CN113674158A - 图像处理方法、装置、设备及存储介质 - Google Patents
图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113674158A CN113674158A CN202010403137.7A CN202010403137A CN113674158A CN 113674158 A CN113674158 A CN 113674158A CN 202010403137 A CN202010403137 A CN 202010403137A CN 113674158 A CN113674158 A CN 113674158A
- Authority
- CN
- China
- Prior art keywords
- image
- scene
- target
- enhanced
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 32
- 230000015556 catabolic process Effects 0.000 claims abstract description 112
- 238000006731 degradation reaction Methods 0.000 claims abstract description 112
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000005286 illumination Methods 0.000 claims description 16
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 28
- 238000001914 filtration Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000000926 separation method Methods 0.000 description 6
- 239000003623 enhancer Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004379 similarity theory Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种图像处理方法、装置、设备及存储介质。所述方法包括：分别基于目标图像和所述目标图像的像素取反图像，进行预设图像降质场景识别，以确定所述目标图像的采集场景；依据目标图像的采集场景对所述目标图像进行图像增强，得到目标图像的增强图像。采用本申请方案，能够避免采用不同的图像降质场景识别算法来进行分别识别检测，通过图像取反能将图像从一种图像降质场景转换到另一种图像降质场景，以适配固定的图像降质场景识别算法，提升了图像降质场景识别的场景适应性。
Description
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种图像处理方法、装置、设备及存储介质。
背景技术
随着电子计算机技术的进步，计算机图像处理得到飞跃发展，已经成功应用于多个与成像相关的领域，并发挥着相当重要的作用。
在拍照摄影或视频监控中，受到低照、雾霾等恶劣成像条件的影响，采集到的图像会存在亮度过亮、过暗、模糊或者可见性较差等问题，因此需要对采集到的图像进行增强，以便于后续的处理过使用。但是，不同场景下采集的图像需要利用不同图像增强算法来处理，造成图像处理的场景适应性比较差。
发明内容
本发明实施例中提供了一种图像处理方法、装置、设备及存储介质，以实现对不同场景下图像进行自适应处理，提高图像处理时的场景适应性。
第一方面，本发明实施例中提供了一种图像处理方法，所述方法包括：
分别基于目标图像和所述目标图像的像素取反图像，进行预设图像降质场景识别，以确定所述目标图像的采集场景；
依据所述目标图像的采集场景，对所述目标图像进行图像增强，得到所述目标图像的增强图像。
第二方面，本发明实施例中还提供了一种图像处理装置，所述装置包括：
降质场景识别模块，用于分别基于目标图像和所述目标图像的像素取反图像，进行预设图像降质场景识别，以确定所述目标图像的采集场景；
图像增强处理模块，用于依据所述目标图像的采集场景，对所述目标图像进行图像增强，得到所述目标图像的增强图像。
第三方面，本发明实施例中还提供了一种电子设备，包括：
一个或多个处理装置；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现本发明实施例中任一所述的图像处理方法。
第四方面，本发明实施例中还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现本发明实施例中任一所述的图像处理方法。
本发明实施例中提供了一种图像处理方法，由于低照度场景及宽动态场景下采集的图像进行图像取反后与雾霾场景下采集的图像相似，而正常场景下采集的图像不具备这样的特点，因此无论目标图像是哪种图像降质场景下，均能得到预设图像降质场景的图像，这样只需采用同一种图像降质场景识别检测算法分别对目标图像和目标图像的像素取反图像，依据上述两次识别结果进行场景筛选就能确定目标图像的采集场景，进而，可依据采集场景来决定如何进行图像增强。可见，采用本申请方案，能够避免采用不同的图像降质场景识别算法来进行分别识别检测，通过图像取反能将图像从一种图像降质场景转换到另一种图像降质场景，以适配固定的图像降质场景识别算法，提升了图像降质场景识别的场景适应性。
上述发明内容仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例中提供的一种图像处理方法的流程图；
图2是本发明实施例中提供的另一种图像处理方法的流程图；
图3是本发明实施例中提供的一种对待识别图像进行场景识别的流程图；
图4是本发明实施例中提供的又一种图像处理方法的流程图；
图5是本发明实施例中提供的一种对待增强图像进行图像增强的流程图；
图6是本发明实施例中提供的一种对待增强图像进行图像增强的示意图；
图7是本发明实施例中提供的一种图像处理装置的结构框图；
图8是本发明实施例中提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作(或步骤)可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1是本发明实施例中提供的一种图像处理方法的流程图。本实施例可适用于对不同场景下采集的图像进行图像增强的情况。该方法可由图像处理装置执行，该装置可以采用软件和/或硬件的方式实现，并集成在任何具有网络通信功能的电子设备上。如图1所示，本实施例中提供的图像处理方法，可包括以下步骤S110-S120：
S110、分别基于目标图像和目标图像的像素取反图像，进行预设图像降质场景识别，以确定目标图像的采集场景。
在本实施例中，该电子设备可为计算机设备或者服务器。其中，计算机设备可以为各类型的终端设备或者监控设备等；例如，监控设备可为摄像机、录像机以及电子监控器等监控设备。
在本实施例中，图像降质场景可包括：雾霾场景、低照度场景以及宽动态场景等。在图像降质场景下采集图像时，采集的目标图像会存在亮度过亮、过暗、模糊或者可见性较差等问题。为此，需要对采集到的目标图像进行图像增强，以便有目的地强调图像的整体或局部特性，将不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别；以及，通过图像增强抑制不感兴趣的特征，改善图像质量和丰富信息量。
在本实施例中，对于不同图像降质场景下采集的图像，通常需要利用不同的增强算法进行处理，因此，在对目标图像进行图像增强前，需要先确定目标图像的采集场景。即，需要确定目标图像是在正常场景、雾霾场景、低照度场景以及宽动态场景中的哪种采集场景下采集得到。根据统计分析，雾霾场景下图像与低照度场景以及宽动态场景下图像存在如下关系：对低照场景下采集图像及宽动态场景下采集图像进行图像取反后得到的像素取反图，对于相同的拍摄对象，取反得到的该像素取反图的直方图分布及图像效果与雾霾场景下采集图像近似，而正常场景下采集图像不具备这样的特点。
基于上述理论，可对目标图像中的像素进行取反运算，得到目标图像的像素取反图像，分别对目标图像和像素取反图进行预设图像降质场景识别，来判定目标图像是否属于预设图像降质场景下图像以及判定像素取反图像是否属于预设图像场景的图像。结合上述两个识别结果，就能判断目标图像是否属于图像降质场景，以及确定属于哪种图像降质场景的采集的图像，这样就能确定目标图像的采集场景。需要说明的是，在对目标图像和像素取反图进行预设图像降质场景识别时，可并列识别处理，也可先处理目标图像再处理像素取反图像。
在本实施例，在对目标图像进行取反时，可对目标图像的R、G、B三通道分别取反，得到目标图像的像素取反图像。以8bit的目标图像为例，图像取反公式如下：
c∈{R,G,B}；其中，Ic、
分别表示输入的目标图像及图像取反后的像素取反图像。
S120、依据目标图像的采集场景，对目标图像进行图像增强，得到目标图像的增强图像。
在本实施例中，在确定目标图像采集场景后，就可为目标图像匹配合适的图像增强算法，并通过匹配的图像增强算法对属于图像降质场景的目标图像进行图像增强，提升目标图像的视觉效果。
本发明实施例中提供了一种图像处理方法，利用低照度场景及宽动态场景下采集的图像进行图像取反后与雾霾场景下采集的图像的相似性理论，通过图像取反能将图像从一种图像降质场景转换到另一种图像降质场景，以适配固定的图像降质场景识别算法。在此基础上，只需采用同一种图像降质场景检测算法分别对目标图像和目标图像的像素取反图像进行识别检测，就能识别出目标图像是哪种图像降质场景下采集的图像，避免采用不同图像降质场景识别算法进行识别检测，提升了图像降质场景识别的场景适应性。
图2是本发明实施例中提供的另一种图像处理方法的流程图，本实施例在上述实施例的基础上进行进一步优化，本实施例可以与上述一个或者多个实施例中各个可选方案结合。如图2所示，本实施例中提供的图像处理方法，可包括以下步骤S210-S240：
S210、对目标图像进行预设图像降质场景识别，以确定目标图像是否属于预设图像降质场景的图像。
在本实施例中，预设图像降质场景是在采集场景检测阶段，预先设置的一个固定图像降质场景，以使得在场景检测阶段只用于判定图像是否属于预设图像降质场景的图像。在一个可选示例中，可将预设图像降质场景具体设置为雾霾场景，这样，就可对目标图像进行雾霾场景判断，以确定目标图像是否属于雾霾场景的图像。在另一个可选示例中，还可将预设图像降质场景具体设置为低照度场景以及宽动态场景，这样，就可对目标图像进行低照度场景以及宽动态场景判断，以确定目标图像是否属于低照度或者宽动态场景的图像。
S220、若确定目标图像不属于预设图像降质场景的图像，则对目标图像的像素取反图像进行预设图像降质场景识别，以确定目标图像的像素取反图像是否属于预设图像降质场景的图像。
在本实施例中，在排除目标图像不属于预设图像降质场景的图像后，可继续判定目标图像是属于除预设图像降质场景外的另一图像降质场景的图像，还是属于正常场景的图像。这里，将对目标图像的像素取反图像进行预设图像降质场景识别，以确定像素取反图像是否属于预设图像降质场景的图像。
S230、依据对目标图像的像素取反图像的识别结果，确定目标图像的采集场景。
在本实施例中，利用低照度场景及宽动态场景下采集的图像进行图像取反后与雾霾场景下采集的图像的相似性理论，可知预设图像降质场景的图像进行图像取反后的图像近似为另一图像降质场景的图像。基于这一理论，若依据对像素取反图像的识别检测结果，确定目标图像的像素取反图像属于预设图像降质场景的图像，则确定目标图像的采集场景为另一图像降质场景。否则，确定目标图像的采集场景为正常场景。
在本实施例中，可选地，在预设图像降质场景为雾霾场景时，另一图像降质场景为低照度或者宽动态场景。又一可选地，在预设图像降质场景为低照度或者宽动态场景时，另一图像降质场景为雾霾场景。
S240、依据目标图像的采集场景，对目标图像进行图像增强，得到目标图像的增强图像。
本发明实施例中提供一种自适应的图像处理方法，对输入的目标图像进行预设图像降质场景判断，若目标图像不属于预设图像降质场景，继续采用第一采用的图像降质场景判断方法对目标图像的取反进行场景判断，这样就能进一步筛选出目标图像具体属于哪一种图像降质场景的图像，可见，本申请方案只需利用低照图像及宽动态图像取反后与雾霾图像近似的原理，采用简单二次判断逻辑就能使用一种图像降质场景的检测算法进行采集场景识别，避免采用不同图像降质场景识别算法进行识别检测，提升图像降质场景识别的场景适应性。
图3是本发明实施例中提供的一种对待识别图像进行场景识别的流程图，本实施例在上述实施例的基础上进行进一步优化，本实施例可以与上述一个或者多个实施例中各个可选方案结合。其中，以预设图像降质场景为雾霾场景，待识别图像为目标图像或目标图像的像素取反图像为例。如图3所示，本实施例中提供的对待识别图像进行场景识别的方法，可包括以下步骤S310-S330：
S310、依据待识别图像在预设色域空间的亮度信息和色饱和度信息，确定待识别图像中各像素的雾浓度统计值。
在相关技术中，针对待识别图像的雾霾场景识别，大部分是采用待识别图像的亮度信息或者采用亮度信息与色度信息的结合来进行识别。对于第一种方式，因为受雾霾因素的影响，降质图像通常亮度较高或亮度直方图分布集中在高亮区域，通过统计待识别图像中的亮度直方图分布就能进行场景识别，但是如果待识别图像中存在大面积天空或者白色物体，那么采用上述亮度统计的方式就会出现场景误判。对于第二种方式，通常只是出雾霾图像亮度和色度的取值范围，当待识别图像的亮度和色度在此范围内时，则认为待识别图像是雾霾图像，否则不是。虽然，这种方法较单独参考亮度信息的方法更加合理，但是这种方法鲁棒性较差，极易受到噪声的影响，场景判断不稳定。
在本实施例中，待识别图像为前述实施例中提到的目标图像或目标图像的像素取反图像。在对待识别图像进行雾霾场景识别时，本申请方案并不是简单采用待识别图像的亮度信息和色度信息进行阈值范围判断，来确定待识别图像是否属于雾霾场景下采集的图像，而是对待识别图像进行色域转换，得到待识别图像在预设色域空间的亮度信息和色饱和度信息。然后，再依据在预设色域空间的亮度信息和色饱和度信息，来确定待识别图像中各个像素的雾浓度，进而依据待识别图像中各个像素的雾浓度来继续雾霾场景判断。可选地，可采用标准的HSV、HIS等色彩空间或者采用其他自定义的亮色分离色彩空间，对对待识别图像进行色域转换。以HSV空间为例，对于RGB格式的待识别图像，将其转化到HSV空间，然后取其亮度分量V及色饱和度分量S，分别作为待识别图像在预设色域空间的亮度信息和色饱和度信息。
在本实施例的一种可选方式中，依据待识别图像在预设色域空间的亮度信息和色饱和度信息，确定待识别图像中各像素的雾浓度统计值，包括步骤A1-A2：
步骤A1、依据待识别图像在预设色域空间的亮度信息，确定待识别图像在预设色域空间的对比度信息。
在本实施方式中，当确定待识别图像在预设色域空间的亮度信息之后，可依据待识别图像中每个像素的亮度信息以及每个像素的周围像素亮度，确定每个像素的对比度信息，这样就可确定待识别图像中各个像素在预设色域空间的对比度信息。可选地，对待识别图像在预设色域空间的亮度信息和色饱和度信息进行噪声滤除，以便减弱噪声对雾浓度统计的影响。例如，对待识别图像在预设色域空间的亮度分量V和饱和度分量S进行平滑滤波，得到平滑滤波处理后的亮度分量
和平滑滤波处理后的色饱和度分量
其中，平滑滤波可采用低通滤波算法实现，如均值滤波，高斯滤波，NLM等。
步骤A2、分别基于色饱和度信息、亮度信息和对比度信息进行雾浓度估计，确定待识别图像中各个像素的第一雾浓度估计值、第二雾浓度估计值以及第三雾浓度估计。
在本实施方式中，按照预设的雾浓度计算方式，分别基于色饱和度信息、亮度信息和对比度信息进行雾浓度估计。可选地，预设的雾浓度计算方式包括如下内容：
以及
其中
为
在当前位置的局部对比度，σs、σv、σc分别为预设的标准差参数，ps、pv、pc为分别为待识别图像中每一个像素分别基于色饱和度、局部亮度、局部对比度的雾浓度估计。
步骤A3、将各个像素的第一雾浓度估计值、第二雾浓度估计值以及第三雾浓度估计的乘积，作为待识别图像中各像素的雾浓度统计值。
在本实施方式中，可采用公式p(i,j)＝ps(i,j)×pv(i,j)×pc(i,j)，计算得到待识别图像中各像素的雾浓度统计值。其中，图像色彩越暗淡，可见性越差，清晰度越低，雾浓度越大，即色饱和度越低，局部对比度越小，亮度越大。
需要说明的是，以上计算ps、pv、pc、p的公式并不唯一，只要满足其为关于饱和度、对比度的减函数，关于亮度的增函数即可。
S320、将待识别图像中雾浓度统计值属于预设统计值区间范围的像素，作为待识别图像中的雾霾像素。
在本实施例中，设置统计值区间范围pT，将待识别图像中雾浓度统计值p大于pT的像素作为待识别图像中的雾霾像素；而将待识别图像中雾浓度统计值p小于或等于pT的像素作为待识别图像中的非雾霾像素。
S330、依据待识别图像中雾霾像素在待识别图像的占比，确定待识别图像是否属于雾霾场景的图像。
在本实施例中，统计待识别图像中雾霾像素在待识别图像的像素占比。判断雾霾像素的像素占比是否大于预设Thr，其中，Thr为预设比例阈值。当雾霾像素的像素占比大于Thr时，确定待识别图像为雾霾场景的图像；否则，确定待识别图像为非雾霾场景的图像。
本发明实施例中提供一种图像雾霾场景识别方法，根据待识别图像在色饱和度及亮度上的特征，同时利用待识别图像的色饱和度和局部亮度信息进行雾浓度统计判断，进而基于满足雾浓度统计值的像素的占比来确定待识别图像是否雾霾场景的图像，较传统的仅基于阈值判断或仅基于亮度信息的算法，雾霾场景识别逻辑简单有效，且极大提升了场景判断的准确率。进而，提高后续针对待识别图像的图像增强效果。
图4是本发明实施例中提供的又一种图像处理方法的流程图，本发明实施例在上述实施例的基础上，对前述实施例中“依据目标图像的采集场景，对目标图像进行图像增强”的过程进行进一步的优化，本实施例可以与上述一个或者多个实施例中各个可选方案结合。如图4所示，本实施例中提供的图像处理方法，可包括以下步骤S410-S430：
S410、分别基于目标图像和所述目标图像的像素取反图像，进行预设图像降质场景识别，以确定目标图像的采集场景。
S420、若目标图像的采集场景属于图像降质场景，且与图像增强阶段关联的图像降质场景不相同，则对目标图像的像素取反图像进行图像增强。
在本实施例中，虽然在确定目标图像的采集场景后，可以在图像增强阶段使用合适的图像增强方式来进行图像增强。例如，雾霾场景的图像可以利用暗通道等数字透雾算法，而低照或宽动态场景的图像可以通过retinex或者图像分层等算法。可见，在图像增强阶段，采用同一种图像增强算法通常很难处理不同图像降质场景下的图像，即各个图像增强算法的场景适应性比较差，需要在增强阶段设置多种场景下的图像增强方式，才能满足不同场景的图像需求。
基于上述分析，在判定目标图像的采集场景属于图像降质场景的情况下，可继续判定目标图像所属的图像降质场景是否与图像增强阶段关联的图像降质场景是否相同。这样，就可利用低照度场景及宽动态场景下采集的图像进行图像取反后与雾霾场景下采集的图像的相似性理论，通过图像取反能将目标图像从一种图像降质场景转换到另一种图像降质场景，以适应图像增强阶段关联的图像降质场景，这样一来在图像增强阶段就能应用一种图像降质场景的图像增强算法来对目标图像进行增强。
在本实施例中，若目标图像的采集场景属于图像降质场景，与图像增强阶段关联的图像降质场景相同，则直接对目标图像进行图像增强，进而可直接得到增强后的图像。若不相同，则对目标图像的像素取反图像进行图像增强，可得到像素取反图像的增强图像。若目标图像的采集场景属于正常场景，则不对目标图像进行增强处理。可选地，在确定目标图像的采集场景后，判定是否对目标图像进行图像取反可采用以下逻辑实现：
S430、对目标图像的像素取反图像的增强图像进行取反，以得到目标图像的增强图像。
在本实施例中，在得到像素取反图像的增强图像的基础上，只需再对目标图像的像素取反图像的增强图像进行取反，此时，可将得到的像素取反图像的增强图像的取反图像作为目标图像的增强图像。
本发明实施例中提供一种自适应的图像处理方法，采用上述方案，可通过图像取反的操作来对目标图像进行图像降质场景进行匹配，使得在图像增强阶段只需使用用于处理一种图像降质场景的图像增强方式就可对不同图像降质场景的图像进行增强处理，避免采用不同图像降质场景的图像增强方式对不同图像降质场景的图像进行图像增强，提升了图像增强阶段的场景适应性。
图5是本发明实施例中提供的一种对待增强图像进行图像增强的流程图，本实施例在上述实施例的基础上进行进一步优化，本实施例可以与上述一个或者多个实施例中各个可选方案结合。其中，以待增强图像为目标图像或目标图像的像素取反图像为例进行说明。如图5所示，本实施例中提供的对待识别图像进行场景识别的方法，可包括以下步骤S510-S540：
S510、对待增强图像的初始亮度分量进行分层，得到初始亮度分量的Base层图像和细节层图像。
在本实施例中，待增强图像为前述实施例中提到的目标图像或目标图像的像素取反图像。图6是本发明实施例中提供的一种对待增强图像进行图像增强的示意图。参见图6，可采用常规的亮度分量计算公式，确定待增强图像的初始亮度分量，例如，待增强图像的亮度分量为：Y＝0.299×R+0.517×G+0.114×B，其中R、G、B为待处理图像的三通道。
在本实施例中，参见图6，可以采用传统的滤波算法，如线性滤波(均值滤波、高斯滤波等)或非线性滤波(GF、NLM等保边滤波器)，对待增强图像的初始亮度分量进行分层处理，初步分离待增强图像中的Base层和细节层。在分离得到Base层图像S后，细节层图像D为：D＝I1-S。可选地，为了更好的分离边缘细节及噪声，可采用对噪声的鲁棒性较好的全变分模型，对待增强图像的初始亮度分量进行分层处理。具体分离公式如下：
其中，λ为预设正则化参数，S为平滑后的Base层图像，以上最小化公式可以通过FTVd算法得到其最优解。
S520、对Base层图像进行对比度增强，得到增强后的Base层图像。
在本实施例中，参见图6，在对待增强图像的亮度分量进行分离后，可得到初始亮度分量的Base层图像和细节层图像。初步分离得到的Base层图像中包含了大部分低频信息及大边缘信息。可针对初始亮度分量的Base层图像进行对比度增强，得到对比度增强后的Base层图像S1。这样做可针对Base层图像单独进行对比度增强，避免引入噪声进行对比度增强。可选地，可采用全局算法(gamma、直方图均衡化等)和局部算法(retinex、暗通道算法)等对Base层图像进行对比度增强，得到对比度增强后的Base层图像。
以retinex算法为例，其步骤具体包括：将S转换到对数域：s＝log(S)；对s进行高斯滤波计算其光照图像：
其中w为预设的高斯滤波模板；反射图像即为：R＝s-L，将其线性映射至[0,255]即可得到增强后的图像S1。
S530、对细节层图像进行纹理提取，得到目标纹理图像；以及，对目标纹理图像进行增强，得到增强后的目标纹理图像。
在本实施例中，参见图6，经过初步分离得到的细节层图像D中包含纹理细节和噪声，为了进一步分离细节层图像D中的纹理和噪声，提取细节层图像D中的纹理细节，作为目标纹理图像。在对细节层图像中噪声进行剔除，得到不包括噪声的目标纹理层图像之后，可采用图像增强阶段预设的图像降质场景下的图像增强算法对目标纹理图像进行增强。
在本实施例中，可选地，在对目标纹理图像
进行增强之前，可先确定Base层图像进行对比度增强时的base层增益
然后根据base层增益来对目标纹理图像
进行增强。例如，增强后的目标纹理图像为
本申请案并不会对待增强图像的细节层图像直接进行图像增强，而是对从对待增强图像中细节层图像中噪声进行分离得到的剔除噪声后的纹理细节，然后再针对剔除噪声后的纹理细节进行单独增强，因此在对对待增强图像的细节层信息进行增强时能够有效抑制噪声，提高图像增强效果。
在本实施例的一种可选方式中，对细节层图像进行纹理提取，得到目标纹理图像，可包括步骤B1-B3：
步骤B1、对细节层图像进行分离，分别得到初步纹理图像和初步噪声图像。
在本实施方式中，参见图6，可利用保边滤波算法对初步分离得到的细节层图像D进行滤波分解得到初步纹理图像T和初步噪声图像，这样就可以将细节层图像中的噪声剔除。保边滤波算法可采用导向滤波、双边滤波等算法。
步骤B2、确定初步噪声图像中各位置点属于纹理特征点的概率，并依据各位置点属于纹理特征点的概率，从初步噪声图像中提取遗漏的纹理特征。
在本实施方式中，参见图6，初步噪声图像N记为：N＝D-T，但初步噪声图像N中仍包含部分遗漏的纹理细节，因此需要从初步噪声图像N中提取这部分遗漏的纹理特征。在初步噪声图像中提取遗漏的纹理特征之前，可确定初步噪声图像中各位置点属于纹理特征点的概率，以便从初步噪声图像中筛选出属于被遗漏的纹理。
在本实施方式中，可选地，确定初步噪声图像中各位置点属于纹理特征点的概率，可包括：提取细节层图像的细节边缘图像和目标纹理图像的纹理边缘图像；对于初步噪声图像中任一位置点，依据该位置点在细节边缘图像的第一边缘强度与在所述纹理边缘图像的第二边缘强度之间的强度比值，确定各位置点属于纹理特征点的概率。
步骤B3、依据初步纹理图像和遗漏的纹理特征，得到目标纹理图像。
示例性地，可利用预设的高频滤波算子(比如，canny算子、Robert算子及拉普拉斯算子等均可)提取细节层图像D和初步纹理图像T的细节边缘图像和纹理边缘图像，分别记为GD、GT。对于初步噪声图像任意位置的点P，当该位置点P位于强纹理区域时，GD(p)、GT(p)值接近，而当该位置点P位于强噪声区域时，GD(p)应大于GT(p)，因此可定义初步噪声图像中任一位置点p属于纹理细节的概率为：
最终依据各位置点属于纹理特征点的概率，得到的目标纹理图像即为：
采用上述方式的好处在于，能够在将细节层图像中的噪声尽可能剔除的情况下，尽可能地保留充足的纹理，避免纹理细节出现丢失，导致最终增强后的图像也出现特征丢失，进而无法正常使用图像。
S540、依据增强后的Base层图像和增强后的目标纹理图像，确定待增强图像的增强图像。
在本实施例的一种可选方式中，依据增强后的Base层图像和增强后的目标纹理图像，确定待增强图像的增强图像，可包括步骤C1-C2：
步骤C1、将增强后的Base层图像与增强后的目标纹理图像叠加，得到增强后的亮度分量。
步骤C2、依据增强后的亮度分量与初始亮度分量之间的比值，通过重建彩色图像得到待增强图像的增强图像。
在本实施方式中，重建彩色图像，可按照公式
对增强后的亮度分量重建彩色图像，即可得到待增强图像的增强图像。其中，Y1表示增强后的亮度分量，Y表示初始亮度分量，
表示待增强图像。
本发明实施例中提供了一种对待增强图像进行图像增强的方法，采用本申请的图像增强方法，利用全变分模型首先分离Base和细节，然后进一步从细节中分离纹理和噪声，然后仅对Base和纹理进行增强，与传统的未区分边缘、纹理及噪声进行图像增强相比，在提升图像对比度时不会明显引入噪声，有效避免了噪声的同步提升，图像效果更好。同时，通过对边缘、纹理及噪声的不同处理，避免提升对比度的同时噪声同步增强，在提升图像对比度、可见性的同时，避免噪声的同步放大或细节的损失。而且，与类似超像素分割进行图像增强相比，本案的图像增强方法复杂度比较低，容易硬件或软件实时实现。
图7是本发明实施例中提供的一种图像处理装置的结构框图。本实施例可适用于对不同场景下采集的图像进行图像增强的情况。该装置可以采用软件和/或硬件的方式实现，并集成在任何具有网络通信功能的电子设备上。如图7所示，本实施例中提供的图像处理装置，可包括：降质场景识别模块710和图像增强处理模块720。其中：
降质场景识别模块710，用于分别基于目标图像和所述目标图像的像素取反图像，进行预设图像降质场景识别，以确定所述目标图像的采集场景；
图像增强处理模块720，用于依据所述目标图像的采集场景，对所述目标图像进行图像增强，得到所述目标图像的增强图像。
在上述实施例的基础上，可选地，降质场景识别模块710包括：
降质场景识别单元，用于对目标图像进行预设图像降质场景识别；
降质场景识别单元，还用于若确定所述目标图像不属于预设图像降质场景的图像，则对所述目标图像的像素取反图像进行所述预设图像降质场景识别；
采集场景确定单元，用于依据对所述像素取反图像的识别结果，确定所述目标图像的采集场景。
在上述实施例的基础上，可选地，采集场景确定单元包括：
若依据对所述像素取反图像的识别结果，确定所述像素取反图像属于预设图像降质场景的图像，则确定目标图像的采集场景为另一图像降质场景。
在上述实施例的基础上，可选地，在所述预设图像降质场景为雾霾场景时，所述另一图像降质场景为低照度或者宽动态场景；在所述预设图像降质场景为低照度或者宽动态场景时，所述另一图像降质场景为雾霾场景。
在上述实施例的基础上，可选地，所述预设图像降质场景为雾霾场景，待识别图像为所述目标图像或所述目标图像的像素取反图像；
相应地，降质场景识别单元包括：
雾霾浓度统计子单元，用于依据待识别图像在预设色域空间的亮度信息和色饱和度信息，确定所述待识别图像中各像素的雾浓度统计值；其中，所述待识别图像为所述目标图像或所述目标图像的像素取反图像；
雾霾像素确定子单元，用于将所述待识别图像中雾浓度统计值属于预设统计值区间范围的像素，作为所述待识别图像中的雾霾像素；
降质场景确定子单元，用于依据所述待识别图像中雾霾像素在所述待识别图像的占比，确定所述待识别图像是否属于雾霾场景的图像。
在上述实施例的基础上，可选地，雾霾浓度统计子单元包括：
依据所述待识别图像在预设色域空间的亮度信息，确定所述待识别图像在预设色域空间的对比度信息；
分别基于所述色饱和度信息、所述亮度信息和所述对比度信息进行雾浓度估计，确定所述待识别图像中各个像素的第一雾浓度估计值、第二雾浓度估计值以及第三雾浓度估计；
将各个像素的第一雾浓度估计值、第二雾浓度估计值以及第三雾浓度估计的乘积，作为所述待识别图像中各像素的雾浓度统计值。
在上述实施例的基础上，可选地，图像增强处理模块720包括：
图像增强处理单元，用于若所述目标图像的采集场景属于图像降质场景，且与图像增强阶段关联的图像降质场景不相同，则对所述目标图像的像素取反图像进行图像增强；
图像取反处理单元，用于对所述像素取反图像的增强图像进行取反，以得到目标图像的增强图像。
在上述实施例的基础上，可选地，所述图像增强处理单元，还用于若所述目标图像的采集场景属于图像降质场景，与图像增强阶段关联的图像降质场景相同，则直接对所述目标图像进行图像增强。
在上述实施例的基础上，可选地，待增强图像为所述目标图像的像素取反图或者所述目标图像；
相应地，所述图像增强处理单元包括：
图像分层子单元，用于对所述待增强图像的初始亮度分量进行分层，得到所述初始亮度分量的Base层图像和细节层图像；
Base层增强子单元，用于对所述Base层图像进行对比度增强，得到增强后的Base层图像；
纹理增强子单元，用于对所述细节层图像进行纹理提取，得到目标纹理图像；以及，对所述目标纹理图像进行增强，得到增强后的目标纹理图像；
图像增强处理子单元，用于依据增强后的Base层图像和增强后的目标纹理图像，确定所述待增强图像的增强图像。
在上述实施例的基础上，可选地，纹理增强子单元包括：
对所述细节层图像进行分离，分别得到初步纹理图像和初步噪声图像；
确定所述初步噪声图像中各位置点属于纹理特征点的概率，并依据各位置点属于纹理特征点的概率，从所述初步噪声图像中提取遗漏的纹理特征；
依据所述初步纹理图像和所述遗漏的纹理特征，得到所述目标纹理图像。
在上述实施例的基础上，可选地，纹理增强子单元具体包括：
提取所述细节层图像的细节边缘图像和所述目标纹理图像的纹理边缘图像；
对于所述初步噪声图像中任一位置点，依据该位置点在所述细节边缘图像的第一边缘强度与在所述纹理边缘图像的第二边缘强度之间的强度比值，确定各位置点属于纹理特征点的概率。
在上述实施例的基础上，可选地，图像增强处理子单元包括：
将增强后的Base层图像与增强后的目标纹理图像叠加，得到增强后的亮度分量；
依据增强后的亮度分量与所述初始亮度分量之间的比值，通过重建彩色图像得到所述待增强图像的增强图像。
本发明实施例中所提供的图像处理装置可执行上述本发明任意实施例中所提供的图像处理方法，具备执行该图像处理方法相应的功能和有益效果，详细过程参见前述实施例中图像处理方法的相关操作。
图8是本发明实施例中提供的一种电子设备的结构示意图。如图8所示结构，本发明实施例中提供的电子设备包括：一个或多个处理器810和存储装置820；该电子设备中的处理器810可以是一个或多个，图8中以一个处理器810为例；存储装置820用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器810执行，使得所述一个或多个处理器810实现如本发明实施例中任一项所述的图像处理方法。
该电子设备还可以包括：输入装置830和输出装置840。
该电子设备中的处理器810、存储装置820、输入装置830和输出装置840可以通过总线或其他方式连接，图8中以通过总线连接为例。
该电子设备中的存储装置820作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中所提供的图像处理方法对应的程序指令/模块。处理器810通过运行存储在存储装置820中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中提供的图像处理方法。
存储装置820可包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储装置820可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置820可进一步包括相对于处理器810远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置830可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置840可包括显示屏等显示设备。
并且，当上述电子设备所包括一个或者多个程序被所述一个或者多个处理器810执行时，程序进行如下操作：
分别基于目标图像和所述目标图像的像素取反图像，进行预设图像降质场景识别，以确定所述目标图像的采集场景；
依据所述目标图像的采集场景，对所述目标图像进行图像增强，得到所述目标图像的增强图像。
当然，本领域技术人员可以理解，当上述电子设备所包括一个或者多个程序被所述一个或者多个处理器810执行时，程序还可以进行本发明任意实施例中所提供的图像处理方法中的相关操作。
本发明实施例中提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时用于执行图像处理方法，该方法包括：
分别基于目标图像和所述目标图像的像素取反图像，进行预设图像降质场景识别，以确定所述目标图像的采集场景；
依据所述目标图像的采集场景，对所述目标图像进行图像增强，得到所述目标图像的增强图像
可选的，该程序被处理器执行时还可以用于执行本发明任意实施例中所提供的图像处理方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random AccessMemory，RAM)、只读存储器(Read Only Memory，ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、无线电频率(RadioFrequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种图像处理方法，其特征在于，所述方法包括：
分别基于目标图像和所述目标图像的像素取反图像，进行预设图像降质场景识别，以确定所述目标图像的采集场景；
依据所述目标图像的采集场景，对所述目标图像进行图像增强，得到所述目标图像的增强图像。
2.根据权利要求1所述的方法，其特征在于，分别基于目标图像和所述目标图像的像素取反图像，进行预设图像降质场景识别，包括：
对目标图像进行预设图像降质场景识别；
若确定所述目标图像不属于预设图像降质场景的图像，则对所述目标图像的像素取反图像进行所述预设图像降质场景识别；
依据对所述像素取反图像的识别结果，确定所述目标图像的采集场景。
3.根据权利要求2所述的方法，其特征在于，依据对所述像素取反图像的识别结果，确定所述目标图像的采集场景，包括：
若依据对所述像素取反图像的识别结果，确定所述像素取反图像属于预设图像降质场景的图像，则确定目标图像的采集场景为另一图像降质场景。
4.根据权利要求3所述的方法，其特征在于，在所述预设图像降质场景为雾霾场景时，所述另一图像降质场景为低照度或者宽动态场景；在所述预设图像降质场景为低照度或者宽动态场景时，所述另一图像降质场景为雾霾场景。
5.根据权利要求2所述的方法，其特征在于，所述预设图像降质场景为雾霾场景，待识别图像为所述目标图像或所述目标图像的像素取反图像；
相应地，对所述待识别图像进行预设图像降质场景识别，包括：
依据待识别图像在预设色域空间的亮度信息和色饱和度信息，确定所述待识别图像中各像素的雾浓度统计值；其中，所述待识别图像为所述目标图像或所述目标图像的像素取反图像；
将所述待识别图像中雾浓度统计值属于预设统计值区间范围的像素，作为所述待识别图像中的雾霾像素；
依据所述待识别图像中雾霾像素在所述待识别图像的占比，确定所述待识别图像是否属于雾霾场景的图像。
6.根据权利要求5所述的方法，其特征在于，依据所述待识别图像在预设色域空间的亮度信息和色饱和度信息，确定所述待识别图像中各像素的雾浓度统计值，包括：
依据所述待识别图像在预设色域空间的亮度信息，确定所述待识别图像在预设色域空间的对比度信息；
分别基于所述色饱和度信息、所述亮度信息和所述对比度信息进行雾浓度估计，确定所述待识别图像中各个像素的第一雾浓度估计值、第二雾浓度估计值以及第三雾浓度估计；
将各个像素的第一雾浓度估计值、第二雾浓度估计值以及第三雾浓度估计的乘积，作为所述待识别图像中各像素的雾浓度统计值。
7.根据权利要求1所述的方法，其特征在于，依据所述目标图像的采集场景，对所述目标图像进行图像增强，包括：
若所述目标图像的采集场景属于图像降质场景，且与图像增强阶段关联的图像降质场景不相同，则对所述目标图像的像素取反图像进行图像增强；
对所述像素取反图像的增强图像进行取反，以得到目标图像的增强图像。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
若所述目标图像的采集场景属于图像降质场景，与图像增强阶段关联的图像降质场景相同，则直接对所述目标图像进行图像增强。
9.根据权利要求7或8所述的方法，其特征在于，待增强图像为所述目标图像的像素取反图或者所述目标图像；
相应地，对所述待增强图像进行图像增强，包括：
对所述待增强图像的初始亮度分量进行分层，得到所述初始亮度分量的Base层图像和细节层图像；
对所述Base层图像进行对比度增强，得到增强后的Base层图像；
对所述细节层图像进行纹理提取，得到目标纹理图像；以及，对所述目标纹理图像进行增强，得到增强后的目标纹理图像；
依据增强后的Base层图像和增强后的目标纹理图像，确定所述待增强图像的增强图像。
10.根据权利要求9所述的方法，其特征在于，对所述细节层图像进行纹理提取，得到目标纹理图像，包括：
对所述细节层图像进行分离，分别得到初步纹理图像和初步噪声图像；
确定所述初步噪声图像中各位置点属于纹理特征点的概率，并依据各位置点属于纹理特征点的概率，从所述初步噪声图像中提取遗漏的纹理特征；
依据所述初步纹理图像和所述遗漏的纹理特征，得到所述目标纹理图像。
11.根据权利要求10所述的方法，其特征在于，确定所述初步噪声图像中各位置点属于纹理特征点的概率，包括：
提取所述细节层图像的细节边缘图像和所述目标纹理图像的纹理边缘图像；
对于所述初步噪声图像中任一位置点，依据该位置点在所述细节边缘图像的第一边缘强度与在所述纹理边缘图像的第二边缘强度之间的强度比值，确定各位置点属于纹理特征点的概率。
12.根据权利要求9所述的方法，其特征在于，依据增强后的Base层图像和增强后的目标纹理图像，确定所述待增强图像的增强图像，包括：
将增强后的Base层图像与增强后的目标纹理图像叠加，得到增强后的亮度分量；
依据增强后的亮度分量与所述初始亮度分量之间的比值，通过重建彩色图像得到所述待增强图像的增强图像。
13.一种图像处理装置，其特征在于，所述装置包括：
降质场景识别模块，用于分别基于目标图像和所述目标图像的像素取反图像，进行预设图像降质场景识别，以确定所述目标图像的采集场景；
图像增强处理模块，用于依据所述目标图像的采集场景，对所述目标图像进行图像增强，得到所述目标图像的增强图像。
14.一种电子设备，其特征在于，包括：
一个或多个处理装置；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现权利要求1-12中任一所述的图像处理方法。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-12中任一所述的图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010403137.7A CN113674158A (zh) | 2020-05-13 | 2020-05-13 | 图像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010403137.7A CN113674158A (zh) | 2020-05-13 | 2020-05-13 | 图像处理方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113674158A true CN113674158A (zh) | 2021-11-19 |
Family
ID=78537004
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010403137.7A Pending CN113674158A (zh) | 2020-05-13 | 2020-05-13 | 图像处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113674158A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117409153A (zh) * | 2023-12-15 | 2024-01-16 | 深圳大学 | 一种浑浊介质中的三维目标透射成像方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103177424A (zh) * | 2012-12-07 | 2013-06-26 | 西安电子科技大学 | 一种低照度图像的增强和去噪方法 |
| CN106663326A (zh) * | 2014-06-12 | 2017-05-10 | Eizo株式会社 | 图像处理***及计算机可读记录介质 |
| WO2018099136A1 (zh) * | 2016-11-29 | 2018-06-07 | 深圳市中兴微电子技术有限公司 | 一种低照度图像降噪方法、装置及存储介质 |
| CN110113510A (zh) * | 2019-05-27 | 2019-08-09 | 杭州国翌科技有限公司 | 一种实时视频图像增强方法和高速相机*** |
| CN110634112A (zh) * | 2019-10-15 | 2019-12-31 | 中国矿业大学(北京) | 一种双域分解的矿井下含噪声图像的增强方法 |
| CN110807742A (zh) * | 2019-11-21 | 2020-02-18 | 西安工业大学 | 一种基于一体式网络的微光图像增强方法 |
-
2020
- 2020-05-13 CN CN202010403137.7A patent/CN113674158A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103177424A (zh) * | 2012-12-07 | 2013-06-26 | 西安电子科技大学 | 一种低照度图像的增强和去噪方法 |
| CN106663326A (zh) * | 2014-06-12 | 2017-05-10 | Eizo株式会社 | 图像处理***及计算机可读记录介质 |
| WO2018099136A1 (zh) * | 2016-11-29 | 2018-06-07 | 深圳市中兴微电子技术有限公司 | 一种低照度图像降噪方法、装置及存储介质 |
| CN110113510A (zh) * | 2019-05-27 | 2019-08-09 | 杭州国翌科技有限公司 | 一种实时视频图像增强方法和高速相机*** |
| CN110634112A (zh) * | 2019-10-15 | 2019-12-31 | 中国矿业大学(北京) | 一种双域分解的矿井下含噪声图像的增强方法 |
| CN110807742A (zh) * | 2019-11-21 | 2020-02-18 | 西安工业大学 | 一种基于一体式网络的微光图像增强方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117409153A (zh) * | 2023-12-15 | 2024-01-16 | 深圳大学 | 一种浑浊介质中的三维目标透射成像方法 |
| CN117409153B (zh) * | 2023-12-15 | 2024-05-07 | 深圳大学 | 一种浑浊介质中的三维目标透射成像方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636754B (zh) | 基于生成对抗网络的极低照度图像增强方法 | |
| JP6803378B2 (ja) | 逆トーンマッピングの方法及び装置 | |
| EP2852152B1 (en) | Image processing method, apparatus and shooting terminal | |
| CN107172354B (zh) | 视频处理方法、装置、电子设备及存储介质 | |
| US10074162B2 (en) | Brightness control for spatially adaptive tone mapping of high dynamic range (HDR) images | |
| WO2022179335A1 (zh) | 视频处理方法、装置、电子设备以及存储介质 | |
| CN106846276B (zh) | 一种图像增强方法及装置 | |
| CN111784605B (zh) | 一种基于区域指导的图像降噪方法、计算机装置及计算机可读存储介质 | |
| KR102567860B1 (ko) | 개선된 역 톤 매핑 방법 및 대응하는 디바이스 | |
| CN109587558B (zh) | 视频处理方法、装置、电子设备以及存储介质 | |
| WO2020108060A1 (zh) | 视频处理方法、装置、电子设备以及存储介质 | |
| JP5286215B2 (ja) | 輪郭抽出装置、輪郭抽出方法、および輪郭抽出プログラム | |
| CN113674158A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN117218039A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN110136085B (zh) | 一种图像的降噪方法及装置 | |
| WO2023011280A1 (zh) | 图像噪声程度估计方法、装置、电子设备及存储介质 | |
| CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
| CN116189037A (zh) | 一种火焰检测的识别方法、装置及终端设备 | |
| CN112887513B (zh) | 图像降噪方法及摄像机 | |
| CN112488933B (zh) | 一种视频的细节增强方法、装置、移动终端和存储介质 | |
| Dewei et al. | Fast single image haze removal method based on atmospheric scattering model | |
| CN114092884A (zh) | 摄像机镜头移位检测方法、装置、电子设备及存储介质 | |
| CN108133204B (zh) | 一种手体识别方法、装置、设备及计算机可读存储介质 | |
| Neelima et al. | Performance Evaluation of Clustering Based Tone Mapping Operators with State-of-Art Methods | |
| CN112801932A (zh) | 图像显示方法、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 |