CN112118388A - 图像处理方法、装置、计算机设备和存储介质 - Google Patents

图像处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112118388A
CN112118388A CN202010771688.9A CN202010771688A CN112118388A CN 112118388 A CN112118388 A CN 112118388A CN 202010771688 A CN202010771688 A CN 202010771688A CN 112118388 A CN112118388 A CN 112118388A
Authority
CN
China
Prior art keywords
image
parameter
image processing
parameters
equipment
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
Application number
CN202010771688.9A
Other languages
English (en)
Other versions
CN112118388B (zh
Inventor
张官兴
王赟
郭蔚
黄康莹
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.)
Shanghai Ewa Intelligent Technology Co ltd
Shaoxing Ewa Technology Co Ltd
Original Assignee
Shanghai Ewa Intelligent Technology Co ltd
Shaoxing Ewa 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 Shanghai Ewa Intelligent Technology Co ltd, Shaoxing Ewa Technology Co Ltd filed Critical Shanghai Ewa Intelligent Technology Co ltd
Priority to CN202010771688.9A priority Critical patent/CN112118388B/zh
Publication of CN112118388A publication Critical patent/CN112118388A/zh
Application granted granted Critical
Publication of CN112118388B publication Critical patent/CN112118388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/62—Control of parameters via user interfaces
    • 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
    • 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
    • H04N23/84—Camera processing pipelines; Components thereof for processing colour signals
    • 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
    • H04N23/84—Camera processing pipelines; Components thereof for processing colour signals
    • H04N23/88—Camera processing pipelines; Components thereof for processing colour signals for colour balance, e.g. white-balance circuits or colour temperature control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
    • H04N25/60—Noise processing, e.g. detecting, correcting, reducing or removing noise
    • H04N25/68—Noise processing, e.g. detecting, correcting, reducing or removing noise applied to defects

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Studio Devices (AREA)

Abstract

本申请涉及一种图像处理方法、装置、计算机设备和存储介质。所述方法包括：获取预览图像；根据预览图像，调整与图像处理设备对应的设备参数，得到校正后的设备参数；基于校正后的设备参数，并通过图像处理设备采集初始图像数据；通过调校参数生成模型，确定与初始图像数据相应的图像调校参数；基于图像调校参数对初始图像数据进行处理，输出目标图像。采用本方法，对于不同参数规格的不同图像处理设备，无需通过专业技术人才和专业实验室等专业资源，也无需采用复杂的调校技术，就能适应性地生成与实际拍摄情况相匹配的图像，大大节省了资源成本和时间成本，同时，还保障了成像效果。

Description

图像处理方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像信号处理技术领域，特别是涉及一种图像处理方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，智能手机以及相关智能手持终端设备等电子设备已经成为人们的电子必需品。其中，各电子设备中的图像信号处理技术决定了拍摄图像的质量好坏。现有的ISP(mage Signal Processing，图像信号处理)方案是在电子设备中集成通用型的ISP芯片，并通过集成ISP芯片对电子设备中图像传感器输出的信号做后期处理，如降噪和HDR(High-Dynamic Range，高动态范围图像)补正等处理，从而生成最终的图像。
然而，采用现有的ISP方案时，不同的电子设备在使用同一款ISP芯片时，会得到与各自参数规格相应的成像效果，由于各电子设备的参数规格不同，因而各自得到的成像效果不同，也就是说，存在无法保障成像效果的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够保障成像效果的图像处理方法、装置、计算机设备和存储介质。
一种图像处理方法，应用于图像处理设备，所述方法包括：
获取预览图像；
根据所述预览图像，调整与所述图像处理设备对应的设备参数，得到校正后的设备参数；
基于所述校正后的设备参数，并通过所述图像处理设备采集初始图像数据；
通过调校参数生成模型，确定与所述初始图像数据相应的图像调校参数；
基于所述图像调校参数对所述初始图像数据进行处理，输出目标图像。
一种图像处理装置，所述装置包括：
获取模块，用于获取预览图像；
设备参数调整模块，用于根据所述预览图像，调整与所述图像处理设备对应的设备参数，得到校正后的设备参数；
图像采集模块，用于基于所述校正后的设备参数，并通过所述图像处理设备采集初始图像数据；
调校参数生成模块，用于通过调校参数生成模型，确定与所述初始图像数据相应的图像调校参数；
校正模块，用于基于所述图像调校参数对所述初始图像数据进行处理，输出目标图像。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取预览图像；
根据所述预览图像，调整与所述图像处理设备对应的设备参数，得到校正后的设备参数；
基于所述校正后的设备参数，并通过所述图像处理设备采集初始图像数据；
通过调校参数生成模型，确定与所述初始图像数据相应的图像调校参数；
基于所述图像调校参数对所述初始图像数据进行处理，输出目标图像。
一种计算机可读存储介质，其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以下步骤：
获取预览图像；
根据所述预览图像，调整与所述图像处理设备对应的设备参数，得到校正后的设备参数；
基于所述校正后的设备参数，并通过所述图像处理设备采集初始图像数据；
通过调校参数生成模型，确定与所述初始图像数据相应的图像调校参数；
基于所述图像调校参数对所述初始图像数据进行处理，输出目标图像。
上述图像处理方法、装置、计算机设备和存储介质，根据获取的预览图像，调整得到与图像处理设备对应的校正后的设备参数，也就是说，可根据实际拍摄情况，适应性地调整图像处理设备的设备参数，从而保证了成像效果。当自适应地调整完设备参数后，重新获取初始图像数据，通过调校参数生成模型确定与初始图像数据相应的图像调校参数，并根据图像调校参数生成最终的目标图像。通过这样的方式，对于不同参数规格的不同图像处理设备，无需通过专业技术人才和专业实验室等专业资源，也无需采用复杂的调校技术，就能适应性地生成与实际拍摄情况相匹配的图像，大大节省了资源成本和时间成本，同时，还保障了成像效果。
附图说明
图1为一个实施例中图像处理方法的流程示意图；
图2为一个实施例中图像调校参数的示意图；
图3(a)为一个具体的实施例中图像处理方法的流程示意图；
图3(b)为另一个具体的实施例中图像处理方法的流程示意图；
图3(c)为又一个具体的实施例中图像处理方法的流程示意图；
图4为一个实施例中图像处理装置的结构框图；
图5为另一个实施例中图像处理装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种图像处理方法，本实施例以该方法应用于图像处理设备进行举例说明。本实施例中，该图像处理方法包括以下步骤：
S102，获取预览图像。
其中，预览图像是通过图像处理设备的图像传感器拍摄的、且用于调试图像处理设备的设备参数的图像。其中，图像处理设备是用于采集图像数据、且将图像数据处理成对应的图像的设备。图像处理设备具体可以是照相机、摄影机、智能手机、平板电脑和个人计算机等设备。
具体地，图像处理设备包括相机单元和控制单元。其中，相机单元用于采集图像数据。控制单元包括NN(Neural Networks，神经网络)单元和ISP单元。NN单元中配置有已训练完成的调校参数生成模型，该调校参数生成模型基于图像数据确定对应的图像调校参数。ISP单元用于获取NN单元确定的图像调校参数，并基于该图像调校参数对图像数据进行校正处理，以生成对应的预览图像。其中，调校参数生成模型是生成与图像数据对应的调校参数的模型。
在一个实施例中，图像调校参数是通过训练好的调校参数生成模型所生成的、且用于调整图像成像效果的调校参数，该调校参数具体可以是黑平衡校正参数、白平衡校正参数、非线性GAMMA校正参数、镜头校正参数、坏点校正参数、亮度校正参数或者饱和度校正参数等参数。本申请实施例对此不作限定。关于图像调校参数的具体解释在后面的实施例中会进一步阐述。
在一个实施例中，NN单元中配置的调校参数生成模型可以通过以下方式训练得到：获取训练集样本图像数据，以及基于与训练集样本图像数据相应的标签数据。其中，标签数据包括标签调校参数和标签图像。通过待训练的调校参数生成模型对训练集样本图像数据进行处理，得到与训练集样本图像数据对应的预测调校参数，再根据预测调校参数基于ISP单元对训练集样本图像数据进行调整，得到样本测试图像。根据与待训练的调校参数生成模型对应的调校参数生成模型损失函数计算调校参数生成模型损失值，将样本测试图像和标签图像输入至待训练的第一判别器模型，将预测调校参数和标签调校参数输入至待训练的第二判别器模型，分别计算对应的第一判别器模型损失值和第二判别器模型损失值。其中，第一判别器模型损失值和第二判别器模型损失值可以简称为判别器模型损失值。根据调校参数生成模型损失值和判别器模型损失值，分别利用反向传播反复交替优化待训练的调校参数生成模型和待训练的判别器模型，当达到精度要求或者预设迭代次数后，分别保存待训练的调校参数生成模型和判别器模型的模型参数，得到训练好的调校参数生成模型。其中，预测调校参数是通过待训练的调校参数生成模型所生成的、且用于调整图像成像效果的参数。标签调校参数是调整图像成像效果的标准参数。
在一个实施例中，图像处理设备包括图像传感器和图像信号处理器、以及图像AI处理器，步骤S102，也就是获取预览图像的步骤，具体包括：获取第一拍摄模式指令；获取图像传感器基于拜耳阵列采集的第一RAW_RGB原始图像数据；根据第一拍摄模式指令，配置与图像AI处理器对应的调校参数生成模型；通过调校参数生成模型，生成图像调校参数；根据图像调校参数配置图像处理设备上的图像信号处理器，并对第一RAW_RGB原始图像数据进行校正处理，以输出预览图像。
其中，第一RAW_RGB原始图像数据是在调整设备参数之前，图像传感器所采集的原始的彩色图像数据，比如像素。其中，RAW表示原始数据，RGB可具体表示为R(Red，红色)、G(Green，绿色)以及B(Blue，蓝色)三通道的色彩图像。
图像传感器位于相机单元，是利用光电器件的光电转换功能，将感光面上的光像转换为与光像成相应比例关系的电信号的器件。图像传感器具体可分为光导摄像管和固态图像传感器。其中，固态图像传感器与光导摄像管相比，固态图像传感器具有体积小、重量轻、集成度高、分辨率高、功耗低、寿命长以及价格低等特点。
图像AI(Artificial Intelligence，人工智能)处理器位于控制单元中的NN单元中，是用于运行神经网络模型的器件。其中，神经网络模型可根据拍摄指令被配置为调校参数生成模型、或者目标检测模型、或图像高分辨率增强模型等，本申请实施例对此不作限定。
图像信号处理器位于控制单元中的ISP单元中，是对图像数据进行校正处理，以生成图像的器件。可以理解，图像信号处理器也可简称为ISP处理器。其中，对图像数据进行处理具体可以是黑电平补偿、镜头校正、坏点校正、以及颜色插值等处理，本申请实施例对此不作限定。
拜耳阵列是实现CCD(Charge Coupled Device，电荷藕合器件图像传感器)或CMOS(Complementary Metal-Oxide Semiconductor，互补性氧化金属半导体)传感器拍摄彩色图像的主要技术之一。可以理解，拜耳阵列是一个4×4阵列，具体是由8个绿色、4个蓝色和4个红色像素组成，其中，将灰度图像以2×2矩阵进行9次运算，可将灰度图像转换为一幅彩色图像。
具体地，图像处理设备获取第一拍摄模式指令，响应于该拍摄模式指令，图像处理设备获取图像传感器基于拜耳阵列采集的第一RAW_RGB原始图像数据。并且，响应于第一拍摄模式指令，图像处理设备为图像AI处理器配置对应的调校参数生成模型。基于配置好调校参数生成模型的图像AI处理器，图像处理设备确定与所获取的第一RAW_RGB原始图像数据对应的图像调校参数。并且，图像处理设备上的ISP处理器基于该图像调校参数，对第一RAW_RGB原始图像数据基于一系列图像校正算法依次进行校正处理，从而输出为预览图像。
上述实施例中，图像处理设备通过获取第一拍摄模式指令，为图像AI处理器配置调校参数生成模型，实现以第一RAW_RGB原始图像数据作为输入，并通过图像AI处理器生成对应的图像调校参数，且通过图像信号处理器输出对应的预览图像。通过这样的方式，图像处理设备可以预先获取用于调试的预览图像，以便于通过该预览图像实时调整图像处理设备的设备参数，从而保证成像效果。
S104，根据预览图像，调整与图像处理设备对应的设备参数，得到校正后的设备参数。
其中，设备参数是与设备相关的参数，具体可以是曝光时间、信号增益值、以及光圈大小等参数。其中，曝光时间也可以理解为按下快门到得到图像的时间，简称快门速度。曝光时间越长，光子到CCD或CMOS表面的光子总和越多，因而图像处理设备所生成的图像的亮度就会越大。当曝光过度，会导致生成的图像亮度太大；或者，当曝光不足，会导致生成的图像亮度太小。因此，曝光过度或者曝光不足都会失去图像中的细节，因而曝光时间是影响图像效果的一个关键因素。
信号增益值是经过双采样之后的模拟信号的放大增益。光圈是控制光线进入的大小。光圈越大，则单位时间的光通量越大；光圈越小，则单位时间的光通量越小。
在一个实施例中，步骤S104，也就是根据预览图像，调整与图像处理设备对应的设备参数，得到校正后的设备参数的步骤，具体包括：确定预览图像的亮度水平；基于亮度水平与亮度阈值，对当前的设备参数进行调整，得到校正后的设备参数。
在一个实施例中，图像处理设备根据当前的光照条件，预先设定亮度均值的参考值区间，并从中选取一个参考值作为目标亮度。当图像处理设备获取到预览图像后，对预览图像进行测光处理。图像处理设备根据该预览图像的亮度水平，生成对应的图像亮度直方图。通过判断图像亮度直方图的分布情况，来判断当前的光照是否为特殊光照。其中，特殊光照比如背光或者强正面光。背光会导致预览图像曝光不足，强正面光会导致预览图像曝光过度。
在一个实施例中，当图像处理设备确定当前的光照为特殊光照时，可对预览图像进行分区处理。具体地，将预览图像的中心区域赋予比其他区域更高的权重值，从而根据各分区调整后的权重值，计算图像灰度均值，以进行适度的曝光补偿。其中，曝光补偿主要通过共同调节曝光时间和信号增益值的方式来实现，也可以通过调节光圈大小的方式来辅助实现。本申请实施例对此不作限定。
在一个实施例中，图像处理设备基于预览图像的亮度水平与亮度阈值，对当前的设备参数进行调整，得到校正后的设备参数。比如对曝光时间、信号增益值、以及光圈大小等参数值进行调整。
上述实施例中，图像处理设备根据预览图像的亮度水平与亮度阈值，调整得到与图像处理设备对应的校正后的设备参数。通过这样的方式，图像处理设备可根据实际拍摄情况，适应性地调整图像处理设备的设备参数，从而保证了成像效果。
在一个实施例中，设备参数包括曝光时间和信号增益值中的至少一种；基于亮度水平与亮度阈值，对当前的设备参数进行调整，得到校正后的设备参数的步骤，具体包括：当亮度水平与亮度阈值的绝对差值亮度大于等于第一阈值、且差值亮度大于等于预设值时，将与预览图像对应的曝光值朝减小的方向进行调整；曝光值根据曝光时间和信号增益值计算得到；当绝对差值亮度大于等于第一阈值、且差值亮度小于预设值时，将与预览图像对应的曝光值朝增大的方向进行调整；基于调整后的曝光值，并按照预设规则生成新的设备参数；根据新的设备参数，通过图像采集设备获取新的预览图像，并将新的预览图像作为下一次迭代的预览图像；返回确定预览图像的亮度水平的步骤并继续执行，直至得到的调整后的曝光值所对应的预览图像的亮度水平满足停止条件时停止，将满足停止条件时对应的设备参数作为校正后的设备参数。
其中，第一阈值是用于判别当前图像的亮度是否达到预期区间的数值，记为Th1。第二阈值是用于区分当前图像的亮度与目标亮度的差异的数值，记为Thh。预设值是预先设置的数值，比如0，本申请实施例对此不作限定。曝光值是体现每张图像的曝光程度的数值。具体可以是曝光时间和信号增益值的乘积，或者曝光时间、信号增益值以及光圈大小的乘积。本申请实施例对此不作限定。
在一个实施例中，图像处理设备确定当前预览图像的亮度水平与亮度阈值的差值亮度、以及当前预览图像的亮度水平与亮度阈值的绝对差值亮度，并基于差值亮度和绝对差值亮度对当前的设备参数进行调整，以得到图像处理设备校正后的设备参数。校正后的设备参数比如是延长后的曝光时间、增大的信号增益值或者调大后的光圈值等。具体地，在当前预览图像的亮度水平过高时，可以减少图像处理设备的光圈大小、或者减少曝光时间和信号增益值；在当前预览图像的亮度水平过低时，可以增大图像处理设备的光圈大小、或者增加曝光时间和信号增益值。本申请实施例对此不作限定。
在一个实施例中，当预览图像的当前亮度与亮度阈值的绝对差值亮度大于等于Thh时，表示当前预览图像的亮度和目标亮度之间的差值过大，图像处理设备需快速调整设备参数，比如曝光时间和信号增益值等参数，并且加大迭代步长，从而处理得到与目标亮度相匹配的图像。
在一个实施例中，当预览图像的当前亮度与亮度阈值的绝对差值亮度小于Thh、且大于Th1时，表示当前预览图像的亮度和目标亮度之间的差值较小，图像处理设备可以缓慢地调整设备参数，并且减小迭代步长，从而处理得到与目标亮度相匹配的图像。
在一个实施例中，当预览图像的当前亮度与亮度阈值的绝对差值亮度大于等于Th1、且预览图像的当前亮度与亮度阈值的差值亮度大于等于预设值，也就是说当前亮度大于亮度阈值时，调小与预览图像对应的曝光值。
在一个实施例中，当预览图像的当前亮度与亮度阈值的绝对差值亮度大于等于Th1、且预览图像的当前亮度与亮度阈值的差值亮度小于预设值，也就是说当前亮度小于亮度阈值时，调大与预览图像对应的曝光值。
在一个实施例中，图像处理设备基于调整后的曝光值，按照预设规则生成新的设备参数，比如得到新的曝光时间和新的信号增益值。图像处理设备根据新的设备参数，重新获取新的预览图像，并将新的预览图像作为下一次迭代的预览图像。此时，返回确定预览图像的亮度的步骤并继续执行，直至得到的调整后的曝光值所对应的预览图像的亮度满足停止条件时停止。其中，停止条件是当前的预览图像已处于平稳状态。将此时的预览图像所对应的设备参数作为校正后的设备参数。
在一个实施例中，预览图像是否已处于平稳状态可通过以下方式确定：当预览图像的当前亮度与亮度阈值的绝对差值亮度小于Th1时，表示当前预览图像的亮度达到预期区间。此时，图像处理设备需判断当前预览图像是否趋于平稳状态。具体地，当下一次迭代后的预览图像的绝对差值亮度小于等于Thh时，表明此时的预览图像已处于平稳状态。
举例说明，当前预览图像的亮度记为
Figure BDA0002616869200000091
亮度阈值记为Y，亮度与亮度阈值的差值记为ΔY，绝对差值记为|ΔY|，曝光时间记为E，信号增益值记为G，曝光值记为eg＝E*G,曝光时间的最大值记为Emax，一行的曝光时间记为EL，新的曝光值记为(eg)new，新的曝光时间记为Enew，新的信号增益值记为Gnew。当|ΔY|≥TH1&ΔY>0时，减小eg，得到(eg)new；当|ΔY|≥TH1&ΔY≤0时，增大eg，得到(eg)new。判断(eg)new与Emax的关系：当(eg)new≥Emax时，Enew＝Emax，Gnew＝(eg)new/Emax；当(eg)new<Emax时，Enew＝int((eg)new/EL)*EL，Gnew＝(eg)new/Enew。图像处理设备基于Enew和Gnew，重新获取新的预览图像，并将新的预览图像作为下一次迭代的预览图像，并重新计算和判断新的预览图像中的|ΔY|和ΔY的数值。直至当前预览图像的|ΔY|<THh，并且上一次迭代时所对应的预览图像的|ΔY|<TH1时，将当前的预览图像所对应的曝光时间和信号增益值作为校正后的曝光时间和信号增益值。
上述实施例中，图像处理设备根据预览图像的亮度水平与亮度阈值，调整与预览图像对应的曝光值，基于调整后的曝光值，并按照预设规则生成新的设备参数。通过多次迭代直至得到的调整后的曝光值所对应的预览图像的亮度水平满足停止条件时停止，将满足停止条件时对应的设备参数作为校正后的设备参数。通过这样的方式，图像处理设备可根据实际拍摄情况，适应性地调整图像处理设备的设备参数，从而保证了成像效果。
S106，基于校正后的设备参数，并通过图像处理设备采集初始图像数据。
其中，初始图像数据是在调整设备参数之后，图像处理设备所采集的原始的彩色图像数据，比如像素。
在一个实施例中，图像处理设备基于校正后的设备参数进行自适应调整。当图像处理设备自适应调整后，重新获取图像数据，此时获取的图像数据可以和调整设备参数之前所获取的数据是相同的数据，也可以是不同的数据，此时获取的图像数据是初始图像数据，也可称作第二RAW_RGB原始图像数据。
在一个实施例中，步骤S106，也就是基于校正后的设备参数，并通过图像处理设备采集初始图像数据的步骤，具体包括：基于校正后的设备参数，重新获取图像传感器基于拜耳阵列采集的第二RAW_RGB原始图像数据，并将第二RAW_RGB原始图像数据作为初始图像数据。
在一个实施例中，当图像处理设备自适应调整设备参数后，图像处理设备通过相机单元的图像传感器基于拜耳阵列重新获取初始图像数据，并将初始图像数据传递至NN单元进行后续处理，比如通过NN单元中图像AI处理器配置的调校参数生成模型获取与初始图像数据对应的图像调校参数、以及通过图像信号处理器基于图像调校参数对初始图像数据进行处理等步骤。
S108，通过调校参数生成模型，确定与初始图像数据相应的图像调校参数。
在一个实施例中，当图像处理设备的图像AI处理器获取到初始图像数据后，通过所配置的调校参数生成模型确定与所获取的初始图像数据对应的图像调校参数，比如黑平衡校正参数、白平衡校正参数以及非线性GAMMA校正参数等调校参数。图像处理设备的图像AI处理器将该图像调校参数传递至ISP处理器，以使得ISP处理器可以对该初始图像数据根据一系列图像校正子算法依次对图像进行校正处理。
S110，基于图像调校参数对初始图像数据进行处理，输出目标图像。
其中，目标图像是图像处理设备基于第二RAW_RGB初始图像数据所生成的最终图像。
具体地，图像处理设备的ISP处理器获取到调校参数生成模型确定的图像调校参数后，基于该图像调校参数生成与初始图像数据对应的目标图像。
在一个实施例中，图像处理设备的图像AI处理器中还配置有图像增强模型，图像处理设备将第一RAW_RGB原始图像数据或者目标图像传递至NN单元中的图像AI处理器，并通过图像AI处理器所配置的图像增强模型直接输出高分辨率的图像。
在一个实施例中，图像处理设备的图像AI处理器中还配置有目标检测模型，图像处理设备将目标图像传递至NN单元中的图像AI处理器，并通过图像AI处理器所配置的目标检测模型检测出目标图像中的目标区域。其中，目标区域可以是人脸区域，也可以是车牌号码等区域，本申请实施例对此不作限定。
上述图像处理方法，根据获取的预览图像，调整得到与图像处理设备对应的校正后的设备参数，也就是说，可根据实际拍摄情况，适应性地调整图像处理设备的设备参数，从而保证了成像效果。当自适应地调整完设备参数后，重新获取初始图像数据，通过调校参数生成模型确定与初始图像数据相应的图像调校参数，并根据图像调校参数生成最终的目标图像。通过这样的方式，对于不同参数规格的不同图像处理设备，无需通过专业技术人才和专业实验室等专业资源，也无需采用复杂的调校技术，就能适应性地生成与实际拍摄情况相匹配的图像，大大节省了资源成本和时间成本，同时，还保障了成像效果。
在一个实施例中，该图像处理方法中还包括图像增强的步骤，该图像增强的步骤具体包括：当获取到第一转换指令时，将第一拍摄模式指令转换为第二拍摄模式指令，并根据第二拍摄模式指令获取图像增强模型；将目标图像输入至图像增强模型，并通过图像增强模型中对目标图像进行图像增强处理，得到高清图像。
在一个实施例中，当图像处理设备获取到第一转换指令时，图像处理设备可将当前的第一拍摄模式转换为第二拍摄模式。图像处理设备基于第二拍摄模式指令，获取NN单元中的图像AI处理器中预先加载的、且已训练好的图像增强模型。
在一个实施例中，图像处理设备将ISP处理器生成的目标图像传递至图像AI处理器中的图像增强模型，并通过图像增强模型对目标图像进行图像增强处理，得到对应的高清图像。
在一个实施例中，图像处理设备将图像传感器所获取的第一RAW_RGB原始图像数据传递至图像AI处理器中的图像增强模型，并通过图像增强模型对第一RAW_RGB原始图像数据进行图像增强处理，得到对应的高清图像。
上述实施例中，图像处理设备将目标图像输入至图像增强模型中进行处理，可得到对应的高清图像。通过这样的方式，图像处理设备可提高输出的图像的质量，从而保证了成像效果。
在一个实施例中，该图像处理方法中还包括目标检测的步骤，该人脸检测的步骤具体包括：当获取到第二转换指令时，将第一拍摄模式指令转换为第三拍摄模式指令，并根据第三拍摄模式指令获取目标检测模型；将目标图像输入至目标检测模型，并通过目标检测模型对目标图像进行目标检测，以确定目标图像中的目标区域。
在一个实施例中，当用户切换到图像处理设备中的目标检测模式时，图像处理设备基于与目标检测模式对应的第二转换指令，将第一拍摄模式指令转换为第三拍摄模式指令，并获取NN单元中的图像AI处理器预先加载的、且已训练好的目标检测模型。
在一个实施例中，目标图像可以是人脸图像、车牌图像或者文字图像等，并且，对于不同的目标图像，图像处理设备可配置不同的目标检测模型，本申请实施例对此不作限定。
当目标图像是人脸图像时，该目标检测模型可以是人脸检测模型，比如通过SSD算法(Single Shot MultiBox Detector，单镜头多盒检测器)、R-CNN算法(Region CNN，区域卷积神经网络)或YOLO算法(You Only Look Once，一种实时目标检测算法)等的算法构造的人脸检测模型。本申请实施例对此不作限定。
在一个实施例中，图像处理设备将ISP处理器生成的目标图像传递至NN单元中的人脸检测模型中，并通过人脸检测模型对目标图像进行人脸关键点检测处理，确定目标图像中的人脸区域。
在一个实施例中，图像处理设备的NN单元中也可以预先配置有人脸识别模型、或者骨骼检测模型，从而对目标图像进一步地检测识别，本申请实施例对此不作限定。比如，当检测到目标图像中的人脸区域时，可以对该人脸区域中的人脸部分进行识别，从而确定对应的目标对象为用户对象；当检测到目标图像中的车牌区域时，可以对该车牌区域中的车牌号码部分进行识别，从而确定对应的目标对象为车辆对象。
上述实施例中，图像处理设备将目标图像输入至目标检测模型中进行处理，以确定目标图像中的目标区域。通过这样的方式，图像处理设备可对输出的目标图像中的图像内容进行检测和识别。
在一个实施例中，该图像处理方法中的图像调校参数包括：黑平衡校正参数、白平衡校正参数、非线性GAMMA校正参数、镜头校正参数、坏点校正参数、亮度校正参数以及饱和度校正参数中的至少一种。
在一个实施例中，各图像校正参数都对应一种图像校正子算法，可以理解，调校参数生成模型是由一系列独立的图像校正子算法组成，每一步校正主要通过输入图像信息统计数据，驱动相应子算法完成计算。图像处理设备根据计算结果控制相机曝光及图像校正，比如自动曝光校正通过统计图像像素亮度分布，确定曝光时间参数或调整像素亮度增益等，其中，图像信息统计数据包括亮度信息统计、以及色彩统计等数据。
在一个实施例中，图像处理设备中NN单元的调校参数生成模型基于图像数据得到各图像调校参数并传递至ISP单元进行图像处理。其中，各图像调校参数所对应的各调校步骤按照预设的顺序先后对图像处理设备所采集的图像数据进行。参考图2，比如按照黑平衡校正、非线性GAMMA校正、镜头校正、坏点校正、去噪、白平衡校正、颜色插值、RGB去噪、RGB校正、色彩映射、GAMMA、色彩空间转换、色彩校正、对比度校正、亮度校正、色彩饱和度校正、以及边界增强/浮雕处理等操作的先后顺序对图像数据进行调校。其中，在对比度校正步骤之前，还包括对图像处理设备的设备参数的调整，比如自动曝光(AE，Automatic Exposure)和自动对焦(AF，Auto Focus)。
在一个实施例中，当图像处理设备的传感器存在漏电流的情况时，图像处理设备在全黑的状态下所采集的图像数据对应的像素值是一个比0大的数值。因此，黑平衡校正参数是用于将图像数据对应的最低电平调整为0的参数。具体地，图像数据的所有像素值都减去该黑平衡校正参数后，可得到对应的校正像素值。
在一个实施例中，当图像处理设备采集到的是白色物体的图像数据、且白色物体处于不同的光照条件时下，图像处理设备的传感器所输出的图像数据会呈现不同的颜色，比如在低色温下偏黄，在高色温下偏蓝；还比如在白炽灯照明条件下易偏黄，在户外日光充足条件下会偏蓝等。因此，白平衡参数用于将传感器所采集的不同色温以及不同光线条件下的白色物体所对应的图像数据都转换为更接近白色的参数。具体地，图像处理设备可采用灰度世界或者完美反射法等算法。
在一个实施例中，图像处理设备中的非线性GAMMA校正是通过查表法来实现的。具体地，对于每一个伽马值，将不同亮度范围的理想输出亮度在查找表中预先设定好。当图像处理设备NN单元中的调校参数生成模型获取到图像数据时，可根据该图像数据的实际亮度，转换得到其对应的理想输出亮度。因此，非线性GAMMA校正参数是将图像数据的实际亮度转换为理想输出亮度的参数。通过非线性GAMMA校正后，使得暗场灰阶的颜色得到改善，各灰阶的颜色误差减少，暗场颜色细节分明，因而基于非线性GAMMA校正参数所得到的图像的亮度颜色更均匀、透亮度更好。
在一个实施例中，当图像处理设备在采集图像数据时，视场角逐渐增大，会导致所采集的图像数据亮度值分布不均。因此，镜头校正参数是用于将图像数据的亮度调整为均匀状态的参数。具体地，以图像数据的中心区域、且亮度较均匀的区域所对应的亮度作为参照亮度，计算除中心区域以外的周围区域中需要补偿的增益，从而得到亮度分布更均匀的图像数据。
在一个实施例中，当图像处理设备采集到的图像数据中出现坏点时，可对坏点做中值滤波，从而替换图像数据中原来的像素值。因此，坏点校正参数是用于去除图像数据中的坏点的参数。具体地，在RGB域上做5x5的评估，当某个点和周围的点偏离度超过阈值的点时，该点可被称作是坏点。
在一个实施例中，亮度校正参数是用于调整图像数据的亮度的参数，比如通过亮度校正参数的数值改变当前图像数据所对应的亮度。
在一个实施例中，饱和度校正参数是用于调整图像数据的颜色饱和度的参数。其中，颜色饱和度表示色彩的纯度。具体地，当色彩的纯度越高，对应的颜色体现就越鲜明；当色彩的纯度越低，对应的颜色体现就越黯淡。
上述实施例中，图像处理设备中的调校参数生成模型基于图像数据所得到的图像调校参数可以是一种或多种。图像处理设备可基于这些图像调校参数得到对应的校正后的图像，从而提高了成像的效果。
参考图3(a)，在一个具体的实施例中，该图像处理方法包括以下步骤：图像处理设备包括图像传感器、图像AI处理器以及图像信号处理器(ISP处理器)。当图像处理设备获取到第一拍摄模式指令时，图像传感器获取第一RAW_RGB原始图像数据，并且，图像处理设备为图像AI处理器配置对应的调校参数生成模型。图像处理设备将所获取的第一RAW_RGB原始图像数据传输至配置好的图像AI处理器，以使得图像AI处理器生成对应的图像调校参数。ISP处理器基于该图像调校参数，对第一RAW_RGB原始图像数据进行处理，输出预览图像。
图像处理设备基于预览图像调整自身的设备参数，其中，设备参数包括曝光时间、信号增益值、以及光圈大小等参数值。当设备参数满足预设条件时，基于调整后的设备参数，图像处理设备重新获取第二RAW_RGB原始图像数据，并将第二RAW_RGB原始图像数据传输至配置好的图像AI处理器，以使得图像AI处理器生成对应的新的图像调校参数。ISP处理器基于新的图像调校参数，对第二RAW_RGB原始图像数据进行处理，输出目标图像。
参考图3(b)，在一个具体的实施例中，该图像处理方法包括以下步骤：当第一拍摄模式指令转换为第二拍摄模式指令时，图像处理设备重新配置图像AI处理器，为图像AI处理器配置图像增强模型，图像处理设备将第一RAW_RGB原始图像数据或者目标图像传递至图像AI处理器进行处理，并通过图像AI处理器所配置的图像增强模型输出高清图像。
参考图3(c)，在一个具体的实施例中，该图像处理方法包括以下步骤：当第一拍摄模式指令转换为第三拍摄模式指令时，图像处理设备重新配置图像AI处理器，为图像AI处理器配置目标检测模型，图像处理设备将目标图像传递至图像AI处理器，并通过图像AI处理器所配置的目标检测模型检测出目标图像中的目标区域。其中，目标区域也可称作感兴趣区域。并且，还可以对该目标区域的内容进行识别，从而确定对应的目标对象。
应该理解的是，虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种图像处理装置400，包括：获取模块401、设备参数调整模块402、图像采集模块403、调校参数生成模块404和校正模块405，其中：
获取模块401，用于获取预览图像；
设备参数调整模块402，用于根据预览图像，调整与图像处理设备对应的设备参数，得到校正后的设备参数；
图像采集模块403，用于基于校正后的设备参数，并通过图像处理设备采集初始图像数据；
调校参数生成模块404，用于通过调校参数生成模型，确定与初始图像数据相应的图像调校参数；
校正模块405，用于基于图像调校参数对初始图像数据进行处理，输出目标图像。
在一个实施例中，图像处理设备包括图像传感器和图像信号处理器、以及图像AI处理器，获取模块401还用于获取第一拍摄模式指令；获取图像传感器基于拜耳阵列采集的第一RAW_RGB原始图像数据；根据第一拍摄模式指令，配置与图像AI处理器对应的调校参数生成模型；调校参数生成模块404还用于通过调校参数生成模型，生成图像调校参数；校正模块405还用于根据图像调校参数配置图像处理设备上的图像信号处理器，并对第一RAW_RGB原始图像数据进行校正处理，以输出预览图像。
在一个实施例中，图像采集模块403还用于基于校正后的设备参数，重新获取图像传感器基于拜耳阵列采集的第二RAW_RGB原始图像数据，并将第二RAW_RGB原始图像数据作为初始图像数据。
在一个实施例中，设备参数调整模块402还用于确定预览图像的亮度水平；基于亮度水平与亮度阈值，对当前的设备参数进行调整，得到校正后的设备参数。
在一个实施例中，设备参数包括曝光时间和信号增益值中的至少一种，设备参数调整模块402还用于当亮度水平与亮度阈值的绝对差值亮度大于等于第一阈值、且差值亮度大于等于预设值时，将与预览图像对应的曝光值朝减小的方向进行调整；曝光值根据曝光时间和信号增益值计算得到；当绝对差值亮度大于等于第一阈值、且差值亮度小于预设值时，将与预览图像对应的曝光值朝增大的方向进行调整；基于调整后的曝光值，并按照预设规则生成新的设备参数；根据新的设备参数，通过图像采集设备获取新的预览图像，并将新的预览图像作为下一次迭代的预览图像；返回确定预览图像的亮度水平的步骤并继续执行，直至得到的调整后的曝光值所对应的预览图像的亮度水平满足停止条件时停止，将满足停止条件时对应的设备参数作为校正后的设备参数。
在一个实施例中，参考图5，该图像处理装置400还包括图像增强模块406，用于当获取到第一转换指令时，将第一拍摄模式指令转换为第二拍摄模式指令，并根据第二拍摄模式指令获取图像增强模型；将目标图像输入至图像增强模型，并通过图像增强模型对目标图像进行图像增强处理，得到增强图像。
在一个实施例中，该图像处理装置400还包括目标检测模块407，用于当获取到第二转换指令时，将第一拍摄模式指令转换为第三拍摄模式指令，并根据第三拍摄模式指令获取目标检测模型；将目标图像输入至目标检测模型，并通过目标检测模型对目标图像进行目标检测，以确定目标图像中的目标区域。
在一个实施例中，该图像处理装置400中的图像调校参数包括：黑平衡校正参数、白平衡校正参数、非线性GAMMA校正参数、镜头校正参数、坏点校正参数、亮度校正参数以及饱和度校正参数中的至少一种。
上述图像处理装置，根据获取的预览图像，调整得到与图像处理设备对应的校正后的设备参数，也就是说，可根据实际拍摄情况，适应性地调整图像处理设备的设备参数，从而保证了成像效果。当自适应地调整完设备参数后，重新获取初始图像数据，通过调校参数生成模型确定与初始图像数据相应的图像调校参数，并根据图像调校参数生成最终的目标图像。通过这样的方式，对于不同参数规格的不同图像处理设备，无需通过专业技术人才和专业实验室等专业资源，也无需采用复杂的调校技术，就能适应性地生成与实际拍摄情况相匹配的图像，大大节省了资源成本和时间成本，同时，还保障了成像效果。
关于图像处理装置的具体限定可以参见上文中对于图像处理方法的限定，在此不再赘述。上述图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是上述提到的图像处理设备，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏、输入装置和摄像头。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。该计算机设备的摄像头用于获取图像数据。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述图像处理方法的步骤。此处图像处理方法的步骤可以是上述各个实施例的图像处理方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述图像处理方法的步骤。此处图像处理方法的步骤可以是上述各个实施例的图像处理方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种图像处理方法，其特征在于，应用于图像处理设备，所述方法包括：
获取预览图像；
根据所述预览图像，调整与所述图像处理设备对应的设备参数，得到校正后的设备参数；
基于所述校正后的设备参数，并通过所述图像处理设备采集初始图像数据；
通过调校参数生成模型，确定与所述初始图像数据相应的图像调校参数；
基于所述图像调校参数对所述初始图像数据进行处理，输出目标图像。
2.根据权利要求1所述的方法，其特征在于，所述图像处理设备包括图像传感器和图像信号处理器、以及图像AI处理器；所述获取预览图像，包括：
获取第一拍摄模式指令；
获取所述图像传感器基于拜耳阵列采集的第一RAW_RGB原始图像数据；
根据所述第一拍摄模式指令，配置与所述图像AI处理器对应的调校参数生成模型；
通过所述调校参数生成模型，生成图像调校参数；
根据所述图像调校参数配置所述图像处理设备上的图像信号处理器，并对所述第一RAW_RGB原始图像数据进行校正处理，以输出预览图像。
3.根据权利要求2所述的方法，其特征在于，所述基于所述校正后的设备参数，并通过所述图像处理设备采集初始图像数据，包括：
基于所述校正后的设备参数，重新获取所述图像传感器基于拜耳阵列采集的第二RAW_RGB原始图像数据，并将所述第二RAW_RGB原始图像数据作为初始图像数据。
4.根据权利要求1所述的方法，其特征在于，所述根据所述预览图像，调整与所述图像处理设备对应的设备参数，得到校正后的设备参数，包括：
确定所述预览图像的亮度水平；
基于所述亮度水平与亮度阈值，对所述当前的设备参数进行调整，得到校正后的设备参数。
5.根据权利要求4所述的方法，其特征在于，所述设备参数包括曝光时间和信号增益值中的至少一种；所述基于所述亮度水平与亮度阈值，对所述当前的设备参数进行调整，得到校正后的设备参数，包括：
当所述所述亮度水平与亮度阈值的绝对差值亮度大于等于第一阈值、且所述差值亮度大于等于预设值时，将与所述预览图像对应的曝光值朝减小的方向进行调整；所述曝光值根据曝光时间和信号增益值计算得到；
当所述绝对差值亮度大于等于第一阈值、且所述差值亮度小于所述预设值时，将与所述预览图像对应的曝光值朝增大的方向进行调整；
基于调整后的曝光值，并按照预设规则生成新的设备参数；
根据新的设备参数，通过所述图像采集设备获取新的预览图像，并将所述新的预览图像作为下一次迭代的预览图像；
返回所述确定所述预览图像的亮度水平的步骤并继续执行，直至得到的调整后的曝光值所对应的预览图像的亮度水平满足停止条件时停止，将满足所述停止条件时对应的设备参数作为校正后的设备参数。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
当获取到第一转换指令时，将所述第一拍摄模式指令转换为第二拍摄模式指令，并根据所述第二拍摄模式指令获取图像增强模型；
将所述目标图像输入至所述图像增强模型，并通过所述图像增强模型对所述目标图像进行图像增强处理，得到增强图像。
7.根据权利要求2所述的方法，其特征在于，所述方法还包括：
当获取到第二转换指令时，将所述第一拍摄模式指令转换为第三拍摄模式指令，并根据所述第三拍摄模式指令获取目标检测模型；
将所述目标图像输入至所述目标检测模型，并通过所述目标检测模型对所述目标图像进行目标检测，以确定所述目标图像中的目标区域。
8.根据权利要求1-7任意一项所述的方法，其特征在于，所述图像调校参数包括：黑平衡校正参数、白平衡校正参数、非线性GAMMA校正参数、镜头校正参数、坏点校正参数、亮度校正参数以及饱和度校正参数中的至少一种。
9.一种图像处理装置，其特征在于，所述装置包括：
获取模块，用于获取预览图像；
设备参数调整模块，用于根据所述预览图像，调整与所述图像处理设备对应的设备参数，得到校正后的设备参数；
图像采集模块，用于基于所述校正后的设备参数，并通过所述图像处理设备采集初始图像数据；
调校参数生成模块，用于通过调校参数生成模型，确定与所述初始图像数据相应的图像调校参数；
校正模块，用于基于所述图像调校参数对所述初始图像数据进行处理，输出目标图像。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202010771688.9A 2020-08-04 2020-08-04 图像处理方法、装置、计算机设备和存储介质 Active CN112118388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010771688.9A CN112118388B (zh) 2020-08-04 2020-08-04 图像处理方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010771688.9A CN112118388B (zh) 2020-08-04 2020-08-04 图像处理方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112118388A true CN112118388A (zh) 2020-12-22
CN112118388B CN112118388B (zh) 2022-07-26

Family

ID=73798872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010771688.9A Active CN112118388B (zh) 2020-08-04 2020-08-04 图像处理方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112118388B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800969A (zh) * 2021-01-29 2021-05-14 新疆爱华盈通信息技术有限公司 图像质量调节方法和系统、ai处理方法、门禁系统
CN114125216A (zh) * 2021-10-27 2022-03-01 中国科学院软件研究所 一种面向软件定义卫星的成像系统及成像方法
CN114697628A (zh) * 2022-06-01 2022-07-01 龙旗电子(惠州)有限公司 图像采集方法、装置、设备和介质
CN115696044A (zh) * 2023-01-04 2023-02-03 深圳思谋信息科技有限公司 成像控制方法、装置、计算机设备和存储介质
WO2023025063A1 (zh) * 2021-08-23 2023-03-02 索尼集团公司 图像信号处理器优化方法及设备
WO2023050418A1 (zh) * 2021-09-30 2023-04-06 深圳传音控股股份有限公司 数据处理方法、数据处理系统、电子设备及存储介质
CN116709003A (zh) * 2022-10-09 2023-09-05 荣耀终端有限公司 一种图像处理方法和电子设备
CN117850032A (zh) * 2024-03-08 2024-04-09 深圳市睿光达光电有限公司 一种光学透镜的调校方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104333710A (zh) * 2014-11-28 2015-02-04 广东欧珀移动通信有限公司 相机曝光方法、装置及设备
CN106412547A (zh) * 2016-08-29 2017-02-15 厦门美图之家科技有限公司 一种基于卷积神经网络的图像白平衡方法、装置和计算设备
CN107578390A (zh) * 2017-09-14 2018-01-12 长沙全度影像科技有限公司 一种使用神经网络进行图像白平衡校正的方法及装置
CN110913147A (zh) * 2018-09-14 2020-03-24 浙江宇视科技有限公司 曝光调节方法、装置及电子设备
CN111369466A (zh) * 2020-03-05 2020-07-03 福建帝视信息科技有限公司 一种基于可变形卷积的卷积神经网络的图像畸变矫正增强方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104333710A (zh) * 2014-11-28 2015-02-04 广东欧珀移动通信有限公司 相机曝光方法、装置及设备
CN106412547A (zh) * 2016-08-29 2017-02-15 厦门美图之家科技有限公司 一种基于卷积神经网络的图像白平衡方法、装置和计算设备
CN107578390A (zh) * 2017-09-14 2018-01-12 长沙全度影像科技有限公司 一种使用神经网络进行图像白平衡校正的方法及装置
CN110913147A (zh) * 2018-09-14 2020-03-24 浙江宇视科技有限公司 曝光调节方法、装置及电子设备
CN111369466A (zh) * 2020-03-05 2020-07-03 福建帝视信息科技有限公司 一种基于可变形卷积的卷积神经网络的图像畸变矫正增强方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800969A (zh) * 2021-01-29 2021-05-14 新疆爱华盈通信息技术有限公司 图像质量调节方法和系统、ai处理方法、门禁系统
CN112800969B (zh) * 2021-01-29 2022-04-19 深圳市爱深盈通信息技术有限公司 图像质量调节方法和系统、ai处理方法、门禁系统
WO2023025063A1 (zh) * 2021-08-23 2023-03-02 索尼集团公司 图像信号处理器优化方法及设备
WO2023050418A1 (zh) * 2021-09-30 2023-04-06 深圳传音控股股份有限公司 数据处理方法、数据处理系统、电子设备及存储介质
CN114125216A (zh) * 2021-10-27 2022-03-01 中国科学院软件研究所 一种面向软件定义卫星的成像系统及成像方法
CN114697628A (zh) * 2022-06-01 2022-07-01 龙旗电子(惠州)有限公司 图像采集方法、装置、设备和介质
CN116709003A (zh) * 2022-10-09 2023-09-05 荣耀终端有限公司 一种图像处理方法和电子设备
CN115696044A (zh) * 2023-01-04 2023-02-03 深圳思谋信息科技有限公司 成像控制方法、装置、计算机设备和存储介质
CN115696044B (zh) * 2023-01-04 2023-08-04 深圳思谋信息科技有限公司 成像控制方法、装置、计算机设备和存储介质
CN117850032A (zh) * 2024-03-08 2024-04-09 深圳市睿光达光电有限公司 一种光学透镜的调校方法及系统
CN117850032B (zh) * 2024-03-08 2024-06-21 深圳市睿光达光电有限公司 一种光学透镜的调校方法及系统

Also Published As

Publication number Publication date
CN112118388B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN112118388B (zh) 图像处理方法、装置、计算机设备和存储介质
US11849224B2 (en) Global tone mapping
US10021313B1 (en) Image adjustment techniques for multiple-frame images
JP4678218B2 (ja) 撮像装置及び画像処理方法
CN105611185B (zh) 图像生成方法、装置及终端设备
EP3308534A1 (en) Color filter array scaler
JP2011101359A (ja) イメージセンサの統合ノイズモデリング方法及びそれを利用するノイズ低減方法
CN111510698A (zh) 图像处理方法、装置、存储介质及移动终端
CN110213502A (zh) 图像处理方法、装置、存储介质及电子设备
WO2019104047A1 (en) Global tone mapping
US11601600B2 (en) Control method and electronic device
KR101754425B1 (ko) 이미지 촬영 장치의 밝기를 자동으로 조절하는 장치 및 방법
CN110830789A (zh) 一种过曝检测方法、装置及一种过曝抑制方法、装置
CN110572585B (zh) 图像处理方法、装置、存储介质及电子设备
JP2008085634A (ja) 撮像装置及び画像処理方法
US11496694B2 (en) Dual sensor imaging system and imaging method thereof
US11640654B2 (en) Image processing method and apparatus
US11869224B2 (en) Method and system for establishing light source information prediction model
Brown Color processing for digital cameras
US11153467B2 (en) Image processing
US20130266220A1 (en) Color signal processing circuit, color signal processing method, color reproduction evaluating method, imaging apparatus, electronic apparatus and testing device
CN114331893A (zh) 一种获取图像噪声的方法、介质和电子设备
WO2016200480A1 (en) Color filter array scaler
US9185310B2 (en) Solid-state imaging device, illuminance measuring method performed by solid-state imaging device, and camera module
CN118233757B (zh) 图像处理方法、图像采集设备、装置、介质及产品

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