CN114004974A - 对弱光环境下拍摄的图像的优化方法及装置 - Google Patents
对弱光环境下拍摄的图像的优化方法及装置 Download PDFInfo
- Publication number
- CN114004974A CN114004974A CN202111295072.XA CN202111295072A CN114004974A CN 114004974 A CN114004974 A CN 114004974A CN 202111295072 A CN202111295072 A CN 202111295072A CN 114004974 A CN114004974 A CN 114004974A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- noise reduction
- processing
- parameters
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种对弱光环境下拍摄的图像的优化方法及装置,涉及人工智能技术领域,其中该方法包括:获取待处理图像,对待处理图像进行预处理,得到标准图像;利用预先训练的卷积神经网络模型提取标准图像的特征;将标准图像的特征作为处理参数预测模型的输入,得到处理参数预测模型输出的第一降噪参数和第一锐化参数;其中,所述处理参数预测模型利用多张图像的特征,以及对图像进行优化处理的降噪参数和锐化参数对回归模型进行训练得到;利用第一降噪参数和第一锐化参数对标准图像进行处理,得到优化图像。本发明可以实现对弱光环境下拍摄的图像的优化,减少对于光源强度的依赖,提升弱光环境下人脸识别的准确度,方便用户的使用。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种对弱光环境下拍摄的图像的优化方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
目前,人脸识别的应用场景越来越多,例如手机解锁、移动支付等。在进行人脸实名认证时,必须要求验证者在光照比较适宜的场合进行,否则将不能正确识别拍摄的照片中的人脸。但是,用户难免在弱光环境下使用人脸识别,在这种环境下,所拍摄图像大多因为传感器噪声、模糊、块效应等原因导致图像质量较差,清晰度无法达到人脸识别的要求。如果无法正确进行人脸识别,用户只能手动进行身份认证,耗费较多时间,给用户带来较多不便。
发明内容
本发明实施例提供一种对弱光环境下拍摄的图像的优化方法,用以实现对弱光环境下拍摄的图像的优化,减少对于光源强度的依赖,提升弱光环境下人脸识别的准确度,方便用户的使用,该方法包括:
获取待处理图像,对待处理图像进行预处理,得到标准图像;
利用预先训练的卷积神经网络模型提取标准图像的特征;
将标准图像的特征作为处理参数预测模型的输入,得到处理参数预测模型输出的第一降噪参数和第一锐化参数;其中,所述处理参数预测模型利用多张图像的特征,以及对图像进行优化处理的降噪参数和锐化参数对回归模型进行训练得到;
利用第一降噪参数和第一锐化参数对标准图像进行处理,得到优化图像。
本发明实施例还提供一种对弱光环境下拍摄的图像的优化装置,用以实现对弱光环境下拍摄的图像的优化,减少对于光源强度的依赖,提升弱光环境下人脸识别的准确度,方便用户的使用,该装置包括:
获取模块,用于获取待处理图像,对待处理图像进行预处理,得到标准图像;
提取模块,用于利用预先训练的卷积神经网络模型提取标准图像的特征;
参数预测模块,用于将标准图像的特征作为处理参数预测模型的输入,得到处理参数预测模型输出的第一降噪参数和第一锐化参数;其中,所述处理参数预测模型利用多张图像的特征,以及对图像进行优化处理的降噪参数和锐化参数对回归模型进行训练得到;
优化模块,用于利用第一降噪参数和第一锐化参数对标准图像进行处理,得到优化图像。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述对弱光环境下拍摄的图像的优化方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述对弱光环境下拍摄的图像的优化方法的计算机程序。
本发明实施例中,预先训练了卷积神经网络模型和处理参数预测模块,通过卷积神经网络模型提取标准图像的特征,利用处理参数预测模块预测对标准图像优化时使用的第一降噪参数和第一锐化参数,进而利用该第一降噪参数对标准图像进行降噪处理,利用该第一锐化参数对标准图像进行锐化处理,从而提升了图像的清晰度,优化了图像的品质,减少了对于拍摄图像的光源强度的依赖,使得图像中人脸更易被识别,方便了用户的使用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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发明的一些实施例,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。在附图中:
图1为本发明实施例中一种对弱光环境下拍摄的图像的优化方法的流程图;
图2为本发明实施例中一种对弱光环境下拍摄的图像的优化方法的另一流程图;
图3为本发明实施例中一种对弱光环境下拍摄的图像的优化方法的另一流程图;
图4为本本发明实施例中一种对弱光环境下拍摄的图像的优化装置的结构示意图;
图5为本发明实施例中一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
本发明实施例中提供了一种对弱光环境下拍摄的图像的优化方法,如图1所示,该方法包括:
步骤101、获取待处理图像,对待处理图像进行预处理,得到标准图像。
考虑到图像尺寸不一可能导致优化后达不到与其效果,本发明实施例中,在获取到待处理图像之后,按照预设尺寸对待处理图像进行裁剪,得到标准图像。该预设尺寸可以由实验人员按照显示图像的终端的尺寸或者其他需求进行设置,对于该预设尺寸的具体大小,在此不做限定。
步骤102、利用预先训练的卷积神经网络模型提取标准图像的特征。
本发明实施例中,卷积神经网络(Convolutional Neural Networks,CNN)预先利用已获得授权的、包含各种各样类型图像的图像数据库训练得到,例如,该图像数据库可以为LIVE Challenge database。
步骤103、将标准图像的特征作为处理参数预测模型的输入,得到处理参数预测模型输出的第一降噪参数和第一锐化参数。
其中,处理参数预测模型利用多张图像的特征,以及对图像进行优化处理的降噪参数和锐化参数对回归模型进行训练得到。具体的,参见图2,处理参数预测模型根据如下步骤201至步骤205:
步骤201、获取多种场景下拍摄的原始图像,将原始图像划分为训练集图像和测试集图像;
步骤202、按照设定的多组降噪参数和锐化参数,依次利用CBM3D算法和USM算法对训练集图像进行处理,得到与每组降噪参数和锐化参数分别对应的备选图像;
步骤203、接收评价人员对于每组备选图像中视觉最佳图像的选择操作;
步骤204、利用卷积神经网络模型提取原始图像的特征;
步骤205、将训练集图像的特征作为回归模型的输入,所有组备选图像中视觉最佳图像对应的降噪参数和锐化参数作为回归模型的输出,对回归模型进行训练,得到处理参数预测模型。
其中,CBM3D(色块匹配与三维滤波,Color Block-Matching 3D filtering)算法与USM(非锐化掩模,Unsharp Mask Sharpening)算法,其作用分别为降噪和锐化,是图像处理领域已有的两种算法,对于使用该两种算法进行图像处理的具体原理及过程,在此不做赘述。
本发明实施例采用上述两种算法联合对图像进行处理,先采用CBM3D算法,利用降噪参数对图像进行降噪处理后,再采用USM算法,利用锐化参数对降噪处理后的图像进行锐化处理。
本发明实施例中,将一个降噪参数和一个锐化参数作为一组参数,对于同一训练集图像分别利用多组参数进行处理,处理后每一训练集图像都得到多张备选图像。比如说,预先设定了10组降噪参数和锐化参数,总共有5张训练集图像,则利用该10组降噪参数和锐化参数分别对训练集图像进行处理,1张训练集图像得到10张不同参数处理的备选图像,5张训练集图像总共得到50张备选图像。
本实施例的目的在于确定较优的降噪参数和锐化参数,因此,在得到每张训练集图像对应的备选图像后,由评价人员从备选图像中选择其认为视觉效果最佳的备选图像。
在选择过程中,可以令评价人员先从每一张训练集图像对应的备选图像中选择一定数量(少于备选图像总张数)认为较优的备选图像,再对选中的该一定数量的图像进行评级,比如说,当选择5张备选图像时划分为优、好、良、及格、差5个级别。再将评级最高的备选图像确定为视觉效果最佳的备选图像。
考虑到不同评价人员的选择结果存在差异,为了使选择出的图像满足多数人员对于视觉最佳图像的要求,本发明实施例中,可以令多个评价人员对各自选择出的一定数量的备选图像分别进行评级,再综合所有评价人员的评价结果,将其中多数评价人员认为视觉效果最佳的图像确定为视觉最佳图像。
这样一来,可以尽量减少评价人员主观性对于后续回归模型训练过程的影响。
以10组参数,5张训练集图像为例,在每张训练图像得到10张备选图像后,又从10张备选图像中选择1张视觉最佳图像,最终得到5张训练集图像对应的5张视觉最佳图像。
在另一种实现方式中,在得到处理参数预测模型后,如图3所示,还可以执行如下步骤301至步骤303:
步骤301、利用测试集图像的特征作为处理参数预测模型的输入,得到处理参数预测模型输出的对于处理测试集图像的降噪参数和锐化参数的预测结果;
步骤302、利用降噪参数和锐化参数的预测结果对测试集图像进行处理,得到验证图像;
步骤303、如果评价人员确认验证图像达到预期效果,则利用处理参数预测模型进行待处理图像的第一降噪参数和第一锐化参数的预测。
在另一种实现方式中,如果评价人员确认验证图像未达到预期效果,则重新训练回归模型,得到新的处理参数预测模型。
本发明实施例中,利用测试集图像对处理参数预测模型的图像优化效果进行验证,以保证处理参数预测模型能够适用于绝大多数图像的优化,保证其输出参数优化效果的稳定性。
为了得到更加良好的训练效果,在按照设定的多组降噪参数和锐化参数,依次利用CBM3D算法和USM算法对训练集图像进行处理之前,还可以按照预设尺寸对原始图像进行裁剪,得到原始标准尺寸图像。之后,按照设定的多组降噪参数和锐化参数,依次利用CBM3D算法和USM算法对原始标准尺寸训练集图像进行处理。
需要说明的是,此处裁剪原始图像时使用的预设尺寸与步骤101中裁剪待处理图像时使用的预设尺寸相同。
步骤104、利用第一降噪参数和第一锐化参数对标准图像进行处理,得到优化图像。
也即,利用第一降噪参数及CBM3D算法对标准图像进行降噪处理,利用第一锐化参数及USM算法对标准图像进行锐化处理,以得到显示效果增强的优化图像,方便了利用优化图像进行人脸识别等处理。
本发明实施例中,预先训练了卷积神经网络模型和处理参数预测模块,通过卷积神经网络模型提取标准图像的特征,利用处理参数预测模块预测对标准图像优化时使用的第一降噪参数和第一锐化参数,进而利用该第一降噪参数对标准图像进行降噪处理,利用该第一锐化参数对标准图像进行锐化处理,从而提升了图像的清晰度,优化了图像的品质,减少了对于拍摄图像的光源强度的依赖,使得图像中人脸更易被识别,方便了用户的使用。
本发明实施例中还提供了一种对弱光环境下拍摄的图像的优化装置,如下面的实施例所述。由于该装置解决问题的原理与对弱光环境下拍摄的图像的优化方法相似,因此该装置的实施可以参见对弱光环境下拍摄的图像的优化方法的实施,重复之处不再赘述。
如图4所示,该装置400包括:
获取模块401,用于获取待处理图像,对待处理图像进行预处理,得到标准图像;
提取模块402,用于利用预先训练的卷积神经网络模型提取标准图像的特征;
参数预测模块403,用于将标准图像的特征作为处理参数预测模型的输入,得到处理参数预测模型输出的第一降噪参数和第一锐化参数;其中,处理参数预测模型利用多张图像的特征,以及对图像进行优化处理的降噪参数和锐化参数对回归模型进行训练得到;
优化模块404,用于利用第一降噪参数和第一锐化参数对标准图像进行处理,得到优化图像。
在本发明实施例的一种实现方式中,获取模块,用于:
按照预设尺寸对待处理图像进行裁剪,得到标准图像。
在本发明实施例的一种实现方式中,
获取模块,还用于获取多种场景下拍摄的原始图像,将原始图像划分为训练集图像和测试集图像;
优化模块,还用于按照设定的多组降噪参数和锐化参数,依次利用CBM3D算法和USM算法对训练集图像进行处理,得到与每组降噪参数和锐化参数分别对应的备选图像;
通信模块,用于接收评价人员对于每组备选图像中视觉最佳图像的选择操作;
提取模块,还用于利用卷积神经网络模型提取原始图像的特征;
模型训练模块,用于将训练集图像的特征作为回归模型的输入,所有组备选图像中视觉最佳图像对应的降噪参数和锐化参数作为回归模型的输出,对回归模型进行训练,得到处理参数预测模型。
在本发明实施例的一种实现方式中,
参数预测模块,还用于利用测试集图像的特征作为处理参数预测模型的输入,得到处理参数预测模型输出的对于处理测试集图像的降噪参数和锐化参数的预测结果;
优化模块,还用于利用降噪参数和锐化参数的预测结果对测试集图像进行处理,得到验证图像;
参数预测模块,还用于当评价人员确认验证图像达到预期效果时,利用处理参数预测模型进行待处理图像的第一降噪参数和第一锐化参数的预测。
在本发明实施例的一种实现方式中,
模型训练模块,还用于当评价人员确认验证图像未达到预期效果时,重新训练回归模型,得到新的处理参数预测模型。
在本发明实施例的一种实现方式中,获取模块,用于:
按照预设尺寸对原始图像进行裁剪,得到原始标准尺寸图像;
优化模块,用于:
按照设定的多组降噪参数和锐化参数,依次利用CBM3D算法和USM算法对原始标准尺寸训练集图像进行处理。
本发明实施例中,预先训练了卷积神经网络模型和处理参数预测模块,通过卷积神经网络模型提取标准图像的特征,利用处理参数预测模块预测对标准图像优化时使用的第一降噪参数和第一锐化参数,进而利用该第一降噪参数对标准图像进行降噪处理,利用该第一锐化参数对标准图像进行锐化处理,从而提升了图像的清晰度,优化了图像的品质,减少了对于拍摄图像的光源强度的依赖,使得图像中人脸更易被识别,方便了用户的使用。
本发明实施例还提供一种计算机设备,图5为本发明实施例中计算机设备的示意图,该计算机设备能够实现上述实施例中的对弱光环境下拍摄的图像的优化方法中全部步骤,该计算机设备具体包括如下内容:
处理器(processor)501、存储器(memory)502、通信接口(CommunicationsInterface)503和通信总线504;
其中,所述处理器501、存储器502、通信接口503通过所述通信总线504完成相互间的通信;所述通信接口503用于实现相关设备之间的信息传输;
所述处理器501用于调用所述存储器502中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的对弱光环境下拍摄的图像的优化方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述对弱光环境下拍摄的图像的优化方法的计算机程序。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种对弱光环境下拍摄的图像的优化方法,其特征在于,所述方法包括:
获取待处理图像,对待处理图像进行预处理,得到标准图像;
利用预先训练的卷积神经网络模型提取标准图像的特征;
将标准图像的特征作为处理参数预测模型的输入,得到处理参数预测模型输出的第一降噪参数和第一锐化参数;其中,所述处理参数预测模型利用多张图像的特征,以及对图像进行优化处理的降噪参数和锐化参数对回归模型进行训练得到;
利用第一降噪参数和第一锐化参数对标准图像进行处理,得到优化图像。
2.根据权利要求1所述的方法,其特征在于,对待处理图像进行预处理,得到标准图像,包括:
按照预设尺寸对待处理图像进行裁剪,得到标准图像。
3.根据权利要求1所述的方法,其特征在于,在将标准图像的特征作为处理参数预测模型的输入,得到处理参数预测模型输出的第一降噪参数和第一锐化参数之前,所述方法还包括:
获取多种场景下拍摄的原始图像,将原始图像划分为训练集图像和测试集图像;
按照设定的多组降噪参数和锐化参数,依次利用CBM3D算法和USM算法对训练集图像进行处理,得到与每组降噪参数和锐化参数分别对应的备选图像;
接收评价人员对于每组备选图像中视觉最佳图像的选择操作;
利用卷积神经网络模型提取原始图像的特征;
将训练集图像的特征作为回归模型的输入,所有组备选图像中视觉最佳图像对应的降噪参数和锐化参数作为回归模型的输出,对回归模型进行训练,得到处理参数预测模型。
4.根据权利要求3所述的方法,其特征在于,在得到处理参数预测模型后,所述方法还包括:
利用测试集图像的特征作为处理参数预测模型的输入,得到处理参数预测模型输出的对于处理测试集图像的降噪参数和锐化参数的预测结果;
利用降噪参数和锐化参数的预测结果对测试集图像进行处理,得到验证图像;
如果评价人员确认验证图像达到预期效果,则利用处理参数预测模型进行待处理图像的第一降噪参数和第一锐化参数的预测。
5.根据权利要求4所述的方法,其特征在于,在利用降噪参数和锐化参数的预测结果对测试集图像进行处理,得到验证图像之后,所述方法还包括:
如果评价人员确认验证图像未达到预期效果,则重新训练回归模型,得到新的处理参数预测模型。
6.根据权利要求3至5中任一项所述的方法,其特征在于,在按照设定的多组降噪参数和锐化参数,依次利用CBM3D算法和USM算法对训练集图像进行处理之前,所述方法还包括:
按照预设尺寸对原始图像进行裁剪,得到原始标准尺寸图像;
按照设定的多组降噪参数和锐化参数,依次利用CBM3D算法和USM算法对训练集图像进行处理,包括:
按照设定的多组降噪参数和锐化参数,依次利用CBM3D算法和USM算法对原始标准尺寸训练集图像进行处理。
7.一种对弱光环境下拍摄的图像的优化装置,其特征在于,所述装置包括:
获取模块,用于获取待处理图像,对待处理图像进行预处理,得到标准图像;
提取模块,用于利用预先训练的卷积神经网络模型提取标准图像的特征;
参数预测模块,用于将标准图像的特征作为处理参数预测模型的输入,得到处理参数预测模型输出的第一降噪参数和第一锐化参数;其中,所述处理参数预测模型利用多张图像的特征,以及对图像进行优化处理的降噪参数和锐化参数对回归模型进行训练得到;
优化模块,用于利用第一降噪参数和第一锐化参数对标准图像进行处理,得到优化图像。
8.根据权利要求7所述的装置,其特征在于,获取模块,用于:
按照预设尺寸对待处理图像进行裁剪,得到标准图像。
9.根据权利要求7所述的装置,其特征在于,
获取模块,还用于获取多种场景下拍摄的原始图像,将原始图像划分为训练集图像和测试集图像;
优化模块,还用于按照设定的多组降噪参数和锐化参数,依次利用CBM3D算法和USM算法对训练集图像进行处理,得到与每组降噪参数和锐化参数分别对应的备选图像;
通信模块,用于接收评价人员对于每组备选图像中视觉最佳图像的选择操作;
提取模块,还用于利用卷积神经网络模型提取原始图像的特征;
模型训练模块,用于将训练集图像的特征作为回归模型的输入,所有组备选图像中视觉最佳图像对应的降噪参数和锐化参数作为回归模型的输出,对回归模型进行训练,得到处理参数预测模型。
10.根据权利要求9所述的装置,其特征在于,
参数预测模块,还用于利用测试集图像的特征作为处理参数预测模型的输入,得到处理参数预测模型输出的对于处理测试集图像的降噪参数和锐化参数的预测结果;
优化模块,还用于利用降噪参数和锐化参数的预测结果对测试集图像进行处理,得到验证图像;
参数预测模块,还用于当评价人员确认验证图像达到预期效果时,利用处理参数预测模型进行待处理图像的第一降噪参数和第一锐化参数的预测。
11.根据权利要求10所述的装置,其特征在于,
模型训练模块,还用于当评价人员确认验证图像未达到预期效果时,重新训练回归模型,得到新的处理参数预测模型。
12.根据权利要求9至11中任一项所述的装置,其特征在于,获取模块,用于:
按照预设尺寸对原始图像进行裁剪,得到原始标准尺寸图像;
优化模块,用于:
按照设定的多组降噪参数和锐化参数,依次利用CBM3D算法和USM算法对原始标准尺寸训练集图像进行处理。
13.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6任一所述方法。
14.一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存储有执行权利要求1至6任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111295072.XA CN114004974A (zh) | 2021-11-03 | 2021-11-03 | 对弱光环境下拍摄的图像的优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111295072.XA CN114004974A (zh) | 2021-11-03 | 2021-11-03 | 对弱光环境下拍摄的图像的优化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004974A true CN114004974A (zh) | 2022-02-01 |
Family
ID=79926890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111295072.XA Pending CN114004974A (zh) | 2021-11-03 | 2021-11-03 | 对弱光环境下拍摄的图像的优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004974A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188440A (zh) * | 2023-02-28 | 2023-05-30 | 聊城市红日机械配件厂 | 一种轴承保持架的生产分析优化方法、设备及介质 |
-
2021
- 2021-11-03 CN CN202111295072.XA patent/CN114004974A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188440A (zh) * | 2023-02-28 | 2023-05-30 | 聊城市红日机械配件厂 | 一种轴承保持架的生产分析优化方法、设备及介质 |
CN116188440B (zh) * | 2023-02-28 | 2023-08-29 | 聊城市红日机械配件厂 | 一种轴承保持架的生产分析优化方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921782B (zh) | 一种图像处理方法、装置及存储介质 | |
CN108229526B (zh) | 网络训练、图像处理方法、装置、存储介质和电子设备 | |
CN108197618B (zh) | 用于生成人脸检测模型的方法和装置 | |
CN109934197A (zh) | 人脸识别模型的训练方法、装置和计算机可读存储介质 | |
CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
KR20200145827A (ko) | 얼굴 특징 추출 모델 학습 방법, 얼굴 특징 추출 방법, 장치, 디바이스 및 저장 매체 | |
CN111626371A (zh) | 一种图像分类方法、装置、设备及可读存储介质 | |
CN111985281B (zh) | 图像生成模型的生成方法、装置及图像生成方法、装置 | |
CN110334605A (zh) | 基于神经网络的手势识别方法、装置、存储介质及设备 | |
CN110532746B (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
CN111067522A (zh) | 大脑成瘾结构图谱评估方法及装置 | |
CN114612987A (zh) | 一种表情识别方法及装置 | |
CN114299363A (zh) | 图像处理模型的训练方法、图像分类方法及装置 | |
Dwaich et al. | Signature texture features extraction using GLCM approach in android studio | |
CN113420871B (zh) | 图像质量的评估方法、装置、存储介质及电子装置 | |
CN114299573A (zh) | 视频处理方法、装置、电子设备及存储介质 | |
CN114004974A (zh) | 对弱光环境下拍摄的图像的优化方法及装置 | |
CN104424485A (zh) | 一种基于图像识别来获取特定信息的方法与装置 | |
KR20230086999A (ko) | 가상 인물 콘텐츠 생성 프로그램을 기록한 기록매체 | |
KR20230086998A (ko) | 얼굴 세그먼트 영역에 노이즈를 부가하여 가상 인물 콘텐츠를 생성하는 컴퓨터 프로그램 | |
CN113554685A (zh) | 遥感卫星运动目标检测方法、装置、电子设备及存储介质 | |
CN113538214A (zh) | 一种妆容迁移的控制方法、系统和存储介质 | |
CN113435248A (zh) | 口罩人脸识别底库增强方法、装置、设备及可读存储介质 | |
CN112733670A (zh) | 指纹特征提取方法、装置、电子设备及存储介质 | |
CN111611825B (zh) | 一种唇语内容识别方法及装置 |
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 |