CN110689486A - 图像的处理方法、装置、设备及计算机可存储介质 - Google Patents

图像的处理方法、装置、设备及计算机可存储介质 Download PDF

Info

Publication number
CN110689486A
CN110689486A CN201810735358.7A CN201810735358A CN110689486A CN 110689486 A CN110689486 A CN 110689486A CN 201810735358 A CN201810735358 A CN 201810735358A CN 110689486 A CN110689486 A CN 110689486A
Authority
CN
China
Prior art keywords
illumination
image
low
data set
normal
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
Application number
CN201810735358.7A
Other languages
English (en)
Inventor
刘家瑛
汪文靖
魏晨
杨文瀚
郭宗明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Peking University Founder Group Co Ltd
Beijing Founder Electronics Co Ltd
Original Assignee
Peking University
Peking University Founder Group Co Ltd
Beijing Founder Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University, Peking University Founder Group Co Ltd, Beijing Founder Electronics Co Ltd filed Critical Peking University
Priority to CN201810735358.7A priority Critical patent/CN110689486A/zh
Publication of CN110689486A publication Critical patent/CN110689486A/zh
Pending legal-status Critical Current

Links

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
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10052—Images from lightfield camera
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例公开了一种图像的处理方法、装置、设备及计算机可存储介质，方法包括：获取图像请求，所述图像请求包括：待处理的低光照图像；根据所述图像处理请求，采用预配置的低光照增强网络，对所述待处理的低光照图像进行提亮处理，获取所述待处理的低光照图像对应的正常光照图像。从而能够精准地实现对待处理的低光照图像的增强，进而能够使用户从增强的低光照图像中获取更多的信息。

Description

图像的处理方法、装置、设备及计算机可存储介质
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种图像的处理方法、装置、设备及计算机可存储介质。
背景技术
图像是人类获取和交换信息的主要来源，因此，图像的清晰度与有效信息所占比例变得极为重要。举例来说，用户可以非常容易地从一张清晰的图像中获取自己想要的信息，但是，若当前的图像为低光照图像，则用户无法从该图片中迅速获取到有效信息。
针对上述低光照图像，为了实现对低光照图像的信息获取，现有技术中提出一种基于视网膜大脑皮层理论的低光照增强方法，具体地，由于带色彩恢复的多尺度视网膜增强算法等，一般都认为人眼感知物体的亮度取决于环境的照明和物体表面对照射光的反射，因此可以通过将图片拆解成本质和光照，并对光照进行提亮来实现对低光照图像的增强。
但是采用上述方法进行低光照增强时，参数一般都是通过人为进行设置，因此，并不能适应全部的低光照情况，此外，图像还可能会出现黑边等伪像，因此，提亮后的图像质量也较差。
发明内容
本发明实施例提供一种图像的处理方法、装置、设备及计算机可存储介质，以解决现有低光照图像提亮方法不能适应全部的低光照情况的技术问题。
本发明的第一个方面是提供一种图像的处理方法，包括：
获取图像请求，所述图像请求包括：待处理的低光照图像；
根据所述图像处理请求，采用预配置的低光照增强网络，对所述待处理的低光照图像进行提亮处理，获取所述待处理的低光照图像对应的正常光照图像。
本发明的另一个方面是提供一种图像的处理装置，包括：
图像请求获取模块，用于获取图像请求，所述图像请求包括：待处理的低光照图像；
提亮处理模块，用于根据所述图像处理请求，采用预配置的低光照增强网络，对所述待处理的低光照图像进行提亮处理，获取所述待处理的低光照图像对应的正常光照图像。
本发明的又一个方面是提供一种图像的处理设备，包括：存储器、处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为由所述处理器执行上述的方法。
本发明的又一个方面是提供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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述的图像的处理方法。
本发明提供的图像的处理方法、装置、设备及计算机可存储介质，通过获取图像请求，所述图像请求包括：待处理的低光照图像；根据所述图像处理请求，采用预配置的低光照增强网络，对所述待处理的低光照图像进行提亮处理，获取所述待处理的低光照图像对应的正常光照图像。从而能够精准地实现对待处理的低光照图像的增强，进而能够使用户从增强的低光照图像中获取更多的信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的图像的处理方法的流程示意图；
图2为本发明实施例二提供的图像的处理装置的结构示意图；
图3为本发明实施例三提供的图像的处理设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
图1为本发明实施例一提供的图像的处理方法的流程示意图，如图1所示，所述方法包括：
步骤101、获取图像请求，所述图像请求包括：待处理的低光照图像；
步骤102、根据所述图像处理请求，采用预配置的低光照增强网络，对所述待处理的低光照图像进行提亮处理，获取所述待处理的低光照图像对应的正常光照图像。
实际应用中，图像是人类获取和交换信息的主要来源，例如在安防监控领域、军事侦察领域、医疗影像领域、机器视觉领域等都有着较重要的应用。但是，由于在低光照条件下，图像采集设备获取的数字图像的颜色信息往往很难反应成像物体的本征颜色，这是因为采集设备没有人类视觉***的颜色恒常性，无法剥离外界低光照和拍摄角度带来的影响，导致生成的低光照彩色图像色彩丢失、纹理模糊不清，进而导致无法从该低光照图像中获取到相应的有效信息。因此，为了实现对低光照图像的增强，首先可以获取图像请求，其中，图像请求中包括待处理的低光照图像。根据该图像处理请求，采用预先配置的低光照增强网络，对该待处理的低光照图像进行提亮处理，获取该待处理的低光照图像对应的正常光照图像，从而用户可以从该正常光照图像中提取有效信息。该低光照增强网络为预先根据多张低光照图像与正常光照图像训练获得的，用于对低光照图像进行有效增强。
本实施例提供的图像的处理方法，通过获取图像请求，所述图像请求包括：待处理的低光照图像；根据所述图像处理请求，采用预配置的低光照增强网络，对所述待处理的低光照图像进行提亮处理，获取所述待处理的低光照图像对应的正常光照图像。从而能够精准地实现对待处理的低光照图像的增强，进而能够使用户从增强的低光照图像中获取更多的信息。
进一步地，在上述实施例的基础上，所述方法还包括：
获取训练数据集，所述训练数据集包括多个正常光照的样本图像和其对应的低光照的样本图像；
搭建具有全局光照视野的卷积网络；
根据所述训练数据集，对所述卷积网络进行训练，以获取所述低光照增强网络。
在本实施例中，为了实现对低光照图像的有效增强，首先需要进行低光照网络的训练。具体地，可以获取训练数据集，其中，训练数据集中包括多个正常光照的样本图像和其对应的低光照的样本图像。并搭建具有全局光照视野的卷积网络，需要说明的是，具有全局光照视野的卷积网络能够对当前低光照图像的全局光照分布进行分析，此外，还可以对低光照图像进行细节修复，从而能够在实现对低光照图像的增强的基础上，实现对低光照图像中细节的调整，进而能够提高增强的图像的质量。进一步地，根据该训练数据集，对具有全局光照视野的卷积网络进行训练，以获得低光照增强网络。
本实施例提供的图像的处理方法，通过预先获取包括多个正常光照的样本图像和其对应的低光照的样本图像的训练数据集，搭建具有全局光照视野的卷积网络，并通过上述训练数据集中的数据对该卷积网络进行训练，以获得低光照增强网络，从而能够在实现对低光照图像的增强的基础上，实现对低光照图像中细节的调整，进而能够提高增强的图像的质量。
进一步地，在上述任一实施例的基础上，所述方法包括：
采集正常光照的样本图像；
分别对采集到的所述正常光照的样本图像进行低光处理，获取其对应的低光照的样本图像；并分别将每个所述正常光照的样本图像和其对应的低光照的样本图像组合成一个图片对，以获取所述训练数据集；
搭建具有全局光照视野的卷积网络；
根据所述训练数据集，对所述卷积网络进行训练，以获取所述低光照增强网络。
在本实施例中，为了实现对低光照图像的有效增强，首先需要构建训练数据集，具体地，可以采集正常光照的样本图像，分别对采集到的正常光照的样本图像进行低光处理，具体地，可以随机调整正常光照的样本图像的参数，以获得正常光照的样本图像对应的低光照的样本图像。进一步地，分别将每个正常光照的样本图像和其对应的低光照的样本图像组合成一个图片对，以获取训练数据集，搭建具有全局光照视野的卷积网络，并通过上述训练数据集中的数据对该卷积网络进行训练，以获得低光照增强网络。
以实际应用举例来说，可以预先搜集1000张原始图像文件格式的正常光照图片，随机地将曝光参数调整至-5到0之间，将鲜艳度参数调整至-100至0之间，将对比度参数调整至-100至0之间，生成原始图像文件格式的低光照图片。将正常光照图片和低光照图片都转换成分辨率为400×600的8位图片格式。并将对应的正常光照图片Y和低光照图片X组合成一个图片对，生成训练数据集。搭建具有全局光照视野的卷积网络，并通过上述训练数据集中的数据对该卷积网络进行训练，以获得低光照增强网络。
本实施例提供的图像的处理方法，通过预先获取正常光照下的样本图像，并随机对正常光照下的样本图像进行低光处理，获取其对应的低光照的样本图像；并分别将每个所述正常光照的样本图像和其对应的低光照的样本图像组合成一个图片对，以获取所述训练数据集，从而为对低光照图像的增强提供了基础。
进一步地，在上述任一实施例的基础上，所述方法包括：
获取训练数据集，所述训练数据集包括多个正常光照的样本图像和其对应的低光照的样本图像；
对输入的低光照图像进行全局光照分布估计处理，获取上采样输出结果和下采样输出结果；
对所述上采样输出结果和所述下采样输出结果进行合并处理，获取合并结果；
将所述合并结果依次进行三次卷积和修正线性处理，以获取输出的正常光照图像和其对应的提亮结果；
根据所述训练数据集，对所述卷积网络进行训练，以获取所述低光照增强网络。
在本实施例中，获取到训练数据集之后，对输入的低光照图像进行全局光照估计处理，获取上采样输出结果与下采样输出结果，对上采样输出结果和下采样输出结果进行合并处理，获取合并结果，将合并结果依次进行三次卷积和修正线性处理，以获取输出的正常光照图像和其对应的提亮结果，从而获得具有全局光照视野的卷积网络。需要说明的是，具有全局光照视野的卷积网络能够对当前低光照图像的全局光照分布进行分析，此外，还可以对低光照图像进行细节修复，从而能够在实现对低光照图像的增强的基础上，实现对低光照图像中细节的调整，进而能够提高增强的图像的质量。
以实际应用举例来说，输入的低光照图片X通过一个下采样模块D0，得到低分辨率特征f。D0由一个最近邻操作，一个卷积操作和一个修正线性单元组成。D0的最近邻缩放操作将图片缩放成固定的96×96分辨率。之后，低分辨率特征f通过一个自编码器。自编码器由对称的5组下采样D1，D2，...，D5和上采样模块U1，U2，...，U5组成。每一个下采样模块和上采样模块均由一个最近邻操作，一个卷积操作和一个修正线性单元组成。其中，下采样模块的最近邻操作是将输入缩小成原来的0.5倍，上采样模块的最近邻操作是将输入放大成原来的2倍。每一个下采样模块D1，D2，...，D5和上采样模块U5的输入为前一层的输出。对于上采样模块Ut(t＝1,2,..4)，将相对称的下采样层Dt的输出结果与上一个上采样模块Ut+1的输出结果相加，得到上采样模块Ut的输入。最后，U5的输出经过一个上采样模块U0，得第一步骤的结果，即对全局光照分布的估计。其中，上采样模块U0的最近邻操作将输入缩放到与输入图片X相同的分辨率。进一步地，将上采样模块U0输出结果与下采样模块D0的输出结果合并，经过三个卷积模块，得到最后的提亮结果
Figure BDA0001721873990000061
其中，每个卷积模块均由一个卷积操作和一个修正线性单元组成。
本实施例提供的图像的处理方法，通过对输入的低光照图像进行全局光照分布估计处理，获取上采样输出结果和下采样输出结果；对所述上采样输出结果和所述下采样输出结果进行合并处理，获取合并结果；将所述合并结果依次进行三次卷积和修正线性处理，以获取输出的正常光照图像和其对应的提亮结果，从而能够获得具有全局光照视野的卷积网络，能够在实现对低光照图像的增强的基础上，实现对低光照图像中细节的调整，进而能够提高增强的图像的质量。
进一步地，在上述任一实施例的基础上，所述方法还包括：
获取训练数据集，所述训练数据集包括多个正常光照的样本图像和其对应的低光照的样本图像；
对输入的低光照图像进行全局光照分布估计处理，获取上采样输出结果和下采样输出结果；
对所述上采样输出结果和所述下采样输出结果进行合并处理，获取合并结果；
将所述合并结果依次进行三次卷积和修正线性处理，以获取输出的正常光照图像和其对应的提亮结果；
根据所述训练数据集、所述输出的正常光照图像以及其对应的提亮结果，对所述卷积网络进行训练，以获取所述低光照增强网络。
在本实施例中，获取到训练数据集，并搭建具有全局光照视野的卷积网络之后，可以根据训练数据集、输出的正常光照图像以及其对应的提亮结果，对卷积网络进行训练，以获取低光照增强网络。
本实施例提供的图像的处理方法，通过根据训练数据集、输出的正常光照图像以及其对应的提亮结果，对卷积网络进行训练，以获取低光照增强网络，从而能够精准地实现对待处理的低光照图像的增强，进而能够使用户从增强的低光照图像中获取更多的信息。
图2为本发明实施例二提供的图像的处理装置的结构示意图，如图2所示，所述装置包括：
图像请求获取模块21，用于获取图像请求，所述图像请求包括：待处理的低光照图像；
提亮处理模块22，用于根据所述图像处理请求，采用预配置的低光照增强网络，对所述待处理的低光照图像进行提亮处理，获取所述待处理的低光照图像对应的正常光照图像。
实际应用中，图像是人类获取和交换信息的主要来源，例如在安防监控领域、军事侦察领域、医疗影像领域、机器视觉领域等都有着较重要的应用。但是，由于在低光照条件下，图像采集设备获取的数字图像的颜色信息往往很难反应成像物体的本征颜色，这是因为采集设备没有人类视觉***的颜色恒常性，无法剥离外界低光照和拍摄角度带来的影响，导致生成的低光照彩色图像色彩丢失、纹理模糊不清，进而导致无法从该低光照图像中获取到相应的有效信息。因此，为了实现对低光照图像的增强，首先图像请求获取模块21可以获取图像请求，其中，图像请求中包括待处理的低光照图像。提亮处理模块22根据该图像处理请求，采用预先配置的低光照增强网络，对该待处理的低光照图像进行提亮处理，获取该待处理的低光照图像对应的正常光照图像，从而用户可以从该正常光照图像中提取有效信息。该低光照增强网络为预先根据多张低光照图像与正常光照图像训练获得的，用于对低光照图像进行有效增强。
本实施例提供的图像的处理装置，通过获取图像请求，所述图像请求包括：待处理的低光照图像；根据所述图像处理请求，采用预配置的低光照增强网络，对所述待处理的低光照图像进行提亮处理，获取所述待处理的低光照图像对应的正常光照图像。从而能够精准地实现对待处理的低光照图像的增强，进而能够使用户从增强的低光照图像中获取更多的信息。
进一步地，在上述实施例的基础上，所述装置还包括：
训练数据集获取模块，用于获取训练数据集，所述训练数据集包括多个正常光照的样本图像和其对应的低光照的样本图像；
卷积网络搭建模块，用于搭建具有全局光照视野的卷积网络；
训练模块，用于根据所述训练数据集，对所述卷积网络进行训练，以获取所述低光照增强网络。
在本实施例中，为了实现对低光照图像的有效增强，首先需要进行低光照网络的训练。具体地，训练数据集获取模块可以获取训练数据集，其中，训练数据集中包括多个正常光照的样本图像和其对应的低光照的样本图像。卷积网络搭建模块搭建具有全局光照视野的卷积网络，需要说明的是，具有全局光照视野的卷积网络能够对当前低光照图像的全局光照分布进行分析，此外，还可以对低光照图像进行细节修复，从而能够在实现对低光照图像的增强的基础上，实现对低光照图像中细节的调整，进而能够提高增强的图像的质量。进一步地，训练模块根据该训练数据集，对具有全局光照视野的卷积网络进行训练，以获得低光照增强网络。
本实施例提供的图像的处理装置，通过预先获取包括多个正常光照的样本图像和其对应的低光照的样本图像的训练数据集，搭建具有全局光照视野的卷积网络，并通过上述训练数据集中的数据对该卷积网络进行训练，以获得低光照增强网络，从而能够在实现对低光照图像的增强的基础上，实现对低光照图像中细节的调整，进而能够提高增强的图像的质量。
进一步地，在上述任一实施例的基础上，所述装置包括：
训练数据集获取模块具体包括：
样本图像采集单元，用于采集正常光照的样本图像；
低光处理单元，用于分别对采集到的所述正常光照的样本图像进行低光处理，获取其对应的低光照的样本图像；并分别将每个所述正常光照的样本图像和其对应的低光照的样本图像组合成一个图片对，以获取所述训练数据集；
卷积网络搭建模块，用于搭建具有全局光照视野的卷积网络；
训练模块，用于根据所述训练数据集，对所述卷积网络进行训练，以获取所述低光照增强网络。
在本实施例中，为了实现对低光照图像的有效增强，首先需要构建训练数据集，具体地，样本图像采集单元可以采集正常光照的样本图像，低光处理单元分别对采集到的正常光照的样本图像进行低光处理，具体地，可以随机调整正常光照的样本图像的参数，以获得正常光照的样本图像对应的低光照的样本图像。进一步地，分别将每个正常光照的样本图像和其对应的低光照的样本图像组合成一个图片对，以获取训练数据集，搭建具有全局光照视野的卷积网络，并通过上述训练数据集中的数据对该卷积网络进行训练，以获得低光照增强网络。
以实际应用举例来说，可以预先搜集1000张原始图像文件格式的正常光照图片，随机地将曝光参数调整至-5到0之间，将鲜艳度参数调整至-100至0之间，将对比度参数调整至-100至0之间，生成原始图像文件格式的低光照图片。将正常光照图片和低光照图片都转换成分辨率为400×600的8位图片格式。并将对应的正常光照图片Y和低光照图片X组合成一个图片对，生成训练数据集。搭建具有全局光照视野的卷积网络，并通过上述训练数据集中的数据对该卷积网络进行训练，以获得低光照增强网络。
本实施例提供的图像的处理装置，通过预先获取正常光照下的样本图像，并随机对正常光照下的样本图像进行低光处理，获取其对应的低光照的样本图像；并分别将每个所述正常光照的样本图像和其对应的低光照的样本图像组合成一个图片对，以获取所述训练数据集，从而为对低光照图像的增强提供了基础。
进一步地，在上述任一实施例的基础上，所述装置包括：
训练数据集获取模块，用于获取训练数据集，所述训练数据集包括多个正常光照的样本图像和其对应的低光照的样本图像；
卷积网络搭建模块具体包括：
估计单元，用于对输入的低光照图像进行全局光照分布估计处理，获取上采样输出结果和下采样输出结果；
合并单元，用于对所述上采样输出结果和所述下采样输出结果进行合并处理，获取合并结果；
提亮单元，用于将所述合并结果依次进行三次卷积和修正线性处理，以获取输出的正常光照图像和其对应的提亮结果；
训练模块，用于根据所述训练数据集，对所述卷积网络进行训练，以获取所述低光照增强网络。
在本实施例中，获取到训练数据集之后，估计单元对输入的低光照图像进行全局光照估计处理，获取上采样输出结果与下采样输出结果，合并单元对上采样输出结果和下采样输出结果进行合并处理，获取合并结果，提亮单元将合并结果依次进行三次卷积和修正线性处理，以获取输出的正常光照图像和其对应的提亮结果，从而获得具有全局光照视野的卷积网络。需要说明的是，具有全局光照视野的卷积网络能够对当前低光照图像的全局光照分布进行分析，此外，还可以对低光照图像进行细节修复，从而能够在实现对低光照图像的增强的基础上，实现对低光照图像中细节的调整，进而能够提高增强的图像的质量。
以实际应用举例来说，输入的低光照图片X通过一个下采样模块D0，得到低分辨率特征f。D0由一个最近邻操作，一个卷积操作和一个修正线性单元组成。D0的最近邻缩放操作将图片缩放成固定的96×96分辨率。之后，低分辨率特征f通过一个自编码器。自编码器由对称的5组下采样D1，D2，...，D5和上采样模块U1，U2，...，U5组成。每一个下采样模块和上采样模块均由一个最近邻操作，一个卷积操作和一个修正线性单元组成。其中，下采样模块的最近邻操作是将输入缩小成原来的0.5倍，上采样模块的最近邻操作是将输入放大成原来的2倍。每一个下采样模块D1，D2，...，D5和上采样模块U5的输入为前一层的输出。对于上采样模块Ut(t＝1,2,..4)，将相对称的下采样层Dt的输出结果与上一个上采样模块Ut+1的输出结果相加，得到上采样模块Ut的输入。最后，U5的输出经过一个上采样模块U0，得第一步骤的结果，即对全局光照分布的估计。其中，上采样模块U0的最近邻操作将输入缩放到与输入图片X相同的分辨率。进一步地，将上采样模块U0输出结果与下采样模块D0的输出结果合并，经过三个卷积操作与修正线性单元组成的模块，得到最后的提亮结果
Figure BDA0001721873990000111
本实施例提供的图像的处理装置，通过对输入的低光照图像进行全局光照分布估计处理，获取上采样输出结果和下采样输出结果；对所述上采样输出结果和所述下采样输出结果进行合并处理，获取合并结果；将所述合并结果依次进行三次卷积和修正线性处理，以获取输出的正常光照图像和其对应的提亮结果，从而能够获得具有全局光照视野的卷积网络，能够在实现对低光照图像的增强的基础上，实现对低光照图像中细节的调整，进而能够提高增强的图像的质量。
进一步地，在上述任一实施例的基础上，所述装置还包括：
训练数据集获取模块，用于获取训练数据集，所述训练数据集包括多个正常光照的样本图像和其对应的低光照的样本图像；
卷积网络搭建模块具体包括：
估计单元，用于对输入的低光照图像进行全局光照分布估计处理，获取上采样输出结果和下采样输出结果；
对所述上采样输出结果和所述下采样输出结果进行合并处理，获取合并结果；
提亮单元，用于将所述合并结果依次进行三次卷积和修正线性处理，以获取输出的正常光照图像和其对应的提亮结果；
训练模块具体包括：
训练单元，用于根据所述训练数据集、所述输出的正常光照图像以及其对应的提亮结果，对所述卷积网络进行训练，以获取所述低光照增强网络。
在本实施例中，获取到训练数据集，并搭建具有全局光照视野的卷积网络之后，训练单元可以根据训练数据集、输出的正常光照图像以及其对应的提亮结果，对卷积网络进行训练，以获取低光照增强网络。
本实施例提供的图像的处理装置，通过根据训练数据集、输出的正常光照图像以及其对应的提亮结果，对卷积网络进行训练，以获取低光照增强网络，从而能够精准地实现对待处理的低光照图像的增强，进而能够使用户从增强的低光照图像中获取更多的信息。
图3为本发明实施例三提供的图像的处理设备的结构示意图，如图3所示，所述图像的处理设备包括存储器31，处理器32；
存储器31；用于存储所述处理器32可执行指令的存储器31；
其中，所述处理器32被配置为由所述处理器32执行上述的方法。
当本发明实施例中图像的处理方法的至少一部分功能通过软件实现时，本发明实施例还提供一种计算机存储介质，计算机存储介质用于储存为上述对图像的处理的计算机软件指令，当其在计算机上运行时，使得计算机可以执行上述方法实施例中各种可能的图像的处理方法。在计算机上加载和执行所述计算机执行指令时，可全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机指令可以存储在计算机存储介质中，或者从一个计算机存储介质向另一个计算机存储介质传输，所述传输可以通过无线(例如蜂窝通信、红外、短距离无线、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。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SSD)等。
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，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种图像的处理方法，其特征在于，包括：
获取图像请求，所述图像请求包括：待处理的低光照图像；
根据所述图像处理请求，采用预配置的低光照增强网络，对所述待处理的低光照图像进行提亮处理，获取所述待处理的低光照图像对应的正常光照图像。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取训练数据集，所述训练数据集包括多个正常光照的样本图像和其对应的低光照的样本图像；
搭建具有全局光照视野的卷积网络；
根据所述训练数据集，对所述卷积网络进行训练，以获取所述低光照增强网络。
3.根据权利要求2所述的方法，其特征在于，所述获取训练数据集，包括：
采集正常光照的样本图像；
分别对采集到的所述正常光照的样本图像进行低光处理，获取其对应的低光照的样本图像；并分别将每个所述正常光照的样本图像和其对应的低光照的样本图像组合成一个图片对，以获取所述训练数据集。
4.根据权利要求2所述的方法，其特征在于，所述搭建具有全局光照视野的卷积网络，包括：
对输入的低光照图像进行全局光照分布估计处理，获取上采样输出结果和下采样输出结果；
对所述上采样输出结果和所述下采样输出结果进行合并处理，获取合并结果；
将所述合并结果依次进行三次卷积和修正线性处理，以获取输出的正常光照图像和其对应的提亮结果。
5.根据权利要求4所述的方法，其特征在于，所述根据所述训练数据集，对所述卷积网络进行训练，以获取所述低光照增强网络，包括：
根据所述训练数据集、所述输出的正常光照图像以及其对应的提亮结果，对所述卷积网络进行训练，以获取所述低光照增强网络。
6.一种图像的处理装置，其特征在于，包括：
图像请求获取模块，用于获取图像请求，所述图像请求包括：待处理的低光照图像；
提亮处理模块，用于根据所述图像处理请求，采用预配置的低光照增强网络，对所述待处理的低光照图像进行提亮处理，获取所述待处理的低光照图像对应的正常光照图像。
7.根据权利要求6所述的装置，其特征在于，还包括：
训练数据集获取模块，用于获取训练数据集，所述训练数据集包括多个正常光照的样本图像和其对应的低光照的样本图像；
卷积网络搭建模块，用于搭建具有全局光照视野的卷积网络；
训练模块，用于根据所述训练数据集，对所述卷积网络进行训练，以获取所述低光照增强网络。
8.根据权利要求7所述的装置，其特征在于，所述训练数据集获取模块，包括：
样本图像采集单元，用于采集正常光照的样本图像；
低光处理单元，用于分别对采集到的所述正常光照的样本图像进行低光处理，获取其对应的低光照的样本图像；并分别将每个所述正常光照的样本图像和其对应的低光照的样本图像组合成一个图片对，以获取所述训练数据集。
9.一种图像的处理设备，其特征在于，包括：存储器，处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为由所述处理器执行如权利要求1-5中任一项所述的方法。
10.一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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至5任一项所述的图像的处理方法。
CN201810735358.7A 2018-07-06 2018-07-06 图像的处理方法、装置、设备及计算机可存储介质 Pending CN110689486A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810735358.7A CN110689486A (zh) 2018-07-06 2018-07-06 图像的处理方法、装置、设备及计算机可存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810735358.7A CN110689486A (zh) 2018-07-06 2018-07-06 图像的处理方法、装置、设备及计算机可存储介质

Publications (1)

Publication Number Publication Date
CN110689486A true CN110689486A (zh) 2020-01-14

Family

ID=69107290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810735358.7A Pending CN110689486A (zh) 2018-07-06 2018-07-06 图像的处理方法、装置、设备及计算机可存储介质

Country Status (1)

Country Link
CN (1) CN110689486A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931817A (zh) * 2020-07-10 2020-11-13 首钢集团有限公司 一种球团矿矿相识别方法和装置
CN112802137A (zh) * 2021-01-28 2021-05-14 四川大学 一种基于卷积自编码器的颜色恒常性方法
CN113256501A (zh) * 2020-02-10 2021-08-13 武汉Tcl集团工业研究院有限公司 一种图像处理方法、存储介质及终端设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046663A (zh) * 2015-07-10 2015-11-11 西南科技大学 一种模拟人类视觉感知的自适应低照度图像增强方法
CN107563984A (zh) * 2017-10-30 2018-01-09 清华大学深圳研究生院 一种图像增强方法和计算机可读存储介质
CN108154547A (zh) * 2018-01-17 2018-06-12 百度在线网络技术（北京）有限公司 图像生成方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046663A (zh) * 2015-07-10 2015-11-11 西南科技大学 一种模拟人类视觉感知的自适应低照度图像增强方法
CN107563984A (zh) * 2017-10-30 2018-01-09 清华大学深圳研究生院 一种图像增强方法和计算机可读存储介质
CN108154547A (zh) * 2018-01-17 2018-06-12 百度在线网络技术（北京）有限公司 图像生成方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIANRUI CAI ET AL.: "Learning a Deep Single Image Contrast Enhancer from Multi-Exposure Images", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
WENJING WANG ET AL.: "GLADNet: Low-Light Enhancement Network with Global Awareness", 《2018 13TH IEEE INTERNATIONAL CONFERENCE ON AUTOMATIC FACE & GESTURE RECOGNITION (FG 2018)》 *
王书民 等: "一种基于全局和局部光照估计的Retinex图像增强算法", 《科学技术与工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256501A (zh) * 2020-02-10 2021-08-13 武汉Tcl集团工业研究院有限公司 一种图像处理方法、存储介质及终端设备
CN111931817A (zh) * 2020-07-10 2020-11-13 首钢集团有限公司 一种球团矿矿相识别方法和装置
CN112802137A (zh) * 2021-01-28 2021-05-14 四川大学 一种基于卷积自编码器的颜色恒常性方法
CN112802137B (zh) * 2021-01-28 2022-06-21 四川大学 一种基于卷积自编码器的颜色恒常性方法

Similar Documents

Publication Publication Date Title
Wei et al. Deep retinex decomposition for low-light enhancement
Wronski et al. Handheld multi-frame super-resolution
CN110163237B (zh) 模型训练及图像处理方法、装置、介质、电子设备
KR101699919B1 (ko) 다중 노출 퓨전 기반에서 고스트 흐림을 제거한 ｈｄｒ 영상 생성 장치 및 방법
WO2014169579A1 (zh) 一种色彩增强方法及装置
JP2011028588A (ja) 情報処理装置、ライン状ノイズ低減処理方法、及びプログラム
US10750147B2 (en) Method and apparatus for generating HDRI
CN110689486A (zh) 图像的处理方法、装置、设备及计算机可存储介质
Jeong et al. Multi-frame example-based super-resolution using locally directional self-similarity
JP5765893B2 (ja) 画像処理装置、撮像装置および画像処理プログラム
CN111242860A (zh) 超级夜景图像的生成方法、装置、电子设备及存储介质
CN116563190B (zh) 图像处理方法、装置、计算机设备及计算机可读存储介质
Zamani et al. Multiple-frames super-resolution for closed circuit television forensics
CN111353982B (zh) 一种深度相机图像序列筛选方法及装置
KR101437898B1 (ko) 단일 영상을 이용한 hdr 영상 생성 장치 및 방법
KR101341617B1 (ko) 단일 영상의 오차모델을 기반으로 한 고해상도 영상 복원장치 및 방법
WO2014165159A1 (en) System and method for blind image deconvolution
JP2015179426A (ja) 情報処理装置、パラメータの決定方法、及びプログラム
WO2023215371A1 (en) System and method for perceptually optimized image denoising and restoration
WO2016051716A1 (ja) 画像処理方法、画像処理装置、及び画像処理プログラムを記憶する記録媒体
CN111083359A (zh) 图像处理方法及其装置、电子设备和计算机可读存储介质
CN110992284A (zh) 图像处理方法、图像处理装置、电子设备和计算机可读存储介质
WO2011086594A1 (ja) 画像処理装置、及びその方法
Tao et al. LEGAN: A low-light image enhancement generative adversarial network for industrial internet of smart-cameras
JP2019045981A (ja) 画像処理装置、画像処理方法及びプログラム

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200114