的输出值，Nt是第t帧的输入，θs是卷积神经网络的参数，
Figure BDA0002004400620000154
是循环神经网络的输出值，{Nt}是多帧序列输入，θm是循环神经网络的参数。
通过上述损失函数可以计算出每一组曝光图像中短曝光图像经过处理得到的去噪图像与该组曝光图像中长曝光图像之间的损失值，根据计算得到的损失值更改卷积神经网络以及循环神经网络的参数，使得神经网络模型处理图像的效果更好。
进一步地，S2015之后还可以包括S2016-S2017，具体如下：
S2016：计算所有损失值的均值。
获取通过损失函数计算得到的每组曝光图像的损失值，并计算这些损失值的均值。
具体地，每组曝光图像中包括多帧同一场景的短曝光图像以及长曝光图像，分别计算各组中每一帧短曝光图像与长曝光图像之间的损失值；获取计算得到的多个损失值，并计算这些损失值的均值。
S2017：当所述均值在允许的波动范围内时，停止训练所述神经网络模型。
训练神经网络模型时，一边处理短曝光图像一边获取通过损失函数计算得到的每组曝光图像中短曝光图像与长曝光图像之间的损失值，并计算这些损失值的均值。
当均值在允许的波动范围内时，认为神经网络模型训练的程度达到了标准，停止训练神经网络模型。即不再更新卷积神经网络以及循环神经网络的参数。此时卷积神经网络以及循环神经网络的参数为当前损失值的前一个损失值对应的参数。
需要说明的是，由于每帧图像的特征不同，所以损失值的均值允许波动的范围通常是边训练边设定，即一边训练神经网络模型，一边根据神经网络模型处理图像的效果调整均值允许波动的范围。
为了方便用户查看神经网络模型的处理效果，终端可将通过损失函数计算得到的损失值输出并显示在终端界面，当用户观察到损失值的趋势越来越小时(趋于某个数值时)，认为神经网络模型训练的程度达到标准，停止训练神经网络模型，不再更新卷积神经网络以及循环神经网络的参数。由于每帧图像的特征不同，所以损失值具体区域哪个数值，可由用户根据实际情况确定，对此不做限制。
图4、图5、图6、图7、图8、图9为图像去噪处理对比图。其中，图4为对原始图像像素数值调整得到的RGB图像，图5为使用现有的图像去噪方法处理得到的降噪图像，图6为本方案中使用神经网络模型处理得到的降噪图像；图7为对原始图像像素数值调整得到的RGB图像，图8为使用现有的图像去噪方法处理得到的降噪图像，图9为本方案中使用神经网络模型处理得到的降噪图像。显而易见，本方案实现了即使在处理暗光或者逆光场景下的图像时，也能保留大量图像细节信息，得到高质量的去噪图像，达到很好的去噪效果。
本发明实施例，通过获取待处理图像；对所述待处理图像进行预处理，得到目标待处理图像；通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。本发明实施例，使用预设的神经网络模型将经过预处理的图像处理为多个不同分辨率的目标图像，提取每个目标图像的特征信息，并对提取的特征信息进行拼接、卷积处理，得到去噪图像。实现了即使在处理暗光或者逆光场景下的图像时，也能保留大量图像细节信息，得到高质量的去噪图像，达到良好的去噪效果。
请参见图10，图10是本发明一实施例提供的一种终端的示意图。终端包括的各单元用于执行图1、图3对应的实施例中的各步骤。具体请参阅图1、图3各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图10，终端3包括：
获取单元310，用于获取待处理图像；
第一处理单元320，用于对所述待处理图像进行预处理，得到目标待处理图像；
第二处理单元330，用于通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；其中，所述神经网络模型是通过使用机器学习算法对图像样本集进行训练得到，在训练过程中，所述神经网络模型的输入为所述图像样本集中的图像，所述神经网络模型的输出为所述图像经过处理得到的去噪图像；所述特征信息包括颜色特征、纹理特征、形状特征和空间关系特征；
第三处理单元340，用于通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。
进一步地，第一处理单元320具体用于：
将所述待处理图像处理成多个单颜色通道图像；
将所述多个单颜色通道图像进行拼接，得到目标待处理图像。
进一步地，第二处理单元330具体用于：
通过所述神经网络模型对所述目标待处理图像进行上采样以及下采样，得到多个不同分辨率的目标图像；
提取所述目标图像在各自对应的分辨率下的特征信息。
进一步地，第三处理单元340具体用于：
通过所述神经网络模型将多个所述特征信息按照所述神经网络模型对所述特征信息处理的顺序进行拼接，得到拼接特征信息；
通过所述神经网络模型对所述拼接特征信息进行卷积处理，得到去噪图像。
进一步地，终端还可以包括：
训练单元，用于基于所述图像样本集训练所述神经网络模型；其中，所述神经网络模型包括卷积神经网络以及循环神经网络；所述图像样本集包括多组曝光图像；其中，每一组曝光图像包括至少两帧同一场景的短曝光图像以及长曝光图像。
进一步地，训练单元具体用于：
获取所述图像样本集；
对所述短曝光图像进行预处理，得到目标短曝光图像；
通过所述卷积神经网络将所述目标短曝光图像处理为多个不同分辨率的目标训练图像，提取每个所述目标训练图像的目标特征信息；
通过所述循环神经网络对所述目标特征信息进行特征信息拼接处理，得到目标去噪图像；
通过损失函数计算所述目标去噪图像与所述长曝光图像之间的损失值，基于所述损失值更新所述卷积神经网络以及所述循环神经网络的参数。
进一步地，终端还可以包括：
计算单元，用于计算所有损失值的均值；
停止训练单元，用于当所述均值在允许的波动范围内时，停止训练所述神经网络模型。
请参见图11，图11是本发明另一实施例提供的一种终端的示意图。如图11所示，该实施例的终端4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个终端的处理图像的方法实施例中的步骤，例如图1所示的S101至S104。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各单元的功能，例如图10所示单元310至340功能。
示例性的，所述计算机程序42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41中，并由所述处理器40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42在所述终端4中的执行过程。例如，所述计算机程序42可以被分割成获取单元、第一处理单元、第二处理单元以及第三处理单元，各单元具体功能如上所述。
所述终端可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图11仅仅是终端4的示例，并不构成对终端4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终端、网络接入终端、总线等。
所称处理器40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41可以是所述终端4的内部存储单元，例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储终端，例如所述终端4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41还可以既包括所述终端4的内部存储单元也包括外部存储终端。所述存储器41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41还可以用于暂时地存储已经输出或者将要输出的数据。
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)

1.一种处理图像的方法，其特征在于，包括：
获取待处理图像；
对所述待处理图像进行预处理，得到目标待处理图像；
通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；其中，所述神经网络模型是通过使用机器学习算法对图像样本集进行训练得到，在训练过程中，所述神经网络模型的输入为所述图像样本集中的图像，所述神经网络模型的输出为所述图像经过处理得到的去噪图像；所述特征信息包括颜色特征、纹理特征、形状特征和空间关系特征；
通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。
2.如权利要求1所述的方法，其特征在于，所述通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息，包括：
通过所述神经网络模型对所述目标待处理图像进行上采样以及下采样，得到多个不同分辨率的目标图像；
提取所述目标图像在各自对应的分辨率下的特征信息。
3.如权利要求1所述的方法，其特征在于，所述通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像，包括：
通过所述神经网络模型将多个所述特征信息按照所述神经网络模型对所述特征信息处理的顺序进行拼接，得到拼接特征信息；
通过所述神经网络模型对所述拼接特征信息进行卷积处理，得到去噪图像。
4.如权利要求1所述的方法，其特征在于，所述获取待处理图像之前，还包括：
基于所述图像样本集训练所述神经网络模型；其中，所述神经网络模型包括卷积神经网络以及循环神经网络；所述图像样本集包括多组曝光图像；其中，每一组曝光图像包括至少两帧同一场景的短曝光图像以及长曝光图像。
5.如权利要求4所述的方法，其特征在于，所述基于所述图像样本集训练所述神经网络模型，包括：
获取所述图像样本集；
对所述短曝光图像进行预处理，得到目标短曝光图像；
通过所述卷积神经网络将所述目标短曝光图像处理为多个不同分辨率的目标训练图像，提取每个所述目标训练图像的目标特征信息；
通过所述循环神经网络对所述目标特征信息进行特征信息拼接处理，得到目标去噪图像；
通过损失函数计算所述目标去噪图像与所述长曝光图像之间的损失值，基于所述损失值更新所述卷积神经网络以及所述循环神经网络的参数。
6.如权利要求5所述的方法，其特征在于，所述通过损失函数计算所述目标去噪图像与所述长曝光图像之间的损失值，基于所述损失值更新所述卷积神经网络以及所述循环神经网络的参数之后，还包括：
计算所有损失值的均值；
当所述均值在允许的波动范围内时，停止训练所述神经网络模型。
7.如权利要求1所述的方法，其特征在于，所述对所述待处理图像进行预处理，得到目标待处理图像，包括：
将所述待处理图像处理成多个单颜色通道图像；
将所述多个单颜色通道图像进行拼接，得到目标待处理图像。
8.一种终端，其特征在于，包括：
获取单元，用于获取待处理图像；
第一处理单元，用于对所述待处理图像进行预处理，得到目标待处理图像；
第二处理单元，用于通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；其中，所述神经网络模型是通过使用机器学习算法对图像样本集进行训练得到，在训练过程中，所述神经网络模型的输入为所述图像样本集中的图像，所述神经网络模型的输出为所述图像经过处理得到的去噪图像；所述特征信息包括颜色特征、纹理特征、形状特征和空间关系特征；
第三处理单元，用于通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。
9.一种终端，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7任一项所述方法的步骤。
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7任一项所述方法的步骤。
CN201910223624.2A 2019-03-22 2019-03-22 一种处理图像的方法及终端 Pending CN111724312A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910223624.2A CN111724312A (zh) 2019-03-22 2019-03-22 一种处理图像的方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910223624.2A CN111724312A (zh) 2019-03-22 2019-03-22 一种处理图像的方法及终端

Publications (1)

Publication Number Publication Date
CN111724312A true CN111724312A (zh) 2020-09-29

Family

ID=72563608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910223624.2A Pending CN111724312A (zh) 2019-03-22 2019-03-22 一种处理图像的方法及终端

Country Status (1)

Country Link
CN (1) CN111724312A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597887A (zh) * 2020-12-22 2021-04-02 深圳集智数字科技有限公司 一种目标识别方法及装置
CN113610725A (zh) * 2021-08-05 2021-11-05 深圳市慧鲤科技有限公司 图片处理方法、装置、电子设备及存储介质
CN115358937A (zh) * 2022-07-18 2022-11-18 荣耀终端有限公司 图像去反光方法、介质及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107770618A (zh) * 2017-11-02 2018-03-06 腾讯科技（深圳）有限公司 一种图像处理方法、装置及存储介质
CN108491890A (zh) * 2018-04-04 2018-09-04 百度在线网络技术（北京）有限公司 图像方法和装置
US20180293496A1 (en) * 2017-04-06 2018-10-11 Pixar Denoising monte carlo renderings using progressive neural networks
CN109003240A (zh) * 2018-07-16 2018-12-14 安徽理工大学 一种基于多尺度并行cnn的图像去噪方法
CN109064428A (zh) * 2018-08-01 2018-12-21 Oppo广东移动通信有限公司 一种图像去噪处理方法、终端设备及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180293496A1 (en) * 2017-04-06 2018-10-11 Pixar Denoising monte carlo renderings using progressive neural networks
CN107770618A (zh) * 2017-11-02 2018-03-06 腾讯科技（深圳）有限公司 一种图像处理方法、装置及存储介质
CN108491890A (zh) * 2018-04-04 2018-09-04 百度在线网络技术（北京）有限公司 图像方法和装置
CN109003240A (zh) * 2018-07-16 2018-12-14 安徽理工大学 一种基于多尺度并行cnn的图像去噪方法
CN109064428A (zh) * 2018-08-01 2018-12-21 Oppo广东移动通信有限公司 一种图像去噪处理方法、终端设备及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
沙俊名等: "改进的小波阈值算法在红外图像去噪中的应用", 《弹箭与制导学报》, no. 03, 15 June 2012 (2012-06-15) *
王文峰等编著: "《MATLAB计算机视觉与机器认知》", 北京航空航天大学出版社, pages: 143 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597887A (zh) * 2020-12-22 2021-04-02 深圳集智数字科技有限公司 一种目标识别方法及装置
CN112597887B (zh) * 2020-12-22 2024-05-07 深圳集智数字科技有限公司 一种目标识别方法及装置
CN113610725A (zh) * 2021-08-05 2021-11-05 深圳市慧鲤科技有限公司 图片处理方法、装置、电子设备及存储介质
CN115358937A (zh) * 2022-07-18 2022-11-18 荣耀终端有限公司 图像去反光方法、介质及电子设备
CN115358937B (zh) * 2022-07-18 2023-06-20 荣耀终端有限公司 图像去反光方法、介质及电子设备

Similar Documents

Publication Publication Date Title
Wang et al. Real-time image enhancer via learnable spatial-aware 3d lookup tables
Liang et al. Cameranet: A two-stage framework for effective camera isp learning
US10708525B2 (en) Systems and methods for processing low light images
US11983846B2 (en) Machine learning based image adjustment
US20220036523A1 (en) Image processor
US20190294931A1 (en) Systems and Methods for Generative Ensemble Networks
CN112602088B (zh) 提高弱光图像的质量的方法、系统和计算机可读介质
CN112889069B (zh) 用于提高低照度图像质量的方法、系统和计算机可读介质
CN112997479B (zh) 跨阶段跳跃连接处理图像的方法、系统和计算机可读介质
CN111724312A (zh) 一种处理图像的方法及终端
CN111784603A (zh) 一种raw域图像去噪方法、计算机装置及计算机可读存储介质
CN113632134B (zh) 用于生成高动态范围图像的方法、计算机可读存储介质和hdr相机
CN110782414A (zh) 一种基于密集连接卷积的暗光图像去噪方法
Nam et al. Modelling the scene dependent imaging in cameras with a deep neural network
CN114627034A (zh) 一种图像增强方法、图像增强模型的训练方法及相关设备
CN113939845A (zh) 提高图像色彩质量的方法、系统和计算机可读介质
CN110827212B (zh) 基于交叠组合稀疏高阶全变分的图像复原方法
Park et al. Color filter array demosaicking using densely connected residual network
CN113706393A (zh) 视频增强方法、装置、设备及存储介质
WO2020093792A1 (en) Method, system, and computer-readable medium for improving color quality of images
CN113052768B (zh) 一种处理图像的方法、终端及计算机可读存储介质
CN110717913B (zh) 一种图像分割方法及装置
CN111383188B (zh) 一种图像处理方法、系统及终端设备
WO2024055458A1 (zh) 图像降噪处理方法、装置、设备、存储介质和程序产品
CN115375909A (zh) 一种图像处理方法及装置

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