CN116167926A - 一种模型训练方法及对比度调整方法 - Google Patents
一种模型训练方法及对比度调整方法 Download PDFInfo
- Publication number
- CN116167926A CN116167926A CN202111414932.7A CN202111414932A CN116167926A CN 116167926 A CN116167926 A CN 116167926A CN 202111414932 A CN202111414932 A CN 202111414932A CN 116167926 A CN116167926 A CN 116167926A
- Authority
- CN
- China
- Prior art keywords
- image
- contrast
- pixel
- pixel value
- adjusted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 129
- 238000012549 training Methods 0.000 title claims abstract description 58
- 230000006870 function Effects 0.000 claims description 137
- 230000000875 corresponding effect Effects 0.000 claims description 102
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 43
- 230000000694 effects Effects 0.000 abstract description 25
- 230000008569 process Effects 0.000 description 57
- 238000010586 diagram Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 3
- 238000005282 brightening Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种模型训练方法及对比度调整方法,应用于图像处理领域,其中,模型训练方法包括:获取输入图像以及与输入图像对应的参考图像;将输入图像输入对比度调整模型中,得到对应的输出图像;根据对比图像与参考图像之间的像素值差异调整对比度调整模型对应的损失函数;其中,对比图像包括输入图像或者输出图像;根据调整后的损失函数计算表征参考图像与输出图像之间的差异的预测损失;根据预测损失更新对比度调整模型的参数。在上述方案中,由于基于像素值差异对损失函数进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
Description
技术领域
本申请涉及图像处理领域,具体而言,涉及一种模型训练方法及对比度调整方法。
背景技术
随着终端设备技术的提升,用户对利用终端设备拍摄得到的图像质量的要求也变得越来越高。其中,一张图像的对比度会对该图像拍照效果有着明显得影响,而现有技术中的对比度提升算法,一般采用去雾、深度学习算法等之类的方法。
但是,采用上述现有技术中的方法对图像进行对比度提升时,容易出现死黑区域或者过曝区域。这是由于,虽然采用上述方法可以将图像的对比度调整的较为良好,但是会导致图像的动态范围降低,从而导致得到的图像效果较差。
发明内容
本申请实施例的目的在于提供一种模型训练方法及对比度调整方法,用以解决图像的动态范围降低,从而导致得到的图像效果较差的技术问题。
第一方面,本申请实施例提供一种模型训练方法,包括:获取输入图像以及与所述输入图像对应的参考图像;将所述输入图像输入对比度调整模型中,得到对应的输出图像;根据对比图像以及所述参考图像的像素值差异调整所述对比度调整模型对应的损失函数;其中,所述对比图像包括所述输入图像或者所述输出图像;根据调整后的损失函数计算表征所述参考图像与所述输出图像之间的差异的预测损失;根据所述预测损失更新所述对比度调整模型的参数。在上述方案中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)与参考图像之间的像素值差异来对对比度调整模型的损失函数进行调整。由于基于像素值差异对损失函数进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
在可选的实施方式中,所述根据对比图像以及所述参考图像的像素值差异调整所述对比度调整模型对应的损失函数,包括:提取所述对比图像中的高光区域;根据所述对比图像中所述高光区域内的像素值以及所述参考图像中对应区域内的像素值,调整所述对比度调整模型对应的损失函数。在上述方案中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)以及参考图像中高光区域的像素值差异来对对比度调整模型的损失函数进行调整。由于基于高光区域的像素值差异对损失函数进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
在可选的实施方式中,所述根据所述对比图像中所述高光区域内的像素值以及所述参考图像中对应区域内的像素值,调整所述对比度调整模型对应的损失函数,包括:判断所述高光区域中某一像素点的像素值是否大于所述参考图像中对应像素点的像素值;若所述高光区域中某一像素点的像素值大于所述参考图像中对应像素点的像素值,则提高所述损失函数中所述像素点对应的权重;其中,所述损失函数根据每个像素点的像素值进行加权计算。在上述方案中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)以及参考图像中高光区域的像素值大小来对对比度调整模型的损失函数中的权重进行调整。由于基于高光区域的像素值大小对损失函数中的权重进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
在可选的实施方式中,所述损失函数包括图像的平均像素值以及标准像素差。
在可选的实施方式中,在所述高光区域中某一像素点的像素值大于所述参考图像中对应像素点的像素值时,所述损失函数中所述像素点对应的权重与所述像素点的像素值正相关。在上述方案中,在对损失函数中高光区域内的像素点对应的权重进行调整时,可以根据像素点的像素值的大小决定调整的程度,从而可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
在可选的实施方式中,所述获取输入图像,包括:获取原始图像;改变所述原始图像中像素点的像素值,得到所述输入图像,以使在对所述输入图像进行对比度调整时,每个像素点的像素值的调整趋势相同。在上述方案中,电子设备可以在获取原始图像之后,对原始图像进行处理得到输入图像后再基于输入图像以及参考图像对对比度调整模型进行训练。其中,处理的方式可以采用改变原始图像中像素点的像素值的方式,使在调整的过程中输入图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
在可选的实施方式中,所述改变所述原始图像中像素点的像素值,得到所述输入图像,包括:对所述原始图像中的像素值进行归一化,得到归一化后的图像;对所述归一化后的图像中每个像素值取N次方,得到所述输入图像;其中,所述N为大于0且不等于1的实数。在上述方案中,电子设备可以在获取原始图像之后,对原始图像的像素值进行归一化并取N次方,从而实现压暗或者提亮整个图像,这样使得在后续调整的过程中,输入图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
在可选的实施方式中,所述对比图像包括所述原始图像、所述输入图像或者所述输出图像。
第二方面,本申请实施例提供一种对比度调整方法,包括:获取待调整图像;基于所述待调整图像,利用预先训练好的对比度调整模型,得到调整后的图像;其中,所述对比度调整模型为利用如权利要求1-8任一项所述的模型训练方法训练得到的。在上述方案中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)以及参考图像的像素值差异来对对比度调整模型的损失函数进行调整。由于基于像素值差异对损失函数进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
在可选的实施方式中,所述获取待调整图像,包括:获取初始图像;改变所述初始图像中像素点的亮度,得到所述待调整图像;其中,在对所述待调整图像进行对比度调整时,每个像素点的像素值的调整趋势相同。在上述方案中,电子设备可以在获取初始图像之后,对初始图像进行处理得到待调整图像后再利用预先训练好的对比度调整模型对待调整图像进行调整。其中,处理的方式可以采用改变原始图像中像素点的像素值的方式,使在调整的过程中待调整图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
第三方面,本申请实施例提供一种对比度调整方法,包括:获取初始图像;改变所述初始图像中像素点的亮度,得到所述待调整图像;其中,在对所述待调整图像进行对比度调整时,每个像素点的像素值的调整趋势相同;基于所述待调整图像,利用预先训练好的对比度调整模型,得到调整后的图像。在上述方案中,电子设备可以在获取初始图像之后,对初始图像进行处理得到待调整图像后再利用预先训练好的对比度调整模型对待调整图像进行调整。其中,处理的方式可以采用改变原始图像中像素点的像素值的方式,使在调整的过程中待调整图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
第四方面,本申请实施例提供一种模型训练装置,包括:第一获取模块,用于获取输入图像以及与所述输入图像对应的参考图像;输入模块,用于将所述输入图像输入对比度调整模型中,得到对应的输出图像;调整模块,用于根据对比图像以及所述参考图像的像素值差异调整所述对比度调整模型对应的损失函数;其中,所述对比图像包括所述输入图像或者所述输出图像;计算模块,用于根据调整后的损失函数计算表征所述参考图像与所述输出图像之间的差异的预测损失;更新模块,用于根据所述预测损失更新所述对比度调整模型的参数。在上述方案中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)以及参考图像的像素值差异来对对比度调整模型的损失函数进行调整。由于基于像素值差异对损失函数进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
在可选的实施方式中,所述调整模块具体用于:提取所述对比图像中的高光区域;根据所述对比图像中所述高光区域内的像素值以及所述参考图像中对应区域内的像素值,调整所述对比度调整模型对应的损失函数。在上述方案中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)以及参考图像中高光区域的像素值差异来对对比度调整模型的损失函数进行调整。由于基于高光区域的像素值差异对损失函数进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
在可选的实施方式中,所述调整模块还用于:判断所述高光区域中某一像素点的像素值是否大于所述参考图像中对应像素点的像素值;若所述高光区域中某一像素点的像素值大于所述参考图像中对应像素点的像素值,则提高所述损失函数中所述像素点对应的权重;其中,所述损失函数根据每个像素点的像素值进行加权计算。在上述方案中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)以及参考图像中高光区域的像素值大小来对对比度调整模型的损失函数中的权重进行调整。由于基于高光区域的像素值大小对损失函数中的权重进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
在可选的实施方式中,所述损失函数包括图像的平均像素值以及标准像素差。
在可选的实施方式中,在所述高光区域中某一像素点的像素值大于所述参考图像中对应像素点的像素值时,所述损失函数中所述像素点对应的权重与所述像素点的像素值正相关。在上述方案中,在对损失函数中高光区域内的像素点对应的权重进行调整时,可以根据像素点的像素值的大小决定调整的程度,从而可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
在可选的实施方式中,所述第一获取模块具体用于:获取原始图像;改变所述原始图像中像素点的像素值,得到所述输入图像,以使在对所述输入图像进行对比度调整时,每个像素点的像素值的调整趋势相同。在上述方案中,电子设备可以在获取原始图像之后,对原始图像进行处理得到输入图像后再基于输入图像以及参考图像对对比度调整模型进行训练。其中,处理的方式可以采用改变原始图像中像素点的像素值的方式,使在调整的过程中输入图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
在可选的实施方式中,所述第一获取模块还用于:对所述原始图像中的像素值进行归一化,得到归一化后的图像;对所述归一化后的图像中每个像素值取N次方,得到所述输入图像;其中,所述N为大于0且不等于1的实数。在上述方案中,电子设备可以在获取原始图像之后,对原始图像的像素值进行归一化并取N次方,从而实现压暗或者提亮整个图像,这样使得在后续调整的过程中,输入图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
在可选的实施方式中,所述对比图像包括所述原始图像、所述输入图像或者所述输出图像。
第五方面,本申请实施例提供一种对比度调整装置,包括:第二获取模块,用于获取待调整图像;第一得到模块,用于基于所述待调整图像,利用预先训练好的对比度调整模型,得到调整后的图像;其中,所述对比度调整模型为利用如权利要求1-8任一项所述的模型训练方法训练得到的。在上述方案中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)以及参考图像的像素值差异来对对比度调整模型的损失函数进行调整。由于基于像素值差异对损失函数进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
在可选的实施方式中,所述第二获取模块具体用于:获取初始图像;改变所述初始图像中像素点的亮度,得到所述待调整图像;其中,在对所述待调整图像进行对比度调整时,每个像素点的像素值的调整趋势相同。在上述方案中,电子设备可以在获取初始图像之后,对初始图像进行处理得到待调整图像后再利用预先训练好的对比度调整模型对待调整图像进行调整。其中,处理的方式可以采用改变原始图像中像素点的像素值的方式,使在调整的过程中待调整图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
第六方面,本申请实施例提供一种对比度调整装置,包括:第三获取模块,用于获取初始图像;改变模块,用于改变所述初始图像中像素点的亮度,得到所述待调整图像;其中,在对所述待调整图像进行对比度调整时,每个像素点的像素值的调整趋势相同;第二得到模块,用于基于所述待调整图像,利用预先训练好的对比度调整模型,得到调整后的图像。在上述方案中,电子设备可以在获取初始图像之后,对初始图像进行处理得到待调整图像后再利用预先训练好的对比度调整模型对待调整图像进行调整。其中,处理的方式可以采用改变原始图像中像素点的像素值的方式,使在调整的过程中待调整图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
第七方面,本申请实施例提供一种电子设备,包括:处理器、存储器和总线;所述处理器和所述存储器通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的计算机程序指令,所述处理器调用所述计算机程序指令能够执行如第一方面任一项所述的模型训练方法、如第二方面任一项所述的对比度调整方法或者如第三方方面所述的对比度调整方法。
第八方面,本申请实施例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计算机程序指令,所述计算机程序指令被计算机运行时,使所述计算机执行如第一方面任一项所述的模型训练方法、如第二方面任一项所述的对比度调整方法或者如第三方方面所述的对比度调整方法。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举本申请实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种模型法训练方法的流程图;
图2为本申请实施例提供的一种对比度调整方法的流程图;
图3为本申请实施例提供的另一种对比度调整方法的流程图;
图4为本申请实施例提供的一种模型训练装置的结构框图;
图5为本申请实施例提供的一种对比度调整装置的结构框图;
图6为本申请实施例提供的另一种对比度调整装的结构框图;
图7为本申请实施例提供的一种电子设备的结构框图。
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描述。
请参照图1,图1为本申请实施例提供的一种模型法训练方法的流程图,该模型训练方法可以应用于电子设备。其中,该模型训练方法具体可以包括如下内容:
步骤S101:获取输入图像以及与输入图像对应的参考图像。
步骤S102:将输入图像输入对比度调整模型中,得到对应的输出图像。
步骤S103:根据对比图像以及参考图像的像素值差异调整对比度调整模型对应的损失函数。
步骤S104:根据调整后的损失函数计算表征参考图像与输出图像之间的差异的预测损失。
步骤S105:根据预测损失更新对比度调整模型的参数。
具体的,输入图像指需要进行对比度调整图像,在训练时是指训练样本,而与输入图像对应的参考图像指将输入图像经过理想的对比度调整后得到的图像,对比度调整模型的训练目标即是要拟合输入图像与参考图像之间的对比度关系。其中,将输入图像经过对比度调整后得到的参考图像的方式有多种,例如:用户可以利用Photoshop等图像处理技术对输入图像进行处理,以对输入图像的对比度进行调整,得到符合要求的参考图像;或者,用户也可以将输入图像输入其他对比度调整模型中,得到符合要求的参考图像。
需要说明的是,本领域技术人员可以根据应用场景对上述“符合要求”中的“要求”进行调整,例如:当本申请实施例提供的模型训练方法用于训练手机相机的对比度调整模型时,上述参考图像的要求可以相对低一点(例如:对清晰度、对比度等的要求低一点);而当本申请实施例提供的模型训练方法用于训练专业相机的对比度调整模型时,上述参考图像的要求可以相对高一点。
本申请实施例对步骤S101中输入图像以及参考图像的数量不作具体的限定,本领域技术人员可以根据实际情况进行合适的调整。作为一种实施方式,输入图像与参考图像是一一对应的,因此,此时输入图像与参考图像的数量是相等的。
可以理解的是,本申请实施例对电子设备获取输入图像以及参考图像的具体实施方式也不作具体的限定。
针对输入图像,举例来说,电子设备自身可以采集图像作为输入图像;或者,电子设备可以从本地或者云端读取预先存储的图像作为输入图像;或者,电子设备可以接收其他设备发送的图像作为输入图像等。
针对参考图像,举例来说,电子设备自身可以执行上述将输入图像经过对比度调整后得到参考图像的过程;或者,与输入图像类似,电子设备也可以从本地或者云端读取预先存储的图像作为参考图像,或者接收其他设备发送的图像作为参考图像等。
电子设备在步骤S101中获取到输入图像以及参考图像之后,接下来可以基于上述输入图像以及参考图像对对比度调整模型进行训练。首先,电子设备可以将输入图像输入至对比度调整模型中,对比度调整模型会输出对应的输出图像,该输出图像为经过上述对比度调整模型调整过的图像;然后,电子设备可以基于损失函数计算表征参考图像与输出图像之间的差异的预测损失,并基于上述预测损失更新对比度调整模型的参数,以实现对对比度调整模型的训练。
可以理解的是,待训练的对比度调整模型既可以是一个初始的神经网络模型,即未被训练过的模型,本次模型训练方法是初次对该神经网络模型进行训练,目的主要在于得到一个能够实现图像调整的模型;待训练的对比度调整模型也可以是一个已经训练过多次的对比度调整模型,本次模型训练方法是对该对比度调整模型进一步训练,目的主要在于提高模型的调整效果。
此外,本申请实施例对上述实施例中损失函数的具体形式也不作具体的限定,举例来说,可以采用交叉熵损失函数、最大似然函数等,本领域技术人员可以根据实际情况进行合适的选择。
其中,在对对比度调整模型进行训练的过程中,可以基于根据对比图像以及参考图像的像素值差异对对比度调整模型对应的损失函数进行调整。可以理解的是,在对损失函数进行调整时,可以对整个损失函数进行调整,也可以对损失函数中的部分进行调整。
作为一种实施方式,上述对比图像可以为输入图像,即可以根据输入图像以及参考图像的像素值差异对对比度调整模型对应的损失函数进行调整;作为另一种实施方式,上述对比图像可以为输出图像,即可以根据输出图像以及参考图像的像素值差异对对比度调整模型对应的损失函数进行调整。
以对比图像为输入图像为例,可以分别计算输入图像以及参考图像中每个像素点对应的像素值。作为一种实施方式,可以根据输入图像中像素点的像素值与参考图像中对应像素点的像素值之间的差异对损失函数进行调整;作为另一种实施方式,可以根据输入图像中的像素区域(包括多个像素点)的平均像素值与参考图像中对应像素区域的平均像素值之间的差异对损失函数进行调整。
需要说明的是,上述实施例中的像素值差异有多种实现方式,例如:像素值差异可以指像素值之间的差值大小、像素值之间的大小关系等,本领域技术人员可以根据实际情况进行灵活的调整。此外,上述实施例中即可以根据所有像素点的像素值差异对损失函数进行调整,也可以根据部分像素点的像素值差异对损失函数进行调整,本领域技术人员同样可以根据实际情况进行灵活的调整。
举例来说,可以采用如下方式调整对比度调整模型对应的损失函数:提取对比图像中的部分区域,然后根据对比图像中该区域的平均像素值与参考图像中对应区域的平均像素值的大小关系,对损失函数中与该区域内的像素点相关的部分进行调整。
再如,可以采用如下方式调整对比度调整模型对应的损失函数:根据对比图像中每个像素点的像素值与参考图像中对应像素点的像素值的差值大小,对整个损失函数进行调整。
可以理解的是,上述两个实施方式仅为本申请实施例提供的两个示例,本领域技术人员在上述实施例的基础上,可以灵活的调整执行调整对比度调整模型对应的损失函数的实施方式。
在上述方案中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)与参考图像之间的像素值差异来对对比度调整模型的损失函数进行调整。由于基于像素值差异对损失函数进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
进一步的,下面对本申请实施例提供的一种调整对比度调整模型对应的损失函数的实施方式进行详细的介绍,上述步骤S103具体可以包括如下内容:
步骤1),提取对比图像中的高光区域。
步骤2),根据对比图像中高光区域内的像素值以及参考图像中对应区域内的像素值,调整对比度调整模型对应的损失函数。
具体的,高光区域是指图像中亮度比较高的区域,判断一个区域是否为为高光区域可以判断该区域的像素值大于某一数值的区域。若一个区域中仅包括一个像素点,则该区域的像素值等于该像素点的像素值;若一个区域中包括多个像素点,则该区域的像素值等于多个像素点的平均像素值。
上述实施例中的某一数值可以为预先确定好的一个数值,例如:200、210等;或者,上述某一数值也可以为电子设备根据实际情况实时计算得到的一个数值,例如:电子设备计算输入图像的平均像素值,并将该平均像素值确定为上述数值等。
电子设备提取对比图像中的高光区域的方式有多种。举例来说,电子设备可以将对比图像中每一个像素点的像素值与上述数值进行比较,所有像素值大于上述数值的像素点构成高光区域;或者,电子设备可以先利用图像区域分割技术将对比图像分割为多个区域,然后将对比图像中每个区域的平均像素值与上述数值进行比较,平均像素值大于上述数值的区域为高光区域等。
电子设备在提取了对比图像中的高光区域之后,可以根据对比图像中高光区域内的像素值以及参考图像中对应区域内的像素值来调整对比度调整模型对应的损失函数。
举例来说,可以根据对比图像中高光区域内的像素值以及参考图像中对应区域内的像素值的大小关系对损失函数中与高光区域内的像素点相关的部分进行调整;或者,可以根据对比图像中高光区域内的像素值以及参考图像中对应区域内的像素值的差值大小对整个损失函数进行调整等。
在上述方案中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)以及参考图像中高光区域的像素值差异来对对比度调整模型的损失函数进行调整。由于基于高光区域的像素值差异对损失函数进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
进一步的,下面对本申请实施例提供的一种根据高光区域的像素值调整对比度调整模型对应的损失函数的实施方式进行详细的介绍,上述根据对比图像中高光区域内的像素值以及参考图像中对应区域内的像素值,调整对比度调整模型对应的损失函数的步骤,具体可以包括如下内容:
步骤1),判断高光区域中某一像素点的像素值是否大于参考图像中对应像素点的像素值。
步骤2),若高光区域中某一像素点的像素值大于参考图像中对应像素点的像素值,则提高损失函数中像素点对应的权重。
具体的,电子设备可以将对比图像中的高光区域的像素值与参考图像中对应区域的像素值进行比较。如果对比图像中高光区域中的某个像素点的像素值不大于参考图像中对应像素点的像素值,则可以不对损失函数中与该像素点相关的部分进行调整;如果对比图像中高光区域中的某个像素点的像素值大于参考图像中对应像素点的像素值,则可以对损失函数中与该像素点相关的部分进行调整。
作为一种实施方式,损失函数可以根据每个像素点的像素值进行加权计算,此时,可以通过提高损失函数中高光区域内的像素点对应的权重,实现对损失函数中与该高光区域内的像素点相关的部分进行调整的目的。具体来说,在损失函数中,可以根据每个像素点的像素值计算得到一个值(本申请实施例对计算方式不作限制),然后为每一个像素点对应的值分配一个权重,进行加权求和。
举例来说,假设损失函数包括图像的平均像素值以及图像的标准像素差两部分,其中,平均像素值表示了图像了整体亮度,而标准像素差表示了图像的对比度差异。因此,可以将损失函数表示为如下公式:
Loss=μx+σx;
其中,Loss表示损失函数,μx表示图像的平均像素值,σx表示图像的标准像素差,N表示图像中像素点的总数,xi表示图像中第i个像素点的像素值,pi表示图像中第i个像素点对应的权重。
可以理解的是,在对损失函数进行调整的过程中,可以仅调整损失函数中的标准像素差(即上述公式中的σx),而不调整损失函数中的平均像素值(即上述公式中的μx)。这是由于,标准像素差表示了图像的对比度差异,通过调整高光区域中像素点的权重,可以改变像素点的像素值对图像的对比度的影响。
因此,当损失函数采用上述公式表示时,如果对比图像中某个高光区域的像素值大于参考图像中对应区域的像素值,则可以增大损失函数中与该高光区域内的像素点的pi的大小。例如:调整前pi=1,调整后pi=3。
作为又一种实施方式,在高光区域中的某个像素点的像素值大于参考图像中对应像素点的像素值时,损失函数中该像素点对应的权重与该像素点的像素值正相关。也就是说,调整的pi的大小与对应的xi的大小正相关;换句话说,像素点的像素值xi越大,则在对损失函数进行调整时,可以将对应的权重pi调整的越大。例如:第a个像素点xa=200,第b个像素点xb=225,则可以将pa调整为2、将pb调整为3。
因此,在对损失函数中高光区域内的像素点对应的权重进行调整时,可以根据像素点的像素值的大小决定调整的程度,从而可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
可以理解的是,对于一个高光区域,可以针对该高光区域中的每一个像素点进行权重的调整,即对比高光区域中每个像素点的像素值与参考图像中对应像素点的像素值,并对像素值大于参考图像中像素值的像素点的权重进行调整;也可以针对整个高光区域进行权重的调整,即对比高光区域的平均像素值与参考图像中对应区域的平均像素值,并对平均像素值大于参考图像中平均像素值的高光区域中的每个像素点的权重统一进行调整。本申请实施例对此不作具体的限定,本领域技术人员可以根据实际情况进行合适的选择。
需要说明的是,根据不同的需求,也可以对损失函数中暗部区域内的像素点对应的权重进行调整。其中,暗部区域是指图像中亮度比较低的区域,判断一个区域是否为暗部区域可以判断该区域的像素值小于某一数值的区域。可以理解的是,对损失函数中暗部区域内的像素点对应的权重进行调整的实施方式与对损失函数中高光区域内的像素点对应的权重进行调整的实施方式类似,因此本申请实施例对此不再赘述。
在上述方案中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)以及参考图像中高光区域的像素值大小来对对比度调整模型的损失函数中的权重进行调整。由于基于高光区域的像素值大小对损失函数中的权重进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
进一步的,上述步骤S101中获取输入图像的步骤,具体可以包括如下内容:
步骤1),获取原始图像;
步骤2),改变原始图像中像素点的像素值,得到输入图像。
具体的,作为一种实施方式,电子设备可以直接获取到输入图像,然后直接利用输入图像以及参考图像对本申请实施例中的对比度调整模型进行训练;作为另一种实施方式,电子设备可以先获取原始图像,然后对原始图像进行处理后得到输入图像,再利用输入图像以及参考图像对本申请实施例中的对比度调整模型进行训练。
可以理解的是,电子设备获取原始图像的方式与电子设备获取输入图像的方式类似,区别仅在于获取的对象不同,因此,本申请实施例对电子设备获取原始图像的方式不再赘述。
其中,本申请实施例对电子设备对原始图像进行的具体处理方式不作具体的限定。举例来说,电子设备可以对原始图像进行缩放、裁剪等图像处理,得到输入图像;或者,电子设备也可以对原始图像中像素点的像素值进行处理,得到输入图像等。
以电子设备对原始图像中像素点的像素值进行处理为例,电子设备可以通过改变原始图像中像素点的像素值,得到输入图像。例如:增大原始图像中部分像素点的像素值,或者减小原始图像中部分像素点的像素值,或者增大原始图像中一部分像素点的像素值并减小原始图像中另一部分像素点的像素值。
其中,作为一种实施方式,原始图像经过处理之后得到的输入图像,在后续利用对比度调整模型对输入图像进行对比度调整的过程中,输入图像中的每个像素点的像素值的调整趋势相同。也就是说,在调整的过程中,输入图像中的像素点要么均增大像素值或者保持不变,要么均减小像素值或者保持不变,不会出现部分像素点的像素点增大而部分像素点的像素值减小的情况。
现有技术中的方案一般为,为了使输入图像满足某个场景的最佳对比度,可能需要对输入图像提亮、或者压暗、或者部分区域提亮而部分区域压暗,因此,输入图像在调整过程中的整体调整趋势不明显,很容易导致模型难收敛且提高了模型处理的难度。
而采用上述处理方式,与现有技术相比,由于经过处理后,在调整的过程中输入图像调整趋势相同,因此降低了模型处理的复杂度,提高了模型收敛的速度。
在上述方案中,电子设备可以在获取原始图像之后,对原始图像进行处理得到输入图像后再基于输入图像以及参考图像对对比度调整模型进行训练。其中,处理的方式可以采用改变原始图像中像素点的像素值的方式,使在调整的过程中输入图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
进一步的,本申请实施例提供一种增大(或减小)原始图像中部分像素点的像素值的方式,即上述改变原始图像中像素点的像素值,得到输入图像的步骤具体可以包括如下内容:
步骤1),对原始图像中的像素值进行归一化,得到归一化后的图像。
步骤2),对归一化后的图像中每个像素值取N次方,得到输入图像;其中,N为大于0且不等于1的实数。
具体的,电子设备可以对原始图像中的像素值进行归一化,使原始图像中每一个像素点对应的像素值均在[0,1]的范围之内。其中,作为一种实施方式,可以先将原始图像转换为浮点(float)型,然后,由于原始图像中像素点的像素值在[0,255]之间,因此可以采用将原始图像中的像素值均除以255的方式实现归一化。
然后,由于归一化后像素点的像素值均在[0,1]的范围之内,因此可以通过对归一化后的图像中每个像素值取N次方,来实现增大(或减小)归一化后的图像中部分像素点的像素值的目的。当N大于0且小于1的实数时,对像素值取N次方即增大归一化后的图像中部分像素点的像素值,这样,归一化后的图像中的像素点整体亮度变亮,调整的过程中整体趋势为调暗;当N大于1的实数时,对像素值取N次方即减小归一化后的图像中部分像素点的像素值,这样,归一化后的图像中的像素点整体亮度变暗,调整的过程中整体趋势为调亮。
可以理解的是,上述增大(或减小)原始图像中部分像素点的像素值的方式仅为本申请实施例提供的一个示例,本领域技术人员还可以采用其他的实现方式达到相同的目的,例如:直接取像素值的二分一来实现对原始图像的压暗等。
在上述方案中,电子设备可以在获取原始图像之后,对原始图像的像素值进行归一化并取N次方,从而实现压暗或者提亮整个图像,这样使得在后续调整的过程中,输入图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
进一步的,当电子设备直接获取输入图像,并利用输入图像以及参考图像对本申请实施例中的对比度调整模型进行训练时,步骤S103中的对比图像可以为输入图像或者输出图像;而当电子设备先获取原始图像,然后对原始图像进行处理后得到输入图像后再利用输入图像以及参考图像对本申请实施例中的对比度调整模型进行训练时,步骤S103中的对比图像可以为原始图像、输入图像或者输出图像。
请参照图2,图2为本申请实施例提供的一种对比度调整方法的流程图,该对比度调整方法可以应用于电子设备。其中,该对比度调整方法可以包括如下内容:
步骤S201:获取待调整图像。
步骤S202:基于待调整图像,利用预先训练好的对比度调整模型,得到调整后的图像。
具体的,电子设备获取待调整图像的方式与电子设备获取输入图像的方式同样类似,区别同样仅在于获取的对象不同,因此,本申请实施例对电子设备获取待调整图像的方式同样不再赘述。
在上述步骤S202中,对比度调整模型可以是利用上述实施例中的模型训练方法得到的,这样,将待调整图像输入预先训练好的对比度调整模型中,可以得到在保证调整后的图像的对比度的基础上,动态范围较高的调整后的图像。
在上述方案中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)以及参考图像的像素值差异来对对比度调整模型的损失函数进行调整。由于基于像素值差异对损失函数进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
进一步的,上述步骤S201具体可以包括如下内容:
步骤1),获取初始图像。
步骤2),改变初始图像中像素点的亮度,得到待调整图像。
具体的,与上述实施例中,电子设备先获取原始图像,再对原始图像进行处理得到输入图像的方案类似,本申请实施例中电子设备先获取初始图像,再对初始图像进行处理得到待调整图像。
其中,本申请实施例对电子设备对初始图像进行的具体处理方式不作具体的限定。举例来说,电子设备可以对初始图像进行缩放、裁剪等图像处理,得到待调整图像;或者,电子设备也可以对初始图像中像素点的像素值进行处理,得到待调整图像等。
以电子设备对初始图像中像素点的像素值进行处理为例,电子设备可以通过改变初始图像中像素点的像素值,得到待调整图像。例如:增大初始图像中部分像素点的像素值,或者减小初始图像中部分像素点的像素值,或者增大初始图像中一部分像素点的像素值并减小初始图像中另一部分像素点的像素值。
其中,作为一种实施方式,初始图像经过处理之后得到的输入图像,在后续利用预先训练好的对比度调整模型对待调整图像进行对比度调整的过程中,待调整图像中的每个像素点的像素值的调整趋势相同。也就是说,在调整的过程中,待调整图像中的像素点要么均增大像素值或者保持不变,要么均减小像素值或者保持不变,不会出现部分像素点的像素点增大而部分像素点的像素值减小的情况。
在上述方案中,电子设备可以在获取初始图像之后,对初始图像进行处理得到待调整图像后再利用预先训练好的对比度调整模型对待调整图像进行调整。其中,处理的方式可以采用改变原始图像中像素点的像素值的方式,使在调整的过程中待调整图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
请参照图3,图3为本申请实施例提供的另一种对比度调整方法的流程图,该对比度调整方法同样可以应用于电子设备。其中,该对比度调整方法可以包括如下内容:
步骤S301:获取初始图像。
步骤S302:改变初始图像中像素点的亮度,得到待调整图像。
步骤S303:基于调整图像,利用预先训练好的对比度调整模型,得到调整后的图像。
具体的,该对比度调整方法的实现方式与图2所示的对比度调整方法的实现方式类似,区别仅在于,在本申请实施例提供的对比度调整方法中,预先训练好的模型不是利用上述实施例中的模型训练方法训练得到的,而是通过其他方式训练得到的,本申请实施例对此不作具体的限定。因此,本领域技术人员可以参照图2所示的实现方式来执行本申请实施例提供的对比度调整方法,本申请实施例对此不再赘述。
在上述方案中,电子设备可以在获取初始图像之后,对初始图像进行处理得到待调整图像后再利用预先训练好的对比度调整模型对待调整图像进行调整。其中,处理的方式可以采用改变原始图像中像素点的像素值的方式,使在调整的过程中待调整图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
请参照图4,图4为本申请实施例提供的一种模型训练装置的结构框图,该模型训练装置400可以包括:第一获取模块101,用于获取输入图像以及与所述输入图像对应的参考图像;输入模块402,用于将所述输入图像输入对比度调整模型中,得到对应的输出图像;调整模块403,用于根据对比图像以及所述参考图像的像素值差异调整所述对比度调整模型对应的损失函数;其中,所述对比图像包括所述输入图像或者所述输出图像;计算模块404,用于根据调整后的损失函数计算表征所述参考图像与所述输出图像之间的差异的预测损失;更新模块405,用于根据所述预测损失更新所述对比度调整模型的参数。
在本申请实施例中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)以及参考图像的像素值差异来对对比度调整模型的损失函数进行调整。由于基于像素值差异对损失函数进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
进一步的,所述调整模块403具体用于:提取所述对比图像中的高光区域;根据所述对比图像中所述高光区域内的像素值以及所述参考图像中对应区域内的像素值,调整所述对比度调整模型对应的损失函数。
在本申请实施例中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)以及参考图像中高光区域的像素值差异来对对比度调整模型的损失函数进行调整。由于基于高光区域的像素值差异对损失函数进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
进一步的,所述调整模块403还用于:判断所述高光区域中某一像素点的像素值是否大于所述参考图像中对应像素点的像素值;若所述高光区域中某一像素点的像素值大于所述参考图像中对应像素点的像素值,则提高所述损失函数中所述像素点对应的权重;其中,所述损失函数根据每个像素点的像素值进行加权计算。
在本申请实施例中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)以及参考图像中高光区域的像素值大小来对对比度调整模型的损失函数中的权重进行调整。由于基于高光区域的像素值大小对损失函数中的权重进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
进一步的,所述损失函数包括图像的平均像素值以及标准像素差。
进一步的,在所述高光区域中某一像素点的像素值大于所述参考图像中对应像素点的像素值时,所述损失函数中所述像素点对应的权重与所述像素点的像素值正相关。
在本申请实施例中,在对损失函数中高光区域内的像素点对应的权重进行调整时,可以根据像素点的像素值的大小决定调整的程度,从而可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
进一步的,所述第一获取模块401具体用于:获取原始图像;改变所述原始图像中像素点的像素值,得到所述输入图像,以使在对所述输入图像进行对比度调整时,每个像素点的像素值的调整趋势相同。
在本申请实施例中,电子设备可以在获取原始图像之后,对原始图像进行处理得到输入图像后再基于输入图像以及参考图像对对比度调整模型进行训练。其中,处理的方式可以采用改变原始图像中像素点的像素值的方式,使在调整的过程中输入图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
进一步的,所述第一获取模块401还用于:对所述原始图像中的像素值进行归一化,得到归一化后的图像;对所述归一化后的图像中每个像素值取N次方,得到所述输入图像;其中,所述N为大于0且不等于1的实数。
在本申请实施例中,电子设备可以在获取原始图像之后,对原始图像的像素值进行归一化并取N次方,从而实现压暗或者提亮整个图像,这样使得在后续调整的过程中,输入图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
进一步的,所述对比图像包括所述原始图像、所述输入图像或者所述输出图像。
请参照图5,图5为本申请实施例提供的一种对比度调整装置的结构框图,该对比度调整装置500可以包括:第二获取模块501,用于获取待调整图像;第一得到模块502,用于基于所述待调整图像,利用预先训练好的对比度调整模型,得到调整后的图像;其中,所述对比度调整模型为利用如权利要求1-8任一项所述的模型训练方法训练得到的。
在本申请实施例中,在基于输入图像以及参考图像对对比度调整模型进行训练的过程中,可以根据输入图像(或者输出图像)以及参考图像的像素值差异来对对比度调整模型的损失函数进行调整。由于基于像素值差异对损失函数进行了调整,因此采用调整后的损失函数对对比度调整模型进行训练之后,可以在保证调整后的图像的对比度的基础上,提高图像的动态范围,从而提高图像的效果。
进一步的,所述第二获取模块501具体用于:获取初始图像;改变所述初始图像中像素点的亮度,得到所述待调整图像;其中,在对所述待调整图像进行对比度调整时,每个像素点的像素值的调整趋势相同。
在本申请实施例中,电子设备可以在获取初始图像之后,对初始图像进行处理得到待调整图像后再利用预先训练好的对比度调整模型对待调整图像进行调整。其中,处理的方式可以采用改变原始图像中像素点的像素值的方式,使在调整的过程中待调整图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
请参照图6,图6为本申请实施例提供的另一种对比度调整装的结构框图,该对比度调整装置600可以包括:第三获取模块601,用于获取初始图像;改变模块602,用于改变所述初始图像中像素点的亮度,得到所述待调整图像;其中,在对所述待调整图像进行对比度调整时,每个像素点的像素值的调整趋势相同;第二得到模块603,用于基于所述待调整图像,利用预先训练好的对比度调整模型,得到调整后的图像。
在本申请实施例中,电子设备可以在获取初始图像之后,对初始图像进行处理得到待调整图像后再利用预先训练好的对比度调整模型对待调整图像进行调整。其中,处理的方式可以采用改变原始图像中像素点的像素值的方式,使在调整的过程中待调整图像的调整趋势相同,从而降低了模型处理的复杂度,提高了模型收敛的速度。
请参照图7,图7为本申请实施例提供的一种电子设备的结构框图,该电子设备700包括:至少一个处理器701,至少一个通信接口702,至少一个存储器703和至少一个通信总线704。其中,通信总线704用于实现这些组件直接的连接通信,通信接口702用于与其他节点设备进行信令或数据的通信,存储器703存储有处理器701可执行的机器可读指令。当电子设备700运行时,处理器701与存储器703之间通过通信总线704通信,机器可读指令被处理器701调用时执行上述模型训练方法或者对比度调整方法。
例如,本申请实施例的处理器701通过通信总线704从存储器703读取计算机程序并执行该计算机程序可以实现如下方法:步骤S101:获取输入图像以及与输入图像对应的参考图像。步骤S102:将输入图像输入对比度调整模型中,得到对应的输出图像。步骤S103:根据对比图像以及参考图像的像素值差异调整对比度调整模型对应的损失函数。步骤S107:根据调整后的损失函数计算表征参考图像与输出图像之间的差异的预测损失。步骤S105:根据预测损失更新对比度调整模型的参数。或者,实现如下方法:步骤S201:获取待调整图像。步骤S202:基于待调整图像,利用预先训练好的对比度调整模型,得到调整后的图像。再或者,实现如下方法:步骤S301:获取初始图像.步骤S302:改变初始图像中像素点的亮度,得到待调整图像。步骤S303:基于调整图像,利用预先训练好的对比度调整模型,得到调整后的图像。
处理器701可以是一种集成电路芯片,具有信号处理能力。上述处理器701可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器303可以包括但不限于随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
可以理解,图7所示的结构仅为示意,电子设备700还可包括比图7中所示更多或者更少的组件,或者具有与图7所示不同的配置。图7中所示的各组件可以采用硬件、软件或其组合实现。于本申请实施例中,电子设备700可以是,但不限于台式机、笔记本电脑、智能手机、智能穿戴设备、车载设备等实体设备,还可以是虚拟机等虚拟设备。另外,电子设备700也不一定是单台设备,还可以是多台设备的组合,例如服务器集群,等等。
本申请实施例还提供一种计算机程序产品,包括存储在态计算机可读存储介质上的计算机程序,计算机程序包括计算机程序指令,当计算机程序指令被计算机执行时,计算机能够执行上述实施例中模型训练方法或者对比度调整方法的步骤,例如包括:获取输入图像以及与所述输入图像对应的参考图像;将所述输入图像输入对比度调整模型中,得到对应的输出图像;根据对比图像以及所述参考图像的像素值差异调整所述对比度调整模型对应的损失函数;其中,所述对比图像包括所述输入图像或者所述输出图像;根据调整后的损失函数计算表征所述参考图像与所述输出图像之间的差异的预测损失;根据所述预测损失更新所述对比度调整模型的参数。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。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,又例如,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通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,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。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是,功能如果以软件功能模块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存储介质中。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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (12)
1.一种模型训练方法,其特征在于,包括:
获取输入图像以及与所述输入图像对应的参考图像;
将所述输入图像输入对比度调整模型中,得到对应的输出图像;
根据对比图像以及所述参考图像的像素值差异调整所述对比度调整模型对应的损失函数;其中,所述对比图像包括所述输入图像或者所述输出图像;
根据调整后的损失函数计算表征所述参考图像与所述输出图像之间的差异的预测损失;
根据所述预测损失更新所述对比度调整模型的参数。
2.根据权利要求1所述的模型训练方法,其特征在于,所述根据对比图像以及所述参考图像的像素值差异调整所述对比度调整模型对应的损失函数,包括:
提取所述对比图像中的高光区域;
根据所述对比图像中所述高光区域内的像素值以及所述参考图像中对应区域内的像素值,调整所述对比度调整模型对应的损失函数。
3.根据权利要求2所述的模型训练方法,其特征在于,所述根据所述对比图像中所述高光区域内的像素值以及所述参考图像中对应区域内的像素值,调整所述对比度调整模型对应的损失函数,包括:
判断所述高光区域中某一像素点的像素值是否大于所述参考图像中对应像素点的像素值;
若所述高光区域中某一像素点的像素值大于所述参考图像中对应像素点的像素值,则提高所述损失函数中所述像素点对应的权重;其中,所述损失函数根据每个像素点的像素值进行加权计算。
4.根据权利要求3所述的模型训练方法,其特征在于,所述损失函数包括图像的平均像素值以及标准像素差。
5.根据权利要求3或4所述的模型训练方法,其特征在于,在所述高光区域中某一像素点的像素值大于所述参考图像中对应像素点的像素值时,所述损失函数中所述像素点对应的权重与所述像素点的像素值正相关。
6.根据权利要求1-5任一项所述的模型训练方法,其特征在于,所述获取输入图像,包括:
获取原始图像;
改变所述原始图像中像素点的像素值,得到所述输入图像;以使在对所述输入图像进行对比度调整时,每个像素点的像素值的调整趋势相同。
7.根据权利要求6所述的模型训练方法,其特征在于,所述改变所述原始图像中像素点的像素值,得到所述输入图像,包括:
对所述原始图像中的像素值进行归一化,得到归一化后的图像;
对所述归一化后的图像中每个像素值取N次方,得到所述输入图像;其中,所述N为大于0且不等于1的实数。
8.根据权利要求6或7所述的模型训练方法,其特征在于,所述对比图像包括所述原始图像、所述输入图像或者所述输出图像。
9.一种对比度调整方法,其特征在于,包括:
获取待调整图像;
基于所述待调整图像,利用预先训练好的对比度调整模型,得到调整后的图像;其中,所述对比度调整模型为利用如权利要求1-8任一项所述的模型训练方法训练得到的。
10.一种计算机程序产品,其特征在于,包括:
计算机程序指令,所述计算机程序指令被处理器读取并运行时,执行如权利要求1-9中任一项所述的方法。
11.一种电子设备,其特征在于,包括:处理器、存储器和总线;
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的计算机程序指令,所述处理器调用所述计算机程序指令能够执行如权利要求1-9任一项所述的方法。
12.一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计算机程序指令,所述计算机程序指令被计算机运行时,使所述计算机执行如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414932.7A CN116167926A (zh) | 2021-11-25 | 2021-11-25 | 一种模型训练方法及对比度调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414932.7A CN116167926A (zh) | 2021-11-25 | 2021-11-25 | 一种模型训练方法及对比度调整方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116167926A true CN116167926A (zh) | 2023-05-26 |
Family
ID=86416953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111414932.7A Pending CN116167926A (zh) | 2021-11-25 | 2021-11-25 | 一种模型训练方法及对比度调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167926A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893455A (zh) * | 2024-03-11 | 2024-04-16 | 杭州海康威视数字技术股份有限公司 | 图像亮度和对比度调整方法 |
-
2021
- 2021-11-25 CN CN202111414932.7A patent/CN116167926A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893455A (zh) * | 2024-03-11 | 2024-04-16 | 杭州海康威视数字技术股份有限公司 | 图像亮度和对比度调整方法 |
CN117893455B (zh) * | 2024-03-11 | 2024-06-04 | 杭州海康威视数字技术股份有限公司 | 图像亮度和对比度调整方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112950581B (zh) | 质量评估方法、装置和电子设备 | |
JP6615917B2 (ja) | 実時間ビデオエンハンスメント方法、端末及び非一時的コンピュータ可読記憶媒体 | |
CN112602088B (zh) | 提高弱光图像的质量的方法、系统和计算机可读介质 | |
CN102446347B (zh) | 图像白平衡方法和装置 | |
CN106557729B (zh) | 用于处理人脸图像的设备和方法 | |
CN110751593A (zh) | 一种图像虚化处理方法及装置 | |
CN112950497A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
EP3685346A1 (en) | System and method for image dynamic range adjusting | |
CN110717864B (zh) | 一种图像增强方法、装置、终端设备及计算机可读介质 | |
CN116113976A (zh) | 图像处理方法及装置、计算机可读介质和电子设备 | |
CN116167926A (zh) | 一种模型训练方法及对比度调整方法 | |
CN112686205B (zh) | 一种参数更新方法及装置、多终端网络架构 | |
CN111489289B (zh) | 一种图像处理方法、图像处理装置及终端设备 | |
CN107945137B (zh) | 人脸检测方法、电子设备及存储介质 | |
CN109308690B (zh) | 一种图像亮度均衡方法及终端 | |
CN107105167B (zh) | 一种扫题时拍摄照片的方法、装置及终端设备 | |
CN115375592A (zh) | 图像处理方法及装置、计算机可读存储介质和电子设备 | |
CN113362243B (zh) | 模型训练方法、图像处理方法及装置、介质和电子设备 | |
CN112166598A (zh) | 图像处理方法、系统、可移动平台和存储介质 | |
WO2021139179A1 (zh) | 基于局部阴影特效的图像样本生成方法及装置 | |
CN110060210B (zh) | 图像处理方法及相关装置 | |
CN112087556B (zh) | 一种暗光成像方法、装置、可读存储介质及终端设备 | |
CN112950515A (zh) | 图像处理方法及装置、计算机可读存储介质和电子设备 | |
CN112950516B (zh) | 图像局部对比度增强的方法及装置、存储介质及电子设备 | |
CN112561847B (zh) | 图像处理方法及装置、计算机可读介质和电子设备 |
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 |