CN111951192A - 一种拍摄图像的处理方法及拍摄设备 - Google Patents

一种拍摄图像的处理方法及拍摄设备 Download PDF

Info

Publication number
CN111951192A
CN111951192A CN202010832922.4A CN202010832922A CN111951192A CN 111951192 A CN111951192 A CN 111951192A CN 202010832922 A CN202010832922 A CN 202010832922A CN 111951192 A CN111951192 A CN 111951192A
Authority
CN
China
Prior art keywords
image
network model
display screen
preset
neural network
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
CN202010832922.4A
Other languages
English (en)
Inventor
穆欣炬
葛晨阳
马中生
高裕弟
刘宏俊
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.)
Yiwu Qingyue Photoelectric Technology Co ltd
Original Assignee
Yiwu Qingyue Photoelectric Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yiwu Qingyue Photoelectric Technology Co ltd filed Critical Yiwu Qingyue Photoelectric Technology Co ltd
Priority to CN202010832922.4A priority Critical patent/CN111951192A/zh
Publication of CN111951192A publication Critical patent/CN111951192A/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
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Studio Devices (AREA)

Abstract

本发明实施例公开了一种拍摄图像的处理方法及拍摄设备。该方法包括：在摄像头前存在显示屏的状态下，拍摄当前场景的待处理图像；将所述待处理图像输入到预先训练完成的目标神经网络模型中，得到输出的网络图像；对所述网络图像进行至少一种图像增强处理，得到目标图像。本发明实施例通过在摄像头前存在显示屏的状态下，拍摄当前场景的待处理图像，并通过目标神经网络模型和图像增强处理依次对待处理图像进行图像处理，解决了显示屏导致的拍摄图像不清晰的问题，提高了拍摄图像的图像质量，进一步的，使得前置摄像头与显示屏可以共存，在不影响视觉美观的同时降低了改装成本。

Description

一种拍摄图像的处理方法及拍摄设备
技术领域
本发明实施例涉及摄影技术领域，尤其涉及一种拍摄图像的处理方法及拍摄设备。
背景技术
当今社会科技发展日新月异，手机更新迭代的速度也越来越快。通信功能作为手机最基本的功能早已难以满足人们的需求。手机作为智能机不仅变得越来越智能，也变得越来越符合人的使用习惯和审美风格。
手机厂商作为其推动者，一直致力于将手机朝着越来越完美的方向发展。手机全面屏的发展，既满足了人们的审美风格，而同样机身下可以容纳更大的显示屏幕和触控面积，这对于视觉体验和交互也有着显著的提升。全面屏相比手机其他性能的提升，是更能让用户真真切切感受到的性能升级。2019年oppo、vivo、小米等厂商已推出一些全面屏手机机型，甚至提出了瀑布屏的概念。无论是全面屏还是瀑布屏的应用，都面临着前置摄像头的放置问题。目前手机厂商都采用弹出式的前置摄像头或在全面屏上预留前置摄像头的位置，但弹出式的前置摄像头需要对已有的智能终端的机械硬件结构进行较大的改动，挑战较大。而在全面屏上预留前置摄像头的位置则会影响到全面屏的展示效果和视觉美观。
发明内容
本发明实施例提供了一种拍摄图像的处理方法及拍摄设备，以在不影响全面屏的视觉美观的同时，降低了改装成本以及提高了拍摄图像的质量。
第一方面，本发明实施例提供了一种拍摄图像的处理方法，该方法包括：
在摄像头前存在显示屏的状态下，拍摄当前场景的待处理图像；
将所述待处理图像输入到预先训练完成的目标神经网络模型中，得到输出的网络图像；
对所述网络图像进行至少一种图像增强处理，得到目标图像。
第二方面，本发明实施例还提供了一种拍摄图像的处理装置，该装置包括：
待处理图像拍摄模块，用于在摄像头前存在显示屏的状态下，拍摄当前场景的待处理图像；
网络图像输出模块，用于将所述待处理图像输入到预先训练完成的目标神经网络模型中，得到输出的网络图像；
图像增强模块，用于对所述网络图像进行至少一种图像增强处理，得到目标图像。
第三方面，本发明实施例还提供了拍摄设备，所述设备包括：
显示屏，用于显示影像；
摄像头，设置在所述显示屏的下方，用于拍摄当前场景的待处理图像；
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述所涉及的任一所述的拍摄图像的处理方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的拍摄图像的处理方法。
本发明实施例通过在摄像头前存在显示屏的状态下，拍摄当前场景的待处理图像，并通过目标神经网络模型和图像增强处理依次对待处理图像进行图像处理，解决了显示屏导致的拍摄图像不清晰的问题，提高了拍摄图像的图像质量，进一步的，使得前置摄像头与显示屏可以共存，在不影响视觉美观的同时降低了改装成本。
附图说明
图1是本发明实施例一提供的一种拍摄图像的处理方法的流程图。
图2是本发明实施例二提供的一种拍摄图像的处理方法的流程图。
图3是本发明实施例三提供的一种拍摄图像的处理方法的流程图。
图4是本发明实施例三提供的一种生成式对抗网络模型的网络结构的示意图。
图5是本发明实施例三提供的一种生成式对抗网络模型的训练方法的流程图。
图6是本发明实施例四提供的一种拍摄图像的处理装置的示意图。
图7是本发明实施例五提供的一种拍摄设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种拍摄图像的处理方法的流程图，本实施例可适用于摄像头设置在显示屏下方拍摄图像的情况，该方法可以由拍摄图像的处理装置来执行，该装置可采用软件和/或硬件的方式实现，该装置可以配置于拍摄设备中。示例性的，拍摄设备可以是移动终端和平板电脑等智能终端。具体包括如下步骤：
S110、在摄像头前存在显示屏的状态下，拍摄当前场景的待处理图像。
其中，具体的，本实施例中拍摄设备的摄像头设置在显示屏的下方，在拍摄待处理图像时，采集到的是当前场景的影像经过显示屏后的图像。其中，示例性的，摄像头可以是前置摄像头，显示屏可以是OLED屏(Organic Light E mitting Diode，有机发光二极管)。
在一个实施例中，可选的，拍摄当前场景的待处理图像，包括：当接收到用户输入的拍摄指令时，将显示屏的预设显示区域设置为透明状态，并拍摄当前场景的待处理图像；其中，预设显示区域包括摄像头与显示屏的投影重叠的区域。
在一个实施例中，预设显示区域为整个显示屏。其中，示例性的，当显示屏上电时，显示屏上显示影像，当显示屏断电时，显示屏不显示影像，具体的，整个显示屏为透明状态。在另一个实施例中，预设显示区域为摄像头与显示屏的投影重叠的区域。其中，具体的，将显示屏上电，当接收到使用户输入的拍摄指令时，将显示屏上显示的影像与预设显示区域对应的目标影像设置为空白影像。这样设置的好处在于，降低显示屏上与摄像头投影重叠的区域内显示的影像对拍摄的图像造成的干扰，从而降低后续图像处理的难度。
S120、将待处理图像输入到预先训练完成的目标神经网络模型中，得到输出的网络图像。
在一个实施例中，可选的，在将待处理图像输入到预先训练完成的目标神经网络模型中之前，还包括：对待处理图像进行缩放处理，得到缩放后的待处理图像。其中，示例性的，将待处理图像中的像素值经过尺度缩放处理缩放到[-1，1]范围，其中，缩放后的像素值的数值类型为小数。这样设置的好处在于可以提高目标神经网络模型的处理速度，或在对初始神经网络模型进行训练时，加快初始神经网络模型的训练效率。
其中，示例性的，目标神经网络模型包括但不限于卷积神经网络模型、生成式对抗网络模型、递归神经网络模型或深度卷积神经网络模型等。
S130、对网络图像进行至少一种图像增强处理，得到目标图像。
在一个实施例，可选的，基于至少两种预设半径尺度，对网络图像进行高斯模糊处理，得到至少两个模糊图像；基于各模糊图像和网络图像确定至少两个差值图像，并对各差值图像进行像素加权处理得到增强图像；对增强图像进行梯度计算得到掩模值，基于掩模值对网络图像和增强图像进行像素加权处理得到目标图像。
其中，对网络图像进行高斯模糊处理，具体的，采用预设半径尺度的高斯核对网络图像进行卷积处理，其中，高斯核的半径尺度越大，卷积处理后的图像越模糊。举例而言，采用3种不同的预设尺度半径的高斯核，各高斯核分别为G1、G2和G3，基于3个高斯核分别对网络图像I*进行卷积处理，卷积处理后的图像满足公式：
B1＝G1*I*；B2＝G2*I*；B3＝G3*I*
其中，B1、B2和B3为卷积处理之后得到的模糊图像。进一步地，对网络图像I*和上述3个模糊图像进行两两图像之间像素相减，得到差值图像，其中，差值图像满足公式：
D1＝I*-B1；D2＝B1-B2；D2＝B2-B3
其中，D1、D2和D3为两两图像之间相减后得到的差值图像，其中，差值图像能够反映出网络图像不同程度的细节信息。进一步地，对差值图像进行像素加权处理得到增强图像。其中，示例性的，增强图像D*满足公式：
D*＝(1-w1×sgn(D1))×D1+w2×D2+w3×D3
其中，w1、w2和w3为不同差值图像对应的加权系数，示例性的，该加权系数可分别设定为0.5、0.5和0.25。
其中，具体的，对增强图像进行一阶梯度计算得到掩模值，示例性的，一阶梯度计算的算子可以是Sobel算子。掩模值即为Mask值。具体的，目标图像F*满足公式：
F*＝I*×(1-M)+D*×M
基于一阶梯度计算的Sobel算子计算得到的掩模值对增强图像和网络图像进行像素加权，这样设置的好处在于，既实现了对待处理图像中纹理细节部分的增强效果，又极大地避免了增加噪声，从而得到了优质的目标图像。
本实施例的技术方案，通过在摄像头前存在显示屏的状态下，拍摄当前场景的待处理图像，并通过目标神经网络模型和图像增强处理依次对待处理图像进行图像处理，解决了显示屏导致的拍摄图像不清晰的问题，提高了拍摄图像的图像质量，进一步的，使得前置摄像头与显示屏可以共存，在不影响视觉美观的同时降低了改装成本。
实施例二
图2是本发明实施例二提供的一种拍摄图像的处理方法的流程图，本实施例的技术方案是上述实施例的基础上的进一步细化。可选的，所述目标神经网络模型的训练方法，包括：在摄像头前存在显示屏的状态下，对预设场景进行拍摄得到至少一个样本图像，并在摄像头前不存在显示屏的状态下，对所述预设场景进行拍摄得到与各所述样本图像对应的标准图像；将各所述样本图像输入到初始神经网络模型中得到输出的与各所述样本图像对应的预测图像，并基于各所述预测图像和标准图像对初始神经网络模型进行迭代训练，直到满足预设条件时得到训练完成的目标神经网络模型。
本实施例的具体实施步骤包括：
S210、在摄像头前存在显示屏的状态下，对预设场景进行拍摄得到至少一个样本图像。
由于需要拍摄同一预设场景的样本图像和标准图像，因此，在不同拍摄时间下，需要尽可能的保证两张图像中的图像内容完全一致，图像像素之间不存在像素偏移。在本实施例中，预设场景的类型为静物场景。其中，示例性的，预设场景包括但不限于室内场景、室外场景、不同气候环境场景和不同拍摄物体场景等等。这样设置的好处在于，可以提到后续训练得到的目标神经网络模型的泛化能力。
S220、在摄像头前不存在显示屏的状态下，对预设场景进行拍摄得到与各样本图像对应的标准图像。
其中，示例性的，采集不少于1000组的训练图像，其中，训练图像包括样本图像和标准图像。
在一个实施例中，可选的，在将各样本图像输入到初始神经网络模型中之前，还包括：对采集到的训练图像进行筛选。其中，示例性的，筛选方法为像素对比法。具体的，将样本图像中像素点的像素值与标准图像中的像素点的像素值对应相减，如果得到的像素差大于预设阈值，则说明样本图像和标准图像中该像素点没有对齐。如果两张图像中存在预设数量的未对齐像素点，则将该样本图像和标准图像从训练图像中剔除。
在拍摄过程中，在条件允许的情况下，可以保证拍摄时的光线要适宜，尽量避免光照强度过高或过低，避免直接拍摄光源，避免夜间拍摄。该条件下拍摄的好处在于，避免光线太强导致样本图像和标准图像之间的像素差较大，容易使得满足条件的样本图像和标准图像也被剔除，从而减少了训练样本的样本量。
S230、将各样本图像输入到初始神经网络模型中得到输出的与各样本图像对应的预测图像。
S240、基于各预测图像和标准图像对初始神经网络模型进行迭代训练，直到满足预设条件时得到训练完成的目标神经网络模型。
其中，示例性的，预设条件包括基于预测图像和标准图像计算得到的损失函数值收敛。在一个实施例中，可选的，预设条件包括：基于测试图像对迭代训练过程中的初始的神经网络模型输出的预测图像进行评价得到的评价结果满足预设数值；其中，评价的方法包括平均意见得分、峰值信噪比和结构相似度中至少一种。
其中，具体的，平均意见得分(Mean Opinion Score，MOS)是不同人对同一预测图像进行不同层次的打分，将不同人的打分结果进行平均值计算得到平均意见分，示例性的，层次可以是优质、良好、一般、差和劣质，对应的预设分数可以分别为5分、4分、3分、2分和1分。
其中，具体的，峰值信噪比(Peak signal-to-noise Ratio，PSNR)通过两张图像的像素均方差定义。具体的，峰值信噪比满足公式：
Figure BDA0002638637470000091
其中，MSE表示预测图像与标准图像之间的像素均方差。
其中，具体的，结构相似度(Structural Similarity，SSIM)是衡量两张图像之间的相似度指标。具体的，结构相似度满足公式：
Figure BDA0002638637470000092
其中，x表示预测图像，y表示标准图像，μx表示预测图像的像素均值，μy表示标准图像的像素均值，σx表示预测图像的像素方差，σy表示标准图像的像素方差，σxy表示预测图像和标准图像的协方差，c1＝(k1L)2、c2＝(k2L)2表示预设常数，其中，L表示像素级数，示例性的，L＝255，k1＝0.01，k2＝0.03。
其中，具体的，如果预测图像与标准图像之间的峰值信噪比小于预设信噪比阈值，预测图像与标准图像之间的结构相似度大于预设相似度阈值，则对预测图像进行平均意见得分的主观评判，如果平均意见得分大于预设得分阈值，则认为满足预设条件，示例性的，预设得分阈值可以是4分。
S250、在摄像头前存在显示屏的状态下，拍摄当前场景的待处理图像。
S260、将待处理图像输入到预先训练完成的目标神经网络模型中，得到输出的网络图像。
S270、对网络图像进行至少一种图像增强处理，得到目标图像。
本实施例的技术方案，通过采集样本图像和标准图像，以及基于筛选后的样本图像和标准图像对初始神经网络模型进行训练，解决了神经网络模型的训练问题，提高了训练得到的目标神经网络模型的模型质量，从而保证了后续输出的目标图像的质量。
实施例三
图3是本发明实施例三提供的一种拍摄图像的处理方法的流程图，本实施例的技术方案是上述实施例的基础上的进一步细化。可选的，所述初始神经网络模型包括生成式对抗网络模型，所述目标神经网络模型包括训练完成的生成式对抗网络模型中的生成器。
本实施例的具体实施步骤包括：
S310、在摄像头前存在显示屏的状态下，对预设场景进行拍摄得到至少一个样本图像。
S320、在摄像头前不存在显示屏的状态下，对预设场景进行拍摄得到与各样本图像对应的标准图像。
S330、将各样本图像输入到生成式对抗网络模型中得到输出的与各样本图像对应的预测图像。
在一个实施例中，可选的，将各样本图像输入到生成式对抗网络模型中的生成器中，得到生成器输出的预测图像；其中，生成器的网络结构包括1个卷积层、4个残差网络和5个卷积层依次连接，以及第1个卷积层中的输出层与第2个卷积层中的输出层跳变连接。其中，具体的，最后一个卷积层的输出结果经过Tanh函数计算后，得到生成器输出的预测图像。
在一个实施例中，可选的，基于预设损失计算方法、各预测图像和标准图像，确定与预设损失计算方法对应的初始损失函数值；其中，预设损失计算方法包括基于生成式对抗网络模型的损失计算方法、像素差损失计算函数和基于超分辨率测试序列网络模型的损失计算方法中至少一种；基于各初始损失函数值加权计算得到的目标损失函数值对生成式对抗网络模型中的生成器进行迭代训练。
在一个实施例中，可选的，基于生成式对抗网络模型的损失计算方法，包括：将各预测图像和与各预测图像对应的标准图像输入到生成式对抗网络模型中的判别器中，基于判别器输出的至少一个判别概率值确定初始损失函数值；其中，判别器的网络结构包括11个卷积层和1个全连接层依次连接，以及第8个卷积层中的输出层与第11个卷积层的输出层跳变连接。其中，具体的，最后一个卷积层的输出结果经过Sigmod函数计算后，得到判别器输出的至少一个判别概率值。
图4是本发明实施例三提供的一种生成式对抗网络模型的网络结构的示意图。图4中的A图表示生成式对抗网络模型中生成器的网络结构的示意图，B图表示生成式对抗网络模型中判别器的网络结构的示意图。
其中，基于判别概率值的初始损失函数值满足公式：
Figure BDA0002638637470000111
其中，N表示预测图像的数量，ILR表示待处理图像，
Figure BDA0002638637470000112
表示预测图像，
Figure BDA0002638637470000113
表示预测图像属于优质图像的判别概率值。
在一个实施例中，还包括：基于判别概率值计算用于对判别器进行迭代计算的损失函数值，其中，该损失函数值满足公式：
Figure BDA0002638637470000121
其中，D(IHR)表示标准图像属于优质图像的概率，
Figure BDA0002638637470000122
表示预测图像属于优质图像的判别概率值。
其中，具体的，基于像素差损失计算函数计算初始损失函数值满足公式：
Figure BDA0002638637470000123
其中，W表示图像的宽度，H表示图像的高度，
Figure BDA0002638637470000124
表示标准图像，ILR表示待处理图像，
Figure BDA0002638637470000125
表示预测图像。
其中，基于超分辨率测试序列网络模型的损失计算方法，具体的，采用训练完成的超分辨率测试序列网络模型生成预测图像和标准图像分别对应的特征图，计算两个特征图之间的像素差损失函数值。示例性的，超分辨率测试序列网络模型可以是VGG19模型，VGG19模型包括19层隐藏层。具体的，在生成图像时，只使用VGG19模型中的前12层的卷积网络，输出512维的特征图。具体的，基于超分辨率测试序列网络模型计算初始损失函数值满足公式：
Figure BDA0002638637470000126
其中，Wi,j表示特征图的宽度的维数，Hi,j表示特征图的高度的维数，
Figure BDA0002638637470000127
表示第i个最大池化层前第j个卷积层的特征图，
Figure BDA0002638637470000128
表示标准图像，ILR表示待处理图像，
Figure BDA0002638637470000129
表示预测图像。
其中，基于各初始损失函数值加权计算得到的目标损失函数值，具体的，目标损失函数值满足公式：
Figure BDA00026386374700001210
其中，α和β分别为基于生成式对抗网络模型中判别器的初始损失函数值和基于VGG19模型的初始损失函数值在目标损失函数值中的占比，示例性的，α和β分别取值为10-3和2×10-6。
S340、基于各预测图像和标准图像对生成式对抗网络模型进行迭代训练，直到满足预设条件时得到训练完成的生成式对抗网络模型中的生成器。
图5是本发明实施例三提供的一种生成式对抗网络模型的训练方法的流程图。将待处理图像输入到生成式对抗网络模型中的生成器中，得到生成器输出的预测图像。将该预测图像和与该预测图像对应的标准图像输入到判别器中得到输出的判别概率值，基于判别概率值分别计算得到生成器对应的损失函数1和判别器对应的损失函数，基于判别器对应的损失函数以及学习算法对判别器进行迭代训练，示例性的，学习算法可以是反向传播算法。将预测图像和标准图像输入到VGG19模型中得到输出的与预测图像和标准图像分别对应的特征图，基于两张特征图计算得到损失函数2。对预测图像和标准图像进行像素差计算得到损失函数3。对损失函数1、损失函数2和损失函数3进行加权计算，得到目标损失函数值，基于目标损失函数值和学习算法对生成器进行迭代训练，示例性的，学习算法可以是反向传播算法，当满足预设条件时得到生成式对抗网络模型中训练完成的生成器。
S350、在摄像头前存在显示屏的状态下，拍摄当前场景的待处理图像。
S360、将待处理图像输入到预先训练完成的目标神经网络模型中，得到输出的网络图像。
S370、对网络图像进行至少一种图像增强处理，得到目标图像。
本实施例的技术方案，通过训练生成式对抗网络模型中的生成器，并基于判别器的损失函数、像素差损失函数和超分辨率测试序列网络模型的损失函数加权计算目标损失函数值，并基于目标损失函数值对生成器进行迭代训练，解决了神经网络模型的训练效果不佳的问题，提高了训练得到的目标神经网络模型输出的目标图像的质量。
实施例四
图6是本发明实施例四提供的一种拍摄图像的处理装置的示意图。本实施例可适用于摄像头设置在显示屏下方拍摄图像的情况，该装置可采用软件和/或硬件的方式实现，该装置可以配置于拍摄设备中。该拍摄图像的处理装置包括：待处理图像拍摄模块410、网络图像输出模块420和图像增强模块430。
其中，待处理图像拍摄模块410，用于在摄像头前存在显示屏的状态下，拍摄当前场景的待处理图像；
网络图像输出模块420，用于将待处理图像输入到预先训练完成的目标神经网络模型中，得到输出的网络图像；
图像增强模块430，用于对网络图像进行至少一种图像增强处理，得到目标图像。
本实施例的技术方案，通过在摄像头前存在显示屏的状态下，拍摄当前场景的待处理图像，并通过目标神经网络模型和图像增强处理依次对待处理图像进行图像处理，解决了显示屏导致的拍摄图像不清晰的问题，提高了拍摄图像的图像质量，进一步的，使得前置摄像头与显示屏可以共存，在不影响视觉美观的同时降低了改装成本。
在上述技术方案的基础上，可选的，待处理图像拍摄模块410具体用于：
当接收到用户输入的拍摄指令时，将显示屏的预设显示区域设置为透明状态，并拍摄当前场景的待处理图像；其中，预设显示区域包括摄像头与显示屏的投影重叠的区域。
在上述技术方案的基础上，可选的，图像增强模块430具体用于：
基于至少两种预设半径尺度，对网络图像进行高斯模糊处理，得到至少两个模糊图像；
基于各模糊图像和网络图像确定至少两个差值图像，并对各差值图像进行像素加权处理得到增强图像；
对增强图像进行梯度计算得到掩模值，基于掩模值对网络图像和增强图像进行像素加权处理得到目标图像。
在上述技术方案的基础上，可选的，该装置还包括：
样本图像获取模块，用于在摄像头前存在显示屏的状态下，对预设场景进行拍摄得到至少一个样本图像，并在摄像头前不存在显示屏的状态下，对预设场景进行拍摄得到与各样本图像对应的标准图像；
目标神经网络模型训练模块，用于将各样本图像输入到初始神经网络模型中得到输出的与各样本图像对应的预测图像，并基于各预测图像和标准图像对初始神经网络模型进行迭代训练，直到满足预设条件时得到训练完成的目标神经网络模型。
在上述技术方案的基础上，可选的，初始神经网络模型包括生成式对抗网络模型，目标神经网络模型包括训练完成的生成式对抗网络模型中的生成器。
在上述技术方案的基础上，可选的，目标神经网络模型训练模块，具体用于：
将各样本图像输入到生成式对抗网络模型中的生成器中，得到生成器输出的预测图像；其中，生成器的网络结构包括1个卷积层、4个残差网络和5个卷积层依次连接，以及第1个卷积层中的输出层与第2个卷积层中的输出层跳变连接。
在上述技术方案的基础上，可选的，目标神经网络模型训练模块包括：
初始损失函数计算单元，用于基于预设损失计算方法、各预测图像和标准图像，确定与预设损失计算方法对应的初始损失函数值；其中，预设损失计算方法包括基于生成式对抗网络模型的损失计算方法、像素差损失计算函数和基于超分辨率测试序列网络模型的损失计算方法中至少一种；
目标损失函数计算单元，用于基于各初始损失函数值加权计算得到的目标损失函数值对生成式对抗网络模型中的生成器进行迭代训练。
在上述技术方案的基础上，可选的，初始损失函数计算单元具体用于：
将各预测图像和与各预测图像对应的标准图像输入到生成式对抗网络模型中的判别器中，基于判别器输出的至少一个判别概率值确定初始损失函数值；其中，判别器的网络结构包括11个卷积层和1个全连接层依次连接，以及第8个卷积层中的输出层与第11个卷积层的输出层跳变连接。
在上述技术方案的基础上，可选的，预设条件包括：
基于测试图像对迭代训练过程中的初始的神经网络模型输出的预测图像进行评价得到的评价结果满足预设数值；其中，评价的方法包括平均意见得分、峰值信噪比和结构相似度中至少一种。
本发明实施例所提供的拍摄图像的处理装置可以用于执行本发明实施例所提供的拍摄图像的处理方法，具备执行方法相应的功能和有益效果。
值得注意的是，上述拍摄图像的处理装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例五
图7是本发明实施例五提供的一种拍摄设备的结构示意图，本发明实施例为本发明上述实施例的拍摄图像的处理方法的实现提供服务，可配置上述实施例中的拍摄图像的处理装置。图7示出了适于用来实现本发明实施方式的示例性拍摄设备12的框图。图7显示的拍摄设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，拍摄设备12以通用计算设备的形式表现。拍摄设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
拍摄设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被拍摄设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。拍摄设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
在本实施例中，拍摄设备12包括显示屏24和摄像头14，其中，显示屏24，用于显示影像；摄像头14，设置在显示屏24的下方，用于拍摄当前场景的待处理图像。
拍摄设备12也可以与一个或多个外部设备通信，例如键盘和指向设备。还可与一个或者多个使得用户能与该拍摄设备12交互的设备通信，和/或与使得该拍摄设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，拍摄设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器20通过总线18与拍摄设备12的其它模块通信。应当明白，尽管图中未示出，可以结合拍摄设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的拍摄图像的处理方法。
通过上述拍摄设备，解决了显示屏导致的拍摄图像不清晰的问题，提高了拍摄图像的图像质量，进一步的，使得前置摄像头与显示屏可以共存，在不影响视觉美观的同时降低了改装成本。
实施例六
本发明实施例五还提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种拍摄图像的处理方法，该方法包括：
在摄像头前存在显示屏的状态下，拍摄当前场景的待处理图像；
将待处理图像输入到预先训练完成的目标神经网络模型中，得到输出的网络图像；
对网络图像进行至少一种图像增强处理，得到目标图像。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的拍摄图像的处理方法中的相关操作。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种拍摄图像的处理方法，其特征在于，包括：
在摄像头前存在显示屏的状态下，拍摄当前场景的待处理图像；
将所述待处理图像输入到预先训练完成的目标神经网络模型中，得到输出的网络图像；
对所述网络图像进行至少一种图像增强处理，得到目标图像。
2.根据权利要求1所述的方法，其特征在于，所述拍摄当前场景的待处理图像，包括：
当接收到用户输入的拍摄指令时，将所述显示屏的预设显示区域设置为透明状态，并拍摄当前场景的待处理图像；其中，所述预设显示区域包括所述摄像头与所述显示屏的投影重叠的区域。
3.根据权利要求1所述的方法，其特征在于，所述对所述网络图像进行至少一种图像增强处理，得到目标图像，包括：
基于至少两种预设半径尺度，对所述网络图像进行高斯模糊处理，得到至少两个模糊图像；
基于各所述模糊图像和所述网络图像确定至少两个差值图像，并对各所述差值图像进行像素加权处理得到增强图像；
对所述增强图像进行梯度计算得到掩模值，基于所述掩模值对所述网络图像和所述增强图像进行像素加权处理得到目标图像。
4.根据权利要求1所述的方法，其特征在于，所述目标神经网络模型的训练方法，包括：
在摄像头前存在显示屏的状态下，对预设场景进行拍摄得到至少一个样本图像，并在摄像头前不存在显示屏的状态下，对所述预设场景进行拍摄得到与各所述样本图像对应的标准图像；
将各所述样本图像输入到初始神经网络模型中得到输出的与各所述样本图像对应的预测图像，并基于各所述预测图像和标准图像对初始神经网络模型进行迭代训练，直到满足预设条件时得到训练完成的目标神经网络模型。
5.根据权利要求4所述的方法，其特征在于，所述初始神经网络模型包括生成式对抗网络模型，所述目标神经网络模型包括训练完成的生成式对抗网络模型中的生成器。
6.根据权利要求5所述的方法，其特征在于，所述将各所述样本图像输入到初始神经网络模型中得到输出的与各所述样本图像对应的预测图像，包括：
将各所述样本图像输入到所述生成式对抗网络模型中的生成器中，得到生成器输出的预测图像；其中，所述生成器的网络结构包括1个卷积层、4个残差网络和5个卷积层依次连接，以及第1个卷积层中的输出层与第2个卷积层中的输出层跳变连接。
7.根据权利要求5所述的方法，其特征在于，所述基于各所述预测图像和标准图像对初始神经网络模型进行迭代训练，包括：
基于预设损失计算方法、各所述预测图像和标准图像，确定与所述预设损失计算方法对应的初始损失函数值；其中，所述预设损失计算方法包括基于生成式对抗网络模型的损失计算方法、像素差损失计算函数和基于超分辨率测试序列网络模型的损失计算方法中至少一种；
基于各所述初始损失函数值加权计算得到的目标损失函数值对所述生成式对抗网络模型中的生成器进行迭代训练。
8.根据权利要求7所述的方法，其特征在于，所述基于生成式对抗网络模型的损失计算方法，包括：
将各所述预测图像和与各所述预测图像对应的标准图像输入到生成式对抗网络模型中的判别器中，基于所述判别器输出的至少一个判别概率值确定初始损失函数值；其中，所述判别器的网络结构包括11个卷积层和1个全连接层依次连接，以及第8个卷积层中的输出层与第11个卷积层的输出层跳变连接。
9.根据权利要求4所述的方法，其特征在于，所述预设条件包括：
基于测试图像对迭代训练过程中的初始的神经网络模型输出的预测图像进行评价得到的评价结果满足预设数值；其中，评价的方法包括平均意见得分、峰值信噪比和结构相似度中至少一种。
10.一种拍摄设备，其特征在于，所述设备包括：
显示屏，用于显示影像；
摄像头，设置在所述显示屏的下方，用于拍摄当前场景的待处理图像；
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的拍摄图像的处理方法。
CN202010832922.4A 2020-08-18 2020-08-18 一种拍摄图像的处理方法及拍摄设备 Pending CN111951192A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010832922.4A CN111951192A (zh) 2020-08-18 2020-08-18 一种拍摄图像的处理方法及拍摄设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010832922.4A CN111951192A (zh) 2020-08-18 2020-08-18 一种拍摄图像的处理方法及拍摄设备

Publications (1)

Publication Number Publication Date
CN111951192A true CN111951192A (zh) 2020-11-17

Family

ID=73342680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010832922.4A Pending CN111951192A (zh) 2020-08-18 2020-08-18 一种拍摄图像的处理方法及拍摄设备

Country Status (1)

Country Link
CN (1) CN111951192A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112584237A (zh) * 2020-12-30 2021-03-30 米哈游科技（上海）有限公司 图像擦除方法、装置、电子设备及存储介质
CN112887598A (zh) * 2021-01-25 2021-06-01 维沃移动通信有限公司 图像处理方法、装置、拍摄支架、电子设备及可读存储介质
CN113705620A (zh) * 2021-08-04 2021-11-26 百度在线网络技术（北京）有限公司 图像显示模型的训练方法、装置、电子设备和存储介质
WO2023240898A1 (zh) * 2022-06-16 2023-12-21 昆山国显光电有限公司 一种显示装置及屏下拍照处理方法

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105094307A (zh) * 2014-05-23 2015-11-25 宇龙计算机通信科技(深圳)有限公司 一种具有前置摄像头的移动设备
CN108492271A (zh) * 2018-03-26 2018-09-04 中国电子科技集团公司第三十八研究所 一种融合多尺度信息的自动图像增强系统及方法
CN207924261U (zh) * 2018-03-29 2018-09-28 北京京东方光电科技有限公司 显示装置和虚拟现实设备
CN108632414A (zh) * 2018-05-25 2018-10-09 Oppo广东移动通信有限公司 电子装置
CN108833624A (zh) * 2018-06-13 2018-11-16 昆山龙腾光电有限公司 一种移动终端
CN108900766A (zh) * 2018-06-15 2018-11-27 北京华捷艾米科技有限公司 一种全景图像自动增强装置和方法、以及应用该装置的全景相机
CN108900659A (zh) * 2018-05-28 2018-11-27 Oppo广东移动通信有限公司 电子装置
CN109192076A (zh) * 2018-11-02 2019-01-11 京东方科技集团股份有限公司 一种显示面板和显示装置
CN208386645U (zh) * 2018-06-21 2019-01-15 Oppo广东移动通信有限公司 电子装置
CN109978762A (zh) * 2019-02-27 2019-07-05 南京信息工程大学 一种基于条件生成对抗网络的超分辨率重建方法
CN110024366A (zh) * 2017-07-07 2019-07-16 华为技术有限公司 一种具有摄像头的终端和拍摄方法
CN110084757A (zh) * 2019-04-15 2019-08-02 南京信息工程大学 一种基于生成对抗网络的红外深度图像增强方法
CN209947878U (zh) * 2019-07-08 2020-01-14 北京小米移动软件有限公司 显示面板、显示屏及电子设备
WO2020052170A1 (zh) * 2018-09-11 2020-03-19 深圳云天励飞技术有限公司 一种目标对象识别方法、装置及存储介质
CN110956591A (zh) * 2019-11-06 2020-04-03 河海大学 一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法
CN111080538A (zh) * 2019-11-29 2020-04-28 中国电子科技集团公司第五十二研究所 一种红外融合边缘增强方法
CN111242865A (zh) * 2020-01-10 2020-06-05 南京航空航天大学 基于生成式对抗网络的眼底图像增强方法
CN111311523A (zh) * 2020-03-26 2020-06-19 北京迈格威科技有限公司 图像处理方法、装置、系统和电子设备
CN111308770A (zh) * 2020-02-26 2020-06-19 武汉华星光电技术有限公司 显示装置
CN111340716A (zh) * 2019-11-20 2020-06-26 电子科技大学成都学院 一种改进双重判别对抗网络模型的图像去模糊方法

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105094307A (zh) * 2014-05-23 2015-11-25 宇龙计算机通信科技(深圳)有限公司 一种具有前置摄像头的移动设备
CN110024366A (zh) * 2017-07-07 2019-07-16 华为技术有限公司 一种具有摄像头的终端和拍摄方法
CN108492271A (zh) * 2018-03-26 2018-09-04 中国电子科技集团公司第三十八研究所 一种融合多尺度信息的自动图像增强系统及方法
CN207924261U (zh) * 2018-03-29 2018-09-28 北京京东方光电科技有限公司 显示装置和虚拟现实设备
CN108632414A (zh) * 2018-05-25 2018-10-09 Oppo广东移动通信有限公司 电子装置
CN108900659A (zh) * 2018-05-28 2018-11-27 Oppo广东移动通信有限公司 电子装置
CN108833624A (zh) * 2018-06-13 2018-11-16 昆山龙腾光电有限公司 一种移动终端
CN108900766A (zh) * 2018-06-15 2018-11-27 北京华捷艾米科技有限公司 一种全景图像自动增强装置和方法、以及应用该装置的全景相机
CN208386645U (zh) * 2018-06-21 2019-01-15 Oppo广东移动通信有限公司 电子装置
WO2020052170A1 (zh) * 2018-09-11 2020-03-19 深圳云天励飞技术有限公司 一种目标对象识别方法、装置及存储介质
CN109192076A (zh) * 2018-11-02 2019-01-11 京东方科技集团股份有限公司 一种显示面板和显示装置
CN109978762A (zh) * 2019-02-27 2019-07-05 南京信息工程大学 一种基于条件生成对抗网络的超分辨率重建方法
CN110084757A (zh) * 2019-04-15 2019-08-02 南京信息工程大学 一种基于生成对抗网络的红外深度图像增强方法
CN209947878U (zh) * 2019-07-08 2020-01-14 北京小米移动软件有限公司 显示面板、显示屏及电子设备
CN110956591A (zh) * 2019-11-06 2020-04-03 河海大学 一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法
CN111340716A (zh) * 2019-11-20 2020-06-26 电子科技大学成都学院 一种改进双重判别对抗网络模型的图像去模糊方法
CN111080538A (zh) * 2019-11-29 2020-04-28 中国电子科技集团公司第五十二研究所 一种红外融合边缘增强方法
CN111242865A (zh) * 2020-01-10 2020-06-05 南京航空航天大学 基于生成式对抗网络的眼底图像增强方法
CN111308770A (zh) * 2020-02-26 2020-06-19 武汉华星光电技术有限公司 显示装置
CN111311523A (zh) * 2020-03-26 2020-06-19 北京迈格威科技有限公司 图像处理方法、装置、系统和电子设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JING WANG ET AL: "CA-GAN: Class-Condition Attention GAN for Underwater Image Enhancement", 《IEEE ACCESS》 *
吴桦等: "《新一代互联网流媒体服务及路由关键技术》", 30 November 2017 *
牟少敏等: "《模式识别与机器学习技术》", 30 June 2019 *
王仕女: "全局与局部融合的图像增强算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王凯等: "基于暗通道先验的图像去雾算法改进", 《液晶与显示》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112584237A (zh) * 2020-12-30 2021-03-30 米哈游科技（上海）有限公司 图像擦除方法、装置、电子设备及存储介质
CN112584237B (zh) * 2020-12-30 2022-06-17 米哈游科技（上海）有限公司 图像擦除方法、装置、电子设备及存储介质
CN112887598A (zh) * 2021-01-25 2021-06-01 维沃移动通信有限公司 图像处理方法、装置、拍摄支架、电子设备及可读存储介质
WO2022156683A1 (zh) * 2021-01-25 2022-07-28 维沃移动通信有限公司 图像处理方法、装置、拍摄支架、电子设备及可读存储介质
CN113705620A (zh) * 2021-08-04 2021-11-26 百度在线网络技术（北京）有限公司 图像显示模型的训练方法、装置、电子设备和存储介质
CN113705620B (zh) * 2021-08-04 2023-08-15 百度在线网络技术（北京）有限公司 图像显示模型的训练方法、装置、电子设备和存储介质
WO2023240898A1 (zh) * 2022-06-16 2023-12-21 昆山国显光电有限公司 一种显示装置及屏下拍照处理方法

Similar Documents

Publication Publication Date Title
CN108229277B (zh) 手势识别、手势控制及多层神经网络训练方法、装置及电子设备
CN111951192A (zh) 一种拍摄图像的处理方法及拍摄设备
CN111292337A (zh) 图像背景替换方法、装置、设备及存储介质
CN111738243B (zh) 人脸图像的选择方法、装置、设备及存储介质
CN112446380A (zh) 图像处理方法和装置
CN111311523B (zh) 图像处理方法、装置、系统和电子设备
WO2022076116A1 (en) Segmentation for image effects
CN112308797B (zh) 角点检测方法、装置、电子设备及可读存储介质
CN114390201A (zh) 对焦方法及其装置
CN115330640A (zh) 光照贴图降噪方法、装置、设备和介质
CN113596576A (zh) 一种视频超分辨率的方法及装置
CN113379615A (zh) 图像处理方法及装置、存储介质和电子设备
CN110222576B (zh) 拳击动作识别方法、装置和电子设备
Wang et al. A multi-scale attentive recurrent network for image dehazing
CN113962873A (zh) 一种图像去噪方法、存储介质及终端设备
CN115205793B (zh) 基于深度学习二次确认的电力机房烟雾检测方法及装置
WO2023001110A1 (zh) 神经网络训练方法、装置及电子设备
CN115439386A (zh) 图像融合方法、装置、电子设备和存储介质
CN116543246A (zh) 图像去噪模型的训练方法、图像去噪方法、装置及设备
CN115497094A (zh) 图像处理方法及装置、电子设备和存储介质
CN116848547A (zh) 图像的处理方法和系统
CN113205530A (zh) 阴影区域处理方法及装置、计算机可读介质和电子设备
CN112949526A (zh) 人脸检测方法和装置
CN117441195A (zh) 纹理补全
CN117671473B (zh) 基于注意力和多尺度特征融合的水下目标检测模型及方法

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