CN113610725A - 图片处理方法、装置、电子设备及存储介质 - Google Patents
图片处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113610725A CN113610725A CN202110897061.2A CN202110897061A CN113610725A CN 113610725 A CN113610725 A CN 113610725A CN 202110897061 A CN202110897061 A CN 202110897061A CN 113610725 A CN113610725 A CN 113610725A
- Authority
- CN
- China
- Prior art keywords
- picture
- sample
- short exposure
- exposure
- exposure picture
- 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- Withdrawn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
- 238000003860 storage Methods 0.000 title claims description 25
- 238000003672 processing method Methods 0.000 title claims description 19
- 238000012545 processing Methods 0.000 claims abstract description 103
- 238000000034 method Methods 0.000 claims description 62
- 230000007704 transition Effects 0.000 claims description 50
- 238000004088 simulation Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 36
- 238000005070 sampling Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 24
- 238000010801 machine learning Methods 0.000 claims description 17
- 230000015556 catabolic process Effects 0.000 claims description 14
- 238000006731 degradation reaction Methods 0.000 claims description 14
- 238000013136 deep learning model Methods 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 21
- 238000010586 diagram Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000001965 increasing effect Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 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
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011156 evaluation 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本公开涉及图片处理方法、装置、电子设备及存储介质,在本公开实施例中,在将预设长曝图片和预设短曝图片输入图片去模糊网络前,为了获得更大的感受野,保证去模糊的效果,利用下采样处理。同时图片去模糊网络结果可以作为第二个图片去噪网络的引导图,保证第二个网络只需要专注提升图片细节并去除一些残留噪声即可,最终获取满足模糊要求噪声要求的目标图片,如此,在提高操作方便程度的同时,还更加提升了输出逇目标图片的质量,即缓解运动模糊,同时增加去燥效果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图片处理方法、装置、电子设备及存储介质。
背景技术
手机拍摄的图片质量一直是手机厂商和消费者关注的重点,而如何去除图片中的运动模糊,又是提高图片质量的重中之重。
受限于手机硬件,目前的手机在拍摄运动物体的时候,会导致图片中出现较严重的运动模糊。而当前手机上使用的通用的拍摄防抖技术只能轻微缓解相机抖动带来的模糊问题,但对于运动物体带来的运动模糊仍无法解决。而单帧或者多帧短曝融合技术虽然能避免运动模糊,但去噪效果却不够理想。
发明内容
本公开提出了一种图片处理方法、装置、电子设备及存储介质,用于缓解运动模糊,同时增加去燥效果。
在一些可能的实施例中,本公开提供一种图片处理方法,该方法包括:
获取第一尺寸的预设长曝图片和第一尺寸的预设短曝图片;
对预设长曝图片和预设短曝图片进行下采样处理,得到待处理长曝图片和待处理短曝图片;
对待处理长曝图片和待处理短曝图片进行去模糊处理,得到过渡图片;
对过渡图片进行上采样处理,得到第一尺寸的待处理过渡图片;
对预设长曝图片、预设短曝图片和待处理过渡图片进行去噪处理,得到目标图片。
在一些可能的实施例中,图片处理方法是通过深度学习模型实现的,深度学习模型包括图片去模糊网络和图片去噪网络;
图片去模糊网络包括第一全连接层,第一下采样层,第一卷积层,第一上采样层和第一残差模块,其中,第一残差模块用于进行信息提取和转换;
图片去噪网络包括第二全连接层,第二卷积层,第二残差模块,第二上采样层,第二下采样层和短路连接模块,其中,第二残差模块用于进行信息提取和转换,短路连接模块用于增强信息。
通过两个网络在提高操作方便程度的同时,还提升输出的目标图片的质量,即缓解运动模糊,同时增加去燥效果。
在一些可能的实施例中,对待处理长曝图片和待处理短曝图片进行去模糊处理,得到过渡图片,包括:
基于图片去模糊网络对待处理长曝图片和待处理短曝图片进行去模糊处理和信息融合处理,得到过渡图片;
对预设长曝图片、预设短曝图片和待处理过渡图片进行去噪处理,得到目标图片,包括:
基于图片去噪网络对预设长曝图片、预设短曝图片和待处理过渡图片进行去噪处理和细节增强处理,得到目标图片。
通过两个网络在提高操作方便程度的同时,还通过信息融合和细节增强处理提升输出的目标图片的质量,即缓解运动模糊,同时增加去燥效果。
在一些可能的实施例中,获取第一尺寸的预设长曝图片和第一尺寸的预设短曝图片之前,方法还包括:
获取第一样本图片集,其中,第一样本图片集是由视频帧数据通过数据仿真合成得到的;
基于第一样本图片集,对预设的当前第一机器学习模型进行训练,获得图片去模糊网络;
获取第二样本图片集,第二样本图片集包括第一样本图片集和去模糊图片集合;其中,去模糊图片集合中的去模糊图片和第一样本图片集中的样本图片对一一对应;去模糊图片集合是在训练图片去模糊网络过程中得到的;
基于第二样本图片集,对预设的第二机器学习模型进行训练,获得图片去噪网络。
在一些可能的实施例中,获取第一样本图片集,包括:
获取高清无噪声的视频帧数据,对视频帧数据进行颜色退化处理和噪声增加模拟处理,获得第一部分图片集;
对第一部分图片集中的图片进行模糊度差异值处理,获得第二部分图片集;
根据第一部分图片集和第二部分图片集,生成第一样本图片集。
在一些可能的实施例中,获取高清无噪声的视频帧数据,对视频帧数据进行颜色退化处理和噪声增加模拟处理,获得第一部分图片集,包括:
获取高清无噪声的视频帧数据;
基于采集到的视频帧数据中的连续N帧图片确定第一样本长曝图片;
基于采集到的视频帧数据中的第L帧图片确定第一样本短曝图片;第L帧图片位于N帧图片之后,且和N帧图片中最后一帧图片之间相隔M帧图片;N、M和L为正整数;对第一样本短曝图片进行颜色退化处理,得到第二样本短曝图片;
对第一样本长曝图片进行噪声增加模拟,得到第二样本长曝图片;
对第二样本短曝图片进行噪声增加模拟,得到第三样本短曝图片;
根据多个第一图片对,以及每个第一图片对对应的第一样本短曝图片得到第一部分图片集;每个第一图片对包含匹配的第二样本长曝图片和第三样本短曝图片。
通过对视频帧数据合成可以解决真实环境中很难采集这样的数据对的问题。
在一些可能的实施例中,基于采集到的视频帧数据中的连续N帧图片确定第一样本长曝图片,包括:
对视频帧数据进行插帧处理,得到处理后的视频帧数据;
基于处理后的视频帧数据中的连续N帧图片确定第一样本长曝图片。
通过插帧处理可以解决连续N帧图片合成的长曝图片与手机正常长曝采集的图片差别过大的问题。
在一些可能的实施例中,对第一样本长曝图片进行噪声增加模拟,得到第二样本长曝图片,对第二样本短曝图片进行噪声增加模拟,得到第三样本短曝图片,包括:
将第一样本长曝图片由第一格式转化为第二格式;
将第二样本短曝图片由第一格式转化为第二格式;
对第二格式的第一样本长曝图片进行噪声增加模拟,得到第一样本长曝图片;
对第二格式的第二样本短曝图片进行噪声增加模拟,得到第二样本短曝图片;
将第一样本长曝图片由第二格式转化成第一格式,得到第二样本长曝图片;
将第二样本短曝图片由第二格式转化成第一格式,得到第三样本短曝图片。
由于网上下载的视频帧数据导致得到的第一样本长曝图片和第二样本短曝图片和后续的应用策略是不一致的,因此,需要通过格式转换保证后续的处理符合应用策略。
在一些可能的实施例中,对第一部分图片集中的图片进行模糊度差异值处理,获得第二部分图片集,包括:
从每个第一图片对对应的第一样本短曝图片、第二样本长曝图片和第三样本短曝图片上确定相同位置的截取区域;
截取第二样本长曝图片中的截取区域的图片,得到第三样本长曝图片;
截取第三样本短曝图片中的截取区域的图片,得到第四样本短曝图片;
截取第一样本短曝图片中的截取区域的图片,得到第五样本短曝图片;
将第三样本长曝图片和第四样本短曝图片确定为待选择的图片对;
针对每个待选择的图片对,确定待选择的图片对中第三样本长曝图片和第四样本短曝图片之间的模糊度差异值。
基于模糊度差异值从多个待选择的图片对中确定出第二图片对;
基于多个第二图片对,以及每个第二图片对对应的第五样本短曝图片得到第二部分图片集。
如此,可以减缓由于图片中运动模糊的区域比例较少,容易导致网络训练不稳定的问题。
在一些可能的实施例中,根据第一部分图片集和第二部分图片集,生成第一样本图片集,包括:
根据多个第一图片对和多个第二图片对得到样本图片对集合;
根据样本图片对集合,以及样本图片对集合中的每个样本图片对对应的第一样本短曝图片或者第五样本短曝图片生成第一样本图片集。
在一些可能的实施例中,获取第一尺寸的预设长曝图片和第一尺寸的预设短曝图片,包括:
获取原始长曝图片和原始短曝图片;
将原始长曝图片的格式由第三格式转换成第四格式,得到预设长曝图片;
将原始短曝图片的格式由第三格式转换成第四格式,得到预设短曝图片;
第三格式包括RAW格式,第四格式包括RGB格式。
通过图片的格式转换可以解决后续的处理不符合应用策略的问题。
在一些可能的实施例中,本公开提供一种图片处理装置,该装置包括:
图片获取模块,用于获取第一尺寸的预设长曝图片和第一尺寸的预设短曝图片;
下采样模块,用于对预设长曝图片和预设短曝图片进行下采样处理,得到待处理长曝图片和待处理短曝图片;
去模糊模块,用于对待处理长曝图片和待处理短曝图片进行去模糊处理,得到过渡图片;
上采样模块,用于对过渡图片进行上采样处理,得到第一尺寸的待处理过渡图片;
去噪模块,用于对预设长曝图片、预设短曝图片和待处理过渡图片进行去噪处理,得到目标图片。
在一些可能的实施例中,图片处理装置包括深度学习模型,深度学习模型包括图片去模糊网络和图片去噪网络;
图片去模糊网络包括第一全连接层,第一下采样层,第一卷积层,第一上采样层和第一残差模块,其中,第一残差模块用于进行信息提取和转换;
图片去噪网络包括第二全连接层,第二卷积层,第二残差模块,第二上采样层,第二下采样层和短路连接模块,其中,第二残差模块用于进行信息提取和转换,短路连接模块用于增强信息。
在一些可能的实施例中,
该去模糊模块,用于:
基于图片去模糊网络对待处理长曝图片和待处理短曝图片进行去模糊处理和信息融合处理,得到过渡图片;
该去噪模块,用于:
基于图片去噪网络对预设长曝图片、预设短曝图片和待处理过渡图片进行去噪处理和细节增强处理,得到目标图片。
在一些可能的实施例中,装置还包括:
第一图片获取模块,用于获取第一样本图片集,其中,第一样本图片集是由视频帧数据通过数据仿真合成得到的;
第一训练模块,用于基于第一样本图片集,对预设的当前第一机器学习模型进行训练,获得图片去模糊网络;
第二图片获取模块,用于获取第二样本图片集,第二样本图片集包括第一样本图片集和去模糊图片集合;其中,去模糊图片集合中的去模糊图片和第一样本图片集中的样本图片对一一对应;去模糊图片集合是在训练图片去模糊网络过程中得到的;
第二训练模块,用于基于第二样本图片集,对预设的第二机器学习模型进行训练,获得图片去噪网络。
在一些可能的实施例中,第一图片获取模块,用于:
获取高清无噪声的视频帧数据,对视频帧数据进行颜色退化处理和噪声增加模拟处理,获得第一部分图片集;
对第一部分图片集中的图片进行模糊度差异值处理,获得第二部分图片集;
根据第一部分图片集和第二部分图片集,生成第一样本图片集。
在一些可能的实施例中,第一图片获取模块,用于:
获取高清无噪声的视频帧数据;
基于采集到的视频帧数据中的连续N帧图片确定第一样本长曝图片;
基于采集到的距离N帧图片中最后一帧图片M帧后的图片确定第一样本短曝图片;N和M为正整数;
对第一样本短曝图片进行颜色退化处理,得到第二样本短曝图片;
对第一样本长曝图片进行噪声增加模拟,得到增加噪音效果的第二样本长曝图片;
对第二样本短曝图片进行噪声增加模拟,得到增加噪音效果的第三样本短曝图片;
根据多个第一图片对,以及每个第一图片对对应的第一样本短曝图片得到第一部分图片集;每个第一图片对包含匹配的第二样本长曝图片和第三样本短曝图片。
在一些可能的实施例中,第一图片获取模块,用于:
对视频帧数据进行插帧处理,得到处理后的视频帧数据;
基于采集到的处理后的视频帧数据中的连续N帧图片确定第一样本长曝图片。
在一些可能的实施例中,第一图片获取模块,用于:
将第一样本长曝图片和第二样本短曝图片由第一格式转化为第二格式;
对第二格式的第一样本长曝图片进行噪声增加模拟,得到增加噪音效果的第一样本长曝图片;
对第二格式的第二样本短曝图片进行噪声增加模拟,得到增加噪音效果的第二样本短曝图片;
将增加噪音效果的第一样本长曝图片和第二样本短曝图片由第二格式转化成第一格式,得到第二样本长曝图片和第三样本短曝图片。
在一些可能的实施例中,第一图片获取模块,用于:
从每个第一图片对对应的第一样本短曝图片、第二样本长曝图片和第三样本短曝图片上确定相同位置的截取区域;
截取第二样本长曝图片中的截取区域的图片,得到第三样本长曝图片;
截取第三样本短曝图片中的截取区域的图片,得到第四样本短曝图片;
截取第一样本短曝图片中的截取区域的图片,得到第五样本短曝图片;
将第三样本长曝图片和第四样本短曝图片确定为待选择的图片对;
确定每个待选择的图片对中,第三样本长曝图片和第四样本短曝图片之间的模糊度差异值。
基于模糊度差异值从多个待选择的图片对中确定出第二图片对;
基于多个第二图片对,以及每个第二图片对对应的第五样本短曝图片得到第二部分图片集。
在一些可能的实施例中,上述第一图片获取模块,用于:
根据多个第一图片对和多个第二图片对得到样本图片对集合;
根据样本图片对集合,以及样本图片对集合中的每个样本图片对对应的第一样本短曝图片或者第五样本短曝图片生成第一样本图片集。
在一些可能的实施例中,上述图片获取模块,用于:
获取原始长曝图片和原始短曝图片;
将原始长曝图片的格式由第三格式转换成第四格式,得到预设长曝图片;
将原始短曝图片的格式由第三格式转换成第四格式,得到预设短曝图片;
第三格式包括RAW格式,第四格式包括RGB格式。
在一些可能的实施例中,本公开还提供了一种电子设备,包括至少一个处理器,以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,至少一个处理器通过执行存储器存储的指令实现上述图片处理方法。
在一些可能的实施例中,本公开还提供了一种计算机可读存储介质,上述计算机可读存储介质中存储有至少一条指令或至少一段程序,至少一条指令或至少一段程序由处理器加载并执行以实现上述图片处理方法。
在一些可能的实施例中,本公开还提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行以实现上述的图片处理方法。
在本公开实施例中,在将预设长曝图片和预设短曝图片输入图片去模糊网络前,为了获得更大的感受野,保证去模糊的效果,利用下采样处理。同时图片去模糊网络结果可以作为第二个图片去噪网络的引导图,保证第二个网络只需要专注提升图片细节并去除一些残留噪声即可,最终获取满足模糊要求噪声要求的目标图片,如此,在提高操作方便程度的同时,还更加提升了输出的目标图片的质量,即缓解运动模糊,同时增加去燥效果。
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
为了更清楚地说明本说明书实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1示出根据本公开实施例的一种图片处理***的结构图;
图2示出根据本公开实施例的一种图片处理方法的流程图;
图3示出根据本公开实施例的一种图片去模糊网络的示意图;
图4示出根据本公开实施例的一种图片去噪网络的示意图;
图5示出根据本公开实施例的一种训练图片去模糊网络的流程图;
图6示出根据本公开实施例的一种获取第一部分图片集的流程图;
图7示出根据本公开实施例的一种获取第二部分图片集的流程图;
图8示出根据本公开实施例的一种图片处理装置的框图;
图9示出根据本公开实施例的一种电子设备的框图;
图10示出根据本公开实施例的另一种电子设备的框图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动的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。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必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,以便这里描述的本发明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。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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。
请参阅图1,图1示出根据本公开实施例的一种图片处理***,如图1所示,包括服务器01和客户端02。
可选的,服务器01可以是接收尺寸相同的预设长曝图片和预设短曝图片的平台或者后端。服务器01可以包括独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
在一些可能的实施例中,服务器01可以获取第一尺寸的预设长曝图片和第一尺寸的预设短曝图片,对预设长曝图片和预设短曝图片进行下采样处理,得到待处理长曝图片和待处理短曝图片,对待处理长曝图片和待处理短曝图片进行去模糊处理,得到过渡图片,对过渡图片进行上采样处理,得到第一尺寸的待处理过渡图片,对预设长曝图片、预设短曝图片和待处理过渡图片进行去噪处理,得到目标图片。
可选的,客户端02可以向服务器01提供尺寸相同的预设长曝图片和预设短曝图片,为后续服务器01基于预设长曝图片和预设短曝图片进行去模糊,去噪处理提供必要的预设图片。客户端02可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、智能可穿戴设备等类型的电子设备。还可以是服务器。可选的,电子设备或者服务器上运行的操作***可以包括但不限于安卓***、IOS***、linux、windows,Unix等。
在一种可选的实施例中,服务器01和客户端02可以通过无线链路连接或者有线链路连接。
下面以服务器01作为执行主体为例对本公开实施例的图片处理方法进行说明。图片处理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。
图2示出根据本公开实施例的一种图片处理方法的流程图,如图2所示,该方法包括:
在步骤S201中,获取第一尺寸的预设长曝图片和第一尺寸的预设短曝图片。
在一些可能的实施例中,上述的预设长曝图片和预设短曝图片可以是从网上的视频库中的视频截取而来的,也可以是车辆,路边等其他场景下的摄像头录制的视频中截取下来的图片,还可以是其他途径得到的图片。
本申请实施例中,为了符合对于预设长曝图片和预设短曝图片本身的定义,在从拍摄设备中获取的预设短曝图片的曝光时间可以少于10毫秒,由于预设长曝图片的曝光时间一般是预设短曝图片的曝光时间的4-8倍,因此通常为40-80毫秒。
在一个可选的实施例中,从拍摄设备中获取的并不是预设长曝图片和预设短曝图片,而是原始长曝图片和原始短曝图片。可选的,获取原始长曝图片和原始短曝图片,将原始长曝图片的格式由第三格式转换成第四格式,得到预设长曝图片,将原始短曝图片的格式由第三格式转换成第四格式,得到预设短曝图片,第三格式包括RAW格式,第四格式包括RGB格式。
具体的,原始长曝图片和原始短曝图片可以是RAW格式,然而,在后续使用图片去模糊网络和图片去噪网络的时候,需要使用RGB格式的。因此,可以将RAW格式的原始长曝图片和原始短曝图片转换成RGB格式的原始长曝图片和原始短曝图片,得到预设长曝图片和预设短曝图片。
在步骤S203中,对预设长曝图片和预设短曝图片进行下采样处理,得到待处理长曝图片和待处理短曝图片。
本申请实施例中,为了让后续的图片去模糊网络的感受野更大,提高去模糊的效果,服务器可以对预设长曝图片和预设短曝图片进行下采样处理,得到待处理长曝图片和待处理短曝图片,为后续利用网络去模糊做准备。举个例子,假设预设长曝图片和预设短曝图片的分辨率为1440*1440,经过下采样处理之后,待处理长曝图片和待处理短曝图片这两者的分辨率可以为896*896。
在一些可能的实施例中,下采样处理的实施方式有很多,可选的,可以使用不对图片造成信息损失的下采样方式对预设长曝图片和预设短曝图片进行下采样处理,也可以允许使用可能对图片造成信息损失的下采样方式(双线性插值)对预设长曝图片和预设短曝图片进行下采样处理,具体情况可以根据实际需求而定,在这里不做限制。
在步骤S205中,对待处理长曝图片和待处理短曝图片进行去模糊处理,得到过渡图片。
在一些可能的实施例中,可以基于图片去模糊网络对待处理长曝图片和待处理短曝图片进行去模糊处理,除此之外,还可以基于图片去模糊网络对待处理长曝图片和待处理短曝图片进行信息融合处理,得到过渡图片。
本申请实施例中,上述的图片处理方法通过深度学习模型实现的,该深度学习模型可以包括图片去模糊网络和图片去噪网络。
图3示出根据本公开实施例的一种图片去模糊网络的示意图,如图3所示,图片模糊网络中可以包括第一全连接层,第一下采样层,第一卷积层,第一上采样层和第一残差模块。其中,第一残差模块可以设置在深层的特征空间和网络尾部的子网络上,用于进行信息提取和转换。该图片去模糊网络可以利用第一残差模块输出残差后,利用待处理长曝图片和残差进行相加减,得到过渡图片。
可选的,上述的第一下采样层可以使用离散小波变化模块,以使得在图片去模糊网络的下采样过程中能够极大地缓解下采样处理中可能造成的信息丢失问题。对应地,上述的第一上采样层可以使用逆离散小波变化模块。本申请实施例中,除了离散小波变化模块和逆离散小波变化模块分别在下采样层和上采样层的使用,还可以使用其他的方式,以缓解采样过程中信息丢失的问题。
在步骤S207中,对过渡图片进行上采样处理,得到第一尺寸的待处理过渡图片。
由于上文已经提及,在步骤S203中,对预设长曝图片和预设短曝图片进行下采样处理是因为让后续的图片去模糊网络的感受野更大,提高去模糊的效果。那么,在进行去噪时,是可以不在下采样处理后的图片上进行的,因此,本申请实施例中,服务器可以在获得过渡图片后,对该过渡图片进行上采样处理,得到和预设长曝图片,以及预设短曝图片尺寸相同的,也就是第一尺寸的待处理过渡图片。可选的,上采样处理可以使用双线性插值的方式进行上采样。
如此,服务器就可以得到三个同样尺寸的预设长曝图片,预设短曝图片和待处理过渡图片。
在步骤S209中,对预设长曝图片、预设短曝图片和待处理过渡图片进行去噪处理,得到目标图片。
在一些可能的实施例中,可以基于去噪网络对预设长曝图片、预设短曝图片和待处理过渡图片进行去噪处理,得到目标图片。
在另一些可能的实施例中,可以基于去噪网络对预设长曝图片、预设短曝图片和待处理过渡图片进行去噪处理和细节增强处理,得到目标图片。
图4示出根据本公开实施例的一种图片去噪网络的示意图,如图4所示,包括第二全连接层,第二卷积层,第二残差模块,第二上采样层,第二下采样层和第二短路连接模块。其中,预设长曝图片,预设短曝图片和待处理过渡图片同时输入全连接层,此外,预设长曝图片和预设短曝图片输入短路连接模块,帮助图片去噪网络更好地恢复颜色并增强细节。当图片去噪网络通过残差模块输出残差后,可以和待处理过渡图片逐个像素地去相加,最终得到目标图片。目标图片就是去噪去模糊之后的图片。
可选的,上述的第二下采样层可以使用离散小波变化模块,以使得在图片去模糊网络的下采样过程中能够极大地缓解下采样处理中可能造成的信息丢失问题。对应地,上述的第二上采样层可以使用逆离散小波变化模块。
本申请实施例中,除了离散小波变化模块和逆离散小波变化模块分别在第二下采样层和第二上采样层的使用,还可以使用其他的方式,以缓解采样过程中信息丢失的问题。
本申请实施例中,在获取第一尺寸的预设长曝图片和所述第一尺寸的预设短曝图片之前,还可以包括如何训练图片去模糊网络和如何训练图片去噪网络。
可选的,服务器获取第一样本图片集,其中,该第一样本图片集是由视频帧数据通过数据仿真合成得到的。随后,可以基于第一样本图片集,对预设的当前第一机器学习模型进行训练,获得图片去模糊网络。
图5示出根据本公开实施例的一种训练图片去模糊网络的流程图,如图5所示,该方法包括:
在步骤S501中,获取第一样本图片集,其中,第一样本图片集是由数据仿真合成得到的。
在一个可选的实施例中,服务器可以获取高清无噪声的视频帧数据,对视频帧数据进行颜色退化处理和噪声增加模拟处理,获得第一部分图片集。对第一部分图片集中的图片进行模糊度差异值处理,获得第二部分图片集,根据第一部分图片集和第二部分图片集,生成第一样本图片集。
由于网络的训练需要成对的图片数据:每一对图片数据中包括一张带有运动模糊的长曝图片,一张噪声较大的短曝图片,一张干净的图片。真实环境中很难采集这样的数据对,所以需要先进行数据仿真合成。
本申请实施例提供一种获取第一部分图片集的方法,图6示出根据本公开实施例的一种获取第一部分图片集的流程图,如图6所示,该方法包括:
在步骤S601中,获取高清无噪声的视频帧数据。
本申请实施例中,服务器可以从互联网上下载高清无噪声的视频帧数据,下载的视频帧数据的数量可以根据实际过程中的需求来确定。可选的,视频帧数据可以包括不同环境的视频帧数据,比如城市环境,乡村环境或者森林环境的,以此来增加图片的多样性。
在一些可能的实施例中,上述视频帧数据的帧率为大于50帧每秒。
在步骤S603中,基于采集到的视频帧数据中的连续N帧图片确定第一样本长曝图片。
在一些可能的实施例中,服务器可以直接将某个视频帧数据中的连续N帧图片进行平均后,确定第一样本长曝图片。
在一些可能的实施例中,服务器可以将某个视频帧数据分成多个视频帧子数据,将每个视频帧子数据中的连续N帧图片进行平均后,确定第一样本长曝图片。
本申请实施例中,由于普通视频的帧率一般较小(如60fps),即相邻两帧的曝光时间一般为16ms,这会导致连续N帧图片合成的长曝图片与手机正常长曝采集的图片差别过大。基于此,服务器可以对视频帧数据进行插帧处理,得到处理后的视频帧数据(比如,将每秒50帧的视频帧数据插帧为每秒960帧),随后基于采集到的处理后的视频帧数据(插帧后的视频帧数据)中的连续N帧图片确定第一样本长曝图片。
具体地,服务器先对视频帧数据进行插帧处理,得到处理后的视频帧数据,随后,获取处理后的视频帧数据中的连续N帧图片,对该N帧图片进行平均,得到第一样本长曝图片。
可选的,具体的插帧过程可以包括:利用可选的插帧方法在视频帧数据的每两帧之间***15帧,将帧率提高16倍。
在步骤S605中,基于采集到的视频帧数据中的第L帧图片确定第一样本短曝图片;第L帧图片位于N帧图片之后,且和N帧图片中最后一帧图片之间相隔M帧图片;N、M和L为正整数。
本申请实施例中,为了更好的模拟长曝图片和短曝图片之间的延迟,服务器可以在长曝图片的一定时间内获取短曝图片。
第一种可选的实施例中,若N帧图片是从预设的视频帧数据采集得到的,那么第一样本短曝图片也是从该预设的视频帧数据中获取的。
第二种可选的实施例中,若N帧图片的是从插帧后的处理后的视频帧数据中采集得到的,那么第一样本短曝图片也是从处理后的视频帧数据获取的。
且,上述两种确定第一样本短曝图片的方式中,第二种方式中的M可以大于等于第一种方式中的M值,这是因为,插帧后的视频帧数据中相邻两张图片的差异远远小于未插帧的视频帧数据的差异。
本申请实施例中,第L帧图片可以是一张图片。举个例子,假设N=80,M=10,服务器可以将连续的80帧图片进行平均,得到第一样本长曝图片。随后将距离80帧图片中最后一帧图片10帧后的那张图片确定为第一样本短曝图片。
本申请实施例中,除了第L张图片,还可以包括该第L张图片后的多张图片。举个例子,服务器可以将某个视频帧数据分成多个视频帧子数据,其中,每个视频帧子数据的长度为125毫秒,将每个视频帧子数据中的连续N帧图片进行平均后,确定第一样本长曝图片,可以被认为是将125毫秒的视频帧子数据中的前80毫秒包含的N帧图片进行平均,得到第一样本长曝图片,将第L帧图片以及该第L张图片后的多张图片确定第一样本短曝图片可以被认为是将最后10毫秒中包含的图片进行平均,得到第一样本短曝图片。
在步骤S607中,对第一样本短曝图片进行颜色退化处理,得到第二样本短曝图片。
本申请实施例中,因为在训练好图片去模糊网络和图像去噪网络后,长曝图片的特征是颜色真实,噪声小,而短曝图片的也正是颜色失真大,噪声相对较大,因此,希望最终得到的目标图片的颜色和细节可以从长曝图片去获得。基于此,服务器可以对第一样本短曝图片进行颜色退化处理,得到第二样本短曝图片。
具体的,在RGB单个颜色通道上的颜色退化公式(1)可以表示为:
CA(x)=a×x+b……公式(1)
其中x表示一个像素值,CA(x)表示退化后的像素值,a和b分别是从[0.3,0.6]和[0.001,0.01]中随机采样的数值。
如此,得到的第二样本短曝图片上的颜色相对于第一样本长曝图片中的颜色就会减弱很多,最终导致训练过程中,长曝图片的颜色权重大于短曝图片的颜色权重。
在步骤S609中,对第一样本长曝图片进行噪声增加模拟,得到第二样本长曝图片。
在步骤S611中,对第二样本短曝图片进行噪声增加模拟,得到第三样本短曝图片。
本申请实施例中,在步骤S605中得到的第一样本长曝图片和第一样本短曝图片都是无噪声的图片,即使在步骤S607中得到了第二样本短曝图片,其仍然是无噪声的图片,因此,需要根据实际情况,给第一样本长曝图片和第二样本短曝图片进行噪声增加。
可选的,服务器可以对第一样本长曝图片和第二样本短曝图片进行噪声增加模拟,得到增加噪音效果的第二样本长曝图片和增加噪音效果的第三样本短曝图片。如此,就可以得到有噪声的第二样本长曝图片和有噪声的第三样本短曝图片。
由于,第二样本长曝图片本身就是由多张短曝图片叠加而成,各个图片之间可以呈现噪声抵消情况,因此,最终得到的第二样本长曝图片的噪声远远小于第三样本短曝图片的噪声。
在一些可能的实施例中,由于从网上下载的视频帧数据都是RGB格式的,由此导致得到的第一样本长曝图片和第二样本短曝图片也是RGB格式的。而从步骤S201涉及的内容来看,从拍摄设备取出的预设长曝图片和预设短曝图片都是RAW格式的,且,预设长曝图片和预设短曝图片都携带噪声。因此,为了符合后续的应用策略,服务器可以将第一样本长曝图片由第一格式转化为第二格式,将第二样本短曝图片由第一格式转化为第二格式,对第二格式的第一样本长曝图片和第二样本短曝图片进行噪声增加模拟,得到增加噪音效果的第一样本长曝图片和增加噪音效果的第二样本短曝图片,将第一样本长曝图片由第二格式转化成第一格式,得到第二样本长曝图片,将第二样本短曝图片由第二格式转化成第一格式,得到第三样本短曝图片。
具体的,服务器可以将第一样本长曝图片和第二样本短曝图片由RGB格式转化为RAW格式,对RAW格式的第一样本长曝图片和RAW格式的第二样本短曝图片进行噪声增加模拟,得到增加噪音效果的第一样本长曝图片和增加噪音效果的第二样本短曝图片,将增加噪音效果的第一样本长曝图片和第二样本短曝图片由RAW格式转化成RGB格式,得到第二样本长曝图片和第三样本短曝图片。
在步骤S613中,根据多个第一图片对,以及每个第一图片对对应的第一样本短曝图片得到第一部分图片集;每个第一图片对包含匹配的第二样本长曝图片和第三样本短曝图片。
在一些可能的实施例中,服务器可以直接将匹配的第二样本长曝图片和第三样本短曝图片当成一个第一图片对,且直接将该第一图片对对应的第一样本短曝图片以及该第一图片对作为一个单位的第一部分图片,也就是说,第一部分图片中存在3张图片,包括匹配的第二样本长曝图片、第三样本短曝图片和第一样本短曝图片。第一部分图片集中可以包括多个第一部分图片。
在另一些可能的实施例中,服务器可以在第三样本短曝图片中随机选取一个矩形区域,并将该矩形区域的像素值替换成第一样本短曝图片中相同矩形区域中的像素值,得到新的第三样本短曝图片。如此,一个单位的第一部分图片就可以包括匹配的第二样本长曝图片、新的第三样本短曝图片和第一样本短曝图片。此种情况下,可以使得模型在训练过程中具备更好的泛化能力,不会对短曝图片进行过度降噪,并提高模型输出图片的清晰度。
在另一些可能的实施例中,可能存在第二样本长曝图片和第三样本短曝图片的分辨率都很高,比如2000*2000,为了和应用过程一致,且也为了减少服务器的计算负担,服务器可以对第二样本长曝图片,第三样本短曝图片和第一样本短曝图片进行下采样,将经过下采样处理后的第二样本长曝图片,第三样本短曝图片和第一样本短曝图片打包成一个单位的第一部分图片,然后将多个第一部分图片整合成第一部分图片集。
在另一些可能的实施例中,服务器不需要直接对第二样本长曝图片,第三样本短曝图片和第一样本短曝图片进行下采样,而是可以对更小区域的图片进行下采样。可选的。服务器可以从第二样本长曝图片和第三样本短曝图片上确定相同的区域,截取第二样本长曝图片中的该区域的图片,得到新的第二样本长曝图片,截取第三样本短曝图片中的该区域的图片,得到新的第三样本短曝图片。在第一样本短曝图片上确定相同的区域,截取第一样本短曝图片上的该区域的图片,得到新的第一样本短曝图片,如此,得到的一个单位的第一部分图片包括新的第二样本长曝图片,新的第三样本短曝图片和新的第一样本短曝图片。其中,相同的截取区域可以是相同的矩形区域,比如都是以图片左上角为顶点,分辨率为1200*1200的区域。
在一个可选的实施方式中,上述的第一部分图片集可以是一个基本的图集,为了减少网络训练的不稳定性,可以确定一个补充的图片集,即第二部分图片集。
本申请实施例提供一种获取第二部分图片集的方法,图7示出根据本公开实施例的一种获取第二部分图片集的流程图,如图7所示,该方法包括:
在步骤S701中,从每个第一图片对对应的第一样本短曝图片、第二样本长曝图片和第三样本短曝图片上确定相同位置的截取区域。
在步骤S703中,截取第二样本长曝图片中的截取区域的图片,得到第三样本长曝图片。
在步骤S705中,截取第三样本短曝图片中的截取区域的图片,得到第四样本短曝图片。
在步骤S707中,截取第一样本短曝图片中的截取区域的图片,得到第五样本短曝图片。
在步骤S709中,将第三样本长曝图片和第四样本短曝图片确定为待选择的图片对。
在步骤S711中,针对每个待选择的图片对,确定待选择的图片对中第三样本长曝图片和第四样本短曝图片之间的模糊度差异值。
在步骤S713中,基于模糊度差异值从多个待选择的图片对中确定出第二图片对。
在步骤S715中,基于多个第二图片对,以及每个第二图片对对应的第五样本短曝图片得到第二部分图片集。
在另一些可能的实施例中,因为图片中运动模糊的区域比例较少,容易导致网络训练不稳定。为此,本方法提出一种定位图片中运动模糊区域的方法,包括:服务器确定每个待选择的图片对中,第三样本长曝图片和第四样本短曝图片之间的模糊度差异值,基于模糊度差异值从多个待选择的图片对中确定出第二图片对。
在一种可选的实施例中,服务器可以利用下述公式(2)直接确定出每个待选择的图片对中,第三样本长曝图片和第四样本短曝图片之间的模糊度差异值,将模糊度差异值从小到大直接排列。由于模糊度差异值越小,证明第三样本长曝图片越模糊,因此,可以将排序前A%的模糊度差异值对应的待选择的图片对确定为第二图片对,并基于多个第二图片对,以及每个第二图片对对应的第五样本短曝图片得到第二部分图片集。可选的,A可以是经验值,比如等于5。
其中,Var()表示图像块的方差。
在另一种可选的实施例中,服务器可以利用上述公式(2)直接确定出每个待选择的图片对中,第三样本长曝图片和第四样本短曝图片之间的模糊度差异值,可以将每个模糊度差异值和预设的差异值作比较,将小于预设的差异值的模糊度差异值对应的待选择的图片对确定为第二图片对,并基于第二图片对,以及第二图片对对应的第五样本短曝图片得到第二部分图片集。
在另一个可选的实施例中,在计算模糊度差异值之前,服务器可以在第三样本长曝图片和第四样本短曝图片上分别再选取L*L的图片块,并将基于选取的2个L*L的图片块计算模糊度差异值,那么,当选取满足要求的一定数量的模糊度差异值之后,是以2个L*L的图像块作为一对第二图片对,同样的,第二图片对对应的五样本短曝图片也是第一样本短曝图片上相同选取位置的L*L的图像块得到的。其中的,选择的L*L的图片块在第三样本长曝图片、第四样本短曝图片和第五样本短曝图片是同一位置的图片块。
本申请实施例中,服务可以根据多个第一图片对和多个第二图片对得到样本图片对集合,根据该样本图片对集合,以及样本图片对集合中的每个样本图片对对应的第一样本短曝图片或者第五样本短曝图片生成第一样本图片集。
在步骤S503中,基于当前第一机器学习模型,对样本图片对集合中的样本图片对进行去模糊处理,确定图片对对应的去模糊图片。
上述样本图片对集合中的样本图片对可以包括第一图片对和第二图片对。
在步骤S505中,基于样本图片对对应的第一样本短曝图片或者第五样本短曝图片,和样本图片对对应的去模糊图片,确定第一损失值。
本申请实施例中,损失函数可以包括L1回归损失函数和感知损失函数,其中两个损失函数的公式可以如公式(3)表示:
Ltotal=L1+Lperp;
L1=‖X-Y‖1;
其中,L1回归损失函数最小化输出图像和目标图像之间对应位置像素点的L1距离,用于保持图片的颜色等信息。Lperp感知损失函数最小化输出图像和目标图像之间在深度特征空间上的L1距离,使输出图像在视觉上更加真实,清晰度更高。其中,深度特征空间由一个预训练的VGG网络得到,公式中的l表示VGG特征的层数。
在步骤S507中,基于第一损失值训练当前第一机器学习模型,将满足训练要求的当前第一机器学习模型确定为图片去模糊网络。
在一种可选的实施方式中,在经过多轮训练后,若当前的第一损失值满足要求,则终止网络的迭代过程,将当前第一机器学习模型确定为图片去模糊网络。
在另一种可选的实施方式中,服务器可以根据事先设置的训练次数确定是否停止训练。
本申请实施例中,训练图片去噪网络的步骤可以参考图片去模糊网络的训练步骤,包括:获取第二样本图片集,第二样本图片集包括第一样本图片集和去模糊图片集合;其中,去模糊图片集合中的去模糊图片和第一样本图片集中的样本图片对一一对应,去模糊图片集合是在训练图片去模糊网络过程中得到的。基于当前第二机器学习模型,对样本图片对和去模糊图片进行去模糊处理,确定样本图片对对应的去噪图片。基于样本图片对对应的第一样本短曝图片或者第五样本短曝图片,和样本图片对对应的去噪图片,确定第二损失值。基于第二损失值训练当前第二机器学习模型,将满足训练要求的当前第一机器学习模型确定为图片去噪网络。
在一种可选的实施方式中,在经过多轮训练后,若当前的第二损失值满足要求,则终止网络的迭代过程,将当前第二机器学习模型确定为图片去模糊网络。
在另一种可选的实施方式中,服务器可以根据事先设置的训练次数确定是否停止训练。
综上,本申请实施例在将预设长曝图片和预设短曝图片输入图片去模糊网络前,为了获得更大的感受野,保证去模糊的效果。同时,第一步的结果可以作为第二个图片去噪网络的引导图,保证第二个网络只需要专注提升图片细节并去除一些残留噪声即可,如此,在提高操作方便程度的同时,还更加提升了输出的目标图片的质量。
图8示出根据本公开实施例的一种图片处理装置的框图,如图8所示,所述图片处理装置包括:
图片获取模块801,用于获取第一尺寸的预设长曝图片和第一尺寸的预设短曝图片;
下采样模块802,用于对预设长曝图片和预设短曝图片进行下采样处理,得到待处理长曝图片和待处理短曝图片;
去模糊模块803,用于对待处理长曝图片和待处理短曝图片进行去模糊处理,得到过渡图片;
上采样模块804,用于对过渡图片进行上采样处理,得到第一尺寸的待处理过渡图片;
去噪模块805,用于对预设长曝图片、预设短曝图片和待处理过渡图片进行去噪处理,得到目标图片。
在一些可能的实施例中,图片处理装置包括深度学习模型,深度学习模型包括图片去模糊网络和图片去噪网络;
图片去模糊网络包括第一全连接层,第一下采样层,第一卷积层,第一上采样层和第一残差模块,其中,第一残差模块用于进行信息提取和转换;
图片去噪网络包括第二全连接层,第二卷积层,第二残差模块,第二上采样层,第二下采样层和短路连接模块,其中,第二残差模块用于进行信息提取和转换,短路连接模块用于增强信息。
在一些可能的实施例中,
该去模糊模块,用于:
基于图片去模糊网络对待处理长曝图片和待处理短曝图片进行去模糊处理和信息融合处理,得到过渡图片;
该去噪模块,用于:
基于图片去噪网络对预设长曝图片、预设短曝图片和待处理过渡图片进行去噪处理和细节增强处理,得到目标图片。
在一些可能的实施例中,装置还包括:
第一图片获取模块,用于获取第一样本图片集,其中,第一样本图片集是由视频帧数据通过数据仿真合成得到的;
第一训练模块,用于基于第一样本图片集,对预设的当前第一机器学习模型进行训练,获得图片去模糊网络;
第二图片获取模块,用于获取第二样本图片集,第二样本图片集包括第一样本图片集和去模糊图片集合;其中,去模糊图片集合中的去模糊图片和第一样本图片集中的样本图片对一一对应;去模糊图片集合是在训练图片去模糊网络过程中得到的;
第二训练模块,用于基于第二样本图片集,对预设的第二机器学习模型进行训练,获得图片去噪网络。
在一些可能的实施例中,第一图片获取模块,用于:
获取高清无噪声的视频帧数据,对视频帧数据进行颜色退化处理和噪声增加模拟处理,获得第一部分图片集;
对第一部分图片集中的图片进行模糊度差异值处理,获得第二部分图片集;
根据第一部分图片集和第二部分图片集,生成第一样本图片集。
在一些可能的实施例中,第一图片获取模块,用于:
获取高清无噪声的视频帧数据;
基于采集到的视频帧数据中的连续N帧图片确定第一样本长曝图片;
基于采集到的视频帧数据中的第L帧图片确定第一样本短曝图片;第L帧图片位于N帧图片之后,且和N帧图片中最后一帧图片之间相隔M帧图片;N、M和L为正整数;对第一样本短曝图片进行颜色退化处理,得到第二样本短曝图片;
对第一样本长曝图片进行噪声增加模拟,得到第二样本长曝图片;
对第二样本短曝图片进行噪声增加模拟,得到第三样本短曝图片;
根据多个第一图片对,以及每个第一图片对对应的第一样本短曝图片得到第一部分图片集;每个第一图片对包含匹配的第二样本长曝图片和第三样本短曝图片。
在一些可能的实施例中,第一图片获取模块,用于:
对视频帧数据进行插帧处理,得到处理后的视频帧数据;
基于处理后的视频帧数据中的连续N帧图片确定第一样本长曝图片。
在一些可能的实施例中,第一图片获取模块,用于:
将第一样本长曝图片由第一格式转化为第二格式;
将第二样本短曝图片由第一格式转化为第二格式;
对第二格式的第一样本长曝图片进行噪声增加模拟,得到第一样本长曝图片;
对第二格式的第二样本短曝图片进行噪声增加模拟,得到第二样本短曝图片;
将第一样本长曝图片由第二格式转化成第一格式,得到第二样本长曝图片;
将第二样本短曝图片由第二格式转化成第一格式,得到第三样本短曝图片。
在一些可能的实施例中,第一图片获取模块,用于:
从每个第一图片对对应的第一样本短曝图片、第二样本长曝图片和第三样本短曝图片上确定相同位置的截取区域;
截取第二样本长曝图片中的截取区域的图片,得到第三样本长曝图片;
截取第三样本短曝图片中的截取区域的图片,得到第四样本短曝图片;
截取第一样本短曝图片中的截取区域的图片,得到第五样本短曝图片;
将第三样本长曝图片和第四样本短曝图片确定为待选择的图片对;
针对每个待选择的图片对,确定待选择的图片对中第三样本长曝图片和第四样本短曝图片之间的模糊度差异值。
基于模糊度差异值从多个待选择的图片对中确定出第二图片对;
基于多个第二图片对,以及每个第二图片对对应的第五样本短曝图片得到第二部分图片集。
在一些可能的实施例中,上述第一图片获取模块,用于:
根据多个第一图片对和多个第二图片对得到样本图片对集合;
根据样本图片对集合,以及样本图片对集合中的每个样本图片对对应的第一样本短曝图片或者第五样本短曝图片生成第一样本图片集。
在一些可能的实施例中,上述图片获取模块,用于:
获取原始长曝图片和原始短曝图片;
将原始长曝图片的格式由第三格式转换成第四格式,得到预设长曝图片;
将原始短曝图片的格式由第三格式转换成第四格式,得到预设短曝图片;
第三格式包括RAW格式,第四格式包括RGB格式。
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,所述计算机可读存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并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实现上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
本公开实施例提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行本公开的图片处理方法。
图9示出根据本公开实施例的一种电子设备的框图。例如,电子设备900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9,电子设备900可以包括以下一个或多个组件:处理组件902,存储器904,电源组件906,多媒体组件908,音频组件910,输入/输出(I/O)接口912,传感器组件914,以及通信组件916。
处理组件902通常控制电子设备900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902可以包括一个或多个处理器920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902可以包括一个或多个模块,便于处理组件902和其他组件之间的交互。例如,处理组件902可以包括多媒体模块,以方便多媒体组件908和处理组件902之间的交互。
存储器904被配置为存储各种类型的数据以支持在电子设备900的操作。这些数据的示例包括用于在电子设备900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904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906为电子设备900的各种组件提供电力。电源组件906可以包括电源管理***,一个或多个电源,及其他与为电子设备900生成、管理和分配电力相关联的组件。
多媒体组件908包括在所述电子设备900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908包括一个前置摄像头和/或后置摄像头。当电子设备900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910被配置为输出和/或输入音频信号。例如,音频组件910包括一个麦克风(MIC),当电子设备900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904或经由通信组件916发送。在一些实施例中,音频组件910还包括一个扬声器,用于输出音频信号。
输入/输出(I/O)接口912为处理组件902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914包括一个或多个传感器,用于为电子设备900提供各个方面的状态评估。例如,传感器组件914可以检测到电子设备900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900的显示器和小键盘,传感器组件914还可以检测电子设备900或电子设备900一个组件的位置改变,用户与电子设备900接触的存在或不存在,电子设备900方位或加速/减速和电子设备900的温度变化。传感器组件914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914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914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916被配置为便于电子设备900和其他设备之间有线或无线方式的通信。电子设备900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916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916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900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904,上述计算机程序指令可由电子设备900的处理器920执行以完成上述方法。
图10示出根据本公开实施例的另一种电子设备的框图。例如,电子设备1000可以被提供为一服务器。参照图10,电子设备1000包括处理组件1022,其进一步包括一个或多个处理器,以及由存储器1032所代表的存储器资源,用于存储可由处理组件1022的执行的指令,例如应用程序。存储器1032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1022被配置为执行指令,以执行上述方法。
电子设备1000还可以包括一个电源组件1026被配置为执行电子设备1000的电源管理,一个有线或无线的网络接口1050被配置为将电子设备1000连接到网络,和一个输入输出(I/O)接口1058。电子设备1000可以操作基于存储在存储器1032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1032,上述计算机程序指令可由电子设备1000的处理组件1022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。
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 (14)
1.一种图片处理方法,其特征在于,所述方法包括:
获取第一尺寸的预设长曝图片和所述第一尺寸的预设短曝图片;
对所述预设长曝图片和所述预设短曝图片进行下采样处理,得到待处理长曝图片和待处理短曝图片;
对所述待处理长曝图片和所述待处理短曝图片进行去模糊处理,得到过渡图片;
对所述过渡图片进行上采样处理,得到所述第一尺寸的待处理过渡图片;
对所述预设长曝图片、所述预设短曝图片和所述待处理过渡图片进行去噪处理,得到目标图片。
2.根据权利要求1所述的图片处理方法,其特征在于,所述图片处理方法是通过深度学习模型实现的,所述深度学习模型包括图片去模糊网络和图片去噪网络;
所述图片去模糊网络包括第一全连接层,第一下采样层,第一卷积层,第一上采样层和第一残差模块,其中,所述第一残差模块用于进行信息提取和转换;
所述图片去噪网络包括第二全连接层,第二卷积层,第二残差模块,第二上采样层,第二下采样层和短路连接模块,其中,所述第二残差模块用于进行信息提取和转换,所述短路连接模块用于增强信息。
3.根据权利要求2所述的图片处理方法,其特征在于,所述对所述待处理长曝图片和所述待处理短曝图片进行去模糊处理,得到过渡图片,包括:
基于所述图片去模糊网络对所述待处理长曝图片和所述待处理短曝图片进行去模糊处理和信息融合处理,得到过渡图片;
所述对所述预设长曝图片、所述预设短曝图片和所述待处理过渡图片进行去噪处理,得到目标图片,包括:
基于所述图片去噪网络对所述预设长曝图片、所述预设短曝图片和所述待处理过渡图片进行去噪处理和细节增强处理,得到目标图片。
4.根据权利要求1-3任一所述的图片处理方法,其特征在于,所述获取第一尺寸的预设长曝图片和所述第一尺寸的预设短曝图片之前,所述方法还包括:
获取第一样本图片集,其中,所述第一样本图片集是由视频帧数据通过数据仿真合成得到的;基于所述第一样本图片集,对预设的当前第一机器学习模型进行训练,获得所述图片去模糊网络;
获取第二样本图片集,所述第二样本图片集包括所述第一样本图片集和去模糊图片集合;其中,所述去模糊图片集合中的去模糊图片和所述第一样本图片集中的样本图片对一一对应;所述去模糊图片集合是在训练所述图片去模糊网络过程中得到的;基于所述第二样本图片集,对预设的第二机器学习模型进行训练,获得所述图片去噪网络。
5.根据权利要求4所述的图片处理方法,其特征在于,所述获取第一样本图片集,包括:
获取高清无噪声的视频帧数据,对所述视频帧数据进行颜色退化处理和噪声增加模拟处理,获得第一部分图片集;
对所述第一部分图片集中的图片进行模糊度差异值处理,获得第二部分图片集;
根据所述第一部分图片集和所述第二部分图片集,生成所述第一样本图片集。
6.根据权利要求5所述的图片处理方法,其特征在于,所述获取高清无噪声的视频帧数据,对所述视频帧数据进行颜色退化处理和噪声增加模拟处理,获得第一部分图片集,包括:
获取高清无噪声的视频帧数据;
基于采集到的所述视频帧数据中的连续N帧图片确定第一样本长曝图片;
基于采集到的所述视频帧数据中的第L帧图片确定第一样本短曝图片;所述第L帧图片位于所述N帧图片之后,且和所述N帧图片中最后一帧图片之间相隔M帧图片;所述N、所述M和所述L为正整数;
对所述第一样本短曝图片进行颜色退化处理,得到第二样本短曝图片;
对所述第一样本长曝图片进行噪声增加模拟,得到第二样本长曝图片;
对所述第二样本短曝图片进行噪声增加模拟,得到第三样本短曝图片;
根据多个第一图片对,以及每个第一图片对对应的第一样本短曝图片得到所述第一部分图片集;所述每个第一图片对包含匹配的所述第二样本长曝图片和所述第三样本短曝图片。
7.根据权利要求6所述的图片处理方法,其特征在于,所述基于采集到的所述视频帧数据中的连续N帧图片确定第一样本长曝图片,包括:
对所述视频帧数据进行插帧处理,得到处理后的视频帧数据;
基于所述处理后的视频帧数据中的连续N帧图片确定第一样本长曝图片。
8.根据权利要求6-7任一所述的图片处理方法,其特征在于,所述对所述第一样本长曝图片进行噪声增加模拟,得到第二样本长曝图片,对所述第二样本短曝图片进行噪声增加模拟,得到第三样本短曝图片,包括:
将所述第一样本长曝图片由第一格式转化为第二格式;
将所述第二样本短曝图片由所述第一格式转化为所述第二格式;
对所述第二格式的所述第一样本长曝图片进行噪声增加模拟,得到所述第一样本长曝图片;
对所述第二格式的所述第二样本短曝图片进行噪声增加模拟,得到所述第二样本短曝图片;
将所述第一样本长曝图片由所述第二格式转化成所述第一格式,得到所述第二样本长曝图片;
将所述第二样本短曝图片由所述第二格式转化成所述第一格式,得到所述第三样本短曝图片。
9.根据权利要求6-8任一所述的图片处理方法,其特征在于,所述对所述第一部分图片集中的图片进行模糊度差异值处理,获得第二部分图片集,包括:
从每个第一图片对对应的第一样本短曝图片、第二样本长曝图片和第三样本短曝图片上确定相同位置的截取区域;
截取所述第二样本长曝图片中的截取区域的图片,得到第三样本长曝图片;
截取所述第三样本短曝图片中的截取区域的图片,得到第四样本短曝图片;
截取所述第一样本短曝图片中的截取区域的图片,得到第五样本短曝图片;
将所述第三样本长曝图片和所述第四样本短曝图片确定为待选择的图片对;
针对每个所述待选择的图片对,确定所述待选择的图片对中所述第三样本长曝图片和所述第四样本短曝图片之间的模糊度差异值;
基于所述模糊度差异值从多个所述待选择的图片对中确定出第二图片对;
基于多个所述第二图片对,以及每个所述第二图片对对应的第五样本短曝图片得到所述第二部分图片集。
10.根据权利要求9所述的图片处理方法,其特征在于,所述根据所述第一部分图片集和所述第二部分图片集,生成所述第一样本图片集,包括:
根据所述多个所述第一图片对和多个所述第二图片对得到样本图片对集合;
根据所述样本图片对集合,以及所述样本图片对集合中的每个样本图片对对应的第一样本短曝图片或者第五样本短曝图片生成所述第一样本图片集。
11.根据权利要求1-10任一所述的图片处理方法,其特征在于,所述获取第一尺寸的预设长曝图片和所述第一尺寸的预设短曝图片,包括:
获取原始长曝图片和原始短曝图片;
将所述原始长曝图片的格式由第三格式转换成第四格式,得到所述预设长曝图片;
将所述原始短曝图片的格式由所述第三格式转换成所述第四格式,得到所述预设短曝图片;
所述第三格式包括RAW格式,所述第四格式包括RGB格式。
12.一种图片处理装置,其特征在于,所述装置包括:
图片获取模块,用于获取第一尺寸的预设长曝图片和所述第一尺寸的预设短曝图片;
下采样模块,用于对所述预设长曝图片和所述预设短曝图片进行下采样处理,得到待处理长曝图片和待处理短曝图片;
去模糊模块,用于对所述待处理长曝图片和所述待处理短曝图片进行去模糊处理,得到过渡图片;
上采样模块,用于对所述过渡图片进行上采样处理,得到所述第一尺寸的待处理过渡图片;
去噪模块,用于对所述预设长曝图片、所述预设短曝图片和所述待处理过渡图片进行去噪处理,得到目标图片。
13.一种电子设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1-11所述的一种图片处理方法。
14.一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至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-11所述的一种图片处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110897061.2A CN113610725A (zh) | 2021-08-05 | 2021-08-05 | 图片处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110897061.2A CN113610725A (zh) | 2021-08-05 | 2021-08-05 | 图片处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113610725A true CN113610725A (zh) | 2021-11-05 |
Family
ID=78307143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110897061.2A Withdrawn CN113610725A (zh) | 2021-08-05 | 2021-08-05 | 图片处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610725A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087256A (zh) * | 2018-07-19 | 2018-12-25 | 北京飞搜科技有限公司 | 一种基于深度学习的图像去模糊方法及*** |
US20190139199A1 (en) * | 2016-05-03 | 2019-05-09 | Peking University Shenzhen Graduate School | Image deblurring method based on light streak information in an image |
CN110782414A (zh) * | 2019-10-30 | 2020-02-11 | 福州大学 | 一种基于密集连接卷积的暗光图像去噪方法 |
CN111695293A (zh) * | 2020-05-27 | 2020-09-22 | 杭州慕锐科技有限公司 | 一种面向纺织品类超大尺寸设计图基于调色板的全自动智能配色方法及监控方法 |
CN111724312A (zh) * | 2019-03-22 | 2020-09-29 | Tcl集团股份有限公司 | 一种处理图像的方法及终端 |
CN111768351A (zh) * | 2020-06-22 | 2020-10-13 | Oppo广东移动通信有限公司 | 图像去噪方法、图像去噪装置、存储介质与电子设备 |
WO2020220517A1 (zh) * | 2019-04-30 | 2020-11-05 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
CN111915526A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 一种基于亮度注意力机制低照度图像增强算法的摄影方法 |
CN112308785A (zh) * | 2019-08-01 | 2021-02-02 | 武汉Tcl集团工业研究院有限公司 | 图像去噪方法、存储介质及终端设备 |
CN112801901A (zh) * | 2021-01-21 | 2021-05-14 | 北京交通大学 | 基于分块多尺度卷积神经网络的图像去模糊算法 |
-
2021
- 2021-08-05 CN CN202110897061.2A patent/CN113610725A/zh not_active Withdrawn
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190139199A1 (en) * | 2016-05-03 | 2019-05-09 | Peking University Shenzhen Graduate School | Image deblurring method based on light streak information in an image |
CN109087256A (zh) * | 2018-07-19 | 2018-12-25 | 北京飞搜科技有限公司 | 一种基于深度学习的图像去模糊方法及*** |
CN111724312A (zh) * | 2019-03-22 | 2020-09-29 | Tcl集团股份有限公司 | 一种处理图像的方法及终端 |
WO2020220517A1 (zh) * | 2019-04-30 | 2020-11-05 | 北京市商汤科技开发有限公司 | 图像处理方法和装置、电子设备及存储介质 |
CN112308785A (zh) * | 2019-08-01 | 2021-02-02 | 武汉Tcl集团工业研究院有限公司 | 图像去噪方法、存储介质及终端设备 |
CN110782414A (zh) * | 2019-10-30 | 2020-02-11 | 福州大学 | 一种基于密集连接卷积的暗光图像去噪方法 |
CN111695293A (zh) * | 2020-05-27 | 2020-09-22 | 杭州慕锐科技有限公司 | 一种面向纺织品类超大尺寸设计图基于调色板的全自动智能配色方法及监控方法 |
CN111768351A (zh) * | 2020-06-22 | 2020-10-13 | Oppo广东移动通信有限公司 | 图像去噪方法、图像去噪装置、存储介质与电子设备 |
CN111915526A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 一种基于亮度注意力机制低照度图像增强算法的摄影方法 |
CN112801901A (zh) * | 2021-01-21 | 2021-05-14 | 北京交通大学 | 基于分块多尺度卷积神经网络的图像去模糊算法 |
Non-Patent Citations (3)
Title |
---|
USHA TIGGA; JAIMALA JHA: ""Image Deblurring with Impulse Noise Using Alternating Direction Method of Multipliers and Lucy-Richardson Method"", 《2016 8TH INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND COMMUNICATION NETWORKS (CICN)》 * |
刘龙飞;李胜;赖舜男;: "神经网络在退化图像复原领域的进展综述", 图学学报, no. 02 * |
王德培;谢云;: "模糊图像语义分割", 电子世界, no. 21 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118430B (zh) | 超分辨率图像重建方法及装置、电子设备及存储介质 | |
CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN110060215B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109922372B (zh) | 视频数据处理方法及装置、电子设备和存储介质 | |
CN112995544A (zh) | 根据单输入生成多曝光帧的***和方法 | |
CN109859144B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111445414B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111340733B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113706421B (zh) | 一种图像处理方法及装置、电子设备和存储介质 | |
CN110675355B (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN113139947A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110458771B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
WO2023019870A1 (zh) | 视频处理方法及装置、电子设备、存储介质、计算机程序、计算机程序产品 | |
CN111583142A (zh) | 图像降噪方法及装置、电子设备和存储介质 | |
CN109544490B (zh) | 图像增强方法、装置和计算机可读存储介质 | |
CN113689361B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109840890B (zh) | 图像处理方法及装置、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 | |
CN109816620B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN114723603A (zh) | 图像处理方法、图像处理装置及存储介质 | |
CN111553865A (zh) | 图像修复方法及装置、电子设备和存储介质 | |
KR20210054522A (ko) | 얼굴 인식 방법 및 장치, 전자 기기 및 저장 매체 | |
CN111784726A (zh) | 人像抠图方法和装置 | |
CN113610725A (zh) | 图片处理方法、装置、电子设备及存储介质 | |
CN113379624B (zh) | 图像生成方法、图像生成模型的训练方法、装置及设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211105 |