CN113052772A - 图像处理方法、装置、电子设备及存储介质 - Google Patents

图像处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113052772A
CN113052772A CN202110309034.9A CN202110309034A CN113052772A CN 113052772 A CN113052772 A CN 113052772A CN 202110309034 A CN202110309034 A CN 202110309034A CN 113052772 A CN113052772 A CN 113052772A
Authority
CN
China
Prior art keywords
sample image
white balance
image
target
parameter
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
Application number
CN202110309034.9A
Other languages
English (en)
Other versions
CN113052772B (zh
Inventor
吴晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority to CN202110309034.9A priority Critical patent/CN113052772B/zh
Publication of CN113052772A publication Critical patent/CN113052772A/zh
Application granted granted Critical
Publication of CN113052772B publication Critical patent/CN113052772B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10024—Color image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Processing Of Color Television Signals (AREA)
  • Color Television Image Signal Generators (AREA)

Abstract

本申请实施例公开一种图像白平衡的调节处理方法、装置、电子设备及存储介质，该方法包括：将目标图像输入至白平衡调节模型，并通过所述白平衡调节模型对所述目标图像进行处理，得到与所述目标图像对应的目标白平衡参数，其中，所述白平衡调节模型是基于样本数据进行半监督学习得到的，所述样本数据包括带标签的已标记样本图像和不带标签的未标记样本图像，所述标签包括白平衡参数；利用所述目标白平衡参数对所述目标图像进行白平衡调节。实施本申请实施例，可以提高白平衡调节的准确性。

Description

图像处理方法、装置、电子设备及存储介质
技术领域
本申请涉及图像处理技术领域，具体涉及一种图像处理方法、装置、终端设备及存储介质。
背景技术
白平衡是描述图像中红、绿、蓝三基色混合后生成白色的精确度的一项指标，是图像精确还原被摄物色彩的重要概念。由于摄像装置的硬件或者软件原因，拍摄得到的图像中的颜色与现实世界中的颜色可能存在色差。为了尽可能地减少色差，需要对图像进行白平衡调节。目前，白平衡的调节方法包括手动白平衡调节和自动白平衡调节。在自动白平衡调节中，又以基于人工特征的白平衡调节方法为主。基于人工特征的白平衡调节方法一般需要从图像中识别出人为设计的图像特征，并根据识别出的图像特征生成白平衡的调节参数。例如，较为常见的自动白平衡调节方法可包括：灰度世界(Grey world)算法、灰度边缘(Grey Edge)算法、白块(White Patch)算法、灰块(Grey Pixel)检测算法等。
在实践中发现，由于基于人工特征的白平衡调节方法需要依赖人工设计的图像特征，容易导致白平衡调节方法的应用场景受到限制，从而导致白平衡的调节准确性较低。
发明内容
本申请实施例公开了一种图像处理方法、装置、电子设备及存储介质，能够提高白平衡调节的准确性。
本申请实施例公开一种图像处理方法，所述方法包括：将目标图像输入至白平衡调节模型，并通过所述白平衡调节模型对所述目标图像进行处理，得到与所述目标图像对应的目标白平衡参数，其中，所述白平衡调节模型是基于样本数据进行半监督学习得到的，所述样本数据包括带标签的已标记样本图像和不带标签的未标记样本图像，所述标签包括白平衡参数；利用所述目标白平衡参数对所述目标图像进行白平衡调节。
本申请实施例公开一种白平衡调节模型的训练方法，所述方法包括：从样本数据中选取出第一样本图像和第二样本图像输入至待训练的白平衡调节模型；所述样本数据包括带标签的已标记样本图像和不带标签的未标记样本图像，所述标签包括白平衡参数；通过所述待训练的白平衡调节模型计算所述第一样本图像及第二样本图像之间的无监督损失；若所述第一样本图像携带有第一标签，则通过所述待训练的白平衡调节模型根据所述第一样本图像携带的第一标签计算所述第一样本图像对应的第一监督损失；若所述第二样本图像携带有第二标签，则通过所述待训练的白平衡调节模型根据所述第二样本图像携带的第二标签计算所述第二样本图像对应的第二监督损失；根据所述无监督损失、第一监督损失及第二监督损失确定目标损失，并根据所述目标损失对所述待训练的白平衡调节模型的参数进行调整。
本申请实施例公开一种图像处理装置，所述装置包括：获取模块，用于将目标图像输入至白平衡调节模型，并通过所述白平衡调节模型对所述目标图像进行处理，得到与所述目标图像对应的目标白平衡参数，其中，所述白平衡调节模型是基于样本数据进行半监督学习得到的，所述样本数据包括带标签的已标记样本图像和不带标签的未标记样本图像，所述标签包括白平衡参数；调节模块，用于利用所述目标白平衡参数对所述目标图像进行白平衡调节。
本申请实施例公开一种白平衡调节模型的训练装置，所述装置包括：输入模块，用于从样本数据中选取出第一样本图像和第二样本图像输入至待训练的白平衡调节模型；所述样本数据包括带标签的已标记样本图像和不带标签的未标记样本图像，所述标签包括白平衡参数；无监督学习模块，用于通过所述待训练的白平衡调节模型计算所述第一样本图像及第二样本图像之间的无监督损失；监督学习模块，用于在所述第一样本图像携带有第一标签时，通过所述待训练的白平衡调节模型根据所述第一样本图像携带的第一标签计算所述第一样本图像对应的第一监督损失；以及，在所述第二样本图像携带有第二标签时，通过所述待训练的白平衡调节模型根据所述第二样本图像携带的第二标签计算所述第二样本图像对应的第二监督损失；参数调整模块，用于根据所述无监督损失、第一监督损失及第二监督损失确定目标损失，并根据所述目标损失对所述待训练的白平衡调节模型的参数进行调整。
本申请实施例公开一种终端设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现本申请实施例公开的任意一种图像处理方法。
本申请实施例公开一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现如本申请实施例公开的任意一种白平衡调节模型的训练方法。
本申请实施例公开一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本申请实施例公开的任意一种图像处理方法。
本申请实施例公开一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如本申请实施例公开的任意一种白平衡调节模型的训练方法。
与相关技术相比，本申请实施例具有以下有益效果：
在本申请实施例中，利用携带标签的已标记样本图像和不带标签的未标记样本图像作为样本数据对白平衡调节模型进行半监督学习，以训练得到白平衡调节模型。白平衡调节模型可对输入的目标图像进行处理，以得到对应的目标白平衡参数。半监督学习作为一种端对端的模型训练方法，在经过训练后，白平衡调节模型可自动输出准确的白平衡参数，从而可以避免复杂的人工特征设计，有利于提高白平衡调节的准确性。此外，半监督学习同时使用带标签和不带标签的样本图像作为训练时使用的样本数据，降低了对带标签的数据集的需求，有利于扩大样本数据的数据规模，有利于训练出输出结果更加准确的白平衡调节模型，可以进一步提高白平衡调节的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例公开的一种图像处理方法的流程示意图；
图2是本申请实施例公开的一种白平衡调节模型的训练方法的流程示意图；
图3是本申请实施例公开的另一种白平衡调节模型的训练方法的流程示意图；
图4是本申请实施例公开的另一种白平衡调节模型的训练方法的流程示意图；
图5是本申请实施例公开的另一种白平衡调节模型的训练方法的流程示意图；
图6是本申请实施例公开的另一种图像处理方法的流程示意图；
图7是本申请实施例公开的一种图像处理装置的结构示意图；
图8是本申请实施例公开的一种白平衡调节模型的训练装置的结构示意图；
图9是本申请实施例公开的一种移动终端的结构示意图；
图10是本申请实施例公开的一种电子设备的结构示意图。
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，所描述的实施例仅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做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。
需要说明的是，本申请实施例及附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例公开了一种图像处理方法、装置、终端设备及存储介质，能够提高白平衡调节的准确性。以下分别进行详细说明。
首先，对本申请实施例公开的技术名词进行说明。
样本数据，可指在对白平衡调节模型进行训练时使用的数据，可包括带标签的已标记样本图像和不带标签的未标记样本图像，上述的标签可包括白平衡参数。即，样本数据包括的每一已标记样本图像均可对应有相应的白平衡参数。在样本数据中，未标记样本图像的数量可远多于已标记样本图像的数量。已标记样本图像的标签往往需要依赖人工标注，因此已标记样本图像的采集成本较高。若需要采集大量的已标记样本图像，往往需要耗费较大的人力物力。而未标记样本图像可以通过网络爬取等方式获取，去未标记样本图像的采集成本较低，可以较为容易地获取到大量的未标记样本图像。
白平衡参数，可指使得图像中的白色恢复至与现实世界中的白色一致时需要对图像的颜色进行调节的参数。例如，白平衡参数可包括自动白平衡增益(Auto White BalanceGain，AWB Gain)。AWB Gain可表示为AWB Gain＝[RGain，GGain，BGain]，RGain为红色增益、GGain为绿色增益、BGain为蓝色增益。
半监督学习，可指同时使用带标签和不带标签的样本图像对算法模型进行训练的机器学习技术，是监督学习与无监督学习相结合的一种学习方法。对算法模型的训练，可指将样本数据输入至算法模型，算法模型的输出端可以输出一个预测结果，根据该预测结果对算法模型中的参数进行调整，直至模型收敛或者达到预期的效果再结束训练。半监督学习是一种端到端的训练方法，在半监督学习的训练过程中，无需人工设计、提取适用于白平衡调节的图像特征，而是可以由模型自身挖掘样本图像中的图像特征与白平衡参数之间的关系。
白平衡调节模型，可指基于样本数据进行半监督学习得到的算法模型。在本申请实施例中，白平衡调节模型的模型结构不做限定，该白平衡调节模型可包括：图卷积神经网络(Graph Convolutional Networks)、卷积神经网络(Convolution Neural Network，CNN)等，但不限于此。
请参阅图1，图1是本申请实施例公开的一种图像处理方法的流程示意图，该方法可适用于如智能手机、个人电脑等终端设备，但不限于此。如图1所示，该方法可包括：
110、将目标图像输入至白平衡调节模型。
在本申请实施例中，白平衡调节模型是已经基于样本数据进行半监督学习后得到的模型，训练后得到的白平衡调节模型可存储在终端设备中。
需要说明的是，在本申请实施例中，可由终端设备执行白平衡调节模型的训练过程；或者，也可以由与终端设备不同的另一电子设备执行白平衡调节模型的训练过程，终端设备仅存储已经训练好的白平衡调节模型。示例性的，可以在个人计算机或者云端服务器等具有较高计算能力的电子设备中对待训练的白平衡调节模型进行训练，再将训练好的白平衡调节模型存储至终端设备中。
终端设备可包括摄像模组，该摄像模组可用于拍摄需要进行白平衡调节的目标图像。或者，终端设备也可通过网络下载、通信传输等方式获取需要进行白平衡调节的目标图像，具体不做限定。终端设备可以在获取到需要进行白平衡调节的目标图像后，将目标图像输入至白平衡调节模型。
120、通过白平衡调节模型对目标图像进行处理，得到与目标图像对应的目标白平衡参数。
从前述半监督学习的说明可知，在本申请实施例中，白平衡调节模型可基于在半监督学习的训练过程中学习到的图像特征与白平衡参数之间的关系确定出与目标图像对应的目标白平衡参数。示例性的，白平衡调节模型可表示为函数F(x)，x为自变量。半监督学习的目标可为确定出上述的F(x)。对于任意一帧输入的目标图像I，白平衡调节模型对目标图像I进行处理得到目标白平衡参数F(I)。示例性的，白平衡调节模型输出的目标白平衡参数可入上述的自动白平衡增益所示，AWB Gain＝[RGain，GGain，BGain]。
130、利用目标白平衡参数对目标图像进行白平衡调节。
在本申请实施例中，终端设备可利用目标白平衡参数对目标图像的红、绿、蓝三色进行调整，以调整目标图像的白平衡，减少目标图像中的色差。
在本申请实施例中，白平衡调节模型是基于半监督学习训练得到的。半监督学习是一种端到端的训练方法，因此，在对目标图像进行图像处理时，也无需进行人工特征的设计。将目标图像输入至训练好的白平衡调节模型，即可获得准确的目标白平衡参数，从而可以减少由于人工特征设计复杂而导致在部分应用场景中白平衡调节效果不佳的问题，有利于提高白平衡调节的准确性。
白平衡调节模型的训练过程对目标白平衡参数的准确性具有重要影响。本申请实施例公开还公开一种白平衡调节模型的训练方法。请参阅图2，图2是本申请实施例公开的一种白平衡调节模型的训练方法的流程示意图。前述实施例中的白平衡模型可以是通过图2所示的训练方法得到的。该训练法方法可适用于前述的终端设备或者电子设备，具体不做限定。为了便于描述，以下内容以电子设备执行训练过程为例进行说明。如图2所示，该方法可包括以下步骤：
210、从样本数据中选取出第一样本图像和第二样本图像输入至待训练的白平衡调节模型。
在本申请实施例中，第一样本图像和第二样本图像可以是样本数据中的任意两帧样本图像，可包括以下四种组合：1.第一样本图像为带标签的已标记样本图像，第二样本图像为不带标签的未标记样本图像；2.第一样本图像为不带标签的未标记样本图像，第二样本图像为带标签的已标记样本图像；3.第一样本图像和第二样本图像均为带标签的已标记样本图像；4.第一样本图像和第二样本图像均为不带标签的未标记样本图像。
步骤210中输入至待训练的白平衡调节模型中的第一样本图像和第二样本图像可以为上述四种组合中的任意一种，本申请实施例不做限定。在接收到第一样本图像和第二样本图像之后，待训练的白平衡调节模型可分别对第一样本图像和第二样本图像进行处理，待训练的白平衡调节模型可输出相应的处理结果。
220、通过待训练的白平衡调节模型计算第一样本图像及第二样本图像之间的无监督损失。
在本申请实施例中，步骤220可为对待训练的白平衡调节模型进行无监督学习的部分流程。上述的无监督损失(Lossunlabel)是在利用样本数据对待训练的白平衡调节模型进行无监督学习时计算得到的无监督损失函数的值。此外，无监督学习的训练过程中，可以不需要样本图像的标签。因此，未标记样本图像和已标记样本图像均可用于对待训练的白平衡调节模型进行无监督学习训练。即，当第一样本图像和第二样本图像可以为上述四种组合中的任意一种时，电子设备均可执行步骤220。
230、若第一样本图像携带有第一标签，则通过待训练的白平衡调节模型根据第一样本图像携带的第一标签计算第一样本图像对应的第一监督损失。
240、若第二样本图像携带有第二标签，则通过待训练的白平衡调节模型根据第二样本图像携带的第二标签计算第二样本图像对应的第二监督损失。
在本申请实施例中，上述的步骤220-步骤230可为对待训练的白平衡调节模型进行监督学习的部分流程。上述的监督损失(Losslabel)是利用样本数据对待训练的白平衡调节模型进行监督学习时计算得到的监督损失函数的值。监督学习的训练过程需要样本图像的标签计算监督损失。因此，已标记样本图像可用于对待训练的白平衡调节模型进行监督学习。
即，电子设备可先判断第一样本图像和第二样本图像是否带标签。若第一样本图像为带标签的已标记样本图像，第二样本图像为不带标签的未标记样本图像，则只执行上述步骤230；若第一样本图像为不带标签的未标记样本图像，第二样本图像为带标签的已标记样本图像，则只执行上述步骤240；若第一样本图像和第二样本图像均为带标签的已标记样本图像，则执行上述的步骤230和步骤240。
此外，上述的步骤230-步骤240与步骤220在逻辑上没有必然的先后顺序。示例性的，若第一样本图像为已标记样本图像，则当第一样本图像输入至待训练的白平衡调节模型后，电子设备可同时执行步骤220及步骤230。
可选的，若第一样本图像为不带标签的未标记样本图像，则可确定第一样本图像对应的第一监督损失为0；若第二样本图像为不带标签的未标记样本图像，则可确定第一样本图像对应的第二监督损失为0。也就是说，当输入的样本图像为未标记样本图像时，未标记样本图像对应的监督损失为0。
250、根据无监督损失、第一监督损失及第二监督损失确定目标损失。
在本申请实施例中，针对输入的第一样本图像和第二样本图像，执行步骤220后可得到无监督损失Lossunlabel。若第一样本图像为已标记样本图像，则第一监督损失Losslabel-1是根据第一样本图像的第一标签计算出的；若第一样本图像为未标记样本图像，则第一监督损失Losslabel-1为0。若第二样本图像为已标记样本图像，则第二监督损失Losslabel-2是根据第二样本图像的第二标签计算出的；若第二样本图像为未标记样本图像，则第二监督损失Losslabel-2为0。
在得到无监督损失、第一监督损失和第二监督损失之后，电子设备可对无监督损失、第一监督损失和第二监督损失进行求和等运算，以得到目标损失。
可选的，无监督学习和监督学习可分别对应有加权权重，可根据无监督学习和监督学习分别对应的权重，对无监督学习的无监督损失和监督学习的第一监督损失及第二监督损失进行融合，以得到目标损失。其中，无监督学习和监督学习分别对应的权重可以是基于业务经验得出的。
260、根据目标损失对待训练的白平衡调节模型的参数进行调整。
在本申请实施例中，半监督学习的训练目标可以为最小化目标损失，即不断迭代调节模型中的参数，直至目标损失最小化。可选的，可通过梯度下降方法或者二阶方法对带训练的白平衡调节模型进行更新。示例性的，待训练的白平衡调节模型可表示为函数f(x)，根据目标损失对函数f(x)中的参数w进行迭代调整，直至目标损失最小化。由目标损失最小化时参数w的值构成的函数F(x)可作为前述实施例中基于半监督学习训练得到的白平衡调节模型。
在前述实施例中，可通过半监督学习的方式对待训练的白平衡调节模型进行训练。半监督学习可同时使用带标签和不带标签的样本图像作为训练时使用的样本数据，降低了对带标签的数据集的需求，有利于扩大样本数据的数据规模，有利于训练出输出结果更加准确的白平衡调节模型。
为了更清楚地说明本申请实施例公开的白平衡调节模型的训练方法中对无监督损失、第一监督损失、第二监督损失和目标损失的计算过程，请参阅图3，图3是本申请实施例公开的另一种白平衡调节模型的训练方法的流程示意图。如图3所示，该方法可包括以下步骤：
310、从样本数据中选取出第一样本图像和第二样本图像输入至待训练的白平衡调节模型。
320、通过待训练的白平衡调节模型对第一样本图像进行处理，得到与第一样本图像对应的第一预测白平衡参数，以及，对第二样本图像进行处理，得到与第二样本图像对应的第二预测白平衡参数。
在本申请实施例中，可将每帧样本图像可通过红色分量R、绿色分量G和蓝色分量B表示。示例性的，第一样本图像li＝(Ri,Gi,Bi)、第二样本图像Ij＝(Rj,Gj,Bj)。其中，Ri为第一样本图像的红色分量、Gi为第一样本图像的绿色分量，Bi为第一样本图像的蓝色分量；Rj为第二样本图像的红色分量、Gj为第二样本图像的绿色分量，Bj为第二样本图像的蓝色分量。
待训练的白平衡调节模型可表示为函数f(x)，待训练的白平衡调节模型对第一样本图像li进行处理，可到第一预测白平衡参数f(li)；待训练的白平衡调节模型对第二样本图像lj进行处理，可到第二预测白平衡参数f(lj)。
可选的，上述的步骤320可包括以下步骤：
3210、通过待训练的白平衡调节模型可分别对第一样本图像和第二样本图像进行对数变换，得到与第一样本图像对应的第一对数域图像，以及与第二样本图像对应的第二对数域图像。其中，对数变换可指将样本图像转换至对数域的变换过程，对数变换的实施方式不做限定。
示例性的，第一样本图像li＝(Ri,Gi,Bi)，第二样本图像Ij＝(Rj,Gj,Bj)。
对数变换的实施方式1：
第一对数域图像li’＝(log2(Gi/Ri+eps),log2(Bi/Ri+eps))；
第二对数域图像lj’＝(log2(Gj/Rj+eps),log2(Bj/Rj+eps))；其中，eps＝le-7。
对数变换的实施方式2：
第一对数域图像li’＝(log(Gi/Ri+eps),log(Bi/Ri+eps))；
第二对数域图像lj’＝(log(Gj/Rj+eps),log(Bj/Rj+eps))；其中，eps＝le-7。
对数变换的实施方式3：
第一对数域图像li’＝(log2(Ri/Gi+eps),log2(Ri/Bi+eps))；
第二对数域图像lj’＝(log2(Rj/Gj+eps),log2(Rj/Bj+eps))；其中，eps＝le-7。
3220、通过待训练的白平衡调节模型分别提取第一对数域图像的第一样本图像特征和第二对数域图像的第二样本图像特征。
其中，待训练的白平衡调节模型提取的对数域图像的图像特征，包括但不限于直方图特征、灰度边缘(grey edge)特征。示例性的，可以提取直方图特征，直方图大小为64*64，直方图计算为[-8.0，8.0]，步长为16/64。提取第一对数域图像li’的直方图特征，得到第一直方图特征xi；提取第二对数域图像lj’的直方图特征，得到第二直方图特征xj。其中，第一样本图像特征的特征类型与第二样本图像特征的特征类型相同。
3230、通过待训练的白平衡调节模型对第一样本图像特征进行处理，得到第一预测白平衡参数，对第二样本图像特征进行处理，得到第二预测白平衡参数。示例性的，待训练的白平衡调节模型对第一直方图特征xi进行处理，可到第一预测白平衡参数f(xi)；待训练的白平衡调节模型对第二直方图特征xj进行处理，可到第二预测白平衡参数f(xj)。
在执行步骤320得到第一预测白平衡参数和第二预测白平衡参数之后，可执行下述步骤330-步骤360，以计算无监督损失、第一监督损失、第二监督损失和目标损失。
330、根据第一预测白平衡参数和第二预测白平衡参数的差值计算第一样本图像和第二样本图像之间的无监督损失。
在本申请实施例中，步骤330可为对待训练的白平衡调节模型进行无监督学习的部分流程。在进行无监督学习时，可对第一预测白平衡参数和第二预测白平衡参数的差值进行正则化处理，以得到无监督损失，但不限于此。
可选的，在计算无监督损失时，还可进一步加入用于表征两帧图像之间的光源差异的邻接矩阵，第一样本图像和第二样本图像之间的邻接矩阵的值可与第一样本图像和第二样本图像之间的光源差异呈正相关关系。无监督损失可根据邻接矩阵、以及第一预测白平衡参数和第二预测白平衡参数之间的差值计算得到。
其中，邻接矩阵可根据第一样本图像和第二样本图像分别对应的图像特征向量确定。图像特征可包括直方图特征、灰度边缘(Grey Edge)等，但不限于此。示例性的，邻接矩阵可通过以下公式计算得到：
Figure BDA0002988915570000101
其中，Sij可为第一样本图像和第二样本图像之间的邻接矩阵，M为图像特征向量的长度，Vim为第一样本图像的图像特征向量中的第m个分量，Vjm为第二样本图像的图像特征向量中的第m个分量，m为大于等于1且小于等于M的正整数。
可选的，为了减少过拟合，在计算无监督损失时，还可进一步加入正则化参数，该正则化参数可以为对待训练的白平衡调节模型中的参数进行正则化处理后得到的。示例性的，若w为待训练的白平衡调节模型中的参数，则正则化参数可为||w||^2。即，无监督损失可根据第一预测白平衡参数和第二预测白平衡参数之间的差值，以及正则化参数计算得到。
340、若第一样本图像携带有第一标签，则根据第一预测白平衡参数与第一标签包括的第二参考白平衡参数之间的差值计算第一样本图像的第一监督损失；若第一样本图像为未标记样本图像，则第一监督损失为0。
350、若第二样本图像携带有第二标签，则根据第二预测白平衡参数与第二标签包括的第二参考白平衡参数之间的差值计算第二样本图像的第二监督损失；若第二样本图像为未标记样本图像，则第二监督损失为0。
在本申请实施例中，步骤340-步骤350可为对待训练的白平衡调节模型进行监督学习的部分流程。
示例性的，若第一样本图像携带有第一标签，则第一监督损失可通过以下公式计算得到：
Losslabel-1＝||f(xi)-Ci||^2 公式(2)；
其中，Losslabel-1为第一监督损失，Ci为第一标签包括的第一参考白平衡参数。
若第一样本图像为未标记样本图像，则第一监督损失Losslabel-1＝0。
若第二样本图像携带有第二标签，则第二监督损失可通过以下公式计算得到：
Losslabel-2＝||f(xj)-Cj||^2 公式(3)；
其中，Losslabel-2为第二监督损失，Cj为第二标签包括的第二参考白平衡参数。
若第二样本图像为未标记样本图像，则第二监督损失Losslabel-1＝0。
360、根据无监督损失、第一监督损失及第二监督损失确定目标损失。
在本申请实施例中，可对无监督损失及监督损失进行加权求和，以得到目标损失。即，可根据无监督学习对应的第三权重以及监督学习对应的第四权重，对通过无监督学习得到的无监督损失和通过监督学习得到的第一监督损失及第二监督损失进行加权和计算，得到目标损失。
示例性的，目标损失可通过以下公式计算得到：
Loss＝Losslabel+λ*Lossunlabel 公式(4)；
其中，Loss为目标损失，Losslabel为监督学习的监督损失，包括第一样本图像对应的第一监督损失Losslabel-1，以及第二样本图像对应的第二监督损失Lossklabel-2；Lossunlable为无监督损失，λ为用于调节监督学习和无监督学习比重的超参数，取值可为0.01，但不限于此。
370、根据目标损失对待训练的白平衡调节模型的参数进行调整。
可见，对待训练的白平衡调节模型进行半监督学习的训练过程可包括：基于已标记样本图像进行的监督学习过程；以及，基于已标记图像以及未标记图像进行的无监督学习过程。在本申请实施例公开的半监督学习方法可以是一种基于标签传播算法(LabelPropagation Algorithm)的半监督学习方法，在训练过程中，可以通过包括白平衡参数的标签在已标记样本图像和未标记样本图像中的流动，使得白平衡调节模型自动学习到样本图像与白平衡参数之间的关联。
在一个实施例中，白平衡调节模型可包括至少两个全连接层，每个全连接层均可对输入至待训练的白平衡调节模型的样本图像进行处理。以下内容对白平衡调节模型包括至少两个全连接层时，基于该模型的图像处理方法和对该模型进行训练的训练方法进行说明。
首先，介绍基于包括至少两个全连接层的白平衡调节模型进行图像处理的方法。请参阅图4，图4是本申请实施例公开的另一种图像处理方法的流程示意图，该方法可适用于如前述的终端设备。如图4所示，该方法可包括：
410、将目标图像输入至白平衡调节模型。
在本申请实施例中，输入至白平衡调节模型的目标图像可以为图像红、绿、蓝三原色的统计信息。示例性的，目标图像I＝(RI，GI，BI)；其中，RI为目标图像的红色分量，GI为目标图像的绿色分量，BI为目标图像的蓝色分量。
420、通过白平衡调节模型对目标图像进行对数变换，得到对数域目标图像，并提取对数域目标图像的图像特征。
在本申请实施例中，白平衡调节模型对目标图像进行对数变换的实施方式可参见前述实施例中对数变换的实施方式1-3中的任意一项。在获得对数域目标图像后，终端设备可提取目标图像的直方图特征、灰度边缘特征等图像特征。示例性的，可将目标图像I转换至Log域，得到对数域目标图像I’，并提取对数域目标图像I’的直方图特征xI。
430、通过第一全连接层和第二全连接层分别对对数域目标图像的图像特征进行计算，得到第一全连接层输出的第一目标参数以及第二全连接层输出的第二目标参数。
示例性的，第一全连接层可表示为F1(x)，第二全连接层可表示为F2(x)。第一全连接层输出的第一目标参数可为F1(xI)，第二全连接层输出的第二目标参数可为F2(xI)。
440、根据第一目标参数对应的第一权重和第二目标参数对应的第二权重对第一目标参数和第二目标参数进行融合，融合后得到第三目标参数。
在本申请实施例中，第一权重和第二权重和第二权重可以为预先设定的超参数，可以业务经验得出。其中，第一权重和第二权重可以为任意两个和为1的正数，本申请实施例不做限定。示例性的，第三目标参数可通过以下公式计算得出：
F(x)＝0.4*F1(xI)+0.6*F2(xI) 公式(5)；
其中，F(x)可为第三目标参数，第一权重可为0.4；第二权重可为0.6。
450、对第三目标参数进行幂变换，得到与目标图像对应的目标白平衡参数。
在本申请实施例中，由于先将目标图像转换至对数域，再提取并处理对数域目标图像的图像特征。因此，在融合全连接层输出的目标参数得到第三目标参数之后，可以对第三目标参数进行幂变换，以将第三目标参数转换为可直接应用于目标图像的目标白平衡参数。
示例性的，若通过前述的对数变换实施方式1将目标图像转换Log域，则可通过以下公式对第三目标参数进行幂变换，以得到目标白平衡参数：
AWB Gain＝[2-F(x)[0],1.0,2-F(x)[1]] 公式(6)；
其中，AWB Gain为目标白平衡参数，目标图像对应的红色增益为2-F(x)[0]，对应的绿色增益为1.0，对应的蓝色增益为2-F(x)[1]。
460、利用目标白平衡参数对目标图像进行白平衡调节。
在本申请实施例中，基于包括至少两层全连接层的白平衡调节模型，可增加白平衡调节模型的深度，有利于提高白平衡调节模型生成的目标白平衡参数的准确性，从而提高白平衡调节的准确性。
以下内容介绍对包括至少两个全连接层的白平衡调节模型进行训练的方法。图4所示的图像处理方法包括的白平衡调节模型，可以通过图5所示的白平衡调节模型的训练方法训练得到。如图5所示，该白平衡调节模型的训练方法，可包括以下步骤：
510、从样本数据中选取出第一样本图像和第二样本图像输入至待训练的白平衡调节模型。
520、通过第一全连接层和第二全连接层分别对第一样本图像进行处理，得到第一全连接层输出的第一预测子参数，以及第二全连接层输出的第二预测子参数；通过第一全连接层和第二全连接层分别对第二样本图像进行处理，得到第一全连接层输出的第三预测子参数，以及第二全连接层输出的第四预测子参数。
可选的，在执行步骤520之前，可先对第一样本图像和第二样本图像进行对数变换，得到第一样本图像对应的第一对数域图像，以及第二样本图像对应的第二对数域图像。对数变换的实施方式可为前述实施例中的任意一种，具体不做限定。得到第一对数域图像和第二对数域图像之后，提取第一对数域图像的第一样本图像特征，以及第二对数域图的第二样本图像特征。在步骤520中，第一全连接层和第二全连接层可分别对第一样本图像特征进行处理，以得到上述的第一预测子参数和第二预测子参数；以及，第一全连接层和第二全连接层可分别对第二样本图像特征进行处理，以得到上述的第三预测子参数和第四预测子参数。
示例性的，第一全连接层可表示为函数f1(x)，第二全连接层可表示为函数f2(x)。将第一样本图像li和第二样本图像lj分别转换至Log域，得到第一对数域图像li’和第二对数域图像lj’。提取第一对数域图像li’的第一直方图特征xi，并提取第二对数域图像lj’的第二直方图特征xj。第一全连接层对第一直方图特征xi进行处理，可到第一预测白平衡参数f1(xi)；第二全连接层对第一直方图特征xi进行处理，可到第二预测白平衡参数f2(xi)。第一全连接层对第二直方图特征xj进行处理，可到第三预测参数f1(xj)；第二全连接层对第二直方图特征xj进行处理，可到第四预测参数f2(xj)。
在执行步骤520之后，可通过执行下述的步骤530进行无监督学习。
530、根据第一预测子参数和第三预测子参数之间的差值，以及第二预测子参数和第四预测子参数之间的差值计算第一样本图像和第二样本图像之间的无监督损失。
在本申请实施例中，针对每一全连接层，可计算该层连接层对第一样本图像和第二样本图像进行处理后输出的预测子参数的差值，以得到各个全连接层分别对应的预测子参数的差值；对各个全连接层分别对应的预测子参数的差值进行求和，可得到第一样本图像和第二样本图像之间的无监督损失。
即，可根据上述第一预测子参数和第三预测子参数的差值，以及第二预测子参数和第四预测子参数的差值计算第一样本图像和第二样本图像之间的无监督损失。
可选的，在计算无监督损失时，还可进一步加入用于表征两帧图像之间的光源差异的邻接矩阵。与至少两个全连接层相对应的，可根据至少两种不同类型的图像特征的特征向量，计算第一样本图像和第二样本图像之间的邻接矩阵，每一类图像特征可对应一个邻接矩阵。
也就是说，可根据第一样本图像和第二样本图像分别对应的第一特征向量计算第一样本和第二样本图像的第一邻接矩阵；以及，根据第一样本图像和第二样本图像分别对应的第二特征向量计算第一样本和第二样本图像的第二邻接矩阵。示例性的，请参阅图6，图6是本申请实施例公开的一种邻接矩阵计算方法的示意图。如图6所示：
针对第一样本图像li：第一样本图像li经过对数变换后得到第一对数域图像li’。分别提取第一对数域图像li’的第一直方图特征向量，以及提取第一对数域图像li’的第一灰度边缘特征向量。
针对第二样本图像lj：第二样本图像lj经过对数变换后得到第二对数域图像lj’。分别提取第二对数域图像lj’的第二直方图特征向量，以及提取第二对数域图像lj’的第二灰度边缘特征向量。
根据第一直方图特征向量和第二直方图特征向量计算第一邻接矩阵Sij_1，根据第一灰度边缘特征向量和第二灰度边缘特征向量计算第二邻接矩阵Sij_2。
在计算无监督损失时，可根据每一全连接层输出结果的差值与每一邻接矩阵确定每一类图像特征对应的无监督损失，对各类图像特征对应的无监督损失进行求和，得到第一样本图像和第二样本图像之间的无监督损失。
示例性的，无监督损失可通过以下公式计算得出：
Figure BDA0002988915570000141
其中，Lossunlabel为无监督损失，Sij_k可为第一样本图像和第二样本图像的第k个邻接矩阵，fk(xi)可为第k个全连接层对第一直方图特征xi进行处理后输出的预测子参数，fk(xj)可为第k个全连接层对第二直方图特征xj进行处理后输出的预测子参数；k＝1,2。
进一步可选的，在上述的步骤S3中，为了减少过拟合，可以在计算无监督损失时，进一步加入正则化参数，该正则化参数可以为对待训练的白平衡调节模型中的参数进行正则化处理后得到的。即，可根据第一无监督损失和第二无监督损失之间的和值，以及正则化参数计算第一样本图像和第二样本图像之间的无监督损失。
示例性的，无监督损失可通过以下公式计算得出：
Figure BDA0002988915570000151
其中，α可为用于调节正则化权重的超参数，w为待训练的白平衡调节模型中的参数。
以上内容对白平衡调节模型包括至少两个全连接层时，对模型进行无监督学习的过程进行了说明。进一步地，以下内容介绍如何对该模型进行监督学习：在执行上述的步骤S2之后，可通过执行下述的步骤S4和步骤S5进行监督学习。
步骤540、根据第一预测子参数、第二预测子参数以及第一参考白平衡参数计算第一样本图像对应的第一监督损失。
在本申请实施例中，在第一全连接层和第二全连接层分别对第一样本图像进行处理，得到第一预测子参数和第二预测子参数之后，若第一样本图像为未标记样本图像，则可将第一监督损失确定为0，第一监督损失Losslabel-1＝0。
若第一样本图像携带有第一标签，则可执行上述的步骤540根据第一预测子参数与第一标签携带的第一参考白平衡参数之间的差值，以及第二预测子参数与第二参考白平衡参数之间的差值计算第一样本图像对应的第一监督损失。
示例性的，若通过前述实施例中的对数变换的实施方式1将第一样本图像转换成第一对数域图像，则第一监督损失可通过以下公式进行计算：
Figure BDA0002988915570000152
其中，fk(xi)为第k个全连接层对第一直方图特征xi进行处理后输出的预测子参数；第二参考白平衡参数Ci＝(RiGain，GiGain，BiGain)，k＝1,2。其中，RiGain为第一样本图像的红色增益，GiGain为第一样本图像的绿色增益，BiGain为第一样本图像的蓝色增益。
步骤550、根据第三预测子参数、第四预测子参数以及第二参考白平衡参数计算第二样本图像对应的第二监督损失。
在本申请实施例中，在第一全连接层和第二全连接层分别对第二样本图像进行处理，得到第三预测子参数和第四预测子参数之后，若第二样本图像为未标记样本图像，则可将第二监督损失确定为0，第二监督损失Losslabel-1＝0。
若第二样本图像携带有第二标签，则可执行上述的步骤550，根据第三预测子参数与第二标签携带的第二参考白平衡参数之间的差值，以及第四预测子参数与第二参考白平衡参数之间的差值计算第二样本图像对应的第二监督损失。示例性的，若通过前述实施例中的对数变换的实施方式1将第二样本图像转换成第二对数域图像，则第二监督损失可通过以下公式进行计算：
Figure BDA0002988915570000161
其中，Losslabel-2可为第二监督损失，第二参考白平衡参数Cj＝(RjGain，GjGain，BjGain)；k＝1,2。其中，RjGajn为第二样本图像的红色增益，GjGajn为第二样本图像的绿色增益，BjGajn为第二样本图像的蓝色增益。
步骤530-步骤540对白平衡调节模型包括至少两个全连接层时的监督学习过程进行了说明。在执行无监督学习包括的步骤520，得到无监督损失；以及，执行监督学习包括的步骤530-步骤540，得到第一监督损失和第二监督损失之后，可执行下述步骤550和步骤560。
550、根据无监督损失、第一监督损失及第二监督损失确定目标损失。
560、根据目标损失对待训练的白平衡调节模型的参数进行调整。
在本申请实施例中，步骤550和步骤560的实施方式可参见前述实施例，以下内容不再赘述。
可见，在前述实施例中，待训练的白平衡调节模型可为浅层的人工神经网络，可包括两个全连接层。浅层的神经网络有利于减少训练时所需的计算量，有利于在智能手机等计算能力有限的移动终端上实现模型训练，降低白平衡调节模型训练时所需的技术门槛，有利于扩大白平衡调节模型的应用范围。结合半监督学习的训练方法，可以利用较少的数据采集工作量和训练计算量训练得到较为准确的白平衡调节模型。
在一个实施例中，待训练的白平衡调节模型包括的全连接层数量可大于2。例如，可包括N个全连接层，N为大于或等于2的正整数。当模型中包括N个全连接层时，无监督损失可通过上述的公式(8)进行计算，第一监督损失可通过上述的公式(9)进行计算，第二监督损失可通过上述的公式(10)进行计算，并且，在计算上述的公式(8)-(10)时，k＝1,2……N。
请参阅图7，图7是本申请实施例公开的一种图像处理装置的结构示意图。该图像处理装置可适用于前述的终端设备，如图7所示，图像处理装置700可包括：获取模块710和调节模块720。
获取模块710，用于将目标图像输入至白平衡调节模型，并通过白平衡调节模型对目标图像进行处理，得到与目标图像对应的目标白平衡参数，其中，白平衡调节模型是基于样本数据进行半监督学习得到的，样本数据包括带标签的已标记样本图像和不带标签的未标记样本图像，标签包括白平衡参数；
调节模块720，用于利用目标白平衡参数对目标图像进行白平衡调节。
在一个实施例中，白平衡调节模型至少可包括：第一全连接层和第二全连接层。
获取模块710，还可用于在白平衡调节模型中，通过第一全连接层和第二全连接层分别对目标图像进行处理，得到第一全连接层输出的第一目标参数以及第二全连接层输出的第二目标参数；以及，
对第一目标参数和第二目标参数进行融合，得到与目标图像对应的目标白平衡参数。
在一个实施例中，获取模块710，还可用于在通过第一全连接层和第二全连接层分别对目标图像进行处理之前，通过白平衡调节模型对目标图像进行对数变换，得到对数域目标图像，并提取对数域目标图像的图像特征；以及，
通过第一全连接层和第二全连接层分别对对数域目标图像的图像特征进行计算，得到第一全连接层输出的第一目标参数以及第二全连接层输出的第二目标参数。
在一个实施例中，获取模块710，还可用于根据第一目标参数对应的第一权重和第二目标参数对应的第二权重对第一目标参数和第二目标参数进行加权和计算，得到第三目标参数；以及，对第三目标参数进行幂变换，得到与目标图像对应的目标白平衡参数。
在一个实施例中，图像处理装置700还可包括：训练模块。
训练模块，用于在获取模块710将目标图像输入至白平衡调节模型，并通过白平衡调节模型对目标图像进行处理，得到与目标图像对应的目标白平衡参数之前，从样本数据中选取出第一样本图像和第二样本图像输入至待训练的白平衡调节模型；以及，通过待训练的白平衡调节模型计算第一样本图像及第二样本图像之间的无监督损失；以及，在第一样本图像携带有第一标签时，通过待训练的白平衡调节模型根据第一样本图像携带的第一标签计算第一样本图像对应的第一监督损失；以及，在第二样本图像携带有第二标签时，通过待训练的白平衡调节模型根据第二样本图像携带的第二标签计算第二样本图像对应的第二监督损失；以及，根据无监督损失、第一监督损失及第二监督损失确定目标损失，并根据目标损失对待训练的白平衡调节模型的参数进行调整。
在前述的实施例中，图像处理装置700可通过经过半监督学习后得到的白平衡调节模型获取准确的目标白平衡参数。半监督学习是一种端到端的训练方法，因此，在对目标图像进行图像处理时，图像处理装置700也无需进行人工特征的设计。图像处理装置700将目标图像输入至训练好的白平衡调节模型，即可获得准确的目标白平衡参数，从而可以减少由于人工特征设计复杂而导致在部分应用场景中白平衡调节效果不佳的问题，有利于提高白平衡调节的准确性。
请参阅图8，图8是本申请实施例公开的一种白平衡调节模型的训练装置的结构示意图。该图像处理装置可适用于前述的终端设备；或者，可适用于与运算能力高于终端设备的另一电子设备。如图8所示，白平衡调节模型的训练装置800可包括：输入模块810、无监督学习模块820、监督学习模块830、参数调整模块840。
输入模块810，用于从样本数据中选取出第一样本图像和第二样本图像输入至待训练的白平衡调节模型；样本数据包括带标签的已标记样本图像和不带标签的未标记样本图像，标签包括白平衡参数；
无监督学习模块820，用于通过待训练的白平衡调节模型计算第一样本图像及第二样本图像之间的无监督损失；
监督学习模块830，用于在第一样本图像携带有第一标签时，通过待训练的白平衡调节模型根据第一样本图像携带的第一标签计算第一样本图像对应的第一监督损失；以及，在第二样本图像携带有第二标签时，通过待训练的白平衡调节模型根据第二样本图像携带的第二标签计算第二样本图像对应的第二监督损失；
参数调整模块840，用于根据无监督损失、第一监督损失及第二监督损失确定目标损失，并根据目标损失对待训练的白平衡调节模型的参数进行调整。
在一个实施例中，监督学习模块830，还可用于在数调整模块840根据无监督损失、第一监督损失及第二监督损失确定目标损失之前，在第一样本图像为不带标签的未标记样本图像时，确定第一样本图像对应的第一监督损失为0；以及，在第二样本图像为不带标签的未标记样本图像时，确定第一样本图像对应的第二监督损失为0。
在一个实施例中，图像处理装置800还可包括：预测模块。
预测模块，用于通过待训练的白平衡调节模型分别对第一样本图像和第二样本图像进行处理，得到第一样本图像对应的第一预测白平衡参数，以及第二样本图像对应的第二预测白平衡参数；
上述的无监督学习模块820，还用于根据第一预测白平衡参数和第二预测白平衡参数的差值计算第一样本图像和第二样本图像之间的无监督损失；
上述的监督学习模块830，还用于在第一样本图像携带有第一标签时，根据第一预测白平衡参数以及第一标签包括的第二参考白平衡参数之间的差值计算第一样本图像对应的第一监督损失；以及，在第二样本图像携带有第二标签时，根据第二预测白平衡参数以及第二标签包括的第二参考白平衡参数之间的差值计算第二样本图像对应的第二监督损失。
可选的，上述的无监督学习模块820，还可根据第一预测白平衡参数和第二预测白平衡参数的差值，以及正则化参数计算第一样本图像和第二样本图像之间的无监督损失，正则化参数是对待训练的白平衡调节模型中的参数进行正则化处理后得到的。
在一个实施例中，待训练的白平衡调节模型至少可包括：第一全连接层和第二全连接层。
上述的预测模块，可用于通过第一全连接层和第二全连接层分别对第一样本图像进行处理，得到第一全连接层输出的第一预测子参数和第二全连接层输出的第一预测子参数；第一预测白平衡参数包括第一预测子参数和第二预测子参数；以及，
通过第一全连接层和第二全连接层分别对第一样本图像进行处理，得到第一全连接层输出的第三预测子参数和第二全连接层输出的第四预测子参数；第二预测白平衡参数包括第三预测子参数和第四预测子参数。
在一个实施例中，上述的无监督学习模块820，还可用于根据第一样本图像和第二样本图像分别对应的图像特征向量确定第一样本图像和第二样本图像的邻接矩阵；邻接矩阵的值与第一样本图像和第二样本图像之间的光源差异呈正相关关系；以及，根据邻接矩阵、第一预测白平衡参数和第二预测白平衡参数的差值计算第一样本图像和第二样本图像之间的无监督损失。
在一个实施例中，上述的图像特征可至少包括：第一特征向量和第二特征向量，第一特征向量和第二特征向量分别属于不同类型的图像特征；
上述的无监督学习模块820，还可用于根据第一样本图像和第二样本图像分别对应的第一特征向量计算第一样本图像和第二样本图像的第一邻接矩阵；以及，根据第一样本图像和第二样本图像分别对应的第二特征向量计算第一样本图像和第二样本图像的第二邻接矩阵；以及，
根据第一邻接矩阵、第一预测子参数和第三预测子参数的差值确定第一类图像特征对应的第一无监督损失；以及，根据第二邻接矩阵、第二预测子参数和第四预测子参数的差值确定第二类图像特征对应的第二无监督损失；以及，
根据第一无监督损失和第二无监督损失之间的和值计算第一样本图像和第二样本图像之间的无监督损失。
在一个实施例中，上述的预测模块，还可用于通过待训练的白平衡调节模型分别对第一样本图像和第二样本图像进行对数变换，得到与第一样本图像对应的第一对数域图像，以及第二样本图像对应的第二对数域图像；以及，
通过待训练的白平衡调节模型分别提取第一对数域图像的第一样本图像特征和第二对数域图像的第二样本图像特征；以及，
通过待训练的白平衡调节模型分别对第一样本图像特征和第二样本图像特征进行处理，得到第一样本图像对应的第一预测白平衡参数，以及与第二样本图像对应的第二预测白平衡参数。
在一个实施例中，上述的参数调整模块840，还可用于根据无监督学习对应的第三权重以及监督学习对应的第四权重，对通过无监督学习得到的无监督损失和通过监督学习得到的第一监督损失及第二监督损失进行加权和计算，得到目标损失。
在前述实施例中，白平衡调节模型的训练装置800可同时使用带标签和不带标签的样本图像作为训练时使用的样本数据，降低了对带标签的数据集的需求，有利于扩大样本数据的数据规模，有利于训练出输出结果更加准确的白平衡调节模型。
请参阅图9，图9是本申请实施例公开的一种移动终端的结构示意图。如图9所示，该移动终端900可以包括：
存储有可执行程序代码的存储器910；
与存储器910耦合的处理器920；
其中，处理器920调用存储器910中存储的可执行程序代码，执行本申请实施例公开的任意一种图像处理方法。
需要说明的是，图9所示的移动终端还可以包括电源、输入按键、摄像头、扬声器、屏幕、RF电路、Wi-Fi模块、蓝牙模块、传感器等未显示的组件，本实施例不作赘述。
请参阅图10，图10是本申请实施例公开的一种电子设备的结构示意图。如图10所示，该电子设备1000可以包括：
存储有可执行程序代码的存储器1010；
与存储器1010耦合的处理器1020；
其中，处理器1020调用存储器1010中存储的可执行程序代码，执行本申请实施例公开的任意一种白平衡调节模型的训练方法。
本申请实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序被处理器执行时实现本申请实施例公开的任意一种图像处理方法。
本申请实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序被处理器执行时实现本申请实施例公开的任意一种白平衡调节模型的训练方法。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定特征、结构或特性可以以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在本申请的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物单元，即可位于一个地方，或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可获取的存储器中。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或者该技术方案的全部或者部分，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器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本申请的各个实施例上述方法的部分或全部步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本申请实施例公开的一种图像处理方法、装置、终端设备以及计算机存储介质，以及一种白平衡调节模型的训练方法、装置、电子设备及计算机存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。

Claims (20)

1.一种图像处理方法，其特征在于，所述方法包括：
将目标图像输入至白平衡调节模型，并通过所述白平衡调节模型对所述目标图像进行处理，得到与所述目标图像对应的目标白平衡参数，其中，所述白平衡调节模型是基于样本数据进行半监督学习得到的，所述样本数据包括带标签的已标记样本图像和不带标签的未标记样本图像，所述标签包括白平衡参数；
利用所述目标白平衡参数对所述目标图像进行白平衡调节。
2.根据权利要求1所述的方法，其特征在于，所述白平衡调节模型至少包括：第一全连接层和第二全连接层；以及，所述通过所述白平衡调节模型对所述目标图像进行处理，得到与所述目标图像对应的目标白平衡参数，包括：
在所述白平衡调节模型中，通过所述第一全连接层和所述第二全连接层分别对所述目标图像进行处理，得到所述第一全连接层输出的第一目标参数以及所述第二全连接层输出的第二目标参数；
对所述第一目标参数和所述第二目标参数进行融合，得到与所述目标图像对应的目标白平衡参数。
3.根据权利要求2所述的方法，其特征在于，在所述通过所述第一全连接层和所述第二全连接层分别对所述目标图像进行处理之前，所述方法还包括：
通过所述白平衡调节模型对所述目标图像进行对数变换，得到对数域目标图像，并提取所述对数域目标图像的图像特征；
以及，所述通过所述第一全连接层和所述第二全连接层分别对所述目标图像进行处理，得到所述第一全连接层输出的第一目标参数以及所述第二全连接层输出的第二目标参数，包括：
通过所述第一全连接层和所述第二全连接层分别对所述对数域目标图像的图像特征进行处理，得到所述第一全连接层输出的第一目标参数以及所述第二全连接层输出的第二目标参数。
4.根据权利要求3所述的方法，其特征在于，所述对所述第一目标参数和所述第二目标参数进行融合，得到与所述目标图像对应的目标白平衡参数，包括：
根据所述第一目标参数对应的第一权重和所述第二目标参数对应的第二权重对所述第一目标参数和所述第二目标参数进行加权和计算，得到第三目标参数；
对所述第三目标参数进行幂变换，得到与所述目标图像对应的目标白平衡参数。
5.根据权利要求1-4任一项所述的方法，其特征在于，在所述将目标图像输入至白平衡调节模型，并通过所述白平衡调节模型对所述目标图像进行处理，得到与所述目标图像对应的目标白平衡参数之前，所述方法还包括：
从样本数据中选取出第一样本图像和第二样本图像输入至待训练的白平衡调节模型；
通过所述待训练的白平衡调节模型计算所述第一样本图像及第二样本图像之间的无监督损失；
若所述第一样本图像携带有第一标签，则通过所述待训练的白平衡调节模型根据所述第一样本图像携带的第一标签计算所述第一样本图像对应的第一监督损失；
若所述第二样本图像携带有第二标签，则通过所述待训练的白平衡调节模型根据所述第二样本图像携带的第二标签计算所述第二样本图像对应的第二监督损失；
根据所述无监督损失、第一监督损失及第二监督损失确定目标损失，并根据所述目标损失对所述待训练的白平衡调节模型的参数进行调整。
6.一种白平衡调节模型的训练方法，其特征在于，所述方法包括：
从样本数据中选取出第一样本图像和第二样本图像输入至待训练的白平衡调节模型；所述样本数据包括带标签的已标记样本图像和不带标签的未标记样本图像，所述标签包括白平衡参数；
通过所述待训练的白平衡调节模型计算所述第一样本图像及第二样本图像之间的无监督损失；
若所述第一样本图像携带有第一标签，则通过所述待训练的白平衡调节模型根据所述第一样本图像携带的第一标签计算所述第一样本图像对应的第一监督损失；
若所述第二样本图像携带有第二标签，则通过所述待训练的白平衡调节模型根据所述第二样本图像携带的第二标签计算所述第二样本图像对应的第二监督损失；
根据所述无监督损失、第一监督损失及第二监督损失确定目标损失，并根据所述目标损失对所述待训练的白平衡调节模型的参数进行调整。
7.根据权利要求6所述的方法，其特征在于，在所述根据所述无监督损失、第一监督损失及第二监督损失确定目标损失，并根据所述目标损失对所述待训练的白平衡调节模型的参数进行调整之前，所述方法包括：
若所述第一样本图像为不带标签的未标记样本图像，则确定所述第一样本图像对应的第一监督损失为0；
若所述第二样本图像为不带标签的未标记样本图像，则确定所述第一样本图像对应的第二监督损失为0。
8.根据权利要求6所述的方法，其特征在于，在通过所述待训练的白平衡调节模型计算所述第一样本图像及第二样本图像之间的无监督损失之前，所述方法还包括：
通过所述待训练的白平衡调节模型分别对所述第一样本图像和所述第二样本图像进行处理，得到所述第一样本图像对应的第一预测白平衡参数，以及所述第二样本图像对应的第二预测白平衡参数；
以及，所述通过所述待训练的白平衡调节模型计算所述第一样本图像及第二样本图像之间的无监督损失，包括：
根据所述第一预测白平衡参数和所述第二预测白平衡参数的差值计算所述第一样本图像和所述第二样本图像之间的无监督损失；
以及，所述若所述第一样本图像携带有第一标签，则通过所述待训练的白平衡调节模型根据所述第一样本图像携带的第一标签计算所述第一样本图像对应的第一监督损失，包括：
若所述第一样本图像携带有第一标签，则根据所述第一预测白平衡参数以及所述第一标签包括的第一参考白平衡参数之间的差值计算所述第一样本图像对应的第一监督损失；
以及，所述若所述第二样本图像携带有第二标签，则通过所述待训练的白平衡调节模型根据所述第二样本图像携带的第二标签计算所述第二样本图像对应的第二监督损失，包括：
若所述第二样本图像携带有第二标签，则根据所述第二预测白平衡参数以及所述第二标签包括的第二参考白平衡参数之间的差值计算所述第二样本图像对应的第二监督损失。
9.根据权利要求8所述的方法，其特征在于，所述待训练的白平衡调节模型至少包括：第一全连接层和第二全连接层；
通过所述待训练的白平衡调节模型分别对所述第一样本图像和所述第二样本图像进行处理，得到所述第一样本图像对应的第一预测白平衡参数，以及与所述第二样本图像对应的第二预测白平衡参数，包括：
通过所述第一全连接层和所述第二全连接层分别对所述第一样本图像进行处理，得到所述第一全连接层输出的第一预测子参数和所述第二全连接层输出的第一预测子参数；所述第一预测白平衡参数包括所述第一预测子参数和所述第二预测子参数；
通过所述第一全连接层和所述第二全连接层分别对所述第一样本图像进行处理，得到所述第一全连接层输出的第三预测子参数和所述第二全连接层输出的第四预测子参数；所述第二预测白平衡参数包括所述第三预测子参数和所述第四预测子参数。
10.根据权利要求9所述的方法，其特征在于，所述根据所述第一预测白平衡参数和所述第二预测白平衡参数的差值计算所述第一样本图像和所述第二样本图像之间的无监督损失，包括：
根据所述第一样本图像和所述第二样本图像分别对应的图像特征向量确定所述第一样本图像和所述第二样本图像的邻接矩阵；所述邻接矩阵的值与所述第一样本图像和所述第二样本图像之间的光源差异呈正相关关系；
根据所述邻接矩阵、所述第一预测白平衡参数和所述第二预测白平衡参数的差值计算所述第一样本图像和所述第二样本图像之间的无监督损失。
11.根据权利要求10所述的方法，其特征在于，所述图像特征向量至少包括：第一特征向量和第二特征向量，所述第一特征向量和第二特征向量分别属于不同类型的图像特征；
以及，所述根据所述第一样本图像和所述第二样本图像分别对应的图像特征向量确定所述第一样本图像和所述第二样本图像的邻接矩阵，包括：
根据所述第一样本图像和所述第二样本图像分别对应的所述第一特征向量计算所述第一样本图像和所述第二样本图像的第一邻接矩阵；
根据所述第一样本图像和所述第二样本图像分别对应的所述第二特征向量计算所述第一样本图像和所述第二样本图像的第二邻接矩阵；
以及，所述根据所述邻接矩阵、所述第一预测白平衡参数和所述第二预测白平衡参数的差值计算所述第一样本图像和所述第二样本图像之间的无监督损失，包括：
根据所述第一邻接矩阵、所述第一预测子参数和所述第三预测子参数的差值确定所述第一类图像特征对应的第一无监督损失；
根据所述第二邻接矩阵、所述第二预测子参数和所述第四预测子参数的差值确定所述第二类图像特征对应的第二无监督损失；
根据所述第一无监督损失和所述第二无监督损失之间的和值计算所述第一样本图像和所述第二样本图像之间的无监督损失。
12.根据权利要求8所述的方法，其特征在于，在所述通过所述待训练的白平衡调节模型分别对所述第一样本图像和所述第二样本图像进行处理，得到所述第一样本图像对应的第一预测白平衡参数，以及与所述第二样本图像对应的第二预测白平衡参数之前，所述方法还包括：
通过所述待训练的白平衡调节模型分别对所述第一样本图像和第二样本图像进行对数变换，得到与所述第一样本图像对应的第一对数域图像，以及所述第二样本图像对应的第二对数域图像；
通过所述待训练的白平衡调节模型分别提取所述第一对数域图像的第一样本图像特征和所述第二对数域图像的第二样本图像特征；
以及，所述通过所述待训练的白平衡调节模型分别对所述第一样本图像和所述第二样本图像进行处理，包括：
通过所述待训练的白平衡调节模型分别对所述第一样本图像特征和所述第二样本图像特征进行处理，得到所述第一样本图像对应的第一预测白平衡参数，以及与所述第二样本图像对应的第二预测白平衡参数。
13.根据权利要求8所述的方法，其特征在于，所述根据所述第一预测白平衡参数和所述第二预测白平衡参数的差值计算所述第一样本图像和所述第二样本图像之间的无监督损失，包括：
根据所述第一预测白平衡参数和所述第二预测白平衡参数的差值，以及正则化参数计算所述第一样本图像和所述第二样本图像之间的无监督损失，所述正则化参数是对所述待训练的白平衡调节模型中的参数进行正则化处理后得到的。
14.根据权利要求6-13任一项所述的方法，其特征在于，所述根据所述无监督损失、第一监督损失及第二监督损失确定目标损失，包括：
根据无监督学习对应的第三权重以及监督学习对应的第四权重，对通过无监督学习得到的所述无监督损失和通过监督学习得到的所述第一监督损失及所述第二监督损失进行加权和计算，得到目标损失。
15.一种图像处理装置，其特征在于，所述装置包括：
获取模块，用于将目标图像输入至白平衡调节模型，并通过所述白平衡调节模型对所述目标图像进行处理，得到与所述目标图像对应的目标白平衡参数，其中，所述白平衡调节模型是基于样本数据进行半监督学习得到的，所述样本数据包括带标签的已标记样本图像和不带标签的未标记样本图像，所述标签包括白平衡参数；
调节模块，用于利用所述目标白平衡参数对所述目标图像进行白平衡调节。
16.一种白平衡调节模型的训练装置，其特征在于，所述装置包括：
输入模块，用于从样本数据中选取出第一样本图像和第二样本图像输入至待训练的白平衡调节模型；所述样本数据包括带标签的已标记样本图像和不带标签的未标记样本图像，所述标签包括白平衡参数；
无监督学习模块，用于通过所述待训练的白平衡调节模型计算所述第一样本图像及第二样本图像之间的无监督损失；
监督学习模块，用于在所述第一样本图像携带有第一标签时，通过所述待训练的白平衡调节模型根据所述第一样本图像携带的第一标签计算所述第一样本图像对应的第一监督损失；以及，在所述第二样本图像携带有第二标签时，通过所述待训练的白平衡调节模型根据所述第二样本图像携带的第二标签计算所述第二样本图像对应的第二监督损失；
参数调整模块，用于根据所述无监督损失、第一监督损失及第二监督损失确定目标损失，并根据所述目标损失对所述待训练的白平衡调节模型的参数进行调整。
17.一种终端设备，其特征在于，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1至5任一所述的方法。
18.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求6至14任一所述的方法。
19.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一所述的方法。
20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求6至14任一所述的方法。
CN202110309034.9A 2021-03-23 2021-03-23 图像处理方法、装置、电子设备及存储介质 Active CN113052772B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110309034.9A CN113052772B (zh) 2021-03-23 2021-03-23 图像处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110309034.9A CN113052772B (zh) 2021-03-23 2021-03-23 图像处理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113052772A true CN113052772A (zh) 2021-06-29
CN113052772B CN113052772B (zh) 2024-08-20

Family

ID=76514615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110309034.9A Active CN113052772B (zh) 2021-03-23 2021-03-23 图像处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113052772B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116744125A (zh) * 2023-08-14 2023-09-12 北京邮电大学 图像颜色数据处理方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB202008371D0 (en) * 2020-06-03 2020-07-15 King S College London Method and system for joint demosaicking and spectral signature estimation
CN111818318A (zh) * 2020-06-12 2020-10-23 北京阅视智能技术有限责任公司 图像处理器的白平衡调谐方法、装置、设备及存储介质
CN112016591A (zh) * 2020-08-04 2020-12-01 杰创智能科技股份有限公司 一种图像识别模型的训练方法及图像识别方法
CN112399162A (zh) * 2019-08-16 2021-02-23 浙江宇视科技有限公司 一种白平衡校正方法、装置、设备和存储介质
US20210058595A1 (en) * 2018-12-04 2021-02-25 Beijing Dajia Internet Information Technology Co., Ltd. Method, Device, and Storage Medium for Converting Image
US20230177344A1 (en) * 2020-05-28 2023-06-08 Samsung Electronics Co., Ltd. Method and apparatus for semi-supervised learning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210058595A1 (en) * 2018-12-04 2021-02-25 Beijing Dajia Internet Information Technology Co., Ltd. Method, Device, and Storage Medium for Converting Image
CN112399162A (zh) * 2019-08-16 2021-02-23 浙江宇视科技有限公司 一种白平衡校正方法、装置、设备和存储介质
US20230177344A1 (en) * 2020-05-28 2023-06-08 Samsung Electronics Co., Ltd. Method and apparatus for semi-supervised learning
GB202008371D0 (en) * 2020-06-03 2020-07-15 King S College London Method and system for joint demosaicking and spectral signature estimation
CN111818318A (zh) * 2020-06-12 2020-10-23 北京阅视智能技术有限责任公司 图像处理器的白平衡调谐方法、装置、设备及存储介质
CN112016591A (zh) * 2020-08-04 2020-12-01 杰创智能科技股份有限公司 一种图像识别模型的训练方法及图像识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
黄鑫炜: "基于半监督学习的颜色恒常性算法研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 6, 15 June 2018 (2018-06-15), pages 5 - 2 *
黄鑫炜: "基于半监督学习的颜色恒常性算法研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 6, pages 5 - 2 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116744125A (zh) * 2023-08-14 2023-09-12 北京邮电大学 图像颜色数据处理方法、装置、设备及存储介质
CN116744125B (zh) * 2023-08-14 2023-10-24 北京邮电大学 图像颜色数据处理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113052772B (zh) 2024-08-20

Similar Documents

Publication Publication Date Title
CN112651438A (zh) 多类别图像的分类方法、装置、终端设备和存储介质
CN109241880B (zh) 图像处理方法、图像处理装置、计算机可读存储介质
WO2019100724A1 (zh) 训练多标签分类模型的方法和装置
CN109117781B (zh) 多属性识别模型的建立方法、装置及多属性识别方法
CN112116620B (zh) 一种室内图像语义分割与涂装展示的方法
CN112614072B (zh) 一种图像复原方法、装置、图像复原设备及存储介质
CN110991380A (zh) 人体属性识别方法、装置、电子设备以及存储介质
CN112508094A (zh) 垃圾图片的识别方法、装置及设备
CN110717953A (zh) 基于cnn-lstm组合模型的黑白图片的着色方法和系统
US20240311976A1 (en) Image correction model training method and apparatus, image correction method and apparatus, and computer device
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
Yang et al. CNN-based cross-dataset no-reference image quality assessment
CN111539353A (zh) 一种图像场景识别方法及装置、计算机设备以及存储介质
CN112818888A (zh) 视频审核模型训练方法、视频审核方法及相关装置
CN114463223A (zh) 一种图像增强的处理方法、装置、计算机设备及介质
US20210233213A1 (en) Attention-driven image manipulation
CN114170484B (zh) 图片属性预测方法、装置、电子设备和存储介质
CN111814820A (zh) 图像处理方法及装置
CN113052772B (zh) 图像处理方法、装置、电子设备及存储介质
CN111476731B (zh) 图像矫正方法、装置、存储介质及电子设备
CN113283388A (zh) 活体人脸检测模型的训练方法、装置、设备及存储介质
CN110866866B (zh) 图像仿色处理方法、装置、电子设备及存储介质
CN116541712A (zh) 基于非独立同分布数据的联邦建模方法及系统
CN108614845A (zh) 基于媒体文件的行为预估方法和装置
CN113762382B (zh) 模型的训练及场景识别方法、装置、设备及介质

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