CN117764891A - 图像处理方法、装置及电子设备 - Google Patents

Abstract

本申请公开了一种图像处理方法、装置及电子设备，属于图像处理技术领域。该图像处理方法包括：获取第一图像，第一图像为水下采集的图像；基于色彩矫正模型对第一图像进行色彩矫正，得到第二图像；基于亮度矫正模型对第二图像进行亮度矫正，得到第三图像；基于细节矫正模型对第三图像的色彩细节和亮度细节进行矫正，得到第四图像；其中，色彩矫正模型、亮度矫正模型和细节矫正模型均是基于水下采集的图像训练得到的。

Description

图像处理方法、装置及电子设备

技术领域

本申请属于图像处理技术领域，具体涉及一种图像处理方法、装置及电子设备。

背景技术

水下摄影具有重要的实用价值和艺术价值，可以用于科学研究、商业应用、生态保护和艺术创作等领域。

但是，水下复杂的成像环境会导致水下采集的图像质量较差。例如，水下光线吸收和光线折射会导致图像偏绿，水中存在漂浮物等会导致图像发灰、对比度太低。因此，目前水下采集的图像的质量不尽人意，与人眼直接看到的景象相差较大。

发明内容

本申请实施例的目的是提供一种图像处理方法、装置及电子设备，能够有效地对水下采集的图像进行色彩和对比度的全面矫正，提高图像质量，使图像更接近人眼直接看到的效果。

第一方面，本申请实施例提供了一种图像处理方法，该方法包括：

获取第一图像，第一图像为水下采集的图像；

基于色彩矫正模型对第一图像进行色彩矫正，得到第二图像；

基于亮度矫正模型对第二图像进行亮度矫正，得到第三图像；

基于细节矫正模型对第三图像的色彩细节和亮度细节进行矫正，得到第四图像；

其中，色彩矫正模型、亮度矫正模型和细节矫正模型均是基于水下采集的图像训练得到的。

第二方面，本申请实施例提供了一种图像处理装置，该装置包括：

图像获取模块，用于获取第一图像，第一图像为水下采集的图像；

色彩矫正模块，用于基于色彩矫正模型对第一图像进行色彩矫正，得到第二图像；

亮度矫正模块，用于基于亮度矫正模型对第二图像进行亮度矫正，得到第三图像；

细节矫正模块，用于基于细节矫正模型对第三图像的色彩细节和亮度细节进行矫正，得到第四图像；

其中，色彩矫正模型、亮度矫正模型和细节矫正模型均是基于水下采集的图像训练得到的。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器和存储器，所述存储器存储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所述的方法的步骤。

第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。

第五方面，本申请实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。

第六方面，本申请实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面所述的方法。

在本申请实施例中，能够基于色彩矫正模型对水下采集的第一图像进行色彩矫正，得到第二图像，色彩矫正模型能对图像的白平衡和色彩进行初步的矫正；然后基于亮度矫正模型对第二图像进行亮度矫正，得到第三图像，亮度矫正模型能改善图像整体的对比度；最后再基于细节矫正模型对第三图像的色彩细节和亮度细节进行矫正，得到第四图像。该色彩矫正模型、亮度矫正模型和细节矫正模型均是基于水下采集的图像训练得到的，因此，本申请实施例可以有效地对水下采集的图像进行色彩和对比度的全面矫正，提高图像质量，使图像更接近人眼直接看到的效果。

附图说明

图1是根据一示例性实施例示出的一种图像处理方法的流程图之一；

图2是根据一示例性实施例示出的一种色彩矫正模型的内部实现流程的示意图；

图3是根据一示例性实施例示出的一种亮度矫正模型的内部实现流程的示意图；

图4是根据一示例性实施例示出的一种关系曲线的示意图；

图5是根据一示例性实施例示出的一种细节矫正模型的内部实现流程的示意图；

图6是根据一示例性实施例示出的一种实现图像处理方法的整体实现流程的示意图；

图7是根据一示例性实施例示出的一种图像处理装置的结构框图；

图8是根据一示例性实施例示出的一种电子设备的结构框图；

图9为实现本申请实施例的一种电子设备的硬件结构示意图。

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地描述，显然，所描述的实施例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，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。

如背景技术，水下复杂的成像环境会导致水下摄影得到的水下图像严重退化，如：光线吸收导致图像颜色偏差、光线前向散射导致图像细节模糊、光线后向散射导致图像对比度低等。水下摄影时，光线的吸收和折射现象会导致图像偏绿，水中存在漂浮物会导致成像发灰、对比度低，因此水下摄影的成像总是不尽人意。

针对上述问题，本申请实施例提供了一种图像处理方法，能够基于色彩矫正模型对水下采集的第一图像进行色彩矫正，得到第二图像，然后基于亮度矫正模型对第二图像进行亮度矫正，得到第三图像，再基于细节矫正模型对第三图像的色彩细节和亮度细节进行矫正，得到第四图像。该色彩矫正模型、亮度矫正模型和细节矫正模型均是基于水下采集的图像训练得到的，因此，本申请实施例可以有效地对水下采集的图像进行色彩和对比度的全面矫正，提高图像质量，使图像更接近人眼直接看到的效果。

下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的图像处理方法、装置、电子设备及存储介质进行详细地说明。

图1是根据一示例性实施例示出的一种图像处理方法的流程图，该图像处理方法的执行主体可以为电子设备。需要说明的是，上述执行主体并不构成对本申请的限定。

如图1所示，该图像处理方法可以包括如下步骤：

步骤110，获取第一图像。

这里，第一图像可以为水下采集的图像。具体地，第一图像可以为拍摄后得到的图像，也可以为预览图像。

示例性地，可以通过手机在水下采集第一图像。

步骤120，基于色彩矫正模型对第一图像进行色彩矫正，得到第二图像。

这里，色彩矫正模型可以是基于水下采集的图像训练得到的。

具体地，可以预先基于水下采集的图像训练得到色彩矫正模型，然后基于色彩矫正模型对第一图像进行色彩矫正，使图像的色彩更接近人眼看到的色彩。

在一些实施方式中，步骤120可以包括：

将第一图像输入色彩矫正模型中的第一网络进行色彩矫正系数提取，得到第一图像在N个不同水深等级下分别对应的第一色彩矫正系数；

基于N个不同水深等级分别对应的预设色彩矫正系数和N个第一色彩矫正系数，确定第二色彩矫正系数；

基于第二色彩矫正系数对第一图像进行色彩矫正，得到第二图像。

这里，N可以为大于1的整数。第一网络可以为卷积神经网络(ConvolutionalNeural Networks，CNN)。

具体地，水深会影响图像的色彩，图像的色彩可以体现采集图像时所处的水深，因此，可以通过将第一图像输入色彩矫正模型中的第一网络进行色彩矫正系数提取，得到第一图像在N个不同水深等级下分别对应的第一色彩矫正系数。

N个不同水深等级可以是预先设置的。

示例性地，N可以为3。3个不同水深等级可以为：第一水深等级(0m，10m]、第二水深等级(10m，50m]以及第三水深等级(50m，100m]。可以预先确定3个不同水深等级分别对应的预设色彩矫正系数K₁、K₂和K₃，将第一图像输入色彩矫正模型中的第一网络进行色彩矫正系数提取，可以得到第一图像在3个不同水深等级下分别对应的第一色彩矫正系数ω₁、ω₂和ω₃，然后可以计算第二色彩矫正系数K＝ω₁K₁+ω₂K₂+ω₃K₃，再通过将第一图像中各像素的像素值与第二色彩矫正系数K相乘，对第一图像进行色彩矫正，得到第二图像。

其中，K₁为第一水深等级对应的预设色彩矫正系数，K₂为第二水深等级对应的预设色彩矫正系数，K₃为第三水深等级对应的预设色彩矫正系数，ω₁为第一水深等级对应的第一色彩矫正系数，ω₂为第二水深等级对应的第一色彩矫正系数，ω₃为第三水深等级对应的第一色彩矫正系数。

如此，通过基于第一图像确定的第一色彩矫正系数对预设色彩矫正系数进行调整，可以得到更准确的第二色彩矫正系数，从而可以基于第二色彩矫正系数对不同水深导致的不同偏色问题进行自适应性矫正，得到矫正效果更好的第二图像。

在一些实施方式中，在上述基于N个不同水深等级分别对应的预设色彩矫正系数和N个第一色彩矫正系数，确定第二色彩矫正系数之前，该方法还可以包括：

对第一图像进行三通道分离，得到R单通道图像、G单通道图像和B单通道图像；

上述基于N个不同水深等级分别对应的预设色彩矫正系数和N个第一色彩矫正系数，确定第二色彩矫正系数，可以包括：

基于每种图像通道在N个不同水深等级下分别对应的预设色彩矫正系数和N个第一色彩矫正系数，确定R单通道图像、G单通道图像和B单通道图像分别对应的第二色彩矫正系数；

上述基于第二色彩矫正系数对第一图像进行色彩矫正，得到第二图像，可以包括：

基于R单通道图像对应的第二色彩矫正系数对R单通道图像进行色彩矫正，基于G单通道图像对应的第二色彩矫正系数对G单通道图像进行色彩矫正，以及基于B单通道图像对应的第二色彩矫正系数对B单通道图像进行色彩矫正，得到矫正后的R单通道图像、矫正后的G单通道图像和矫正后的B单通道图像；

融合矫正后的R单通道图像、矫正后的G单通道图像和矫正后的B单通道图像，得到第二图像。

这里，第一图像可以为RGB图像。

具体地，由于水深越大，蓝光的透射率越大，图像的蓝色分量也就越多，也就是说，水越深，B单通道图像和G单通道图像的像素值会增大，与R单通道图像的差异也就会增大，因此整体图像会偏绿或偏蓝。因此，不同水深的图像在进行色彩矫正时，R单通道图像、G单通道图像和B单通道图像所需的色彩矫正系数是不同的。因此可以将第一图像拆分为三个单通道图像，对三个单通道图像分别进行色彩矫正。

示例性地，第二色彩矫正系数的计算公式可以为：

K_i＝ω₁K_1,i+ω₂K_2,i+ω₃K_3,i

其中，i为图像通道，i∈{R,G,B}，K_1,i为i单通道图像在第一水深等级下对应的预设色彩矫正系数，K_2,i为i单通道图像在第二水深等级下对应的预设色彩矫正系数，K_3,i为i单通道图像在第三水深等级下对应的预设色彩矫正系数，K_i为i单通道图像的第二色彩矫正系数。

然后，可以将R单通道图像中各像素的像素值与K_R相乘，对R单通道图像进行色彩矫正，将G单通道图像中各像素的像素值与K_G相乘，对G单通道图像进行色彩矫正，将B单通道图像中各像素的像素值与K_B相乘，对B单通道图像进行色彩矫正，再融合矫正后的R单通道图像、矫正后的G单通道图像和矫正后的B单通道图像，便可以得到第二图像。

基于此，色彩矫正模型的输出的表达式可以为：

其中，I_out1为色彩矫正模型的输出，为矫正后的R单通道图像，/>为矫正后的G单通道图像，/>为矫正后的B单通道图像，/>为R单通道图像，/>为G单通道图像，为B单通道图像。

示例性地，色彩矫正模型的内部实现流程可以如图2所示。

如此，通过对第一图像进行三通道分离，对三个单通道图像分别进行色彩矫正，可以更精准地矫正图像的色彩，减少水深带来的偏色问题。

在一些实施方式中，在上述基于每种图像通道在N个不同水深等级下分别对应的预设色彩矫正系数和N个第一色彩矫正系数，确定R单通道图像、G单通道图像和B单通道图像分别对应的第二色彩矫正系数之前，该方法还可以包括：

对第十四图像进行三通道分离，得到第一R单通道图像、第一G单通道图像和第一B单通道图像；

计算第一R单通道图像、第一G单通道图像和第一B单通道图像分别对应的像素均值，以及计算第一R单通道图像、第一G单通道图像和第一B单通道图像分别包括的像素数量在第十四图像包括的总像素数量中的占比；

基于每种图像通道在N个不同水深等级下分别对应的预设超参数、像素均值和占比，确定每种图像通道在N个不同水深等级下分别对应的预设色彩矫正系数。

这里，第十四图像可以为水下采集的图像。第十四图像可以为RGB图像。

示例性地，每种图像通道在N个不同水深等级下分别对应的预设色彩矫正系数的计算公式可以为：

其中，A_i为第一i单通道图像的像素均值，W＝W_R·A_R+W_G·A_G+W_B·A_B，A_R为第一R单通道图像的像素均值，A_G为第一G单通道图像的像素均值，A_B为第一B单通道图像的像素均值，W_R为第一R单通道图像包括的像素数量在第十四图像包括的总像素数量中的占比，W_G为第一G单通道图像包括的像素数量在第十四图像包括的总像素数量中的占比，W_B为第一B单通道图像包括的像素数量在第十四图像包括的总像素数量中的占比，a_i为第一i单通道图像在第一水深等级下对应的预设超参数，b_i为第一i单通道图像在第二水深等级下对应的预设超参数，c_i为第一i单通道图像在第三水深等级下对应的预设超参数，a_i,b_i,c_i是一组可调节的超参数，具体数值可以预先设置的，通常情况下水越深，第一R单通道图像的信息越缺失，所需要的补偿也越大，因此一般情况下a_R≥b_R≥c_R。

示例性地，一组a_i,b_i,c_i的值可以为a_R＝0.3,b_R＝0.1,c_R＝0.1,a_G＝0,b_G＝0.1,c_G＝0.1,a_B＝0,b_B＝0.1,c_B＝0.1。

如此，可以基于每种图像通道在N个不同水深等级下分别对应的预设超参数、每种图像通道的像素均值和每种图像通道的像素数量占比，准确确定每种图像通道在N个不同水深等级下分别对应的预设色彩矫正系数。

需要说明的是，在色彩矫正模型的训练过程中也需要用到预设色彩矫正系数，因此确定预设色彩矫正系数的过程可以在训练色彩矫正模型之前执行。

由于水中光线随着水的深度变化而选择性吸收的特性不同，因此水下采集的图像通常存在偏蓝、偏绿的问题，本申请实施例可以通过色彩矫正模型对第一图像的白平衡和色彩进行初步矫正。

在一些实施方式中，在步骤120之前，该方法还可以包括：

获取至少两个第一训练样本；

对至少两个第一训练样本中的每个第一训练样本，分别执行以下步骤：

基于初始色彩矫正模型对第一训练样本中的第五图像进行色彩矫正，得到第七图像；

基于色差和色彩失真度确定第一损失函数值；

在第一损失函数值不满足第一训练停止条件的情况下，调整初始色彩矫正模型的模型参数，直至第一损失函数值满足第一训练停止条件，得到色彩矫正模型。

这里，第一训练样本可以包括第五图像和第六图像，第五图像可以为水下采集的图像，第六图像可以是第五图像对应的标准图像。

色差可以为第七图像和第六图像之间的色差，色彩失真度可以为所述第七图像相较于第六图像的色彩失真度。

在一些实施方式中，上述基于色差和色彩失真度确定第一损失函数值，可以包括：

获取第六图像的第一亮度和第一色度，以及获取第七图像的第二亮度和第二色度；

根据第一亮度、第一色度、第二亮度和第二色度，确定第七图像和第六图像之间的色差，以及根据第一色度和第二色度确定第七图像相较于第六图像的色彩失真度；

根据色差和色彩失真度确定第一损失函数值。

这里，第一色度可以包括第六图像的第一红绿色度和第一黄蓝色度。第二色度可以包括第七图像的第二红绿色度和第二黄蓝色度。

亮度、红绿色度和黄蓝色度是从RGB空间到Lab空间的三个分量。红绿色度越大表示图像越红，红绿色度越小表示越绿。黄蓝色度越大表示图像越黄，黄蓝色度越小表示越蓝。

Lab色彩空间是基于人对颜色的感觉来设计的，Lab色彩空间是感知均匀的，色差可以衡量人眼能够分辨出颜色差值的程度，色差小于2表示人眼无法分辨，色差可以用CIEDE2000公式计算，可以用于评估颜色的相似度。色彩失真度剔除了亮度的影响，仅衡量了色彩的差异。

示例性地，色差的计算公式可以为：

其中，ΔE为色差，L₁为第一亮度，L₂为第二亮度，a₁为第一红绿色度，a₂为第二红绿色度，b₁为第一黄蓝色度，b₂为第二黄蓝色度。

色彩失真度的计算公式可以为：

其中，ΔC为色彩失真度。

然后，可以根据第七图像和第六图像之间的色差，以及第七图像相较于第六图像的色彩失真度确定第一损失函数值。

第一损失函数值可以为色差指标损失函数值，第一损失函数值可以用于评估第七图像的质量，第一损失函数值越小，可以表示第七图像的质量越好，与第六图像越接近。

示例性地，第一损失函数值Loss₁的计算公式可以为：

如此，通过模型输出图像和标准图像之间的色差和色彩失真度确定损失函数值，可以更准确地衡量色彩矫正模型的精度，从而可以训练得到精度更高的色彩矫正模型。

此外，基于初始色彩矫正模型对第一训练样本中的第五图像进行色彩矫正，得到第七图像的过程可以与基于色彩矫正模型对第一图像进行色彩矫正，得到第二图像的过程相同，在此不再赘述。

如此，通过上述过程可以基于水下采集的图像训练得到色彩矫正模型，从而便于基于色彩矫正模型对图像进行色彩矫正。

步骤130，基于亮度矫正模型对第二图像进行亮度矫正，得到第三图像。

这里，亮度矫正模型可以是基于水下采集的图像训练得到的。

由于水下光线有限，且加上水中杂质影响，水下采集的图像可能存在对比度较差、失真等问题，基于亮度矫正模型对第二图像进行亮度矫正，可以改善第二图像对比度较差、失真等问题。

具体地，可以预先基于水下采集的图像训练得到亮度矫正模型，然后基于亮度矫正模型对第二图像进行亮度矫正，使图像的亮度更接近人眼看到的亮度。

在一些实施方式中，步骤130可以包括：

将第二图像输入亮度矫正模型进行亮度矫正系数提取，得到第二图像对应的亮度矫正系数曲线；

基于亮度矫正系数曲线对第二图像中的各像素值进行亮度矫正，得到第三图像。

这里，亮度矫正系数曲线可以表征第二图像中各像素值分别对应的亮度矫正系数。

具体地，基于亮度矫正系数曲线可以确定第二图像中每个像素点的像素值对应的亮度矫正系数，然后可以将第二图像中每个像素点的像素值与该像素值对应的亮度矫正系数相乘，得到第三图像。

如此，通过将第二图像输入亮度矫正模型进行亮度矫正系数提取，可以得到准确的亮度矫正系数曲线，基于该亮度矫正系数曲线可以对第二图像进行更准确的亮度矫正，平衡掉摄影源周围水质对图像的影响，改善图像对比度差导致失真的问题。

在一些实施方式中，上述将第二图像输入亮度矫正模型进行亮度矫正系数提取，得到第二图像对应的亮度矫正系数曲线，可以包括：

对第二图像进行亮度区域划分，得到第一亮度区域、第二亮度区域和第三亮度区域；

将所述第一亮度区域和所述第二亮度区域输入亮度矫正模型中的第二网络进行亮度矫正系数提取，得到第一亮度区域中各像素值分别对应的第一亮度矫正系数和第二亮度区域对应的第一系数；

基于第一系数和第二亮度区域中的各像素值确定第二亮度区域中各像素值对应的第二亮度矫正系数曲线；

根据第一亮度区域中各像素值分别对应的第一亮度矫正系数、第二亮度区域中各像素值对应的第二亮度矫正系数曲线以及第三亮度区域中各像素值分别对应的预设亮度矫正系数，生成亮度矫正系数曲线。

这里，第二网络可以为CNN。

第一亮度区域的亮度可以低于第二亮度区域的亮度，第二亮度区域的亮度可以低于第三亮度区域的亮度。

示例性地，第一亮度区域可以为暗区，第二亮度区域可以为中间调区，第三亮度区域可以为高亮区。

具体地，亮度矫正系数曲线可以包括三个线段，第一亮度区域、第二亮度区域和第三亮度区域可以分别对应亮度矫正系数曲线中的一个线段，其中，第一亮度区域对应的线段可以为直线段，第二亮度区域对应的线段可以为曲线段，第三亮度区域对应的线段也可以为直线段。

第一亮度区域对应的线段的纵坐标，也即第一亮度矫正系数，可以是通过将第一亮度区域输入亮度矫正模型中的第二网络进行亮度矫正系数提取得到的。

示例性地，第一亮度区域对应的线段的表达式可以为：y＝b，b为第一亮度矫正系数。

第二亮度区域对应的线段可以是三阶贝塞尔曲线，该三阶贝塞尔曲线的参数，也即第一系数，可以通过将第二亮度区域输入亮度矫正模型中的第二网络进行亮度矫正系数提取得到的。

三阶贝塞尔曲线的优势是灵活性比较好，是更平滑更真实的曲线，可以根据参数的定义和位置控制曲线以及曲线的颗粒度，在调节亮度时能够在各个亮度分布下自然过渡。

示例性地，三阶贝塞尔曲线的表达式可以为：

y＝B(t)＝(1-t)³P₀+3(1-t)²tP₁+3(1-t)t²P₂+t³P₃

其中，P₀、P₁、P₂和P₃为第一系数，t为像素值。

将第二亮度区域中各像素点的像素值代入到该三阶贝塞尔曲线中的t，便可以得到第二亮度区域中各像素点对应的第二亮度矫正系数曲线。

第三亮度区域对应的线段的纵坐标，也即预设亮度矫正系数，可以是预先设置的。

示例性地，高亮区的亮度可以不做调整。第三亮度区域对应的线段的表达式可以为：y＝1。

基于此，亮度矫正系数曲线的表达式可以为：

其中，Curve(t)为亮度矫正系数曲线，m为第一亮度区域中的最大像素值，n为第三亮度区域中的最小像素值。

基于此，亮度矫正模型的输出的表达式可以为：

其中，I_out2为亮度矫正模型的输出，为亮度矫正模型的输入。

如此，通过对第二图像进行亮度区域划分，并分别确定每个亮度区域的亮度矫正系数，可以更精确地对图像中不同亮度的区域分别进行矫正，从而得到亮度矫正效果更好的图像，而且第一亮度区域和第二亮度区域的亮度矫正系数是通过将第一亮度区域和第二亮度区域输入亮度矫正模型中的第二网络进行亮度矫正系数提取得到的，是动态的，改善了固定矫正系数对图像矫正的局限性。

在一些实施方式中，上述对第二图像进行亮度区域划分，得到第一亮度区域、第二亮度区域和第三亮度区域，可以包括：

对第二图像进行灰度处理，得到第十五图像；

绘制第十五图像的累计直方图；

确定累计直方图中第一预设比例对应的第一像素值和第二预设比例对应的第二像素值；

确定第十五图像中像素值小于或等于第一像素值的像素点所在区域为第一亮度区域、像素值大于第一像素值且小于第二像素值的像素点所在的区域为第二亮度区域，以及像素值大于或等于第二像素值的像素点所在区域为第三亮度区域。

这里，可以先绘制第十五图像的直方图，再基于直方图绘制累计直方图。直方图和累计直方图都可以反映图片像素亮度的分布情况，不同在于直方图可以反映各个像素的分布情况，而累计直方图可以反映不同区间像素的分布情况。

第一预设比例和第二预设比例可以根据实际需求设置，在不做限定。

累计直方图中横坐标可以为像素值，纵坐标可以为比例，确定累计直方图中纵坐标为第一预设比例的点对应的横坐标为第一像素值，纵坐标为第二预设比例的点对应的横坐标为第二像素值。

示例性地，第一预设比例可以为10％，第二预设比例可以为95％。

示例性地，三阶贝塞尔曲线中，P₀可以为中间调区的起始点，也即第一预设比例对应的第一像素值，P₃可以为中间调区的结束点，也即第二预设比例对应的第二像素值，P₁和P₂可以为中间调区均值所设定的锚点。

如此，通过累计直方图可以准确地将第二图像划分为三个亮度区域，从而便于对不同亮度区域分别进行亮度矫正。

示例性地，亮度矫正模型的内部实现流程可以如图3所示，其中Gray为第十五图像。亮度矫正模型的输出与输入之间的关系曲线可以如图4中的实线所示，三阶贝塞尔曲线可以如图4中的虚线所示。

在一些实施方式中，在步骤130之前，该方法还可以包括：

获取至少两个第二训练样本；

对至少两个第二训练样本中的每个第二训练样本，分别执行以下步骤：

基于初始亮度矫正模型对第二训练样本中的第八图像进行亮度矫正，得到第十图像；

计算所述第九图像的熵与所述第十图像的熵之间的差值，得到第二损失函数值；

在第二损失函数值不满足第二训练停止条件的情况下，调整初始亮度矫正模型的模型参数，直至第二损失函数值满足第二训练停止条件，得到亮度矫正模型。

这里，第二训练样本可以包括第八图像和第九图像，第八图像可以是基于色彩矫正模型对水下采集的图像进行色彩矫正得到的，第九图像可以是第八图像对应的标准图像。

具体地，第二损失函数值可以用于评估第十图像的质量，评估第十图像的失真、压缩等处理效果。第二损失函数值越小，表征第十图像的细节和纹理等特征保留得越好。

示例性地，第二损失函数值Loss₂的计算公式可以为：

Loss₂＝H₀-H₁

其中，H₀为第九图像的熵，H₁为第十图像的熵。

图像的熵的计算公式可以为：

其中，H为图像的熵，p_t为图像中灰度值为t的像素数量所占的比例。

可以根据图像的各个像素点的灰度分布的有序性，计算图像的熵，图像的熵可以反映图像信息的丰富度、图像的信息量，并以此判定图像的结构信息。图像的熵是图像像素值的分布熵，可以用于评估图像的复杂度和纹理等特征。失真后图像的熵越高，表示图像的失真程度越大，图像的复杂度和纹理等特征受到了破坏。

如此，通过模型输出图像和标准图像的熵确定损失函数值，可以更准确地衡量亮度矫正模型的精度，从而可以训练得到精度更高的亮度矫正模型。

此外，基于初始亮度矫正模型对第二训练样本中的第八图像进行亮度矫正，得到第十图像的过程可以与基于亮度矫正模型对第二图像进行亮度矫正，得到第三图像的过程相同，在此不再赘述。

如此，通过上述过程可以基于水下采集的图像训练得到亮度矫正模型，从而便于基于亮度矫正模型对图像进行亮度矫正。

步骤140，基于细节矫正模型对第三图像的色彩细节和亮度细节进行矫正，得到第四图像。

这里，细节矫正模型可以是基于水下采集的图像训练得到的。

具体地，可以预先基于水下采集的图像训练得到细节矫正模型，然后基于细节矫正模型对第三图像的色彩细节和亮度细节矫正，进一步改善第三图像的色彩和亮度，使图像的色彩和亮度更接近人眼看到的效果。

在一些实施方式中，步骤140可以包括：

将第三图像输入细节矫正模型中的第三网络进行色彩细节矫正系数提取和亮度细节矫正系数提取，得到至少两个预设lut表分别对应的第二系数；

基于至少两个预设lut表分别对应的第二系数对至少两个预设lut表进行加权求和，得到第一lut表；

基于第一lut表对第三图像的色彩细节和亮度细节进行矫正，得到第四图像。

这里，第三网络可以为CNN。

lut表是一个线性插值表，建立了输入和输出像素的映射值，因此能够快速地对图像进行精细化调整。lut表是查找表，因此在实际使用时能够进行并行运算且能够在硬件上进行部署，快速得到结果。

至少两个预设lut表可以是颜色映射表。至少两个预设lut表可以是在细节矫正模型的训练过程中生成的。预设lut表的数量可以根据实际需求设置，在此不做限定。

示例性地，至少两个预设lut表包括第一预设lut表、第二预设lut表和第三预设lut表。基于此，第一lut表的计算公式可以为：

Lut₀＝w₁Lut₁+w₂Lut₂+w₃Lut₃

其中，Lut₀为第一lut表，Lut₁为第一预设lut表，Lut₂为第二预设lut表，Lut₃为第三预设lut表，w₁为第一预设lut表对应的第二系数，w₂为第二预设lut表对应的第二系数，w₃为第三预设lut表对应的第二系数。

通过预设lut表可以将任意的颜色转变成想要的颜色，根据预设lut表的精度不同，可实现对不同颗粒度颜色划分的控制，精细化调整任意的局部颜色。但是单个预设lut表的调节具有局限性，因此本申请实施例中采用至少两个预设lut表，并对至少两个预设lut表进行加权求和，得到一个自适应性调整的第一lut表。

第一lut表可以用于对第三图像的质量进行精细调整，对第三图像的局部区域的色彩、对比度和压缩等方面进行调整。

基于此，细节矫正模型的输出的表达式可以为：

I_out3＝Lut₀(I_in3)

其中，I_out3为细节矫正模型的输出，I_in3为细节矫正模型的输入。

示例性地，细节矫正模型的内部处理可以如图5所示。

如此，通过基于第三图像确定的第二系数对至少两个预设lut表进行加权求和，可以得到更准确的第一lut表，基于第一lut表可以对第三图像的色彩细节和亮度细节进行更准确的矫正。

在一些实施方式中，在步骤140之前，该方法还可以包括：

获取至少两个第三训练样本；

对至少两个第三训练样本中的每个第三训练样本，分别执行以下步骤：

基于初始细节矫正模型和至少两个初始预设lut表，对第三训练样本中的第十一图像的色彩细节和亮度细节进行矫正，得到第十三图像；

基于预设权重，对第十二图像与第十三图像之间的对比度差异、结构相似度和平均亮度差异，以及至少两个初始预设lut表对应的平滑正则化参数进行加权求和，得到第三损失函数值；

在第三损失函数值不满足第三训练停止条件的情况下，调整初始细节矫正模型的模型参数和至少两个初始预设lut表，直至第三损失函数值满足第三训练停止条件，得到细节矫正模型和至少两个预设lut表。

这里，第三训练样本可以包括第十一图像和第十二图像，第十一图像可以为基于色彩矫正模型对水下采集的图像进行色彩矫正，再基于亮度矫正模型对色彩矫正后的图像进行亮度矫正得到的，第十二图像可以是第十一图像对应的标准图像。

示例性地，第八图像可以是基于色彩矫正模型对第五图像进行色彩矫正得到的，第十一图像可以是基于亮度矫正模型对第八图像进行亮度矫正得到的。基于此，第六图像、第九图像和第十二图像可以为相同图像。

例如，第六图像、第九图像和第十二图像均可以是对第五图像进行调色得到的，或者可以是通过网络学习生成的符合色彩和亮度标准的图像，第六图像、第九图像和第十二图像均可以是高动态、更清晰、色彩更真实、更接近人眼看到的效果的图像。

在一些实施方式中，上述基于预设权重，对所述第十二图像与所述第十三图像之间的对比度差异、结构相似度和平均亮度差异，以及所述至少两个初始预设lut表对应的平滑正则化参数进行加权求和，得到第三损失函数值，可以包括：

计算第十二图像与第十三图像之间的对比度差异、结构相似度和平均亮度差异，以及计算至少两个初始预设lut表对应的正则化参数；

基于预设权重对对比度差异、结构相似度、平均亮度差异和正则化参数进行加权求和，得到第三损失函数值。

这里，对比度差异、结构相似度和平均亮度差异可以表征第十三图像的质量，对比度差异、结构相似度和平均亮度差异分别对应的预设权重可以用于平衡对比度差异、结构相似度和平均亮度差异的影响。

正则化参数可以表征至少两个初始预设lut表的平滑性，正则化参数越小，至少两个初始预设lut表的平滑性越好。基于正则化参数确定第三损失函数值可以保持学习输出的至少两个初始预设lut表的平滑性，防止最终图像产生色彩断层等现象。

第三损失函数值可以用于表征第十三图像的质量和至少两个初始预设lut表的平滑性。

示例性地，第三损失函数值Loss₃的计算公式可以为：

Loss₃＝-UICM+Loss_tv＝-(α×CM+β×SM+γ×AM)+δ×Rtv

其中，UICM＝α×CM+β×SM+γ×AM，Loss_tv＝δ×Rtv。CM为对比度因子，也即对比度差异，SM为结构相似度，AM为平均亮度差异，Rtv为正则化参数，α为对比度差异对应的预设权重，β为结构相似度对应的预设权重，γ为平均亮度差异对应的预设权重，δ为正则化参数对应的预设权重。

UICM越高，第十三图像的图像质量越好。

如此，通过模型输出图像和标准图像之间的对比度差异、结构相似度、平均亮度差异，以及至少两个初始预设lut表对应的正则化参数，得到的第三损失函数值，可以更准确地衡量细节矫正模型的精度，从而可以训练得到精度更高的细节矫正模型。

此外，基于初始细节矫正模型对第三训练样本中的第十一图像进行亮度矫正，得到第十三图像的过程可以与基于细节矫正模型对第三图像进行亮度矫正，得到第四图像的过程相同，在此不再赘述。

在细节矫正模型的训练过程中，可以对至少两个初始预设lut表进行调整，直至训练停止，得到至少两个预设lut表。

如此，通过上述过程可以基于水下采集的图像训练得到细节矫正模型和至少两个预设lut表，从而便于基于细节矫正模型基于至少两个预设lut表对图像的色彩细节和亮度细节进行矫正。

lut表虽然可以人工设计，但是需要依赖丰富的人工经验，并会消耗大量时间，而且仅能处理固定场景，难以适应场景变化，而水下场景往往受光照影响变化较大。本申请实施例中，在训练细节矫正模型的过程中，可以同时学习输出至少两个预设lut表和一个用于预测至少两个预设lut表的第二系数的CNN网络，因此，本申请实施例中可以通过数据驱动的方式生成至少两个预设lut表，而无需依赖丰富的人工经验，也不会消耗大量时间；而且可以基于第二系数对至少两个预设lut表进行加权求和，从而动态适应不同场景。

在一些示例中，图像处理方法的整体实现流程可以如图6所示，是一个串联的网络，一个大网络下面串联了三个网络，但是三个网络的输入、输出、处理过程、评判标准、实现目标等都不同，通过不同水下深度，自适应地调节图像的色彩和亮度，并引入3dlut对图像进行局部的增强，得到高质量的水下图像。

由此，能够基于色彩矫正模型对水下采集的第一图像进行色彩矫正，得到第二图像，然后基于亮度矫正模型对第二图像进行亮度矫正，得到第三图像，再基于细节矫正模型对第三图像的色彩细节和亮度细节进行矫正，得到第四图像。该色彩矫正模型、亮度矫正模型和细节矫正模型均是基于水下采集的图像训练得到的，因此，本申请实施例可以有效地对水下采集的图像进行色彩和对比度的全面矫正，提高图像质量，使图像更接近人眼直接看到的效果。

为了使水下摄影采集的图像或视频尽可能接近人眼看到的效果，本申请实施例提供的图像处理方法，针对水下复杂多变的环境，从影响成像光源的水深和水质入手，全方位对水下图像进行图像增强。通过串联的色彩矫正模型、亮度矫正模型和细节矫正模型，依次对相机预览或者拍摄的水下图像进行处理，从而呈现给用户接近人眼视觉的图像。

在水下摄影预览前基于本申请实施例提供的图像处理方法对图像进行处理，可以使用户通过预览界面看到的预览图像更接近人眼实际看到的效果，同样的，在水下手机摄影拍照前基于本申请实施例提供的图像处理方法对图像进行处理，可以使用户通过拍照保存的照片更接近人眼实际看到的效果，提高水下图像的质量和清晰度，在帮助科学研究、改善商业应用、保护生态环境等方面具有重要的意义。随着技术的不断发展，水下摄影图像增强将会有更广泛的应用和更深远的影响。

需要说明的是，上述本申请实施例描述的应用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，随着新应用场景的出现，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图像处理方法，执行主体可以为图像处理装置。本申请实施例中以图像处理装置执行图像处理方法为例，说明本申请实施例提供的图像处理装置。

基于相同的发明构思，本申请还提供了一种图像处理装置。下面结合图7对本申请实施例提供的图像处理装置进行详细说明。

图7是根据一示例性实施例示出的一种图像处理装置的结构框图。

如图7所示，图像处理装置700可以包括：

图像获取模块701，用于获取第一图像，第一图像为水下采集的图像；

色彩矫正模块702，用于基于色彩矫正模型对第一图像进行色彩矫正，得到第二图像；

亮度矫正模块703，用于基于亮度矫正模型对第二图像进行亮度矫正，得到第三图像；

细节矫正模块704，用于基于细节矫正模型对第三图像的色彩细节和亮度细节进行矫正，得到第四图像；

其中，色彩矫正模型、亮度矫正模型和细节矫正模型均是基于水下采集的图像训练得到的。

下面对上述图像处理装置700进行详细说明，具体如下所示：

在其中一个实施例中，色彩矫正模块702可以包括：

第一提取子模块，用于将所述第一图像输入所述色彩矫正模型中的第一网络进行色彩矫正系数提取，得到所述第一图像在N个不同水深等级下分别对应的第一色彩矫正系数，N为大于1的整数；

第一确定子模块，用于基于所述N个不同水深等级分别对应的预设色彩矫正系数和N个所述第一色彩矫正系数，确定第二色彩矫正系数；

色彩矫正子模块，用于基于所述第二色彩矫正系数对所述第一图像进行色彩矫正，得到所述第二图像。

在其中一个实施例中，该图像处理装置700还可以包括：

通道分离模块，用于在所述基于所述N个不同水深等级分别对应的预设色彩矫正系数和N个所述第一色彩矫正系数，确定第二色彩矫正系数之前，对所述第一图像进行三通道分离，得到R单通道图像、G单通道图像和B单通道图像；

第一确定子模块可以包括：

第一确定单元，用于基于每种图像通道在所述N个不同水深等级下分别对应的预设色彩矫正系数和N个所述第一色彩矫正系数，确定所述R单通道图像、所述G单通道图像和所述B单通道图像分别对应的第二色彩矫正系数；

色彩矫正子模块可以包括：

色彩矫正单元，用于基于所述R单通道图像对应的第二色彩矫正系数对所述R单通道图像进行色彩矫正，基于所述G单通道图像对应的第二色彩矫正系数对所述G单通道图像进行色彩矫正，以及基于所述B单通道图像对应的第二色彩矫正系数对所述B单通道图像进行色彩矫正，分别得到矫正后的R单通道图像、矫正后的G单通道图像和矫正后的B单通道图像；

图像融合单元，用于融合所述矫正后的R单通道图像、所述矫正后的G单通道图像和所述矫正后的B单通道图像，得到所述第二图像。

在其中一个实施例中，亮度矫正模块703可以包括：

第二提取子模块，用于将所述第二图像输入所述亮度矫正模型进行亮度矫正系数提取，得到所述第二图像对应的亮度矫正系数曲线，所述亮度矫正系数曲线表征所述第二图像中各像素值分别对应的亮度矫正系数；

亮度矫正子模块，用于基于所述亮度矫正系数曲线对所述第二图像中的各像素值进行亮度矫正，得到所述第三图像。

在其中一个实施例中，第二提取子模块可以包括：

区域划分单元，用于对所述第二图像进行亮度区域划分，得到第一亮度区域、第二亮度区域和第三亮度区域，所述第一亮度区域的亮度低于所述第二亮度区域的亮度，所述第二亮度区域的亮度低于所述第三亮度区域的亮度；

提取单元，用于将所述第一亮度区域和所述第二亮度区域输入所述亮度矫正模型中的第二网络进行亮度矫正系数提取，得到所述第一亮度区域中各像素值分别对应的第一亮度矫正系数和所述第二亮度区域对应的第一系数；

第二确定单元，用于基于所述第一系数和所述第二亮度区域中的各像素值确定所述第二亮度区域中各像素值对应的第二亮度矫正系数曲线；

曲线生成单元，用于根据所述第一亮度区域中各像素值分别对应的第一亮度矫正系数、所述第二亮度区域中各像素值对应的第二亮度矫正系数曲线以及所述第三亮度区域中各像素值分别对应的预设亮度矫正系数，生成所述亮度矫正系数曲线。

在其中一个实施例中，细节矫正模块704可以包括：

第三提取子模块，用于将所述第三图像输入所述细节矫正模型中的第三网络进行色彩细节矫正系数提取和亮度细节矫正系数提取，得到至少两个预设lut表分别对应的第二系数；

第一计算子模块，用于基于所述至少两个预设lut表分别对应的第二系数对所述至少两个预设lut表进行加权求和，得到第一lut表；

细节矫正子模块，用于基于所述第一lut表对所述第三图像的色彩细节和亮度细节进行矫正，得到所述第四图像。

在其中一个实施例中，该图像处理装置700还可以包括：

第一样本获取模块，用于在所述基于色彩矫正模型对所述第一图像进行色彩矫正，得到第二图像之前，获取至少两个第一训练样本，所述第一训练样本包括第五图像和第六图像，所述第五图像为水下采集的图像，所述第六图像是所述第五图像对应的标准图像；

第一模型训练模块，用于对所述至少两个第一训练样本中的每个第一训练样本，分别执行以下步骤：

基于初始色彩矫正模型对所述第一训练样本中的第五图像进行色彩矫正，得到第七图像；

基于色差和色彩失真度确定第一损失函数值，所述色差为所述第七图像和所述第六图像之间的色差，所述色彩失真度为所述第七图像相较于所述第六图像的色彩失真度；

在所述第一损失函数值不满足第一训练停止条件的情况下，调整所述初始色彩矫正模型的模型参数，直至所述第一损失函数值满足所述第一训练停止条件，得到所述色彩矫正模型。

在其中一个实施例中，该图像处理装置700还可以包括：

第二样本获取模块，用于在所述基于亮度矫正模型对所述第二图像进行亮度矫正，得到第三图像之前，获取至少两个第二训练样本，所述第二训练样本包括第八图像和第九图像，所述第八图像是基于所述色彩矫正模型对水下采集的图像进行色彩矫正得到的，所述第九图像是所述第八图像对应的标准图像；

第二模型训练模块，用于对所述至少两个第二训练样本中的每个第二训练样本，分别执行以下步骤：

基于初始亮度矫正模型对所述第二训练样本中的第八图像进行亮度矫正，得到第十图像；

计算所述第九图像的熵与所述第十图像的熵之间的差值，得到第二损失函数值；

在所述第二损失函数值不满足第二训练停止条件的情况下，调整所述初始亮度矫正模型的模型参数，直至所述第二损失函数值满足所述第二训练停止条件，得到所述亮度矫正模型。

在其中一个实施例中，该图像处理装置700还可以包括：

第三样本获取模块，用于在所述基于细节矫正模型对所述第三图像的色彩细节和亮度细节进行矫正，得到第四图像之前，获取至少两个第三训练样本，所述第三训练样本包括第十一图像和第十二图像，所述第十一图像为基于所述色彩矫正模型对水下采集的图像进行色彩矫正，再基于所述亮度矫正模型对色彩矫正后的图像进行亮度矫正得到的，所述第十二图像是所述第十一图像对应的标准图像；

第三模型训练模块，用于对所述至少两个第三训练样本中的每个第三训练样本，分别执行以下步骤：

基于初始细节矫正模型和所述至少两个初始预设lut表，对所述第三训练样本中的第十一图像的色彩细节和亮度细节进行矫正，得到第十三图像；

基于预设权重，对所述第十二图像与所述第十三图像之间的对比度差异、结构相似度和平均亮度差异，以及所述至少两个初始预设lut表对应的平滑正则化参数进行加权求和，得到第三损失函数值；

在所述第三损失函数值不满足第三训练停止条件的情况下，调整所述初始细节矫正模型的模型参数和所述至少两个初始预设lut表，直至所述第三损失函数值满足所述第三训练停止条件，得到所述细节矫正模型和所述至少两个预设lut表。

由此，能够基于色彩矫正模型对水下采集的第一图像进行色彩矫正，得到第二图像，然后基于亮度矫正模型对第二图像进行亮度矫正，得到第三图像，再基于细节矫正模型对第三图像的色彩细节和亮度细节进行矫正，得到第四图像。该色彩矫正模型、亮度矫正模型和细节矫正模型均是基于水下采集的图像训练得到的，因此，本申请实施例可以有效地对水下采集的图像进行色彩和对比度的全面矫正，提高图像质量，使图像更接近人眼直接看到的效果。

本申请实施例中的图像处理装置可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(Mobile Internet Device，MID)、增强现实(augmented reality，AR)/虚拟现实(virtualreality，VR)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobile personalcomputer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，还可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personalcomputer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。

本申请实施例中的图像处理装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。

本申请实施例提供的图像处理装置能够实现图1至图6的方法实施例实现的各个过程，实现相同的技术效果，为避免重复，这里不再赘述。

在一些实施例中，如图8所示，本申请实施例还提供一种电子设备800，包括处理器801和存储器802，存储器802上存储有可在所述处理器801上运行的程序或指令，该程序或指令被处理器801执行时实现上述图像处理方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。

需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。

图9为实现本申请实施例的一种电子设备的硬件结构示意图。

该电子设备900包括但不限于：射频单元901、网络模块902、音频输出单元903、输入单元904、传感器905、显示单元906、用户输入单元907、接口单元908、存储器909、以及处理器910等部件。

本领域技术人员可以理解，电子设备900还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器910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。图9中示出的电子设备结构并不构成对电子设备的限定，电子设备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，在此不再赘述。

其中，处理器910，用于：

获取第一图像，所述第一图像为水下采集的图像；

基于色彩矫正模型对所述第一图像进行色彩矫正，得到第二图像；

基于亮度矫正模型对所述第二图像进行亮度矫正，得到第三图像；

基于细节矫正模型对所述第三图像的色彩细节和亮度细节进行矫正，得到第四图像；

其中，所述色彩矫正模型、所述亮度矫正模型和所述细节矫正模型均是基于水下采集的图像训练得到的。

由此，能够基于色彩矫正模型对水下采集的第一图像进行色彩矫正，得到第二图像，然后基于亮度矫正模型对第二图像进行亮度矫正，得到第三图像，再基于细节矫正模型对第三图像的色彩细节和亮度细节进行矫正，得到第四图像。该色彩矫正模型、亮度矫正模型和细节矫正模型均是基于水下采集的图像训练得到的，因此，本申请实施例可以有效地对水下采集的图像进行色彩和对比度的全面矫正，提高图像质量，使图像更接近人眼直接看到的效果。

在一些实施例中，处理器910，还用于：

将所述第一图像输入所述色彩矫正模型中的第一网络进行色彩矫正系数提取，得到所述第一图像在N个不同水深等级下分别对应的第一色彩矫正系数，N为大于1的整数；

基于所述N个不同水深等级分别对应的预设色彩矫正系数和N个所述第一色彩矫正系数，确定第二色彩矫正系数；

基于所述第二色彩矫正系数对所述第一图像进行色彩矫正，得到所述第二图像。

如此，通过基于第一图像确定的第一色彩矫正系数对预设色彩矫正系数进行调整，可以得到更准确的第二色彩矫正系数，从而可以基于第二色彩矫正系数对不同水深导致的不同偏色问题进行自适应性矫正，得到矫正效果更好的第二图像。

在一些实施例中，处理器910，还用于：

在所述基于所述N个不同水深等级分别对应的预设色彩矫正系数和N个所述第一色彩矫正系数，确定第二色彩矫正系数之前，对所述第一图像进行三通道分离，得到R单通道图像、G单通道图像和B单通道图像；

基于每种图像通道在所述N个不同水深等级下分别对应的预设色彩矫正系数和N个所述第一色彩矫正系数，确定所述R单通道图像、所述G单通道图像和所述B单通道图像分别对应的第二色彩矫正系数；

基于所述R单通道图像对应的第二色彩矫正系数对所述R单通道图像进行色彩矫正，基于所述G单通道图像对应的第二色彩矫正系数对所述G单通道图像进行色彩矫正，以及基于所述B单通道图像对应的第二色彩矫正系数对所述B单通道图像进行色彩矫正，分别得到矫正后的R单通道图像、矫正后的G单通道图像和矫正后的B单通道图像；

融合所述矫正后的R单通道图像、所述矫正后的G单通道图像和所述矫正后的B单通道图像，得到所述第二图像。

如此，通过对第一图像进行三通道分离，对三个单通道图像分别进行色彩矫正，可以更精准地矫正图像的色彩，减少水深带来的偏色问题。

在一些实施例中，处理器910，还用于：

将所述第二图像输入所述亮度矫正模型进行亮度矫正系数提取，得到所述第二图像对应的亮度矫正系数曲线，所述亮度矫正系数曲线表征所述第二图像中各像素值分别对应的亮度矫正系数；

基于所述亮度矫正系数曲线对所述第二图像中的各像素值进行亮度矫正，得到所述第三图像。

如此，通过将第二图像输入亮度矫正模型进行亮度矫正系数提取，可以得到准确的亮度矫正系数曲线，基于该亮度矫正系数曲线可以对第二图像进行更准确的亮度矫正，平衡掉摄影源周围水质对图像的影响，改善图像对比度差导致失真的问题。

在一些实施例中，处理器910，还用于：

对所述第二图像进行亮度区域划分，得到第一亮度区域、第二亮度区域和第三亮度区域，所述第一亮度区域的亮度低于所述第二亮度区域的亮度，所述第二亮度区域的亮度低于所述第三亮度区域的亮度；

将所述第一亮度区域和所述第二亮度区域输入所述亮度矫正模型中的第二网络进行亮度矫正系数提取，得到所述第一亮度区域中各像素值分别对应的第一亮度矫正系数和所述第二亮度区域对应的第一系数；

基于所述第一系数和所述第二亮度区域中的各像素值确定所述第二亮度区域中各像素值对应的第二亮度矫正系数曲线；

根据所述第一亮度区域中各像素值分别对应的第一亮度矫正系数、所述第二亮度区域中各像素值对应的第二亮度矫正系数曲线以及所述第三亮度区域中各像素值分别对应的预设亮度矫正系数，生成所述亮度矫正系数曲线。

如此，通过对第二图像进行亮度区域划分，并分别确定每个亮度区域的亮度矫正系数，可以更精确地对图像中不同亮度的区域分别进行矫正，从而得到亮度矫正效果更好的图像，而且第一亮度区域和第二亮度区域的亮度矫正系数是通过将第一亮度区域和第二亮度区域输入亮度矫正模型中的第二网络进行亮度矫正系数提取得到的，是动态的，改善了固定矫正系数对图像矫正的局限性。

在一些实施例中，处理器910，还用于：

将所述第三图像输入所述细节矫正模型中的第三网络进行色彩细节矫正系数提取和亮度细节矫正系数提取，得到至少两个预设lut表分别对应的第二系数；

基于所述至少两个预设lut表分别对应的第二系数对所述至少两个预设lut表进行加权求和，得到第一lut表；

基于所述第一lut表对所述第三图像的色彩细节和亮度细节进行矫正，得到所述第四图像

如此，通过基于第三图像确定的第二系数对至少两个预设lut表进行加权求和，可以得到更准确的第一lut表，基于第一lut表可以对第三图像的色彩细节和亮度细节进行更准确的矫正。

在一些实施例中，处理器910，还用于：

在所述基于色彩矫正模型对所述第一图像进行色彩矫正，得到第二图像之前，获取至少两个第一训练样本，所述第一训练样本包括第五图像和第六图像，所述第五图像为水下采集的图像，所述第六图像是所述第五图像对应的标准图像；

对所述至少两个第一训练样本中的每个第一训练样本，分别执行以下步骤：

基于初始色彩矫正模型对所述第一训练样本中的第五图像进行色彩矫正，得到第七图像；

基于色差和色彩失真度确定第一损失函数值，所述色差为所述第七图像和所述第六图像之间的色差，所述色彩失真度为所述第七图像相较于所述第六图像的色彩失真度；

在所述第一损失函数值不满足第一训练停止条件的情况下，调整所述初始色彩矫正模型的模型参数，直至所述第一损失函数值满足所述第一训练停止条件，得到所述色彩矫正模型。

如此，通过上述过程可以基于水下采集的图像训练得到色彩矫正模型，从而便于基于色彩矫正模型对图像进行色彩矫正。

在一些实施例中，处理器910，还用于：

在所述基于亮度矫正模型对所述第二图像进行亮度矫正，得到第三图像之前，获取至少两个第二训练样本，所述第二训练样本包括第八图像和第九图像，所述第八图像是基于所述色彩矫正模型对水下采集的图像进行色彩矫正得到的，所述第九图像是所述第八图像对应的标准图像；

对所述至少两个第二训练样本中的每个第二训练样本，分别执行以下步骤：

基于初始亮度矫正模型对所述第二训练样本中的第八图像进行亮度矫正，得到第十图像；

计算所述第九图像的熵与所述第十图像的熵之间的差值，得到第二损失函数值；

在所述第二损失函数值不满足第二训练停止条件的情况下，调整所述初始亮度矫正模型的模型参数，直至所述第二损失函数值满足所述第二训练停止条件，得到所述亮度矫正模型。

如此，通过上述过程可以基于水下采集的图像训练得到亮度矫正模型，从而便于基于亮度矫正模型对图像进行亮度矫正。

在一些实施例中，处理器910，还用于：

在所述基于细节矫正模型对所述第三图像的色彩细节和亮度细节进行矫正，得到第四图像之前，获取至少两个第三训练样本，所述第三训练样本包括第十一图像和第十二图像，所述第十一图像为基于所述色彩矫正模型对水下采集的图像进行色彩矫正，再基于所述亮度矫正模型对色彩矫正后的图像进行亮度矫正得到的，所述第十二图像是所述第十一图像对应的标准图像；

对所述至少两个第三训练样本中的每个第三训练样本，分别执行以下步骤：

基于初始细节矫正模型和所述至少两个初始预设lut表，对所述第三训练样本中的第十一图像的色彩细节和亮度细节进行矫正，得到第十三图像；

基于预设权重，对所述第十二图像与所述第十三图像之间的对比度差异、结构相似度和平均亮度差异，以及所述至少两个初始预设lut表对应的平滑正则化参数进行加权求和，得到第三损失函数值；

在所述第三损失函数值不满足第三训练停止条件的情况下，调整所述初始细节矫正模型的模型参数和所述至少两个初始预设lut表，直至所述第三损失函数值满足所述第三训练停止条件，得到所述细节矫正模型和所述至少两个预设lut表。

如此，通过上述过程可以基于水下采集的图像训练得到细节矫正模型和至少两个预设lut表，从而便于基于细节矫正模型基于至少两个预设lut表对图像的色彩细节和亮度细节进行矫正。

应理解的是，本申请实施例中，输入单元904可以包括图形处理器(GraphicsProcessing Unit，GPU)9041和麦克风9042，图形处理器9041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。显示单元906可包括显示面板9061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板9061。用户输入单元907包括触控面板9071以及其他输入设备9072中的至少一种。触控面板9071，也称为触摸屏。触控面板9071可包括触摸检测装置和触摸控制器两个部分。其他输入设备9072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，在此不再赘述。

存储器909可用于存储软件程序以及各种数据。存储器909可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器909可以包括易失性存储器或非易失性存储器，或者，存储器909可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本申请实施例中的存储器909包括但不限于这些和任意其它适合类型的存储器。

处理器910可包括一个或多个处理单元；在一些实施例中，处理器910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涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。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910中。

本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述图像处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器、随机存取存储器、磁碟或者光盘等。

本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述图像处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。

本申请实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述图像处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

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，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

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计算机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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，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的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (11)

1.一种图像处理方法，其特征在于，所述方法包括：

获取第一图像，所述第一图像为水下采集的图像；

基于色彩矫正模型对所述第一图像进行色彩矫正，得到第二图像；

基于亮度矫正模型对所述第二图像进行亮度矫正，得到第三图像；

基于细节矫正模型对所述第三图像的色彩细节和亮度细节进行矫正，得到第四图像；

其中，所述色彩矫正模型、所述亮度矫正模型和所述细节矫正模型均是基于水下采集的图像训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述基于色彩矫正模型对所述第一图像进行色彩矫正，得到第二图像，包括：

将所述第一图像输入所述色彩矫正模型中的第一网络进行色彩矫正系数提取，得到所述第一图像在N个不同水深等级下分别对应的第一色彩矫正系数，N为大于1的整数；

基于所述N个不同水深等级分别对应的预设色彩矫正系数和N个所述第一色彩矫正系数，确定第二色彩矫正系数；

基于所述第二色彩矫正系数对所述第一图像进行色彩矫正，得到所述第二图像。

3.根据权利要求2所述的方法，其特征在于，在所述基于所述N个不同水深等级分别对应的预设色彩矫正系数和N个所述第一色彩矫正系数，确定第二色彩矫正系数之前，所述方法还包括：

对所述第一图像进行三通道分离，得到R单通道图像、G单通道图像和B单通道图像；

所述基于所述N个不同水深等级分别对应的预设色彩矫正系数和N个所述第一色彩矫正系数，确定第二色彩矫正系数，包括：

基于每种图像通道在所述N个不同水深等级下分别对应的预设色彩矫正系数和N个所述第一色彩矫正系数，确定所述R单通道图像、所述G单通道图像和所述B单通道图像分别对应的第二色彩矫正系数；

所述基于所述第二色彩矫正系数对所述第一图像进行色彩矫正，得到所述第二图像，包括：

基于所述R单通道图像对应的第二色彩矫正系数对所述R单通道图像进行色彩矫正，基于所述G单通道图像对应的第二色彩矫正系数对所述G单通道图像进行色彩矫正，以及基于所述B单通道图像对应的第二色彩矫正系数对所述B单通道图像进行色彩矫正，分别得到矫正后的R单通道图像、矫正后的G单通道图像和矫正后的B单通道图像；

融合所述矫正后的R单通道图像、所述矫正后的G单通道图像和所述矫正后的B单通道图像，得到所述第二图像。

4.根据权利要求1所述的方法，其特征在于，所述基于亮度矫正模型对所述第二图像进行亮度矫正，得到第三图像，包括：

将所述第二图像输入所述亮度矫正模型进行亮度矫正系数提取，得到所述第二图像对应的亮度矫正系数曲线，所述亮度矫正系数曲线表征所述第二图像中各像素值分别对应的亮度矫正系数；

基于所述亮度矫正系数曲线对所述第二图像中的各像素值进行亮度矫正，得到所述第三图像。

5.根据权利要求4所述的方法，其特征在于，所述将所述第二图像输入所述亮度矫正模型进行亮度矫正系数提取，得到所述第二图像对应的亮度矫正系数曲线，包括：

对所述第二图像进行亮度区域划分，得到第一亮度区域、第二亮度区域和第三亮度区域，所述第一亮度区域的亮度低于所述第二亮度区域的亮度，所述第二亮度区域的亮度低于所述第三亮度区域的亮度；

将所述第一亮度区域和所述第二亮度区域输入所述亮度矫正模型中的第二网络进行亮度矫正系数提取，得到所述第一亮度区域中各像素值分别对应的第一亮度矫正系数和所述第二亮度区域对应的第一系数；

基于所述第一系数和所述第二亮度区域中的各像素值确定所述第二亮度区域中各像素值对应的第二亮度矫正系数曲线；

根据所述第一亮度区域中各像素值分别对应的第一亮度矫正系数、所述第二亮度区域中各像素值对应的第二亮度矫正系数曲线以及所述第三亮度区域中各像素值分别对应的预设亮度矫正系数，生成所述亮度矫正系数曲线。

6.根据权利要求1所述的方法，其特征在于，所述基于细节矫正模型对所述第三图像的色彩细节和亮度细节进行矫正，得到第四图像，包括：

将所述第三图像输入所述细节矫正模型中的第三网络进行色彩细节矫正系数提取和亮度细节矫正系数提取，得到至少两个预设lut表分别对应的第二系数；

基于所述至少两个预设lut表分别对应的第二系数对所述至少两个预设lut表进行加权求和，得到第一lut表；

基于所述第一lut表对所述第三图像的色彩细节和亮度细节进行矫正，得到所述第四图像。

7.根据权利要求1所述的方法，其特征在于，在所述基于色彩矫正模型对所述第一图像进行色彩矫正，得到第二图像之前，所述方法还包括：

获取至少两个第一训练样本，所述第一训练样本包括第五图像和第六图像，所述第五图像为水下采集的图像，所述第六图像是所述第五图像对应的标准图像；

对所述至少两个第一训练样本中的每个第一训练样本，分别执行以下步骤：

基于初始色彩矫正模型对所述第一训练样本中的第五图像进行色彩矫正，得到第七图像；

基于色差和色彩失真度确定第一损失函数值，所述色差为所述第七图像和所述第六图像之间的色差，所述色彩失真度为所述第七图像相较于所述第六图像的色彩失真度；

在所述第一损失函数值不满足第一训练停止条件的情况下，调整所述初始色彩矫正模型的模型参数，直至所述第一损失函数值满足所述第一训练停止条件，得到所述色彩矫正模型。

8.根据权利要求1所述的方法，其特征在于，在所述基于亮度矫正模型对所述第二图像进行亮度矫正，得到第三图像之前，所述方法还包括：

获取至少两个第二训练样本，所述第二训练样本包括第八图像和第九图像，所述第八图像是基于所述色彩矫正模型对水下采集的图像进行色彩矫正得到的，所述第九图像是所述第八图像对应的标准图像；

对所述至少两个第二训练样本中的每个第二训练样本，分别执行以下步骤：

基于初始亮度矫正模型对所述第二训练样本中的第八图像进行亮度矫正，得到第十图像；

计算所述第九图像的熵与所述第十图像的熵之间的差值，得到第二损失函数值；

在所述第二损失函数值不满足第二训练停止条件的情况下，调整所述初始亮度矫正模型的模型参数，直至所述第二损失函数值满足所述第二训练停止条件，得到所述亮度矫正模型。

9.根据权利要求1所述的方法，其特征在于，在所述基于细节矫正模型对所述第三图像的色彩细节和亮度细节进行矫正，得到第四图像之前，所述方法还包括：

获取至少两个第三训练样本，所述第三训练样本包括第十一图像和第十二图像，所述第十一图像为基于所述色彩矫正模型对水下采集的图像进行色彩矫正，再基于所述亮度矫正模型对色彩矫正后的图像进行亮度矫正得到的，所述第十二图像是所述第十一图像对应的标准图像；

对所述至少两个第三训练样本中的每个第三训练样本，分别执行以下步骤：

基于初始细节矫正模型和所述至少两个初始预设lut表，对所述第三训练样本中的第十一图像的色彩细节和亮度细节进行矫正，得到第十三图像；

基于预设权重，对所述第十二图像与所述第十三图像之间的对比度差异、结构相似度和平均亮度差异，以及所述至少两个初始预设lut表对应的平滑正则化参数进行加权求和，得到第三损失函数值；

在所述第三损失函数值不满足第三训练停止条件的情况下，调整所述初始细节矫正模型的模型参数和所述至少两个初始预设lut表，直至所述第三损失函数值满足所述第三训练停止条件，得到所述细节矫正模型和所述至少两个预设lut表。

10.一种图像处理装置，其特征在于，所述装置包括：

图像获取模块，用于获取第一图像，所述第一图像为水下采集的图像；

色彩矫正模块，用于基于色彩矫正模型对所述第一图像进行色彩矫正，得到第二图像；

亮度矫正模块，用于基于亮度矫正模型对所述第二图像进行亮度矫正，得到第三图像；

细节矫正模块，用于基于细节矫正模型对所述第三图像的色彩细节和亮度细节进行矫正，得到第四图像；

其中，所述色彩矫正模型、所述亮度矫正模型和所述细节矫正模型均是基于水下采集的图像训练得到的。

11.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储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1-9任一项所述的图像处理方法的步骤。