CN113538310A - 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 PDFInfo
- Publication number
- CN113538310A CN113538310A CN202110801048.2A CN202110801048A CN113538310A CN 113538310 A CN113538310 A CN 113538310A CN 202110801048 A CN202110801048 A CN 202110801048A CN 113538310 A CN113538310 A CN 113538310A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- wide
- angle
- tele
- 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.)
- Withdrawn
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 158
- 238000000034 method Methods 0.000 claims abstract description 93
- 238000010586 diagram Methods 0.000 claims abstract description 67
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims description 50
- 238000013507 mapping Methods 0.000 claims description 48
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000001131 transforming effect Effects 0.000 claims description 28
- 230000011218 segmentation Effects 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (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:获取针对同一场景的广角图像及长焦图像;对广角图像及长焦图像进行特征提取,得到广角图像的广角特征图及长焦图像的长焦特征图;从长焦特征图的多个长焦特征图块中,确定出与广角特征图的各个广角特征图块对应的匹配特征图块;针对任一广角特征图块,对与广角特征图块对应的匹配特征图块进行变换,得到与广角特征图块对齐的对齐特征图块;将多个对齐特征图块与广角特征图进行特征融合,得到融合后的目标图像。本公开实施例可有利于提高融合后的目标图像的图像质量。
Description
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
相机融合是计算机视觉中一个重要的任务,相机融合旨在将同一电子设备(例如手机)的长焦相机采集的长焦图像中的清晰纹理细节,融合至到该电子设备的广角相机采集的广角图像中。
随着深度学习技术的发展,相关技术中,可采取基于图像块匹配或逐像素匹配的方式进行相机融合,但逐像素匹配通常不稳定且易于产生失真;基于图像块匹配的方法,容易产生图像块内的错位,会向广角图像中引入无关的噪声信息,影响了融合后的图像质量。
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:获取针对同一场景的广角图像及长焦图像;对所述广角图像及所述长焦图像进行特征提取,得到所述广角图像的广角特征图及所述长焦图像的长焦特征图;从所述长焦特征图的多个长焦特征图块中,确定出与所述广角特征图的各个广角特征图块对应的匹配特征图块;针对任一广角特征图块,对与所述广角特征图块对应的匹配特征图块进行变换,得到与所述广角特征图块对齐的对齐特征图块;将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像。通过该方式,能够减少向广角图像中融入无关的噪声信息,有利于提高融合后的目标图像的图像质量。
在一种可能的实现方式中,所述从所述长焦特征图的多个长焦特征图块中,确定出与所述广角特征图的各个广角特征图块对应的匹配特征图块,包括:按照预设的切分规则,分别对所述广角特征图及所述长焦特征图进行切分,得到所述多个广角特征图块及所述多个长焦特征图块;针对任一广角特征图块,根据所述广角特征图块与所述多个长焦特征图块之间的相似度,从所述多个长焦特征图块中确定出与所述广角特征图块对应的匹配特征图块。通过该方式,能够有效地为各个广角特征图块找到最匹配的长焦特征图块,也即确定出与各个广角特征图块对应的匹配特征图块。
在一种可能的实现方式中,所述针对任一广角特征图块,对与所述广角特征图块对应的匹配特征图块进行变换,得到与所述广角特征图块对齐的对齐特征图块,包括:针对任一广角特征图块,确定所述广角特征图块与所述匹配特征图块之间的映射关系,所述映射关系包括所述广角特征图块与所述匹配特征图块之间的仿射矩阵;根据所述仿射矩阵,对所述匹配特征图块进行仿射变换,得到所述对齐特征图块。通过该方式,能够有效地根据广角特征图块与匹配特征图块之间的仿射矩阵,得到与广角特征图块对齐的对齐特征图块。
在一种可能的实现方式中,所述方法还包括:针对任一广角特征图块,根据所述广角特征图块与对应的匹配特征图块之间的相似度,确定所述匹配特征图块的置信度,所述置信度用于指示所述广角特征图块与所述匹配特征图块的匹配程度;其中,所述将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像,包括:将所述多个对齐特征图块进行拼接,得到对齐特征图;根据多个匹配特征图块的置信度,将所述广角特征图与所述对齐特征图进行特征融合,得融合特征图;根据所述融合特征图,生成所述目标图像。通过该方式,能够减少向广角特征图中引入无关的噪声信息,有利于更多融合对齐特征图中有效的特征信息,从而提高目标图像的图像质量。
在一种可能的实现方式中,所述根据所述多个匹配特征图块的置信度,将所述广角特征图与所述对齐特征图进行特征融合,得融合特征图,包括:确定所述多个匹配特征图块的置信度中高于置信度阈值的置信度;将所述对齐特征图中所述高于置信度阈值的置信度所指示的特征值,与所述广角特征图的特征值进行特征融合,得到融合特征图。通过该方式,能够向减少在融合特征图中引入无关的噪声特征,可提高目标图像的图像质量。
在一种可能的实现方式中,所述长焦特征图包括I个尺度,所述广角特征图包括I个尺度,I是正整数,其中,所述根据所述融合特征图,生成所述目标图像,包括:对第(i-1)尺度的融合特征图进行上采样,得到第i尺度的特征图,(I+1)≥i≥2;将所述第i尺度的特征图与第i尺度的对齐特征图进行特征融合,得到第i尺度的融合特征图,所述第i尺度的对齐特征图是根据第i尺度的长焦特征图与第i尺度的广角特征图得到的;在i=(I+1)的情况下,对第(I+1)尺度的特征图进行解码处理,得到所述目标图像。通过该方式,能够针对多尺度的长焦特征图及多尺度的广角特征图,有效地生成目标图像,有利于减少引入无关的噪声信息,提高目标图像的图像质量。
在一种可能的实现方式中,所述将所述第i尺度的特征图与第i尺度的对齐特征图进行特征融合,得到第i尺度的融合特征图,包括:将所述第i尺度的特征图、所述第i尺度的对齐特征图及第i尺度的广角特征图进行特征融合,得到第i尺度的融合特征图。通过该方式,能够减少不同尺度的广角特征图中的特征信息的丢失,使生成的目标图像的图像质量更高。通过该方式,能够减少不同尺度的广角特征图中的特征信息的丢失,使生成的目标图像的图像质量更高。
在一种可能的实现方式中,所述方法还包括:通过索引图记录与各个广角特征图块对应的匹配特征图块;其中,所述将所述多个对齐特征图块进行拼接,得到对齐特征图,包括:根据所述索引图,将所述多个对齐特征图块进行拼接,得到对齐特征图。通过该方式,能够通过索引图便捷地记录匹配特图块,同时还可快速实现对齐特征图的拼接。
在一种可能的实现方式中,所述方法还包括:提取所述长焦图像的图像细节,得到所述长焦图像的细节图像;将所述目标图像与所述细节图像进行图像融合,得到融合图像。通过该方式,能够将长焦图像的高频细节,融合至目标图像中,使融合图像具有更高的图像质量。
在一种可能的实现方式中,所述将所述目标图像与所述细节图像进行图像融合,得到融合图像,包括:根据所述目标图像的多个目标图像块与所述细节图像的多个细节图像块之间的相似度,从所述多个细节图像块中分别确定出与各个目标图像块对应的匹配图像块,以及确定所述匹配图像块的置信度;针对任一目标图像块,根据所述目标图像块与对应的匹配图像块之间的映射关系,对所述匹配图像块进行变换,得到与所述目标图像块对齐的对齐图像块;根据多个匹配图像块的置信度,将多个对齐图像块与所述目标图像进行图像融合,得到所述融合图像。通过该方式,能够减少向目标图像中引入无关的噪声信息,更多融合细节图像中有用的图像细节,有利于提高融合图像的图像质量。
在一种可能的实现方式中,所述图像处理方法是通过图像处理网络实现的,所述图像处理网络包括特征提取子网络、对齐注意力子网络以及自适应性融合子网络;其中,所述对所述广角图像及所述长焦图像进行特征提取,得到所述广角图像的广角特征图及所述长焦图像的长焦特征图,包括:通过所述特征提取子网络对获取的所述广角图像及所述长焦图像进行特征提取,得到所述广角图像的广角特征图及所述长焦图像的长焦特征图。通过该方式,能够通过图像处理网络,高效准确地实现上述图像处理方法。
在一种可能的实现方式中,所述对齐注意力子网络包括:匹配网络层、对齐网络层以及映射关系确定网络层;其中,从所述长焦特征图的多个长焦特征图块中,确定出与所述广角特征图的各个广角特征图块对应的匹配特征图块,包括:通过所述匹配网络层从所述长焦特征图的多个长焦特征图块中,确定出与所述广角特征图的各个广角特征图块对应的匹配特征图块。通过该方式,能够通过图像处理网络,高效准确地实现上述图像处理方法。
在一种可能的实现方式中,所述针对任一广角特征图块,对与所述广角特征图块对应的匹配特征图块进行变换,得到与所述广角特征图块对齐的对齐特征图块,包括:通过所述映射关系确定网络层确定所述广角特征图块与所述匹配特征图块之间的映射关系;通过所述对齐网络层针对任一广角特征图块,根据所述广角特征图块与所述匹配特征图块之间的映射关系,对与所述广角特征图块对应的匹配特征图块进行变换,得到与所述广角特征图块对齐的对齐特征图块。通过该方式,能够通过图像处理网络,高效准确地实现上述图像处理方法。
在一种可能的实现方式中,所述自适应性融合子网络包括:置信度学习网络层以及融合网络层;其中,所述将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像,包括:通过所述置信度学习网络层确定各个匹配特征图块的置信度;通过融合网络层根据所述各个匹配特征图块的置信度,将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像。通过该方式,能够通过图像处理网络,高效准确地实现上述图像处理方法。
根据本公开的一方面,提供了一种图像处理装置,包括:获取模块,用于获取针对同一场景的广角图像及长焦图像;特征提取模块,用于对所述广角图像及所述长焦图像进行特征提取,得到所述广角图像的广角特征图及所述长焦图像的长焦特征图;匹配模块,用于从所述长焦特征图的多个长焦特征图块中,确定出与所述广角特征图的各个广角特征图块对应的匹配特征图块;变换模块,用于针对任一广角特征图块,对与所述广角特征图块对应的匹配特征图块进行变换,得到与所述广角特征图块对齐的对齐特征图块;特征融合模块,用于将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像。
在一种可能的实现方式中,所述匹配模块,包括:切分子模块,用于按照预设的切分规则,分别对所述广角特征图及所述长焦特征图进行切分,得到所述多个广角特征图块及所述多个长焦特征图块;匹配子模块,用于针对任一广角特征图块,根据所述广角特征图块与所述多个长焦特征图块之间的相似度,从所述多个长焦特征图块中确定出与所述广角特征图块对应的匹配特征图块。
在一种可能的实现方式中,所述变换模块,包括:映射关系确定子模块,用于针对任一广角特征图块,确定所述广角特征图块与所述匹配特征图块之间的映射关系,所述映射关系包括所述广角特征图块与所述匹配特征图块之间的仿射矩阵;变换子模块,用于根据所述仿射矩阵,对所述匹配特征图块进行仿射变换,得到所述对齐特征图块。
在一种可能的实现方式中,所述装置还包括:置信度确定模块,用于针对任一广角特征图块,根据所述广角特征图块与对应的匹配特征图块之间的相似度,确定所述匹配特征图块的置信度,所述置信度用于指示所述广角特征图块与所述匹配特征图块的匹配程度;其中,所述融合模块,包括:特征图块拼接子模块,用于将所述多个对齐特征图块进行拼接,得到对齐特征图;特征融合子模块,用于根据多个匹配特征图块的置信度,将所述广角特征图与所述对齐特征图进行特征融合,得融合特征图;目标图像生成子模块,用于根据所述融合特征图,生成所述目标图像。
在一种可能的实现方式中,所述根据所述多个匹配特征图块的置信度,将所述广角特征图与所述对齐特征图进行特征融合,得融合特征图,包括:确定所述多个匹配特征图块的置信度中高于置信度阈值的置信度;将所述对齐特征图中所述高于置信度阈值的置信度所指示的特征值,与所述广角特征图的特征值进行特征融合,得到融合特征图。
在一种可能的实现方式中,所述长焦特征图包括I个尺度,所述广角特征图包括I个尺度,I是正整数,其中,所述根据所述融合特征图,生成所述目标图像,包括:对第(i-1)尺度的融合特征图进行上采样,得到第i尺度的特征图,(I+1)≥i≥2;将所述第i尺度的特征图与第i尺度的对齐特征图进行特征融合,得到第i尺度的融合特征图,所述第i尺度的对齐特征图是根据第i尺度的长焦特征图与第i尺度的广角特征图得到的;在i=(I+1)的情况下,对第(I+1)尺度的特征图进行解码处理,得到所述目标图像。
在一种可能的实现方式中,所述将所述第i尺度的特征图与第i尺度的对齐特征图进行特征融合,得到第i尺度的融合特征图,包括:将所述第i尺度的特征图、所述第i尺度的对齐特征图及第i尺度的广角特征图进行特征融合,得到第i尺度的融合特征图。
在一种可能的实现方式中,所述装置还包括:记录模块,用于通过索引图记录与各个广角特征图块对应的匹配特征图块;其中,所述将所述多个对齐特征图块进行拼接,得到对齐特征图,包括:根据所述索引图,将所述多个对齐特征图块进行拼接,得到对齐特征图。
在一种可能的实现方式中,所述装置还包括:图像细节提取模块,用于提取所述长焦图像的图像细节,得到所述长焦图像的细节图像;图像融合模块,用于将所述目标图像与所述细节图像进行图像融合,得到融合图像。
在一种可能的实现方式中,所述图像融合模块,包括:图像块匹配子模块,用于根据所述目标图像的多个目标图像块与所述细节图像的多个细节图像块之间的相似度,从所述多个细节图像块中分别确定出与各个目标图像块对应的匹配图像块,以及确定所述匹配图像块的置信度;图像块变换子模块,用于针对任一目标图像块,根据所述目标图像块与对应的匹配图像块之间的映射关系,对所述匹配图像块进行变换,得到与所述目标图像块对齐的对齐图像块;图像融合子模块,用于根据多个匹配图像块的置信度,将多个对齐图像块与所述目标图像进行图像融合,得到所述融合图像。
在一种可能的实现方式中,所述图像处理装置是通过图像处理网络实现的,所述图像处理网络包括特征提取子网络、对齐注意力子网络以及自适应性融合子网络;其中,所述对所述广角图像及所述长焦图像进行特征提取,得到所述广角图像的广角特征图及所述长焦图像的长焦特征图,包括:通过所述特征提取子网络对获取的所述广角图像及所述长焦图像进行特征提取,得到所述广角图像的广角特征图及所述长焦图像的长焦特征图。
在一种可能的实现方式中,所述对齐注意力子网络包括:匹配网络层、对齐网络层以及映射关系确定网络层;其中,从所述长焦特征图的多个长焦特征图块中,确定出与所述广角特征图的各个广角特征图块对应的匹配特征图块,包括:通过所述匹配网络层从所述长焦特征图的多个长焦特征图块中,确定出与所述广角特征图的各个广角特征图块对应的匹配特征图块。
在一种可能的实现方式中,所述针对任一广角特征图块,对与所述广角特征图块对应的匹配特征图块进行变换,得到与所述广角特征图块对齐的对齐特征图块,包括:通过所述映射关系确定网络层确定所述广角特征图块与所述匹配特征图块之间的映射关系;通过所述对齐网络层针对任一广角特征图块,根据所述广角特征图块与所述匹配特征图块之间的映射关系,对与所述广角特征图块对应的匹配特征图块进行变换,得到与所述广角特征图块对齐的对齐特征图块。
在一种可能的实现方式中,所述自适应性融合子网络包括:置信度学习网络层以及融合网络层;其中,所述将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像,包括:通过所述置信度学习网络层确定各个匹配特征图块的置信度;通过融合网络层根据所述各个匹配特征图块的置信度,将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像。
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,通过从多个长焦特征图块中确定出与各个广角特征图块对应的匹配特征图块,能够实现在特征空间利用图像特征准确地确定出匹配特征图块;进而对匹配特征图块进行变换,得到与广角特征图对齐的对齐特征图,能够减轻对齐特征图块与广角特征图块的错位现象,从而减少向广角图像中引入无关的噪声信息,有利于提高融合后的目标图像的图像质量。
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2a示出根据本公开实施例的广角图像的示意图。
图2b示出根据本公开实施例的长焦图像的示意图。
图3a示出根据本公开实施例的一种特征图的示意图。
图3b示出根据本公开实施例的特征图块的示意图。
图4示出根据本公开实施例的一种细节图像的示意图。
图5示出根据本公开实施例的一种图像处理网络的框架示意图。
图6示出根据本公开实施例的图像处理方法的示意图。
图7示出根据本公开实施例的图像处理装置的框图。
图8示出根据本公开实施例的一种电子设备的框图。
图9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,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、个人数字助理(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。如图1所示,所述图像处理方法包括:
在步骤S11中,获取针对同一场景的广角图像及长焦图像;
在步骤S12中,对广角图像及长焦图像进行特征提取,得到广角图像的广角特征图及长焦图像的长焦特征图;
在步骤S13中,从长焦特征图的多个长焦特征图块中,确定出与广角特征图的各个广角特征图块对应的匹配特征图块;
在步骤S14中,针对任一广角特征图块,对与广角特征图块对应的匹配特征图块进行变换,得到与广角特征图块对齐的对齐特征图块;
在步骤S15中,将多个对齐特征图块与广角特征图进行特征融合,得到融合后的目标图像。
在一种可能的实现方式中,在步骤S11中,广角图像可由电子设备上安装的广角摄像头(或广角相机)采集得到,长焦图像可由该电子设备上安装的长焦摄像头(或长焦相机)采集得到。应理解的是,广角摄像头(或广角相机)与长焦摄像头(或长焦相机)在电子设备上的位置可固定,例如,手机的广角摄像头及长焦摄像头。可理解的是,位置固定的广角摄像头与长焦摄像头分别采集可是针对同一场景的广角图像与长焦图像。
图2a示出根据本公开实施例的广角图像的示意图,图2b示出根据本公开实施例的长焦图像的示意图。如图2a所示,广角摄像头采集的广角图像视角大、但远处物体的纹理细节可能不够清晰,如图2b所示,长焦摄像头采集的长焦图像视角小、但采集到远处物体的清晰纹理细节。应理解的是,通过将长焦图像采集的清晰纹理细节融合至广角图像中,能够得到大视角、纹理细节清晰的高质量图像。
在一种可能的实现方式中,在步骤S12中,可通过特征提取网络,也即编码网络,分别对广角图像及长焦图像进行特征提取,得到广角图像的广角特征图及长焦图像的长焦特征图。其中,特征提取网络例如可是卷积神经网络,对于特征提取网络的网络结构、网络类型等,本公开实施例不作限制。
其中,通过特征提取网络提取的广角特征图与长焦特征图可分别是多尺度的,且广角特征图与长焦特征图的尺度可是对应的。例如,广角特征图可包括128×128、64×64、32×32等尺度,相应的,长焦特征图也可包括128×128、64×64、32×32等尺度。
应理解的是,特征图尺度越小,特征越显著、语义越丰富,用来确定特征相似度的准确度越高,在步骤S13中,从广角特征图像的多个长焦特征图块中,确定出与广角特征图的各个广角特征图块对应的匹配特征图块,可包括:根据最小尺度的广角特征图的多个广角特征图块与最小尺度的长焦特征图的多个长焦特征图块之间的相似度,从多个长焦特征图块中确定出与各个广角特征图块对应的匹配特征图块。
其中,多个广角特征图块可是按照预设的切分规则对广角特征图进行切分得到,多个长焦特征图块可是按照该切分规则对长焦特征图进行切分得到。其中,切分规则可包括切分步长及切分尺寸。
举例来说,图3a示出根据本公开实施例的一种特征图的示意图,图3b示出根据本公开实施例的特征图块的示意图,如图3a所示的4×4的特征图,按照切分步长为1,切分尺度为3×3的切分规则进行切分,可得到如图3b所示的4个特征图块。
应理解的是,相似度越高,可代表广角特征图块与长焦特征图块之间的匹配程度越高。其中,从多个长焦特征图块中确定与各个广角特征图对应的匹配特征图块,可包括:针对任一广角特征图块,将与该广角特征图相似度最高的长焦特征图块,作为与该广角特征图对应的匹配特征图块。
其中,可采用已知的相似度计算方式,例如,可采用余弦相似度,欧式距离等,确定多个广角特征图块与多个长焦特征图块之间的相似度,对此本公开实施例不作限制。
应理解的是,基于上述切分以及相似度所确定出的匹配特征图块,与对应的广角特征图之间可能存在错位,通过步骤S14对匹配特征图块进行变换的到对齐特征图块,能够减轻对齐特征图块与广角特征图块之间的错位现象,从而减少向广角特征图中融入无关的噪声信息,提高融合后的目标图像的图像质量。
在一种可能的实现方式中,在步骤S14中,对与广角特征图块对应的匹配特征图块进行变换,得到与广角特征图对齐的对齐特征图块,可以包括:根据广角特征图块与对应的匹配特征图块之间的映射关系,对该匹配特征图块进行几何变换,得到位置与广角特征图块对齐的对齐特征图块。其中,几何变换可包括仿射变换或投影变换等。
其中,可通过神经网络(如卷积神经网络)确定广角特征图块与对应的匹配特征图块之间的映射关系,可采用仿射矩阵或投影矩阵表征该映射关系。对于该神经网络的网络类型、网络结构及训练方式等,本公开实施例不作限制。
需要说明的是,以上通过神经网络确定映射关系是本公开实施例公开的一种实现方式,实际上,本领域技术人员可采用本领域任何已知的方式,确定广角特征图块与匹配特征图块之间的映射关系,对此本公开实施例不作限制。例如,可根据广角特征图块与匹配特征图块之间的匹配特征点对的坐标,计算仿射矩阵或投影矩阵,也即得到广角特征图块与匹配特征图块之间的映射关系。
在一种可能的实现方式中,在步骤S15中,将多个对齐特征图块与广角特征图进行特征融合,得到融合后的目标图像,可包括:将多个对齐特征图块进行拼接,得到对齐特征图;将对齐特征图与广角特征图进行特征融合,得到融合后的目标图像。
其中,将多个对齐特征图块进行拼接,得到对齐特征图,可包括:根据多个广角特征图块相对于广角特征图的位置,将与各个广角特征图块对应的对齐特征图块进行拼接,得到对齐特征图。
其中,可采用本领域已知的特征融合方式,实现将对齐特征图与广角特征图进行特征融合,例如,可采用将两特征图相加(add)、通道数不变的方式,或两特征图在通道维度合并(concat)、通道数增加的方式,对此本公开实施例不作限制。
如上所述,广角特征图与对应的对齐特征图可是最小尺度的特征图,在一种可能的实现方式中,可将对齐特征图与广角特征图进行融合后所得到的特征图逐级进行上采样、解码等处理,得到融合后的目标图像。
在本公开实施例中,通过从多个长焦特征图块中确定出与各个广角特征图块对应的匹配特征图块,能够实现在特征空间利用图像特征更准确地确定出匹配特征图块;进而对匹配特征图块进行变换,得到与广角特征图对齐的对齐特征图,能够减轻对齐特征图块与广角特征图块的错位现象,从而减少向广角图像中融入无关的噪声信息,有利于提高融合后的目标图像的图像质量。
如上所述,可通过预设的切分规则,切分广角特征图及长焦特征图,切分规则包括切分步长及切分尺寸。在一种可能的实现方式中,在步骤S13中,从长焦特征图的多个长焦特征图块中,确定出与广角特征图的各个广角特征图块对应的匹配特征图块,包括:
按照预设的切分规则,分别对广角特征图及长焦特征图进行切分,得到多个广角特征图块及多个长焦特征图块;
针对任一广角特征图块,根据广角特征图块与多个长焦特征图块之间的相似度,从多个长焦特征图块中确定出与广角特征图块对应的匹配特征图块。
应理解的是,基于不同的切分规则以及不同尺度的广角特征图及长焦特征图,可切分出不同数量的广角特征图块及长焦特征图块。
如上文所述,相似度越高代表两特征图块之间的匹配程度越高,其中,根据广角特征图块与多个长焦特征图块之间的相似度,从多个长焦特征图块中确定出与广角特征图块对应的匹配特征图块,可包括:将广角特征图块与多个长焦特征图块之间的相似度中最大相似度所对应的长焦特征图块,作为与该广角特征图块对应的匹配特征图块。
在一种可能的实现方式中,可通过公式(1),计算广角特征图块与多个长焦特征图块之间的相似度:
其中,sm,n代表第m个广角特征图块与第n个长焦特征图块之间的余弦相似度,代表广角图像ILR的广角特征图的第m个广角特征图块,代表长焦图像IRef的长焦特征图的第n个长焦特征图块;代表特征提取网络;匹配特征图块可表示为代表最大余弦相似度对应的长焦特征图块为匹配特征图块。
在本公开实施例中,能够有效地为各个广角特征图块找到最匹配的长焦特征图块,也即确定出与各个广角特征图块对应的匹配特征图块。
如上所述,可采用仿射矩阵或投影矩阵表征广角特征图块与匹配特征图块之间的映射关系。在一种可能的实现方式中,在步骤S14中,针对任一广角特征图块,对匹配特征图块进行变换,得到与广角特征图块对齐的对齐特征图块,可包括:
针对任一广角特征图块,确定广角特征图块与所述匹配特征图块之间的映射关系,映射关系包括广角特征图块与匹配特征图块之间的仿射矩阵;
根据仿射矩阵,对匹配特征图块进行仿射变换,得到对齐特征图块。
其中,可通过上述神经网络(如卷积神经网络)确定广角特征图块与对应的匹配特征图块之间的仿射矩阵,仿射矩阵可反映广角特征图块与对应的匹配特征图块之间几何变换关系。根据仿射矩阵对匹配特征图块进行仿射变换,可得到位置与广角特征图块对齐的对齐特征图块。
其中,可通过公式(2)确定广角特征图块与对应的匹配特征图块之间的仿射矩阵:
A=T(concat(PLR,Pmatched)) (2)
其中,A代表仿射矩阵,T代表用于确定仿射矩阵的神经网络,PLR代表广角特征图块,Pmatched代表匹配特征图块,concat(PLR,Pmatched)代表将广角特征图块与匹配特征图块合并连接,以将合并连接后的特征图块输入至T中得到A。
在本公开实施例中,能够有效地根据广角特征图块与匹配特征图块之间的仿射矩阵,得到与广角特征图块对齐的对齐特征图块。
应理解的是,广角图像的视场范围比长焦图像大,因此广角图像中存在长焦图像未覆盖的区域,若直接将对齐特征图与广角特征图进行融合,并基于融合后的特征图生成的目标图像中可能会包含较多无关的噪声信息。
也即,通过上述方式确定出的匹配特征图块,是相对于其它长焦特征图块相似度最高的,但可能存在匹配特征图块与广角特征图块的相似度实际是较低的,基于此,若将对齐特征图中相似度较低的区域也融合至广角特征图,可能会向广角特征图中引入无关的特征信息,也即会向广角图像中引入无关的噪声信息,影响目标图像的图像质量。
在一种可能的实现方式中,所述方法还包括:
针对任一广角特征图块,根据广角特征图块与对应的匹配特征图块之间的相似度,确定匹配特征图块的置信度,置信度指示广角特征图块与匹配特征图块的匹配程度。
在一种可能的实现方式中,根据广角特征图块与对应的匹配特征图块之间的相似度,确定匹配特征图块的置信度,可包括:直接将广角特征图块与对应的匹配特征图块之间的相似度,作为匹配特征图块的置信度。其中,第m个广角特征图块的匹配特征图块的置信度,可表示为cm=maxn(sm,n),该式代表第m个广角特征图块与多个长焦特征图块的余弦相似度中的最大余弦相似度。
在一种可能的实现方式中,根据广角特征图块与对应的匹配特征图块之间的相似度,确定匹配特征图块的置信度,还可包括:通过可学习的神经网络,对广角特征图块与匹配特征图块之间的相似度进行加强(可理解为加权)或放大,得到相似度区别更显著的置信度,这样在基于置信度指示特征融合的过程中,能够更准确且灵活地处理不同置信度下的特征融合。
基于上述确定出的匹配特征图块的置信度,在一种可能的实现方式中,在步骤S15中,将多个对齐特征图块与广角特征图进行特征融合,得到融合后的目标图像,包括:
将多个对齐特征图块进行拼接,得到对齐特征图;根据多个匹配特征图块的置信度,将广角特征图与对齐特征图进行融合,得到融合特征图;根据融合特征图,生成目标图像。
其中,将多个对齐特征图块进行拼接,得到对齐特征图,可参照上述本公开实施例中拼接对齐特征图块的过程,在此不作赘述。
在一种可能的实现方式中,可通过融合网络实现根据多个匹配特征图块的置信度,将广角特征图与对齐特征图进行融合,得到融合特征图。其中,多个匹配特征图块的置信度可用于指导融合网络实现将广角特征图与对齐特征图进行融合。对于融合网络的网络结构、网络类型及训练方式,本公开实施例不作限制。
在一种可能的实现方式中,根据多个匹配特征图块的置信度,将广角特征图与对齐特征图进行融合,得到融合特征图,可包括:将对齐特征图中较高置信度指示的特征值,与广角特征图中的特征值进行融合。通过该方式,有利于减少引入无关的噪声信息。
在一种可能的实现方式中,根据多个匹配特征图块的置信度,将广角特征图与对齐特征图进行融合,得到融合特征图,还可包括:根据多个匹配特征图块的置信度,对对齐特征图中的特征值进行加权,将加权后的对齐特征图与广角特征图进行融合。通过该方式,可以增大较高置信度所指示的特征值的权重,减小较低置信度所指示的特征值的权重,以融合对齐特征图中更多有用的特征信息,有利于减少引入无关的噪声信息。
如上所述,对齐特征图与广角特征图可是尺度最小的特征图,其中,根据融合特征图,生成目标图像,可包括:对融合特征图进行上采样、编码等处理,生成目标图像。
在本公开实施例中,基于匹配特征图块的置信度,指示对齐特征图与广角特征图的融合,能够减少向广角特征图中引入无关的噪声信息,有利于更多融合对齐特征图中有效的特征信息,从而提高目标图像的图像质量。
如上所述,可将对齐特征图中较高置信度指示的特征值,与广角特征图中的特征值进行融合,得到融合特征图,在一种可能的实现方式中,根据多个匹配特征图块的置信度,将广角特征图与对齐特征图进行融合,得融合特征图,包括:
确定多个匹配特征图块的置信度中高于置信度阈值的置信度;
将对齐特征图中高于置信度阈值的置信度所指示的特征值,与广角特征图的特征值进行融合,得到融合特征图。
其中,置信度阈值可基于多个匹配特征图块的置信度确定,例如,可设定多个置信度的平均值的0.5倍为置信度阈值,或还可根据历史经验手动设定置信度阈值,对此本公开实施例不作限制。
应理解的是,置信度越高可代表对齐特征图块(也即匹配特征图块)与广角特征图块的相似度越高,高于置信度阈值的置信度所指示特征值,可认为是对齐特征图中与广特征图相似度较高的区域(也即相似度较高的对齐特征图块所在的区域)内的特征值。
在一种可能的实现方式中,将对齐特征图中高于置信度阈值的置信度所指示的特征值,与广角特征图的特征值进行融合,可包括:将对齐特征图中高于置信度阈值的置信度所指示的特征值,与广角特征图的特征值相加,得到融合特征图;还可包括:将对齐特征图中高于置信度阈值的置信度所指示的特征值,与指示该特征值的置信度进行加权,得到加权后的特征值;将加权后的特征值与广角特征图的特征值相加,得到融合特征图,对此本公开实施例不作限制。
在本公开实施例中,通过将对齐特征图中高于置信度阈值的置信度所指示的特征值,与广角特征图的特征值进行融合,能够向减少在融合特征图中引入无关的噪声特征,可提高目标图像的图像质量。
如上所述,长焦特征图可包括多个尺度,广角特征图包括多个尺度。在一种可能的实现方式中,长焦特征图包括I个尺度,广角特征图包括I个尺度,I是正整数,其中,根据融合特征图,生成目标图像,包括:
对第i-1尺度的融合特征图进行上采样,得到第i尺度的特征图,I+1≥i≥2;
将第i尺度的特征图与第i尺度的对齐特征图进行融合,得到第i尺度的融合特征图,第i尺度的对齐特征图是根据第i尺度的长焦特征图与第i尺度的广角特征图得到的;
在i=I+1的情况下,对第I+1尺度的特征图进行解码处理,得到目标图像。
举例来说,假设I为3,第1尺度的融合特征图,可是由第1尺度的广角特征图与对应的第1尺度的对齐特征图进行融合得到;对该第1尺度的融合特征图进行上采样,可得到第2尺度特征图;将第2尺度的特征图与第2尺度的对齐特征图进行融合,得到第2尺度的融合特征图;同样的,对第2尺度的融合特征图进行上采样,得到第3尺度的特征图;将第3尺度的特征图与第3尺度的对齐特征图进行融合,得到第3尺度的融合特征图;对第3尺度的融合特征图进行上采样,得到第4尺度的特征图,对第4尺度的特征图进行解码处理,得到目标图像。应理解的是,第4尺度的特征图可是与广角图像尺度相同的特征图。
其中,可是按照上述本公开实施例中步骤S13至步骤14的方式,实现根据第i尺度的长焦特征图及第i尺度的广角特征图得到对齐特征图块,并对该对齐特征图块进行拼接得到第i尺度的对齐特征图。通过该方式,可使确定出的各个尺度下的对齐特征图更精确。
在一种可能的实现方式中,将第i尺度的特征图与第i尺度的对齐特征图进行融合,得到第i尺度的融合特征图,可包括:确定用于融合第i尺度的特征图与第i尺度的对齐特征图的置信度;根据该置信度,将第i尺度的特征图与第i尺度的对齐特征图进行融合,得到第i尺度的融合特征图。
在一种可能的实现方式中,确定用于融合第i尺度的特征图与第i尺度的对齐特征图的置信度,可包括:将根据第1尺度的广角特征图与第1尺度的长焦特征图所确定出的多个置信度,逐级进行上采样,得到用于融合第i尺度的特征图与第i尺度的对齐特征图的置信度。通过该方式,可减少用于确定置信度的计算量,提高图像融合效率。
在一种可能的实现方式中,确定用于融合第i尺度的特征图与第i尺度的对齐特征图的置信度,还可包括:按照上述本公开实施例中确定多个匹配特征图块的置信度的方式,实现根据第i尺度的广角特征图与第i尺度的长焦特征图,确定用于融合第i尺度的特征图与第i尺度的对齐特征图的置信度。通过该方式,可使确定出的置信度更精确。
在一种可能的实现方式中,上述将第i尺度的特征图与第i尺度的对齐特征图进行融合得到第i尺度的融合特征图的过程,可表示为公式(3):
其中,代表第i尺度的融合特征图,Ci代表用于融合第i尺度的特征图与第i尺度的对齐特征图的置信度,Fi代表第i尺度的特征图,代表第i尺度的对齐特征图,g和h代表融合网络的网络层,公式(3)可代表在Ci的指导下将Fi与进行融合。其中,应理解的是,Ci例如可包括多个置信度cm。
在一种可能的实现方式中,将第i尺度的特征图与第i尺度的对齐特征图进行融合,得到第i尺度的融合特征图,可包括:将第i尺度的特征图、第i尺度的对齐特征图及第i尺度的广角特征图进行融合,得到第i尺度的融合特征图。通过该方式,将不同尺度的广角特征图中的特征信息融合进来,能够减少不同尺度的广角特征图中的特征信息的丢失,使生成的目标图像的图像质量更高。
在一种可能的实现方式中,上述将第i尺度的特征图、第i尺度的对齐特征图及第i尺度的广角特征图进行融合,得到第i尺度的融合特征图的过程,可表示为公式(4):
应理解的是,可采用上述本领域已知的特征融合方式,实现各特征图之间的融合;第I尺度的融合特征图,可是融合得到的最大尺度的特征图。
其中,应理解的是,第I+1尺度的特征图可是与广角图像尺度相同的特征图。可采用与编码网络对应的解码网络,对第I+1尺度的特征图进行解码处理,得到目标图像,对于解码网络的网络结构、网络类型等,本公开实施例不作限制。
在本公开实施例中,能够针对多尺度的长焦特征图及多尺度的广角特征图,有效地生成目标图像,有利于减少引入无关的噪声信息,提高目标图像的图像质量。
在一种可能的实现方式中,所述方法还包括:可以通过索引图记录与各个广角特征图块对应的匹配特征图块;其中,所述将多个对齐特征图块进行拼接,得到对齐特征图,可包括:根据索引图,将多个对齐特征图块进行拼接,得到对齐特征图。
如上所述,可以根据多个广角特征图块与多个长焦特图块之间的相似度,确定与各各个广角特征图块对应的匹配特征图块,可以索引图的形式记录与各个广角特征图块对应的匹配特征图块,从而便于之后对对齐特征图进行拼接。
在一种可能的实现方式中,可预先对多个长焦特征图块进行编号,这样索引图中可记录匹配特征图块的编号;或者索引图中还可以直接记录匹配特征图块相对于长焦特征图的位置坐标,来实现记录与各个广角特征图块对应的匹配特征图块,对此本公开实施例不作限制。
如上所述,对齐特征图块是对匹配特征图块进行变换得到的特征图块,索引图也即可指示与各个广角特征图块对应的对齐特征图块。可理解的是,各个匹配特征图块在索引图中记录的位置,也可反映拼接各个对齐特征图块时的拼接位置,在一种可能的实现方式中,根据索引图,将多个对齐特征图块进行拼接,得到对齐特征图,可包括:根据各个匹配特征图块在索引图中记录的位置,将多个对齐特征图块进行拼接,得到对齐特征图。
应理解的是,通过索引图记录匹配特征图块是本公开实施例提供的一种实现方式,本领域技术人员可选择任意信息记录方式,例如还可通过矩阵、数组等方式,记录与各个广角特征图块对应的匹配特征图,对此本公开实施例不作限制。
在本公开实施例中,能够通过索引图便捷有效地记录匹配特图块,同时还可快速实现对齐特征图的拼接,以有效得到与广角特征图的尺度、通道等各个维度对应的对齐特征图。
考虑到,通过上述本公开实施例在特征空间将长焦图像融合至广角图像的方式,可能会丢失长焦图像的高频细节,其中,高频细节可表征长焦图像中灰度变化剧烈的图像细节,例如,长焦图像的图像边缘处。在一种可能的实现方式中,所述方法还包括:
提取长焦图像的图像细节,得到长焦图像的细节图像;
将目标图像与细节图像进行图像融合,得到融合图像。
在一种可能的实现方式中,可通过残差网络提取长焦图像的图像细节;还可通过对长焦图像进行傅里叶变换提取长焦图像的图像细节,得到长焦图像的细节图像,对此本公开实施例不作限制。其中,图像细节可是长焦图像的高频细节。图4示出根据本公开实施例的一种细节图像的示意图,如图4所示,细节图像可反映长焦图像的高频细节。
其中,可采用本领域已知的图像融合技术,例如,加权平均法、小波变换法、高通滤波法等,实现将目标图像与细节图像进行图像融合,得到融合图像,对此本公开实施例不作限制。
在本公开实施例中,将长焦图像的高频细节,融合至目标图像中,能够使融合图像具有更高的图像质量。
在一种可能的实现方式中,将目标图像与细节图像进行图像融合,得到融合图像,包括:
根据目标图像的多个目标图像块与细节图像的多个细节图像块之间的相似度,从多个细节图像块中分别确定出与各个目标图像块对应的匹配图像块,以及确定匹配图像块的置信度;
针对任一目标图像块,根据目标图像块与对应的匹配图像块之间的映射关系,对匹配图像块进行变换,得到与目标图像块对齐的对齐图像块;
根据多个匹配图像块的置信度,将多个对齐图像块与目标图像进行图像融合,得到融合图像。
在一种可能的实现方式中,可按照预设的图像切分规则,分别切分目标图像以及细节图像,得到多个目标图像块以及多个细节图像块。其中,图像切分规则可与上述用于切分特征图的切分规则相同;考虑到图像的分辨率通常较大,也可是独立设置的图像切分规则,例如,可设置为图像切分步长为2,图像切分尺寸为5×5等,对此本公开实施例不作限制。
在一种可能的实现方式中,根据目标图像的多个目标图像块与细节图像的多个细节图像块之间的相似度,从多个细节图像块中分别确定出与各个目标图像块对应的匹配图像块,可包括:针对任一目标图像块,根据目标图像块与多个细节图像块之间的相似度,从多个细节图像块中确定出与该目标图像块对应的匹配图像块。
其中,可采用已知的相似度计算方式,例如,可采用余弦相似度,欧式距离等,确定多个目标图像块与多个细节图像块之间的相似度,对此本公开实施例不作限制。
其中,根据目标图像块与多个细节图像块之间的相似度,从多个细节图像块中确定出与该目标图像块对应的匹配图像块,可包括:将与目标图像块相似度最高的细节图像块,作为与该目标图像块对应的匹配图像块。
考虑到,通过上述方式确定出的匹配图像块与目标图像块之间也可能存在错位,通过根据目标图像块与对应的匹配图像块之间的映射关系,对匹配图像块进行变换,能够减轻目标图像块与匹配图像块之间的错位现象,减少向目标图像中融入无关的噪声信息,有利于提高融合图像的图像质量。
其中,根据目标图像块与对应的匹配图像块之间的映射关系,对匹配图像块进行变换,得到与目标图像块对齐的对齐图像块,可包括:确定目标图像块与对应的匹配图像块之间的仿射矩阵;根据该仿射矩阵,对匹配图像块进行仿射变换,得到对齐图像块;还可包括:确定目标图像块与对应的匹配图像块之间的投影矩阵;根据该投影矩阵,对匹配图像块进行投影变换,得到对齐图像块,对此本公开实施例不作限制。
在一种可能的实现方式中,根据目标图像的多个目标图像块与细节图像的多个细节图像块之间的相似度,确定匹配图像块的置信度,可包括:直接将目标图像块与对应的匹配图像块之间的相似度,作为匹配图像块的置信度;或还可包括通过可学习的神经网络,对目标图像块与匹配图像块之间的相似度进行加强(可理解为加权)或放大,得到相似度区别更显著的置信度,对此本公开实施例不作限制。
应理解的是,细节图像是基于长焦图像生成的,目标图像是基于广角图像生成的,广角图像的视场范围比长焦图像大,因此目标图像中也存在细节图像未覆盖的区域,若直接将细节图像的对齐图像与目标图像进行图像融合,对于该未覆盖的区域可能会向目标图像中引入无关的噪声信息。由于置信度可反映对齐图像块与目标图像块之间的匹配程度,根据多个匹配图像块的置信度,将多个对齐图像块与目标图像进行图像融合,能够减少向目标图像中引入无关的噪声信息,更多融合细节图像中有效的图像信息。
在一种可能的实现方式中,根据多个匹配图像块的置信度,将多个对齐图像块与目标图像进行图像融合,得到融合图像,可包括:根据目标图像块相对于目标图像的位置,将多个对齐图像块进行拼接,得到对齐图像;根据多个匹配图像块的置信度,将对齐图像与目标图像进行图像融合,得到融合图像。
其中,可采用本领域已知的图像拼接技术,实现将多个对齐图像进行拼接,得到对齐图像,对此本公开实施例不作限制。
其中,根据多个匹配图像块的置信度,将对齐图像与目标图像进行图像融合,得到融合图像,可包括:确定多个匹配图像块的置信度中高于置信度阈值的置信度;将对齐图像中置信度中高于置信度阈值的置信度所指示的像素值,与目标图像中的像素值进行图像融合,得到融合图像。通过该方式,通过将对齐图像中高于置信度阈值的置信度所指示的像素值,与目标图像的像素值进行图像融合,能够减少向融合图像中引入无关的噪声信息,可提高融合图像的图像质量。
其中,根据多个匹配图像块的置信度,将对齐图像与目标图像进行图像融合,得到融合图像,还可包括:根据多个匹配图像块的置信度,对对齐图像中的像素值进行加权,将加权后的对齐图像与目标图像进行图像融合,得到融合图像。通过该方式,可以增大较高置信度所指示的像素值的权重,减小较低置信度所指示的像素值的权重,以更多融合细节图像中有效的图像信息,减少向目标图像中引入无关的噪声信息。
在一种可能的实现方式中,上述根据多个匹配图像块的置信度,将多个对齐图像块与目标图像进行图像融合,得到融合图像的过程,可表示为公式(5):
其中,ISR表示融合图像,表示细节图像IHF的对齐图像,表示第I尺度的融合特征图,decoder表示解码网络,表示目标图像,C表示多个匹配图像块的置信度,k表示用于对该置信度C进行加强或放大的神经网络,上述公式(5)表示,在k(C)的指导下将与进行图像融合。
在本公开实施例中,能够减轻细节图像块与目标图像块之间的错位现象,能够减少向目标图像中引入无关的噪声信息,更多融合细节图像中有用的图像细节,有利于提高融合图像的图像质量。
在一种可能的实现方式中,所述图像处理方法是通过图像处理网络实现的,图5示出根据本公开实施例的一种图像处理网络的框架示意图,如图5所示,图像处理网络包括特征提取子网络、对齐注意力子网络以及自适应性融合子网络。
其中,在步骤S12中,对广角图像及长焦图像进行特征提取,得到广角图像的广角特征图及长焦图像的长焦特征图,包括:通过特征提取子网络对获取的广角图像及长焦图像进行特征提取,得到广角图像的广角特征图及长焦图像的长焦特征图。
在一种可能的实现方式中,如图5所示,所述对齐注意力子网络包括:匹配网络层、对齐网络层以及映射关系确定网络层。其中,在步骤S13中,从长焦特征图的多个长焦特征图块中,确定出与广角特征图的各个广角特征图块对应的匹配特征图块,包括:通过匹配网络层从长焦特征图的多个长焦特征图块中,确定出与广角特征图的各个广角特征图块对应的匹配特征图块。
在一种可能的实现方式中,在步骤S14中,针对任一广角特征图块,对与广角特征图块对应的匹配特征图块进行变换,得到与广角特征图块对齐的对齐特征图块,包括:通过映射关系确定网络层确定广角特征图块与匹配特征图块之间的映射关系;通过对齐网络层针对任一广角特征图块,根据广角特征图块与匹配特征图块之间的映射关系,对与广角特征图块对应的匹配特征图块进行变换,得到与广角特征图块对齐的对齐特征图块。
在一种可能的实现方式中,如图5所示,所述自适应性融合子网络包括:置信度学习网络层以及融合网络层。其中,在步骤S15中,将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像,包括:通过置信度学习网络层确定各个匹配特征图块的置信度;通过融合网络层根据各个匹配特征图块的置信度,将多个对齐特征图块与广角特征图进行特征融合,得到融合后的目标图像。
其中,图像处理网络中各个子网络以及各个子网络的各个网络层所实现的方式步骤,可参照上述本公开实施例中图像处理方法,在此不做赘述。
应理解的是,上述图像处理网络的网络框架是本公开实施例公开的一种实现方式,本领域技术人员可根据实际需求,设计图像处理网络的网络结构、网络类型以及训练方式等,来使图像处理网络能够实现本公开实施例的图像处理方法。其中,对于图像处理网络中各个子网络、以及各个子网络中的各个网络层的网络结构以及网络类型等,本公开实施例也不作限制。
在本公开实施例中,能够通过图像处理网络,高效准确地实现上述图像处理方法。
图6示出根据本公开实施例的图像处理方法的示意图。如图6所示,所述方法包括:
通过相似度计算模块计算广角特征图FLR的多个广角特征图块与长焦特征图FRef的多个长焦特征图块之间的相似度,得到索引图Dj以及置信度图Cj,j∈1,2,3,其中,索引图Dj用于指示与第j尺度的广角特征图的各个广角特征图块对应的匹配特征图块,置信度图Cj用于表征与第j尺度的广角特征图的各个广角特征图块对应的匹配特征图块的相似度;
其中,对齐注意力模块用于根据第1尺度的长焦特征图与索引图D1得到第1尺度的对齐特征图自适应融合模块用于在置信度图C1的指导下,将第1尺度的对齐特征图与第1尺度的广角特征图进行融合,得到第1尺度的融合特征图,并对第1尺度的融合特征图进行上采样,得到第2尺度的特征图F2;
其中,对齐注意力模块还用于根据第2尺度的长焦特征图与索引图D2得到第2尺度的对齐特征图自适应融合模块还用于在置信度图C2的指导下,将第2尺度的对齐特征图与第2尺度的特征图F2进行融合,得到第2尺度的融合特征图,并对第2尺度的融合特征图进行上采样,得到第3尺度的特征图F3;
其中,对齐注意力模块还用于根据第3尺度的长焦特征图与索引图D3得到第3尺度的对齐特征图自适应融合模块还用于在置信度图C3的指导下,将第3尺度的对齐特征图与第3尺度的特征图F3进行融合,得到第3尺度的融合特征图,并对第3尺度的融合特征图进行上采样,得到第4尺度的特征图F4;
通过解码模块,对第4尺度的特征图F4进行解码处理,得到目标图像I;
其中,索引图D是通过相似度计算模块基于目标图像的多个目标图像块与细节图像的多个细节图像块计算得到的、用于指示与目标图像的各个目标图像块对应的匹配图像块;置信度图C是通过相似度计算模块基于目标图像的多个目标图像块与细节图像的多个细节图像块计算得到的、用于表征与目标图像的各个目标图像块与对应的匹配图像块之间的相似度。
应理解的是,上述得到索引图相当于确定出匹配特征图块、匹配图像块;上述置信度图中包括多个置信度,多个置信度的确定方法可参照上述本公开实施例,以及上述通过对齐注意模块得到对齐特征图及对齐图像的过程,可参照上述本公开实施例中得到对齐特征图与对齐图像的过程,在此不作赘述。
根据本公开的实施例,通过对齐注意力模块能够在得到特征匹配后的匹配特征图块、匹配图像块后,通过神经网络学习映射关系,基于映射关系得到对齐图像块、对齐特征图块,从而将对齐特征图与广角特征图、对齐图像与目标图像输入到自适应融合模块中,能够将长焦图像较好融合至广角图像中,能够获得较好的图像融合结果,提升图像质量。
根据本公开的实施例,通过对齐注意力模块能够减轻匹配图像块与目标图像块的错位问题,减轻匹配特征图块与广角特征图块之间的错位问题,能够得到更好的融合效果。其中,对齐注意力模块是可学习的,当采用一个较大的数据集的时候,对齐注意力模块可以拟合数据集并自学习,能够提升匹配对齐的效果。
根据本公开实施例的图像处理方法,相较于相关技术中基于图像缝合的图像融合方式,能够使目标图像、融合图像减少产生明显的伪影,同时保留了大部分长焦图像的纹理细节。
根据本公开实施例的图像处理方法,相较于相关技术中基于深度学习技术的图像融合方式,能够通过对齐注意模块提供对齐图像和对齐特征图,并采用自适应融合模块将对齐图像和对齐特征图分别与目标图像和广角特征图较好地融合起来。
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7示出根据本公开实施例的图像处理装置的框图,如图7所示,所述装置包括:
获取模块101,用于获取针对同一场景的广角图像及长焦图像;
特征提取模块102,用于对所述广角图像及所述长焦图像进行特征提取,得到所述广角图像的广角特征图及所述长焦图像的长焦特征图;
匹配模块103,用于从所述长焦特征图的多个长焦特征图块中,确定出与所述广角特征图的各个广角特征图块对应的匹配特征图块;
变换模块104,用于针对任一广角特征图块,对与所述广角特征图块对应的匹配特征图块进行变换,得到与所述广角特征图块对齐的对齐特征图块;
特征融合模块105,用于将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像。
在一种可能的实现方式中,所述匹配模块103,包括:切分子模块,用于按照预设的切分规则,分别对所述广角特征图及所述长焦特征图进行切分,得到所述多个广角特征图块及所述多个长焦特征图块;匹配子模块,用于针对任一广角特征图块,根据所述广角特征图块与所述多个长焦特征图块之间的相似度,从所述多个长焦特征图块中确定出与所述广角特征图块对应的匹配特征图块。
在一种可能的实现方式中,所述变换模块104,包括:映射关系确定子模块,用于针对任一广角特征图块,确定所述广角特征图块与所述匹配特征图块之间的映射关系,所述映射关系包括所述广角特征图块与所述匹配特征图块之间的仿射矩阵;变换子模块,用于根据所述仿射矩阵,对所述匹配特征图块进行仿射变换,得到所述对齐特征图块。
在一种可能的实现方式中,所述装置还包括:置信度确定模块,用于针对任一广角特征图块,根据所述广角特征图块与对应的匹配特征图块之间的相似度,确定所述匹配特征图块的置信度,所述置信度用于指示所述广角特征图块与所述匹配特征图块的匹配程度;其中,所述特征融合模块105,包括:特征图块拼接子模块,用于将所述多个对齐特征图块进行拼接,得到对齐特征图;特征融合子模块,用于根据多个匹配特征图块的置信度,将所述广角特征图与所述对齐特征图进行特征融合,得融合特征图;目标图像生成子模块,用于根据所述融合特征图,生成所述目标图像。
在一种可能的实现方式中,所述根据所述多个匹配特征图块的置信度,将所述广角特征图与所述对齐特征图进行特征融合,得融合特征图,包括:确定所述多个匹配特征图块的置信度中高于置信度阈值的置信度;将所述对齐特征图中所述高于置信度阈值的置信度所指示的特征值,与所述广角特征图的特征值进行特征融合,得到融合特征图。
在一种可能的实现方式中,所述长焦特征图包括I个尺度,所述广角特征图包括I个尺度,I是正整数,其中,所述根据所述融合特征图,生成所述目标图像,包括:对第(i-1)尺度的融合特征图进行上采样,得到第i尺度的特征图,(I+1)≥i≥2;将所述第i尺度的特征图与第i尺度的对齐特征图进行特征融合,得到第i尺度的融合特征图,所述第i尺度的对齐特征图是根据第i尺度的长焦特征图与第i尺度的广角特征图得到的;在i=(I+1)的情况下,对第(I+1)尺度的特征图进行解码处理,得到所述目标图像。
在一种可能的实现方式中,所述将所述第i尺度的特征图与第i尺度的对齐特征图进行特征融合,得到第i尺度的融合特征图,包括:将所述第i尺度的特征图、所述第i尺度的对齐特征图及第i尺度的广角特征图进行特征融合,得到第i尺度的融合特征图。
在一种可能的实现方式中,所述装置还包括:记录模块,用于通过索引图记录与各个广角特征图块对应的匹配特征图块;其中,所述将所述多个对齐特征图块进行拼接,得到对齐特征图,包括:根据所述索引图,将所述多个对齐特征图块进行拼接,得到对齐特征图。
在一种可能的实现方式中,所述装置还包括:图像细节提取模块,用于提取所述长焦图像的图像细节,得到所述长焦图像的细节图像;图像融合模块,用于将所述目标图像与所述细节图像进行图像融合,得到融合图像。
在一种可能的实现方式中,所述图像融合模块,包括:图像块匹配子模块,用于根据所述目标图像的多个目标图像块与所述细节图像的多个细节图像块之间的相似度,从所述多个细节图像块中分别确定出与各个目标图像块对应的匹配图像块,以及确定所述匹配图像块的置信度;图像块变换子模块,用于针对任一目标图像块,根据所述目标图像块与对应的匹配图像块之间的映射关系,对所述匹配图像块进行变换,得到与所述目标图像块对齐的对齐图像块;图像融合子模块,用于根据多个匹配图像块的置信度,将多个对齐图像块与所述目标图像进行图像融合,得到所述融合图像。
在一种可能的实现方式中,所述图像处理装置是通过图像处理网络实现的,所述图像处理网络包括特征提取子网络、对齐注意力子网络以及自适应性融合子网络;其中,所述对所述广角图像及所述长焦图像进行特征提取,得到所述广角图像的广角特征图及所述长焦图像的长焦特征图,包括:通过所述特征提取子网络对获取的所述广角图像及所述长焦图像进行特征提取,得到所述广角图像的广角特征图及所述长焦图像的长焦特征图。
在一种可能的实现方式中,所述对齐注意力子网络包括:匹配网络层、对齐网络层以及映射关系确定网络层;其中,从所述长焦特征图的多个长焦特征图块中,确定出与所述广角特征图的各个广角特征图块对应的匹配特征图块,包括:通过所述匹配网络层从所述长焦特征图的多个长焦特征图块中,确定出与所述广角特征图的各个广角特征图块对应的匹配特征图块。
在一种可能的实现方式中,所述针对任一广角特征图块,对与所述广角特征图块对应的匹配特征图块进行变换,得到与所述广角特征图块对齐的对齐特征图块,包括:通过所述映射关系确定网络层确定所述广角特征图块与所述匹配特征图块之间的映射关系;通过所述对齐网络层针对任一广角特征图块,根据所述广角特征图块与所述匹配特征图块之间的映射关系,对与所述广角特征图块对应的匹配特征图块进行变换,得到与所述广角特征图块对齐的对齐特征图块。
在一种可能的实现方式中,所述自适应性融合子网络包括:置信度学习网络层以及融合网络层;其中,所述将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像,包括:通过所述置信度学习网络层确定各个匹配特征图块的置信度;通过融合网络层根据所述各个匹配特征图块的置信度,将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像。
在本公开实施例中,通过从多个长焦特征图块中确定出与各个广角特征图块对应的匹配特征图块,能够实现在特征空间利用图像特征准确地确定出匹配特征图块;进而对匹配特征图块进行变换,得到与广角特征图对齐的对齐特征图,能够减轻对齐特征图块与广角特征图块的错位现象,从而减少向广角图像中引入无关的噪声信息,有利于提高融合后的目标图像的图像质量。
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易失性或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,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图8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8,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,如互补金属氧化物半导体(CMOS)或电荷耦合装置(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,如无线网络(WiFi),第二代移动通信技术(2G)或第三代移动通信技术(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9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9,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***,例如微软服务器操作***(Windows ServerTM),苹果公司推出的基于图形用户界面操作***(Mac OSXTM),多用户多进程的计算机操作***(UnixTM),自由和开放原代码的类Unix操作***(LinuxTM),开放原代码的类Unix操作***(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 (17)
1.一种图像处理方法,其特征在于,包括:
获取针对同一场景的广角图像及长焦图像;
对所述广角图像及所述长焦图像进行特征提取,得到所述广角图像的广角特征图及所述长焦图像的长焦特征图;
从所述长焦特征图的多个长焦特征图块中,确定出与所述广角特征图的各个广角特征图块对应的匹配特征图块;
针对任一广角特征图块,对与所述广角特征图块对应的匹配特征图块进行变换,得到与所述广角特征图块对齐的对齐特征图块;
将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像。
2.根据权利要求1所述的方法,其特征在于,所述从所述长焦特征图的多个长焦特征图块中,确定出与所述广角特征图的各个广角特征图块对应的匹配特征图块,包括:
按照预设的切分规则,分别对所述广角特征图及所述长焦特征图进行切分,得到所述多个广角特征图块及所述多个长焦特征图块;
针对任一广角特征图块,根据所述广角特征图块与所述多个长焦特征图块之间的相似度,从所述多个长焦特征图块中确定出与所述广角特征图块对应的匹配特征图块。
3.根据权利要求1或2所述的方法,其特征在于,所述针对任一广角特征图块,对与所述广角特征图块对应的匹配特征图块进行变换,得到与所述广角特征图块对齐的对齐特征图块,包括:
针对任一广角特征图块,确定所述广角特征图块与所述匹配特征图块之间的映射关系,所述映射关系包括所述广角特征图块与所述匹配特征图块之间的仿射矩阵;
根据所述仿射矩阵,对所述匹配特征图块进行仿射变换,得到所述对齐特征图块。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
针对任一广角特征图块,根据所述广角特征图块与对应的匹配特征图块之间的相似度,确定所述匹配特征图块的置信度,所述置信度用于指示所述广角特征图块与所述匹配特征图块的匹配程度;
其中,所述将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像,包括:
将所述多个对齐特征图块进行拼接,得到对齐特征图;
根据多个匹配特征图块的置信度,将所述广角特征图与所述对齐特征图进行特征融合,得融合特征图;
根据所述融合特征图,生成所述目标图像。
5.根据权利要求4所述的方法,其特征在于,所述根据所述多个匹配特征图块的置信度,将所述广角特征图与所述对齐特征图进行特征融合,得融合特征图,包括:
确定所述多个匹配特征图块的置信度中高于置信度阈值的置信度;
将所述对齐特征图中所述高于置信度阈值的置信度所指示的特征值,与所述广角特征图的特征值进行特征融合,得到融合特征图。
6.根据权利要求4或5所述的方法,其特征在于,所述长焦特征图包括I个尺度,所述广角特征图包括I个尺度,I是正整数,其中,所述根据所述融合特征图,生成所述目标图像,包括:
对第(i-1)尺度的融合特征图进行上采样,得到第i尺度的特征图,(I+1)≥i≥2;
将所述第i尺度的特征图与第i尺度的对齐特征图进行特征融合,得到第i尺度的融合特征图,所述第i尺度的对齐特征图是根据第i尺度的长焦特征图与第i尺度的广角特征图得到的;
在i=(I+1)的情况下,对第(I+1)尺度的特征图进行解码处理,得到所述目标图像。
7.根据权利要求6所述的方法,其特征在于,所述将所述第i尺度的特征图与第i尺度的对齐特征图进行特征融合,得到第i尺度的融合特征图,包括:
将所述第i尺度的特征图、所述第i尺度的对齐特征图及第i尺度的广角特征图进行特征融合,得到第i尺度的融合特征图。
8.根据权利要求4-7任一项所述的方法,其特征在于,所述方法还包括:
通过索引图记录与各个广角特征图块对应的匹配特征图块;
其中,所述将所述多个对齐特征图块进行拼接,得到对齐特征图,包括:
根据所述索引图,将所述多个对齐特征图块进行拼接,得到对齐特征图。
9.根据权利要求1-8任一项所述的方法,其特征在于,所述方法还包括:
提取所述长焦图像的图像细节,得到所述长焦图像的细节图像;
将所述目标图像与所述细节图像进行图像融合,得到融合图像。
10.根据权利要求9所述的方法,其特征在于,所述将所述目标图像与所述细节图像进行图像融合,得到融合图像,包括:
根据所述目标图像的多个目标图像块与所述细节图像的多个细节图像块之间的相似度,从所述多个细节图像块中分别确定出与各个目标图像块对应的匹配图像块,以及确定所述匹配图像块的置信度;
针对任一目标图像块,根据所述目标图像块与对应的匹配图像块之间的映射关系,对所述匹配图像块进行变换,得到与所述目标图像块对齐的对齐图像块;
根据多个匹配图像块的置信度,将多个对齐图像块与所述目标图像进行图像融合,得到所述融合图像。
11.根据权利要求1-10任一项所述的方法,其特征在于,所述图像处理方法是通过图像处理网络实现的,所述图像处理网络包括特征提取子网络、对齐注意力子网络以及自适应性融合子网络;
其中,所述对所述广角图像及所述长焦图像进行特征提取,得到所述广角图像的广角特征图及所述长焦图像的长焦特征图,包括:
通过所述特征提取子网络对获取的所述广角图像及所述长焦图像进行特征提取,得到所述广角图像的广角特征图及所述长焦图像的长焦特征图。
12.根据权利要求11所述的方法,其特征在于,所述对齐注意力子网络包括:匹配网络层、对齐网络层以及映射关系确定网络层;
其中,从所述长焦特征图的多个长焦特征图块中,确定出与所述广角特征图的各个广角特征图块对应的匹配特征图块,包括:
通过所述匹配网络层从所述长焦特征图的多个长焦特征图块中,确定出与所述广角特征图的各个广角特征图块对应的匹配特征图块。
13.根据权利要求12所述的方法,其特征在于,所述针对任一广角特征图块,对与所述广角特征图块对应的匹配特征图块进行变换,得到与所述广角特征图块对齐的对齐特征图块,包括:
通过所述映射关系确定网络层确定所述广角特征图块与所述匹配特征图块之间的映射关系;
通过所述对齐网络层针对任一广角特征图块,根据所述广角特征图块与所述匹配特征图块之间的映射关系,对与所述广角特征图块对应的匹配特征图块进行变换,得到与所述广角特征图块对齐的对齐特征图块。
14.根据权利要求11所述的方法,其特征在于,所述自适应性融合子网络包括:置信度学习网络层以及融合网络层;
其中,所述将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像,包括:
通过所述置信度学习网络层确定各个匹配特征图块的置信度;
通过融合网络层根据所述各个匹配特征图块的置信度,将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像。
15.一种图像处理装置,其特征在于,包括:
获取模块,用于获取针对同一场景的广角图像及长焦图像;
特征提取模块,用于对所述广角图像及所述长焦图像进行特征提取,得到所述广角图像的广角特征图及所述长焦图像的长焦特征图;
匹配模块,用于从所述长焦特征图的多个长焦特征图块中,确定出与所述广角特征图的各个广角特征图块对应的匹配特征图块;
变换模块,用于针对任一广角特征图块,对与所述广角特征图块对应的匹配特征图块进行变换,得到与所述广角特征图块对齐的对齐特征图块;
特征融合模块,用于将多个对齐特征图块与所述广角特征图进行特征融合,得到融合后的目标图像。
16.一种电子设备,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14中任意一项所述的方法。
17.一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14中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801048.2A CN113538310A (zh) | 2021-07-15 | 2021-07-15 | 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 |
---|---|---|---|
CN202110801048.2A CN113538310A (zh) | 2021-07-15 | 2021-07-15 | 图像处理方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113538310A true CN113538310A (zh) | 2021-10-22 |
Family
ID=78099434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110801048.2A Withdrawn CN113538310A (zh) | 2021-07-15 | 2021-07-15 | 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) | CN113538310A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782296A (zh) * | 2022-04-08 | 2022-07-22 | 荣耀终端有限公司 | 图像融合方法、装置及存储介质 |
CN117812466A (zh) * | 2024-02-29 | 2024-04-02 | 成都索贝数码科技股份有限公司 | 一种大场景双机联动相机校准方法、设备及*** |
-
2021
- 2021-07-15 CN CN202110801048.2A patent/CN113538310A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782296A (zh) * | 2022-04-08 | 2022-07-22 | 荣耀终端有限公司 | 图像融合方法、装置及存储介质 |
CN117812466A (zh) * | 2024-02-29 | 2024-04-02 | 成都索贝数码科技股份有限公司 | 一种大场景双机联动相机校准方法、设备及*** |
CN117812466B (zh) * | 2024-02-29 | 2024-05-28 | 成都索贝数码科技股份有限公司 | 一种大场景双机联动相机校准方法、设备及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12014275B2 (en) | Method for text recognition, electronic device and storage medium | |
US11532180B2 (en) | Image processing method and device and storage medium | |
CN109829501B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110287874B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN110674719B (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
CN112001321B (zh) | 网络训练、行人重识别方法及装置、电子设备和存储介质 | |
CN110889469B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN109344832B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US11288531B2 (en) | Image processing method and apparatus, electronic device, and storage medium | |
CN109934275B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111243011A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN111435432B (zh) | 网络优化方法及装置、图像处理方法及装置、存储介质 | |
CN110781813A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN112184787A (zh) | 图像配准方法及装置、电子设备和存储介质 | |
CN112967264A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
CN111626086A (zh) | 活体检测方法、装置及***、电子设备和存储介质 | |
CN113538310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN108171222B (zh) | 一种基于多流神经网络的实时视频分类方法及装置 | |
CN112529846A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110415258B (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 | |
CN113139484B (zh) | 人群定位方法及装置、电子设备和存储介质 | |
CN111311588B (zh) | 重定位方法及装置、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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211022 |
|
WW01 | Invention patent application withdrawn after publication |