CN111724447A - 一种图像处理方法、系统及电子设备和存储介质 - Google Patents
一种图像处理方法、系统及电子设备和存储介质 Download PDFInfo
- Publication number
- CN111724447A CN111724447A CN201910204078.8A CN201910204078A CN111724447A CN 111724447 A CN111724447 A CN 111724447A CN 201910204078 A CN201910204078 A CN 201910204078A CN 111724447 A CN111724447 A CN 111724447A
- Authority
- CN
- China
- Prior art keywords
- image
- wide dynamic
- value
- original image
- category
- 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 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 128
- 238000012545 processing Methods 0.000 claims abstract description 96
- 230000006835 compression Effects 0.000 claims abstract description 56
- 238000007906 compression Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000002596 correlated effect Effects 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims description 52
- 238000013136 deep learning model Methods 0.000 claims description 23
- 230000000875 corresponding effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000003786 synthesis reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种图像处理方法、系统及一种电子设备和计算机可读存储介质，该方法包括：获取原始图像的图像信息，并根据图像信息得到原始图像的宽动态场景判别值；其中，宽动态场景判别值为描述原始图像的动态范围的值，宽动态场景判别值与动态范围呈正相关；选取宽动态处理算法，并根据宽动态场景判别值确定宽动态处理算法的开启强度；其中，开启强度为描述宽动态处理算法对原始图像的压缩程度的值，开启强度与宽动态场景判别值呈正相关；根据开启强度利用宽动态处理算法对原始图像进行图像压缩，得到压缩完成的图像。由此可见，本申请公开的图像处理方法，提高了高动态范围图像的压缩质量。
Description
技术领域
本申请涉及图像处理技术领域，更具体地说，涉及一种图像处理方法、系统及一种电子设备和一种计算机可读存储介质。
背景技术
高动态范围图像(英文全称：High-Dynamic Range，英文简称：HDR)，相比普通的图像，可以提供更多的动态范围和图像细节。但是，常见的显示设备可以显示的动态范围有限，无法满足高动态范围图像的显示需求，因此需要对高动态范围图像进行压缩。
宽动态场景为当在强光源(日光、灯具或反光等)照射下的高亮度区域及阴影、逆光等相对亮度较低的区域在图像中同时存在的场景，在宽动态场景下，显示设备输出的图像会出现明亮区域因曝光过度成为白色，而黑暗区域因曝光不足成为黑色。
现有技术多是采用全局、局部或混合色调映射算法来压缩高动态范围图像，全局色调映射算法简洁高效，但很难保持局部对比度，图像色彩、对比度、细节等感观质量损失较大；局部色调映射算法多采用多分辨率分层算法，可以保留更多图像信息，然而同时会产生光晕等失真问题；混合色调映射算法对图像的整体视觉效果和局部细节显示都有一定的改善，但改善效果不明显，且上述方法由于都缺乏准确的场景信息指导，即无法区分宽动态场景与非宽动态场景，使得对高动态范围图像中处于非宽动态场景的图像过度压缩，从而出现画面失真、细节损失等问题。
因此，如何提高高动态范围图像的压缩质量是本领域技术人员需要解决的技术问题。
发明内容
本申请的目的在于提供一种图像处理方法、系统及一种电子设备和一种计算机可读存储介质，提高了高动态范围图像的压缩质量。
为实现上述目的，本申请提供了一种图像处理方法，包括：
获取原始图像的图像信息，并根据所述图像信息得到所述原始图像的宽动态场景判别值；其中，所述宽动态场景判别值为描述所述原始图像的动态范围的值，所述宽动态场景判别值与所述动态范围呈正相关；
选取宽动态处理算法，并根据所述宽动态场景判别值确定所述宽动态处理算法的开启强度；其中，所述开启强度为描述所述宽动态处理算法对所述原始图像的压缩程度的值，所述开启强度与所述宽动态场景判别值呈正相关；
根据所述开启强度利用所述宽动态处理算法对所述原始图像进行图像压缩，得到压缩完成的图像。
其中，所述根据所述图像信息得到所述原始图像的宽动态场景判别值，包括：
根据所述图像信息组合所述原始图像的特征描述子，并将所述特征描述子输入深度学习模型中，得到所述原始图像的宽动态场景判别值；其中，所述深度学习模型输出的属性类别为宽动态场景和非宽动态场景。
其中，所述图像信息的类别包括亮度类别、梯度类别和色度类别中任一项或任几项的组合，所述根据所述图像信息组合所述原始图像的特征描述子，包括：
计算每个所述类别的图像信息的归一化值，并将所有所述归一化值组合为所述原始图像的特征描述子。
其中，若所述图像信息的类别包括所述亮度类别，则所述计算每个所述类别的图像信息的归一化值，包括：
根据所述亮度类别的图像信息获取每个灰阶的像素点数量，得到所述原始图像的所有k级灰度归一化值；
若所述图像信息的类别包括所述梯度类别，则所述计算每个所述类别的图像信息的归一化值，包括：
根据所述梯度类别的图像信息计算亮度低于预设值的像素点的平均梯度，并根据所述平均梯度和所述原始图像中像素点梯度的最大值得到细节度归一化值；
若所述图像信息的类别包括所述色度类别，则所述计算每个所述类别的图像信息的归一化值，包括：
根据所述色度类别的图像信息计算每个颜色通道的色度归一化值。
其中，所述根据所述色度类别的图像信息计算每个颜色通道的色度归一化值，包括：
根据所述色度类别的图像信息获取每个所述颜色通道内每个色阶的像素点数量，得到每个所述颜色通道的所有q级色度归一化值，并将每个所述颜色通道的所有所述q级色度归一化值作为每个所述颜色通道的色度归一化值；
或，根据所述色度类别的图像信息计算每个所述颜色通道内所有像素点色度值的平均值，并根据所述平均值计算每个所述颜色通道的色度归一化值。
其中，所述图像信息的类别包括亮度类别、梯度类别和色度类别中任一项或任几项的组合，所述根据所述图像信息得到所述原始图像的宽动态场景判别值，包括：
获取每个所述类别的图像信息的变化范围，并根据每个所述变化范围和预先设定的每个所述变化范围对应的权重计算所述原始图像的宽动态场景判别值。
其中，所述根据所述宽动态场景判别值确定所述宽动态处理算法的开启强度，包括：
根据开启强度计算公式确定所述宽动态处理算法的开启强度，其中，所述开启强度计算公式具体为：
S＝Smin+K(Smax-Smin)；
其中，S为所述开启强度，Smax和Smin分别为预先设定的开启强度的最大值和最小值，K为所述宽动态场景判别值。
其中，所述根据所述开启强度利用所述宽动态处理算法对所述原始图像进行图像压缩，得到压缩完成的图像，包括：
利用所述宽动态处理算法对所述原始图像进行图像压缩，得到中间图像；
根据所述开启强度和所述原始图像调整所述中间图像，得到所述压缩完成的图像。
其中，所述根据所述开启强度和所述原始图像调整所述中间图像，得到所述压缩完成的图像，包括：
根据调整公式调整所述中间图像，得到所述压缩完成的图像；其中，所述调整公式具体为：
IMG＝I(1-S)+IoutS；
其中，IMG为所述压缩完成的图像，I为所述原始图像，S为所述开启强度，Iout为所述中间图像。
其中，若所述宽动态处理算法包括所述多帧曝光合成算法，则将最长帧图像作为所述原始图像。
为实现上述目的，本申请提供了一种图像处理系统，包括：
获取模块，用于获取原始图像的图像信息，并根据所述图像信息得到所述原始图像的宽动态场景判别值；其中，所述宽动态场景判别值为描述所述原始图像的动态范围的值，所述宽动态场景判别值与所述动态范围呈正相关；
确定模块，用于选取宽动态处理算法，并根据所述宽动态场景判别值确定所述宽动态处理算法的开启强度；其中，所述开启强度为描述所述宽动态处理算法对所述原始图像的压缩程度的值，所述开启强度与所述宽动态场景判别值呈正相关；
压缩模块，用于根据所述开启强度利用所述宽动态处理算法对所述原始图像进行图像压缩，得到压缩完成的图像。
为实现上述目的，本申请提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述图像处理方法的步骤。
为实现上述目的，本申请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上存储有计算机程序，所述计算机程序被处理器执行时实现如上述图像处理方法的步骤。
通过以上方案可知，本申请提供的一种图像处理方法，包括：获取原始图像的图像信息，并根据所述图像信息得到所述原始图像的宽动态场景判别值；其中，所述宽动态场景判别值为描述所述原始图像的动态范围的值，所述宽动态场景判别值与所述动态范围呈正相关；选取宽动态处理算法，并根据所述宽动态场景判别值确定所述宽动态处理算法的开启强度；其中，所述开启强度为描述所述宽动态处理算法对所述原始图像的压缩程度的值，所述开启强度与所述宽动态场景判别值呈正相关；根据所述开启强度利用所述宽动态处理算法对所述原始图像进行图像压缩，得到压缩完成的图像。
本申请提供的图像处理方法，首先依据图像信息计算描述原始图像的动态范围的宽动态判别值，即该宽动态判别值表示了原始图像的宽动态场景的强度，根据该宽动态判别值可以指导后续的宽动态算法。在利用宽动态算法对原始图像进行压缩之前，增加了宽动态场景的判别，使得针对不同宽动态程度的图像开启不同强度的宽动态算法。当原始图像的宽动态程度较低，甚至是非宽动态场景时，宽动态判别值较小，宽动态算法的开启强度较小，该原始图像的压缩程度较低，避免了画面失真、细节损失的问题，相比于现有技术提高了高动态范围图像的压缩质量。对于动态范围较大的原始图像，通过宽动态判别值控制宽动态算法的开启强度较大，可以将其压缩至显示设备能够显示的动态范围。本申请还公开了一种图像处理系统及一种电子设备和一种计算机可读存储介质，同样能实现上述技术效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
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。附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1为根据一示例性实施例示出的一种图像处理方法的流程图；
图2为根据一示例性实施例示出的一种深度学习模型的结构图；
图3为根据一示例性实施例示出的一种开启强度控制宽动态处理算法的流程图；
图4为根据一示例性实施例示出的另一种图像处理方法的流程图；
图5为根据一示例性实施例示出的一种图像处理系统的结构图；
图6为根据一示例性实施例示出的一种电子设备的结构图。
具体实施方式
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。
在现有技术中，由于缺少场景判断，即无法区分宽动态场景与非宽动态场景，从而导致对于非宽动态场景的原始图像的过度压缩，高动态范围图像的压缩质量较低。因此，在本申请中，在利用宽动态算法对原始图像进行压缩之前，增加了宽动态场景的判别，使得针对不同宽动态程度的图像开启不同强度的宽动态算法，相比于现有技术提高了高动态范围图像的压缩质量。
本申请实施例公开了一种图像处理方法，提高了高动态范围图像的压缩质量。
参见图1，根据一示例性实施例示出的一种图像处理方法的流程图，如图1所示，包括：
S101：获取原始图像的图像信息，并根据所述图像信息得到所述原始图像的宽动态场景判别值；其中，所述宽动态场景判别值为描述所述原始图像的动态范围的值，所述宽动态场景判别值与所述动态范围呈正相关；
本实施例的执行主体可以为显示设备中的处理器，目的为对原始图像进行图像压缩，使得显示设备可以正常显示压缩完成的图像，不会出现过爆或过暗的情况。
此处的原始图像为未经处理的图像，可以由显示设备自身的摄像机获取。本实施例不对原始图像的数量进行限定，即可以为一幅图像，也可以为多幅图像。对于采用多帧曝光的摄像机，可以将拍摄到的所有图像作为原始图像，也可以在其中任选一帧，例如仅将最长帧图像作为原始图像，在此不进行具体限定。
在本步骤中，首先获取原始图像的图像信息，此处不对图像信息的类别进行限定，可以包括亮度类别、梯度类别和色度类别等，即此处的图像信息包括但不限于亮度信息、梯度信息和色度信息，优选的，为保证后续利用的图像信息更加全面，至少包括上述两种类别的信息。
亮度信息为原始图像中每个像素点的像素值，梯度信息为原始图像的梯度矩阵，色度信息包括原始图像中每个颜色通道内的色度值。可以理解的是，本实施例不对原始图像的颜色模式进行限定，若该原始图像为RGB模式，则上述的颜色通道包括R、G、B三个通道，若该原始图像为CMYK模式，则颜色通道包括青色、洋红、黄色、黑色四个通道，当然还可以为其他颜色模式，在此不再赘述。对于梯度矩阵，首先通过水平卷积和垂直卷积分别计算原始图像水平方向的梯度和垂直方向的梯度：
其中，I为原始图像的像素值矩阵，Gx为水平方向的梯度，Gy垂直方向的梯度，
为卷积操作。
然后通过下述公式计算梯度矩阵G：
获取图像信息后，可以根据该图像信息确定原始图像的宽动态场景判别值。宽动态场景判别值为描述原始图像的动态范围的值，动态范围越大，宽场景判别值越大。动态范围通常用来表征一张图片中最亮和最暗间的范围，图像的动态范围越大，显示设备显示时丢失的细节越多。根据原始图像的图像信息可以确定其动态范围，进而可以确定其宽动态场景判别值。需要说明的是，宽动态场景即为图像的动态范围过大时，显示设备显示该图像出现大面积的过爆或过暗区域的场景。因此，宽动态场景判别值也可以理解为表征原始图像的宽动态场景的强度。优选的，该宽动态场景判别值的取值范围为[0,1]，取1为宽动态程度最大，反之取0为非宽动态场景。
可以理解的是，宽动态判别值依据的图像信息可以不仅仅是单一的亮度类别的信息，还可以包括色度类别和细节度类别的信息等，优选为至少两种类别的信息，与现有技术仅仅依靠亮度信息的方案相比，对原始图像的描述更加准确，为后续步骤提高高动态范围图像的压缩质量提供了支持。
S102：选取宽动态处理算法，并根据所述宽动态场景判别值确定所述宽动态处理算法的开启强度；其中，所述开启强度为描述所述宽动态处理算法对所述原始图像的压缩程度的值，所述开启强度与所述宽动态场景判别值呈正相关；
可以理解的是，此处“选取宽动态处理算法”的步骤与上一步骤并不存在顺序的关系，既可以先后执行也可以同时进行。本步骤中的宽动态处理算法包括但不限于伽马映射算法、对数映射算法、直方图均衡化算法、局部色调映射算法和多帧曝光合成算法。此处不对选取的算法数量进行限定，既可以选取单一的宽动态处理算法，也可以同时选择多个宽动态处理算法。
由于高动态范围图像的动态范围多种多样，如果对所有的高动态范围图像均使用相同强度的宽动态处理算法，则无法达到最优的图像压缩效果。因此，在本步骤中依据上一步骤获得的宽动态场景判别值确定宽动态处理算法的开启强度，对宽动态处理算法进行强度量化，以便后续步骤使用不同开启强度的宽动态处理算法达到更优的处理效果。由于宽动态场景判别值描述了原始图像的动态范围，动态范围越大，说明该原始图像需要进行的压缩程度越大，而开启强度即为描述宽动态处理算法对原始图像的压缩程度的值，因此，宽动态场景判别值越大，开启强度越大。
优选的，可以为开启强度与宽动态场景判别值的正相关关系设置计算公式，例如：S＝Smin+K(Smax-Smin)，其中，S为开启强度，Smax和Smin分别为预先设定的开启强度的最大值和最小值，当开启强度取Smin时，对原始图像没有进行压缩，K为宽动态场景判别值。
S103：根据所述开启强度利用所述宽动态处理算法对所述原始图像进行图像压缩，得到压缩完成的图像。
在本步骤中，根据上一步骤确定的开启强度控制宽动态处理算法，以便对原始图像进行自适应性的压缩，得到压缩完成的图像，即得到低动态范围图像，使其可以在显示设备中正常显示。需要说明的是，当上一步骤选取了多个宽动态处理算法，可以同时对原始图像进行图像压缩，选取效果最好的作为压缩完成的图像。
需要说明的是，本实施不对开启强度控制宽动态处理算法的具体方式进行限定，例如，可以根据该开启强度调整宽动态处理算法中的某个参数，进而影响该宽动态算法对原始图像的压缩程度，对于全局色调映射算法，可以根据开启强度调整映射参数λ，具体的，λ＝2.2×(1-S)+0.56，对于现有技术中介绍的局部色调映射算法，可以根据开启强度调整各区域的映射权重，由于开启强度是根据宽动态场景判别值即原始图像的动态范围得到的，因此各区域的映射权重也是根据该动态范围进行调整，最终的压缩效果优于现有技术，对于其他的宽动态处理算法，与全局色调映射算法和局部色调映射算法具有相同的处理思想，在此不再赘述。又如，还可以利用现有的宽动态处理算法对原始图像进行预压缩得到中间图像，再利用开启强度将该中间图像与原始图像进行融合，将在后续实施例进行详细介绍。
当然，为了提高图像处理效率，可以仅仅选取一部分显示效果差的原始图像进行图像压缩，而对于其他效果较好的原始图像不进行处理，即根据宽动态场景判别值选取宽动态程度较大的原始图像进行图像压缩。也即优选的，本步骤可以包括：根据所述开启强度利用所述宽动态处理算法对宽动态场景判别值大于预设值的原始图像进行图像压缩，得到压缩完成的图像。
本申请实施例提供的图像处理方法，首先依据图像信息计算描述原始图像的动态范围的宽动态判别值，即该宽动态判别值表示了原始图像的宽动态场景的强度，根据该宽动态判别值可以指导后续的宽动态算法。在利用宽动态算法对原始图像进行压缩之前，增加了宽动态场景的判别，使得针对不同宽动态程度的图像开启不同强度的宽动态算法。当原始图像的宽动态程度较低，甚至是非宽动态场景时，宽动态判别值较小，宽动态算法的开启强度较小，该原始图像的压缩程度较低，避免了画面失真、细节损失的问题，相比于现有技术提高了高动态范围图像的压缩质量。对于动态范围较大的原始图像，通过宽动态判别值控制宽动态算法的开启强度较大，可以将其压缩至显示设备能够显示的动态范围。另外，在本申请实施例中，宽动态判别值依据的图像信息可以不仅仅是单一的图像亮度信息，还可以包括色度信息、细节度信息等，提高了计算宽动态判别值的准确度，进一步提高了高动态范围图像的压缩质量。
本实施例公开了一种根据图像信息得到原始图像的宽动态场景判别值的方法，具体的：获取每个所述类别的图像信息的变化范围，并根据每个所述变化范围和预先设定的每个所述变化范围对应的权重计算所述原始图像的宽动态场景判别值。
在本实施例中，利用权重的思想计算原始图像的宽动态场景判别值。首先预先为每个类别的图像信息分配权重，在需要计算宽动态场景判别值时，获取每个类别的图像信息的变化范围，此处的变化范围定义为该类别的图像信息在原始图像中最大值和最小值的差值，然后根据每个类别的图像信息的变化范围和该类别的图像信息对应的权重进行加权运算，得到原始图像的宽动态场景判别值。可以理解的是，若宽动态场景判别值的取值范围为[0,1]，则在加权之前还需对每个变化范围进行归一化处理，即计算该变化范围与该类别的图像信息变化范围最大值的比值。
对于亮度类别，变化范围为原始图像中像素值最大值与最小值的差。对于梯度类别，变化范围为原始图像中梯度最大值与最小值的差，此处的梯度即为上一实施例介绍的梯度矩阵G中各像素点对应的值。对于色度类别，变化范围包括每个颜色通道内色度值最大值与最小值的差，在分配权值时，可以为每个颜色通道分配一个权重。在归一化处理时，对每个颜色通道的变化范围进行归一化处理，再根据归一化处理结果和各颜色通道对应的权重进行加权运算得到色度类别对应的加权项。
由此可见，本申请实施例通过对各类别的图像信息的变化范围进行加权计算原始图像的宽动态场景判别值，由于加权项包含了多个类别、不同角度的图像信息，使得计算宽动态场景判别值的结果更加准确，进而提高了原始图像场景判别的准确度，提高了图像压缩质量。
本实施例公开了另一种更为优选的计算宽动态场景判别值的方法，具体的：根据所述图像信息组合所述原始图像的特征描述子，并将所述特征描述子输入深度学习模型中，得到所述原始图像的宽动态场景判别值；其中，所述深度学习模型输出的属性类别为宽动态场景和非宽动态场景。
在本实施例中，利用深度学习模型得到宽动态场景判别值。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。也就是说，深度学习模型的输入为特征，输出为各属性类别的判别值。适用于本实施例的深度学习模型，输入为原始图像的特征描述子，输出为宽动态场景的判别值和非宽动态场景的判别值，且该深度学习模型在已知场景信息的数据集训练完成，具体可以使用随机梯度下降法(英文全称：Stochastic Gradient Descent，英文简称：SGD)进行参数学习，当然还可以采用批量梯度下降法(英文全称：Batch Gradient Descent，英文简称：BGD)、小批量梯度下降法(英文全称：Mini-Batch Gradient Descent，英文简称：MBGD)等，在此不进行具体限定。训练完成的深度学习模型可以直接用于对未知场景的原始图像进行分类。
对于原始图像的特征描述子，可以组合每个类别的图像信息的归一化值，每个归一化值可以表征原始图像在该类别下的特征。即上述根据所述图像信息组合所述原始图像的特征描述子的步骤可以包括计算每个所述类别的图像信息的归一化值，并将所有所述归一化值组合为所述原始图像的特征描述子。
计算亮度类别的归一化值的方法为：根据所述亮度类别的图像信息获取每个灰阶的像素点数量，得到所述原始图像的所有k级灰度归一化值。依据第一个实施例的介绍，亮度类别的图像信息为原始图像中每个像素点的像素值，将该亮度类别的图像信息进行归一化处理：
p(rk)＝nk/MN；
其中，MN为原始图像中的总像素点的个数，nk为原始图像中像素值为k的像素点的数量，p(rk)表示k级灰度归一化值。
计算梯度类别的归一化值的方法为：根据所述梯度类别的图像信息计算亮度低于预设值的像素点的平均梯度，并根据所述平均梯度和所述原始图像中像素点梯度的最大值得到细节度归一化值。依据第一个实施例的介绍，梯度类别的图像信息为原始图像的梯度矩阵，此处可以依据该梯度矩阵得到原始图像的细节度信息，细节度信息为反映原始图像的边缘及纹理的丰富程度的信息，此处可以将暗区细节作为深度学习模型的输入特征，因此可以提取亮度低于预设值的像素点的平均梯度，并对该平均梯度进行归一化处理，称之为细节度归一化值，即：
d＝D/Gmax；
其中，Gi为原始图像中亮度小于预设值的像素点的梯度，对于该预设值，本领域技术人员可以根据实际情况灵活设置，m为原始图像中亮度小于预设值的像素点总数，D为原始图像的细节度，Gmax为原始图像中像素点梯度的最大值，d为细节度归一化值。
计算色度类别的归一化值的方法为：根据所述色度类别的图像信息计算每个颜色通道的色度归一化值。依据第一个实施例的介绍，色度信息包括原始图像中每个颜色通道内的色度值，因此，色度类别的归一化值包括每个颜色通道的色度归一化值，色度类别的归一化值与原始图像的颜色通道的数量一致。此处不对计算每个颜色通道的色度归一化值的具体方法进行限定，例如，可以根据色度类别的图像信息计算每个颜色通道内所有像素点色度值的平均值，并根据平均值计算每个颜色通道的色度归一化值，即将每个颜色通道内所有像素点色度值的平均值与色度最大值的比值作为每个颜色通道的色度归一化值。优选的，也可以参照亮度归一化值的计算方法，根据色度类别的图像信息获取每个颜色通道内每个色阶的像素点数量，得到每个颜色通道的所有q级色度归一化值；将每个颜色通道的所有q级色度归一化值作为每个颜色通道的色度归一化值。
输入深度学习模型的特征描述子可以组合上述任一项或任几项的归一化值。可以理解的是，本实施例不对深度学习模型的具体类型进行限定，可以具体为LeNet-5、AlexNet、ResNet等，其分类效果依此增强。例如，若特征描述子包括上述的256个k级灰度归一化值和1个细节度归一化值，如图2所示，该深度学习模型使用3层非线性网络，架构为[257，30，2]，即输入图像特征为257维，隐藏层为30个神经元，输出的属性类别为2个，隐藏层使用激活函数ReLU，末层使用SoftMax函数进行概率输出。
对于输入的特征的特征描述子X257×1，网络输入层到每个隐藏层神经元的运算为：
其中，Xi为特征描述子的第i个元素，wi为每个隐藏层神经元对应于特征描述子的第i个元素的权重，b为该隐藏层神经元的偏置。
ReLu(z)＝max(0,z)；
a＝ReLU(z)；隐藏层所有神经元计算出的a将作为下一层的输入继续前向传播。
隐藏层到输出层第j个神经元的运算过程为：
其中，ai为隐藏层输入的第i个元素，wi为输出层第j个神经元对应于隐藏层输入的的第i个元素的权重，bj为输出层第j个神经元的偏置。
Kp＝softmax(zj)；
其中，Kp为输出层的第p个输出，范围为[0,1]，本实施例中该模型输出两个值K1和K2分别为宽动态场景判别值和非宽动态场景判别值。
由此可见，本申请实施例通过深度学习模型进行宽动态场景的判别，深度学习模型基于大量的训练数据提取场景的高层次抽象特征，提高了场景判别的准确度，基于该场景判别的图像处理方法，图像压缩质量较高。
本实施例公开了一种开启强度控制宽动态处理算法的方法，具体的，参见图3，第一个实施例的步骤S103包括：
S31：利用所述宽动态处理算法对所述原始图像进行图像压缩，得到中间图像；
在本步骤中，首先利用选取的宽动态处理算法直接对原始图像进行图像压缩，得到中间图像。例如，对于多帧曝光合成算法，以包括长帧图像和短帧图像的两帧曝光合成算法为例，具体为：
Iout＝WSIS+(1-WS)Il；
其中，WS为短帧系数，L为长帧图像的亮度，Lth1和Lth2分别为调整长帧图像和短帧图像合成的两个亮度阈值，IS和Il分别为短帧图像和长帧图像，Iout为中间图像。
S32：根据所述开启强度和所述原始图像调整所述中间图像，得到所述压缩完成的图像。
对于上一步骤得到的中间图像，需要根据原始图像进行相应开启强度的调整，得到压缩完成的图像。开启强度越大，说明原始图像需要的压缩程度越大，最终得到的压缩完成的图像越接近于中间图像，开启强度越小，说明原始图像需要的压缩程度越小，最终得到的压缩完成的图像越接近于原始图像。
优选的，可以为本步骤设置调整公式，根据调整公式调整中间图像，得到压缩完成的图像；其中，调整公式具体为：
IMG＝I(1-S)+IoutS；
其中，IMG为压缩完成的图像，I为原始图像，S为开启强度，Iout为中间图像。
可以理解的是，在多帧曝光的场景下，由于最长帧图像包含的图像信息最多，因此此处可以选择最长帧图像作为原始图像。对于上一步骤举出的例子，调整公式可以为：IMG＝Il(1-S)+IoutS。
由此可见，在本申请实施例中利用现有的宽动态处理算法对原始图像进行预压缩得到中间图像，再利用开启强度将该中间图像与原始图像进行融合，对宽动态处理算法进行强度量化，以便使用不同开启强度的宽动态处理算法处理不同的高动态范围图像，达到更优的压缩效果。
本申请实施例公开了一种图像处理方法，相对于第一个实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
参见图4，根据一示例性实施例示出的另一种图像处理方法的流程图，如图4所示，包括：
S201：获取原始图像的图像信息；图像信息的类别包括亮度类别、梯度类别和色度类别；
S202：根据亮度类别的图像信息获取每个灰阶的像素点数量，得到原始图像的所有k级灰度归一化值；
S203：根据梯度类别的图像信息计算亮度低于预设值的像素点的平均梯度，并根据平均梯度和原始图像中像素点梯度的最大值得到细节度归一化值；
S204：根据色度类别的图像信息获取每个颜色通道内每个色阶的像素点数量，得到每个颜色通道的所有q级色度归一化值；
可以理解的是，步骤S202、步骤S203、步骤S204并不存在先后顺序的关系。
S205：将所有k级灰度归一化值、所有q级色度归一化值和细节度归一化值组合为原始图像的特征描述子；
S206：将特征描述子输入深度学习模型中，得到原始图像的宽动态场景判别值；
S207：选取宽动态处理算法，并根据宽动态场景判别值确定宽动态处理算法的开启强度；
S208：利用宽动态处理算法对原始图像进行图像压缩，得到中间图像；
S209：根据开启强度和原始图像调整中间图像，得到压缩完成的图像。
在本申请实施例中，宽动态判别值依据的图像信息可以不仅仅是单一的图像亮度信息，还可以包括色度信息和细节度信息，并且通过深度学习模型进行宽动态场景的判别，提高了场景判别的准确度。根据宽动态判别值可以指导后续的宽动态算法，使得针对不同宽动态程度的图像开启不同强度的宽动态算法，避免了非宽动态场景下画面失真、细节损失的问题，相比于现有技术提高了高动态范围图像的压缩质量。对于动态范围较大的原始图像，通过宽动态判别值控制宽动态算法的开启强度较大，可以将其压缩至显示设备能够显示的动态范围。
下面介绍本申请公开的一种具体的应用实施例，具体可以包括以下步骤：
步骤一：获取摄像机拍摄的长帧图像和短帧图像，统计长帧图像的亮度直方图信息，根据该亮度直方图信息得到k级灰度的归一化值；
步骤二：提取长帧图像中亮度低于阈值的像素点的平均梯度，得到细节度归一化值；
步骤三：将上述所有的k级灰度的归一化值和细节度归一化值组合为特征描述子，输入ResNet模型中，该模型为宽动态场景和非宽动态场景的分类模型，输出宽动态场景判别值；
步骤四：根据宽动态场景判别值得到宽动态处理算法的开启强度；
步骤五：选取多帧曝光合成算法作为宽动态处理算法，对长帧图像和短帧图像进行图像合成，得到中间图像；
步骤六，根据开启强度和长帧图像调整中间图像，得到压缩完成的图像。
下面对本申请实施例提供的一种图像处理系统进行介绍，下文描述的一种图像处理系统与上文描述的一种图像处理方法可以相互参照。
参见图5，根据一示例性实施例示出的一种图像处理系统的结构图，如图5所示，包括：
获取模块501，用于获取原始图像的图像信息，并根据所述图像信息得到所述原始图像的宽动态场景判别值；其中，所述宽动态场景判别值为描述所述原始图像的动态范围的值，所述宽动态场景判别值与所述动态范围呈正相关；
确定模块502，用于选取宽动态处理算法，并根据所述宽动态场景判别值确定所述宽动态处理算法的开启强度；其中，所述开启强度为描述所述宽动态处理算法对所述原始图像的压缩程度的值，所述开启强度与所述宽动态场景判别值呈正相关；
压缩模块503，用于根据所述开启强度利用所述宽动态处理算法对所述原始图像进行图像压缩，得到压缩完成的图像。
本申请实施例提供的图像处理系统，首先依据图像信息计算描述原始图像的动态范围的宽动态判别值，即该宽动态判别值表示了原始图像的宽动态程度，根据该宽动态判别值可以指导后续的宽动态算法。在利用宽动态算法对原始图像进行压缩之前，增加了宽动态场景的判别，使得针对不同宽动态程度的图像开启不同强度的宽动态算法。当原始图像的宽动态程度较低，甚至是非宽动态场景时，宽动态判别值较小，宽动态算法的开启强度较小，该原始图像的压缩程度较低，避免了画面失真、细节损失的问题，相比于现有技术提高了高动态范围图像的压缩质量。对于动态范围较大的原始图像，通过宽动态判别值控制宽动态算法的开启强度较大，可以将其压缩至显示设备能够显示的动态范围。另外，在本申请实施例中，宽动态判别值依据的图像信息可以不仅仅是单一的图像亮度信息，还可以包括色度信息、细节度信息等，提高了计算宽动态判别值的准确度，进一步提高了高动态范围图像的压缩质量。
在上述实施例的基础上，作为一种优选实施方式，所述图像信息的类别包括亮度类别、梯度类别和色度类别中任一项或任几项的组合。
在上述实施例的基础上，作为一种优选实施方式，所述获取模块501包括：
获取子模块，用于获取原始图像的图像信息；
第一确定子模块，用于根据所述图像信息组合所述原始图像的特征描述子，并将所述特征描述子输入深度学习模型中，得到所述原始图像的宽动态场景判别值；其中，所述深度学习模型输出的属性类别为宽动态场景和非宽动态场景。
在上述实施例的基础上，作为一种优选实施方式，所述第一确定子模块包括：
计算单元，用于计算每个所述类别的图像信息的归一化值；
组合单元，用于将所有所述归一化值组合为所述原始图像的特征描述子；
输入单元，用于将所述特征描述子输入深度学习模型中，得到所述原始图像的宽动态场景判别值。
在上述实施例的基础上，作为一种优选实施方式，若所述图像信息的类别包括所述亮度类别，则所述计算单元包括：
第一计算子单元，用于根据所述亮度类别的图像信息获取每个灰阶的像素点数量，得到所述原始图像的所有k级灰度归一化值；
若所述图像信息的类别包括所述梯度类别，则所述计算单元包括：
第二计算子单元，用于根据所述梯度类别的图像信息计算亮度低于预设值的像素点的平均梯度，并根据所述平均梯度和所述原始图像中像素点梯度的最大值得到细节度归一化值；
若所述图像信息的类别包括所述色度类别，所述计算子单元包括：
第三计算子单元，用于根据所述色度类别的图像信息计算每个颜色通道的色度归一化值。
在上述实施例的基础上，作为一种优选实施方式，所述第三计算子单元具体为根据所述色度类别的图像信息获取每个所述颜色通道内每个色阶的像素点数量，得到每个所述颜色通道的所有q级色度归一化值，并将每个所述颜色通道的所有所述q级色度归一化值作为每个所述颜色通道的色度归一化值的子单元。
在上述实施例的基础上，作为一种优选实施方式，所述第三计算子单元具体为根据所述色度类别的图像信息计算每个所述颜色通道内所有像素点色度值的平均值，并根据所述平均值计算每个所述颜色通道的色度归一化值的子单元。
在上述实施例的基础上，作为一种优选实施方式，所述获取模块501包括：
获取子模块，用于获取原始图像的图像信息；
第二确定子模块，用于获取每个所述类别的图像信息的变化范围，并根据每个所述变化范围和预先设定的每个所述变化范围对应的权重计算所述原始图像的宽动态场景判别值。
在上述实施例的基础上，作为一种优选实施方式，所述确定模块502具体为选取宽动态处理算法，并根据开启强度计算公式确定所述宽动态处理算法的开启强度，其中，所述开启强度计算公式具体为：
S＝Smin+K(Smax-Smin)；
其中，S为所述开启强度，Smax和Smin分别为预先设定的开启强度的最大值和最小值，K为所述宽动态场景判别值。
在上述实施例的基础上，作为一种优选实施方式，所述压缩模块503包括：
压缩单元，用于利用所述宽动态处理算法对所述原始图像进行图像压缩，得到中间图像；
调整单元，用于根据所述开启强度和所述原始图像调整所述中间图像，得到所述压缩完成的图像。
在上述实施例的基础上，作为一种优选实施方式，所述调整单元具体为根据调整公式调整所述中间图像，得到所述压缩完成的图像的单元；其中，所述调整公式具体为：
IMG＝I(1-S)+IoutS；
其中，IMG为所述压缩完成的图像，I为所述原始图像，S为所述开启强度，Iout为所述中间图像。
在上述实施例的基础上，作为一种优选实施方式，所述宽动态处理算法包括伽马映射算法、对数映射算法、直方图均衡化算法、局部色调映射算法和多帧曝光合成算法中任一项或任几项的组合。
在上述实施例的基础上，作为一种优选实施方式，若所述宽动态处理算法包括所述多帧曝光合成算法，则将最长帧图像作为所述原始图像。
关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本申请还提供了一种电子设备，参见图6，本申请实施例提供的一种电子设备600的结构图，如图6所示，可以包括处理器11和存储器12。该电子设备600还可以包括多媒体组件13，输入/输出(I/O)接口14，以及通信组件15中的一者或多者。
其中，处理器11用于控制该电子设备600的整体操作，以完成上述的图像处理方法中的全部或部分步骤。存储器12用于存储各种类型的数据以支持在该电子设备600的操作，这些数据例如可以包括用于在该电子设备600上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器12可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件13可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器12或通过通信组件15发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口14为处理器11和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件15用于该电子设备600与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件15可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，电子设备600可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的图像处理方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述图像处理方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器12，上述程序指令可由电子设备600的处理器11执行以完成上述的图像处理方法。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (13)
1.一种图像处理方法，其特征在于，包括：
获取原始图像的图像信息，并根据所述图像信息得到所述原始图像的宽动态场景判别值；其中，所述宽动态场景判别值为描述所述原始图像的动态范围的值，所述宽动态场景判别值与所述动态范围呈正相关；
选取宽动态处理算法，并根据所述宽动态场景判别值确定所述宽动态处理算法的开启强度；其中，所述开启强度为描述所述宽动态处理算法对所述原始图像的压缩程度的值，所述开启强度与所述宽动态场景判别值呈正相关；
根据所述开启强度利用所述宽动态处理算法对所述原始图像进行图像压缩，得到压缩完成的图像。
2.根据权利要求1所述图像处理方法，其特征在于，所述根据所述图像信息得到所述原始图像的宽动态场景判别值，包括：
根据所述图像信息组合得到所述原始图像的特征描述子，并将所述特征描述子输入深度学习模型中，得到所述原始图像的宽动态场景判别值；其中，所述深度学习模型输出的属性类别为宽动态场景和非宽动态场景。
3.根据权利要求2所述图像处理方法，其特征在于，所述图像信息的类别包括亮度类别、梯度类别和色度类别中任一项或任几项的组合，所述根据所述图像信息组合所述原始图像的特征描述子，包括：
计算每个所述类别的图像信息的归一化值，并将所有所述归一化值组合为所述原始图像的特征描述子。
4.根据权利要求3所述图像处理方法，其特征在于，若所述图像信息的类别包括所述亮度类别，则所述计算每个所述类别的图像信息的归一化值，包括：
根据所述亮度类别的图像信息获取每个灰阶的像素点数量，得到所述原始图像的所有k级灰度归一化值；
若所述图像信息的类别包括所述梯度类别，则所述计算每个所述类别的图像信息的归一化值，包括：
根据所述梯度类别的图像信息计算亮度低于预设值的像素点的平均梯度，并根据所述平均梯度和所述原始图像中像素点梯度的最大值得到细节度归一化值；
若所述图像信息的类别包括所述色度类别，则所述计算每个所述类别的图像信息的归一化值，包括：
根据所述色度类别的图像信息计算每个颜色通道的色度归一化值。
5.根据权利要求4所述图像处理方法，其特征在于，所述根据所述色度类别的图像信息计算每个颜色通道的色度归一化值，包括：
根据所述色度类别的图像信息获取每个所述颜色通道内每个色阶的像素点数量，得到每个所述颜色通道的所有q级色度归一化值，并将每个所述颜色通道的所有所述q级色度归一化值作为每个所述颜色通道的色度归一化值；
或，根据所述色度类别的图像信息计算每个所述颜色通道内所有像素点色度值的平均值，并根据所述平均值计算每个所述颜色通道的色度归一化值。
6.根据权利要求1所述图像处理方法，其特征在于，所述图像信息的类别包括亮度类别、梯度类别和色度类别中任一项或任几项的组合，所述根据所述图像信息得到所述原始图像的宽动态场景判别值，包括：
获取每个所述类别的图像信息的变化范围，并根据每个所述变化范围和预先设定的每个所述变化范围对应的权重计算所述原始图像的宽动态场景判别值。
7.根据权利要求1所述图像处理方法，其特征在于，所述根据所述宽动态场景判别值确定所述宽动态处理算法的开启强度，包括：
根据开启强度计算公式确定所述宽动态处理算法的开启强度，其中，所述开启强度计算公式具体为：
S＝Smin+K(Smax-Smin)；
其中，S为所述开启强度，Smax和Smin分别为预先设定的开启强度的最大值和最小值，K为所述宽动态场景判别值。
8.根据权利要求1至7中任一项所述图像处理方法，其特征在于，所述根据所述开启强度利用所述宽动态处理算法对所述原始图像进行图像压缩，得到压缩完成的图像，包括：
利用所述宽动态处理算法对所述原始图像进行图像压缩，得到中间图像；
根据所述开启强度和所述原始图像调整所述中间图像，得到所述压缩完成的图像。
9.根据权利要求8所述图像处理方法，其特征在于，所述根据所述开启强度和所述原始图像调整所述中间图像，得到所述压缩完成的图像，包括：
根据调整公式调整所述中间图像，得到所述压缩完成的图像；其中，所述调整公式具体为：
IMG＝I(1-S)+IoutS；
其中，IMG为所述压缩完成的图像，I为所述原始图像，S为所述开启强度，Iout为所述中间图像。
10.根据权利要求9所述图像处理方法，其特征在于，若所述宽动态处理算法包括所述多帧曝光合成算法，则将最长帧图像作为所述原始图像。
11.一种图像处理系统，其特征在于，包括：
获取模块，用于获取原始图像的图像信息，并根据所述图像信息得到所述原始图像的宽动态场景判别值；其中，所述宽动态场景判别值为描述所述原始图像的动态范围的值，所述宽动态场景判别值与所述动态范围呈正相关；
确定模块，用于选取宽动态处理算法，并根据所述宽动态场景判别值确定所述宽动态处理算法的开启强度；其中，所述开启强度为描述所述宽动态处理算法对所述原始图像的压缩程度的值，所述开启强度与所述宽动态场景判别值呈正相关；
压缩模块，用于根据所述开启强度利用所述宽动态处理算法对所述原始图像进行图像压缩，得到压缩完成的图像。
12.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至10任一项所述图像处理方法的步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至10任一项所述图像处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910204078.8A CN111724447B (zh) | 2019-03-18 | 2019-03-18 | 一种图像处理方法、系统及电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910204078.8A CN111724447B (zh) | 2019-03-18 | 2019-03-18 | 一种图像处理方法、系统及电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111724447A true CN111724447A (zh) | 2020-09-29 |
| CN111724447B CN111724447B (zh) | 2024-04-26 |
Family
ID=72563167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910204078.8A Active CN111724447B (zh) | 2019-03-18 | 2019-03-18 | 一种图像处理方法、系统及电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111724447B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113691724A (zh) * | 2021-08-24 | 2021-11-23 | Oppo广东移动通信有限公司 | Hdr场景检测方法与装置、终端及可读存储介质 |
| CN116152369A (zh) * | 2022-12-31 | 2023-05-23 | 廊坊奎达信息技术有限公司 | 一种基于大数据技术的图像动态可视化方法 |
| CN116452437A (zh) * | 2023-03-20 | 2023-07-18 | 荣耀终端有限公司 | 高动态范围图像处理方法及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102497490A (zh) * | 2011-12-16 | 2012-06-13 | 上海富瀚微电子有限公司 | 实现图像高动态范围压缩的系统及其方法 |
| CN103400342A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于混合色阶映射及压缩系数的高动态范围图像重构方法 |
| CN106023100A (zh) * | 2016-05-12 | 2016-10-12 | 珠海市杰理科技有限公司 | 图像宽动态范围压缩方法及装置 |
| CN106981054A (zh) * | 2017-03-27 | 2017-07-25 | 联想(北京)有限公司 | 一种图像处理方法及电子设备 |
| CN109005364A (zh) * | 2018-08-13 | 2018-12-14 | Oppo广东移动通信有限公司 | 成像控制方法、装置、电子设备以及计算机可读存储介质 |
-
2019
- 2019-03-18 CN CN201910204078.8A patent/CN111724447B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102497490A (zh) * | 2011-12-16 | 2012-06-13 | 上海富瀚微电子有限公司 | 实现图像高动态范围压缩的系统及其方法 |
| CN103400342A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于混合色阶映射及压缩系数的高动态范围图像重构方法 |
| CN106023100A (zh) * | 2016-05-12 | 2016-10-12 | 珠海市杰理科技有限公司 | 图像宽动态范围压缩方法及装置 |
| CN106981054A (zh) * | 2017-03-27 | 2017-07-25 | 联想(北京)有限公司 | 一种图像处理方法及电子设备 |
| CN109005364A (zh) * | 2018-08-13 | 2018-12-14 | Oppo广东移动通信有限公司 | 成像控制方法、装置、电子设备以及计算机可读存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113691724A (zh) * | 2021-08-24 | 2021-11-23 | Oppo广东移动通信有限公司 | Hdr场景检测方法与装置、终端及可读存储介质 |
| CN116152369A (zh) * | 2022-12-31 | 2023-05-23 | 廊坊奎达信息技术有限公司 | 一种基于大数据技术的图像动态可视化方法 |
| CN116152369B (zh) * | 2022-12-31 | 2023-09-22 | 廊坊奎达信息技术有限公司 | 一种基于大数据技术的图像动态可视化方法 |
| CN116452437A (zh) * | 2023-03-20 | 2023-07-18 | 荣耀终端有限公司 | 高动态范围图像处理方法及电子设备 |
| CN116452437B (zh) * | 2023-03-20 | 2023-11-14 | 荣耀终端有限公司 | 高动态范围图像处理方法及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111724447B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110663045B (zh) | 用于数字图像的自动曝光调整的方法、电子系统和介质 | |
| CN110728633B (zh) | 多曝光度高动态范围反色调映射模型构建方法及装置 | |
| TWI620441B (zh) | 即時影像擷取參數的機器學習之技術 | |
| CN105187810B (zh) | 一种基于人脸色彩特征的自动白平衡方法及电子媒体装置 | |
| CN110033418B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| JP4589437B2 (ja) | ビデオ・センサに基づいた自動関心領域検出 | |
| KR101225058B1 (ko) | 콘트라스트 조절 방법 및 장치 | |
| CN111292264A (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
| US8902328B2 (en) | Method of selecting a subset from an image set for generating high dynamic range image | |
| CN110022469B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| US9070044B2 (en) | Image adjustment | |
| US20050018923A1 (en) | Digital image processing method having an exposure correction based on recognition of areas corresponding to the skin of the photographed subject | |
| US11663707B2 (en) | Method and system for image enhancement | |
| CN111724447B (zh) | 一种图像处理方法、系统及电子设备和存储介质 | |
| JP2009512283A (ja) | ビデオ・フレームの動きに基づいた自動関心領域検出 | |
| CN110047060B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN108629738B (zh) | 一种图像处理方法及装置 | |
| CN114092360A (zh) | 图像处理方法、设备及可读存储介质 | |
| CN111541937B (zh) | 画质调整方法、电视机设备及计算机存储介质 | |
| CN112541868A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| WO2008102296A2 (en) | Method for enhancing the depth sensation of an image | |
| US20190304072A1 (en) | Method and apparatus for converting low dynamic range video to high dynamic range video | |
| CN109348207B (zh) | 色温调节方法、图像处理方法及装置、介质和电子设备 | |
| CN116668656B (zh) | 图像处理方法及电子设备 | |
| CN112822413A (zh) | 拍摄预览方法、装置、终端和计算机可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |