CN112991206B - 图像处理方法、装置、设备和存储介质 - Google Patents
图像处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112991206B CN112991206B CN202110260855.8A CN202110260855A CN112991206B CN 112991206 B CN112991206 B CN 112991206B CN 202110260855 A CN202110260855 A CN 202110260855A CN 112991206 B CN112991206 B CN 112991206B
- Authority
- CN
- China
- Prior art keywords
- image
- brightness adjustment
- adjustment
- brightness
- data
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims description 111
- 238000000605 extraction Methods 0.000 claims description 100
- 230000006870 function Effects 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 34
- 230000000694 effects Effects 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 33
- 230000008569 process Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Classifications
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Abstract
本申请公开了一种图像处理方法、装置、设备和存储介质，涉及人工智能领域，尤其涉及计算机视觉和深度学习技术。具体实现方案为：对原始图像进行特征提取，得到亮度调整数据；根据所述亮度调整数据，对所述原始图像进行亮度调整，得到目标图像。本申请提高了图像亮度调整的便捷度，同时保证了亮度调整效果。
Description
技术领域
本申请涉及人工智能领域，尤其涉及计算机视觉和深度学习技术。
背景技术
在图像采集过程中，受光照环境或其他因素的影响，所采集的原始图像将会出现过曝或欠曝情况，影响原始图像的图片质量。
现有技术在对过曝或欠曝的原始图像进行图像处理时，通常无法兼顾处理过程的便捷性和图像亮度效果，影响用户体验度。
发明内容
本申请提供了一种图像处理方法、装置、设备和存储介质。
根据本申请的一方面，提供了一种图像处理方法，包括：
对原始图像进行特征提取，得到亮度调整数据；
根据所述亮度调整数据，对所述原始图像进行亮度调整，得到目标图像。
根据本申请的另一方面，提供了一种图像处理装置，包括：
特征提取模块，用于对原始图像进行特征提取，得到亮度调整数据；
亮度调整模块，用于根据所述亮度调整数据，对所述原始图像进行亮度调整，得到目标图像。
根据本申请的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例提供的任意一种图像处理方法。
根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本申请实施例提供的任意一种图像处理方法。
根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本申请实施例提供的任意一种图像处理方法。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例提供的一种图像处理方法的流程图；
图2是本申请实施例提供的另一种图像处理方法的流程图；
图3是本申请实施例提供的另一种图像处理方法的流程图；
图4A是本申请实施例提供的一种图像处理模型的结构图；
图4B是本申请实施例提供的一种原始图像；
图4C是本申请实施例提供的一种目标图像；
图5是本申请实施例提供的一种图像处理装置的结构图；
图6是用来实现本申请实施例的图像处理方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本申请实施例提供的各图像处理方法和图像处理装置，适用于对采集的过曝或欠曝图片进行亮度调整的情况。各图像处理方法可以有图像处理装置执行，该图像处理装置采用软件和/或硬件实现，并具体配置于电子设备中。
为了便于理解，首先对本申请所涉及的各图像处理方法进行解释说明。
图1是本申请实施例提供的一种图像处理方法的流程图，该图像处理方法，包括：
S101、对原始图像进行特征提取，得到亮度调整数据。
其中，原始图像即为待处理图像。该原始图像可以是实时采集的图像，或者是预先存储的已采集图像。其中，原始图像可以存储在电子设备本地、与电子设备关联的其他存储设备或云端中，并在需要时进行原始图像的获取。
其中，亮度调整数据用于表征对原始图像中各像素值的亮度调整方向和/或亮度调整程度。
示例性地，可以通过特征提取网络对原始图像进行处理，将得到的特征数据作为亮度调整数据。
其中，特征提取网络可以有技术人员基于深度学习模型构建得到；特征提取网络中的各网络参数可以通过大量训练样本对特征提取网络进行训练得到。其中，训练方式可以采用有监督或无监督学习的方式加以实现，本申请对此不做任何限定。
在一个可选实施例中，可以通过特征提取网络对原始图像进行特征提取，得到分辨率和通道数量与原始图像一致的特征提取结果作为亮度调整数据。
为了减少特征提取过程的数据运算量，在另一可选实施例中，在通过特征提取网络对原始图像进行特征提取时，可以通过降采样对原始图像进行分辨率调整，以减少特征提取时的数据运算量。当得到分辨率较小的特征提取结果后，再通过升采样方式，对特征提取结果进行分辨率调整，得到与原始图像分辨率一致的特征提取结果作为亮度调整数据。
为了提高亮度调整数据的丰富性，在又一可选实施例中，还可以在通过特征提取网络对原始图像进行特征提取时，进行图像通道数量的调整，从而使特征提取网络的特征输出结果(也即亮度调整数据)的通道数量不小于原始图像的通道数量，从而为多通道维度下对原始图像的亮度调整提供了数据支撑。
在一个具体实现方式中，特征提取网络包括至少一个特征提取层，各特征提取层顺次连接，各特征提取层对所输入数据的通道数量进行调整，使得特征提取网络在特征提取的过程中，兼顾通道数量变更。其中，各特征提取层所输出的通道数量的大小可以由技术人员根据需要或经验值进行设定，或通过大量试验确定。
需要说明的是，将特征提取网络的网络结构设置为包括至少一个顺次连接的特征提取层这一简易结构，降低了特征提取网络的网络复杂度，从而提高了计算效率，使得本申请所涉及的图像处理方法，能够在使用低算力芯片的电子设备中，进而提高了本申请图像处理方法的设备通用性。
值得注意的是，本申请对特征提取层的具体数量可以由技术人员根据需要或经验值进行确定，还可以通过电子设备的算力性能进行调整，本申请对调整提取层的具体数量不作任何限定。
在一个可选实施例中，特征提取层数量为至少三个，其中，至少一对非相邻的两个特征提取层之间设置直连结构(shortcut)。
举例而言，若特征提取层包括提取层A、提取层B和提取层C，各提取层顺次连接。其中，提取层A和提取层C之间通过直连结构连接，从而将提取层A的输出数据与提取层B的输出数据进行融合，并将融合结果作为提取层C的输入数据，进行特征提取处理。
其中，融合方式可以由技术人员根据经验进行选取，或通过大量试验选取，本申请对此不作任何限定。例如，可以采用像素叠加方式进行数据融合。
可以理解的是，通过引入直连结构，能够将非相邻的两个特征提取层中的前一特征提取层的输出数据，融合至非相邻的两个特征提取层中的后一特征提取层的输入数据，从而避免了梯度发散问题的发生。并且，通过前一特征提取层的输出数据丰富后一特征提取层的输入数据所包含的特征内容，避免了重要信息的遗漏，从而保证了特征提取网络所提取特征的全面性和丰富性，为对原始图像亮度调整效果的提高奠定了基础。
S102、根据亮度调整数据，对原始图像进行亮度调整，得到目标图像。
其中，亮度调整可以是调低过曝的原始图像的亮度；还可以是调高欠曝的原始图像的亮度。
在一个可选实施例中，根据亮度调整数据，对原始图像进行亮度调整，得到目标图像，可以是：调整亮度调整数据的通道数量，以使亮度调整数据的第一通道数量与原始图像的第二通道数量相同；根据调整后的亮度调整数据，对原始图像进行亮度调整，得到目标图像。
可选地，调整亮度调整数据的通道数量，可以是：按照设定选取规则，从亮度调整数据中选取第二通道数量的亮度调整向量，并组合得到调整后的亮度调整数据；其中，设定选取规则可以包括随机选取和均匀选取等中的至少一种。
或者可选地，调整亮度调整数据的通道数量，可以是：通过添加设定向量(如零向量或单位向量等)的方式，将亮度调整数据的第一通道数量调整为第二通道数量的整数倍，并将亮度调整数据通过相邻通道的亮度调整向量取均值的方式，生成新的至少一个亮度调整数据。
或者可选地，调整亮度调整数据的通道数量，可以是：按照设定分组规则，将亮度调整数据中各通道对应亮度调整向量进行分组；确定相同组的亮度调整向量的加权均值，得到调整后的亮度调整向量；将调整后的亮度调整向量组合，得到调整后的亮度调整数据。
在另一可选实施例中，根据亮度调整数据，对原始图像进行亮度调整，得到目标图像，可以是：调整原始图像的通道数量，以使原始图像的第二通道数量与亮度调整数据的第一通道数量相同；根据亮度调整数据对调整后的原始图像进行亮度调整，得到目标图像。
示例性地，根据亮度调整数据对原始图像进行亮度调整，得到目标图像，可以是：根据亮度调整数据和原始图像，确定亮度增益数据；将亮度增益数据和原始图像进行叠加，得到目标图像数据。
可以理解的是，通过将原始图像和亮度调整数据的通道数量调整一致，便于采用亮度调整数据直接对原始图像进行处理，提高了亮度调整过程的便捷度。
本申请实施例通过对原始图像进行特征提取，得到亮度调整数据；根据亮度调整数据，对原始图像进行亮度调整，得到目标图像。上述技术方案仅需根据原始图像，无需依赖其他数据，即可进行亮度调整数据的确定，提高了亮度调整数据确定过程的便捷度。同时，通过原始图像自身进行亮度调整数据的确定，使得所得到的亮度调整数据能够更加真实的反映原始图像的亮度缺陷，进而基于该亮度调整数据对原始图像进行亮度调整，得到的目标图像的亮度效果更好。
在上述各技术方案的基础上，本申请还提供了一个可选实施例。在该实施例中，将操作“根据亮度调整数据，对原始图像进行亮度调整，得到目标图像”，细化为“对亮度调整数据进行拆分，得到至少两个调整系数矩阵；根据至少两个调整系数矩阵，对原始图像进行亮度调整，得到目标图像”，以完善目标图像的确定机制。
进一步参见图2所示的一种图像处理方法，包括：
S201、对原始图像进行特征提取，得到亮度调整数据。
S202、对亮度调整数据进行拆分，得到至少两个调整系数矩阵。
其中，调整系数矩阵，用于在更细粒度表征对原始图像中各像素值的亮度调整方向和/或亮度调整程度。
示例性地，对亮度调整数据进行拆分，得到至少两个调整系数矩阵，可以是：根据亮度调整数据的第一通道数量和原始图像的第二通道数量，确定调整系数矩阵的矩阵数量；其中，第一通道数量不小于第二通道数量；对亮度调整数据进行拆分处理，得到矩阵数量个调整系数矩阵。
可以理解的是，通过亮度调整数据和原始图像两者的通道数量，进行调整系数矩阵的矩阵数量的确定，从而完善了调整系数矩阵的数量确定机制，进一步丰富了图像处理细节，为原始图像的亮度调整提供了数据支撑。同时，通过限定第一通道数量和第二通道数量的大小关系，使得拆分得到的调整系数矩阵，能够在更细粒度上对原始图像进行亮度调整，为原始图像亮度调整效果的提高奠定了基础。
在一个可选实施例中，根据亮度调整数据的第一通道数量和原始图像的第二通道数量，确定调整系数矩阵的矩阵数量，可以是：若第一通道数量不等于第二通道数量，则将设定数量作为调整系数矩阵的矩阵数量。其中，设定数量可以由技术人员根据需要或经验值进行确定，例如为1。
在另一可选实施例中，根据亮度调整数据的第一通道数量和原始图像的第二通道数量，确定调整系数矩阵的矩阵数量，可以是：确定第一通道数量和第二通道数量的比值；将比值取整后的数值，作为调整系数矩阵的矩阵数量。其中，可以采用向上取整或向下取整的方式，进行矩阵数量的确定。
可以理解的是，通过上述不同方式进行矩阵数量的确定，能够丰富矩阵数量的确定方式，从而提高矩阵数量确定方式的多样性，进而提高了图像处理方法的多样性。
在一个可选实施例中，对亮度调整数据进行拆分处理，得到矩阵数量个调整系数矩阵，可以是：采用随机划分方式，对亮度调整数据进行拆分处理，得到矩阵数量个调整系数矩阵。
示例性地，采用随机划分方式，对亮度调整数据进行拆分处理，得到矩阵数量个调整系数矩阵，可以是：从亮度调整数据中随机选取第二通道数量的亮度调整向量；将亮度调整向量根据选取顺序组合生成调整系数矩阵；将亮度调整数据中剔除已选取亮度调整向量，以更新亮度调整数据；继续进行亮度调整向量选取操作，直至生成矩阵数量个调整系数矩阵。
然而，由于不同通道所表征的特征维度不同，采用随机划分的方式所生成的调整系数矩阵对应的特征维度存在一定差异，因此，所生成的调整系数矩阵的可重复性较差，也即对相同原始图像进行处理所得到的调整系数矩阵一致性较差，从而导致对相同原始图像进行图像处理所得到的目标图像的一致性较差，进而影响图像处理方法的稳定性。
为了保证图像处理方法的稳定性，在另一可选实施例中，对亮度调整数据进行拆分处理，得到矩阵数量个调整系数矩阵，可以是：采用均匀划分方式，对亮度调整数据进行拆分处理，得到矩阵书两个调整系数矩阵。
示例性地，采用均匀划分方式，对亮度调整数据进行拆分处理，得到矩阵数量个调整系数矩阵，可以是：若第一通道数量为第二通道数量的整数倍，则根据亮度调整数据中各通道对应亮度调整向量的排列顺序，依次选取第二通道数量的亮度调整向量，并组合生成调整系数矩阵。若第一通道数量不是第二通道数量的整数倍，且矩阵数量通过向上取整的方式得到，则在亮度调整数据后添加设定向量，以使亮度调整数据的第一通道数量与第二通道数量比值为矩阵数量；根据亮度调整数据中各通道对应亮度调整向量的排列顺序，依次选取第二通道数量的亮度调整向量，并组合生成调整系数矩阵；其中，设定向量可以是零向量或单位向量。若第一通道数量不是第二通道数量的整数倍，且矩阵数量通过向下取整的方式得到，则剔除亮度调整数据中部分通道对应的亮度调整向量，以使亮度调整数据的第一通道数量与第二通道数量比值为矩阵数量；根据亮度调整数据中各通道对应亮度调整向量的排列顺序，依次选取第二通道数量的亮度调整向量，并组合生成调整系数矩阵。
可选地，剔除亮度调整数据中部分通道对应的亮度调整向量，可以采用随机剔除、或指定位置剔除等。其中，设定区域剔除可以采用首部剔除、尾部剔除、或中部剔除等方式加以实现。
可以理解的是，当第一通道数量不是第二通道数量的整数倍时，若额外引入设定向量进行计算，将会增加计算过程的数据运算量；若采用剔除亮度调整向量的方式，将会导致亮度调整数据确定过程计算资源的浪费，还可能会由于部分亮度调整向量的剔除，影响原始图像最终调整结果的效果。为了实现对数据的充分使用，同时保证亮度调整效果，在一个可选实施例中，可以在生成亮度调整数据的过程中，直接将亮度调整数据的第一通道数量约束为第二通道数量的整数倍。
示例性地，在对原始图像进行特征提取时，通过对特征提取网络所采用的网络参数和卷积核加以限制，从而使得特征提取网络所得到的亮度调整数据的第一通道数量，能够满足上述约束条件。其中，卷积核的种类和数量可以由技术人员根据经验或反复试验加以确定；网络参数可以通过大量训练样本对特征提取网络进行训练得到。
S203、根据至少两个调整系数矩阵，对原始图像进行亮度调整，得到目标图像。
在一个可选实施例中，可以确定至少两个调整系数矩阵的元素均值，得到目标系数矩阵；根据目标系数矩阵对原始图像进行亮度调整，得到目标图像。
在另一可选实施例中，还可以从至少两个调整系数矩阵中依次获取当前调整系数矩阵；将当前调整系数矩阵对待更新图像进行亮度调整，已更新待更新图像；其中，待更新图像的初始值为原始图像；将末尾的调整系数矩阵对应的更新后的待更新图像作为目标图像。
本申请实施例通过将亮度调整操作，细化为对亮度调整数据进行拆分，得到至少两个调整系数矩阵；根据至少两个调整系数矩阵，对原始图像进行亮度调整，得到目标图像。上述技术方案通过对亮度调整数据拆分所得到的调整系数矩阵，对原始图像进行亮度调整，实现了对原始图像进行更细粒度的调整，从而进一步提高了亮度调整效果。
在上述各技术方案的基础上，本申请还提供了一个可选实施例，在该可选实施例中，将操作“根据至少两个调整系数矩阵，对原始图像进行亮度调整，得到目标图像”，细化为“根据设定顺序，依次选取至少两个调整系数矩阵中的当前调整系数矩阵；根据当前调整系数矩阵，对待更新图像进行亮度调整，以更新待更新图像；其中，待更新图像的初始值为原始图像；将末尾的调整系数矩阵对应的更新后的待更新图像作为目标图像”，以完善目标图像的确定机制。
参见图3所示的一种图像处理方法，包括：
S301、对原始图像进行特征提取，得到亮度调整数据。
S302、对亮度调整数据进行拆分，得到至少两个调整系数矩阵。
S303、根据设定顺序，依次选取至少两个调整系数矩阵中的当前调整系数矩阵。
S304、根据当前调整系数矩阵，对待更新图像进行亮度调整，以更新待更新图像；其中，待更新图像的初始值为原始图像。
S305、将末尾的调整系数矩阵对应的更新后的待更新图像作为目标图像。
可选地，根据设定顺序，从至少两个调整系数矩阵中选取当前调整系数矩阵；根据当前调整系数矩阵，对待更新图像进行亮度调整，以更新待更新图像；继续进行当前调整系数矩阵的获取，直至所有调整系数矩阵被遍历完成，并将末尾的调整系数矩阵对应的更新后的待更新图像作为目标图像。
可选地，设定顺序可以是预先指定的先后顺序、调整系数矩阵的生成顺序、或调整系数矩阵中设定位置对应向量在亮度调整数据中的先后顺序等。
在一具体实现方式中，还可以根据各调整系数矩阵的矩阵编号，确定调整顺序，进而根据调整顺序，依次选取至少两个调整系数矩阵中的当前调整系数矩阵。其中，矩阵编号根据调整系数矩阵的生成顺序和调整系数矩阵中各向量在亮度调整数据中的位置关系确定。
在一个可选实施例中，可以根据相同或不同的亮度调整函数，依次根据亮度系数矩阵，对待更新图像进行亮度调整，以更新待更新图像；其中，各亮度调整函数为单调递增函数。
在另一可选实施例中，可以采用预设的亮度调整函数，根据当前调整系数矩阵，对待更新图像进行亮度调整，以更新待更新图像；其中，亮度调整函数为单调递增函数。
为了便于对亮度调整过程加以控制，避免出现单次调整过大或过小的情况发生，亮度调整函数还可以是值域符合[0,1]条件的单调递增函数。
为了消除量纲对亮度调整结果的影响，进一步的，亮度调整函数还可以设置为定义域符合[0,1]条件的单调递增函数。需要说明的是，当亮度调整函数定义域符合[0,1]条件时，在使用亮度调整函数对待更新图像进行亮度调整时，需要预先将待更新图像进行归一化处理，以使待更新图像满足亮度调整函数的使用条件。
在一个具体实现方式中，采用预设的亮度调整函数，根据当前调整系数矩阵，对待更新图像进行亮度调整，可以是：对待更新图像进行归一化处理，得到归一化图像；根据当前调整系数矩阵和归一化图像，确定亮度增益图像；根据亮度增益图像调整归一化图像，得到更新后的待更新图像。
为了保证亮度调整的连续性和有效性，进一步的，亮度调整函数需要具备可微性。
可以理解的是，通过使用相同的预设的亮度调整函数对原始图像逐次进行亮度调整，提高了亮度调整过程的可控性，同时简化了图像处理过程的亮度调整逻辑，实现了图像处理过程的轻量化。
本申请实施例通过将亮度调整操作，细化为根据设定顺序，依次选取至少两个调整系数矩阵中的当前调整系数矩阵；根据当前调整系数矩阵，对待更新图像进行亮度调整，以更新待更新图像；其中，待更新图像的初始值为原始图像；将末尾的调整系数矩阵对应的更新后的待更新图像作为目标图像。上述技术方案通过逐次迭代更新的方式替代一次更新，避免了亮度调整不均匀的情况的发生，从而提高了图像的亮度调整效果。
在上述各技术方案的基础上，本申请还提供了一种图像处理的优选实施例。
图4A是本申请所提供的图像处理模型的结构图。其中，图像处理模型包括特征提取网络410和亮度调整网络420。
示例性地，特征提取网络410包括特征提取层411、特征提取层412和特征提取层413。其中，各特征提取层(411、412和413)顺次连接，用于对输入数据进行特征提取。其中，至少一个特征提取层(411、412、413)在进行特征提取时，还会对输入数据进行通道数量调整。其中，特征提取网络410所输出的特征提取数据的通道数量为原始图像的通道数量的整数倍。
在特征提取层411和特征提取层413之间，设置有直连结构414，用于将特征提取层411的输出数据和特征提取层412的输出数据进行数据融合，并将融合后的数据作为特征提取层413的输入数据。
可以理解的是，图4A仅以三个特征提取层为例进行说明，本领域技术人员可以根据就需要进行特征提取层、或特征提取层和直连结构的添加或删除，本申请对此不作具体限定。
其中，各特征提取层所采用的卷积核大小、卷积核类别和通道数量由技术人员根据需要或经验值设定，或通过大量试验确定。
示例性地，亮度调整网络420包括数据拆分模块421和亮度调整模块422。
数据拆分模块421将特征提取网络输出的特征提取数据，根据原始图像的通道数量，依次均匀拆分成多个系数调整矩阵；各系数调整矩阵的通道数量与原始图像通道数量相同。
举例说明，若原始图像的大小为W*H*3，特征提取数据的大小为W*H*12，则将0-2通道、3-5通道、6-8通道和9-11通道的特征提取向量分别组合，得到4个系数调整矩阵。
亮度调整模块422设置有与各系数调整矩阵对应的亮度调整单元4221。各亮度调整单元4221依次连接，并基于对应的系数调整矩阵对所输入的待处理图像进行亮度调整。其中，首部的亮度调整单元4221输入的待处理图像为原始图像。其中，尾部的亮度调整单元4221输出的结果数据即为原始图像对应的目标图像。
示例性地，各亮度调整单元4221基于预先设定的亮度调整函数，对所输入的待处理图像进行亮度调整。其中，亮度调整函数满足以下性质：函数单调递增且可微，定义域为[0,1]，并且值域为[0,1]。
在一个具体实现方式中，各亮度调整单元4221基于以下函数进行构建：
其中，i为亮度调整单元的编号；Xi为第i个亮度调整单元所输入的待处理图像；Ai为第i个亮度调整单元所采用的系数调整矩阵；E为单位矩阵；F(Xi)为亮度调整结果。
在一个具体实现方式中，以特征提取网络包括3个特征提取层、亮度调整模块包括4个亮度调整单元，亮度调整单元以上述F(Xi)实现亮度调整功能为例，将图4B对应的原始图像调整为图4C对应的目标图像。由此可见，调整后的原始图像亮度和清晰度均较好，并且由于图4A网络结构简单，使得亮度调整过程计算量小，计算效率高，能够适用于对采集的图像进行实时处理的应用场景，例如采用智能终端采集原始图像后，直接进行目标图像的展示。
需要说明的是，为了使特征提取网络进行拆分后得到的数据具备相应的物理意义，在对图像处理模型的训练阶段，将样本图像输入至图4A所示的图像处理模型，得到目标图像；根据目标图像、样本图像和样本图像对应的标准图像，确定目标损失函数；根据目标损失函数，调整图像处理模型中的网络参数。
示例性地，目标损失函数包括基于目标图像和标准图像之间的差异数据，生成的第一损失函数，用以保证模型输出的目标图像与标准图像之间的相似性。可选地，差异数据可以是均方误差。
示例性地，目标函数还可以包括基于目标图像生成的第二损失函数，用以保证模型输出的目标图像的亮度稳定性，不会出现过曝或欠曝的情况。
在一个具体实现方式中，第二损失函数可以基于以下公式确定：
其中，M为目标图像中的不重叠的局部区域数量；局部区域大小可以根据经验或大量试验确定，如4*4；Yi为第i个局部区域像素强度值构成的矩阵；B为固定值，可以根据经验或大量试验确定，如0.6E，其中，E为单位矩阵。
示例性地，目标函数还可以包括基于目标图像和原始图像生成的第三损失函数，用以包转增模型输出的目标图像的对比度。
在一个具体实现方式中，第三损失函数可以基于以下公式确定：
其中，M为目标图像中的不重叠的局部区域数量；Ω(i)是以第i个局部区域为中心的四个相邻区域，Y和X分别为目标图像和原始图像的局部区域像素强度值构成的矩阵；局部区域大小可以根据经验或大量试验确定，如4*4。
作为上述各图像处理方法的实现，本申请还提供了实施上述各图像处理方法的虚拟装置的可选实施例。参见图5所示的一种图像处理装置500，包括：特征提取模块501和亮度调整模块502。其中，
特征提取模块501，用于对原始图像进行特征提取，得到亮度调整数据；
亮度调整模块502，用于根据所述亮度调整数据，对所述原始图像进行亮度调整，得到目标图像。
本申请实施例通过特征提取模块对原始图像进行特征提取，得到亮度调整数据；通过亮度调整模块根据亮度调整数据，对原始图像进行亮度调整，得到目标图像。上述技术方案仅需根据原始图像，无需依赖其他数据，即可进行亮度调整数据的确定，提高了亮度调整数据确定过程的便捷度。同时，通过原始图像自身进行亮度调整数据的确定，使得所得到的亮度调整数据能够更加真实的反映原始图像的亮度缺陷，进而基于该亮度调整数据对原始图像进行亮度调整，得到的目标图像的亮度效果更好。
在一个可选实施例中，所述亮度调整模块502，包括：
数据拆分单元，用于对所述亮度调整数据进行拆分，得到至少两个调整系数矩阵；
亮度调整单元，用于根据所述至少两个调整系数矩阵，对所述原始图像进行亮度调整，得到所述目标图像。
在一个可选实施例中，所述数据拆分单元，包括：
矩阵数量确定子单元，用于根据所述亮度调整数据的第一通道数量和所述原始图像的第二通道数量，确定所述调整系数矩阵的矩阵数量；其中，所述第一通道数量不小于所述第二通道数量；
数据拆分子单元，用于对所述亮度调整数据进行拆分处理，得到所述矩阵数量个所述调整系数矩阵。
在一个可选实施例中，所述数据拆分子单元，包括：
均匀划分从单元，用于采用均匀划分方式，对所述亮度调整数据进行拆分处理，得到所述矩阵数量个所述调整系数矩阵。
在一个可选实施例中，所述第一通道数量为所述第二通道数量的整数倍。
在一个可选实施例中，所述亮度调整单元，包括：
当前调整系数矩阵选取子单元，用于根据设定顺序，依次选取所述至少两个调整系数矩阵中的当前调整系数矩阵；
亮度调整子单元，用于根据所述当前调整系数矩阵，对待更新图像进行亮度调整，以更新所述待更新图像；其中，所述待更新图像的初始值为所述原始图像；
目标图像确定子单元，用于将末尾的所述调整系数矩阵对应的更新后的待更新图像作为所述目标图像。
在一个可选实施例中，所述亮度调整子单元，包括：
亮度调整从单元，用于采用预设的亮度调整函数，根据所述当前调整系数矩阵，对所述待更新图像进行亮度调整，以更新所述待更新图像；其中，所述亮度调整函数为单调递增函数。
在一个可选实施例中，所述亮度调整从单元，包括：
归一化甲从单元，对所述待更新图像进行归一化处理，得到归一化图像；
亮度增益图像确定甲从单元，根据所述当前调整系数矩阵和所述归一化图像，确定亮度增益图像；
归一化图像调整甲从单元，用于根据所述亮度增益图像调整所述归一化图像，得到所述更新后的待更新图像。
在一个可选实施例中，所述亮度调整单元还包括：
调整顺序确定子单元，用于根据各所述调整系数矩阵的矩阵编号，确定调整顺序；
相应的，当前调整系数矩阵选取子单元，包括：
当前调整系数矩阵选取从单元，用于根据所述调整顺序，依次选取所述至少两个调整系数矩阵中的当前调整系数矩阵。
在一个可选实施例中，所述特征提取模块501，包括：
特征提取单元，用于采用特征提取网络，对所述原始图像进行特征提取，得到亮度调整数据；
其中，所述特征提取网络包括至少一个特征提取层，各所述特征提取层顺次连接，至少一个所述特征提取层对所输入数据的通道数量进行调整。
在一个可选实施例中，所述特征提取层数量为至少三个，其中，至少一对非相邻的两个特征提取层之间设置直连结构。
上述图像处理装置可执行本申请任意实施例所提供的图像处理方法，具备执行图像处理方法相应的功能模块和有益效果。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本申请的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如图像处理方法。例如，在一些实施例中，图像处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的图像处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，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。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (13)
1.一种图像处理方法，包括：
对原始图像进行特征提取，得到亮度调整数据；
根据所述亮度调整数据，对所述原始图像进行亮度调整，得到目标图像；
其中，所述根据所述亮度调整数据，对所述原始图像进行亮度调整，得到目标图像，包括：
对所述亮度调整数据进行拆分，得到至少两个调整系数矩阵；
根据所述至少两个调整系数矩阵，对所述原始图像进行亮度调整，得到所述目标图像；其中，所述调整系数矩阵，用于在更细粒度表征对原始图像中各像素值的亮度调整方向和/或亮度调整程度；
其中，所述对所述亮度调整数据进行拆分，得到至少两个调整系数矩阵，包括：
根据所述亮度调整数据的第一通道数量和所述原始图像的第二通道数量，确定所述调整系数矩阵的矩阵数量；其中，所述第一通道数量不小于所述第二通道数量；
对所述亮度调整数据进行拆分处理，得到所述矩阵数量个所述调整系数矩阵；
其中，所述根据所述至少两个调整系数矩阵，对所述原始图像进行亮度调整，得到所述目标图像，包括：
根据设定顺序，依次选取所述至少两个调整系数矩阵中的当前调整系数矩阵；
根据所述当前调整系数矩阵，对待更新图像进行亮度调整，以更新所述待更新图像；其中，所述待更新图像的初始值为所述原始图像；
将末尾的所述调整系数矩阵对应的更新后的待更新图像作为所述目标图像。
2.根据权利要求1所述的方法，其中，所述对所述亮度调整数据进行拆分处理，得到所述矩阵数量个所述调整系数矩阵，包括：
采用均匀划分方式，对所述亮度调整数据进行拆分处理，得到所述矩阵数量个所述调整系数矩阵。
3.根据权利要求1所述的方法，其中，所述第一通道数量为所述第二通道数量的整数倍。
4.根据权利要求1所述的方法，其中，所述根据所述当前调整系数矩阵，对待更新图像进行亮度调整，以更新所述待更新图像，包括：
采用预设的亮度调整函数，根据所述当前调整系数矩阵，对所述待更新图像进行亮度调整，以更新所述待更新图像；其中，所述亮度调整函数为单调递增函数。
5.根据权利要求4所述的方法，其中，所述采用预设的亮度调整函数，根据所述当前调整系数矩阵，对所述待更新图像进行亮度调整，包括：
对所述待更新图像进行归一化处理，得到归一化图像；
根据所述当前调整系数矩阵和所述归一化图像，确定亮度增益图像；
根据所述亮度增益图像调整所述归一化图像，得到所述更新后的待更新图像。
6.根据权利要求1所示的方法，所述方法还包括：
根据各所述调整系数矩阵的矩阵编号，确定调整顺序；
所述根据设定顺序，依次选取所述至少两个调整系数矩阵中的当前调整系数矩阵，包括：
根据所述调整顺序，依次选取所述至少两个调整系数矩阵中的当前调整系数矩阵。
7.根据权利要求1-6任一项所述的方法，其中，所述对原始图像进行特征提取，得到亮度调整数据，包括：
采用特征提取网络，对所述原始图像进行特征提取，得到亮度调整数据；
其中，所述特征提取网络包括至少一个特征提取层，各所述特征提取层顺次连接，至少一个所述特征提取层对所输入数据的通道数量进行调整。
8.根据权利要求7所述的方法，其中，所述特征提取层数量为至少三个，其中，至少一对非相邻的两个特征提取层之间设置直连结构。
9.一种图像处理装置，包括：
特征提取模块，用于对原始图像进行特征提取，得到亮度调整数据；
亮度调整模块，用于根据所述亮度调整数据，对所述原始图像进行亮度调整，得到目标图像；
其中，所述亮度调整模块，包括：
数据拆分单元，用于对所述亮度调整数据进行拆分，得到至少两个调整系数矩阵；
亮度调整单元，用于根据所述至少两个调整系数矩阵，对所述原始图像进行亮度调整，得到所述目标图像；其中，所述调整系数矩阵，用于在更细粒度表征对原始图像中各像素值的亮度调整方向和/或亮度调整程度；
其中，所述数据拆分单元，包括：
矩阵数量确定子单元，用于根据所述亮度调整数据的第一通道数量和所述原始图像的第二通道数量，确定所述调整系数矩阵的矩阵数量；其中，所述第一通道数量不小于所述第二通道数量；
数据拆分子单元，用于对所述亮度调整数据进行拆分处理，得到所述矩阵数量个所述调整系数矩阵；
其中，所述亮度调整单元，包括：
当前调整系数矩阵选取子单元，用于根据设定顺序，依次选取所述至少两个调整系数矩阵中的当前调整系数矩阵；
亮度调整子单元，用于根据所述当前调整系数矩阵，对待更新图像进行亮度调整，以更新所述待更新图像；其中，所述待更新图像的初始值为所述原始图像；
目标图像确定子单元，用于将末尾的所述调整系数矩阵对应的更新后的待更新图像作为所述目标图像。
10.根据权利要求9所述的装置，其中，所述数据拆分子单元，包括：
均匀划分从单元，用于采用均匀划分方式，对所述亮度调整数据进行拆分处理，得到所述矩阵数量个所述调整系数矩阵。
11.根据权利要求9所述的装置，其中，所述第一通道数量为所述第二通道数量的整数倍。
12. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的一种图像处理方法。
13.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的一种图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110260855.8A CN112991206B (zh) | 2021-03-10 | 2021-03-10 | 图像处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110260855.8A CN112991206B (zh) | 2021-03-10 | 2021-03-10 | 图像处理方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112991206A CN112991206A (zh) | 2021-06-18 |
| CN112991206B true CN112991206B (zh) | 2023-11-10 |
Family
ID=76336311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110260855.8A Active CN112991206B (zh) | 2021-03-10 | 2021-03-10 | 图像处理方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112991206B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5694484A (en) * | 1995-05-15 | 1997-12-02 | Polaroid Corporation | System and method for automatically processing image data to provide images of optimal perceptual quality |
| CN105959684A (zh) * | 2016-05-26 | 2016-09-21 | 天津大学 | 基于双目融合的立体图像质量评价方法 |
| WO2019072190A1 (zh) * | 2017-10-12 | 2019-04-18 | Oppo广东移动通信有限公司 | 图像处理方法、电子装置和计算机可读存储介质 |
| CN109741281A (zh) * | 2019-01-04 | 2019-05-10 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及终端 |
| CN111738949A (zh) * | 2020-06-19 | 2020-10-02 | 北京百度网讯科技有限公司 | 一种图像亮度的调整方法、装置、电子设备及存储介质 |
-
2021
- 2021-03-10 CN CN202110260855.8A patent/CN112991206B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5694484A (en) * | 1995-05-15 | 1997-12-02 | Polaroid Corporation | System and method for automatically processing image data to provide images of optimal perceptual quality |
| CN105959684A (zh) * | 2016-05-26 | 2016-09-21 | 天津大学 | 基于双目融合的立体图像质量评价方法 |
| WO2019072190A1 (zh) * | 2017-10-12 | 2019-04-18 | Oppo广东移动通信有限公司 | 图像处理方法、电子装置和计算机可读存储介质 |
| CN109741281A (zh) * | 2019-01-04 | 2019-05-10 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及终端 |
| CN111738949A (zh) * | 2020-06-19 | 2020-10-02 | 北京百度网讯科技有限公司 | 一种图像亮度的调整方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Md Altab Hossin ; SM Atoar Rahman ; Peng Ye ; Yin Xiaohua.User Selectable Brightness Control and Adjustment of 3D Digital Oscilloscope.IEEE.2018,全文. * |
| 基于HE和MSR的玉米病虫害图像预处理;高雅;焦俊;孟珠李;倪力;古冉;辜丽川;;合肥学院学报(综合版)(第04期);全文 * |
| 基于Retinex和视觉适应性的图像增强;李权合;毕笃彦;马时平;何宜宝;;中国图象图形学报(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112991206A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113627536B (zh) | 模型训练、视频分类方法，装置，设备以及存储介质 | |
| WO2020093724A1 (zh) | 生成信息的方法和装置 | |
| JP2022036319A (ja) | 画像のレンダリング方法、装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム | |
| CN113378911B (zh) | 图像分类模型训练、图像分类方法及相关装置 | |
| CN114332590B (zh) | 联合感知模型训练、联合感知方法、装置、设备和介质 | |
| CN114781650B (zh) | 一种数据处理方法、装置、设备以及存储介质 | |
| EP4343616A1 (en) | Image classification method, model training method, device, storage medium, and computer program | |
| CN113436105A (zh) | 模型训练和图像优化方法、装置、电子设备及存储介质 | |
| CN113923474B (zh) | 视频帧处理方法、装置、电子设备以及存储介质 | |
| CN113177451B (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
| CN115170815A (zh) | 视觉任务处理及模型训练的方法、装置、介质 | |
| CN112991206B (zh) | 图像处理方法、装置、设备和存储介质 | |
| CN109523564B (zh) | 用于处理图像的方法和装置 | |
| CN116402914A (zh) | 用于确定风格化图像生成模型的方法、装置及产品 | |
| CN114494782B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
| CN116052288A (zh) | 活体检测模型训练方法、活体检测方法、装置和电子设备 | |
| CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
| CN112927319B (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
| CN112785501B (zh) | 文字图像的处理方法、装置、设备和存储介质 | |
| CN113988294A (zh) | 训练预测网络的方法、图像处理方法和装置 | |
| CN112632309A (zh) | 图像展示方法、装置、电子设备和存储介质 | |
| CN113570067A (zh) | 分布式系统的同步方法、装置及程序产品 | |
| CN113361575B (zh) | 模型训练方法、装置和电子设备 | |
| CN114418887B (zh) | 一种图像增强方法、装置、电子设备及存储介质 | |
| CN113642612B (zh) | 样本图像生成方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |