CN112330788A - 图像处理方法、装置、可读介质及电子设备 - Google Patents
图像处理方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN112330788A CN112330788A CN202011355872.1A CN202011355872A CN112330788A CN 112330788 A CN112330788 A CN 112330788A CN 202011355872 A CN202011355872 A CN 202011355872A CN 112330788 A CN112330788 A CN 112330788A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- processed
- illumination
- illumination 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 title claims description 28
- 238000005286 illumination Methods 0.000 claims abstract description 243
- 238000000034 method Methods 0.000 claims description 48
- 238000000605 extraction Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像处理方法、装置、可读介质及电子设备，包括：提取待处理图像中的全局光照信息；根据全局光照信息对待处理图像进行重建，以得到全局光照图像；计算全局光照图像与待处理图像之间的残差信息；根据残差信息确定待处理图像中所包括的目标局部光照信息，其中，目标局部光照信息为待处理图像中的每个像素块中的光照信息，每个像素块的大小相同，所有像素块共同组成待处理图像。这样就能够根据估计得到的图像的全局光照与原图中的光照信息之间的残差信息来估计该待处理图像中的各个像素块的目标局部光照信息，从而避免估计得到的目标局部光照信息与该待处理图像的全局光照信息之间偏差过大，保证了该目标局部光照信息的准确度。
Description
技术领域
本公开涉及图像处理领域，具体地，涉及一种图像处理方法、装置、可读介质及电子设备。
背景技术
真实生活中的光线较为复杂，场景中的物体之间可能会互相作用而产生各种间接光照，在对拍摄到的真实生活的图像进行光照估计时，估计得到的光照往往不够准确。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种图像处理方法，所述方法包括：
提取待处理图像中的全局光照；
根据所述全局光照对所述待处理图像进行重建，以得到全局光照图像；
计算所述全局光照图像与所述待处理图像之间的残差信息；
根据所述残差信息确定所述待处理图像中所包括的目标局部光照信息，其中，所述目标局部光照信息为所述待处理图像中的每个像素块中的光照信息，每个所述像素块的大小相同，所有所述像素块共同组成所述待处理图像。
第二方面，本公开还提供一种图像处理装置，所述装置包括：
第一提取模块，用于提取待处理图像中的全局光照；
第一重建模块，用于根据所述全局光照对所述待处理图像进行重建，以得到全局光照图像；
计算模块，用于计算所述全局光照图像与所述待处理图像之间的残差信息；
处理模块，用于根据所述残差信息确定所述待处理图像中所包括的目标局部光照信息，其中，所述目标局部光照信息为所述待处理图像中的每个像素块中的光照信息，每个所述像素块的大小相同，所有所述像素块共同组成所述待处理图像。
第三方面，本公开还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面中所述方法的步骤。
第四方面，本公开还提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面中所述方法的步骤。
通过上述技术方案，能够先对待处理图像的全局光照进行估计，然后根据估计得到的全局光照与原图中的光照信息之间的残差信息来估计该待处理图像中的各个像素块的目标局部光照信息，从而避免估计得到的目标局部光照信息与该待处理图像的全局光照信息之间偏差过大，保证了该目标局部光照信息的准确度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据本公开一示例性实施例示出的一种图像处理方法的流程图。
图2是根据本公开又一示例性实施例示出的一种图像处理方法的流程图。
图3是根据本公开又一示例性实施例示出的一种图像处理方法的流程图。
图4是根据本公开一示例性实施例示出的一种图像处理装置的结构框图。
图5示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1是根据本公开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，所述方法包括步骤101至步骤104。
在步骤101中，提取待处理图像中的全局光照信息。全局光照信息的获取方法可以是通过任意光照估计方法确定得到，例如，可以通过将该待处理图像输入预先训练好的图像特征提取网络中来估计得到，该图像特征提取网络可以为例如UNet网络。
在一种可能的实施方式中，该全局光照信息可以是球谐光照。
在步骤102中，根据所述全局光照信息对所述待处理图像进行重建，以得到全局光照图像。
在估计得到该待处理图像的全局光照信息之后，可以根据该全局光照信息对该待处理图像进行重建，也即，使用该估计得到的全局光照信息来作为该待处理图像的光照数据对该待处理图像进行重新渲染，从而就能够得到与该全局光照信息对应的全局光照图像。
在步骤103中，计算所述全局光照图像与所述待处理图像之间的残差信息。
由于该全局光照为通过该待处理图像中的所有像素点的光照信息所估计得到的对应整个待处理图像的光照信息，因此根据该全局光照所重建得到的该全局光照图像与该待处理图像之间会具有一定的差距，也即，可以根据该全局光照图像与该待处理图像计算二者之间的残差信息，该残差信息中可以包括该待处理图像中的每一个像素点与该全局光照图像中的每一个像素点之间的残差；该残差信息也可以是以该待处理图像和该全局光照图像之间的相对应的像素块为单位的残差。
在步骤104中，根据所述残差信息确定所述待处理图像中所包括的目标局部光照信息，其中，所述目标局部光照信息为所述待处理图像中的每个像素块中的光照信息，每个所述像素块的大小相同，所有所述像素块共同组成所述待处理图像。
该待处理图像能够由多个相同大小的像素块组成，且每个像素块大小相同，也即，该待处理图像能够被均匀地划分为多个像素块，例如该待处理图像能够被均匀地划分为2*2个像素块，也能够被均匀地被划分为4*4个像素块等等，不同的划分方法，所划分得到的像素块的大小也不相同，但同一种划分方法中所划分得到的所有像素块的大小都是相同的。
该待处理图像被划分为多个大小相同的像素块之后，每个像素块所对应的光照信息也即该待处理图像的目标局部光照信息之一，所有像素块分别对应的光照信息便组成了该目标局部光照信息。
在得到该残差信息之后，在该残差信息的约束下对该待处理图像中划分得到的各个像素块所对应光照信息进行估计，能够使得估计得到的局部光照信息能够参考步骤101中所确定得到的全局光照的数据，避免估计得到的局部光照与该全局光照差距过大，进而提高了估计得到的该局部光照的精确度。
其中，该像素块中所包括的像素个数大于1。
通过上述技术方案，能够先对待处理图像的全局光照进行估计，然后根据估计得到的全局光照与原图中的光照信息之间的残差信息来估计该待处理图像中的各个像素块的目标局部光照信息，从而避免估计得到的目标局部光照信息与该待处理图像的全局光照信息之间偏差过大，保证了该目标局部光照信息的准确度。
图2是根据本公开又一示例性实施例示出的一种图像处理方法的流程图。如图2所示，所述方法还包括步骤201和步骤202。
在步骤201中，提取所述待处理图像中的法向信息和颜色信息。
在该全局光照信息是通过上述图像特征提取网络获取得到的情况下，该待处理图像中的法向信息和颜色信息也可以通过上述图像特征提取网络来估计得到；或者，也可以通过各自的网络分别获取得到，也即分别通过图像特征提取网络获取该全局光照信息、法向提取网络获取法向信息、以及颜色提取网络获取颜色信息，上述图像特征提取网络、法向提取网络以及该颜色提取网络都可以为例如UNet网络。
优选通过所述图像特征提取网络同时获取该全局光照信息、法向信息和该颜色信息。
在步骤202中，根据所述法向信息、所述颜色信息和所述全局光照信息对所述待处理图像进行重建，以得到所述全局光照图像。
也即，在根据该全局光照信息对该待处理图像进行重建的过程中，可以是根据从该待处理图像中所获取到的该法向信息和颜色信息来对该待处理图像中的每一个像素点进行重新渲染。该法向信息可以是在对该待处理图像进行重建时，从该待处理图像中获取得到的，也可以是在获取该全局光照信息时，通过例如该图像特征提取网络同时获取得到的。
在一种可能的实施方式中，如图2所示，所述方法还包括步骤203。
在步骤203中，根据所述法向信息、所述颜色信息和所述残差信息确定所述待处理图像中所包括的目标局部光照信息。
其中，该法向信息和该颜色信息可以是在对该待处理图像进行重建时，从该待处理图像中获取得到的，也可以是在获取该全局光照信息时，通过例如该图像特征提取网络同时获取得到的，或者，还可以是根据该残差信息确定该待处理图像中所包括的目标局部光照信息时，从该待处理图像中获取得到的。也即，步骤201中获取该法向信息和该颜色信息的方法步骤不一定是在获取到该全局光照信息之后，并且在该对该待处理图像进行重建以得到全局光照图像之前，而是可以在步骤101中，与获取该全局光照信息的步骤同时进行等等，只要是能够在步骤203中确定该待处理图像中所包括的目标局部光照信息之前获取到即可。
在步骤202中用于重建待处理图像以得到该全局光照图像的法向信息和颜色信息，可以与该步骤203中用于确定目标局部光照信息的法向信息和颜色信息相同。例如，可以通过上述图像特征提取网络同时提取得到该待处理图像中的全局光照信息、法向信息以及颜色信息，并根据该该全局光照信息、法向信息和该颜色信息对该待处理图像进行重建得到全局光照图像，最后根据该全局光照图像与该待处理图像之间的残差信息、以及该法向信息和颜色信息阿里确定该待处理图像中所包括的目标局部光照信息。
根据所述法向信息、所述颜色信息和所述残差信息确定所述待处理图像中所包括的目标局部光照信息的方法可以为任意局部光照估计方法，例如，可以通过预先训练好的光照估计网络来进行对该目标局部光照信息的估计，通过将所述法向信息、所述颜色信息和所述残差信息输入预先训练好的光照估计网络中，以得到所述待处理图像中所包括的目标局部光照信息。
在一种可能的实施方式中，该图像特征提取网络与该光照估计网络可以为同一学习模型中的两个子网络，也即，可以通过该图像特征提取网络提取该法向信息、颜色信息和该全局光照信息，并在计算得到该全局光照图像与待处理图像之间的残差信息之后，将该残差信息以及由该图像特征提取网络提取得到的该法向信息和颜色信息输入该光照估计网络中。其中，该图像特征提取网络的训练方法可以是监督训练，通过带真值标注的训练数据训练得到，而该光照估计网络则可以通过自监督学习的训练方法，以最小化目标损失函数的目的训练得到，所述目标损失函数用于约束根据所述光照估计网络输出的所述目标局部光照信息重建得到的局部光照图像，与所述待处理图像之间的偏差。
通过上述技术方案，能够从该待处理图像中获取得到相应的法向信息和颜色信息，从而辅助对待处理图像根据该全局光照信息进行重建，而且还能够辅助对该待处理图像中的目标局部光照信息进行估计，进而就能够使得最终估计得到的目标局部光照信息更加准确。
图3是根据本公开又一示例性实施例示出的一种图像处理方法的流程图。如图3所示，所述方法还包括步骤301至步骤303。
在步骤301中，获取目标像素块大小。
在步骤302中，将所述法向信息、所述颜色信息和所述残差信息输入预先训练好的光照估计网络中，以得到多个局部光照信息，每个局部光照信息中分别包括不同大小的像素块中的光照信息。
在步骤303中，从所述多个局部光照信息中确定与所述目标像素块大小相对应的局部光照信息为所述目标局部光照信息。
该目标像素块大小可以是根据实际应用场景来确定的。例如，在该待处理图像为AR眼镜中的某一场景图像帧的情况下，若此时需要在该场景中添加一个虚拟物体，则此时可以根据该虚拟物体的大小来确定该目标像素块的大小。
该目标像素块大小越大的情况下，得到的该目标局部光照信息的粒度越粗，该目标像素块大小越小的情况下，得到的该目标局部光照信息的粒度越细。例如，该目标像素块的大小为该待处理图像的1/4，也即通过对该待处理图像划分为2*2块目标像素块的情况下，则得到的目标局部光照信息中仅包括4块目标像素块分别对应的局部光照。若此时需要在任意一块像素块中添加一个很小的虚拟物体，仅占该像素块的1/10的大小，在对该虚拟物体进行渲染时，也只能使用该虚拟物体所在该目标像素块所对应的局部光照，没有办法更加精确到该虚拟物体所处具体位置的局部光照。因此，可以根据需要添加的虚拟物体来确定该目标像素块的大小。
其中，该目标像素块的大小是多个固定值，分别对应该光照估计网络的不同输出层。也即，该光照估计网络能够通过不同的输出层来输出多种不同大小的像素块的光照信息。
在确定该实际所需要的局部光照的位置以及范围的情况下，便可以从多个固定的像素块的不同大小中选取最合适的像素块大小作为该目标像素块大小。并由此来从该光照估计网络中输出的多个局部光照信息中选取该目标像素块大小对应的局部光照信息作为目标局部光照信息。
图4是根据本公开一示例性实施例示出的一种图像处理装置的结构框图。如图4所示，所述装置包括：提取模块10，用于提取待处理图像中的全局光照信息；重建模块20，用于根据所述全局光照信息对所述待处理图像进行重建，以得到全局光照图像；计算模块30，用于计算所述全局光照图像与所述待处理图像之间的残差信息；处理模块40，用于根据所述残差信息确定所述待处理图像中所包括的目标局部光照信息，其中，所述目标局部光照信息为所述待处理图像中的每个像素块中的光照信息，每个所述像素块的大小相同，所有所述像素块共同组成所述待处理图像。
在一种可能的实施方式中，所述提取模块10还用于：通过预先训练好的图像特征提取网络提取所述待处理图像中的所述全局光照信息；其中，所述全局光照信息为球谐光照。
在一种可能的实施方式中，所述重建模块20还用于：提取所述待处理图像中的法向信息和颜色信息；根据所述法向信息、所述颜色信息和所述全局光照信息对所述待处理图像进行重建，以得到所述全局光照图像。
在一种可能的实施方式中，所述处理模块40还用于：提取所述待处理图像中的法向信息和颜色信息；根据所述法向信息、所述颜色信息和所述残差信息确定所述待处理图像中所包括的目标局部光照信息。
在一种可能的实施方式中，所述重建模块20或所述处理模块40还用于：通过所述图像特征提取网络提取所述法向信息和所述颜色信息。
在一种可能的实施方式中，所述重建模块20还用于：将所述法向信息、所述颜色信息和所述残差信息输入预先训练好的光照估计网络中，以得到所述待处理图像中所包括的目标局部光照信息；其中，所述光照估计网络通过自监督学习的训练方法，以最小化目标损失函数的目的训练得到，所述目标损失函数用于约束根据所述光照估计网络输出的所述目标局部光照信息重建得到的局部光照图像，与所述待处理图像之间的偏差。
在一种可能的实施方式中，所述光照估计网络能够输出多个局部光照信息，每个局部光照信息中分别包括不同大小的像素块中的光照信息；所述装置还包括：获取模块，用于获取目标像素块大小；所述处理模块40还用于：从所述多个局部光照信息中确定与所述目标像素块大小相对应的局部光照信息为所述目标局部光照信息。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，可以利用诸如HTTP(HyperText Transfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：提取待处理图像中的全局光照信息；根据所述全局光照信息对所述待处理图像进行重建，以得到全局光照图像；计算所述全局光照图像与所述待处理图像之间的残差信息；根据所述残差信息确定所述待处理图像中所包括的目标局部光照信息，其中，所述目标局部光照信息为所述待处理图像中的每个像素块中的光照信息，每个所述像素块的大小相同，所有所述像素块共同组成所述待处理图像。
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公开的操作的计算机程序代码，上述程序设计语言包括但不限于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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，提取模块还可以被描述为“提取待处理图像中的全局光照信息的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种图像处理方法，所述方法包括：
提取待处理图像中的全局光照信息；
根据所述全局光照信息对所述待处理图像进行重建，以得到全局光照图像；
计算所述全局光照图像与所述待处理图像之间的残差信息；
根据所述残差信息确定所述待处理图像中所包括的目标局部光照信息，其中，所述目标局部光照信息为所述待处理图像中的每个像素块中的光照信息，每个所述像素块的大小相同，所有所述像素块共同组成所述待处理图像。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述提取待处理图像中的全局光照信息包括：
通过预先训练好的图像特征提取网络提取所述待处理图像中的所述全局光照信息；
其中，所述全局光照信息为球谐光照。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述根据所述全局光照信息对所述待处理图像进行重建，以得到全局光照图像包括：
提取所述待处理图像中的法向信息和颜色信息；
根据所述法向信息、所述颜色信息和所述全局光照信息对所述待处理图像进行重建，以得到所述全局光照图像。
根据本公开的一个或多个实施例，示例4提供了示例2的方法，所述根据所述残差信息确定所述待处理图像中所包括的目标局部光照信息包括：
提取所述待处理图像中的法向信息和颜色信息；
根据所述法向信息、所述颜色信息和所述残差信息确定所述待处理图像中所包括的目标局部光照信息。
根据本公开的一个或多个实施例，示例5提供了示例3或示例4的方法，所述提取所述待处理图像中的法向信息和颜色信息包括：
通过所述图像特征提取网络提取所述法向信息和所述颜色信息。
根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述根据所述法向信息、所述颜色信息和所述残差信息确定所述待处理图像中所包括的目标局部光照信息包括：
将所述法向信息、所述颜色信息和所述残差信息输入预先训练好的光照估计网络中，以得到所述待处理图像中所包括的目标局部光照信息；
其中，所述光照估计网络通过自监督学习的训练方法，以最小化目标损失函数的目的训练得到，所述目标损失函数用于约束根据所述光照估计网络输出的所述目标局部光照信息重建得到的局部光照图像，与所述待处理图像之间的偏差。
根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述光照估计网络能够输出多个局部光照信息，每个局部光照信息中分别包括不同大小的像素块中的光照信息；
所述方法还包括：
获取目标像素块大小；
所述根据所述残差信息确定所述待处理图像中所包括的目标局部光照信息包括：
从所述多个局部光照信息中确定与所述目标像素块大小相对应的局部光照信息为所述目标局部光照信息。
根据本公开的一个或多个实施例，示例8提供了一种图像处理装置，所述装置包括：
提取模块，用于提取待处理图像中的全局光照信息；
重建模块，用于根据所述全局光照信息对所述待处理图像进行重建，以得到全局光照图像；
计算模块，用于计算所述全局光照图像与所述待处理图像之间的残差信息；
处理模块，用于根据所述残差信息确定所述待处理图像中所包括的目标局部光照信息，其中，所述目标局部光照信息为所述待处理图像中的每个像素块中的光照信息，每个所述像素块的大小相同，所有所述像素块共同组成所述待处理图像。
根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-7中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-7中任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，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。
Claims (10)
1.一种图像处理方法，其特征在于，所述方法包括：
提取待处理图像中的全局光照信息；
根据所述全局光照信息对所述待处理图像进行重建，以得到全局光照图像；
计算所述全局光照图像与所述待处理图像之间的残差信息；
根据所述残差信息确定所述待处理图像中所包括的目标局部光照信息，其中，所述目标局部光照信息为所述待处理图像中的每个像素块中的光照信息，每个所述像素块的大小相同，所有所述像素块共同组成所述待处理图像。
2.根据权利要求1所述的方法，其特征在于，所述提取待处理图像中的全局光照信息包括：
通过预先训练好的图像特征提取网络提取所述待处理图像中的所述全局光照信息；
其中，所述全局光照信息为球谐光照。
3.根据权利要求2所述的方法，其特征在于，所述根据所述全局光照信息对所述待处理图像进行重建，以得到全局光照图像包括：
提取所述待处理图像中的法向信息和颜色信息；
根据所述法向信息、所述颜色信息和所述全局光照信息对所述待处理图像进行重建，以得到所述全局光照图像。
4.根据权利要求2所述方法，其特征在于，所述根据所述残差信息确定所述待处理图像中所包括的目标局部光照信息包括：
提取所述待处理图像中的法向信息和颜色信息；
根据所述法向信息、所述颜色信息和所述残差信息确定所述待处理图像中所包括的目标局部光照信息。
5.根据权利要求3或4所述的方法，其特征在于，所述提取所述待处理图像中的法向信息和颜色信息包括：
通过所述图像特征提取网络提取所述法向信息和所述颜色信息。
6.根据权利要求5所述的方法，其特征在于，所述根据所述法向信息、所述颜色信息和所述残差信息确定所述待处理图像中所包括的目标局部光照信息包括：
将所述法向信息、所述颜色信息和所述残差信息输入预先训练好的光照估计网络中，以得到所述待处理图像中所包括的目标局部光照信息；
其中，所述光照估计网络通过自监督学习的训练方法，以最小化目标损失函数的目的训练得到，所述目标损失函数用于约束根据所述光照估计网络输出的所述目标局部光照信息重建得到的局部光照图像，与所述待处理图像之间的偏差。
7.根据权利要求6所述的方法，其特征在于，所述光照估计网络能够输出多个局部光照信息，每个局部光照信息中分别包括不同大小的像素块中的光照信息；
所述方法还包括：
获取目标像素块大小；
所述根据所述残差信息确定所述待处理图像中所包括的目标局部光照信息包括：
从所述多个局部光照信息中确定与所述目标像素块大小相对应的局部光照信息为所述目标局部光照信息。
8.一种图像处理装置，其特征在于，所述装置包括：
第一提取模块，用于提取待处理图像中的全局光照信息；
第一重建模块，用于根据所述全局光照信息对所述待处理图像进行重建，以得到全局光照图像；
计算模块，用于计算所述全局光照图像与所述待处理图像之间的残差信息；
处理模块，用于根据所述残差信息确定所述待处理图像中所包括的目标局部光照信息，其中，所述目标局部光照信息为所述待处理图像中的每个像素块中的光照信息，每个所述像素块的大小相同，所有所述像素块共同组成所述待处理图像。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011355872.1A CN112330788A (zh) | 2020-11-26 | 2020-11-26 | 图像处理方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011355872.1A CN112330788A (zh) | 2020-11-26 | 2020-11-26 | 图像处理方法、装置、可读介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112330788A true CN112330788A (zh) | 2021-02-05 |
Family
ID=74308996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011355872.1A Pending CN112330788A (zh) | 2020-11-26 | 2020-11-26 | 图像处理方法、装置、可读介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330788A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066166A (zh) * | 2021-03-23 | 2021-07-02 | 北京字跳网络技术有限公司 | 图像处理方法、装置和电子设备 |
| CN113657408A (zh) * | 2021-08-13 | 2021-11-16 | 北京百度网讯科技有限公司 | 确定图像特征的方法、装置、电子设备和存储介质 |
| CN115115540A (zh) * | 2022-06-08 | 2022-09-27 | 大连海事大学 | 基于光照信息引导的无监督低光图像增强方法及装置 |
| WO2023088453A1 (zh) * | 2021-11-22 | 2023-05-25 | 北京字节跳动网络技术有限公司 | 绘制三维视图的方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2169943A2 (en) * | 2008-09-30 | 2010-03-31 | Intel Corporation | Joint enhancement of lightness, color and contrast of images and video |
| CN108235053A (zh) * | 2016-12-19 | 2018-06-29 | 中国电信股份有限公司 | 交互式渲染方法、设备和系统 |
| US20190266788A1 (en) * | 2018-02-28 | 2019-08-29 | Canon Kabushiki Kaisha | System and method of rendering a surface |
| CN111275712A (zh) * | 2020-01-15 | 2020-06-12 | 浙江工业大学 | 一种面向大尺度图像数据的残差语义网络训练方法 |
| WO2020173320A1 (zh) * | 2019-02-28 | 2020-09-03 | 腾讯科技（深圳）有限公司 | 一种图像增强方法、装置及存储介质 |
| CN111815508A (zh) * | 2020-07-23 | 2020-10-23 | 北京字节跳动网络技术有限公司 | 图像生成方法、装置、设备和计算机可读介质 |
-
2020
- 2020-11-26 CN CN202011355872.1A patent/CN112330788A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2169943A2 (en) * | 2008-09-30 | 2010-03-31 | Intel Corporation | Joint enhancement of lightness, color and contrast of images and video |
| CN108235053A (zh) * | 2016-12-19 | 2018-06-29 | 中国电信股份有限公司 | 交互式渲染方法、设备和系统 |
| US20190266788A1 (en) * | 2018-02-28 | 2019-08-29 | Canon Kabushiki Kaisha | System and method of rendering a surface |
| WO2020173320A1 (zh) * | 2019-02-28 | 2020-09-03 | 腾讯科技（深圳）有限公司 | 一种图像增强方法、装置及存储介质 |
| CN111275712A (zh) * | 2020-01-15 | 2020-06-12 | 浙江工业大学 | 一种面向大尺度图像数据的残差语义网络训练方法 |
| CN111815508A (zh) * | 2020-07-23 | 2020-10-23 | 北京字节跳动网络技术有限公司 | 图像生成方法、装置、设备和计算机可读介质 |
Non-Patent Citations (7)
| Title |
|---|
| WANG, F 等: "Color constancy via multibranch deep probability network", JOURNAL OF ELECTRONIC IMAGING, vol. 27, no. 04, 10 July 2018 (2018-07-10), pages 1 - 13 * |
| 宋玉龙: "基于反馈残差网络的矿井图像超分辨率重建算法研究", 中国优秀硕士学位论文全文数据库（电子期刊）, no. 02, 15 February 2019 (2019-02-15), pages 021 - 230 * |
| 李海亭 等: "机器学习在车载激光点云分类中的应用研究", 华中师范大学学报(自然科学版), vol. 49, no. 03, 15 June 2015 (2015-06-15), pages 460 - 464 * |
| 王书民;张爱武;胡少兴;段乙好;孙卫东;: "一种基于全局和局部光照估计的Retinex图像增强算法", 科学技术与工程, vol. 15, no. 34, 8 December 2015 (2015-12-08), pages 100 - 104 * |
| 王强: "局部纹理特征提取与识别算法研究及应用", 中国优秀博士学位论文全文数据库（电子期刊）, no. 10, 15 October 2018 (2018-10-15), pages 138 - 44 * |
| 蔡鹏;孔德慧;尹宝才;: "基于栅格的全局光子图重建", 图学学报, vol. 34, no. 04, 15 July 2013 (2013-07-15), pages 14 - 19 * |
| 郑彤;刘亚美;张骏;: "一种基于局部置信度网络的光照估计算法", 智能计算机与应用, no. 06, 1 November 2019 (2019-11-01), pages 45 - 51 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066166A (zh) * | 2021-03-23 | 2021-07-02 | 北京字跳网络技术有限公司 | 图像处理方法、装置和电子设备 |
| CN113657408A (zh) * | 2021-08-13 | 2021-11-16 | 北京百度网讯科技有限公司 | 确定图像特征的方法、装置、电子设备和存储介质 |
| WO2023088453A1 (zh) * | 2021-11-22 | 2023-05-25 | 北京字节跳动网络技术有限公司 | 绘制三维视图的方法、装置、电子设备及存储介质 |
| CN115115540A (zh) * | 2022-06-08 | 2022-09-27 | 大连海事大学 | 基于光照信息引导的无监督低光图像增强方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
| CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN111325704B (zh) | 图像修复方法、装置、电子设备及计算机可读存储介质 | |
| CN110298851B (zh) | 人体分割神经网络的训练方法及设备 | |
| CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
| CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
| CN112381717A (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
| CN112907628A (zh) | 视频目标追踪方法、装置、存储介质及电子设备 | |
| CN113689372A (zh) | 图像处理方法、设备、存储介质及程序产品 | |
| CN114399814B (zh) | 一种基于深度学习的遮挡物移除和三维重建方法 | |
| CN114170342A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN111311609B (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
| CN112258622A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN111783632A (zh) | 针对视频流的人脸检测方法、装置、电子设备及存储介质 | |
| CN110765304A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN115760607A (zh) | 图像修复方法、装置、可读介质以及电子设备 | |
| CN112070888B (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
| CN114004229A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
| CN110209851B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| CN113706385A (zh) | 一种视频超分辨率方法、装置、电子设备及存储介质 | |
| CN113066166A (zh) | 图像处理方法、装置和电子设备 | |
| CN111680754A (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN112418233B (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN111738899B (zh) | 用于生成水印的方法、装置、设备和计算机可读介质 | |
| CN114359673B (zh) | 基于度量学习的小样本烟雾检测方法、装置和设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |