CN111340731A - 图像处理方法及装置、电子设备和存储介质 - Google Patents

图像处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111340731A
CN111340731A CN202010123689.2A CN202010123689A CN111340731A CN 111340731 A CN111340731 A CN 111340731A CN 202010123689 A CN202010123689 A CN 202010123689A CN 111340731 A CN111340731 A CN 111340731A
Authority
CN
China
Prior art keywords
image
sample
exposure
network
training
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.)
Granted
Application number
CN202010123689.2A
Other languages
English (en)
Other versions
CN111340731B (zh
Inventor
王州霞
任思捷
张佳维
林木得
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.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology 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 Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN202010123689.2A priority Critical patent/CN111340731B/zh
Publication of CN111340731A publication Critical patent/CN111340731A/zh
Application granted granted Critical
Publication of CN111340731B publication Critical patent/CN111340731B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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]
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20208—High dynamic range [HDR] image processing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Studio Devices (AREA)

Abstract

本公开涉及一种图像处理方法及装置、电子设备和存储介质，所述方法包括：根据目标场景的第一图像，从M档曝光值中确定出与所述目标场景对应的N档曝光值，M、N为整数且1＜N＜M；根据所述N档曝光值，获取所述目标场景的N个第二图像；对所述N个第二图像进行图像融合，得到所述目标场景的第三图像，其中，所述第二图像包括低动态范围LDR图像，所述第三图像包括高动态范围HDR图像。本公开实施例可提高图像处理效率。

Description

图像处理方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
随着技术的不断发展，越来越多的用户使用便携的电子设备(例如智能手机)来拍摄各种场景的图像(例如拍摄风景或人物)。很多实际的场景都是高动态范围(High-Dynamic Range，简称HDR)的，但现有的电子设备通常很难直接从单档曝光中拍摄到高动态场景，需要进行后续的HDR处理。
根据相关技术的HDR处理方式，通常基于覆盖整个高动态域或最大化信噪比，需要作用于原生图像的亮度或预估图像的响应函数，无法适应复杂的拍照场景，处理效果较差。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面，提供了一种图像处理方法，包括：根据目标场景的第一图像，从M档曝光值中确定出与所述目标场景对应的N档曝光值，M、N为整数且1＜N＜M；根据所述N档曝光值，获取所述目标场景的N个第二图像；对所述N个第二图像进行图像融合，得到所述目标场景的第三图像，其中，所述第二图像包括低动态范围LDR图像，所述第三图像包括高动态范围HDR图像。
在一种可能的实现方式中，所述根据目标场景的第一图像，从M档曝光值中确定出与所述目标场景对应的N档曝光值，包括：对所述第一图像分别进行特征提取和亮度信息提取，得到所述第一图像的特征信息和亮度分布信息；对所述特征信息和所述亮度分布信息进行融合，得到所述第一图像的融合特征；对所述融合特征进行曝光预测，从M档曝光值中确定出与所述目标场景对应的N档曝光值。
在一种可能的实现方式中，所述根据所述N档曝光值，获取所述目标场景的N个第二图像，包括：控制图像采集设备以所述N档曝光值分别采集所述目标场景的第二图像。
在一种可能的实现方式中，所述方法通过神经网络实现，所述神经网络包括曝光预测网络以及图像融合网络，所述曝光预测网络用于从M档曝光值中确定出与所述目标场景对应的N档曝光值，所述图像融合网络用于对所述N个第二图像进行图像融合，
所述方法还包括：根据预设的训练集训练所述神经网络，所述训练集包括多个样本场景的第一样本图像、M档曝光值的第二样本图像以及真实样本图像，所述第二样本图像的尺度大于所述第一样本图像的尺度。
在一种可能的实现方式中，所述根据预设的训练集训练所述神经网络，包括：将所述第一样本图像输入所述曝光预测网络，得到与所述样本场景对应的N档曝光值；将所述M档曝光值的第二样本图像中N档曝光值的第二样本图像输入所述图像融合网络，得到所述样本场景的样本输出图像；根据所述样本场景的真实样本图像及样本输出图像，训练所述神经网络。
在一种可能的实现方式中，所述根据所述样本场景的真实样本图像及样本输出图像，训练所述神经网络，包括：根据所述真实样本图像及所述样本输出图像，确定所述图像融合网络的第一损失；根据所述第一损失，训练所述图像融合网络。
在一种可能的实现方式中，所述根据所述样本场景的真实样本图像及样本输出图像，训练所述神经网络，包括：根据所述真实样本图像、第v-1个训练状态的神经网络输出的第v-1级样本输出图像，以及第v个训练状态的神经网络输出的第v级样本输出图像，确定所述曝光预测网络的第二损失，v为大于1的整数；根据所述第二损失，训练所述第v个训练状态的曝光预测网络。
在一种可能的实现方式中，所述方法还包括：对所述样本场景的M档曝光值的第二样本图像进行融合，得到所述样本场景的真实样本图像。
根据本公开的一方面，提供了一种图像处理装置，包括：曝光确定模块，用于根据目标场景的第一图像，从M档曝光值中确定出与所述目标场景对应的N档曝光值，M、N为整数且1＜N＜M；图像获取模块，用于根据所述N档曝光值，获取所述目标场景的N个第二图像；图像融合模块，用于对所述N个第二图像进行图像融合，得到所述目标场景的第三图像，其中，所述第二图像包括低动态范围LDR图像，所述第三图像包括高动态范围HDR图像。
在一种可能的实现方式中，所述曝光确定模块包括：信息提取子模块，用于对所述第一图像分别进行特征提取和亮度信息提取，得到所述第一图像的特征信息和亮度分布信息；信息融合子模块，用于对所述特征信息和所述亮度分布信息进行融合，得到所述第一图像的融合特征；预测子模块，用于对所述融合特征进行曝光预测，从M档曝光值中确定出与所述目标场景对应的N档曝光值。
在一种可能的实现方式中，所述图像获取模块包括：采集子模块，用于控制图像采集设备以所述N档曝光值分别采集所述目标场景的第二图像。
在一种可能的实现方式中，所述装置通过神经网络实现，所述神经网络包括曝光预测网络以及图像融合网络，所述曝光预测网络用于从M档曝光值中确定出与所述目标场景对应的N档曝光值，所述图像融合网络用于对所述N个第二图像进行图像融合，所述装置还包括：训练模块，用于根据预设的训练集训练所述神经网络，所述训练集包括多个样本场景的第一样本图像、M档曝光值的第二样本图像以及真实样本图像，所述第二样本图像的尺度大于所述第一样本图像的尺度。
在一种可能的实现方式中，所述训练模块包括：曝光预测子模块，用于将所述第一样本图像输入所述曝光预测网络，得到与所述样本场景对应的N档曝光值；图像融合子模块，用于将所述M档曝光值的第二样本图像中N档曝光值的第二样本图像输入所述图像融合网络，得到所述样本场景的样本输出图像；训练子模块，用于根据所述样本场景的真实样本图像及样本输出图像，训练所述神经网络。
在一种可能的实现方式中，所述训练子模块用于：根据所述真实样本图像及所述样本输出图像，确定所述图像融合网络的第一损失；根据所述第一损失，训练所述图像融合网络。
在一种可能的实现方式中，所述训练子模块用于：根据所述真实样本图像、第v-1个训练状态的神经网络输出的第v-1级样本输出图像，以及第v个训练状态的神经网络输出的第v级样本输出图像，确定所述曝光预测网络的第二损失，v为大于1的整数；根据所述第二损失，训练所述第v个训练状态的曝光预测网络。
在一种可能的实现方式中，所述装置还包括：融合模块，用于对所述样本场景的M档曝光值的第二样本图像进行融合，得到所述样本场景的真实样本图像。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，能够根据目标场景的第一图像，确定出与目标场景对应的N档曝光值，获取N档曝光值的第二图像，融合第二图像得到第三图像，从而通过数量较少的LDR图像合成HDR图像，在提高图像质量的同时减少计算量，提高了图像处理效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图。
图2示出根据本公开实施例的图像处理方法的神经网络的示意图。
图3示出根据本公开实施例的图像处理装置的框图。
图4示出根据本公开实施例的一种电子设备的框图。
图5示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像处理方法的流程图，如图1所示，所述方法包括：
在步骤S11中，根据目标场景的第一图像，从M档曝光值中确定出与所述目标场景对应的N档曝光值，M、N为整数且1＜N＜M；
在步骤S12中，根据所述N档曝光值，获取所述目标场景的N个第二图像；
在步骤S13中，对所述N个第二图像进行图像融合，得到所述目标场景的第三图像，其中，所述第二图像包括低动态范围LDR图像，所述第三图像包括高动态范围HDR图像。
在一种可能的实现方式中，所述图像处理方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
在一种可能的实现方式中，目标场景可以为与拍摄区域对应的场景，例如风景、建筑、人物等场景。目标场景的第一图像可以是电子设备的拍摄界面的预览图像，例如智能手机拍摄界面显示的预览图；也可以是任意电子设备拍摄的图像，或从互联网下载的图像等，本公开对目标场景的类别以及第一图像的具体获取方式均不作限制。
在一种可能的实现方式中，电子设备的图像采集设备(例如摄像头)可以设置有多档曝光值(设为M档曝光值，M为大于1的整数)，在某一档曝光值下直接拍摄的场景图像可能为低动态范围(Low Dynamic Range，简称LDR)的图像，LDR图像的动态范围较小且图像细节较少，图像质量较差。在该情况下，可通过多个LDR图像合成HDR图像，HDR图像的动态范围较大且图像细节较多，能够提高图像质量。
在一种可能的实现方式中，在步骤S11中，可获取目标场景的第一图像中的信息，包括图像中的语义信息、亮度信息等；根据这些信息，从M档曝光值中确定出与目标场景对应的N档曝光值，N为整数且1＜N＜M。也就是说，可确定出适应于该目标场景的部分曝光值，以便通过数量较少的LDR图像来合成HDR图像，在提高图像质量的同时减少计算量。本领域技术人员可根据实际情况确定M和N的取值，例如M＝10，N＝3，本公开对M和N的具体取值不作限制。
在一种可能的实现方式中，第一图像为尺度较低的图像，例如预览图。语义信息可表征图像中各个位置的类别的信息，也即各个位置属于物体类别集合(例如人、动物、车辆等类别)中某个物体类别的信息。可例如通过神经网络提取第一图像中的信息，本公开对此不作限制。
在一种可能的实现方式中，在得到N档曝光值后，在步骤S12中，可根据N档曝光值获取目标场景的N个第二图像。可以是以N档曝光值中每档曝光值分别拍摄一个第二图像，也可以是从目标场景已有的多个图像中选择N个曝光值的第二图像，本公开对第二图像的获取方式不作限制。其中，第二图像的图像类别为低动态范围LDR图像，LDR图像的动态范围较小且图像细节较少。其中，第二图像的尺度可大于第一图像的尺度，例如第一图像的尺度为224×224，第二图像的尺度为512×512。
在一种可能的实现方式中，在步骤S13中，可对N个第二图像进行图像融合，得到目标场景的第三图像。可通过卷积神经网络(例如HDR网络(HDRNet))实现图像融合，本公开对卷积神经网络的具体类型不作限制。该第三图像的图像类别为高动态范围HDR图像，HDR图像的动态范围较大且图像细节较多。其中，第三图像的尺度可与第二图像的尺度相同，例如为512×512。
根据本公开的实施例，能够根据目标场景的第一图像，确定出与目标场景对应的N档曝光值，获取N档曝光值的第二图像，融合第二图像得到第三图像，从而通过数量较少的LDR图像合成HDR图像，在提高图像质量的同时减少计算量，提高了图像处理效率。
在一种可能的实现方式中，步骤S11可包括：
对所述第一图像分别进行特征提取和亮度信息提取，得到所述第一图像的特征信息和亮度分布信息；
对所述特征信息和所述亮度分布信息进行融合，得到所述第一图像的融合特征；
对所述融合特征进行曝光预测，从M档曝光值中确定出与所述目标场景对应的N档曝光值。
举例来说，可通过曝光预测网络对第一图像进行信息提取及曝光预测，从M档曝光值中确定出与所述目标场景对应的N档曝光值。该曝光预测网络也可称为曝光集选择网络(Exposure bracketing selection network，简称EBSNet)，包括多个子网络，例如特征提取子网络、亮度提取子网络及策略子网络。
在一种可能的实现方式中，特征提取子网络用于提取第一图像的特征信息(也可称为语义特征)。该特征提取子网络可例如为卷积神经网络CNN，例如亚历克斯网络(Alexnet)，本公开对特征提取子网络的具体网络结构不作限制。
在一种可能的实现方式中，亮度提取子网络用于提取第一图像的亮度分布信息，该亮度提取子网络例如包括3级空间金字塔结构和多层全连接层。为了提取全局和局部的亮度分布，可通过3级空间金字塔网络获取第一图像的亮度直方图hist，通过多层全连接层(例如三层)对亮度直方图hist处理，得到第一图像的亮度分布信息。本公开对亮度提取子网络的具体网络结构不作限制。
在一种可能的实现方式中，可将特征信息和亮度分布信息进行融合，得到第一图像的融合特征，该融合可例如为将特征信息和亮度分布信息进行直接拼接，直接叠加或加权叠加，本公开对此不作限制。
在一种可能的实现方式中，可通过策略子网络(也可称为策略模块)根据融合特征从M档曝光值中决策出适应于目标场景的N档曝光值。可将M档曝光值中每N档不同的曝光值进行组合，作为策略子网络可采取的动作。策略子网络通过预测得到所有可采取的动作的概率，将概率最高的动作作为下一个会采取的动作，即确定出当前目标场景对应的N档曝光值。该策略子网络可例如包括多层全连接层，本公开对策略子网络的具体网络结构不作限制。
通过分析场景预览图像的语义信息和亮度信息，进而预测出与目标场景对应的、包括N档曝光值的曝光集，能够有效提高曝光预测的效率、灵活性和准确性，从而提高后续得到的HDR图像的图像质量。
在一种可能的实现方式中，在得到N档曝光值后，可获取对应的第二图像。其中，步骤S12可包括：控制图像采集设备以所述N档曝光值分别采集所述目标场景的第二图像。
也就是说，可控制电子设备的图像采集设备(例如智能手机的摄像头)，以该N档曝光值分别拍摄目标场景的第二图像，得到N个第二图像，也即N个LDR图像。通过这种方式，可以减少图像采集设备拍摄的图像数量，从而减少拍摄时间，提高用户使用的便利性。
在一种可能的实现方式中，在得到N个第二图像后，可在步骤S13中通过图像融合网络对N个第二图像进行图像融合，得到目标场景的第三图像，也即HDR图像。该图像融合网络也可称为多曝光融合网络(Mulit-exposure fusion network,简称MEFNet)，例如为HDR网络(HDRNet)，本公开对图像融合网络的具体网络结构不作限制。
在对本公开实施例的图像处理方法的神经网络进行部署之前，可对神经网络进行训练。其中，所述方法还包括：
根据预设的训练集训练所述神经网络，所述训练集包括多个样本场景的第一样本图像、M档曝光值的第二样本图像以及真实样本图像，所述第二样本图像的尺度大于所述第一样本图像的尺度。
举例来说，可预先设定有训练集，训练集中包括多个样本场景，每个样本场景的图像包括：低尺度的第一样本图像，可为场景预览图像，或对自动曝光的LDR图像进行压缩得到的图像；M档曝光值的第二样本图像，可为以M档曝光值分别拍摄的LDR图像，保证可以覆盖所有高动态场景；真实样本图像，可为覆盖所有高动态场景的真实的HDR图像。
在一种可能的实现方式中，所述方法还包括：对所述样本场景的M档曝光值的第二样本图像进行融合，得到所述样本场景的真实样本图像。也就是说，可根据相关技术中的曝光融合方式，将M档曝光值的所有第二样本图像进行图像融合，得到样本场景的真实的HDR图像，作为样本场景的真实样本图像。本公开对具体融合方式不作限制。通过这种方式，可以得到覆盖样本场景的所有高动态场景的真实的HDR图像。
在一种可能的实现方式中，可根据预设的训练集中多个样本场景的图像，训练神经网络。该训练神经网络的步骤可包括：
将所述第一样本图像输入所述曝光预测网络，得到与所述样本场景对应的N档曝光值；
将所述M档曝光值的第二样本图像中N档曝光值的第二样本图像输入所述图像融合网络，得到所述样本场景的样本输出图像；
根据所述样本场景的真实样本图像及样本输出图像，训练所述神经网络。
举例来说，对于任意一个样本场景，可将该样本场景的第一样本图像输入曝光预测网络。第一样本图像通过曝光预测网络的特征提取子网络处理，得到该第一样本图像的样本特征信息；第一样本图像通过曝光预测网络的亮度提取子网络处理，得到该第一样本图像的样本亮度分布信息；对样本特征信息和样本亮度分布信息拼接，得到第一样本图像的样本融合特征；通过策略子网络对样本融合特征进行曝光决策，得到与该样本场景对应的N档曝光值。
在一种可能的实现方式中，根据该N档曝光值，从M档曝光值的第二样本图像中选择出该N档曝光值的第二样本图像，将选出的N个第二样本图像输入图像融合网络中处理，得到该样本场景的样本输出图像。
在一种可能的实现方式中，根据该样本场景的真实样本图像及样本输出图像之间的差异，可确定曝光预测网络和图像融合网络的网络损失，进而根据网络损失反向调整曝光预测网络和图像融合网络的参数。经过多轮迭代，在满足训练条件(例如网络收敛)的情况下，得到训练后的曝光预测网络和图像融合网络。通过这种方式，可以联合训练曝光预测网络和图像融合网络，提高网络训练效果。
在一种可能的实现方式中，根据所述样本场景的真实样本图像及样本输出图像，训练所述神经网络的步骤可包括：
根据所述真实样本图像及所述样本输出图像的差异，确定所述图像融合网络的第一损失；根据所述第一损失，训练所述图像融合网络。
举例来说，对于图像融合网络，可根据真实样本图像及样本输出图像的各个像素位置的像素值之间的距离(例如欧氏距离)，确定出图像融合网络的第一损失，该第一损失可例如采用L1损失、L2损失、Charbonnier损失等损失函数，本公开对第一损失的损失函数的选取不作限制。
在一种可能的实现方式中，根据第一损失，可反向调整图像融合网络的参数。经过多轮迭代，在满足训练条件(例如网络收敛)的情况下，得到训练后的图像融合网络。通过这种方式，可以实现图像融合网络的训练过程。
在一种可能的实现方式中，根据所述样本场景的真实样本图像及样本输出图像，训练所述神经网络的步骤可包括：
根据所述真实样本图像、第v-1个训练状态的神经网络输出的第v-1级样本输出图像，以及第v个训练状态的神经网络输出的第v级样本输出图像，确定所述曝光预测网络的第二损失，v为大于1的整数；
根据所述第二损失，训练所述第v个训练状态的曝光预测网络。
举例来说，可采用强化学习的方式训练曝光预测网络。在强化学习过程中，强化学习的代理(agent)可为策略子网络，状态(state)可为样本融合特征，动作(action)可为策略子网络输出的N档曝光值，奖励(reward)可为真实样本图像及样本输出图像之间的差异，该差异可表示为HDR图像的峰值信噪比(Peak Signal to Noise Ratio，简称PSNR)。
在一种可能的实现方式中，神经网络的训练过程包括多轮迭代，每轮迭代对应一个训练状态。针对第v个训练状态的神经网络，可分别确定第v-1个训练状态的神经网络输出的第v-1级样本输出图像与真实样本图像之间的第v-1级PSNR值，以及第v个训练状态的神经网络输出的第v级样本输出图像与真实样本图像之间的第v级PSNR值；将第v级PSNR值与第v-1级PSNR值之间的差值，确定为第v个训练状态的曝光预测网络的奖励值Rv；进而，根据奖励值Rv确定第v个训练状态的曝光预测网络的第二损失。该第二损失的损失函数可例如采用奖励值Rv的期望(也即均值)，本公开对此不作限制。
在一种可能的实现方式中，根据第v个训练状态的曝光预测网络的第二损失，可反向调整第v个训练状态的曝光预测网络的参数，得到下一个训练状态的曝光预测网络。这样，在每轮迭代中，根据第一损失调整图像融合网络的参数，根据第二损失调整曝光预测网络参数。经过多轮迭代，在满足训练条件(例如网络收敛)的情况下，得到训练后的曝光预测网络和图像融合网络。
通过这种方式，可使得曝光预测网络和图像融合网络的梯度不同但相互影响，在学习中能够相互提高性能，从而提升网络训练效果。
图2示出根据本公开实施例的图像处理方法的神经网络的示意图。如图2所示，该神经网络包括曝光预测网络21和图像融合网络22，曝光预测网络21包括特征提取子网络211、亮度提取子网络212及策略子网络213。将场景的图像x(为低尺度的预览图)输入特征提取子网络211，提取到图像x的语义特征fs；将图像x输入亮度提取子网络212，通过3级空间金字塔网络(未示出)得到亮度直方图h，亮度直方图h通过多层全连接层得到亮度分布信息fh；将语义特征fs与亮度分布信息fh拼接，得到融合特征fx；将融合特征fx输入策略子网络213，输出多个曝光集(每个曝光集包括N档曝光值)的概率P，并将概率最大的曝光集S确定为与该场景对应的曝光值。
在示例中，根据曝光集S的N档曝光值，在实际应用时，可控制图像采集设备拍摄N档曝光值的LDR图像，得到N个LDR图像组成的图像集Y；在训练时，可直接从M档曝光值的LDR图像组成的图像集Z中选择出N档曝光值的LDR图像，得到N个LDR图像组成的图像集Y，如图2中的虚线箭头所示。
在示例中，可将图像集Y输入图像融合网络22进行融合，得到该场景的HDR图像yH。在实际应用时，可将HDR图像yH作为输出结果；在训练时，可根据HDR图像yH与该场景的真实图像zH，联合训练曝光预测网络21和图像融合网络22。
在训练过程中，根据HDR图像yH与真实图像zH的各个像素位置的像素值之间的距离，确定图像融合网络22的损失，从而训练图像融合网络22。根据HDR图像yH与真实图像zH之间的PSNR值，确定对曝光预测网络21的奖励值R(Reward)，如图2中的虚线箭头所示；根据奖励值确定曝光预测网络21的损失，从而训练曝光预测网络21。
根据本公开实施例的图像处理方法，通过深度学习的方式同时分析场景的语义信息和亮度信息，能够提高曝光预测的灵活性和准确性，从而提高后续得到的HDR图像的图像质量。该方法通过低分辨率的预览图进行曝光预测，减少了计算量，提高了图像处理效率，能够实现移动设备中的实时处理。
该方法通过曝光预测网络和图像融合网络进行级联训练，在学习中能够相互提高性能；根据融合的HDR图像的质量来指导曝光预测，利用强化学习来训练曝光预测网络，进一步曝光预测的效果。
根据本公开实施例的图像处理方法，能够用于拍照(例如手机拍照、数码相机拍照)等使用场景中，提高在各种拍照场景下，特别是高动态场景(如夜景，逆光等)下拍摄的图像的画质。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图3示出根据本公开实施例的图像处理装置的框图，如图3所示，所述装置包括：曝光确定模块31，用于根据目标场景的第一图像，从M档曝光值中确定出与所述目标场景对应的N档曝光值，M、N为整数且1＜N＜M；图像获取模块32，用于根据所述N档曝光值，获取所述目标场景的N个第二图像；图像融合模块33，用于对所述N个第二图像进行图像融合，得到所述目标场景的第三图像，其中，所述第二图像包括低动态范围LDR图像，所述第三图像包括高动态范围HDR图像。
在一种可能的实现方式中，所述曝光确定模块包括：信息提取子模块，用于对所述第一图像分别进行特征提取和亮度信息提取，得到所述第一图像的特征信息和亮度分布信息；信息融合子模块，用于对所述特征信息和所述亮度分布信息进行融合，得到所述第一图像的融合特征；预测子模块，用于对所述融合特征进行曝光预测，从M档曝光值中确定出与所述目标场景对应的N档曝光值。
在一种可能的实现方式中，所述图像获取模块包括：采集子模块，用于控制图像采集设备以所述N档曝光值分别采集所述目标场景的第二图像。
在一种可能的实现方式中，所述装置通过神经网络实现，所述神经网络包括曝光预测网络以及图像融合网络，所述曝光预测网络用于从M档曝光值中确定出与所述目标场景对应的N档曝光值，所述图像融合网络用于对所述N个第二图像进行图像融合，所述装置还包括：训练模块，用于根据预设的训练集训练所述神经网络，所述训练集包括多个样本场景的第一样本图像、M档曝光值的第二样本图像以及真实样本图像，所述第二样本图像的尺度大于所述第一样本图像的尺度。
在一种可能的实现方式中，所述训练模块包括：曝光预测子模块，用于将所述第一样本图像输入所述曝光预测网络，得到与所述样本场景对应的N档曝光值；图像融合子模块，用于将所述M档曝光值的第二样本图像中N档曝光值的第二样本图像输入所述图像融合网络，得到所述样本场景的样本输出图像；训练子模块，用于根据所述样本场景的真实样本图像及样本输出图像，训练所述神经网络。
在一种可能的实现方式中，所述训练子模块用于：根据所述真实样本图像及所述样本输出图像，确定所述图像融合网络的第一损失；根据所述第一损失，训练所述图像融合网络。
在一种可能的实现方式中，所述训练子模块用于：根据所述真实样本图像、第v-1个训练状态的神经网络输出的第v-1级样本输出图像，以及第v个训练状态的神经网络输出的第v级样本输出图像，确定所述曝光预测网络的第二损失，v为大于1的整数；根据所述第二损失，训练所述第v个训练状态的曝光预测网络。
在一种可能的实现方式中，所述装置还包括：融合模块，用于对所述样本场景的M档曝光值的第二样本图像进行融合，得到所述样本场景的真实样本图像。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图像处理方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像处理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图4，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (11)

1.一种图像处理方法，其特征在于，包括：
根据目标场景的第一图像，从M档曝光值中确定出与所述目标场景对应的N档曝光值，M、N为整数且1＜N＜M；
根据所述N档曝光值，获取所述目标场景的N个第二图像；
对所述N个第二图像进行图像融合，得到所述目标场景的第三图像，其中，所述第二图像包括低动态范围LDR图像，所述第三图像包括高动态范围HDR图像。
2.根据权利要求1所述的方法，其特征在于，所述根据目标场景的第一图像，从M档曝光值中确定出与所述目标场景对应的N档曝光值，包括：
对所述第一图像分别进行特征提取和亮度信息提取，得到所述第一图像的特征信息和亮度分布信息；
对所述特征信息和所述亮度分布信息进行融合，得到所述第一图像的融合特征；
对所述融合特征进行曝光预测，从M档曝光值中确定出与所述目标场景对应的N档曝光值。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述N档曝光值，获取所述目标场景的N个第二图像，包括：
控制图像采集设备以所述N档曝光值分别采集所述目标场景的第二图像。
4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述方法通过神经网络实现，所述神经网络包括曝光预测网络以及图像融合网络，所述曝光预测网络用于从M档曝光值中确定出与所述目标场景对应的N档曝光值，所述图像融合网络用于对所述N个第二图像进行图像融合，
所述方法还包括：根据预设的训练集训练所述神经网络，所述训练集包括多个样本场景的第一样本图像、M档曝光值的第二样本图像以及真实样本图像，所述第二样本图像的尺度大于所述第一样本图像的尺度。
5.根据权利要求4所述的方法，其特征在于，所述根据预设的训练集训练所述神经网络，包括：
将所述第一样本图像输入所述曝光预测网络，得到与所述样本场景对应的N档曝光值；
将所述M档曝光值的第二样本图像中N档曝光值的第二样本图像输入所述图像融合网络，得到所述样本场景的样本输出图像；
根据所述样本场景的真实样本图像及样本输出图像，训练所述神经网络。
6.根据权利要求5所述的方法，其特征在于，所述根据所述样本场景的真实样本图像及样本输出图像，训练所述神经网络，包括：
根据所述真实样本图像及所述样本输出图像，确定所述图像融合网络的第一损失；
根据所述第一损失，训练所述图像融合网络。
7.根据权利要求5或6所述的方法，其特征在于，所述根据所述样本场景的真实样本图像及样本输出图像，训练所述神经网络，包括：
根据所述真实样本图像、第v-1个训练状态的神经网络输出的第v-1级样本输出图像，以及第v个训练状态的神经网络输出的第v级样本输出图像，确定所述曝光预测网络的第二损失，v为大于1的整数；
根据所述第二损失，训练所述第v个训练状态的曝光预测网络。
8.根据权利要求4-7中任意一项所述的方法，其特征在于，所述方法还包括：
对所述样本场景的M档曝光值的第二样本图像进行融合，得到所述样本场景的真实样本图像。
9.一种图像处理装置，其特征在于，包括：
曝光确定模块，用于根据目标场景的第一图像，从M档曝光值中确定出与所述目标场景对应的N档曝光值，M、N为整数且1＜N＜M；
图像获取模块，用于根据所述N档曝光值，获取所述目标场景的N个第二图像；
图像融合模块，用于对所述N个第二图像进行图像融合，得到所述目标场景的第三图像，其中，所述第二图像包括低动态范围LDR图像，所述第三图像包括高动态范围HDR图像。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至8中任意一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
CN202010123689.2A 2020-02-27 2020-02-27 图像处理方法及装置、电子设备和存储介质 Active CN111340731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010123689.2A CN111340731B (zh) 2020-02-27 2020-02-27 图像处理方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010123689.2A CN111340731B (zh) 2020-02-27 2020-02-27 图像处理方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111340731A true CN111340731A (zh) 2020-06-26
CN111340731B CN111340731B (zh) 2023-09-12

Family

ID=71187091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010123689.2A Active CN111340731B (zh) 2020-02-27 2020-02-27 图像处理方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111340731B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881917A (zh) * 2020-06-30 2020-11-03 浙江大华技术股份有限公司 图像预处理方法、装置、计算机设备和可读存储介质
CN111986106A (zh) * 2020-07-30 2020-11-24 南京大学 一种基于神经网络的高动态图像重建方法
CN112560698A (zh) * 2020-12-18 2021-03-26 北京百度网讯科技有限公司 图像处理方法、装置、设备和介质
CN112950732A (zh) * 2021-02-23 2021-06-11 北京三快在线科技有限公司 一种图像生成方法、装置、存储介质及电子设备
CN113379633A (zh) * 2021-06-15 2021-09-10 支付宝(杭州)信息技术有限公司 多帧图像处理方法和装置
CN113592726A (zh) * 2021-06-29 2021-11-02 北京旷视科技有限公司 高动态范围成像方法、装置、电子设备和存储介质
CN115115518A (zh) * 2022-07-01 2022-09-27 腾讯科技（深圳）有限公司 高动态范围图像的生成方法、装置、设备、介质及产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104717432A (zh) * 2013-12-13 2015-06-17 柯尼卡美能达美国研究所有限公司 处理一组输入图像的方法、图像处理设备和数字照相机
CN107197169A (zh) * 2017-06-22 2017-09-22 维沃移动通信有限公司 一种高动态范围图像拍摄方法及移动终端
US20190333198A1 (en) * 2018-04-25 2019-10-31 Adobe Inc. Training and utilizing an image exposure transformation neural network to generate a long-exposure image from a single short-exposure image
CN110493538A (zh) * 2019-08-16 2019-11-22 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104717432A (zh) * 2013-12-13 2015-06-17 柯尼卡美能达美国研究所有限公司 处理一组输入图像的方法、图像处理设备和数字照相机
CN107197169A (zh) * 2017-06-22 2017-09-22 维沃移动通信有限公司 一种高动态范围图像拍摄方法及移动终端
US20190333198A1 (en) * 2018-04-25 2019-10-31 Adobe Inc. Training and utilizing an image exposure transformation neural network to generate a long-exposure image from a single short-exposure image
CN110493538A (zh) * 2019-08-16 2019-11-22 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881917A (zh) * 2020-06-30 2020-11-03 浙江大华技术股份有限公司 图像预处理方法、装置、计算机设备和可读存储介质
CN111986106A (zh) * 2020-07-30 2020-11-24 南京大学 一种基于神经网络的高动态图像重建方法
CN111986106B (zh) * 2020-07-30 2023-10-13 南京大学 一种基于神经网络的高动态图像重建方法
CN112560698A (zh) * 2020-12-18 2021-03-26 北京百度网讯科技有限公司 图像处理方法、装置、设备和介质
CN112560698B (zh) * 2020-12-18 2024-01-16 北京百度网讯科技有限公司 图像处理方法、装置、设备和介质
CN112950732A (zh) * 2021-02-23 2021-06-11 北京三快在线科技有限公司 一种图像生成方法、装置、存储介质及电子设备
CN112950732B (zh) * 2021-02-23 2022-04-01 北京三快在线科技有限公司 一种图像生成方法、装置、存储介质及电子设备
CN113379633A (zh) * 2021-06-15 2021-09-10 支付宝(杭州)信息技术有限公司 多帧图像处理方法和装置
CN113592726A (zh) * 2021-06-29 2021-11-02 北京旷视科技有限公司 高动态范围成像方法、装置、电子设备和存储介质
CN115115518A (zh) * 2022-07-01 2022-09-27 腾讯科技（深圳）有限公司 高动态范围图像的生成方法、装置、设备、介质及产品
CN115115518B (zh) * 2022-07-01 2024-04-09 腾讯科技（深圳）有限公司 高动态范围图像的生成方法、装置、设备、介质及产品

Also Published As

Publication number Publication date
CN111340731B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN111462268B (zh) 图像重建方法及装置、电子设备和存储介质
CN111340731B (zh) 图像处理方法及装置、电子设备和存储介质
CN110378976B (zh) 图像处理方法及装置、电子设备和存储介质
US20220076006A1 (en) Method and device for image processing, electronic device and storage medium
CN108154465B (zh) 图像处理方法及装置
CN111445414B (zh) 图像处理方法及装置、电子设备和存储介质
CN111523346B (zh) 图像识别方法及装置、电子设备和存储介质
CN111369482B (zh) 图像处理方法及装置、电子设备和存储介质
US11222235B2 (en) Method and apparatus for training image processing model, and storage medium
CN111861942A (zh) 一种降噪方法及装置、电子设备和存储介质
CN113689361B (zh) 图像处理方法及装置、电子设备和存储介质
CN111583142A (zh) 图像降噪方法及装置、电子设备和存储介质
CN113177890B (zh) 图像处理方法及装置、电子设备和存储介质
CN110675355A (zh) 图像重建方法及装置、电子设备和存储介质
CN107730443B (zh) 图像处理方法、装置及用户设备
CN111461950B (zh) 图像处理方法及装置
CN111507131B (zh) 活体检测方法及装置、电子设备和存储介质
CN107451972B (zh) 图像增强方法、装置及计算机可读存储介质
CN115457024A (zh) 冷冻电镜图像处理方法、装置、电子设备及存储介质
CN111586296B (zh) 图像拍摄方法、图像拍摄装置及存储介质
CN112200745A (zh) 遥感影像的处理方法及装置、电子设备和存储介质
CN113506321A (zh) 图像处理方法及装置、电子设备和存储介质
CN113506324A (zh) 图像处理方法及装置、电子设备和存储介质
CN114338956A (zh) 图像处理方法、图像处理装置及存储介质
CN111583144A (zh) 图像降噪方法及装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant