CN113658084A - 图像处理方法、装置、存储介质以及电子设备 - Google Patents

Abstract

本发明公开了一种图像处理方法、装置、存储介质以及电子设备。其中，该方法包括：获取第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；利用目标神经网络模型对上述第一图像与上述第二图像进行分析，得到第三图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；基于上述第三图像进行图像适配处理，得到目标图像。本发明解决了相关技术中的图像处理方法，无法保证同一场景内一组图像之间的色彩和曝光的一致性的技术问题。

Description

图像处理方法、装置、存储介质以及电子设备

技术领域

本发明涉及人工智能技术领域，具体而言，涉及一种图像处理方法、装置、存储介质以及电子设备。

背景技术

目前，受限于相机参数设置、拍摄灯光变化等因素，同一组图像会出现色彩和/或曝光不一致的现象，需要用户对每一张色彩和/或曝光不一致的图像进行单独调整，以保证同一组图像保持统一的色彩和曝光，该过程费时又费力。

随着人工智能技术开始逐步进入后期修图的部分流程中，辅助完成包括RAW图转档、风格变换、人脸人体美化等任务，极大提高了修图效率，但仍然需要用户对每一张色彩和/或曝光不一致的图像进行单独调整，当一组图像数量较大时，将大幅提升额外的工作开销。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种图像处理方法、装置、存储介质以及电子设备，以至少解决相关技术中的图像处理方法，无法保证同一场景内一组图像之间的色彩和曝光的一致性的技术问题。

根据本发明实施例的一个方面，提供了一种图像处理方法，包括：获取第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；利用目标神经网络模型对上述第一图像与上述第二图像进行分析，得到第三图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；基于上述第三图像进行图像适配处理，得到目标图像。

根据本发明实施例的另一方面，还提供了另一种图像处理方法，包括：接收来自于客户端的第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；利用目标神经网络模型对上述第一图像与上述第二图像进行分析以得到第三图像，以及基于上述第三图像进行图像适配处理以得到目标图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；将上述目标图像发送至上述客户端。

根据本发明实施例的另一方面，还提供了一种图像处理装置，包括：获取模块，用于获取第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；分析模块，用于利用目标神经网络模型对上述第一图像与上述第二图像进行分析，得到第三图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；处理模块，用于基于上述第三图像进行图像适配处理，得到目标图像。

根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行任意一项上述的图像处理方法。

根据本发明实施例的另一方面，还提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行任意一项上述的图像处理方法。

根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，与上述处理器连接，用于为上述处理器提供处理以下处理步骤的指令：步骤1，获取第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；步骤2，利用目标神经网络模型对上述第一图像与上述第二图像进行分析，得到第三图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；步骤3，基于上述第三图像进行图像适配处理，得到目标图像。

在本发明实施例中，采用图像处理的方式，通过获取第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；利用目标神经网络模型对上述第一图像与上述第二图像进行分析，得到第三图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；基于上述第三图像进行图像适配处理，得到目标图像，达到了保证同一场景内一组图像之间的色彩属性和曝光属性的一致性的目的，从而实现了自动批量调整同一场景内一组图像的色彩属性和曝光属性，提高修图效率的技术效果，进而解决了相关技术中的图像处理方法，无法保证同一场景内一组图像之间的色彩和曝光的一致性的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1示出了一种用于实现图像处理方法的计算机终端（或移动设备）的硬件结构框图；

图2是根据本发明实施例的一种图像处理方法的流程图；

图3是根据本发明实施例的一种可选的图像处理方法的流程图；

图4是根据本发明实施例的另一种可选的图像处理方法的流程图；

图5是根据本发明实施例的一种可选的实现图像处理方法的场景示意图；

图6是根据本发明实施例的另一种可选的图像处理方法的流程图；

图7是根据本发明实施例的一种图像处理方法的流程图；

图8根据本发明实施例的一种图像处理装置的结构示意图；

图9是根据本发明实施例的一种计算机终端的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先，在对本发明实施例进行描述的过程中出现的部分名词或术语适用于如下解释：

注意力机制：用于从众多信息中抽取关键信息的技术，广泛应用于机器翻译，图像生成等领域。

互注意力机制（mutual attention mechanism）：用于对两张图提取的深度特征计算相关性及对应权重。

自注意力机制（self attention mechanism）：来源于 “Attention is all youneed”这个工作，自注意力用于解决机器翻译任务中使用RNN网络在处理长距离依赖却无法并行处理的问题，其通过计算一个句子中每个词与其他词之间的相关关系，帮助模型更好地理解前后文信息。

自编码器（autoencoder）：是深度学习领域的一种人工神经网络结构，包括一个编码器和一个解码器，编码器用于将图像数据进行高效的特征编码，解码器用于将编码压缩后的深层特征重建回原始的图像。

实施例1

根据本发明实施例，提供了一种图像处理的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本发明实施例1所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现图像处理方法的计算机终端（或移动设备）的硬件结构框图。如图1所示，计算机终端10（或移动设备10）可以包括一个或多个（图中采用102a、102b，……，102n来示出）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口（I/O接口）、通用串行总线（USB）端口（可以作为BUS总线的端口中的一个端口被包括）、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10（或移动设备）中的其他元件中的任意一个内。如本发明实施例中所涉及到的，该数据处理电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。

存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的图像处理方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像处理方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器（LCD），该液晶显示器可使得用户能够与计算机终端10（或移动设备）的用户界面进行交互。

此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备（或移动设备）可以包括硬件元件（包括电路）、软件元件（包括存储在计算机可读介质上的计算机代码）、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备（或移动设备）中的部件的类型。

随着数字文化产业的蓬勃发展，人工智能技术开始广泛应用于图像编辑和美化领域。在门槛较高的专业摄影行业，由于图像格式、分辨率、质量标准的特殊要求，人工修图师仍作为该行业的主要生产力，完成后期修图的一系列工作。近几年，人工智能技术开始逐步进入后期修图的部分流程中，辅助完成包括RAW图转档、风格变换、人脸人体美化等任务，极大提高了修图师的工作效率。客户在拍摄照片时，同一个场景往往会拍摄一组多张照片，由于拍摄过程中相机参数设置，灯光变化等因素，拍摄转出的一组JPEG图像会出现曝光和色彩不一致的现象，修图师在批量完成基本的曝光和色彩调整外，需要额外对这些图像进行单独调整，并对整组图像进行检查，保证最终组内效果的统一。但当一组图像数量较大时，将大幅提升额外的工作开销。

目前，自注意力机制已广泛应用于图像生成、图像语义分割、图像补全等领域，例如，通过嵌入自注意力机制，学习图像内部每个像素与其他像素的相关性，使网络能够生成更丰富和高质的图像。通过将自注意力机制用于图像补全，提出一种前后景注意力模块，用于学习待补全区域与图像原始区域的像素相关性，借助非补全区域的相关特征指引，更好地恢复补全区域的信息。以上方法都是对同一图像内部像素间的特征进行学习，关注于纹理细节的生成。

基于此，本发明实施例中，面向两张相似图像间的像素特征，关注于图像低维的色彩和曝光这两个维度的信息迁移，是一种应用于图像修图领域进行色彩曝光一致性修复的深度学习方案。

在上述运行环境下，本发明提供了如图2所示的图像处理方法，图2是根据本发明实施例的一种图像处理方法的流程图，如图2所示，该方法包括：

步骤S202，获取第一图像和第二图像；

步骤S204，利用目标神经网络模型对上述第一图像与上述第二图像进行分析，得到第三图像；

步骤S206，基于上述第三图像进行图像适配处理，得到目标图像。

可选的，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；例如，上述第一图像可以为与同一场景中的同一组图像在目标属性上存在差异的一张图像；上述第二图像为一张目标属性均正确的图像，可以作为该第一图像的参考图像。而且，在本发明实施例中，上述第一图像与上述第二图像具有相似的场景元素，且上述第一图像与上述第二图像在上述目标属性上存在差异，其中，上述目标属性包括以下至少之一：曝光属性、色彩属性。

需要说明的是，上述第一图像和第二图像的图像格式不限。

可选的，上述目标神经网络模型用于调整上述第一图像的目标属性，上述目标神经网络模型可以但不限于为基于互注意力机制的神经网络模型。

可选的，基于上述第三图像进行图像适配处理，包括对上述第三图像进行上采样处理、分块处理、均值化处理以及映射处理。

在本发明实施例中，采用图像处理的方式，通过获取第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；利用目标神经网络模型对上述第一图像与上述第二图像进行分析，得到第三图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；基于上述第三图像进行图像适配处理，得到目标图像，达到了保证同一场景内一组图像之间的色彩属性和曝光属性的一致性的目的，从而实现了自动批量调整同一场景内一组图像的色彩属性和曝光属性，提高修图效率的技术效果，进而解决了相关技术中的图像处理方法，无法保证同一场景内一组图像之间的色彩和曝光的一致性的技术问题。

在本发明实施例至少可以实现如下技术效果：针对修图场景存在的同组图片效果（例如曝光属性、色彩属性等）不一致的问题，提出了一种深度学习色彩属性和曝光属性的调整方案；通过基于互注意力机制有效地抓取两张图像之间的关联区域，并辅助神经网络模型准确地对输入图像按照参考图像进行曝光属性和色彩属性的调整；提出分块均值映射的思路，在LAB色彩空间对图像块进行逐对映射，实现了对任意分辨率进行色彩属性和曝光属性的一致性处理，以更好的满足摄影场景中对高分辨率图像处理的需求。

在一种可选的实施例中，上述方法还包括：采用多组图像数据通过机器学习对初始神经网络模型进行训练，得到上述目标神经网络模型。

可选的，上述多组图像数据中的每组图像数据均包括：第四图像和第五图像，上述第四图像是具有正常目标属性的样本图像，上述第五图像是具有异常目标属性的样本图像；即上述第四图像为同组内与其他图像在曝光属性和/或色彩属性上存在差距的图像，上述第五图像为曝光属性和色彩属性均正确的图像。

作为一种可选的实施例，图3是根据本发明实施例的一种可选的图像处理方法的流程图，如图3所示，采用上述多组图像数据通过机器学习对初始神经网络模型进行训练，得到上述目标神经网络模型包括：

步骤S302，采用上述多组图像数据通过机器学习对上述初始神经网络模型进行训练，得到训练结果图像；

步骤S304，基于上述训练结果图像与训练目标图像，确定第一损失和第二损失；

步骤S306，利用上述第一损失和上述第二损失确定目标损失；

步骤S308，通过上述目标损失对上述初始神经网络模型的网络权重参数进行迭代优化，得到上述目标神经网络模型。

在上述可选的实施例中，上述训练目标图像与上述第四图像具有相同的目标属性，上述第一损失为上述训练结果图像与上述训练目标图像的重建误差损失，上述第二损失为上述训练结果图像与上述训练目标图像的风格感知损失。

可选的，通过损失函数计算上述第一损失和上述第二损失，其中，上述损失函数可以但不限于为误差函数MAE、误差函数MSE。

作为一种可选的实施例，可以但不限于通过添加额外的损失，例如图像感知相似度损失、对抗损失等确定目标损失。可选的，可以采用反向传播算法，通过基于上述训练结果图像与训练目标图像，确定第一损失和第二损失；利用上述第一损失和上述第二损失确定目标损失；通过上述目标损失对上述初始神经网络模型的网络权重参数进行迭代优化，得到上述目标神经网络模型的方式，对上述初始神经网络模型的预测误差进行梯度反向传播，不断迭代上述初始神经网络模型中的权重参数，直至上述初始神经网络模型收敛，最终得到上述目标神经网络模型。

如图5所示，通过一个编码器网络分别对两张图像提取高维特征，互注意力网络模型通过多个1x1卷积，分别对提取到的输入目标图（第一图像）和模型结果图（第二图像），计算其高维特征相关性，并最终通过softmax操作得到一个能够表征两图相关区域紧密程度的权重特征，解码器网络对该权重特征进行解码处理，得到曝光和色彩调整后的目标图像。其中，训练分支用于表示模型训练流程输入和输出都是小分辨率图像，在网络训练过程中通过反向传播算法，对网络的预测误差进行梯度反向传播，不断迭代网络权重参数直至收敛。例如，在网络训练过程中使用了两个loss，分别是输入目标图（第一图像）和模型结果图（第二图像）（色彩和曝光与参考图保持一致）的重建误差损失L_rec = || 模型结果图- 输入目标图||_1，和模型结果图与输入图像目标图的风格感知损失L_pec = || f(模型结果图)- f(输入目标图)||_1, 其中，f是VGG19网络，用于提取图像的多维中间特征，最终得到的总体损失函数为 L_total = lambda_rec *L_rec + lambda_pec *L_pec 。

仍如图5所示，额外测试分支由于表示测试流程需要的额外步骤，用于支持对任意高分辨率的图像统一性处理，首先需要对高清的输入图和参考图进行下采样后送入网络，得到网络输出结果后，上采样到与输入图的同一尺寸，分块均值映射模块用于将图像拆分成不同的小块（patch），并在LAB空间对其进行均值化和逐块映射的操作，最终将模型输出小图的色彩和曝光特性映射到原始高分辨率的输入大图上。通过本发明方案，可以自动化地对任意高清图像按照同场景的指定图像进行色彩和曝光的迁移，最终统一得到色彩和曝光均一致的图像处理效果。

在一种可选的实施例中，利用上述目标神经网络模型对上述第一图像与上述第二图像进行分析，得到上述第三图像包括：

步骤S402，利用上述目标神经网络模型确定上述第一图像与上述第二图像之间的关联区域；

步骤S402，基于上述关联区域，按照上述第二图像的目标属性对上述第一图像的目标属性进行调整，得到上述第三图像。

在上述可选的实施例中，可以对上述第一图像进行下采样，得到第一采样结果，以及对上述第二图像进行下采样，得到第二采样结果；分别对上述第一采样结果和上述第二采样结果进行特征提取，确定上述第一采样结果与上述第二采样结果的特征相关性；基于上述特征相关性获取上述第一采样结果与上述第二采样结果的权重特征；利用上述权重特征确定上述关联区域。

作为一种可选的实施例，图4是根据本发明实施例的另一种可选的图像处理方法的流程图，如图4所示，利用上述目标神经网络模型确定上述第一图像与上述第二图像之间的上述关联区域包括：

步骤S502，对上述第一图像进行下采样，得到第一采样结果，以及对上述第二图像进行下采样，得到第二采样结果；

步骤S504，分别对上述第一采样结果和上述第二采样结果进行特征提取，确定上述第一采样结果与上述第二采样结果的特征相关性；

步骤S506，基于上述特征相关性获取上述第一采样结果与上述第二采样结果的权重特征；

步骤S508，利用上述权重特征确定上述关联区域。

可选的，将上述第一图像和上述第二图像下采样至目标分辨率的图像，得到上述第一采样结果和上述第二采样结果，例如，在如图5所示的图像处理框架的示意图中，将上述第一图像（输入图）和上述第二图像（参考图）均下采样至分辨率为

的小图像。

作为一种可选的实施例，基于编码器网络和互注意力网络分别对上述第一采样结果和上述第二采样结果进行特征提取，其中，上述编码器网络用于提取上述第一采样结果和上述第二采样结果中的高维度特征，上述互注意力网络基于多个

卷积，分别计算上述第一采样结果和上述第二采样结果的特征相关性，其中，上述特征相关性是基于上述高维度特征计算得到的。

需要说明的是，上述编码器网络的结构并无特殊限定，可以通过调整卷积模块层数，通道数等获取并使用多种不同结构编码器网络。而本发明实施例中的上采样处理和下采样处理可使用不同的缩放算法。

可选的，上述权重特征用于表示上述第一采样结果与上述第二采样结果的相关区域紧密程度。

在本实施例中，目标神经网络模型（即基于互注意力机制的神经网络模型）通过网络学习的方式，通过对上述第一图像进行下采样，得到第一采样结果，以及对上述第二图像进行下采样，得到第二采样结果；分别对上述第一采样结果和上述第二采样结果进行特征提取，确定上述第一采样结果与上述第二采样结果的特征相关性；基于上述特征相关性获取上述第一采样结果与上述第二采样结果的权重特征；利用上述权重特征确定上述关联区域的方式，自适应地找到关联区域并计算特征相关性，代替了人工进行识别的操作，且能够更准确的挖掘图像内部的有用信息，提升色彩和曝光调整的准确度，达到了在提升图像处理效率的同时提高修图效果的目的。

需要说明的是，在本发明实施例中，编码器网络和解码器网络可以使用多种不同的结构，如调整卷积模块层数，通道数等，不限定为某种特定结构。上采样和下采样可以使用的不同的缩放算法，损失函数也可以选用MAE，MSE等，还可添加额外的损失函数，包括图像感知相似度损失（LPIPS），对抗损失(adversarial loss)等。

通过本发明实施例，采用互注意力网络通过网络学习的方式，自适应地找到相关联区域并计算特征相似性，代替了人工进行识别的操作，且能够更准确的挖掘图像内部的有用信息，提升色彩和曝光调整的准确度，既能提升效率又能提高修图效果。

作为一种可选的实施例，图6是根据本发明实施例的另一种可选的图像处理方法的流程图，如图6所示，基于上述第三图像进行图像适配处理，得到上述目标图像包括：

步骤S602，对上述第三图像进行上采样，得到第三采样结果；

步骤S604，对上述第三采样结果进行分块，得到分块结果；

步骤S606，对上述分块结果进行均值化，得到均值结果；

步骤S608，对上述均值结果进行逐块映射，得到上述目标图像。

需要说明的是，仍如图5所示，可以将上述第三图像上采样至与原始输入图像（即上述第一图像和上述第二图像），得到第三采样结果，在分块均值映射模块将上述第三采样结果拆分成不同的小块，得到分块结果，并在LAB色彩空间对上述分块结果进行均值化和逐块映射的操作，最终将模型输出小分辨率图像的色彩特性和曝光特性映射到原始高分辨率的输入的大图（即上述第一图像）上。通过上述方法实施例，可以自动化地对任意高清图像按照同场景的指定图像进行色彩和曝光的迁移，最终统一到同样的图像输出效果。

在本发明实施例中，采用对图像拆分成小块并逐对映射的方进行上采样，得到第三采样结果；对上述第三采样结果进行分块，得到分块结果；对上述分块结果进行均值化，得到均值结果；对上述均值结果进行逐块映射，得到上述目标图像的方式，由于网络处理的是固定小分辨率图像，分块均值映射模块通过对图像拆分成小块并逐对映射的方式，使得上述方法能够适配不同分辨率大图的一致性处理，极大提升了模型的泛化能力。

通过本发明实施例所提出分块均值映射的技术方案，在LAB空间对图像块进行逐对映射，实现了对任意分辨率进行色彩和曝光一致性处理的支持，满足摄影场景中对高分辨率图像处理的需求。

实施例2

根据本发明实施例，还提供了一种本发明还提供了如图7所示的图像处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图7是根据本发明实施例的一种图像处理方法的流程图，如图7所示，该方法包括：

步骤S702，接收来自于客户端的第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；

步骤S704，利用目标神经网络模型对上述第一图像与上述第二图像进行分析以得到第三图像，以及基于上述第三图像进行图像适配处理以得到目标图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；

步骤S706，将上述目标图像发送至上述客户端。

需要说明的是，上述执行主体可以为SaaS服务器，该SaaS服务器与SaaS客户端连接，在接收来自于客户端的第一图像和第二图像之后，采用利用目标神经网络模型对上述第一图像与上述第二图像进行分析以得到第三图像，以及基于上述第三图像进行图像适配处理以得到目标图像，并返回目标图像至客户端。

可选的，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；例如，上述第一图像可以为与同一场景中的同一组图像在目标属性上存在差异的一张图像；上述第二图像为一张目标属性均正确的图像，可以作为该第一图像的参考图像。而且，在本发明实施例中，上述第一图像与上述第二图像具有相似的场景元素，且上述第一图像与上述第二图像在上述目标属性上存在差异，其中，上述目标属性包括以下至少之一：曝光属性、色彩属性。

作为一种可选的实施例，上述目标神经网络模型用于调整上述第一图像的目标属性，上述目标神经网络模型可以但不限于为基于互注意力机制的神经网络模型。通过该互注意力机制，能够有效地抓取两张图像之间的关联区域，并辅助模型准确地对输入图像按照参考图像进行曝光和色彩的调整。

作为另一可选的实施例，基于上述第三图像进行图像适配处理，包括对上述第三图像进行上采样处理、分块处理、均值化处理以及映射处理。

在本发明实施例中，采用图像处理的方式，通过接收来自于客户端的第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；利用目标神经网络模型对上述第一图像与上述第二图像进行分析以得到第三图像，以及基于上述第三图像进行图像适配处理以得到目标图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；达到了保证同一场景内一组图像之间的色彩属性和曝光属性的一致性的目的，从而实现了自动批量调整同一场景内一组图像的色彩属性和曝光属性，提高修图效率的技术效果，进而解决了相关技术中的图像处理方法，无法保证同一场景内一组图像之间的色彩和曝光的一致性的技术问题。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，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优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

实施例3

根据本发明实施例，还提供了一种用于实施上述图像处理方法的装置实施例，图8根据本发明实施例的一种图像处理装置的结构示意图，如图8所示，上述装置包括：获取模块800、分析模块802、处理模块804，其中，

上述获取模块800，用于获取第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；上述分析模块802，用于利用目标神经网络模型对上述第一图像与上述第二图像进行分析，得到第三图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；上述处理模块804，用于基于上述第三图像进行图像适配处理，得到目标图像。

在本发明实施例中，通过获取模块800，用于获取第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；分析模块802，用于利用目标神经网络模型对上述第一图像与上述第二图像进行分析，得到第三图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；处理模块804，用于基于上述第三图像进行图像适配处理，得到目标图像，达到了保证组内图像的色彩属性和曝光属性的一致性的目的，从而实现了自动批量调整组内图像的色彩属性和曝光属性，提高修图效率的技术效果，进而解决了相关技术中的图像处理方法，无法保证同一场景内一组图像之间的色彩和曝光的一致性的技术问题。

此处需要说明的是，上述获取模块800、分析模块802、处理模块804对应于实施例1中的步骤S202至步骤S206，上述获取模块800、分析模块802、处理模块804与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述获取模块800、分析模块802、处理模块804作为装置的一部分可以运行在实施例1提供的计算机终端10中。

需要说明的是，本实施例的优选实施方式可以参见实施例1中的相关描述，此处不再赘述。

实施例4

根据本发明实施例，还提供了一种电子设备的实施例，该电子设备可以是计算设备群中的任意一个计算设备。该电子设备包括：处理器和存储器，其中：

上述存储器与上述处理器连接，用于为上述处理器提供处理以下处理步骤的指令步骤1，获取第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；步骤2，利用目标神经网络模型对上述第一图像与上述第二图像进行分析，得到第三图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；步骤3，基于上述第三图像进行图像适配处理，得到目标图像。

需要说明的是，本实施例的优选实施方式可以参见实施例1中的相关描述，此处不再赘述。

实施例5

根据本发明的实施例，还可以提供一种计算机终端的实施例，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。

可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。

在本实施例中，上述计算机终端可以执行图像处理方法中以下步骤的程序代码：获取第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；利用目标神经网络模型对上述第一图像与上述第二图像进行分析，得到第三图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；基于上述第三图像进行图像适配处理，得到目标图像。

可选地，图9是根据本发明实施例的一种计算机终端的结构框图。如图9所示，该计算机终端可以包括：一个或多个（图中仅示出一个）处理器122、存储器124、以及外设接口126，其中，上述存储器124用于为上述处理器提供处理以下处理步骤的指令：步骤1，获取第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；步骤2，利用目标神经网络模型对上述第一图像与上述第二图像进行分析，得到第三图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；步骤3，基于上述第三图像进行图像适配处理，得到目标图像。

其中，存储器可用于存储软件程序以及模块，如本发明实施例中的图像处理方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像处理方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；利用目标神经网络模型对上述第一图像与上述第二图像进行分析，得到第三图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；基于上述第三图像进行图像适配处理，得到目标图像。

可选的，上述处理器还可以执行如下步骤的程序代码：采用多组图像数据通过机器学习对初始神经网络模型进行训练，得到上述目标神经网络模型，其中，上述多组图像数据中的每组图像数据均包括：第四图像和第五图像，上述第四图像是具有正常目标属性的样本图像，上述第五图像是具有异常目标属性的样本图像。

可选的，上述处理器还可以执行如下步骤的程序代码：采用上述多组图像数据通过机器学习对上述初始神经网络模型进行训练，得到训练结果图像；基于上述训练结果图像与训练目标图像，确定第一损失和第二损失，其中，上述训练目标图像与上述第四图像具有相同的目标属性，上述第一损失为上述训练结果图像与上述训练目标图像的重建误差损失，上述第二损失为上述训练结果图像与上述训练目标图像的风格感知损失；利用上述第一损失和上述第二损失确定目标损失；通过上述目标损失对上述初始神经网络模型的网络权重参数进行迭代优化，得到上述目标神经网络模型。

可选的，上述处理器还可以执行如下步骤的程序代码：利用上述目标神经网络模型确定上述第一图像与上述第二图像之间的关联区域；基于上述关联区域，按照上述第二图像的目标属性对上述第一图像的目标属性进行调整，得到上述第三图像。

可选的，上述处理器还可以执行如下步骤的程序代码：对上述第一图像进行下采样，得到第一采样结果，以及对上述第二图像进行下采样，得到第二采样结果；分别对上述第一采样结果和上述第二采样结果进行特征提取，确定上述第一采样结果与上述第二采样结果的特征相关性；基于上述特征相关性获取上述第一采样结果与上述第二采样结果的权重特征，其中，上述权重特征用于表示上述第一采样结果与上述第二采样结果的相关区域紧密程度；利用上述权重特征确定上述关联区域。

可选的，上述处理器还可以执行如下步骤的程序代码：对上述第三图像进行上采样，得到第三采样结果；对上述第三采样结果进行分块，得到分块结果；对上述分块结果进行均值化，得到均值结果；对上述均值结果进行逐块映射，得到上述目标图像。

可选的，上述处理器还可以执行如下步骤的程序代码：接收来自于客户端的第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；利用目标神经网络模型对上述第一图像与上述第二图像进行分析以得到第三图像，以及基于上述第三图像进行图像适配处理以得到目标图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；将上述目标图像发送至上述客户端。

采用本发明实施例，提供了一种图像处理的方案。通过获取第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；利用目标神经网络模型对上述第一图像与上述第二图像进行分析，得到第三图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；基于上述第三图像进行图像适配处理，得到目标图像，达到了保证组内图像的色彩属性和曝光属性的一致性的目的，从而实现了自动批量调整组内图像的色彩属性和曝光属性，提高修图效率的技术效果，进而解决了相关技术中的图像处理方法，无法保证同一场景内一组图像之间的色彩和曝光的一致性的技术问题。

本领域普通技术人员可以理解，图9所示的结构仅为示意，计算机终端也可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌声电脑以及移动互联网设备（MobileInternet Devices，MID）、PAD等终端设备。图9其并不对上述电子装置的结构造成限定。例如，计算机终端还可包括比图9中所示更多或者更少的组件（如网络接口、显示装置等），或者具有与图9所示不同的配置。

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终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，计算机可读存储介质可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（Random Access Memory，RAM）、磁盘或光盘等。

实施例6

根据本发明的实施例，还提供了一种计算机可读存储介质的实施例。可选地，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例1所提供的图像处理方法所执行的程序代码。

可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取第一图像和第二图像，其中，上述第一图像为待调整图像，上述第二图像为上述第一图像的参考图像；利用目标神经网络模型对上述第一图像与上述第二图像进行分析，得到第三图像，其中，上述目标神经网络模型用于调整上述第一图像的目标属性；基于上述第三图像进行图像适配处理，得到目标图像。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本发明所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所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理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个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。

所述集成的单元如果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读取计算机可读存储介质中。基于这样的理解，本发明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计算机可读存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种图像处理方法，其特征在于，包括：

获取第一图像和第二图像，其中，所述第一图像为待调整图像，所述第二图像为所述第一图像的参考图像；

利用目标神经网络模型对所述第一图像与所述第二图像进行分析，得到第三图像，其中，所述目标神经网络模型用于调整所述第一图像的目标属性；

基于所述第三图像进行图像适配处理，得到目标图像。

2.根据权利要求1所述的图像处理方法，其特征在于，所述第一图像与所述第二图像具有相似的场景元素，且所述第一图像与所述第二图像在所述目标属性上存在差异，其中，所述目标属性包括以下至少之一：曝光属性、色彩属性。

3.根据权利要求1所述的图像处理方法，其特征在于，所述方法还包括：

采用多组图像数据通过机器学习对初始神经网络模型进行训练，得到所述目标神经网络模型，其中，所述多组图像数据中的每组图像数据均包括：第四图像和第五图像，所述第四图像是具有正常目标属性的样本图像，所述第五图像是具有异常目标属性的样本图像。

4.根据权利要求3所述的图像处理方法，其特征在于，采用所述多组图像数据通过机器学习对初始神经网络模型进行训练，得到所述目标神经网络模型包括：

采用所述多组图像数据通过机器学习对所述初始神经网络模型进行训练，得到训练结果图像；

基于所述训练结果图像与训练目标图像，确定第一损失和第二损失，其中，所述训练目标图像与所述第四图像具有相同的目标属性，所述第一损失为所述训练结果图像与所述训练目标图像的重建误差损失，所述第二损失为所述训练结果图像与所述训练目标图像的风格感知损失；

利用所述第一损失和所述第二损失确定目标损失；

通过所述目标损失对所述初始神经网络模型的网络权重参数进行迭代优化，得到所述目标神经网络模型。

5.根据权利要求1所述的图像处理方法，其特征在于，利用所述目标神经网络模型对所述第一图像与所述第二图像进行分析，得到所述第三图像包括：

利用所述目标神经网络模型确定所述第一图像与所述第二图像之间的关联区域；

基于所述关联区域，按照所述第二图像的目标属性对所述第一图像的目标属性进行调整，得到所述第三图像。

6.根据权利要求5所述的图像处理方法，其特征在于，利用所述目标神经网络模型确定所述第一图像与所述第二图像之间的所述关联区域包括：

对所述第一图像进行下采样，得到第一采样结果，以及对所述第二图像进行下采样，得到第二采样结果；

分别对所述第一采样结果和所述第二采样结果进行特征提取，确定所述第一采样结果与所述第二采样结果的特征相关性；

基于所述特征相关性获取所述第一采样结果与所述第二采样结果的权重特征，其中，所述权重特征用于表示所述第一采样结果与所述第二采样结果的相关区域紧密程度；

利用所述权重特征确定所述关联区域。

7.根据权利要求1所述的图像处理方法，其特征在于，基于所述第三图像进行图像适配处理，得到所述目标图像包括：

对所述第三图像进行上采样，得到第三采样结果；

对所述第三采样结果进行分块，得到分块结果；

对所述分块结果进行均值化，得到均值结果；

对所述均值结果进行逐块映射，得到所述目标图像。

8.一种图像处理方法，其特征在于，包括：

接收来自于客户端的第一图像和第二图像，其中，所述第一图像为待调整图像，所述第二图像为所述第一图像的参考图像；

利用目标神经网络模型对所述第一图像与所述第二图像进行分析以得到第三图像，以及基于所述第三图像进行图像适配处理以得到目标图像，其中，所述目标神经网络模型用于调整所述第一图像的目标属性；

将所述目标图像发送至所述客户端。

9.一种图像处理装置，其特征在于，包括：

获取模块，用于获取第一图像和第二图像，其中，所述第一图像为待调整图像，所述第二图像为所述第一图像的参考图像；

分析模块，用于利用目标神经网络模型对所述第一图像与所述第二图像进行分析，得到第三图像，其中，所述目标神经网络模型用于调整所述第一图像的目标属性；

处理模块，用于基于所述第三图像进行图像适配处理，得到目标图像。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8中任意一项所述的图像处理方法。

11.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至8中任意一项所述的图像处理方法。

12.一种电子设备，其特征在于，包括：

处理器；以及

存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：

步骤1，获取第一图像和第二图像，其中，所述第一图像为待调整图像，所述第二图像为所述第一图像的参考图像；

步骤2，利用目标神经网络模型对所述第一图像与所述第二图像进行分析，得到第三图像，其中，所述目标神经网络模型用于调整所述第一图像的目标属性；

步骤3，基于所述第三图像进行图像适配处理，得到目标图像。

Images