CN112543292A - 图像降噪方法、装置、电子设备和可读存储介质 - Google Patents
图像降噪方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN112543292A CN112543292A CN202011373711.5A CN202011373711A CN112543292A CN 112543292 A CN112543292 A CN 112543292A CN 202011373711 A CN202011373711 A CN 202011373711A CN 112543292 A CN112543292 A CN 112543292A
- Authority
- CN
- China
- Prior art keywords
- noise reduction
- original image
- image
- information
- target
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000035945 sensitivity Effects 0.000 claims description 23
- 238000004891 communication Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 33
- 238000001514 detection method Methods 0.000 description 18
- 230000011218 segmentation Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 244000025254 Cannabis sativa Species 0.000 description 5
- 241000282472 Canis lupus familiaris Species 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011946 reduction process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
Abstract
本申请公开了图像降噪方法、装置、电子设备和可读存储介质。属于通信技术领域。该方法的实施例包括:获取原始图像中的对象的类别信息;基于类别信息,获取该对象对应的目标降噪参数;基于目标降噪参数,对原始图像中的该对象对应的位置区域进行降噪处理,得到目标图像。该实施方式能够避免降噪后的图像中的高频细节丢失以及避免降噪后噪声仍过大,提升了降噪后的图像质量。
Description
技术领域
本申请实施例涉及通信技术领域,具体涉及图像降噪方法、装置、电子设备和可读存储介质。
背景技术
相机拍照后的原始图像一般都包含很多噪声,如随机噪声、条带噪声等。通常,需要对原始图像进行降噪处理,以得到高质量的图像。
现有技术中,通常采用固定的降噪参数对原始图像进行整体降噪。在实现本申请过程中,发明人发现现有技术中至少存在如下问题:降噪后的图像易出现高频细节丢失或者噪声仍较大的情况,导致降噪后的图像质量较低。
发明内容
本申请实施例的目的是提供一种图像降噪方法、装置、电子设备和可读存储介质,能够解决降噪后的图像高频细节丢失或者噪声仍较大的技术问题。
为了解决上述技术问题,本申请是这样实现的:
第一方面,本申请实施例提供了一种图像降噪方法,包括:获取原始图像中的对象的类别信息;基于所述类别信息,获取所述对象对应的目标降噪参数;基于所述目标降噪参数,对所述原始图像中的所述对象对应的位置区域进行降噪处理,得到目标图像。
第二方面,本申请实施例提供了一种图像降噪装置,包括:第一获取单元,用于获取原始图像中的对象的类别信息;第二获取单元,用于基于所述对象的类别,获取目标降噪参数;降噪单元,用于基于所述目标降噪参数,对所述原始图像中的所述对象对应的位置区域进行降噪处理,得到目标图像。
第三方面,本申请实施例提供了一种电子设备,包括处理器、存储器及存储在存储器上并可在处理器上运行的程序或指令,程序或指令被处理器执行时实现如上述第一方面所描述的方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,可读存储介质上存储计算机程序,计算机程序被处理器执行时实现如上述第一方面所描述的方法的步骤。
第五方面,本申请实施例提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所描述的方法。
在本申请实施例中,通过获取原始图像中的对象的类别信息,而后基于类别信息,获取该对象对应的目标降噪参数,最后基于该目标降噪参数对该原始图像中的该对象对应的位置区域进行降噪处理,得到目标图像,从而,能够针对不同类别的对象进行不同程度的降噪处理。相较于使用固定的降噪参数对原始图像整体进行降噪的方式,能够避免降噪后的图像中的高频细节丢失以及避免降噪后噪声仍过大,由此提升了降噪后的图像质量。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请实施例提供的图像降噪方法的流程图;
图2是本申请实施例提供的图像降噪方法的目标降噪参数获取过程的流程图;
图3是本申请实施例提供的图像降噪装置的结构示意图;
图4是适于用来实现本申请实施例的电子设备的硬件结构示意图。
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。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的图像降噪方法、装置、电子设备和可读存储介质进行详细地说明。
请参考图1,其示出了本申请实施例提供的图像降噪方法的流程图之一。本申请实施例提供的图像降噪方法,可以应用于电子设备。实践中,上述电子设备可以是智能手机、平板电脑、膝上型便携计算机、可穿戴设备等电子设备。
上述电子设备中可部署有图像信号处理器(Image Signal Processing,ISP),用以接收感光元件(Sensor)的原始信号数据并进行处理。具体可进行线性化纠正,暗角纠正,坏点去除,插值,白平衡,对比度,降噪,锐化等处理。
本申请实施例提供的图像降噪方法的流程,包括以下步骤:
步骤101,获取原始图像中的对象的类别信息。
在本实施例中,图像降噪方法的执行主体(如上述电子设备)可以获取原始图像中的对象的类别信息。其中,原始图像即为待进行降噪的图像,如用户预览的图像、当前拍摄的图像等。
在本实施例中,原始图像可由一个或多个对象组成。作为示例,若原始图像为人物照,则原始图像中的对象可包括人物。作为又一示例,若原始图像为风景照,则原始图像中的对象可包括天空、草地、河流等拍摄范围内的物体。
在本实施例中,上述执行主体可通过人工智能技术对原始图像中的对象进行识别,从而得到原始图像中的对象的类别信息。
在本实施例的一些可选的实现方式中,上述执行主体中可以部署有预先训练的语义分割模型。上述执行主体可以将原始图像输入至该语义分割模型,以将原始图像进行语义分割。分割后的每一个区域可对应一个对象的类别,由此可得到原始图像的对象的类别信息。
例如,原始图像为风景照,包括天空、草地和河流。在将原始图像输入至语义分割模型后,即可得到一个语义分割图。语义分割图中可包括天空区域和草地区域。语义分割图中的不同区域的像素点可具有不同像素值,同一区域的像素点可具有相同像素值。例如,天空区域中的各像素点的像素值可以为RGB(0,0,255),草地区域中的各像素点的像素值可以为RGB(0,255,0)。不同的像素值可对应不同的类别,通过语义分割图中的各区域中的像素点的像素值,即可确定出个区域对应的对象的类别,从而得到各对象的类别信息。
需要说明的是,上述语义分割模型可以通过机器学习方法(如有监督学习方法)预先训练得到。作为示例,上述语义分割模型可以采用FCN(Fully Convolutional Networksfor Semantic Segmentation,用于语义分割的全卷积神经网络)、GauGAN(Semantic ImageSynthesis with Spatially-Adaptive Normalization,具有空间自适应归一化的语义图像合成)、SegNet网络、PSPNet网络等常用的网络结构训练得到。此处对语义分割模型的网络结构不作具体限定。
在本实施例的一些可选的实现方式中,上述执行主体中可以部署有预先训练的目标检测模型,该目标检测模型可支持多目标检测。上述执行主体可以将原始图像输入至该目标检测模型,从而得到原始图像中的各个对象的检测框和各个对象的类别信息。
例如,原始图像为包含一人、一猫和一狗的宠物照,即原始图像中的对象包括人、猫和狗。在将原始图像输入至目标检测模型后,即可得到三个检测框以及各检测框对应的类别信息。其中,一个检测框中的对象为人,该检测框对应的类别信息可以是人物;另一个检测框中的对象为猫,该检测框对应的类别信息可以是宠物;最后一个检测框中的对象为狗,该检测框对应的类别信息也可以是宠物。
需要说明的是,上述目标检测模型可以通过机器学习方法(如有监督学习方法)预先训练得到。作为示例,上述目标检测模型可以采用FCOS(Fully Convolutional One-Stage Object Detection,单阶段的全卷积目标检测网络)、faster-RCNN等常用的网络结构训练得到。此处对目标检测模型的网络结构不作具体限定。
在本实施例的一些可选的实现方式中,可预先按照降噪强度对常见的对象进行类别划分,以便于针对不同类别的对象设定不同的降噪参数,从而对不同类别的对象进行不同程度的降噪处理。由此,相较于使用固定的降噪参数对原始图像整体进行降噪的方式,能够避免降噪后的图像中的高频细节丢失以及避免降噪后噪声仍过大的情况出现,从而提升了降噪后的图像的质量。
例如,所划分的类别可包括但不限于高频细节类、平坦建筑类、文档类、美食类、人像类、宠物类、天空类、舞台灯光类等。其中,高频细节类的对象可包括但不限于地毯、毛绒玩具、草地、树叶等,该类对象在降噪过程中需要保留更多细节。平坦建筑类的对象可包括但不限于墙壁、天花板等,该类对象在降噪过程中需要去除更多白色噪声。文档类的对象可包括但不限于文字、灯箱等带有文字属性的内容,该类对象在降噪过程中需要保留较高的对比度。美食类在降噪过程中需要保留较高的对比度且需要保留突出细节。人像类的对象可包括但不限于单人对象、多人合影等,该类对象在降噪过程中需要保持自然的人脸特征。宠物类的对象可包括但不限于猫、狗、兔子等,该类对象在降噪过程中需要保留更多的细节以突出宠物的真实感。天空类的对象需要针对性的进行大面积平坦区降噪。舞台灯光类的对象需要在亮处和暗处进行分开降噪,防止过暗处噪声过大。
需要说明的是,对象的划分类别不限于上述示例,还可以根据需要进行其他划分,此处不再赘述。
在本实施例的一些可选的实现方式中,上述执行主体可以首先接收对原始图像的预览输入。其中,预览输入可用于指示对原始图像进行预览。预览输入具体可以包括用户对原始图像的点击输入、选中输入等。响应于上述预览输入,上述执行主体可以对原始图像中的对象进行识别,得到上述对象的类别信息。由此,在用户预览图像时,可自动所预览的图像进行降噪处理,从而提升用户所预览的图像的质量。
在本实施例的一些可选的实现方式中,上述执行主体可以首先接收拍摄输入。其中,拍摄输入可用于指示启动图像拍摄操作。预览输入具体可以包括用户对图像拍摄界面中的拍摄按钮的点击输入等。响应于上述拍摄输入,上述执行主体可以启动图像拍摄操作,得到原始图像,并对原始图像中的对象进行识别,得到上述对象的类别信息。由此,在用户拍摄图像时,可自动对所拍摄的图像进行降噪处理,从而提升所拍摄的图像的质量。
步骤102,基于类别信息,获取对象对应的目标降噪参数。
在本实施例中,上述执行主体中可预先存储有类别与降噪参数的对应关系表。其中,降噪参数可用于指示降噪强度,也即降噪后的图像在与原始图像进行融合处理时的权重。作为示例,降噪参数具体对象的类别与降噪参数的对应关系表可参见下表:
类别 | 降噪参数 |
高频细节类 | 50% |
平坦建筑类 | 150% |
文档类 | 70% |
美食类 | 70% |
人像类 | 130% |
宠物类 | 50% |
天空类 | 150% |
舞台灯光类 | 150% |
上述执行主体在得到原始图像中的对象的类别信息后,可基于该类别信息,查询该对应关系表,从而获取到该对象对应的目标降噪参数。需要说明的是,当原始图像中包含多个对象时,可分别基于各对象的类别信息,获取各对象对应的目标降噪参数。
需要指出的是,对象的类别与降噪参数的对应关系还可以根据需要进行其他设定,不限于上表所列举的内容。
在本实施例的一些可选的实现方式中,如图2所示,上述执行主体可以按照如下子步骤S11至子步骤S13获取对象对应的目标降噪参数:
子步骤S11,基于类别信息,获取对象对应的第一降噪参数。
此处,可采用查询类别与降噪参数的对应关系表的方式获取第一降噪参数,在此不再赘述。
子步骤S12,基于原始图像的相关信息和上述类别信息,获取对象对应的第二降噪参数。
原始图像的相关信息可包括但不限于以下至少一项:原始图像中的对象在原始图像中的面积占比、原始图像中的对象在原始图像中的位置信息、拍摄原始图像时的感光度(photo sensibility,ISO)等。其中,原始图像中的对象在原始图像中的位置信息可以用对象所在区域的中点与原始图像的中点的距离进行表示。
上述执行主体中可预先存储有不同类别的对象的各项相关信息与系数的对应关系表。例如,针对高频细节类的对象,可存储有以下至少一个对应关系表:面积占比与第一系数的对应关系表、位置信息与第二系数的对应关系表、感光度与第三系数的对应关系表。针对平坦建筑类类的对象,同样可存储有以下至少一个对应关系表:面积占比与第一系数的对应关系表、位置信息与第二系数的对应关系表、感光度与第三系数的对应关系表。针对其他类别所存储的对应关系表,此处不再一一赘述。
需要说明的是,原始图像的相关信息不同时,可对应不同的系数,因而第二降噪参数可以不同。以拍摄原始图像时的感光度为例,感光度与系数可以呈正相关。例如,感光度为100时,系数为100%;感光度为800时,系数为130%;感光度为3200时,系数为150%。
还需要说明的是,对于不同类别的对象,在原始图像的相关信息相同时,系数也可以不同,因而第二降噪参数可以不同。
以对象在原始图像中的面积占比为例。对于高频细节类的对象,如地毯、毛绒玩具、草地、树叶等,其面积占比与系数可以呈负相关。例如,面积占比为1时,系数为100%;面积占比为0.5时,系数为160%;面积占比为0.1时,系数为200%。由此,高频细节类的面积占比越小,则系数越大,第二降噪参数越大,降噪强度越高。对于平坦建筑类类的对象,如墙壁、天花板等,其面积占比与系数可以呈正相关。例如,面积占比为1时,系数为100%;面积占比为0.5时,系数为80%;面积占比为0.1时,系数为50%。由此,平坦建筑类的面积占比越大,则系数越大,第二降噪参数越大,降噪强度越高。
以对象在原始图像中的位置信息(即对象所在区域的中点与原始图像的中点的距离)为例。对于高频细节类的对象,如地毯、毛绒玩具、草地、树叶等,其位置信息与系数可以呈负相关。例如,位置信息为1时,系数为100%;位置信息为0.5时,系数为160%;位置信息为0.1时,系数为200%。由此,高频细节类的对象的位置越偏离于原始图像的中心,则系数越小,第二降噪参数越小,降噪强度越低。对于平坦建筑类的对象,如墙壁、天花板等,其位置信息与系数可以呈负相关。例如,位置信息为1时,系数为100%;位置信息为0.5时,系数为80%;位置信息为0.1时,系数为50%。由此,平坦建筑类的对象的位置越偏离于原始图像的中心,则系数越大,第二降噪参数越大,降噪强度越高。
上述执行主体可以基于原始图像的相关信息,通过查询对应关系表的方式确定第一降噪参数的系数(可包括一个系数或多个系数),从而将第一降噪参数与所查询系数相乘,得到第二降噪参数。
可选的,原始图像的相关信息可同时包括上述面积占比、上述位置信息和上述感光度。此时,基于原始图像的相关信息,上述执行主体可以按照如下步骤获取对象对应的第二降噪参数:首先,基于面积占比,获取第一系数。而后,基于位置信息,获取第二系数。之后,基于感光度,获取第三系数。最后,基于第一降噪参数、第一系数、第二系数和第三系数,确定第二降噪参数。
其中,第一系数、第二系数、第三系数均可以通过查询对应关系表的方式获取。在基于第一降噪参数、第一系数、第二系数和第三系数,确定第二降噪参数时,可将第一降噪参数、第一系数、第二系数和第三系数这四者相乘,将所得到的乘积作为第二降噪参数。
子步骤S13,基于第一降噪参数和第二降噪参数,确定目标降噪参数。
此处,针对不同类别的对象,可采用不同策略确定该对象对应的目标降噪参数。
作为一个示例,对于高频细节类的对象,如地毯、毛绒玩具、草地、树叶等,可将第一降噪参数和第二降噪参数中的较小值作为目标降噪参数。由此,可使降噪程度尽可能低,以保留该对象的高频细节,提升图像质量。
作为又一示例,对于平坦建筑类的对象,如墙壁、天花板等,可将第一降噪参数和第二降噪参数中的较大值作为目标降噪参数。由此,可使降噪程度尽可能高,以尽可能去除更多噪声,提升图像质量。
由于目标降噪参数的计算过程中不仅考虑了原始图像中的对象的类别,还考虑了对象在原始图像中的面积占比、对象在原始图像中的位置信息、拍摄原始图像时的感光度等原始图像的相关信息,因而引入了更多因素共同决定目标降噪参数,提高了目标降噪参数的准确性和合理性。
步骤103,基于目标降噪参数,对原始图像中的对象对应的位置区域进行降噪处理,得到目标图像。
在本实施例中,上述执行主体可以基于目标降噪参数,对原始图像中的对象所在位置区域进行降噪处理。当原始图像中包含多个对象时,针对每一个对象,可基于该对象对应的目标降噪参数,对该对象的位置区域进行降噪处理。此外,目标图像中的对象之外的区域可按照常规方式进行降噪处理,从而得到降噪后的目标图像。
在本实施例的一些可选的实现方式中,上述执行主体可以先对原始图像整体降噪,而后基于目标降噪参数对图像中的对象对应的位置区域进行调整,得到目标图像。具体可按照如下步骤执行:
第一步,基于预设的滤波器对原始图像进行降噪处理,得到降噪图像。
此处,可采用常规的用于降噪处理的滤波器,对原始图像的整体进行降噪处理。例如,可使用均值滤波器、中值滤波器等常用的滤波器进行降噪处理。
第二步,将降噪图像中的对象的位置区域作为第一位置区域,将原始图像中的对象的位置区域作为第二位置区域,基于目标降噪参数,分别确定第一位置区域和第二位置区域的权重。
此处,由于降噪参数用于指示降噪强度,也即降噪后的图像在与原始图像进行融合处理时的权重,因而可以将目标降噪参数作为第一位置区域的权重,将1与目标降噪参数的差值作为第二位置区域的权重。
第三步,基于所确定出的权重,将原始图像和降噪图像进行融合,得到目标图像。
此处,可将第一位置区域的权重作为第一位置区域中的各像素点的权重,将第二位置区域的权重作为第二位置区域中的各像素点的权重。由于第二位置区域与第一位置区域分别为降噪前后的图像中的相同位置区域,仅像素点的像素值不同,因而第一位置区域与第二位置区域中的像素点一一对应。上述执行主体可以逐一像素点进行像素值加权,得到各像素点的加权后的像素值。而后,可以将降噪图像中的第一位置区域中的各像素点的像素值替换为加权后的像素点的像素值,从而得到目标图像。
通过此实现方式进行降噪,能够对图像中的对象区域与其他区域以不同降噪强度进行降噪,同时,能够对图像中的不同类别的对象以不同降噪强度进行降噪,从而能够在保留一些对象的高频细节的同时,去除另一些对象的噪声,提升了降噪后的图像质量。
本申请的上述实施例提供的方法,通过获取原始图像中的对象的类别信息,而后基于类别信息,获取该对象对应的目标降噪参数,最后基于该目标降噪参数对该原始图像中的该对象的位置区域进行降噪处理,得到目标图像,从而,能够针对不同类别的对象进行不同程度的降噪处理。相较于使用固定的降噪参数对原始图像整体进行降噪的方式,能够避免降噪后的图像中的高频细节丢失以及避免降噪后噪声仍过大,由此提升了降噪后的图像质量。
需要说明的是,本申请实施例提供的图像降噪方法,执行主体可以为图像降噪装置,或者该图像降噪装置中的用于执行加载图像降噪方法的控制模块。本申请实施例中以图像降噪装置执行加载图像降噪方法为例,说明本申请实施例提供的图像降噪方法。
如图3所示,本实施例上述的图像降噪装置300包括:第一获取单元301,用于对原始图像中的对象进行识别,确定上述对象的类别;第二获取单元302,用于基于上述对象的类别,获取目标降噪参数;降噪单元303,用于基于上述目标降噪参数,对上述原始图像中的上述对象对应的位置区域进行降噪处理,得到目标图像。
在本实施例的一些可选的实现方式中,上述第一获取单元301,进一步用于:接收对原始图像的预览输入;响应于上述预览输入,对原始图像中的对象进行识别,得到上述对象的类别信息。
在本实施例的一些可选的实现方式中,上述第一获取单元301,进一步用于:接收拍摄输入;响应于上述拍摄输入,启动图像拍摄操作,得到原始图像,并对原始图像中的对象进行识别,得到上述对象的类别信息。
在本实施例的一些可选的实现方式中,上述第二获取单元302,进一步用于:基于上述类别信息,获取上述对象对应的第一降噪参数;基于上述原始图像的相关信息和上述类别信息,获取上述对象对应的第二降噪参数;基于上述第一降噪参数和上述第二降噪参数,确定目标降噪参数。
在本实施例的一些可选的实现方式中,上述原始图像的相关信息包括以下至少一项:上述对象在上述原始图像中的面积占比、上述对象在上述原始图像中的位置信息、拍摄上述原始图像时的感光度。
在本实施例的一些可选的实现方式中,上述原始图像的相关信息包括上述面积占比、上述位置信息和上述感光度;以及,上述第二获取单元302,进一步用于:基于上述面积占比,获取第一系数;基于上述位置信息,获取第二系数;基于上述感光度,获取第三系数;基于上述第一降噪参数、上述第一系数、上述第二系数和上述第三系数,确定第二降噪参数。
在本实施例的一些可选的实现方式中,上述降噪单元303,进一步用于:基于预设的滤波器对上述原始图像进行降噪处理,得到降噪图像;将上述降噪图像中的上述对象的位置区域作为第一位置区域,将上述原始图像中的上述对象的位置区域作为第二位置区域,基于上述目标降噪参数,分别确定上述第一位置区域和上述第二位置区域的权重;基于上述权重,将上述原始图像和上述降噪图像进行融合,得到目标图像。
本申请实施例中的图像降噪装置可以是装置,也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备,也可以为非移动电子设备。示例性的,移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本或者个人数字助理(personaldigital assistant,PDA)等,非移动电子设备可以为服务器、网络附属存储器(NetworkAttached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
本申请实施例中的图像降噪装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统,可以为ios操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请实施例提供的图像降噪装置能够实现图1的方法实施例中图像降噪装置实现的各个过程,为避免重复,这里不再赘述。
本申请的上述实施例提供的装置,通过获取原始图像中的对象的类别信息,而后基于类别信息,获取该对象对应的目标降噪参数,最后基于该目标降噪参数对该原始图像中的该对象的位置区域进行降噪处理,得到目标图像,从而,能够针对不同类别的对象进行不同程度的降噪处理。相较于使用固定的降噪参数对原始图像整体进行降噪的方式,能够避免降噪后的图像中的高频细节丢失以及避免降噪后噪声仍过大,由此提升了降噪后的图像质量。
可选的,本申请实施例还提供一种电子设备,包括处理器410,存储器409,存储在存储器409上并可在所述处理器410上运行的程序或指令,该程序或指令被处理器410执行时实现上述图像降噪方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要注意的是,本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
图4为实现本申请实施例的一种电子设备的硬件结构示意图。
该电子设备400包括但不限于:射频单元401、网络模块402、音频输出单元403、输入单元404、传感器405、显示单元406、用户输入单元407、接口单元408、存储器409、以及处理器410等部件。
本领域技术人员可以理解,电子设备400还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理系统与处理器410逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图4中示出的电子设备结构并不构成对电子设备的限定,电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
处理器410,用于获取原始图像中的对象的类别信息;基于所述类别信息,获取所述对象对应的目标降噪参数;基于所述目标降噪参数,对所述原始图像中的所述对象的位置区域进行降噪处理,得到目标图像。
在本申请实施例中,通过获取原始图像中的对象的类别信息,而后基于类别信息,获取该对象对应的目标降噪参数,最后基于该目标降噪参数对该原始图像中的该对象的位置区域进行降噪处理,得到目标图像,从而,能够针对不同类别的对象进行不同程度的降噪处理。相较于使用固定的降噪参数对原始图像整体进行降噪的方式,能够避免降噪后的图像中的高频细节丢失以及避免降噪后噪声仍过大,由此提升了降噪后的图像质量。
可选的,处理器410,进一步用于控制用户输入单元407接收对原始图像的预览输入;响应于所述预览输入,对原始图像中的对象进行识别,得到所述对象的类别信息。
可选的,处理器410,进一步用于控制用户输入单元407接收拍摄输入;响应于所述拍摄输入,启动图像拍摄操作,得到原始图像,并对原始图像中的对象进行识别,得到所述对象的类别信息。
可选的,处理器410,进一步用于基于所述类别信息,获取所述对象对应的第一降噪参数;基于所述原始图像的相关信息和所述类别信息,获取所述对象对应的第二降噪参数;基于所述第一降噪参数和所述第二降噪参数,确定目标降噪参数。
可选的,所述原始图像的相关信息包括以下至少一项:所述对象在所述原始图像中的面积占比、所述对象在所述原始图像中的位置信息、拍摄所述原始图像时的感光度。
可选的,所述原始图像的相关信息包括所述面积占比、所述位置信息和所述感光度;以及,处理器410,进一步用于基于所述面积占比,获取第一系数;基于所述位置信息,获取第二系数;基于所述感光度,获取第三系数;基于所述第一降噪参数、所述第一系数、所述第二系数和所述第三系数,确定第二降噪参数。
可选的,处理器410,进一步用于基于预设的滤波器对所述原始图像进行降噪处理,得到降噪图像;将所述降噪图像中的所述对象的位置区域作为第一位置区域,将所述原始图像中的所述对象的位置区域作为第二位置区域,基于所述目标降噪参数,分别确定所述第一位置区域和所述第二位置区域的权重;基于所述权重,将所述原始图像和所述降噪图像进行融合,得到目标图像。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述图像降噪方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述图像降噪方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (14)
1.一种图像降噪方法,其特征在于,所述方法包括:
获取原始图像中的对象的类别信息;
基于所述类别信息,获取所述对象对应的目标降噪参数;
基于所述目标降噪参数,对所述原始图像中的所述对象对应的位置区域进行降噪处理,得到目标图像。
2.根据权利要求1所述的方法,其特征在于,所述获取原始图像中的对象的类别信息,包括:
接收拍摄输入;
响应于所述拍摄输入,启动图像拍摄操作,得到原始图像,并对所述原始图像中的对象进行识别,得到所述对象的类别信息。
3.根据权利要求1所述的方法,其特征在于,所述基于所述类别信息,获取所述对象对应的目标降噪参数,包括:
基于所述类别信息,获取所述对象对应的第一降噪参数;
基于所述原始图像的相关信息和所述类别信息,获取所述对象对应的第二降噪参数;
基于所述第一降噪参数和所述第二降噪参数,确定目标降噪参数。
4.根据权利要求3所述的方法,其特征在于,所述原始图像的相关信息包括以下至少一项:所述对象在所述原始图像中的面积占比、所述对象在所述原始图像中的位置信息、拍摄所述原始图像时的感光度。
5.根据权利要求4所述的方法,其特征在于,所述原始图像的相关信息包括所述面积占比、所述位置信息和所述感光度;以及,
所述基于所述原始图像的相关信息和所述类别信息,获取所述对象对应的第二降噪参数,包括:
基于所述面积占比,获取第一系数;
基于所述位置信息,获取第二系数;
基于所述感光度,获取第三系数;
基于所述第一降噪参数、所述第一系数、所述第二系数和所述第三系数,确定第二降噪参数。
6.根据权利要求1所述的方法,其特征在于,所述基于所述目标降噪参数,对所述原始图像中的所述对象对应的位置区域进行降噪处理,得到目标图像,包括:
基于预设的滤波器对所述原始图像进行降噪处理,得到降噪图像;
将所述降噪图像中的所述对象的位置区域作为第一位置区域,将所述原始图像中的所述对象的位置区域作为第二位置区域,基于所述目标降噪参数,分别确定所述第一位置区域和所述第二位置区域的权重;
基于所述权重,将所述原始图像和所述降噪图像进行融合,得到目标图像。
7.一种图像降噪装置,其特征在于,所述装置包括:
第一获取单元,用于获取原始图像中的对象的类别信息;
第二获取单元,用于基于所述对象的类别,获取目标降噪参数;
降噪单元,用于基于所述目标降噪参数,对所述原始图像中的所述对象对应的位置区域进行降噪处理,得到目标图像。
8.根据权利要求7所述的装置,其特征在于,所述第一获取单元,进一步用于:
接收拍摄输入;
响应于所述拍摄输入,启动图像拍摄操作,得到原始图像,并对所述原始图像中的对象进行识别,得到所述对象的类别信息。
9.根据权利要求7所述的装置,其特征在于,所述第二获取单元,进一步用于:
基于所述类别信息,获取所述对象对应的第一降噪参数;
基于所述原始图像的相关信息和所述类别信息,获取所述对象对应的第二降噪参数;
基于所述第一降噪参数和所述第二降噪参数,确定目标降噪参数。
10.根据权利要求9所述的装置,其特征在于,所述原始图像的相关信息包括以下至少一项:所述对象在所述原始图像中的面积占比、所述对象在所述原始图像中的位置信息、拍摄所述原始图像时的感光度。
11.根据权利要求10所述的装置,其特征在于,所述原始图像的相关信息包括所述面积占比、所述位置信息和所述感光度;以及,
所述第二获取单元,进一步用于:
基于所述面积占比,获取第一系数;
基于所述位置信息,获取第二系数;
基于所述感光度,获取第三系数;
基于所述第一降噪参数、所述第一系数、所述第二系数和所述第三系数,确定第二降噪参数。
12.根据权利要求7所述的装置,其特征在于,所述降噪单元,进一步用于:
基于预设的滤波器对所述原始图像进行降噪处理,得到降噪图像;
将所述降噪图像中的所述对象的位置区域作为第一位置区域,将所述原始图像中的所述对象的位置区域作为第二位置区域,基于所述目标降噪参数,分别确定所述第一位置区域和所述第二位置区域的权重;
基于所述权重,将所述原始图像和所述降噪图像进行融合,得到目标图像。
13.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-6中任一项所述的图像降噪方法的步骤。
14.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-6中任一项所述的图像降噪方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011373711.5A CN112543292A (zh) | 2020-11-30 | 2020-11-30 | 图像降噪方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011373711.5A CN112543292A (zh) | 2020-11-30 | 2020-11-30 | 图像降噪方法、装置、电子设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112543292A true CN112543292A (zh) | 2021-03-23 |
Family
ID=75016550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011373711.5A Pending CN112543292A (zh) | 2020-11-30 | 2020-11-30 | 图像降噪方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112543292A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6498863B1 (en) * | 2000-09-20 | 2002-12-24 | Media Cybernetics Inc. | Method, system, and product for analyzing a digitized image of an array to create an image of a grid overlay |
US20150131915A1 (en) * | 2013-11-14 | 2015-05-14 | Adobe Systems Incorporated | Adaptive denoising with internal and external patches |
CN108447035A (zh) * | 2018-03-21 | 2018-08-24 | 广东欧珀移动通信有限公司 | 图像优化方法、电子装置及计算机可读存储介质 |
CN109993824A (zh) * | 2017-12-29 | 2019-07-09 | 深圳市优必选科技有限公司 | 图像处理方法、智能终端及具有存储功能的装置 |
CN110197670A (zh) * | 2019-06-04 | 2019-09-03 | 大众问问(北京)信息科技有限公司 | 音频降噪方法、装置及电子设备 |
CN110781899A (zh) * | 2019-10-23 | 2020-02-11 | 维沃移动通信有限公司 | 图像处理方法及电子设备 |
-
2020
- 2020-11-30 CN CN202011373711.5A patent/CN112543292A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6498863B1 (en) * | 2000-09-20 | 2002-12-24 | Media Cybernetics Inc. | Method, system, and product for analyzing a digitized image of an array to create an image of a grid overlay |
US20150131915A1 (en) * | 2013-11-14 | 2015-05-14 | Adobe Systems Incorporated | Adaptive denoising with internal and external patches |
CN109993824A (zh) * | 2017-12-29 | 2019-07-09 | 深圳市优必选科技有限公司 | 图像处理方法、智能终端及具有存储功能的装置 |
CN108447035A (zh) * | 2018-03-21 | 2018-08-24 | 广东欧珀移动通信有限公司 | 图像优化方法、电子装置及计算机可读存储介质 |
CN110197670A (zh) * | 2019-06-04 | 2019-09-03 | 大众问问(北京)信息科技有限公司 | 音频降噪方法、装置及电子设备 |
CN110781899A (zh) * | 2019-10-23 | 2020-02-11 | 维沃移动通信有限公司 | 图像处理方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11410038B2 (en) | Frame selection based on a trained neural network | |
WO2021087985A1 (zh) | 模型训练方法、装置、存储介质及电子设备 | |
US20200302154A1 (en) | Image processing method, apparatus, storage medium, and electronic device | |
JP5934653B2 (ja) | 画像分類装置、画像分類方法、プログラム、記録媒体、集積回路、モデル作成装置 | |
CN107820020A (zh) | 拍摄参数的调整方法、装置、存储介质及移动终端 | |
WO2019120016A1 (zh) | 图像处理方法、装置、存储介质及电子设备 | |
US9152873B2 (en) | Device and method for determining an optimum image | |
US9058655B2 (en) | Region of interest based image registration | |
CN111935479B (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
CN116324878A (zh) | 针对图像效果的分割 | |
CN113411498B (zh) | 图像拍摄方法、移动终端及存储介质 | |
CN112602319B (zh) | 一种对焦装置、方法及相关设备 | |
CN111654643B (zh) | 曝光参数确定方法、装置、无人机和计算机可读存储介质 | |
CN104869309A (zh) | 一种拍照方法及装置 | |
CN112418327A (zh) | 图像分类模型的训练方法、装置、电子设备以及存储介质 | |
CN109961403B (zh) | 照片的调整方法、装置、存储介质及电子设备 | |
CN111080665B (zh) | 图像边框识别方法、装置、设备和计算机存储介质 | |
CN114422682A (zh) | 拍摄方法、电子设备和可读存储介质 | |
CN109784327B (zh) | 边界框确定方法、装置、电子设备及存储介质 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN113837257A (zh) | 一种目标检测方法及装置 | |
CN112887615A (zh) | 拍摄的方法及装置 | |
WO2023071933A1 (zh) | 相机拍摄参数调整方法、装置及电子设备 | |
CN112543292A (zh) | 图像降噪方法、装置、电子设备和可读存储介质 | |
CN113011328B (zh) | 图像处理方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210323 |
|
RJ01 | Rejection of invention patent application after publication |