CN113012052A - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113012052A CN113012052A CN201911316116.5A CN201911316116A CN113012052A CN 113012052 A CN113012052 A CN 113012052A CN 201911316116 A CN201911316116 A CN 201911316116A CN 113012052 A CN113012052 A CN 113012052A
- Authority
- CN
- China
- Prior art keywords
- image
- panoramic image
- images
- sample
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 106
- 238000000034 method Methods 0.000 claims abstract description 73
- 238000005286 illumination Methods 0.000 claims abstract description 38
- 230000004044 response Effects 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 21
- 238000007499 fusion processing Methods 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000009877 rendering Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 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
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,所述方法包括:获得第一全景图像;对第一全景图像进行全景估计处理,获得第二全景图像。根据本公开的实施例的图像处理方法,可将不完整的第一全景图像重构成为完整的第二全景图像,获得完整的光照信息,可用于对虚拟对象的逆向绘制。并且,无需使用其他设备,减少人工参与,提高光照信息的精度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
从图像或视频中推断场景的光照信息在诸如增强现实等逆向绘制应用中具有关键作用,需要使用预测的光照信息来对插入的虚拟对象的进行绘制,并准确地表达该虚拟对象的亮度信息。
相关技术中,可分为借助辅助设备确定光照信息。例如,通过借助于放在场景中的一些已知几何或材质表面反射属性的球体,算法能够根据球表面信息和法线方向更方便地推测场景中的光照情况;或者借助一些特殊的设备,比如鱼眼相机,光场相机等拍摄设备,能够轻松捕获更大范围的光分布信息;又或者拍摄一系列不同曝光度的图像来快速得到高动态的场景光照信息,但借助辅助设备成本较高,且通常需要人工参与,精度较低。
发明内容
本公开提出了一种图像处理方法及装置、电子设备和存储介质。
根据本公开的一方面,提供了一种图像处理方法,包括:
获得第一全景图像,所述第一全景图像为预设尺寸的不完整的全景图像;
对所述第一全景图像进行全景估计处理,获得第二全景图像,其中,所述第二全景图像为所述预设尺寸的完整的全景图像。
根据本公开的实施例的图像处理方法,可将不完整的第一全景图像重构成为完整的第二全景图像,获得完整的光照信息,可用于对虚拟对象的逆向绘制。并且,无需使用其他设备,减少人工参与,提高光照信息的精度。
在一种可能的实现方式中,将所述第一全景图像进行全景估计处理,获得第二全景图像,包括:
将所述第一全景图像进行编码处理,获得隐空间图像;
将所述隐空间图像进行隐空间补全处理,获得隐空间全景图像;
将所述隐空间全景图像进行解码处理,获得所述第二全景图像。
通过这种方式,可对第一全景图像在隐空间中进行补全并解码,可准确地估计空白区域中的信息,获得完整的第二全景图像。
在一种可能的实现方式中,将所述第一全景图像进行编码处理,获得隐空间图像,包括:
将所述第一全景图像进行分割处理,获得多个第一图像块;
将包括有效像素点的第一图像块进行编码处理,获得所述隐空间图像。
在一种可能的实现方式中,获得第一全景图像,包括:
对多个第一图像进行融合处理,获得第一全景图像,其中,所述多个第一图像包括所述图像获取装置拍摄的目标场景的图像。
在一种可能的实现方式中,对多个第一图像进行融合处理,获得第一全景图像,包括:
分别对各所述第一图像进行特征点提取处理,获得各所述第一图像中的特征点;
根据所述第一图像中的特征点,对所述多个第一图像进行融合处理,获得所述第一全景图像。
通过这种方式,可通过特征点来识别和去除第一图像之间的冗余区域,获得准确的第一全景图像,提高对第一全景图像的处理效率。
在一种可能的实现方式中,所述方法还包括:
通过所述图像获取装置针对同一场景获取多个曝光时间的第二图像;
根据环境亮度以及多个所述第二图像的各像素点的亮度值,对多个所述第二图像中的像素点的亮度值进行拟合处理,获得所述各像素点的亮度值的响应参数。
在一种可能的实现方式中,所述方法还包括:
根据图像获取装置的响应参数,对多个待处理图像分别进行辐照度变换处理,获得所述第一图像。
在一种可能的实现方式中,根据图像获取装置的响应参数,对多个待处理图像分别进行辐照度变换处理,获得所述第一图像,包括:
根据所述像素点的亮度值的响应参数,将所述待处理图像的各像素点的亮度值进行参数变换处理,获得与所述待处理图像对应的第一图像。
通过这种方式,可将待处理图像中各像素点的亮度值转换到辐照度空间,使得第一图像的亮度值具有线性特性,便于后续的处理,提高重构完整的第二全景图像的精度。
在一种可能的实现方式中,所述方法还包括:
根据所述第二全景图像中各像素点的亮度值,确定所述第二全景图像中的光照信息;
根据所述光照信息,确定目标对象所在区域中各像素点的亮度值。
在一种可能的实现方式中,所述全景估计处理通过生成网络实现,所述生成网络包括编码网络、图像补全网络和解码网络,
其中,所述方法还包括:
根据多个样本图像,获得第一样本全景图像,其中,所述第一样本全景图像为完整的全景图像;
根据一部分所述样本图像,获得第二样本全景图像,其中,所述第二样本全景图像为不完整的全景图像;
将所述第二样本全景图像进行分割处理,获得多个样本图像块;
将包括有效像素点的样本图像块输入所述生成网络进行处理,获得第三样本全景图像;
根据所述第一样本全景图像和所述第三样本全景图像,对抗训练所述生成网络以及判别网络。
根据本公开的一方面,提供了一种图像处理装置,包括:
第一获得模块,用于获得第一全景图像,所述第一全景图像为预设尺寸的不完整的全景图像;
估计模块,用于对所述第一全景图像进行全景估计处理,获得第二全景图像,其中,所述第二全景图像为所述预设尺寸的完整的全景图像。
在一种可能的实现方式中,所述估计模块被进一步配置为:
将所述第一全景图像进行编码处理,获得隐空间图像;
将所述隐空间图像进行隐空间补全处理,获得隐空间全景图像;
将所述隐空间全景图像进行解码处理,获得所述第二全景图像。
在一种可能的实现方式中,所述估计模块被进一步配置为:
将所述第一全景图像进行分割处理,获得多个第一图像块;
将包括有效像素点的第一图像块进行编码处理,获得所述隐空间图像。
在一种可能的实现方式中,所述获得模块被进一步配置为:
对多个第一图像进行融合处理,获得第一全景图像,其中,所述多个第一图像包括所述图像获取装置拍摄的目标场景的图像。
在一种可能的实现方式中,所述获得模块被进一步配置为:
分别对各所述第一图像进行特征点提取处理,获得各所述第一图像中的特征点;
根据所述第一图像中的特征点,对所述多个第一图像进行融合处理,获得所述第一全景图像。
在一种可能的实现方式中,所述装置还包括:
获取模块,用于通过所述图像获取装置针对同一场景获取多个曝光时间的第二图像;
拟合模块,用于根据环境亮度以及多个所述第二图像的各像素点的亮度值,对多个所述第二图像中的像素点的亮度值进行拟合处理,获得所述各像素点的亮度值的响应参数。
在一种可能的实现方式中,所述装置还包括:
变换模块,用于根据图像获取装置的响应参数,对多个待处理图像分别进行辐照度变换处理,获得所述第一图像。
在一种可能的实现方式中,所述变换模块被进一步配置为:
根据所述像素点的亮度值的响应参数,将所述待处理图像的各像素点的亮度值进行参数变换处理,获得与所述待处理图像对应的第一图像。
在一种可能的实现方式中,所述装置还包括:
第一确定模块,用于根据所述第二全景图像中各像素点的亮度值,确定所述第二全景图像中的光照信息;
第二确定模块,用于根据所述光照信息,确定目标对象所在区域中各像素点的亮度值。
在一种可能的实现方式中,所述估计模块包括生成网络,所述生成网络包括编码网络、图像补全网络和解码网络,
其中,所述方法还包括:
第二获得模块,用于根据多个样本图像,获得第一样本全景图像,其中,所述第一样本全景图像为完整的全景图像;
第三获得模块,用于根据一部分所述样本图像,获得第二样本全景图像,其中,所述第二样本全景图像为不完整的全景图像;
分割模块,用于将所述第二样本全景图像进行分割处理,获得多个样本图像块;
处理模块,用于将包括有效像素点的样本图像块输入所述生成网络进行处理,获得第三样本全景图像;
训练模块,用于根据所述第一样本全景图像和所述第三样本全景图像,对抗训练所述生成网络以及判别网络。
根据本公开的一方面,提供了一种电子设备,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:执行上述图像处理方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述图像处理方法。
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,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
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,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图;
图2示出根据本公开的实施例的神经网络训练示意图;
图3示出根据本公开实施例的图像处理方法的应用示意图
图4示出根据本公开实施例的图像处理装置的框图;
图5示出根据本公开实施例的电子装置的框图;
图6示出根据本公开实施例的电子装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像处理方法的流程图,如图1所示,所述方法包括:
在步骤S11中,获得第一全景图像,所述第一全景图像为预设尺寸的不完整的全景图像;
在步骤S12中,对所述第一全景图像进行全景估计处理,获得第二全景图像,其中,所述第二全景图像为所述预设尺寸的完整的全景图像。
根据本公开的实施例的图像处理方法,可将不完整的第一全景图像重构成为完整的第二全景图像,获得完整的光照信息,可用于对虚拟对象的逆向绘制。并且,无需使用其他设备,减少人工参与,提高光照信息的精度。
在一种可能的实现方式中,所述图像处理方法可以由终端设备或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中,该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
在一种可能的实现方式中,所述第一全景图像可以是用全景相机拍摄的不完整的全景图像,或者通过多个第一图像融合而成的不完整的全景图像。步骤S11可包括:对多个第一图像进行融合处理,获得第一全景图像,其中,所述多个第一图像包括所述图像获取装置拍摄的目标场景的图像。
在一种可能的实现方式中,所述图像获取装置可以是相机、红外相机、摄像机等装置,可用于拍摄图像,所述第一图像包括图像获取装置拍摄的目标场景的图像,例如,可旋转图像获取装置,并使图像获取装置连续拍摄多个图像(即,第一图像),但第一图像的数量可不足,或拍摄到的场景的内容不足,无法完整地表现出目标场景的内容。例如,可通过预设尺寸的全景图像表现出目标场景的内容,但第一图像的数量或第一图像中包括的内容无法合成完整的全景图像。
在一种可能的实现方式中,所述第一图像可以是预处理后的图像,例如,图像获取装置可获取多个待处理图像,并对待处理图像进行预处理。例如,可基于图像获取装置的响应参数对待处理图像进行辐照度变换处理。
在一种可能的实现方式中,所述方法还包括:通过所述图像获取装置针对同一场景获取多个曝光时间的第二图像;根据环境亮度以及多个所述第二图像的各像素点的亮度值,对多个所述第二图像中的像素点的亮度值进行拟合处理,获得所述各像素点的亮度值的响应参数。
在一种可能的实现方式中,所述响应参数为所述图像获取装置的固有参数,可通过图像获取装置拍摄的任意场景的图像进行计算,例如,可通过图像获取装置获取同一场景的多个图像(例如,第二图像),并通过所述多个第二图像的像素来计算图像获取装置的响应参数。
在一种可能的实现方式中,可针对同一场景,拍摄多个曝光时间的第二图像,例如,可将图像获取装置对准任意场景,并逐步调整曝光时间,在调整的过程中,拍摄多个不同曝光时间的第二图像。
在一种可能的实现方式中,由于曝光时间不同,各第二图像中的相同位置的像素点的亮度值可不同。可通过各第二图像中相同位置的像素点的亮度值以及环境亮度进行拟合,例如,针对各第二图像中的(1,1)位置的像素点,可利用环境亮度以及各第二图像中该位置的像素点的亮度值通过最小二乘法进行拟合处理,获得该位置的拟合函数,可将该位置的拟合函数作为所述该位置的像素点的亮度值的相应参数。进一步地,可通过上述方式对各像素位置的亮度值进行拟合处理,获得各位置的像素点的拟合函数,即,各像素点的亮度值的响应参数。
在一种可能的实现方式中,所述各像素点的亮度值的响应参数可作为图像获取装置的固有参数,即,图像获取装置拍摄的其他图像可通过所述响应参数进行辐照度变换处理。
在一种可能的实现方式中,所述方法还包括:根据图像获取装置的响应参数,对多个待处理图像分别进行辐照度变换处理,获得所述第一图像。例如,可根据各像素点的亮度值的响应参数,对待处理图像的各像素点的亮度值进行辐照度变换处理,获得第一图像。
在一种可能的实现方式中,根据图像获取装置的响应参数,对多个待处理图像分别进行辐照度变换处理,获得所述第一图像,包括:根据所述各像素点的亮度值的响应参数,将所述待处理图像的像素点的亮度值进行参数变换处理,获得与所述待处理图像对应的第一图像。
在一种可能的实现方式中,针对任一待处理图像,该待处理图像的像素点的亮度值具有响应参数,例如,亮度值的拟合函数,可将亮度值通过对应的拟合函数进行参数变换处理,获得变换后的亮度值,即,将待处理图像进行辐照度变换处理,获得与该待处理图像对应的第一图像,其中,所述参数变换例如可包括线性变换和非线性变换等。进一步地,可通过上述方式,对各待处理图像进行辐照度变换处理,获得与各待处理图像分别对应的第一图像。
通过这种方式,可将待处理图像中各像素点的亮度值转换到辐照度空间,使得第一图像的亮度值具有线性特性,便于后续的处理,提高重构完整的第二全景图像的精度。
在一种可能的实现方式中,可将所述多个第一图像融合成为第一全景图像,第一全景图像的尺寸可以是预设的,在示例中,第一图像的内容或数量可不足,无法融合成完整的预设尺寸的全景图像,即,第一全景图像的内容可以是不完整的。例如,在第一全景图像中,一部分区域的像素点是通过第一图像合成的(包含有效像素点,即,有效像素点来源于第一图像),另一部分区域由于内容不足,可在融合过程中生成空白区域(包含无效像素点,即无效像素点为生成的像素点),例如,该区域的像素点的像素值可以是0,或者有效像素点的像素值的平均值等,本公开对空白区域的无效像素点的像素值不做限制。在另一示例中,有效像素点可以是全景相机拍摄的不完整的全景图中的实际拍摄区域中的像素点,无效像素点可以是不完整的全景图中生成的区域中的像素点。
在一种可能的实现方式中,可通过拼接等方式对多个第一图像进行融合处理,但各第一图像之间可包括重叠的内容,拼接而成的全景图像中可包括大量冗余的内容,不利于对全景图的处理。在示例中,可通过获取各第一图像中的特征点来识别冗余部分,进而去除冗余,融合成第一全景图像。
在一种可能的实现方式中,步骤S11可包括:分别对各所述第一图像进行特征点提取处理,获得各所述第一图像中的特征点;根据所述第一图像中的特征点,对所述多个第一图像进行融合处理,获得所述第一全景图像。
在一种可能的实现方式中,可通过神经网络、灰度提取或SLAM(simultaneouslocalization and mapping,即时定位与地图构建)算法等方法获得各第一图像中的特征点,其中,第一图像之间的重叠的部分的特征点可以是相同的,例如,第一图像A和第一图像B之间有重叠的部分C,则第一图像A的C部分中的特征点与第一图像B的C部分中的特征点可以是相同的,其中,第一图像A和第一图像B为任意两个第一图像。
在一种可能的实现方式中,可根据各第一图像的特征点对多个第一图像进行融合处理。在示例中,可通过三角形重心插值方法对第一图像A和第一图像B的特征点进行插值处理,进而对第一图像A和第一图像B进行融合处理,例如,可通过三角形中心插值方法对第一图像A和第一图像B的重叠的部分C进行插值处理,继而将第一图像A和第一图像B融合成为图像B1,其中,B1中的C部分可连接第一图像A和第一图像B的其他部分,且C部分没有冗余,即,通过所述三角形中心插值方法去除了第一图像A和第一图像B的冗余,并将第一图像A和第一图像B进行融合。在示例中,可首先确定第一图像A和第一图像B的匹配的特征点Pa(第一图像A中的特征点)和Pb(第二图像B中的特征点),例如,第一图像A中的特征点Pa在第一图像B中依然存在,第一图像B中的特征点Pb在第一图像A中同样存在。并可对特征点Pa和Pb进行三角化,分别获得点集Ta和点集Tb。进一步地,可确定点集Ta在第一图像B上对应的像素点,并确定所述对应像素点的三角形以及重心坐标,进而根据重心坐标确定点集Tb中的点在第二图像B中对应的像素点。可通过上述方法,确定第一图像A和第一图像B中的对应像素点(即,重叠的像素点),在对第一图像A和第一图像B融合时,可仅保留第一图像A中或第一图像B中的重叠部分的像素点,或者将第一图像A和第一图像B中的重叠的像素点进行融合(例如,进行平均运算等),可获得图像B1。
在一种可能的实现方式中,可按照上述方法对多个第一图像进行融合处理,在融合的过程中,可依次对各第一图像进行融合处理,在示例中,可按照第一图像的拍摄顺序来进行融合,例如,第一图像A的为在第一图像B之前获取的第一图像,且第一图像A和第一图像B之间具有重叠区域,第一图像B为在第一图像C之前获取的第一图像,且第一图像B和第一图像C之间具有重叠区域,可按照上述方法,将第一图像A和第一图像B进行融合,获得图像B1,并将图像B1与第一图像C进行融合,获得图像C1,进一步地,可按照顺序依次将各第一图像进行融合,获得第一全景图像。
在一种可能的实现方式中,还可并行执行对各第一图像的融合处理,例如,可将第一图像A和第一图像B进行融合,获得图像B1,将第一图像C和第一图像D进行融合,获得图像D1,并将图像B1和图像D1进行融合,并通过该方式对各第一图像进行融合获得第一全景图像。或者,可同时对所有第一图像进行融合,并去除相邻两个第一图像之间的冗余区域,获得第一全景图像。本公开对第一图像的融合顺序不做限制。
通过这种方式,可通过特征点来识别和去除第一图像之间的冗余区域,获得准确的第一全景图像,提高对第一全景图像的处理效率。
在一种可能的实现方式中,将第一图像融合成为第一全景图后,可获得全景视角下的内容,还可获得全景视角下的光照信息。但第一全景图像不完整(由于内容不足,第一全景图存在一部分空白区域),因此,无法通过第一全景图像获得完整的内容,也无法获得完整的光照信息。因此,可根据第一全景图像来估计完整的第二全景图像,进而获得完整的光照信息。
在一种可能的实现方式中,步骤S12可包括:将所述第一全景图像进行全景估计处理,获得第二全景图像,包括:将所述第一全景图像进行编码处理,获得隐空间图像;将所述隐空间图像进行隐空间补全处理,获得隐空间全景图像;将所述隐空间全景图像进行解码处理,获得所述第二全景图像。
在一种可能的实现方式中,所述全景估计处理通过生成网络实现,所述生成网络可以是卷积神经网络等深度学习神经网络,本公开对生成网络的类型不做限制。
在一种可能的实现方式中,可将所述第一全景图像进行编码处理,其中,第一全景图像中包括空白区域,即,包括多个无效像素点,无效像素点无法提供有用信息,并且可能对处理结果造成干扰,且增大运算量,可去除无效像素点的干扰。
在一种可能的实现方式中,将所述第一全景图像进行编码处理,获得隐空间图像,包括:将所述第一全景图像进行分割处理,获得多个第一图像块;将包括有效像素点的第一图像块进行编码处理,获得所述隐空间图像。
在一种可能的实现方式中,可将第一全景图像进行分割处理,在示例中,可对第一全景图像进行均匀分割,获得多个第一图像块。例如,第一全景图像为1280×1280的全景图像,可将第一全景图像均匀分割成6400个16×16的图像块。
在一种可能的实现方式中,在多个第一图像块中,仅包括无效像素点的图像块(即,完全属于第一全景图中的空白区域)的图像块无法提供有效信息,可无需对这些图像块进行处理,可仅将包括有效像素点的图像块进行编码处理。在另一示例中,还可确定有效像素点的数量,或者有效像素点在第一图像块的所有像素点中所占的比例,并可仅将有效像素点的数量大于或等于数量阈值的第一图像块进行编码处理,或者可仅将有效像素点所占比例大于或等于比例阈值的图像块进行编码处理。
在一种可能的实现方式中,所述生成网络包括编码网络、图像补全网络和解码网络,可通过生成网络中的编码网络对包括有效像素点的第一图像块进行编码处理。在示例中,可通过编码网络的卷积层将图像块进行卷积处理,所述图像块的维度为16×16×3,其中,16×16表示第一图像块的尺寸,3表示每个像素点的RGB值,可通过卷积处理对图像块进行下采样,例如,下采样率为32,即可获得24维的图像块,对多个包括有效像素点的第一图像块进行编码处理后,可获得隐空间图像,即,获得各图像块的特征信息。
在一种可能的实现方式中,可通过生成网络的图像补全网络对隐空间图像进行隐空间补全处理,获得隐空间全景图像。所述图像补全网络可对隐空间图像中的位置信息进行估计,从而在卷积处理后形成的特征空间(即,隐空间)中补全空白区域。所述图像补全网络可以是U型结构的神经网络,例如,可首先通过卷积层进行下采样,获得更丰富的图像信息,以进行空白区域的估计,随后,可对图像特征进行上采样,以恢复图像的尺寸,进一步地,可通过跳接或残差连接等方式将丰富的图像信息与隐空间图像的图像信息进行融合,以估计空白区域中的信息,获得隐空间全景图像。
在一种可能的实现方式中,所述隐空间全景图像为对空白区域的信息进行估计后的特征图,可对隐空间全景图像进行解码,以获得完整的第二全景图像。在示例中,可通过生成网络的解码网络对隐空间全景图像进行解码处理,获得所述第二全景图像。
通过这种方式,可对第一全景图像在隐空间中进行补全并解码,可准确地估计空白区域中的信息,获得完整的第二全景图像。
在一种可能的实现方式中,第二全景图像中的光照信息的准确度较高,可以以全景图的视角获得光照信息(例如,光线的入射方向、光影信息、环境光亮度信息等),并可根据光照信息来绘制目标对象(例如,可在第二全景图像中绘制人物、物体等对象,且使得目标对象的亮度和光影等效果符合所述光照信息)。所述方法还包括:根据所述第二全景图像中各像素点的亮度值,确定所述第二全景图像中的光照信息;根据所述光照信息,确定目标对象所在区域中各像素点的亮度值。
在一种可能的实现方式中,可根据第二全景图像中各像素点的亮度值,确定所述第二全景图像中的光照信息,例如,可确定第二全景图中的光线的入射方向、光影信息、环境光亮度信息等,并利用上述光照信息绘制目标对象,使得绘制的目标对象的光照信息与第二全景图中的光照信息相符,即,绘制的目标对象处于第二全景图像中的入射光照射从而产生光影或明暗变化的效果。在示例中,可根据光照信息确定目标对象所在区域的亮度值,使得目标对象产生处于第二全景图像中的入射光照射下的光影效果。
在一种可能的实现方式中,在使用生成网络获得第二全景图像前,可对生成网络进行训练。例如,可通过生成网络生成的全景图像与真实的全景图像之间的差异获得生成网络的网络损失,并通过网络损失训练生成网络。在另一示例中,可通过判别网络来对抗训练生成网络。其中,所述方法还包括:根据样本图像序列,获得第一样本全景图像,其中,所述第一样本全景图像为完整的全景图像;根据一部分所述样本图像,获得第二样本全景图像,其中,所述第二样本全景图像为不完整的全景图像;将所述第二样本全景图像进行分割处理,获得多个样本图像块;将包括有效像素点的样本图像块输入所述生成网络进行处理,获得第三样本全景图像;根据所述第一样本全景图像和所述第三样本全景图像,对抗训练所述生成网络以及判别网络。
图2示出了根据本公开的实施例的神经网络训练示意图,如图2所示,样本图像可包括针对某一场景拍摄的多个图像,样本图像的数量及其包含的内容足够丰富,可融合成预设尺寸的第一样本全景图像。进一步地,可从多个样本图像中随机选取一部分样本图像,融合成第二样本全景图像,所述一部分样本图像的数量不足或其包含的内容不完整,无法融合成完整的全景图像,即,第二样本全景图像为不完整的全景图像。
在一种可能的实现方式中,可将第二样本全景图像进行分割处理,例如,可将第二样本全景图像进行均匀分割,获得多个样本图像块,并将包括有效像素点的样本图像块输入生成网络进行处理,例如,可输入生成网络的编码网络,获得样本隐空间图像,并将样本隐空间图像输入图像补全网络,获得样本隐空间全景图像,进一步地,可将样本隐空间全景图像输入解码网络,获得第三样本全景图像。
在一种可能的实现方式中,第三样本全景图像为生成网络生成的完整的全景图像,但生成网络可能存在误差,即,第三样本全景图像与第一样本全景图像之间可存在差异,可根据该差异获得生成网络的网络损失。进一步地,可将第一样本全景图像和第三样本全景图像输入判别网络,获得对抗损失(例如,判断第一样本全景图像和第三样本全景图像是否为真实图像的概率等),并可根据生成网络的网络损失以及所述对抗损失调整生成网络的网络参数以及判别网络的网络参数。
在一种可能的实现方式中,可迭代执行上述对抗训练的处理步骤,直到第一训练条件和第二训练条件达到平衡状态,所述第一训练条件例如:生成网络的网络损失达到最小化或小于设定阈值;所述第二训练条件例如:判别网络的对抗损失达到最小化或小于设定阈值,或者,判别网络输出第一样本全景图像和第三样本全景图像为真实图像的概率最大化或大于设定阈值。本公开对训练条件不做限制。
在一种可能的实现方式中,在第一训练条件和第二训练条件达到平衡状态后,所述生成网络和判别网络均训练完成,判别网络的判别准确率较高,生成网络可用于生成精度较高的第二全景图,生成的第二全景图中的光照信息较准确,可用于绘制目标对象。
根据而本公开的实施例的图像处理方法,可将待处理图像中各像素点的亮度值转换到辐照度空间,使得第一图像的亮度值具有线性特性,便于后续的处理,并可通过特征点来识别和去除第一图像之间的冗余区域,获得准确的第一全景图像,提高对第一全景图像的处理效率。进一步地,可对第一全景图像在隐空间中进行补全并解码,可准确地估计空白区域中的信息,获得完整的第二全景图像,可将不完整的第一全景图像重构成为完整的第二全景图像,获得完整的光照信息,可用于对虚拟对象的逆向绘制。并且,无需使用其他设备,减少人工参与,提高光照信息的精度。
图3示出根据本公开实施例的图像处理方法的应用示意图,如图3所示,可将多个目标场景的第一图像进行融合,获得不完整的第一全景图像,并可将第一全景图像进行均匀分割,获得多个第一图像块。
在一种可能的实现方式中,可将包含有效像素点的第一图像块输入生成网络的编码网络进行处理,获得隐空间图像,并将隐空间图像输入图像补全网络进行处理,获得隐空间全景图像,进一步地,可对隐空间全景图像通过解码网络进行解码处理,获得第二全景图像。
在一种可能的实现方式中,第二全景图像为经过神经网络的估计后补全的全景图像,在第二全景图像中可获得以全景图的视角的光照信息(例如,光线的入射方向、光影信息、环境光亮度信息等),可根据该光照信息绘制目标对象,使得目标对象的光照信息与第二全景图中的光照信息相符,即,绘制的目标对象处于第二全景图像中的入射光照射从而产生光影或明暗变化的效果。
在一种可能的实现方式中,所述图像处理方法可用于对视频流中的视频帧进行渐进式估计光照信息的处理中,例如,可对视频流中的多个视频帧进行融合,获得全景图像,并通过生成网络补全全景图像后,获得光照信息,进而可在视频流中绘制真实性较强的虚拟对象。可用于虚拟现实/增强现实等领域中,或者用于虚拟游戏,装修装潢效果的渲染,或者美图软件中,使得图像中绘制的虚拟对象的光影效果具有较好的真实感。本公开对所述图像处理方法的应用领域不做限制。
图4示出根据本公开实施例的图像处理装置的框图,如图4所示,所述装置包括:
第一获得模块11,用于获得第一全景图像,所述第一全景图像为预设尺寸的不完整的全景图像;
估计模块12,用于对所述第一全景图像进行全景估计处理,获得第二全景图像,其中,所述第二全景图像为所述预设尺寸的完整的全景图像。
在一种可能的实现方式中,所述估计模块被进一步配置为:
将所述第一全景图像进行编码处理,获得隐空间图像;
将所述隐空间图像进行隐空间补全处理,获得隐空间全景图像;
将所述隐空间全景图像进行解码处理,获得所述第二全景图像。
在一种可能的实现方式中,所述估计模块被进一步配置为:
将所述第一全景图像进行分割处理,获得多个第一图像块;
将包括有效像素点的第一图像块进行编码处理,获得所述隐空间图像。
在一种可能的实现方式中,所述获得模块被进一步配置为:
对多个第一图像进行融合处理,获得第一全景图像,其中,所述多个第一图像包括所述图像获取装置拍摄的目标场景的图像。
在一种可能的实现方式中,所述获得模块被进一步配置为:
分别对各所述第一图像进行特征点提取处理,获得各所述第一图像中的特征点;
根据所述第一图像中的特征点,对所述多个第一图像进行融合处理,获得所述第一全景图像。
在一种可能的实现方式中,所述装置还包括:
获取模块,用于通过所述图像获取装置针对同一场景获取多个曝光时间的第二图像;
拟合模块,用于根据环境亮度以及多个所述第二图像的各像素点的亮度值,对多个所述第二图像中的像素点的亮度值进行拟合处理,获得所述各像素点的亮度值的响应参数。
在一种可能的实现方式中,所述装置还包括:
变换模块,用于根据图像获取装置的响应参数,对多个待处理图像分别进行辐照度变换处理,获得所述第一图像。
在一种可能的实现方式中,所述变换模块被进一步配置为:
根据所述像素点的亮度值的响应参数,将所述待处理图像的各像素点的亮度值进行参数变换处理,获得与所述待处理图像对应的第一图像。
在一种可能的实现方式中,所述装置还包括:
第一确定模块,用于根据所述第二全景图像中各像素点的亮度值,确定所述第二全景图像中的光照信息;
第二确定模块,用于根据所述光照信息,确定目标对象所在区域中各像素点的亮度值。
在一种可能的实现方式中,所述估计模块包括生成网络,所述生成网络包括编码网络、图像补全网络和解码网络,
其中,所述方法还包括:
第二获得模块,用于根据多个样本图像,获得第一样本全景图像,其中,所述第一样本全景图像为完整的全景图像;
第三获得模块,用于根据一部分所述样本图像,获得第二样本全景图像,其中,所述第二样本全景图像为不完整的全景图像;
分割模块,用于将所述第二样本全景图像进行分割处理,获得多个样本图像块;
处理模块,用于将包括有效像素点的样本图像块输入所述生成网络进行处理,获得第三样本全景图像;
训练模块,用于根据所述第一样本全景图像和所述第三样本全景图像,对抗训练所述生成网络以及判别网络。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,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上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备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,个人数字助理等终端。
参照图5,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件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通常控制电子设备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电子设备800的操作。这些数据的示例包括用于在电子设备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。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备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。当电子设备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),当电子设备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,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备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被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备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,电子设备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,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的方法的指令。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
图6是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图6,电子设备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,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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动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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (20)
1.一种图像处理方法,其特征在于,包括:
获得第一全景图像,所述第一全景图像为预设尺寸的不完整的全景图像;
对所述第一全景图像进行全景估计处理,获得第二全景图像,其中,所述第二全景图像为所述预设尺寸的完整的全景图像。
2.根据权利要求1所述的方法,其特征在于,将所述第一全景图像进行全景估计处理,获得第二全景图像,包括:
将所述第一全景图像进行编码处理,获得隐空间图像;
将所述隐空间图像进行隐空间补全处理,获得隐空间全景图像;
将所述隐空间全景图像进行解码处理,获得所述第二全景图像。
3.根据权利要求2所述的方法,其特征在于,将所述第一全景图像进行编码处理,获得隐空间图像,包括:
将所述第一全景图像进行分割处理,获得多个第一图像块;
将包括有效像素点的第一图像块进行编码处理,获得所述隐空间图像。
4.根据权利要求1-3中任意一项所述的方法,其特征在于,获得第一全景图像,包括:
对多个第一图像进行融合处理,获得第一全景图像,其中,所述多个第一图像包括所述图像获取装置拍摄的目标场景的图像。
5.根据权利要求4所述的方法,其特征在于,对多个第一图像进行融合处理,获得第一全景图像,包括:
分别对各所述第一图像进行特征点提取处理,获得各所述第一图像中的特征点;
根据所述第一图像中的特征点,对所述多个第一图像进行融合处理,获得所述第一全景图像。
6.根据权利要求1-5中任意一项所述的方法,其特征在于,其中,所述方法还包括:
通过所述图像获取装置针对同一场景获取多个曝光时间的第二图像;
根据环境亮度以及多个所述第二图像的各像素点的亮度值,对多个所述第二图像中的像素点的亮度值进行拟合处理,获得所述各像素点的亮度值的响应参数。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
根据图像获取装置的响应参数,对多个待处理图像分别进行辐照度变换处理,获得所述第一图像。
8.根据权利要求7所述的方法,其特征在于,根据图像获取装置的响应参数,对多个待处理图像分别进行辐照度变换处理,获得所述第一图像,包括:
根据所述像素点的亮度值的响应参数,将所述待处理图像的各像素点的亮度值进行参数变换处理,获得与所述待处理图像对应的第一图像。
9.根据权利要求1-8中任意一项所述的方法,其特征在于,所述方法还包括:
根据所述第二全景图像中各像素点的亮度值,确定所述第二全景图像中的光照信息;
根据所述光照信息,确定目标对象所在区域中各像素点的亮度值。
10.根据权利要求1所述的方法,其特征在于,所述全景估计处理通过生成网络实现,所述生成网络包括编码网络、图像补全网络和解码网络,
其中,所述方法还包括:
根据多个样本图像,获得第一样本全景图像,其中,所述第一样本全景图像为完整的全景图像;
根据一部分所述样本图像,获得第二样本全景图像,其中,所述第二样本全景图像为不完整的全景图像;
将所述第二样本全景图像进行分割处理,获得多个样本图像块;
将包括有效像素点的样本图像块输入所述生成网络进行处理,获得第三样本全景图像;
根据所述第一样本全景图像和所述第三样本全景图像,对抗训练所述生成网络以及判别网络。
11.一种图像处理装置,其特征在于,包括:
第一获得模块,用于获得第一全景图像,所述第一全景图像为预设尺寸的不完整的全景图像;
估计模块,用于对所述第一全景图像进行全景估计处理,获得第二全景图像,其中,所述第二全景图像为所述预设尺寸的完整的全景图像。
12.根据权利要求11所述的装置,其特征在于,所述估计模块被进一步配置为:
将所述第一全景图像进行编码处理,获得隐空间图像;
将所述隐空间图像进行隐空间补全处理,获得隐空间全景图像;
将所述隐空间全景图像进行解码处理,获得所述第二全景图像。
13.根据权利要求12所述的装置,其特征在于,所述估计模块被进一步配置为:
将所述第一全景图像进行分割处理,获得多个第一图像块;
将包括有效像素点的第一图像块进行编码处理,获得所述隐空间图像。
14.根据权利要求11-13中任意一项所述的装置,其特征在于,所述获得模块被进一步配置为:
对多个第一图像进行融合处理,获得第一全景图像,其中,所述多个第一图像包括所述图像获取装置拍摄的目标场景的图像。
15.根据权利要求14所述的装置,其特征在于,所述获得模块被进一步配置为:
分别对各所述第一图像进行特征点提取处理,获得各所述第一图像中的特征点;
根据所述第一图像中的特征点,对所述多个第一图像进行融合处理,获得所述第一全景图像。
16.根据权利要求11-15中任意一项所述的装置,其特征在于,所述装置还包括:
获取模块,用于通过所述图像获取装置针对同一场景获取多个曝光时间的第二图像;
拟合模块,用于根据环境亮度以及多个所述第二图像的各像素点的亮度值,对多个所述第二图像中的像素点的亮度值进行拟合处理,获得所述各像素点的亮度值的响应参数。
17.根据权利要求11-16中任意一项所述的装置,其特征在于,所述装置还包括:
第一确定模块,用于根据所述第二全景图像中各像素点的亮度值,确定所述第二全景图像中的光照信息;
第二确定模块,用于根据所述光照信息,确定目标对象所在区域中各像素点的亮度值。
18.根据权利要求11所述的装置,其特征在于,所述估计模块包括生成网络,所述生成网络包括编码网络、图像补全网络和解码网络,
其中,所述方法还包括:
第二获得模块,用于根据多个样本图像,获得第一样本全景图像,其中,所述第一样本全景图像为完整的全景图像;
第三获得模块,用于根据一部分所述样本图像,获得第二样本全景图像,其中,所述第二样本全景图像为不完整的全景图像;
分割模块,用于将所述第二样本全景图像进行分割处理,获得多个样本图像块;
处理模块,用于将包括有效像素点的样本图像块输入所述生成网络进行处理,获得第三样本全景图像;
训练模块,用于根据所述第一样本全景图像和所述第三样本全景图像,对抗训练所述生成网络以及判别网络。
19.一种电子设备,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:执行权利要求1至10中任意一项所述的方法。
20.一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,所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911316116.5A CN113012052B (zh) | 2019-12-19 | 2019-12-19 | 图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911316116.5A CN113012052B (zh) | 2019-12-19 | 2019-12-19 | 图像处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113012052A true CN113012052A (zh) | 2021-06-22 |
CN113012052B CN113012052B (zh) | 2022-09-20 |
Family
ID=76381406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911316116.5A Active CN113012052B (zh) | 2019-12-19 | 2019-12-19 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012052B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862803A (zh) * | 2023-07-13 | 2023-10-10 | 北京中科闻歌科技股份有限公司 | 逆转图像重建方法、装置、设备及可读存储介质 |
CN116862803B (zh) * | 2023-07-13 | 2024-05-24 | 北京中科闻歌科技股份有限公司 | 逆转图像重建方法、装置、设备及可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108449541A (zh) * | 2018-03-12 | 2018-08-24 | 维沃移动通信有限公司 | 一种全景图像拍摄方法及移动终端 |
CN108650509A (zh) * | 2018-04-04 | 2018-10-12 | 浙江工业大学 | 一种多尺度自适应近似无损编解码方法及系统 |
US20180365803A1 (en) * | 2015-06-30 | 2018-12-20 | Baidu Online Network Technology (Beijing) Co., Ltd | Panoramic image generation method and apparatus for user terminal |
CN109361855A (zh) * | 2018-10-24 | 2019-02-19 | 深圳六滴科技有限公司 | 全景图像像素亮度校正方法、装置、全景相机和存储介质 |
CN109377448A (zh) * | 2018-05-20 | 2019-02-22 | 北京工业大学 | 一种基于生成对抗网络的人脸图像修复方法 |
CN109459043A (zh) * | 2018-12-12 | 2019-03-12 | 上海航天控制技术研究所 | 一种基于生成式重构图像的航天器相对导航方法 |
CN109509148A (zh) * | 2018-10-12 | 2019-03-22 | 广州小鹏汽车科技有限公司 | 一种全景环视图像拼接融合方法和装置 |
CN109544456A (zh) * | 2018-11-26 | 2019-03-29 | 湖南科技大学 | 基于二维图像和三维点云数据融合的全景环境感知方法 |
CN109859268A (zh) * | 2019-01-30 | 2019-06-07 | 国网江苏省电力有限公司苏州供电分公司 | 基于生成查询网络的物体被遮挡部分成像方法 |
CN110506278A (zh) * | 2017-04-19 | 2019-11-26 | 西门子医疗有限公司 | 隐空间中的目标检测 |
-
2019
- 2019-12-19 CN CN201911316116.5A patent/CN113012052B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180365803A1 (en) * | 2015-06-30 | 2018-12-20 | Baidu Online Network Technology (Beijing) Co., Ltd | Panoramic image generation method and apparatus for user terminal |
CN110506278A (zh) * | 2017-04-19 | 2019-11-26 | 西门子医疗有限公司 | 隐空间中的目标检测 |
CN108449541A (zh) * | 2018-03-12 | 2018-08-24 | 维沃移动通信有限公司 | 一种全景图像拍摄方法及移动终端 |
CN108650509A (zh) * | 2018-04-04 | 2018-10-12 | 浙江工业大学 | 一种多尺度自适应近似无损编解码方法及系统 |
CN109377448A (zh) * | 2018-05-20 | 2019-02-22 | 北京工业大学 | 一种基于生成对抗网络的人脸图像修复方法 |
CN109509148A (zh) * | 2018-10-12 | 2019-03-22 | 广州小鹏汽车科技有限公司 | 一种全景环视图像拼接融合方法和装置 |
CN109361855A (zh) * | 2018-10-24 | 2019-02-19 | 深圳六滴科技有限公司 | 全景图像像素亮度校正方法、装置、全景相机和存储介质 |
CN109544456A (zh) * | 2018-11-26 | 2019-03-29 | 湖南科技大学 | 基于二维图像和三维点云数据融合的全景环境感知方法 |
CN109459043A (zh) * | 2018-12-12 | 2019-03-12 | 上海航天控制技术研究所 | 一种基于生成式重构图像的航天器相对导航方法 |
CN109859268A (zh) * | 2019-01-30 | 2019-06-07 | 国网江苏省电力有限公司苏州供电分公司 | 基于生成查询网络的物体被遮挡部分成像方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862803A (zh) * | 2023-07-13 | 2023-10-10 | 北京中科闻歌科技股份有限公司 | 逆转图像重建方法、装置、设备及可读存储介质 |
CN116862803B (zh) * | 2023-07-13 | 2024-05-24 | 北京中科闻歌科技股份有限公司 | 逆转图像重建方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113012052B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339846B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN110688951B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
CN109816764B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN111553864B (zh) | 图像修复方法及装置、电子设备和存储介质 | |
CN109977847B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN109840917B (zh) | 图像处理方法及装置、网络训练方法及装置 | |
CN110928627B (zh) | 界面展示方法及装置、电子设备和存储介质 | |
CN111243011A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN114019473A (zh) | 对象检测方法及装置、电子设备和存储介质 | |
CN108900903B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN111126108A (zh) | 图像检测模型的训练和图像检测方法及装置 | |
CN111626183A (zh) | 一种目标对象展示方法及装置、电子设备和存储介质 | |
CN112219224A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111626086A (zh) | 活体检测方法、装置及系统、电子设备和存储介质 | |
CN112991381A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112860061A (zh) | 场景图像展示方法及装置、电子设备和存储介质 | |
CN113822798B (zh) | 生成对抗网络训练方法及装置、电子设备和存储介质 | |
CN109903252B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113261011A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111369482A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113660531A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN111311588B (zh) | 重定位方法及装置、电子设备和存储介质 | |
CN110675355B (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN111507131B (zh) | 活体检测方法及装置、电子设备和存储介质 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Bao Hujun Inventor after: Wang Rui Inventor after: Zhang Guofeng Inventor after: Sheng Chongshan Inventor after: Li Baiyu Inventor before: Bao Hujun Inventor before: Wang Rui Inventor before: Zhang Guofeng Inventor before: Sheng Chongshan Inventor before: Li Baiyu |