CN117237228A - 图像处理方法、装置、设备及存储介质 - Google Patents
图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117237228A CN117237228A CN202311293694.8A CN202311293694A CN117237228A CN 117237228 A CN117237228 A CN 117237228A CN 202311293694 A CN202311293694 A CN 202311293694A CN 117237228 A CN117237228 A CN 117237228A
- Authority
- CN
- China
- Prior art keywords
- image
- exposure
- exposure image
- local
- determining
- 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 34
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 23
- 230000008569 process Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 15
- 230000006854 communication Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 15
- 238000012216 screening Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000007175 bidirectional communication Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000005375 photometry Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本申请实施例中提供一种图像处理方法、装置、设备及存储介质,该方法包括:在目标曝光条件下采集一段曝光图像序列,曝光图像序列中包括多帧曝光图像;在多帧曝光图像中确定基准曝光图像;计算曝光图像序列中目标曝光图像与基准曝光图像之间的图像差异参数,目标曝光图像为曝光图像序列中除基准曝光图像外的其他曝光图像;根据图像差异参数确定目标曝光图像中的多帧可融合曝光图像;根据多帧可融合图像得到去噪图像。本方案提出的图像处理方法在得到去噪图像时,减少了人为参与的工作量,提升了获取去噪图像的效率。另一方面也有效提升了去噪图像的质量,提升了去噪图像与真实场景的贴合程度,进而使得网络去噪的效果得到提升。
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、装置、设备及存储介质。
背景技术
图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。噪声的存在严重影响了图像的质量,因此有效的去除图像噪声非常必要。
当前,随着深度学习的广泛应用,基于深度学习的图像算法也广泛应用与现有的一些相机及手机中。在去噪的应用中,深度学习的去噪主要分为有监督和无监督的去噪方案。其中,有监督的去噪方案需要采集有噪声图像和无噪声图像构成图像对,并通过这个图像对进行网络训练。而对于无监督的去噪,主要通过图像内噪声的关联性进行去噪设计,无需采集数据无噪声图像。从效果来看,基于监督学习的去噪效果远优于有监督的图像去噪声,但是其数据对的构建也是比较麻烦。
发明内容
本申请提供一种图像处理方法,可以有效提高现有技术中获取去噪图像的效率,以及去噪图像的性能。
第一方面,本申请提供一种图像处理方法,所述方法包括:
在目标曝光条件下采集一段曝光图像序列,所述曝光图像序列中包括多帧曝光图像;
在所述多帧曝光图像中确定基准曝光图像;
计算所述曝光图像序列中目标曝光图像与所述基准曝光图像之间的图像差异参数,所述目标曝光图像为所述曝光图像序列中除所述基准曝光图像外的其他曝光图像;
根据所述图像差异参数确定目标曝光图像中的多帧可融合曝光图像;
根据所述多帧可融合图像得到去噪图像。
在本申请一些实施方式中,所述在所述多帧曝光图像中确定基准曝光图像,包括:
分别计算所述多帧曝光图像中任意一帧曝光图像作为基准曝光图像的可信度,得到多个可信度;
根据所述多个可信度在所述多帧曝光图像中确定所述基准曝光图像。
在本申请一些实施方式中,所述分别计算所述多帧曝光图像中任意一帧曝光图像作为基准曝光图像的可信度,得到多个可信度,包括:
分别以所述多帧曝光图像中任意曝光图像为第一曝光图像,计算所述第一曝光图像与第二曝光图像之间的图像相似度,得到所述第一曝光图像的图像相似度集合,所述图像相似度集合中包括多个图像相似度,所述第二曝光图像为所述曝光图像序列中除所述第一曝光图像外的其他曝光图像;
在完成计算所述多帧曝光图像各自对应的图像相似度集合后,得到多个图像相似度集合;
根据所述多个图像相似度集合,确定所述多帧曝光图像中任意一帧曝光图像作为基准曝光图像的可信度,得到多个可信度。
在本申请一些实施方式中,所述图像差异参数包括运动差异参数和亮度差异参数,所述计算所述曝光图像序列中目标曝光图像与所述基准曝光图像之间的图像差异参数,包括:
确定所述基准曝光图像与目标曝光图像之间的第一差异图像,得到第一差异图像;
利用目标方差窗口分别计算所述第一差异图像的局部方差,得到局部方差集合,一个局部方差集合中包括多个局部方差,一个第一差异图像对应一个局部方差集合,所述局部方差为所述运动差异参数。
在本申请一些实施方式中,所述计算所述曝光图像序列中目标曝光图像与所述基准曝光图像之间的图像差异参数,还包括:
分别对所述基准曝光图像和所述目标曝光图像去噪,得到所述基准曝光图像去噪后的第一去噪图像以及所述目标曝光图像去噪后的第二去噪图像;
分别确定所述第一去噪图像和多个第二去噪图像之间的多个第二差异图像;
利用目标亮度均值计算窗口分别计算所述多个第二差异图像的局部亮度均值,得到多个局部亮度均值集合,所述局部亮度均值为所述亮度差异参数,每个局部亮度均值集合中包括多个局部亮度均值,一个第二差异图像对应一个局部亮度均值集合。
在本申请一些实施方式中,所述局部方差集合为多个,所述根据所述图像差异参数确定目标曝光图像中的多帧可融合曝光图像,包括:
分别确定多个局部方差集合中每一个局部方差集合中的最大局部方差,得到不同局部方差集合的多个最大局部方差;
确定所述多个最大局部方差中的最小值,为初始局部方差阈值;
根据所述初始局部方差阈值,确定局部方差阈值;
根据所述多个最大局部方差和所述局部方差阈值,在所述目标曝光图像中确定与所述基准曝光图像之间无运动差异的多个第三曝光图像;
在所述多个第三曝光图像中确定所述多帧可融合曝光图像。
在本申请一些实施方式中,所述在所述多个第三曝光图像中确定所述多帧可融合曝光图像,包括:
确定所述多个第三曝光图像对应的多个目标局部亮度均值集合;
分别确定所述多个目标局部亮度均值集合中每一个局部亮度均值集合中的最大局部亮度均值,得到不同局部亮度均值集合的多个最大局部亮度均值;
确定所述多个最大局部亮度均值中的最小值,为初始局部亮度均值阈值;
根据所述初始局部亮度均值阈值,确定局部亮度均值阈值;
根据所述多个最大局部亮度均值和所述局部亮度均值阈值,在所述多个第三曝光图像中确定所述多帧可融合曝光图像。
第二方面,本申请实施例提供一种图像处理装置,所述装置包括:
曝光图像获取模块,用于在目标曝光条件下采集一段曝光图像序列,所述曝光图像序列中包括多帧曝光图像;
基准曝光图像确定模块,用于在所述多帧曝光图像中确定基准曝光图像;
图像差异确定模块,用于计算所述曝光图像序列中目标曝光图像与所述基准曝光图像之间的图像差异参数,所述目标曝光图像为所述曝光图像序列中除所述基准曝光图像外的其他曝光图像;
融合图像确定模块,用于根据所述图像差异参数确定目标曝光图像中的多帧可融合曝光图像;
图像融合模块,用于根据所述多帧可融合图像得到去噪图像。
在本申请一些实施方式中,基准曝光图像确定模块具体用于:
分别计算所述多帧曝光图像中任意一帧曝光图像作为基准曝光图像的可信度,得到多个可信度;
根据所述多个可信度在所述多帧曝光图像中确定所述基准曝光图像。
在本申请一些实施方式中,基准曝光图像确定模块具体用于:分别以所述多帧曝光图像中任意曝光图像为第一曝光图像,计算所述第一曝光图像与第二曝光图像之间的图像相似度,得到所述第一曝光图像的图像相似度集合,所述图像相似度集合中包括多个图像相似度,所述第二曝光图像为所述曝光图像序列中除所述第一曝光图像外的其他曝光图像;
在完成计算所述多帧曝光图像各自对应的图像相似度集合后,得到多个图像相似度集合;
根据所述多个图像相似度集合,确定所述多帧曝光图像中任意一帧曝光图像作为基准曝光图像的可信度,得到多个可信度。
在本申请一些实施方式中,所述图像差异参数包括运动差异参数和亮度差异参数,所述融合图像确定模块具体用于:
确定所述基准曝光图像与目标曝光图像之间的第一差异图像,得到第一差异图像;
利用目标方差窗口分别计算所述第一差异图像的局部方差,得到局部方差集合,一个局部方差集合中包括多个局部方差,一个第一差异图像对应一个局部方差集合,所述局部方差为所述运动差异参数。
在本申请一些实施方式中,融合图像确定模块具体用于:
分别对所述基准曝光图像和所述目标曝光图像去噪,得到所述基准曝光图像去噪后的第一去噪图像以及所述目标曝光图像去噪后的第二去噪图像;
分别确定所述第一去噪图像和多个第二去噪图像之间的多个第二差异图像;
利用目标亮度均值计算窗口分别计算所述多个第二差异图像的局部亮度均值,得到多个局部亮度均值集合,所述局部亮度均值为所述亮度差异参数,每个局部亮度均值集合中包括多个局部亮度均值,一个第二差异图像对应一个局部亮度均值集合。
在本申请一些实施方式中,所述局部方差集合为多个,融合图像确定模块具体用于:
分别确定多个局部方差集合中每一个局部方差集合中的最大局部方差,得到不同局部方差集合的多个最大局部方差;
确定所述多个最大局部方差中的最小值,为初始局部方差阈值;
根据所述初始局部方差阈值,确定局部方差阈值;
根据所述多个最大局部方差和所述局部方差阈值,在所述目标曝光图像中确定与所述基准曝光图像之间无运动差异的多个第三曝光图像;
在所述多个第三曝光图像中确定所述多帧可融合曝光图像。
在本申请一些实施方式中,融合图像确定模块具体用于:
确定所述多个第三曝光图像对应的多个目标局部亮度均值集合;
分别确定所述多个目标局部亮度均值集合中每一个局部亮度均值集合中的最大局部亮度均值,得到不同局部亮度均值集合的多个最大局部亮度均值;
确定所述多个最大局部亮度均值中的最小值,为初始局部亮度均值阈值;
根据所述初始局部亮度均值阈值,确定局部亮度均值阈值;
根据所述多个最大局部亮度均值和所述局部亮度均值阈值,在所述多个第三曝光图像中确定所述多帧可融合曝光图像。
第三方面,本申请提供一种电子设备,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面任一项所述的图像处理方法中的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行如第一方面任一项所述的图像处理方法中的步骤。
第五方面,本申请实施例提供一种芯片,该芯片中包括与终端设备的收发器耦合的处理器,用于执行本申请实施例第一方面提供的技术方案。
第六方面,本申请实施例提供一种芯片系统,该芯片系统包括处理器,用于支持终端设备实现上述第一方面中所涉及的功能,例如,生成或者处理上述第一方面提供的图像处理方法中所涉及的曝光图像。
在一种可能的设计中,上述芯片系统还包括存储器,该存储器用于保存终端必需的程序指令和数据。该芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
第七方面,本申请实施例提供一种包含指令的计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述第一方面提供的图像处理方法。
本申请实施例中提供一种图像处理方法、装置、设备及存储介质,该方法包括:在目标曝光条件下采集一段曝光图像序列,曝光图像序列中包括多帧曝光图像;在多帧曝光图像中确定基准曝光图像;计算曝光图像序列中目标曝光图像与基准曝光图像之间的图像差异参数,目标曝光图像为曝光图像序列中除基准曝光图像外的其他曝光图像;根据图像差异参数确定目标曝光图像中的多帧可融合曝光图像;根据多帧可融合图像得到去噪图像。本方案提出的图像处理方法在得到去噪图像时,减少了人为参与的工作量,提升了获取去噪图像的效率。另一方面也有效提升了去噪图像的质量,提升了去噪图像与真实场景的贴合程度,进而使得网络去噪的效果得到提升。
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申请的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的图像处理系统一实施例示意图;
图2是本申请实施例中提供的图像处理方法的一个实施例流程示意图;
图3是本申请实施例提供的确定基准曝光图像的一个实施例流程示意图;
图4是本申请实施例中计算图像差异参数的一个实施例流程示意图;
图5是本申请实施例中计算图像差异参数的另一个实施例流程示意图;
图6是本申请实施例中提供的确定多帧可融合图像的一个实施例流程示意图;
图7是本申请实施例提供的确定可融合的曝光图像的流程示意图;
图8为本申请实施例提供的图像处理方法的一个实施例完整流程示意图;
图9是本申请实施例中提供的图像处理装置的一个实施例结构示意图;
图10是本申请实施例提供的电子设备的结构示意图;
图11是本申请实施例提供的终端的结构示意图;
图12是本申请实施例提供的一种服务器结构示意图。
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,本领域技术人员在没有作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。
在以下的说明中,本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明,除非另有说明。因此,这些步骤及操作将有数次提到由计算机执行,本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处,其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置,其具有由该数据格式所定义的特定特性。但是,本申请原理以上述文字来说明,其并不代表为一种限制,本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本文所使用的术语“模块”或“单元”可看做为在该运算系统上执行的软件对象。本文所述的不同组件、模块、引擎及服务可看做为在该运算系统上的实施对象。而本文所述的装置及方法优选的以软件的方式进行实施,当然也可在硬件上进行实施,均在本申请保护范围之内。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
请参照图1,本申请还提供一图像处理系统,如图1所示,该图像处理系统包括计算设备100,计算设备100中集成有本申请提供的图像处理装置。本申请实施例中,计算设备100可以是终端设备或者服务器。
本申请实施例中,在计算设备100为服务器的情况下,该服务器可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,例如,本申请实施例中所描述的服务器,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。本申请的实施例中,服务器与客户端之间可通过任何通信方式实现通信,包括但不限于,基于第三代合作伙伴计划(3rd Generation Partnership Project,3GPP)、长期演进(Long Term Evolution,LTE)、全球互通微波访问(Worldwide Interoperability forMicrowave Access,WiMAX)的移动通信,或基于TCP/IP协议族(TCP/IP Protocol Suite,TCP/IP)、用户数据报协议(User Datagram Protocol,UDP)协议的计算机网络通信等。
可以理解的是,当本申请实施例中所使用的计算设备100为终端设备时,终端设备可以是既包括接收硬件和发射硬件的设备,即具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种终端设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的计算设备100具体可以是台式终端或移动终端,计算设备100具体可以手机、平板电脑、笔记本电脑等中的一种。
本申请实施例涉及的终端设备,还可以是指向用户提供语音和/或数据连通性的设备,具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。例如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机,例如,可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置,它们与无线接入网交换语音和/或数据。例如,个人通信业务(英文全称:Personal Communication Service,英文简称:PCS)电话、无绳电话、会话发起协议(SIP)话机、无线本地环路(Wireless Local Loop,英文简称:WLL)站、个人数字助理(英文全称:Personal Digital Assistant,英文简称:PDA)等设备。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案一种应用场景,并不构成对本申请方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的计算设备,或者计算设备网络连接关系,例如图1中仅示出1个计算设备,可以理解的,该图像处理系统还可以包括一个或多个其他计算设备,或/且一个或多个与计算设备100网络连接的其他计算设备,具体此处不作限定。
另外,如图1所示,该图像处理系统还可以包括存储器200,用于存储曝光图像。
本申请实施例中,存储器200可以是云存储器,云存储(cloud storage)是在云计算概念上延伸和发展出来的一个新的概念,分布式云存储系统(以下简称存储系统)是指通过集群应用、网格技术以及分布存储文件系统等功能,将网络中大量各种不同类型的存储设备(存储设备也称之为存储节点)通过应用软件或应用接口集合起来协同工作,共同对外提供数据存储和业务访问功能的一个存储系统。
目前,存储系统的存储方法为:创建逻辑卷,在创建逻辑卷时,就为每个逻辑卷分配物理存储空间,该物理存储空间可能是某个存储设备或者某几个存储设备的磁盘组成。客户端在某一逻辑卷上存储数据,也就是将数据存储在文件系统上,文件系统将数据分成许多部分,每一部分是一个对象,对象不仅包含数据而且还包含数据标识(ID,ID entity)等额外的信息,文件系统将每个对象分别写入该逻辑卷的物理存储空间,且文件系统会记录每个对象的存储位置信息,从而当客户端请求访问数据时,文件系统能够根据每个对象的存储位置信息让客户端对数据进行访问。
存储系统为逻辑卷分配物理存储空间的过程,具体为:按照对存储于逻辑卷的对象的容量估量(该估量往往相对于实际要存储的对象的容量有很大余量)和独立冗余磁盘阵列(RAID,Redundant Array of Independent Disk)的组别,预先将物理存储空间划分成分条,一个逻辑卷可以理解为一个分条,从而为逻辑卷分配了物理存储空间。
需要说明的是,图1所示的图像处理系统的场景示意图仅仅是一个示例,本申请实施例描述的图像处理系统以及场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着图像处理系统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。
本申请实施例提供的方案涉及人工智能(Artificial Intelligence,AI)、计算机视觉技术(Computer Vision,CV)、机器学习(Machine Learning,ML)等技术,具体通过如下实施例进行说明:
其中,AI是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
AI技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
CV是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括对抗扰动生成、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
以下分别进行详细说明。需说明的是,以下实施例的序号不作为对实施例优选顺序的限定。
请参阅图2,图2为本申请实施例所提供的图像处理方法,该图像处理方法包括如下步骤201~205:
201、在目标曝光条件下采集一段曝光图像序列。
本申请提供的图像处理方法,在构建去噪图像时依赖于采集到的真实的图像。因此首先需要采集包括多帧曝光图像的一段曝光图像序列;且该曝光图像序列需要在一定的曝光条件下采集。
具体地,可以利用自动曝光控制模块(Automatic Exposure Control,AEC)进行测光,以确定采集图像时的曝光参数。测光的方式可以根据实际情况进行设置,此处不做限制。在确定了曝光参数后,为了避免不同帧之间切换导致的亮度变换,在实际采集图像时需要锁定选定的曝光参数,并在该曝光参数下进行曝光以及采集图像。在一个具体实施例中,采集到的曝光图像序列中可以包括连续的200-300帧图像。
202、在多帧曝光图像中确定基准曝光图像。
本申请实施例提供的去噪图像主要是通过融合实际检测到的多帧图像得到的,因此需要在获取到的曝光图像序列中确定可以融合的曝光图像。而在确定可以融合的曝光图像前,还需要确定一个基准曝光图像;根据基准曝光图像确定可以融合的曝光图像。
如图3所示,在一些实施例中,在多帧曝光图像中确定基准曝光图像,可以包括步骤301~304:
301、分别以多帧曝光图像中任意曝光图像为第一曝光图像,计算第一曝光图像与第二曝光图像之间的图像相似度,得到第一曝光图像的图像相似度集合。
302、在完成计算多帧曝光图像各自对应的图像相似度集合后,得到多个图像相似度集合。
在一些实施例中,可以分别以多帧曝光图像中任意曝光图像为第一曝光图像,以曝光图像序列中除第一曝光图像外的其他曝光图像为第二曝光图像,并计算第一曝光图像和第二曝光图像之间的相似度,得到第一曝光图像的图像相似度集合。图像相似度集合中通常包括多个图像相似度。分别以多帧曝光图像中任意曝光图像为第一曝光图像,就可以得到多个图像相似度集合。
303、根据多个图像相似度集合,确定多帧曝光图像中任意一帧曝光图像作为基准曝光图像的可信度,得到多个可信度。
304、根据多个可信度在多帧曝光图像中确定基准曝光图像。
具体地,可以对一个图像相似度集合中的多个图像相似度求均值,得到一个平均相似度,该平均相似度即为可信度。在分别计算得到每一个图像相似度集合各自对应的可信度后,可以对多个可信度按照从小到大的顺序排序;并确定多个可信度中的最大可信度,为目标可信度。目标可信度对应的曝光图像即为基准曝光图像。
在本申请另一些实施例中,也可以计算第一曝光图像与第二曝光图像之间的差异值,差异值越小说明两者之间的相似度越高。因此若是计算第一曝光图像和第二曝光之间的差异值,则在计算多个差异值的平均值得到平均差异值后,需要确定平均差异值中的最小值而非最大值。最小的平均差异值对应的第一曝光图像即为基准曝光图像。
203、计算曝光图像序列中目标曝光图像与基准曝光图像之间的图像差异参数。
204、根据图像差异参数确定目标曝光图像中的多帧可融合曝光图像。
205、根据多帧可融合图像得到去噪图像。
在确定了基准曝光图像后,可以以基准曝光图像为标准确定曝光图像序列中,与基准曝光图像之间不存在差异或者差异较小的其他曝光图像;并进一步叠加这些图像得到无噪声的图像(或去噪图像)。本申请基于图像内噪声的关联性进行去噪设计,具体为通过叠加噪声数据帧得到无噪声图像,这样可以得到性能更好的去噪图像。其中,确定目标曝光图像与基准曝光图像之间的图像差异参数的具体过程在后续实施例中加以说明,此处不做限定。
本申请实施例中提供一种图像处理方法,该方法包括:在目标曝光条件下采集一段曝光图像序列,曝光图像序列中包括多帧曝光图像;在多帧曝光图像中确定基准曝光图像;计算曝光图像序列中目标曝光图像与基准曝光图像之间的图像差异参数,目标曝光图像为曝光图像序列中除基准曝光图像外的其他曝光图像;根据图像差异参数确定目标曝光图像中的多帧可融合曝光图像;根据多帧可融合图像得到去噪图像。本方案提出的图像处理方法在得到去噪图像时,减少了人为参与的工作量,提升了获取去噪图像的效率。另一方面也有效提升了去噪图像的质量,提升了去噪图像与真实场景的贴合程度,进而使得网络去噪的效果得到提升。
在一些实施例中,图像差异参数可以同时包括运动差异参数和亮度差异参数,此时如图4所示,计算曝光图像序列中目标曝光图像与基准曝光图像之间的图像差异参数可以包括:
401、确定基准曝光图像与目标曝光图像之间的第一差异图像,得到第一差异图像。
402、利用目标方差窗口分别计算多个第一差异图像的局部方差,得到局部方差集合。
在计算运动差异时,首先需要确定基准曝光图像与目标曝光图像之间的第一差异图像,即可以将基准曝光图像与曝光图像序列中的剩下的每一帧曝光图像组成图像对,以分别计算每一帧曝光图像与基准曝光图像之间的差异值。由于目标曝光图像可以为一个或多个,因此当目标曝光图像为多个时,第一差异图像也可以为多个,一个目标曝光图像对应一个第一差异图像。
在得到多个第一差异图像后,还需要利用目标方差窗口来分别计算多个第一差异图像的局部方差,局部方差即为运动差异参数。其中,目标方差窗口的尺寸通常小于第一差异图像的尺寸,使得此处计算得到的是局部的方差。而一个第一差异图像包括多个局部方差,多个局部方差组成一个局部方差集合;多个第一差异图像可以得到多个局部方差集合。在本申请的实施例中,目标方差窗口的大小可以根据实际需求设定,例如5*5大小;在其他实施例中也可以为其他大小,此处不做限定。
在上述实施例中,实际上利用目标方差窗口计算得到的是第一差异图像的初始局部方差,在一个第一差异图像完成计算得到包括多个初始局部方差的初始局部方差集合后;还需要对初始局部方差集合中的多个初始局部方差进行去噪处理,以消除初始局部方差中偏离较大的像素,避免第一差异图像中的异常的点影响局部方差的计算。在去噪后得到的才是最终的局部方差,即最终的运动差异参数。在一些实施例中,可以利用中值滤波器等方法对初始局部方差进行去噪,此处不做限定。本申请中基于局部方差检测图像中的运动差异(包括较小的亮度差异),使得对运动状态(或较小亮度变化)下产生的曝光图像的处理更具有鲁棒性。
需要说明的是,上述实施例在计算运动差异参数时,计算出的运动差异参数实际上包括了一部分亮度较小的变化;后续计算亮度差异参数时,主要计算较大面积的亮度的变化。
403、分别对基准曝光图像和目标曝光图像去噪,得到基准曝光图像去噪后的第一去噪图像以及目标曝光图像去噪后的多个第二去噪图像。
404、分别确定第一去噪图像和多个第二去噪图像之间的多个第二差异图像。
在计算亮度差异参数时,需要先对基准曝光图像和目标曝光图像去噪,利用两者去噪后的图像再确定亮度差异。这是像素突变对亮度变化影响较大,因此需要先去除发生突变的像素,再进行亮度均值计算;避免突变的像素影响计算出的亮度均值。
405、利用目标亮度均值计算窗口分别计算多个第二差异图像的局部亮度均值,得到多个局部亮度均值集合。
在计算得到多个第二差异图像后,需要根据第二差异图像确定亮度差异参数;具体可以利用预设的均值计算窗口来分别计算每个第二差异图像的局部亮度均值。与运动差异参数相似,此处计算到的亮度均值为局部亮度均值,一个第二差异图像对应一个局部亮度均值集合,一个局部亮度均值集合中包括多个局部亮度均值;即一个第二差异图像对应多个局部亮度均值。且利用目标亮度均值计算窗口计算得到的是初始局部亮度均值,还需要进一步对初始局部亮度均值进行滤波去噪才得到最终的局部亮度均值,即亮度差异参数。而在一些实施例中,目标亮度均值计算窗口的大小可以根据实际需求设定,例如3*3大小,此处不做限定。本申请中基于局部亮度均值检测图像中的亮度差异,使得对较大亮度变化下产生的曝光图像的处理更具有鲁棒性。
需要说明的是,在实际计算运动差异参数和亮度差异参数时,是单独分别计算运动差异参数和亮度差异参数,两者的计算过程是独立的,且两者的计算过程并无先后之分。
如图5所示,为本申请实施例提供的确定图像差异参数的一个实施例流程示意图。在图5中,基准曝光图像(base frame)和目标曝光图像(即当前的某一帧曝光图像currentframe)组成一个图像对,然后计算该图像对中的两个曝光图像之间的图像差异参数。对于运动差异参数来说,直接计算基准曝光图像和目标曝光图像之间的diff值,即第一差异图像;接着再利用Local Std模块计算第一差异图像的初始局部方差,得到包括初始多个局部方差的初始局部方差集合。还需要利用中值滤波器(median filter)对初始局部方差进行滤波,得到最终的局部标注差集合,即运动差异参数。在图5中,运动差异确定模块LocalStd Process用于检测运动及小亮度的变化,包括确定差异图像(diff)、确定初始局部方差(Local Std)、以及对初始局部方差进行滤波(median filter)等多个功能模块。
对于亮度差异参数来说,首先需要分别对基准曝光图像和目标曝光图像进行去噪(denoise),得到去噪后的第一去噪图像和第二去噪图像;接着再计算第一去噪图像和第二去噪图像之间的diff值,即第二差异图像。然后利用Local Mean模块确定第二差异图像的初始局部亮度均值,得到初始局部亮度均值集合。同样需要再对局部亮度均值集合中的局部亮度均值进行中值滤波,得到滤波后的局部亮度均值集合,即亮度差异参数。在图5中,亮度差异确定模块Local Mean Process用于检测较大面积的亮度变化,包括确定差异图像(diff)、确定初始局部亮度均值(Local Mean)、以及对初始局部亮度均值进行滤波(medianfilter)等多个功能模块。
前述实施例中分别计算了运动差异参数和亮度差异参数,还需要根据运动差异参数和亮度差异参数,确定可以融合的图像。如图6所示,根据图像差异参数确定目标曝光图像中的多帧可融合图像,可以包括:
601、分别确定多个局部方差集合中每一个局部方差集合中的最大局部方差,得到不同局部方差集合的多个最大局部方差。
602、确定多个最大局部方差中的最小值,为初始局部方差阈值。
603、根据初始局部方差阈值,确定局部方差阈值。
在一个具体实施例中,可以先根据运动差异参数对目标曝光图像进行筛选,再根据亮度差异参数对目标曝光图像进行筛选,最终确定目标曝光图像中的多帧可融合图像。
具体地,由于每一个局部方差集合中均包括多个局部方差,因此可以分别确定每一个局部方差集合中局部方差值最大的局部方差,得到多个最大局部方差Stdi;一个局部方差集合对应一个最大局部方差。接着再对多个最大局部方差按照从小到大的顺序排序,得到多个排序后的多个最大局部方差;还需要在排序后的多个最大局部方差中确定其中的最小值,为初始局部方差阈值Std_min。而初始局部方差阈值并非是最终的运动差异参数的筛选标准,还需要根据初始局部方差阈值确定最终的局部方差阈值。
在一个实施例中,由于初始局部方差阈值已经是多个最大局部方差中的最小值,因此需要在初始局部方差阈值Std_min的基础上增加一个可调参数thres1,以增大初始局部方差阈值,得到最终的局部方差阈值,具体如下:
Std_min=MIN(Stdi)
Std_thres=Std_min*(1+thres1)
其中Stdi为每一个局部方差集合中的最大局部方差,Std_min则为多个最大局部方差中的最小值,即初始局部方差阈值;Std_thres则是在初始局部方差阈值的基础上得到的局部方差阈值。在一个具体实施例中,可调参数thres1的可调范围可以为0-15%。
604、根据多个最大局部方差和局部方差阈值,在目标曝光图像中确定与基准曝光图像之间无运动差异的多个第三曝光图像。
而根据多个最大局部方差和局部方差阈值,在目标曝光图像中确定与基准曝光图像之间无运动差异的多个第三曝光图像,可以包括:
在多个最大局部方差中确定:最大局部方差小于局部方差阈值的目标最大局部方差,并确定目标最大局部方差对应的曝光图像,即为第三曝光图像。
605、确定多个第三曝光图像对应的多个目标局部亮度均值集合。
606、分别确定多个目标局部亮度均值集合中每一个局部亮度均值集合中的最大局部亮度均值,得到不同局部亮度均值集合的多个最大局部亮度均值。
前述实施例中仅筛选出了不存在运动差异的多个第三曝光图像,还需要对多个第三曝光图像再进行筛选,确定其中不存在亮度差异的曝光图像;而不存在运动差异和亮度差异的图像可以进行融合。与确定第三曝光图像的过程相似,利用亮度均值进行筛选时同样可以先确定多个第三曝光图像对应的多个目标局部亮度均值集合,并分别确定每一个目标局部亮度均值集合中的最大局部亮度均值Meani,得到多个最大局部亮度均值。
607、确定多个最大局部亮度均值中的最小值,为初始局部亮度均值阈值。
608、根据初始局部亮度均值阈值,确定局部亮度均值阈值。
同样地,可以对多个最大局部亮度均值按照从小到大的顺序排序,并确定多个最大局部亮度均值中的最小值,为初始局部亮度均值阈值。并在初始局部亮度均值阈值的基础上增加一个可调参数thres2,得到最终的局部亮度均值阈值。具体如下:
Mean_min=MIN(Meani)
Mean_thres=Mean_min*(1+thres2)
其中,Meani为每个局部亮度均值集合中的最大局部亮度均值,Mean_min为多个最大局部亮度均值中的最小值,也即初始局部亮度均值阈值。而Mean_thres为调整后的局部亮度均值阈值。而可调参数thres2的可调范围可以为0-15%。需要说明的是,可调参数thres1和thres2的可调范围可以相同也可以不同;可调参数thres1和thres2的具体数值大小也可以相同或不同,具体根据实际需求设定。
609、根据多个最大局部亮度均值和局部亮度均值阈值,在多个第三曝光图像中确定多帧可融合曝光图像。
在确定了局部亮度均值阈值后,就可以筛选出多个第三曝光图像中,最大亮度均值小于局部亮度均值阈值的部分曝光图像;这部分曝光图像的运动差异参数小于局部方差阈值,亮度差异参数小于局部亮度均值阈值。说明这部分曝光图像之间的运动差异和亮度差异均较小,因此可以进行融合,即得到了多帧可融合的曝光图像。
需要说明的是,当图像差异参数同时包括运动差异参数和亮度差异参数时,可以先利用运动差异参数对目标曝光图像进行筛选,再利用亮度差异参数对目标曝光图像进行筛选;具体如前述内容。而在其他一些实施例中,也可以先利用亮度差异参数对目标曝光图像进行筛选,再利用运动差异参数对目标曝光图像进行筛选。即利用运动差异参数进行筛选和利用亮度差异参数进行筛选,并不存在固定的先后顺序,具体可以根据实际需求设定。
前述实施例中,图像差异参数同时包括运动差异参数和亮度差异参数,因此需要利用运动差异参数和亮度差异参数进行筛选。在其他实施例中,图像差异参数可以仅包括运动差异参数或仅包括亮度差异参数,此时仅根据运动差异参数进行筛选确定可融合的曝光图像,或是仅根据亮度差异参数进行筛选确定可融合的曝光图像即可。具体的筛选过程可以参考前述实施例中的内容,此处不再赘述。
如图7所示,为本申请实施例提供的确定可融合的曝光图像的流程示意图。在图7中,基准曝光图像和目标曝光图像组成的多个图像对(image pars)需要分别确定运动差异确定模块(Local Std Process)确定运动差异参数,以及利用亮度差异确定模块(LocalMean Process)确定亮度差异参数。再根据运动差异筛选模块(Std Sort)进行第一次筛选,得到第三曝光图像;而第三曝光图像还需要根据亮度差异参数进行第二次筛选(MeanSort),最终得到多帧可融合的曝光图像,并对其进行融合(fusion)得到融合后的去噪图像。而融合后的去噪图像可以与基准曝光图像组成噪声对,并作为训练集进行模型训练。
如图8所示,为本申请实施例提供的图像处理方法的一个实施例完整流程示意图。在图8中,首先选择需要获取的曝光图像序列所在的曝光场景,并利用自动曝光控制模块确定曝光参数;在采集曝光图像序列时需要锁定曝光参数再采集曝光图像。在采集到多帧曝光图像后,需要选择一帧曝光图像作为基准曝光图像(base frame),再进行本地的图像差异参数计算(local motion compute),最终得到多帧可融合图像并进行融合(fusion),最终输出融合帧即去噪图像。
为便于更好的实施本申请实施例提供的图像处理方法,本申请实施例还提供一种基于上述图像处理方法的装置。其中名词的含义与上述图像处理方法中相同,具体实现细节可以参考方法实施例中的说明。如图9所示,该图像处理装置可以包括:
曝光图像获取模块901,用于在目标曝光条件下采集一段曝光图像序列,曝光图像序列中包括多帧曝光图像;
基准曝光图像确定模块902,用于在多帧曝光图像中确定基准曝光图像;
图像差异确定模块903,用于计算曝光图像序列中目标曝光图像与基准曝光图像之间的图像差异参数,目标曝光图像为曝光图像序列中除基准曝光图像外的其他曝光图像;
融合图像确定模块904,用于根据图像差异参数确定目标曝光图像中的多帧可融合曝光图像;
图像融合模块905,用于根据多帧可融合图像得到去噪图像。
本申请实施例中提供一种图像处理装置,首先在目标曝光条件下采集一段曝光图像序列,曝光图像序列中包括多帧曝光图像;在多帧曝光图像中确定基准曝光图像;计算曝光图像序列中目标曝光图像与基准曝光图像之间的图像差异参数,目标曝光图像为曝光图像序列中除基准曝光图像外的其他曝光图像;根据图像差异参数确定目标曝光图像中的多帧可融合曝光图像;根据多帧可融合图像得到去噪图像。本方案提出的图像处理方法在得到去噪图像时,减少了人为参与的工作量,提升了获取去噪图像的效率。另一方面也有效提升了去噪图像的质量,提升了去噪图像与真实场景的贴合程度,进而使得网络去噪的效果得到提升。
在本申请一些实施方式中,基准曝光图像确定模块902具体用于:
分别计算多帧曝光图像中任意一帧曝光图像作为基准曝光图像的可信度,得到多个可信度;根据多个可信度在多帧曝光图像中确定基准曝光图像。
在本申请一些实施方式中,基准曝光图像确定模块902具体用于:
分别以多帧曝光图像中任意曝光图像为第一曝光图像,计算第一曝光图像与第二曝光图像之间的图像相似度,得到第一曝光图像的图像相似度集合,图像相似度集合中包括多个图像相似度,第二曝光图像为曝光图像序列中除第一曝光图像外的其他曝光图像;
在完成计算多帧曝光图像各自对应的图像相似度集合后,得到多个图像相似度集合;根据多个图像相似度集合,确定多帧曝光图像中任意一帧曝光图像作为基准曝光图像的可信度,得到多个可信度。
在本申请一些实施方式中,图像差异参数包括运动差异参数和亮度差异参数,融合图像确定模块904具体可以用于:
确定基准曝光图像与目标曝光图像之间的第一差异图像,得到第一差异图像;利用目标方差窗口分别计算第一差异图像的局部方差,得到局部方差集合,一个局部方差集合中包括多个局部方差,一个第一差异图像对应一个局部方差集合,局部方差为运动差异参数。
在本申请一些实施方式中,融合图像确定模块904具体可以用于:
分别对基准曝光图像和目标曝光图像去噪,得到基准曝光图像去噪后的第一去噪图像以及目标曝光图像去噪后的第二去噪图像;分别确定第一去噪图像和多个第二去噪图像之间的多个第二差异图像;
利用目标亮度均值计算窗口分别计算多个第二差异图像的局部亮度均值,得到多个局部亮度均值集合,局部亮度均值为亮度差异参数,每个局部亮度均值集合中包括多个局部亮度均值,一个第二差异图像对应一个局部亮度均值集合。
在本申请一些实施方式中,局部方差集合为多个,融合图像确定模块904具体可以用于:
分别确定多个局部方差集合中每一个局部方差集合中的最大局部方差,得到不同局部方差集合的多个最大局部方差;
确定多个最大局部方差中的最小值,为初始局部方差阈值;根据初始局部方差阈值,确定局部方差阈值;根据多个最大局部方差和局部方差阈值,在所目标曝光图像中确定与基准曝光图像之间无运动差异的多个第三曝光图像;在多个第三曝光图像中确定多帧可融合曝光图像。
在本申请一些实施方式中,融合图像确定模块904具体可以用于:
确定多个第三曝光图像对应的多个目标局部亮度均值集合;分别确定多个目标局部亮度均值集合中每一个局部亮度均值集合中的最大局部亮度均值,得到不同局部亮度均值集合的多个最大局部亮度均值;确定多个最大局部亮度均值中的最小值,为初始局部亮度均值阈值;根据初始局部亮度均值阈值,确定局部亮度均值阈值;根据多个最大局部亮度均值和局部亮度均值阈值,在多个第三曝光图像中确定多帧可融合曝光图像。
本申请实施例还提供一种电子设备,如图10所示,其示出了本申请实施例所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器1001、一个或一个以上计算机可读存储介质的存储器1002、电源1003和输入单元1004等部件。本领域技术人员可以理解,图10中示出的电子设备结构并不构成对电子设备的限定,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。其中:
处理器1001是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器1002内的软件程序和/或模块,以及调用存储在存储器1002内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器1001可包括一个或多个处理核心;优选的,处理器1001可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作存储介质、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1001中。
存储器1002可用于存储软件程序以及模块,处理器1001通过运行存储在存储器1002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。存储器1002可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作存储介质、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电子设备的使用所创建的数据等。此外,存储器1002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。相应地,存储器1002还可以包括存储器控制器,以提供处理器1001对存储器1002的访问。
电子设备还包括给各个部件供电的电源1003,优选的,电源1003可以通过电源管理存储介质与处理器1001逻辑相连,从而通过电源管理存储介质实现管理充电、放电、以及功耗管理等功能。电源1003还可以包括一个或一个以上的直流或交流电源、再充电存储介质、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元1004,该输入单元1004可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器1001会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器1002中,并由处理器1001来运行存储在存储器1002中的应用程序,从而实现上述对基于联邦学习的模型训练方法实施例中的步骤。
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可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行本申请实施例所提供的任一种对基于联邦学习的模型训练方法中的步骤。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。由于该计算机可读存储介质中所存储的计算机程序,可以执行本申请实施例所提供的任一种对基于联邦学习的模型训练方法中的步骤,因此,可以实现本申请实施例所提供的任一种对基于联邦学习的模型训练方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
当本申请实施例中计算设备为终端设备时,本申请实施例还提供了一种终端设备,如图11所示,为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请实施例方法部分。该终端设备可以为包括手机、平板电脑、个人数字助理(Personal Digital Assistant,PDA)、销售终端设备(Point of Sales,POS)、车载电脑等任意终端设备,以终端设备为手机为例:
图11示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图11,手机包括:射频(Radio Frequency,RF)电路1110、存储器1120、输入单元1130、显示单元1140、传感器1150、音频电路1160、无线保真(wireless fidelity,WiFi)模块1170、处理器1180、以及电源1190等部件。本领域技术人员可以理解,图8中示出的手机结构并不构成对手机的限定,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11对手机的各个构成部件进行具体的介绍:
RF电路1110可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器1180处理;另外,将设计上行的数据发送给基站。通常,RF电路1110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(LowNoiseAmplifier,LNA)、双工器等。此外,RF电路1110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,包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication,GSM)、通用分组无线服务(General PacketRadioService,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)、电子邮件、短消息服务(Short Messaging Service,SMS)等。
存储器1120可用于存储软件程序以及模块,处理器1180通过运行存储在存储器1120的软件程序以及模块,从而执行手机的各种功能应用以及数据处理。存储器1120可主要包括存储程序区和存储数据区,其中,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1120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。
输入单元1130可用于接收输入的数字或字符信息,以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地,输入单元1130可包括触控面板1131以及其他输入设备1132。触控面板1131,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1131上或在触控面板1131附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板1131可包括触摸检测装置和触摸控制器两个部分。其中,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1180,并能接收处理器1180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1131。除了触控面板1131,输入单元1130还可以包括其他输入设备1132。具体地,其他输入设备1132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。
显示单元1140可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元1140可包括显示面板1141,可选的,可以采用液晶显示器(LiquidCrystalDisplay,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1141。进一步的,触控面板1131可覆盖显示面板1141,当触控面板1131检测到在其上或附近的触摸操作后,传送给处理器1180以确定触摸事件的类型,随后处理器1180根据触摸事件的类型在显示面板1141上提供相应的视觉输出。虽然在图11中,触控面板1131与显示面板1141是作为两个独立的部件来实现手机的输入和输入功能,但是在某些实施例中,可以将触控面板1131与显示面板1141集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器1150,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1141的亮度,接近传感器可在手机移动到耳边时,关闭显示面板1141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。
音频电路1160、扬声器1161,传声器1162可提供用户与手机之间的音频接口。音频电路1160可将接收到的音频数据转换后的电信号,传输到扬声器1161,由扬声器1161转换为声音信号输出;另一方面,传声器1162将收集的声音信号转换为电信号,由音频电路1160接收后转换为音频数据,再将音频数据输出处理器1180处理后,经RF电路1110以发送给比如另一手机,或者将音频数据输出至存储器1120以便进一步处理。
Wi-Fi属于短距离无线传输技术,手机通过Wi-Fi模块1170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11示出了Wi-Fi模块1170,但是可以理解的是,其并不属于手机的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器1180是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器1120内的软件程序和/或模块,以及调用存储在存储器1120内的数据,执行手机的各种功能和处理数据,从而对手机进行整体监控。可选的,处理器1180可包括一个或多个处理单元;可选的,处理器1180可集成应用处理器和调制解调处理器,其中,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1180中。
手机还包括给各个部件供电的电源1190(比如电池),可选的,电源可以通过电源管理系统与处理器1180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。
尽管未示出,手机还可以包括摄像头、蓝牙模块等,在此不再赘述。
本申请实施例还提供了一种服务器,请参阅图12,图12是本申请实施例提供的一种服务器结构示意图,该服务器1200可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(英文全称:central processing units,英文简称:CPU)1222(例如,一个或一个以上处理器)和存储器1232,一个或一个以上存储应用程序1242或数据1244的存储介质1230(例如一个或一个以上海量存储设备)。其中,存储器1232和存储介质1230可以是短暂存储或持久存储。存储在存储介质1230的程序可以包括一个或一个以上模块(图中未示出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1222可以设置为与存储介质1230通信,在服务器1200上执行存储介质1230中的一系列指令操作。
服务器1200还可以包括一个或一个以上电源1226,一个或一个以上有线或无线网络接口1250,一个或一个以上输入输出接口1258,和/或,一个或一个以上操作系统1241,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。
上述实施例中对基于联邦学习的模型训练方法中的步骤可以基于该图12所示的服务器1200的结构。例如,所述中央处理器1222通过调用存储器1232中的指令,执行以下操作:
在目标曝光条件下采集一段曝光图像序列,曝光图像序列中包括多帧曝光图像;在多帧曝光图像中确定基准曝光图像;计算曝光图像序列中目标曝光图像与基准曝光图像之间的图像差异参数,目标曝光图像为曝光图像序列中除基准曝光图像外的其他曝光图像;根据图像差异参数确定目标曝光图像中的多帧可融合曝光图像;根据多帧可融合图像得到去噪图像。
在上述实施例中,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。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请实施例所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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,例如多个模块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,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请实施例各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块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。
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。
所述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所述计算机计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述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。所述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计算机可读存储介质传输,例如,所述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(DSL))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。所述计算机可读存储介质可以是计算机能够存储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。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上对本申请实施例所提供的技术方案进行了详细介绍,本申请实施例中应用了具体个例对本申请实施例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实施例的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请实施例的限制。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
在目标曝光条件下采集一段曝光图像序列,所述曝光图像序列中包括多帧曝光图像;
在所述多帧曝光图像中确定基准曝光图像;
计算所述曝光图像序列中目标曝光图像与所述基准曝光图像之间的图像差异参数,所述目标曝光图像为所述曝光图像序列中除所述基准曝光图像外的其他曝光图像;
根据所述图像差异参数确定目标曝光图像中的多帧可融合曝光图像;
根据所述多帧可融合图像得到去噪图像。
2.根据权利要求1所述的图像处理方法,其特征在于,所述在所述多帧曝光图像中确定基准曝光图像,包括:
分别计算所述多帧曝光图像中任意一帧曝光图像作为基准曝光图像的可信度,得到多个可信度;
根据所述多个可信度在所述多帧曝光图像中确定所述基准曝光图像。
3.根据权利要求2所述的图像处理方法,其特征在于,所述分别计算所述多帧曝光图像中任意一帧曝光图像作为基准曝光图像的可信度,得到多个可信度,包括:
分别以所述多帧曝光图像中任意曝光图像为第一曝光图像,计算所述第一曝光图像与第二曝光图像之间的图像相似度,得到所述第一曝光图像的图像相似度集合,所述图像相似度集合中包括多个图像相似度,所述第二曝光图像为所述曝光图像序列中除所述第一曝光图像外的其他曝光图像;
在完成计算所述多帧曝光图像各自对应的图像相似度集合后,得到多个图像相似度集合;
根据所述多个图像相似度集合,确定所述多帧曝光图像中任意一帧曝光图像作为基准曝光图像的可信度,得到多个可信度。
4.根据权利要求1所述的图像处理方法,其特征在于,所述图像差异参数包括运动差异参数和亮度差异参数,所述计算所述曝光图像序列中目标曝光图像与所述基准曝光图像之间的图像差异参数,包括:
确定所述基准曝光图像与目标曝光图像之间的第一差异图像,得到第一差异图像;
利用目标方差窗口分别计算所述第一差异图像的局部方差,得到局部方差集合,一个局部方差集合中包括多个局部方差,一个第一差异图像对应一个局部方差集合,所述局部方差为所述运动差异参数。
5.根据权利要求4所述的图像处理方法,其特征在于,所述计算所述曝光图像序列中目标曝光图像与所述基准曝光图像之间的图像差异参数,还包括:
分别对所述基准曝光图像和所述目标曝光图像去噪,得到所述基准曝光图像去噪后的第一去噪图像以及所述目标曝光图像去噪后的第二去噪图像;
分别确定所述第一去噪图像和多个第二去噪图像之间的多个第二差异图像;
利用目标亮度均值计算窗口分别计算所述多个第二差异图像的局部亮度均值,得到多个局部亮度均值集合,所述局部亮度均值为所述亮度差异参数,每个局部亮度均值集合中包括多个局部亮度均值,一个第二差异图像对应一个局部亮度均值集合。
6.根据权利要求5所述的图像处理方法,其特征在于,所述局部方差集合为多个,所述根据所述图像差异参数确定目标曝光图像中的多帧可融合曝光图像,包括:
分别确定多个局部方差集合中每一个局部方差集合中的最大局部方差,得到不同局部方差集合的多个最大局部方差;
确定所述多个最大局部方差中的最小值,为初始局部方差阈值;
根据所述初始局部方差阈值,确定局部方差阈值;
根据所述多个最大局部方差和所述局部方差阈值,在所述目标曝光图像中确定与所述基准曝光图像之间无运动差异的多个第三曝光图像;
在所述多个第三曝光图像中确定所述多帧可融合曝光图像。
7.根据权利要求6所述的图像处理方法,其特征在于,所述在所述多个第三曝光图像中确定所述多帧可融合曝光图像,包括:
确定所述多个第三曝光图像对应的多个目标局部亮度均值集合;
分别确定所述多个目标局部亮度均值集合中每一个局部亮度均值集合中的最大局部亮度均值,得到不同局部亮度均值集合的多个最大局部亮度均值;
确定所述多个最大局部亮度均值中的最小值,为初始局部亮度均值阈值;
根据所述初始局部亮度均值阈值,确定局部亮度均值阈值;
根据所述多个最大局部亮度均值和所述局部亮度均值阈值,在所述多个第三曝光图像中确定所述多帧可融合曝光图像。
8.一种图像处理装置,其特征在于,所述装置包括:
曝光图像获取模块,用于在目标曝光条件下采集一段曝光图像序列,所述曝光图像序列中包括多帧曝光图像;
基准曝光图像确定模块,用于在所述多帧曝光图像中确定基准曝光图像;
图像差异确定模块,用于计算所述曝光图像序列中目标曝光图像与所述基准曝光图像之间的图像差异参数,所述目标曝光图像为所述曝光图像序列中除所述基准曝光图像外的其他曝光图像;
融合图像确定模块,用于根据所述图像差异参数确定目标曝光图像中的多帧可融合曝光图像;
图像融合模块,用于根据所述多帧可融合图像得到去噪图像。
9.一种电子设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至7中任一项所述的图像处理方法中的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至7任一项所述的图像处理方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293694.8A CN117237228A (zh) | 2023-10-08 | 2023-10-08 | 图像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311293694.8A CN117237228A (zh) | 2023-10-08 | 2023-10-08 | 图像处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117237228A true CN117237228A (zh) | 2023-12-15 |
Family
ID=89091010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311293694.8A Pending CN117237228A (zh) | 2023-10-08 | 2023-10-08 | 图像处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237228A (zh) |
-
2023
- 2023-10-08 CN CN202311293694.8A patent/CN117237228A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10943091B2 (en) | Facial feature point tracking method, apparatus, storage medium, and device | |
CN112308806B (zh) | 图像处理方法、装置、电子设备以及可读存储介质 | |
EP3594848B1 (en) | Queue information acquisition method, device and computer readable storage medium | |
US9453866B2 (en) | Method, device and storage medium for controlling antenna | |
CN107729540B (zh) | 照片分类的方法、设备及计算机可存储介质 | |
CN108156374A (zh) | 一种图像处理方法、终端及可读存储介质 | |
JP6862564B2 (ja) | 画像合成のための方法、装置および不揮発性コンピュータ可読媒体 | |
US20200090309A1 (en) | Method and device for denoising processing, storage medium, and terminal | |
CN113421211A (zh) | 光斑虚化的方法、终端设备及存储介质 | |
CN110489657B (zh) | 一种信息过滤方法、装置、终端设备及存储介质 | |
CN115546516A (zh) | 人员聚档方法、装置、计算机设备及存储介质 | |
CN113780291B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN117237228A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN114140655A (zh) | 图像分类方法、装置、存储介质及电子设备 | |
CN110717486A (zh) | 文本检测方法、装置、电子设备和存储介质 | |
CN114510417A (zh) | 一种图像渲染效果测试方法、装置、电子设备和存储介质 | |
CN113706446A (zh) | 一种镜头检测方法和相关装置 | |
CN113705309A (zh) | 一种景别类型判断方法、装置、电子设备和存储介质 | |
CN110020341B (zh) | 成员角色确定方法、装置及存储介质 | |
CN117742522A (zh) | 终端触控优化方法、装置、电子设备及存储介质 | |
CN115412726B (zh) | 视频真伪检测方法、装置及存储介质 | |
CN117336586A (zh) | 终端功耗优化方法、装置、终端及存储介质 | |
CN115565215B (zh) | 一种人脸识别算法切换方法、装置及存储介质 | |
CN110022402A (zh) | 一种文件系统运行方法、终端及计算机可读存储介质 | |
CN111382335B (zh) | 一种数据拉取方法、装置及存储介质 |
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 |