CN112669231B - 图像处理方法、图像处理模型的训练方法、装置、介质 - Google Patents
图像处理方法、图像处理模型的训练方法、装置、介质 Download PDFInfo
- Publication number
- CN112669231B CN112669231B CN202011539630.8A CN202011539630A CN112669231B CN 112669231 B CN112669231 B CN 112669231B CN 202011539630 A CN202011539630 A CN 202011539630A CN 112669231 B CN112669231 B CN 112669231B
- Authority
- CN
- China
- Prior art keywords
- image
- sensitivity
- image processing
- target
- processing model
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 234
- 238000012549 training Methods 0.000 title claims abstract description 206
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims description 38
- 230000035945 sensitivity Effects 0.000 claims abstract description 293
- 238000010586 diagram Methods 0.000 claims abstract description 67
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 206010034972 Photosensitivity reaction Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000036211 photosensitivity Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006552 photochemical reaction Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本公开涉及一种图像处理方法、图像处理模型的训练方法、装置、介质，所述图像处理方法包括：确定待处理图像的感光度信息；根据所述待处理图像的感光度信息，确定所述待处理图像对应的目标感光度特征图；将所述待处理图像和所述目标感光度特征图输入图像处理模型，获得所述图像处理模型输出的目标图像，其中，所述图像处理模型是通过训练集对初始图像处理模型进行训练得到的，其中，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像。由此，可以提高图像处理的精细度和准确度，从而提高确定出的目标图像的质量。
Description
技术领域
本公开涉及图像处理领域，尤其涉及图像处理方法、图像处理模型的训练方法、装置、介质。
背景技术
随着计算机技术和相机的发展，用户对拍摄的图片的质量要求越来越高。相关技术中，若拍摄的图片质量较低，则可以基于深度学习模型对其进行去噪处理，从而获得质量较好的图片。但上述过程中通常是直接将图片输入模型进行处理，图像处理的精度较低，难以根据用户的使用需求进行去噪。
发明内容
为克服相关技术中存在的问题，本公开提供一种精度高的图像处理方法、图像处理模型的训练方法、装置、介质。
根据本公开实施例的第一方面，提供一种图像处理方法，所述方法包括：
确定待处理图像的感光度信息；
根据所述待处理图像的感光度信息，确定所述待处理图像对应的目标感光度特征图；
将所述待处理图像和所述目标感光度特征图输入图像处理模型，获得所述图像处理模型输出的目标图像，其中，所述图像处理模型是通过训练集对初始图像处理模型进行训练得到的，其中，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像。
可选地，所述图像处理模型通过以下方式获得：
针对所述训练集中的每一组目标训练样本，将所述目标训练样本中的第一图像和所述感光度特征图输入所述初始图像处理模型，获得所述第一图像对应的输出图像；
根据所述输出图像和与所述第一图像对应的第二图像，确定所述初始图像处理模型的损失值；
根据所述损失值对初始图像处理模型进行参数调整，以对所述初始图像模型进行训练，获得所述图像处理模型。
可选地，其特征在于，
所述根据所述待处理图像的感光度信息，确定所述待处理图像对应的目标感光度特征图，包括：
将所述待处理图像的感光度信息作为目标感光度信息；
根据所述目标感光度信息，生成所述目标感光度特征图；或者，
所述根据所述待处理图像的感光度信息，确定所述待处理图像对应的目标感光度特征图，包括：
输出所述待处理图像的感光度信息；
响应于接收到用户针对所述待处理图像的感光度信息的设置操作，将所述设置操作所设置的参数确定为目标感光度信息；
根据所述目标感光度信息，生成所述目标感光度特征图。
可选地，所述根据所述目标感光度信息，生成所述目标感光度特征图，包括：
将所述目标感光度信息确定为所述待处理图像中每一像素点对应的特征值，以获得所述目标感光度特征图；或者
针对所述待处理图像中的每一像素点，将该像素点的亮度值与所述待处理图像的感光度信息的比值确定为该像素点的特征值，以获得所述目标感光度特征图。
可选地，所述根据所述目标感光度信息，生成所述目标感光度特征图，还包括：
将每一所述像素点的特征值进行取对数处理，并根据取对数处理后所得的结果获得所述目标感光度特征图。
根据本公开实施例的第二方面，提供一种图像处理模型的训练方法，所述方法包括：
获取训练集，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像；
针对所述训练集中的每一组目标训练样本，将所述目标训练样本中的第一图像和所述感光度特征图输入初始图像处理模型，获得所述第一图像对应的输出图像；
根据所述输出图像和与所述第一图像对应的第二图像，确定所述初始图像处理模型的损失值；
根据所述损失值对初始图像处理模型进行参数调整，以对所述初始图像模型进行训练，获得所述图像处理模型。
可选地，通过以下方式确定所述训练集中的各组训练样本：
获取所述第一图像以及与所述第二图像；
确定所述第一图像的感光度信息；
根据所述第一图像的感光度信息，生成所述第一图像对应的感光度特征图，将所述第一图像、所述第一图像对应的感光度特征图以及所述第二图像确定为一组训练样本。
可选地，所述根据所述第一图像的感光度信息，生成所述第一图像对应的感光度特征图，包括：
将所述第一图像的感光度信息确定为所述第一图像中每一像素点对应的特征值，以获得所述感光度特征图；或者
针对所述第一图像中的每一像素点，根据该像素点的像素值确定该像素点的亮度值，并将该像素点的亮度值与所述第一图像的感光度信息的比值确定为该像素点的特征值，以获得所述感光度特征图。
可选地，所述根据所述第一图像的感光度信息，生成所述第一图像对应的感光度特征图，还包括：
将每一所述像素点的特征值进行取对数处理，并根据取对数处理后所得的结果获得所述感光度特征图。
根据本公开实施例的第三方面，提供一种图像处理装置，所述装置包括：
第一确定模块，被配置为确定待处理图像的感光度信息；
第二确定模块，被配置为根据所述待处理图像的感光度信息，确定所述待处理图像对应的目标感光度特征图；
输入模块，被配置为将所述待处理图像和所述目标感光度特征图输入图像处理模型，获得所述图像处理模型输出的目标图像，其中，所述图像处理模型是通过训练集对初始图像处理模型进行训练得到的，其中，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像。
可选地，所述图像处理模型通过图像处理模型的训练装置进行训练获得，所述图像处理模型的训练装置包括：
获取模块，被配置为获取所述训练集；
第三确定模块，被配置为针对所述训练集中的每一组目标训练样本，将所述目标训练样本中的第一图像和所述感光度特征图输入所述初始图像处理模型，获得所述第一图像对应的输出图像；
第四确定模块，被配置为根据所述输出图像和与所述第一图像对应的第二图像，确定所述初始图像处理模型的损失值；
训练模块，被配置为根据所述损失值对初始图像处理模型进行参数调整，以对所述初始图像模型进行训练，获得所述图像处理模型。
可选地，所述第二确定模块包括：
第一确定子模块，被配置为将所述待处理图像的感光度信息作为目标感光度信息；
第一生成子模块，被配置为根据所述目标感光度信息，生成所述目标感光度特征图；或者，
所述第二确定模块包括：
输出子模块，被配置为输出所述待处理图像的感光度信息；
第二确定子模块，被配置为响应于接收到用户针对所述待处理图像的感光度信息的设置操作，将所述设置操作所设置的参数确定为目标感光度信息；
第一生成子模块，被配置为根据所述目标感光度信息，生成所述目标感光度特征图。
可选地，所述第一生成子模块包括：
第三确定子模块，被配置为将所述目标感光度信息确定为所述待处理图像中每一像素点对应的特征值，以获得所述目标感光度特征图；或者
第四确定子模块，被配置为针对所述待处理图像中的每一像素点，将该像素点的亮度值与所述待处理图像的感光度信息的比值确定为该像素点的特征值，以获得所述目标感光度特征图。
可选地，所述第一生成子模块还包括：
第一处理子模块，被配置为将每一所述像素点的特征值进行取对数处理，并根据取对数处理后所得的结果获得所述目标感光度特征图。
根据本公开实施例的第四方面，提供一种图像处理模型的训练装置，所述装置包括：
获取模块，被配置为获取训练集，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像；
第三确定模块，被配置为针对所述训练集中的每一组目标训练样本，将所述目标训练样本中的第一图像和所述感光度特征图输入初始图像处理模型，获得所述第一图像对应的输出图像；
第四确定模块，被配置为根据所述输出图像和与所述第一图像对应的第二图像，确定所述初始图像处理模型的损失值；
训练模块，被配置为根据所述损失值对初始图像处理模型进行参数调整，以对所述初始图像模型进行训练，获得所述图像处理模型。
可选地，通过第五确定模块确定所述训练集中的各组训练样本，所述第五确定模块包括：
获取子模块，被配置为获取所述第一图像以及与所述第二图像；
第五确定子模块，被配置为确定所述第一图像的感光度信息；
第二生成子模块，被配置为根据所述第一图像的感光度信息，生成所述第一图像对应的感光度特征图，将所述第一图像、所述第一图像对应的感光度特征图以及所述第二图像确定为一组训练样本。
可选地，所述第二生成子模块包括：
第六确定子模块，被配置为将所述第一图像的感光度信息确定为所述第一图像中每一像素点对应的特征值，以获得所述感光度特征图；或者
第七确定子模块，被配置为针对所述第一图像中的每一像素点，根据该像素点的像素值确定该像素点的亮度值，并将该像素点的亮度值与所述第一图像的感光度信息的比值确定为该像素点的特征值，以获得所述感光度特征图。
可选地，所述第二生成子模块还包括：
第二处理子模块，被配置为将每一所述像素点的特征值进行取对数处理，并根据取对数处理后所得的结果获得所述感光度特征图。
根据本公开实施例的第五方面，提供一种图像处理装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
确定待处理图像的感光度信息；
根据所述待处理图像的感光度信息，确定所述待处理图像对应的目标感光度特征图；
将所述待处理图像和所述目标感光度特征图输入图像处理模型，获得所述图像处理模型输出的目标图像，其中，所述图像处理模型是通过训练集对初始图像处理模型进行训练得到的，其中，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像。
根据本公开实施例的第六方面，提供一种图像处理模型的训练装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取训练集，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像；
针对所述训练集中的每一组目标训练样本，将所述目标训练样本中的第一图像和所述感光度特征图输入初始图像处理模型，获得所述第一图像对应的输出图像；
根据所述输出图像和与所述第一图像对应的第二图像，确定所述初始图像处理模型的损失值；
根据所述损失值对初始图像处理模型进行参数调整，以对所述初始图像模型进行训练，获得所述图像处理模型。
根据本公开实施例的第七方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现第一方面任一所述图像处理方法的步骤，或者该程序指令被处理器执行时实现第二方面任一所述图像处理模型的训练方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：
在上述技术方案中，确定待处理图像的感光度信息，并根据所述待处理图像的感光度信息，确定所述待处理图像对应的目标感光度特征图，从而可以将所述待处理图像和所述目标感光度特征图输入图像处理模型，获得所述图像处理模型输出的目标图像。由此，通过上述技术方案，在对图像进行去噪处理时，可以结合图像特征和对该图像成像具有显著影响的感光度信息，从而可以从图像本身的内容特征以及图像的成像特征等方面对图像进行去噪处理，提高图像处理的精细度和准确度，从而提高确定出的目标图像的质量。同时，图像处理模型的输入不仅包含待处理图像还可以包含其他特征，从而可以为用户设置不同的特征参数提供可能，贴合用户的使用需求，拓宽该图像处理方法的使用范围，提升用户使用体验。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种图像处理方法的流程图。
图2是根据一示例性实施例示出的一种图像处理模型的训练方法的流程图。
图3是基于本公开所提供的技术方案进行图像处理的效果对比图。
图4是根据一示例性实施例示出的一种图像处理装置的框图。
图5是根据一示例性实施例示出的一种图像处理模型的训练装置的框图。
图6是根据一示例性实施例示出的一种用于图像处理或者图像处理模型的训练的装置的框图。
图7是根据一示例性实施例示出的一种用于图像处理或者图像处理模型的训练的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种图像处理方法的流程图，如图1所示，该方法可以包括以下步骤。
在步骤11中，确定待处理图像的感光度信息。
其中，在通过相机拍摄获得的图像中，其通常都包含ISO属性，则可以从待处理图像对应的属性信息中获取ISO值作为该感光度信息。
在步骤12中，根据待处理图像的感光度信息，确定待处理图像对应的目标感光度特征图。
其中，感光度用于衡量底片对于光的灵敏程度，例如传统相机所使用胶片的感光速度，也就是胶片中银元素与光线的光化学反应速度。或者数码相机中CCD或者CMOS感光元件的感光速度。其中，ISO值越高就说明该感光材料的感光能力越强，感光度越高，则对曝光量的要求就越少。ISO值200的设置状态下，曝光时间只需要ISO值100的设置状态下的曝光时间的一半；如果曝光时间相同，那么ISO值200的设置状态下的图像亮度就是ISO值100的设置状态下的两倍。示例地，ISO值100的设置状态下，适合在阳光灿烂等光线充足的环境下进行拍摄，而ISO值400的设置状态下，可以在室内或清晨、黄昏等光线较弱的环境下进行拍摄。基于该感光度信息可以对待处理图像的拍摄环境中的光线信息进行全局表征。
在通过数码相机进行图像拍摄时，感光度可以动态调节，然而感光度的过度调节可能增加拍摄图像的噪点。因此，感光度信息对图像的成像质量有明显影响，因此，在本公开实施例中可以获取该待处理图像的感光度信息，从而为后续对该待处理图像进行去噪处理提供有效的数据支持。
在步骤13中，将待处理图像和目标感光度特征图输入图像处理模型，获得图像处理模型输出的目标图像，其中，所述图像处理模型是通过训练集对初始图像处理模型进行训练得到的，其中，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像。
在该实施例中，在图像处理模型训练时，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像，则可以将包含噪声信息的第一图像以及所述第一图像对应的感光度特征图作为该初始图像处理模型的输入，从而可以在进行模型训练时参考训练图像中的感光度特征，使得该图像处理模型在对待处理图像进行去噪处理时，可以包含更多的特征信息，从而提高获得的目标图像的质量。
在上述技术方案中，确定待处理图像的感光度信息，并根据所述待处理图像的感光度信息，确定所述待处理图像对应的目标感光度特征图，从而可以将所述待处理图像和所述目标感光度特征图输入图像处理模型，获得所述图像处理模型输出的目标图像。由此，通过上述技术方案，在对图像进行去噪处理时，可以结合图像特征和对该图像成像具有显著影响的感光度信息，从而可以从图像本身的内容特征以及图像的成像特征等方面对图像进行去噪处理，提高图像处理的精细度和准确度，从而提高确定出的目标图像的质量。同时，图像处理模型的输入不仅包含待处理图像还可以包含其他特征，从而可以为用户设置不同的特征参数提供可能，贴合用户的使用需求，拓宽该图像处理方法的使用范围，提升用户使用体验。
以下对图像处理模型的获取方式进行详细说明。在一种可能的实施例中，如图2所示，所述图像处理模型可以通过以下方式获得：
在步骤21中，获取训练集，其中，如上文所述，该训练集中可以包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像。
在一种可能的实施例中，可以通过以下方式确定所述训练集中的各组训练样本：
获取所述第一图像以及所述第二图像。
在一种实施例中，可以静止连拍多张图像，可以从该多张图像中随机选择一张作为该第一图像，并将该多张图像进行平均以获得第二图像。其中，在连拍获得的多张图像中都会存在噪声信息，可以通过将该多张图像进行平均而实现去噪，从而获得第二图像。
之后，确定第一图像的感光度信息，同样地，可以从第一图像的属性信息中获取ISO值作为该感光度信息。
根据所述第一图像的感光度信息，生成所述第一图像对应的感光度特征图，从而可以确定该第一图像对应的环境光线信息。由此，可以将所述第一图像、所述第一图像对应的感光度特征图以及所述第二图像确定为一组训练样本，从而在每一组训练样本中增加用于模型训练的图像的感光度特征，提高模型训练的参数的多样性和全面性。
之后，转回图2，在步骤22中，针对训练集中的每一组目标训练样本，将目标训练样本中的第一图像和感光度特征图输入初始图像处理模型，获得第一图像对应的输出图像，其中，该目标训练样本可以是该训练集中的各组训练样本，也可以是该训练集中的部分训练样本，可以根据实际使用场景进行设置，本公开对此不进行限定。
在步骤23中，根据输出图像和与第一图像对应的第二图像，确定初始图像处理模型的损失值。其中该损失值可以采用相关技术中的损失函数进行计算，如可以是输出图像与第二图像的误差平方和，本公开对此不进行限定。
在步骤24中，根据损失值对初始图像处理模型进行参数调整，以对初始图像模型进行训练，获得图像处理模型。
作为示例，该步骤中在损失值大于预设阈值时，可以基于该损失值对模型的参数进行调整，并重新执行步骤22和步骤23从而可以基于各组目标训练样本对初始图像模型进行训练，直至模型的损失值小于预设阈值时结束训练，将此时获得的模型作为该图像处理模型。
作为另一示例，该步骤中在训练次数小于预设次数时，可以基于该损失值对模型的参数进行调整，并重新执行步骤22和步骤23从而可以基于各组目标训练样本对初始图像模型进行训练，直至训练次数大于预设次数时结束训练，将此时获得的模型作为该图像处理模型。
由此，通过上述技术方案，在进行图像处理模型训练时，该模型的输入包含带有噪声信息的图像以及该图像的感光度特征，一方面可以增加模型训练过程中考虑的特征的全面性，另一方面可以对模型设置更多的输入接口，为该模型接收用户的设置参数提供可能，提高该图像处理模型的使用范围。
在一种可能的实施例中，在步骤12中，根据待处理图像的感光度信息，确定图像对应的目标感光度特征图的示例性实现方式如下，该步骤可以包括：
将所述待处理图像的感光度信息作为目标感光度信息；
根据所述目标感光度信息，生成所述目标感光度特征图。
其中，在该实施例中，在对待处理图像进行图像处理时，可以直接基于该待处理图像对应的感光度信息生成该目标感光度特征图，从而对待处理图像进行去噪，由此可以结合待处理图像的感光度信息对其进行图像去噪处理，提高图像去噪处理的准确度。
或者在一种可能的实施例中，在步骤12中，根据待处理图像的感光度信息，确定图像对应的目标感光度特征图的示例性实现方式如下，该步骤可以包括：
输出所述待处理图像的感光度信息，其中，可以通过显示界面输出该感光度信息以对用户进行提示。
响应于接收到用户针对所述待处理图像的感光度信息的设置操作，将所述设置操作所设置的参数确定为目标感光度信息；
根据所述目标感光度信息，生成所述目标感光度特征图。
则在该实施例中，用户可以通过自定义设置感光度信息的方式，实现对图像降噪程度的控制。示例地，若用户认为当前待处理图像的感光度信息较小，则可以通过设置操作输入更大的感光度信息，则图像处理模型在基于生成的目标感光度特征图进行图像处理时，则会采用光线较暗状态下的参数进行去噪，即加大降噪程度；若用户认为当前待处理图像的感光度信息较大，则可以通过设置操作输入更小的感光度信息，则图像处理模型在基于生成的目标感光度特征图进行图像处理时，则会采用光线较亮状态下的参数进行去噪，即降低降噪程度。
由此，通过上述技术方案，用户可以自行设置感光度信息，从而可以基于图像处理模型和用户设置的感光度信息对待处理图像进行去噪处理，使得可以对图像去噪的程度进行调节，贴合用户的使用需求，同时可以进一步提高图像处理的准确度和精度，提升用户使用体验。
在一种可能的实施例中，所述根据所述目标感光度信息，生成所述目标感光度特征图的示例性实现方式如下，该步骤可以包括：
将所述目标感光度信息确定为所述待处理图像中每一像素点对应的特征值，以获得所述目标感光度特征图。
其中，该目标感光度特征图与待处理图像对应的矩阵行列相同，记待处理图像对应的矩阵为Tm*n，每一像素点的像素值为Tij，其中，i∈[0,m-1]且i为整数，j∈[0,n-1]且j为整数，m和n均为大于0的整数，则目标感光度特征图可以表示为Sm*n，则可以将该待处理图像的ISO值确定为每一像素点对应的特征值，即目标感光度特征图中的每一元素的值Sij。
由此，在该技术方案中，可以直接基于该待处理图像的感光度信息确定目标感光度特征图，在一定程度上提高该图像处理模型的输入数据的准确度，从而提高基于该图像处理模型进行图像处理获得的目标图像的准确度。
或者在一种可能的实施例中，所述根据所述目标感光度信息，生成所述目标感光度特征图的实现方式如下，该步骤可以包括：
针对所述待处理图像中的每一像素点，将该像素点的亮度值与所述待处理图像的感光度信息的比值确定为该像素点的特征值，以获得所述目标感光度特征图。
其中，相机在拍摄图像时，处于一个场景中的不同位置，其对应的亮度值可能不同。亮度值高的位置，包含噪声程度较低；亮度值较低的位置，包含噪声程度较高。因此，在本公开实施例中，可以基于亮度值和感光度信息确定图像对应的感光度特征图。
示例地，可以基于图像的像素点的像素值确定图像中该像素点的亮度值。例如，可以将该像素点对应的RGB信息转换成YUV信息，将确定出的Y值作为该像素点的亮度值。其中将RGB信息转换成YUV信息的方式为本领域中的常规技术，在此不再赘述。
感光度信息和亮度值为负相关关系，因此，在本公开实施例中，可以将该像素点的亮度值与感光度信息的比值作为特征值，从而可以确定待处理图像中每一像素点的特征值，即该目标感光度特征图中的每一元素的值Sij为Yij/ISO。
由此，通过上述技术方案，可以进一步通过图像中的亮度信息确定感光度特征图，每一像素点的亮度值可能不同，从而可以一定程度上提高基于图像处理模型进行图像处理的精度，从而提高基于该图像处理模型进行图像去噪的精度，提高图像去噪结果的准确度，进一步提升用户使用体验。
在一种可能的实施例中，所述根据所述目标感光度信息，生成所述目标感光度特征图的示例性实现方式如下，该步骤还可以包括：
将每一所述像素点的特征值进行取对数处理，并根据取对数处理后所得的结果获得所述目标感光度特征图。
其中，理想状态下用于进行模型训练的数据应该是由具有不同感光度信息的图像所组成的，而且每一感光度信息的分布要尽可能的均匀。由于数据采集成本和实际环境限制，实际应用中难以采集到感光度值分布均匀的训练集。因此，在本公开实施例中，在进行图像处理模型训练时，可以将确定出的特征值进行取对数处理，从而根据取对数处理后所得的结果获得训练样本中的感光度特征图。作为示例，在特征值为ISO值时，该感光度特征图中的元素值可以为log(ISO)，这样特征值的取值范围为[100,10000]时，感光度特征图中的元素值可以更均匀地分散在范围[2,4]之间。作为另一示例，在特征值为Yij/ISO时，该感光度特征图中的元素值可以为log(Yij/ISO)。因此，在该实施例中，在基于该图像处理模型对待处理图像进行图像处理时，可以采用同样的方式获取该目标感光度特征图，从而可以保证图像处理模型的训练数据与测试数据的分布一致，提高该待处理图像与该图像处理模型的匹配度，进一步提高图像处理模型进行图像处理的准确度。
如图3所示，为基于本公开所提供的技术方案进行图像处理的效果对比图，其中A为输入的待处理图像，B1为基于相关技术中的模型进行图像去噪所得的图像，B2为基于本公开所提供的图像处理方法进行图像处理所得的图像。由此，可以明显看出，基于本公开所提供的图像处理方法可以更优地对带噪图像进行处理，获得更加清晰的目标图像，从而可以为后续进行图像识别、图像分类、图像中文字识别等提供准确的数据支持。
本公开还提供一种图像处理模型的训练方法，其训练方式如图2所示，所述方法包括：
在步骤21中，获取训练集，其中，所述训练集中可以包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像；
在步骤22中，针对训练集中的每一组目标训练样本，将目标训练样本中的第一图像和感光度特征图输入初始图像处理模型，获得第一图像对应的输出图像；
在步骤23中，根据输出图像和与第一图像对应的第二图像，确定初始图像处理模型的损失值；
在步骤24中，根据损失值对初始图像处理模型进行参数调整，以对初始图像模型进行训练，获得图像处理模型。
通过上述技术方案，可以在训练图像处理模型的过程中，结合图像特征以及对该图像成像具有显著影响的感光度信息，从而可以基于该图像处理模型从图像本身的内容特征以及图像的成像特征等多方面对图像进行去噪处理。同时，图像处理模型的输入不仅包含待处理图像还可以其他特征，从而可以为用户设置不同的特征参数提供可能，贴合用户的使用需求，拓宽该方法的使用范围，提升用户使用体验。
在一种可能的实施例中，通过以下方式确定所述训练集中的各组训练样本：
获取所述第一图像以及与所述第二图像；
确定所述第一图像的感光度信息；
根据所述第一图像的感光度信息，生成所述第一图像对应的感光度特征图，将所述第一图像、所述第一图像对应的感光度特征图以及所述第二图像确定为一组训练样本。
在一种可能的实施例中，根据所述第一图像的感光度信息，生成所述第一图像对应的感光度特征图的示例性实现方式如下，该步骤可以包括：
将所述第一图像的感光度信息确定为所述第一图像中每一像素点对应的特征值，以获得所述感光度特征图；或者
针对所述第一图像中的每一像素点，根据该像素点的像素值确定该像素点的亮度值，并将该像素点的亮度值与所述第一图像的感光度信息的比值确定为该像素点的特征值，以获得所述感光度特征图。
在一种可能的实施例中，根据所述第一图像的感光度信息，生成所述第一图像对应的感光度特征图的示例性实现方式如下，该步骤还可以包括：
将每一所述像素点的特征值进行取对数处理，并根据取对数处理后所得的结果获得所述感光度特征图。
由此，通过上述技术方案，可以有效降低用于训练的图像数据所对应的感光度值分布不均匀对图像处理模型训练时的负面影响，从而提高图像处理模型的训练效率和准确度，同时提高图像处理的准确度。
其中，根据感光度信息生成感光度特征图的具体实现方式与上文所述根据所述待处理图像的感光度信息，确定所述待处理图像对应的目标感光度特征图的确定方式相同，在此不再赘述。需要进行说明的是，在上述过程中，在对待处理图像的目标感光度特征图中元素的取值方式和第一图像对应的感光度特征图中元素的取值方式保持一致，从而保证图像处理模型的训练数据和基于该图像处理模型的使用数据的一致性，提高图像处理模型的准确度。
其中，上述各个步骤的具体实现方式已在上文中进行详细说明，在此不再赘述。
本公开还提供一种图像处理装置，如图4所示，所述装置10包括：
第一确定模块101，被配置为确定待处理图像的感光度信息；
第二确定模块102，被配置为根据所述待处理图像的感光度信息，确定所述待处理图像对应的目标感光度特征图；
输入模块103，被配置为将所述待处理图像和所述目标感光度特征图输入图像处理模型，获得所述图像处理模型输出的目标图像，其中，所述图像处理模型是通过训练集对初始图像处理模型进行训练得到的，其中，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像。
可选地，所述图像处理模型通过图像处理模型的训练装置进行训练获得，所述图像处理模型的训练装置包括：
获取模块，被配置为获取所述训练集；
第三确定模块，被配置为针对所述训练集中的每一组目标训练样本，将所述目标训练样本中的第一图像和所述感光度特征图输入所述初始图像处理模型，获得所述第一图像对应的输出图像；
第四确定模块，被配置为根据所述输出图像和与所述第一图像对应的第二图像，确定所述初始图像处理模型的损失值；
训练模块，被配置为根据所述损失值对初始图像处理模型进行参数调整，以对所述初始图像模型进行训练，获得所述图像处理模型。
可选地，所述第二确定模块包括：
第一确定子模块，被配置为将所述待处理图像的感光度信息作为目标感光度信息；
第一生成子模块，被配置为根据所述目标感光度信息，生成所述目标感光度特征图；或者，
所述第二确定模块包括：
输出子模块，被配置为输出所述待处理图像的感光度信息；
第二确定子模块，被配置为响应于接收到用户针对所述待处理图像的感光度信息的设置操作，将所述设置操作所设置的参数确定为目标感光度信息；
第一生成子模块，被配置为根据所述目标感光度信息，生成所述目标感光度特征图。
可选地，所述第一生成子模块包括：
第三确定子模块，被配置为将所述目标感光度信息确定为所述待处理图像中每一像素点对应的特征值，以获得所述目标感光度特征图；或者
第四确定子模块，被配置为针对所述待处理图像中的每一像素点，将该像素点的亮度值与所述待处理图像的感光度信息的比值确定为该像素点的特征值，以获得所述目标感光度特征图。
可选地，所述第一生成子模块还包括：
第一处理子模块，被配置为将每一所述像素点的特征值进行取对数处理，并根据取对数处理后所得的结果获得所述目标感光度特征图。
本公开还提供一种图像处理模型的训练装置，如图5所示，所述装置20包括：
获取模块201，被配置为获取训练集，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像；
第三确定模块202，被配置为针对所述训练集中的每一组目标训练样本，将所述目标训练样本中的第一图像和所述感光度特征图输入初始图像处理模型，获得所述第一图像对应的输出图像；
第四确定模块203，被配置为根据所述输出图像和与所述第一图像对应的第二图像，确定所述初始图像处理模型的损失值；
训练模块204，被配置为根据所述损失值对初始图像处理模型进行参数调整，以对所述初始图像模型进行训练，获得所述图像处理模型。
可选地，通过第五确定模块确定所述训练集中的各组训练样本，所述第五确定模块包括：
获取子模块，被配置为获取所述第一图像以及与所述第二图像；
第五确定子模块，被配置为确定所述第一图像的感光度信息；
第二生成子模块，被配置为根据所述第一图像的感光度信息，生成所述第一图像对应的感光度特征图，将所述第一图像、所述第一图像对应的感光度特征图以及所述第二图像确定为一组训练样本。
可选地，所述第二生成子模块包括：
第六确定子模块，被配置为将所述第一图像的感光度信息确定为所述第一图像中每一像素点对应的特征值，以获得所述感光度特征图；或者
第七确定子模块，被配置为针对所述第一图像中的每一像素点，根据该像素点的像素值确定该像素点的亮度值，并将该像素点的亮度值与所述第一图像的感光度信息的比值确定为该像素点的特征值，以获得所述感光度特征图。
可选地，所述第二生成子模块还包括：
第二处理子模块，被配置为将每一所述像素点的特征值进行取对数处理，并根据取对数处理后所得的结果获得所述感光度特征图。
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。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的图像处理方法或图像处理模型的训练方法的步骤。
图6是根据一示例性实施例示出的一种用于图像处理或者图像处理模型的训练的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图6，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的图像处理方法或图像处理模型的训练方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述图像处理方法或图像处理模型的训练方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述图像处理方法或图像处理模型的训练方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的图像处理方法或图像处理模型的训练方法的代码部分。
图7是根据一示例性实施例示出的一种用于图像处理或者图像处理模型的训练的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图7，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述图像处理方法或图像处理模型的训练方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种图像处理方法，其特征在于，所述方法包括：
确定待处理图像的感光度信息；
根据所述待处理图像的感光度信息，确定所述待处理图像对应的目标感光度特征图；
将所述待处理图像和所述目标感光度特征图输入图像处理模型，获得所述图像处理模型输出的目标图像，其中，所述图像处理模型是通过训练集对初始图像处理模型进行训练得到的，其中，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像；
所述目标感光度特征图通过以下方式生成：
针对所述待处理图像中的每一像素点，将该像素点的亮度值与所述待处理图像的感光度信息的比值确定为该像素点的特征值，以获得所述目标感光度特征图。
2.根据权利要求1所述的方法，其特征在于，所述图像处理模型通过以下方式获得：
获取所述训练集；
针对所述训练集中的每一组目标训练样本，将所述目标训练样本中的第一图像和所述感光度特征图输入所述初始图像处理模型，获得所述第一图像对应的输出图像；
根据所述输出图像和与所述第一图像对应的第二图像，确定所述初始图像处理模型的损失值；
根据所述损失值对初始图像处理模型进行参数调整，以对所述初始图像模型进行训练，获得所述图像处理模型。
3.根据权利要求1所述的方法，其特征在于，
所述根据所述待处理图像的感光度信息，确定所述待处理图像对应的目标感光度特征图，包括：
将所述待处理图像的感光度信息作为目标感光度信息；
根据所述目标感光度信息，生成所述目标感光度特征图；或者，
所述根据所述待处理图像的感光度信息，确定所述待处理图像对应的目标感光度特征图，包括：
输出所述待处理图像的感光度信息；
响应于接收到用户针对所述待处理图像的感光度信息的设置操作，将所述设置操作所设置的参数确定为目标感光度信息；
根据所述目标感光度信息，生成所述目标感光度特征图。
4.根据权利要求3所述的方法，其特征在于，所述根据所述目标感光度信息，生成所述目标感光度特征图，还包括：
将每一所述像素点的特征值进行取对数处理，并根据取对数处理后所得的结果获得所述目标感光度特征图。
5.一种图像处理模型的训练方法，其特征在于，所述方法包括：
获取训练集，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像；
针对所述训练集中的每一组目标训练样本，将所述目标训练样本中的第一图像和所述感光度特征图输入初始图像处理模型，获得所述第一图像对应的输出图像；
根据所述输出图像和与所述第一图像对应的第二图像，确定所述初始图像处理模型的损失值；
根据所述损失值对初始图像处理模型进行参数调整，以对所述初始图像模型进行训练，获得所述图像处理模型；
所述第一图像对应的感光度特征图通过以下方式生成：
针对所述第一图像中的每一像素点，根据该像素点的像素值确定该像素点的亮度值，并将该像素点的亮度值与所述第一图像的感光度信息的比值确定为该像素点的特征值，以获得所述感光度特征图。
6.根据权利要求5所述的方法，其特征在于，通过以下方式确定所述训练集中的各组训练样本：
获取所述第一图像以及所述第二图像；
确定所述第一图像的感光度信息；
根据所述第一图像的感光度信息，生成所述第一图像对应的感光度特征图，将所述第一图像、所述第一图像对应的感光度特征图以及所述第二图像确定为一组训练样本。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第一图像的感光度信息，生成所述第一图像对应的感光度特征图，还包括：
将每一所述像素点的特征值进行取对数处理，并根据取对数处理后所得的结果获得所述感光度特征图。
8.一种图像处理装置，其特征在于，所述装置包括：
第一确定模块，被配置为确定待处理图像的感光度信息；
第二确定模块，被配置为根据所述待处理图像的感光度信息，确定所述待处理图像对应的目标感光度特征图；
输入模块，被配置为将所述待处理图像和所述目标感光度特征图输入图像处理模型，获得所述图像处理模型输出的目标图像，其中，所述图像处理模型是通过训练集对初始图像处理模型进行训练得到的，其中，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像；
所述目标感光度特征图通过以下方式生成：
针对所述待处理图像中的每一像素点，将该像素点的亮度值与所述待处理图像的感光度信息的比值确定为该像素点的特征值，以获得所述目标感光度特征图。
9.一种图像处理模型的训练装置，其特征在于，所述装置包括：
获取模块，被配置为获取训练集，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像；
第三确定模块，被配置为针对所述训练集中的每一组目标训练样本，将所述目标训练样本中的第一图像和所述感光度特征图输入初始图像处理模型，获得所述第一图像对应的输出图像；
第四确定模块，被配置为根据所述输出图像和与所述第一图像对应的第二图像，确定所述初始图像处理模型的损失值；
训练模块，被配置为根据所述损失值对初始图像处理模型进行参数调整，以对所述初始图像模型进行训练，获得所述图像处理模型；
所述第一图像对应的感光度特征图通过以下方式生成：
针对所述第一图像中的每一像素点，根据该像素点的像素值确定该像素点的亮度值，并将该像素点的亮度值与所述第一图像的感光度信息的比值确定为该像素点的特征值，以获得所述感光度特征图。
10.一种图像处理装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
确定待处理图像的感光度信息；
根据所述待处理图像的感光度信息，确定所述待处理图像对应的目标感光度特征图；
将所述待处理图像和所述目标感光度特征图输入图像处理模型，获得所述图像处理模型输出的目标图像，其中，所述图像处理模型是通过训练集对初始图像处理模型进行训练得到的，其中，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像；
所述目标感光度特征图通过以下方式生成：
针对所述待处理图像中的每一像素点，将该像素点的亮度值与所述待处理图像的感光度信息的比值确定为该像素点的特征值，以获得所述目标感光度特征图。
11.一种图像处理模型的训练装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取训练集，所述训练集包括多组训练样本，每组训练样本包括：包含噪声信息的第一图像以及所述第一图像对应的感光度特征图、与所述第一图像对应的不包含噪声信息的第二图像；
针对所述训练集中的每一组目标训练样本，将所述目标训练样本中的第一图像和所述感光度特征图输入初始图像处理模型，获得所述第一图像对应的输出图像；
根据所述输出图像和与所述第一图像对应的第二图像，确定所述初始图像处理模型的损失值；
根据所述损失值对初始图像处理模型进行参数调整，以对所述初始图像模型进行训练，获得所述图像处理模型；
所述第一图像对应的感光度特征图通过以下方式生成：
针对所述第一图像中的每一像素点，根据该像素点的像素值确定该像素点的亮度值，并将该像素点的亮度值与所述第一图像的感光度信息的比值确定为该像素点的特征值，以获得所述感光度特征图。
12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1-4中任一项所述方法的步骤，或者该程序指令被处理器执行时实现权利要求5-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011539630.8A CN112669231B (zh) | 2020-12-23 | 2020-12-23 | 图像处理方法、图像处理模型的训练方法、装置、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011539630.8A CN112669231B (zh) | 2020-12-23 | 2020-12-23 | 图像处理方法、图像处理模型的训练方法、装置、介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112669231A CN112669231A (zh) | 2021-04-16 |
| CN112669231B true CN112669231B (zh) | 2024-03-05 |
Family
ID=75408977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011539630.8A Active CN112669231B (zh) | 2020-12-23 | 2020-12-23 | 图像处理方法、图像处理模型的训练方法、装置、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112669231B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113286142B (zh) * | 2021-05-20 | 2023-01-24 | 众芯汉创（北京）科技有限公司 | 一种基于人工智能的图像成像感光度预测方法及系统 |
| CN113592733A (zh) * | 2021-07-22 | 2021-11-02 | 北京小米移动软件有限公司 | 图像处理方法、装置、存储介质及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102348070A (zh) * | 2010-07-21 | 2012-02-08 | 卡西欧计算机株式会社 | 图像处理装置和图像处理方法 |
| CN107635102A (zh) * | 2017-10-30 | 2018-01-26 | 广东欧珀移动通信有限公司 | 高动态范围图像曝光补偿值获取方法和装置 |
| CN108391059A (zh) * | 2018-03-23 | 2018-08-10 | 华为技术有限公司 | 一种图像处理的方法和装置 |
| CN109348212A (zh) * | 2018-09-28 | 2019-02-15 | 维沃移动通信（杭州）有限公司 | 一种图像噪声确定方法及终端设备 |
| CN111709891A (zh) * | 2020-06-12 | 2020-09-25 | 北京小米松果电子有限公司 | 图像去噪模型的训练方法、图像去噪方法、装置及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5130675B2 (ja) * | 2006-08-11 | 2013-01-30 | 株式会社ニコン | デジタルカメラ、および画像処理プログラム |
-
2020
- 2020-12-23 CN CN202011539630.8A patent/CN112669231B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102348070A (zh) * | 2010-07-21 | 2012-02-08 | 卡西欧计算机株式会社 | 图像处理装置和图像处理方法 |
| CN107635102A (zh) * | 2017-10-30 | 2018-01-26 | 广东欧珀移动通信有限公司 | 高动态范围图像曝光补偿值获取方法和装置 |
| CN108391059A (zh) * | 2018-03-23 | 2018-08-10 | 华为技术有限公司 | 一种图像处理的方法和装置 |
| CN109348212A (zh) * | 2018-09-28 | 2019-02-15 | 维沃移动通信（杭州）有限公司 | 一种图像噪声确定方法及终端设备 |
| CN111709891A (zh) * | 2020-06-12 | 2020-09-25 | 北京小米松果电子有限公司 | 图像去噪模型的训练方法、图像去噪方法、装置及介质 |
Non-Patent Citations (2)
| Title |
|---|
| Estimating EXIF Parameters Based on Noise Feature for Image Manipulation Detection;Jiayuan Fan 等;《IEEE》;全文 * |
| 基于图像处理的摄像机自动对焦和自动曝光技术的研究;李龙龙;《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》;第2016卷(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112669231A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109547701B (zh) | 图像拍摄方法、装置、存储介质及电子设备 | |
| CN107105314B (zh) | 视频播放方法及装置 | |
| CN109345485B (zh) | 一种图像增强方法、装置、电子设备及存储介质 | |
| CN106408603B (zh) | 拍摄方法及装置 | |
| CN109360261B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111709891B (zh) | 图像去噪模型的训练方法、图像去噪方法、装置及介质 | |
| CN107463052B (zh) | 拍摄曝光方法及装置 | |
| CN110569822A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN110677734B (zh) | 视频合成方法、装置、电子设备及存储介质 | |
| CN107480785B (zh) | 卷积神经网络的训练方法及装置 | |
| CN108040204B (zh) | 一种基于多摄像头的图像拍摄方法、装置及存储介质 | |
| CN111340731A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN112669231B (zh) | 图像处理方法、图像处理模型的训练方法、装置、介质 | |
| CN109784164B (zh) | 前景识别方法、装置、电子设备及存储介质 | |
| CN111131596A (zh) | 屏幕亮度调整方法及装置 | |
| CN113315903B (zh) | 图像获取方法和装置、电子设备、存储介质 | |
| CN111586296B (zh) | 图像拍摄方法、图像拍摄装置及存储介质 | |
| CN111277754B (zh) | 移动终端拍摄方法及装置 | |
| CN113870195A (zh) | 目标贴图检测模型的训练、贴图检测方法及装置 | |
| CN112950503A (zh) | 训练样本的生成方法及装置、真值图像的生成方法及装置 | |
| CN107707819B (zh) | 图像拍摄方法、装置及存储介质 | |
| CN112866505B (zh) | 图像处理方法、装置及存储介质 | |
| CN107317977B (zh) | 拍摄方法及装置 | |
| CN112752010B (zh) | 一种拍摄方法、装置及介质 | |
| CN114339017B (zh) | 远景对焦方法、装置及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |