CN114820382A - 图像处理方法、智能终端及存储介质 - Google Patents
图像处理方法、智能终端及存储介质 Download PDFInfo
- Publication number
- CN114820382A CN114820382A CN202210535754.1A CN202210535754A CN114820382A CN 114820382 A CN114820382 A CN 114820382A CN 202210535754 A CN202210535754 A CN 202210535754A CN 114820382 A CN114820382 A CN 114820382A
- Authority
- CN
- China
- Prior art keywords
- image
- preset
- model
- image information
- environment
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000003702 image correction Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 29
- 230000008878 coupling Effects 0.000 claims description 22
- 238000010168 coupling process Methods 0.000 claims description 22
- 238000005859 coupling reaction Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/80—
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本申请提出了一种图像处理方法、智能终端及存储介质,图像处理方法可应用于智能终端,包括以下步骤:在第一环境中采集图像信息;将图像信息输入预设的图像矫正模型,以对图像信息进行矫正;输出矫正后的图像信息。本申请通过将在第一环境采集的图像信息输入预设的图像矫正模型,实现了图像信息进行矫正,提高图像的增强效率效果。
Description
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、智能终端及存储介质。
背景技术
水下光学图像是水下研究重要的数据之一。由于光在水中传播时,受水介质及水中微粒对光线的吸收作用与散射效应的影响,导致水下拍摄的图像产生模糊或雾化、对比度下降、颜色失真、亮度不均等缺陷,从而使水下图像的显示效果不佳。在构思及实现本申请过程中,发明人发现至少存在如下问题:现有对上述问题的解决方式是对水下图像进行增强,但是现有的图像增强方式耗时长,从而导致图像增强效率低。
前面的叙述在于提供一般的背景信息,并不一定构成现有技术。
发明内容
针对上述技术问题,本申请提供一种图像处理方法、智能终端及存储介质,提高了图像的增强效果。
为解决上述技术问题,本申请提供一种图像处理方法,包括:
S10:在第一环境中采集图像信息;
S20:将所述图像信息输入预设的图像矫正模型,以对所述图像信息进行矫正;
S30:输出矫正后的图像信息。
可选地,所述图像矫正模型是采用图像矫正模型,所述图像矫正模型是基于第二环境采集的第一图像集和第一环境采集第一图像集获得的第二图像集进行训练得到的。
可选地,所述S20的步骤包括:
基于所述图像信息获取至少一个图像特征;
采用预设耦合模型对至少一个所述图像特征进行耦合处理,以获得目标矫正参数,基于所述目标矫正参数对所述图像信息进行矫正。
可选地,所述基于所述图像信息获取至少一个图像特征的步骤包括:
获取预设卷积核;
基于所述预设卷积核对所述图像信息进行卷积,得到至少一个所述图像特征。
可选地,所述采用预设耦合模型对至少一个所述图像特征进行耦合处理的步骤包括:
采用预设耦合模型确定各个所述图像特征的关联性;
基于所述关联性对至少一个所述图像特征进行耦合处理。
可选地,所述S10的步骤之前,包括:
获取图像训练集;
根据所述图像训练集对预设神经网络模型进行训练得到图像矫正模型。
本申请还提供一种图像处理方法,所述方法包括以下步骤:
S100,获取图像训练集,其中,所述图像训练集包括基于第二环境采集的第一图像集和第一环境采集第一图像集获得的第二图像集;
S200,根据所述图像训练集预设处理得到图像矫正模型。
可选地,所述S200的步骤之前,包括:
采用生成对抗网络构建所述预设神经网络模型。
本申请还提供一种智能终端,包括:存储器、处理器,其中,所述存储器上存储有图像处理程序,所述图像处理程序被所述处理器执行时实现如上述方法的步骤。
本申请还提供一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述方法的步骤。
如上所述,本申请的图像处理方法,应用于智能终端,包括步骤:在第一环境中采集图像信息;将图像信息输入预设的图像矫正模型,以对图像信息进行矫正;输出矫正后的图像信息。通过上述技术方案,可以提高图像的增强效率,解决图像增强效率低的问题,进而提升了用户体验。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为实现本申请各个实施例的一种智能终端的硬件结构示意图;
图2为本申请实施例提供的一种通信网络系统架构图;
图3为本申请实施例提供的图像处理的流程示意图;
图4是根据第一实施例示出的图像处理方法的流程示意图;
图5为本申请实施例提供的图像处理的另一流程示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素,此外,本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义,也可能具有不同含义,其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
应当理解,尽管在本文可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本文范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语"如果"可以被解释成为"在……时"或"当……时"或"响应于确定"。再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。本申请使用的术语“或”、“和/或”、“包括以下至少一个”等可被解释为包括性的,或意味着任一个或任何组合。例如,“包括以下至少一个:A、B、C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A和B和C”,再如,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A和B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
应该理解的是,虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
需要说明的是,在本文中,采用了诸如S10、S20等步骤代号,其目的是为了更清楚简要地表述相应内容,不构成顺序上的实质性限制,本领域技术人员在具体实施时,可能会先执行S20后执行S10等,但这些均应在本申请的保护范围之内。
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或者“单元”的后缀仅为了有利于本申请的说明,其本身没有特定的意义。因此,“模块”、“部件”或者“单元”可以混合地使用。
智能终端可以以各种形式来实施。例如,本申请中描述的智能终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)、便捷式媒体播放器(Portable Media Player,PMP)、导航装置、可穿戴设备、智能手环、计步器等智能终端,以及诸如数字TV、台式计算机等固定终端。
后续描述中将以移动终端为例进行说明,本领域技术人员将理解的是,除了特别用于移动目的的元件之外,根据本申请的实施方式的构造也能够应用于固定类型的终端。
请参阅图1,其为实现本申请各个实施例的一种移动终端的硬件结构示意图,该移动终端100可以包括:RF(Radio Frequency,射频)单元101、WiFi模块102、音频输出单元103、A/V(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解,图1中示出的移动终端结构并不构成对移动终端的限定,移动终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图1对移动终端的各个部件进行具体的介绍:
射频单元101可用于收发信息或通话过程中,信号的接收和发送,具体的,将基站的下行信息接收后,给处理器110处理;另外,将上行的数据发送给基站。通常,射频单元101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元101还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于GSM(Global System of Mobile communication,全球移动通讯系统)、GPRS(General Packet Radio Service,通用分组无线服务)、CDMA2000(CodeDivision Multiple Access 2000,码分多址2000)、WCDMA(Wideband Code DivisionMultiple Access,宽带码分多址)、TD-SCDMA(Time Division-Synchronous CodeDivision Multiple Access,时分同步码分多址)、FDD-LTE(Frequency DivisionDuplexing-Long Term Evolution,频分双工长期演进)、TDD-LTE(Time DivisionDuplexing-Long Term Evolution,分时双工长期演进)和5G等。
WiFi属于短距离无线传输技术,移动终端通过WiFi模块102可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图1示出了WiFi模块102,但是可以理解的是,其并不属于移动终端的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
音频输出单元103可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时,将射频单元101或WiFi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元103还可以提供与移动终端100执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。
A/V输入单元104用于接收音频或视频信号。A/V输入单元104可以包括图形处理器(Graphics Processing Unit,GPU)1041和麦克风1042,图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或WiFi模块102进行发送。麦克风1042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风1042接收声音(音频数据),并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。
移动终端100还包括至少一种传感器105,比如光传感器、运动传感器以及其他传感器。可选地,光传感器包括环境光传感器及接近传感器,可选地,环境光传感器可根据环境光线的明暗来调节显示面板1061的亮度,接近传感器可在移动终端100移动到耳边时,关闭显示面板1061和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元106可包括显示面板1061,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1061。
用户输入单元107可用于接收输入的数字或字符信息,以及产生与移动终端的用户设置以及功能控制有关的键信号输入。可选地,用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1071上或在触控面板1071附近的操作),并根据预先设定的程式驱动相应的连接装置。触控面板1071可包括触摸检测装置和触摸控制器两个部分。可选地,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器110,并能接收处理器110发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1071。除了触控面板1071,用户输入单元107还可以包括其他输入设备1072。可选地,其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种,具体此处不做限定。
可选地,触控面板1071可覆盖显示面板1061,当触控面板1071检测到在其上或附近的触摸操作后,传送给处理器110以确定触摸事件的类型,随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图1中,触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能,但是在某些实施例中,可以将触控面板1071与显示面板1061集成而实现移动终端的输入和输出功能,具体此处不做限定。
接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元108可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端100和外部装置之间传输数据。
存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序区和存储数据区,可选地,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器109可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器110是移动终端的控制中心,利用各种接口和线路连接整个移动终端的各个部分,通过运行或执行存储在存储器109内的软件程序和/或模块,以及调用存储在存储器109内的数据,执行移动终端的各种功能和处理数据,从而对移动终端进行整体监控。处理器110可包括一个或多个处理单元;优选的,处理器110可集成应用处理器和调制解调处理器,可选地,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器110中。
移动终端100还可以包括给各个部件供电的电源111(比如电池),优选的,电源111可以通过电源管理系统与处理器110逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图1未示出,移动终端100还可以包括蓝牙模块等,在此不再赘述。
为了便于理解本申请实施例,下面对本申请的移动终端所基于的通信网络系统进行描述。
请参阅图2,图2为本申请实施例提供的一种通信网络系统架构图,该通信网络系统为通用移动通信技术的LTE系统,该LTE系统包括依次通讯连接的UE(User Equipment,用户设备)201,E-UTRAN(Evolved UMTS Terrestrial Radio Access Network,演进式UMTS陆地无线接入网)202,EPC(Evolved Packet Core,演进式分组核心网)203和运营商的IP业务204。
可选地,UE201可以是上述终端100,此处不再赘述。
E-UTRAN202包括eNodeB2021和其它eNodeB2022等。可选地,eNodeB2021可以通过回程(backhaul)(例如X2接口)与其它eNodeB2022连接,eNodeB2021连接到EPC203,eNodeB2021可以提供UE201到EPC203的接入。
EPC203可以包括MME(Mobility Management Entity,移动性管理实体)2031,HSS(Home Subscriber Server,归属用户服务器)2032,其它MME2033,SGW(Serving Gate Way,服务网关)2034,PGW(PDN Gate Way,分组数据网络网关)2035和PCRF(Policy andCharging Rules Function,政策和资费功能实体)2036等。可选地,MME2031是处理UE201和EPC203之间信令的控制节点,提供承载和连接管理。HSS2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能,并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过SGW2034进行发送,PGW2035可以提供UE201的IP地址分配以及其它功能,PCRF2036是业务数据流和IP承载资源的策略与计费控制策略决策点,它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。
IP业务204可以包括因特网、内联网、IMS(IP Multimedia Subsystem,IP多媒体子系统)或其它IP业务等。
虽然上述以LTE系统为例进行了介绍,但本领域技术人员应当知晓,本申请不仅仅适用于LTE系统,也可以适用于其他无线通信系统,例如GSM、CDMA2000、WCDMA、TD-SCDMA以及未来新的网络系统(如5G)等,此处不做限定。
基于上述移动终端硬件结构以及通信网络系统,提出本申请各个实施例。
第一实施例
请参阅图3,图3为本申请实施例提供的图像处理的流程示意图;
本实施例提供的图像处理方法应用于智能终端,所述方法包括以下步骤:
S10:在第一环境中采集图像信息;
可以理解的是,第一环境是指水下环境,第二环境是指水上环境,在水下采集的图像通常存在多种退化问题,如雾化,蓝绿色偏,细节模糊、畸变、亮度等问题,这使得水下的原始图像能见度低,观感不佳,基于此,需要对水下图像进行增强。
在本实施例中,采集不同海域、不同深度的水下图像作为实验数据,因为不同海域的图像浑浊度不一样,因此图像清晰程度不一样,而不同深度的图像颜色偏蓝、偏绿的程度不一样,也就是说图像颜色失真程度不一样。其中,不同海域的水下失真图像差距较大(有的海域水质较为清晰拍摄的图像效果较好,有的海域泥沙颗粒较多拍摄的图像较差),如果只用采用某一海域的失真图像训练模型,那么会导致模型泛化能力弱。因此,可利用防水显示屏在不同海域以及不同深度(因为光的吸收的影响,不同深度拍摄的图像颜色有差异,有的偏绿有的偏蓝)滚动播放在水上环境收集得到的图像,然后用防水相机在水下对其拍摄,获取水下图像,如此,可以保证采集的水下图像的多样性,以此来提高模型的泛化能力。
S20:将所述图像信息输入预设的图像矫正模型,以对所述图像信息进行矫正;
在本实施例中,基于水上环境采集的第一图像集和水下环境采集第一图像集获得的第二图像集进行模型训练得到的图像矫正模型,然后,将采集的图像信息输入该图像矫正模型,实现对图像信息进行矫正。
S30:输出矫正后的图像信息。
图像矫正模型在对输入的图像信息进行矫正后,输出矫正后的图像信息,可选地,矫正后的图像对应的色彩、亮度、清晰度以及边缘轮廓等均与水上拍摄的图像一致,实现了图像的增强效果。
本实施例通过在第一环境中采集图像信息,将图像信息输入预设的图像矫正模型,以对图像信息进行矫正,输出矫正后的图像信息,可选地,图像矫正模型是基于第二环境采集的第一图像集和第一环境采集第一图像集获得的第二图像集进行训练得到的。通过上述技术方案,可以提高图像的增强效率,解决图像增强效率低的问题,进而提升了用户体验。
第二实施例
请参阅图4,图4是根据第一实施例示出的图像处理方法的流程示意图;
本实施例提供的图像处理方法应用于智能终端,所述S20的步骤包括:
步骤S21,基于所述图像信息获取至少一个图像特征;
步骤S22,采用预设耦合模型对至少一个所述图像特征进行耦合处理,以获得目标矫正参数,基于所述目标矫正参数对所述图像信息进行矫正。
需要说明的是,现有的图片矫正方式是对每个待矫正特征进行逐一矫正,例如先矫正图片色彩,再矫正图片亮度,最后矫正图片清晰度,如此,在色彩矫正的过程中会损失部分信息,而再去矫正其他图像特征时,矫正出来的图像与真实值相差较大,导致实际效果差。而本实施是对所有图像特征进行耦合,然后同时进行图像矫正,如此提高了图像矫正的效果。
可以理解的是,图像矫正属于图像复原,基于生成对抗网络的理论设计网络模型,可选地,生成网络采用U-Net的结构进行设计,使用残差卷积模块进行水下图像的特征提取。
可选地,获取预设卷积核,然后基于该预设卷积核对图像信息进行卷积,得到至少一个图像特征,然后,采用预设耦合模型对至少一个图像特征进行耦合处理,以获得目标矫正参数,基于目标矫正参数对图像信息进行矫正。可选地,采用预设耦合模型确定各个图像特征的关联性,基于关联性对至少一个图像特征进行耦合处理。在一具体实施例中,将图像信息输入图像矫正模型后,通过卷积核提取图像特征,然后基于预设耦合模型对提取的图像特征进行耦合,得到目标矫正参数,再根据该目标矫正参数对图像信息进行矫正。
可选地,图像特征包括以下至少一种特征:色彩、亮度、清晰度、边缘轮廓。
本实施例通过图像信息获取至少一个图像特征,采用预设耦合模型对至少一个图像特征进行耦合处理,以获得目标矫正参数,基于目标矫正参数对图像信息进行矫正,通过对图像特征进行耦合处理,实现同时对所有图像特征进行矫正,提高图像矫正的效率,以及提高了图像的增强效果。
第三实施例
请参阅图5,图5为本申请实施例提供的图像处理的另一流程示意图;
本实施例提供的图像处理方法应用于智能终端,所述方法包括以下步骤:
S100,获取图像训练集,其中,所述图像训练集包括基于第二环境采集的第一图像集和第一环境采集第一图像集获得的第二图像集;
S200,根据所述图像训练集预设处理得到图像矫正模型。
在训练模型之前,需要构建训练模型的图像训练集,该图像训练集包括训练集和验证集,可选地,利用爬虫技术,收集手机在水上环境(即正常环境)采集的第一图像集,然后,利用防水显示屏在不同水下环境滚动播放第一图像集,同时采用防水相机在水下对第一图像集进行拍摄,得到第二图像集;进一步将水上环境采集的第一图像集与在水下环境采集的第二图像集一一对应,同时,将第一图像集作为标准图像,第二图像集作为干扰图像,以此构建图像训练集。
可选地,采用生成对抗网络构建预设神经网络模型,可选地,所述生成对抗网络包括生成器和判别器,生成器用于生成图像,判别器用于判别图像。
可以理解的是,生成对抗网络(GAN),是深度学习模型之一,包括生成器G(Generator),和判别器D(Discriminator),其原理是:在训练过程中,生成器G的目标是生成与原始数据相似的图片去欺骗判别器D,而判别器D的目标是将生成器G生成的图片和真实的图片区分开,如此,生成器试图欺骗判别器,而判别器则不被生成器欺骗,两个模型经过交替优化训练,互相提升,G和D构成了一个动态的“博弈”。在最理想的状态下,生成器G可以生成足以“以假乱真”的图片G(z),对于判别器D来说,它难以判定生成器G生成的图片是否真实的,因此D(G(z))=0.5,此时得到一个生成式的模型G,它可以用来生成图片。
可选地,生成对抗网络包括生成网络和判别网络,可选地,生成网络采用U-Net的结构进行设计,而判别网络基于Patch-GAN的思想进行设计,以加强生成网络的复原能力。
在基于生成对抗网络构建预设神经网络模型后,将第二图像集输入生成器,以使生成器提取第二图像集中每张第二图像的图像特征,并根据每张第二图像的图像特征生成对应的目标图像,然后根据目标图像和第一图像集计算损失函数,在损失函数的数值小于设定阈值时,说明生成的图像与标准图像接近,此时结束模型训练。
可以理解的是,图像增强(图像超分辨率、图像去噪、图像去模糊、图像去雨,图像去块效应等)的评价标准为损失函数,本实施例的损失函数包括峰值信噪比(PSNR)和结构相似度(SSIM)。
可选地,峰值信噪比(PSNR)的计算公式如下所示:
其中,PSNR的计算方法是在均方误差法MSE的基础上得到相应于2n的对数比值,n为图像的位数,一般为8位,M、N分别表示图像的宽和高,X(x,y)与为增强后的图像与lable在位置(i,j)的像素值。
结构相似度(SSIM)的计算公式如下所示:
其中,μ和σ分别代表图像块的均值和方差,而σxy表示图像块x与图像块y之间的协方差,C1和C2为常数,一般可设置为0。
可选地,在训练得到图像矫正模型后,可将该模型部署于智能终端,如手机,同时在智能终端的拍摄功能中设置水下拍照模式,以及对应的功能按键。在一具体实施例中,当用户在水中游泳时,打开智能终端相机,然后点击水下拍照模式,此时在水下拍出照片的清晰度与在水上拍出的照片一样。
可选地,智能终端中的水下拍照模式还可以设置不同的水下场景或者任务,用户在水下拍照时,可根据自己的喜欢选择相应的水下场景进行拍照,从而提高用户体验。
本实施例通过获取图像训练集,然后根据图像训练集对预设神经网络模型进行训练得到图像矫正模型,如此,可通过图像矫正模型对水下拍摄图片进行矫正,解决了水下图像色彩失真、图像畸变、模糊、亮度低等特点,提高了图像的增强效果,以及提高了用户体验。
本申请实施例还提供一种智能终端,智能终端包括存储器、处理器,存储器上存储有图像处理程序,图像处理程序被处理器执行时实现上述任一实施例中的图像处理方法的步骤。
本申请实施例还提供一种计算机可读存储介质,存储介质上存储有图像处理程序,图像处理程序被处理器执行时实现上述任一实施例中的图像处理方法的步骤。
在本申请提供的智能终端和计算机可读存储介质的实施例中,可以包含任一上述图像处理方法实施例的全部技术特征,说明书拓展和解释内容与上述方法的各实施例基本相同,在此不再做赘述。
本申请实施例还提供一种计算机程序产品,计算机程序产品包括计算机程序代码,当计算机程序代码在计算机上运行时,使得计算机执行如上各种可能的实施方式中的方法。
本申请实施例还提供一种芯片,包括存储器和处理器,存储器用于存储计算机程序,处理器用于从存储器中调用并运行计算机程序,使得安装有芯片的设备执行如上各种可能的实施方式中的方法。
可以理解,上述场景仅是作为示例,并不构成对于本申请实施例提供的技术方案的应用场景的限定,本申请的技术方案还可应用于其他场景。例如,本领域普通技术人员可知,随着系统架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请实施例设备中的单元可以根据实际需要进行合并、划分和删减。
在本申请中,对于相同或相似的术语概念、技术方案和/或应用场景描述,一般只在第一次出现时进行详细描述,后面再重复出现时,为了简洁,一般未再重复阐述,在理解本申请技术方案等内容时,对于在后未详细描述的相同或相似的术语概念、技术方案和/或应用场景描述等,可以参考其之前的相关详细描述。
在本申请中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本申请技术方案的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本申请记载的范围。
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上述实施例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如上的一个存储介质(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,被控终端,或者网络设备等)执行本申请每个实施例的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络,或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、存储盘、磁带)、光介质(例如,DVD),或者半导体介质(例如固态存储盘Solid State Disk(SSD))等。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括以下步骤:
S10:在第一环境中采集图像信息;
S20:将所述图像信息输入预设的图像矫正模型,以对所述图像信息进行矫正;
S30:输出矫正后的图像信息。
2.如权利要求1所述的方法,其特征在于,所述图像矫正模型是采用图像矫正模型,所述图像矫正模型基于第二环境采集的第一图像集和第一环境采集第一图像集获得的第二图像集进行训练得到的。
3.如权利要求1所述的方法,其特征在于,所述S20的步骤包括:
基于所述图像信息获取至少一个图像特征;
采用预设耦合模型对至少一个所述图像特征进行耦合处理,以获得目标矫正参数,基于所述目标矫正参数对所述图像信息进行矫正。
4.如权利要求3所述的方法,其特征在于,所述基于所述图像信息获取至少一个图像特征的步骤包括:
获取预设卷积核;
基于所述预设卷积核对所述图像信息进行卷积,得到至少一个所述图像特征。
5.如权利要求3所述的方法,其特征在于,所述采用预设耦合模型对至少一个所述图像特征进行耦合处理的步骤包括:
采用预设耦合模型确定各个所述图像特征的关联性;
基于所述关联性对至少一个所述图像特征进行耦合处理。
6.如权利要求1至5中任一项所述的方法,其特征在于,所述S10的步骤之前,包括:
获取图像训练集;
根据所述图像训练集对预设神经网络模型进行训练得到图像矫正模型。
7.一种图像处理方法,其特征在于,所述方法包括以下步骤:
S100,获取图像训练集,其中,所述图像训练集包括基于第一环境采集的第一图像集和第一环境采集第一图像集获得的第二图像集;
S200,根据所述图像训练集预设处理得到图像矫正模型。
8.如权利要求7所述的方法,其特征在于,所述预设处理包括对预设神经网络模型进行训练,所述S200的步骤之前,包括:
采用生成对抗网络构建所述预设神经网络模型。
9.一种智能终端,其特征在于,所述智能终端包括:存储器、处理器,其中,所述存储器上存储有图像处理程序,所述图像处理程序被所述处理器执行时实现如权利要求1至8中任一项所述的图像处理方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210535754.1A CN114820382A (zh) | 2022-05-17 | 2022-05-17 | 图像处理方法、智能终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210535754.1A CN114820382A (zh) | 2022-05-17 | 2022-05-17 | 图像处理方法、智能终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114820382A true CN114820382A (zh) | 2022-07-29 |
Family
ID=82514771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210535754.1A Pending CN114820382A (zh) | 2022-05-17 | 2022-05-17 | 图像处理方法、智能终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820382A (zh) |
-
2022
- 2022-05-17 CN CN202210535754.1A patent/CN114820382A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108024065B (zh) | 一种终端拍摄的方法、终端及计算机可读存储介质 | |
CN111708503B (zh) | 一种投屏控制方法、设备及计算机可读存储介质 | |
CN108459799B (zh) | 一种图片的处理方法、移动终端及计算机可读存储介质 | |
CN107317963A (zh) | 一种双摄像头移动终端控制方法、移动终端及存储介质 | |
CN108198150B (zh) | 一种图像坏点的消除方法、终端及存储介质 | |
CN108038834A (zh) | 一种降低噪声的方法、终端和计算机可读存储介质 | |
CN107145855B (zh) | 一种参考质量模糊图像预测方法、终端及存储介质 | |
CN110086993B (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
CN109710159B (zh) | 一种柔性屏响应方法、设备及计算机可读存储介质 | |
CN113222850A (zh) | 一种图像处理方法、设备及计算机可读存储介质 | |
CN113393398A (zh) | 一种图像降噪处理方法、设备及计算机可读存储介质 | |
CN113347372A (zh) | 拍摄补光方法、移动终端及可读存储介质 | |
CN112598678A (zh) | 一种图像处理方法、终端及计算机可读存储介质 | |
CN112135045A (zh) | 一种视频处理方法、移动终端以及计算机存储介质 | |
CN112532838B (zh) | 一种图像处理方法、移动终端以及计算机存储介质 | |
CN111866389B (zh) | 一种视频跟踪拍摄方法、设备及计算机可读存储介质 | |
CN114581504A (zh) | 一种深度图像置信度计算方法、设备及计算机可读存储介质 | |
CN114040073A (zh) | 一种星空图像拍摄处理方法、设备及计算机可读存储介质 | |
CN113473029A (zh) | 一种闪电图像拍摄方法、设备及计算机可读存储介质 | |
CN112967298A (zh) | 图像分割方法、终端以及计算机可读介质 | |
CN108335301B (zh) | 一种拍照方法及移动终端 | |
CN113572916A (zh) | 拍摄方法、终端设备及存储介质 | |
CN109495683B (zh) | 一种间隔拍摄方法、设备及计算机可读存储介质 | |
CN114820382A (zh) | 图像处理方法、智能终端及存储介质 | |
CN108154534B (zh) | 一种图片清晰度校准方法、终端和计算机可读存储介质 |
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 |