[发明专利]一种暗图像处理方法及系统

说明书

本申请实施例公开了一种暗图像处理方法及系统，涉及图像处理技术领域。所述方法包括：获取网络训练的图像数据集；搭建全卷积网络结构；训练所述全卷积网络；生成全卷积网络模型；根据所述全卷积网络模型，处理暗图像。本申请的暗图像处理方法及系统，通过获取图像数据集，训练搭建的全卷积网络，利用生成的全卷积网络模型处理暗图像，提高图像处理效果，改善摄影体验。

技术领域

本申请涉及图像处理技术领域，尤其涉及暗图像处理方法及系统。

背景技术

随着移动互联网、移动终端的发展，信息以超出想象的速度发生爆发式的增长。在信息时代，图像是用户信息交互的重要载体，使用移动终端拍照已成为一种生活方式。但在暗光条件，由于低亮度和低信噪比等致使图像质量下降，而长曝光的拍摄条件导致图像模糊且不真实。目前，暗光条件的拍摄图像可以利用去噪、去模糊、图像增强等技术进行图像处理。然而，现有技术的缩放或直方图拉伸等图像后处理可以缓解噪声影响，但不能从根本上解决低信噪比问题。此外，若采用物理方法在暗光条件增加信噪比，例如，开放光圈、延长曝光时间以及使用闪光灯等，也存在无法抓拍等缺陷。暗光条件的快速成像系统一直是计算摄影的挑战，需要进一步研究。

因此，期望提供一种暗图像处理方法及系统，通过获取图像数据集，训练搭建的全卷积网络，利用生成的全卷积网络模型处理暗图像，提高图像处理效果，改善摄影体验。

发明内容

根据本申请的一些实施例的第一方面，提供了一种暗图像处理方法，应用于终端(例如，电子设备等)中，所述方法可以包括：获取网络训练的图像数据集；搭建全卷积网络结构；训练所述全卷积网络；生成全卷积网络模型；根据所述全卷积网络模型，处理暗图像。

在一些实施例中，所述获取网络训练的图像数据集包括获取明暗成对的目标图像集和输入图像集。

在一些实施例中，所述训练所述全卷积网络进一步包括：裁剪所述目标图像集和所述输入图像集；翻转所述目标图像集和所述输入图像集；执行所述全卷积网络的迭代训练。

在一些实施例中，所述裁剪用于缩小图像尺寸；所述翻转用于图像数据增强，包括水平翻转和竖直翻转。

在一些实施例中，所述搭建全卷积网络结构进一步包括：构建多个卷积层和池化层，逐层执行反卷积、反池化处理，用于像素值预测；增加反卷积层和反池化层对卷积层得到的特征图进行上采样，并对结果执行图像相加、图像插值操作，以还原图像尺寸。

在一些实施例中，所述像素值预测包括像素预测，以及每一像素的RGB值预测。

在一些实施例中，所述全卷积网络结构包括一次或多次卷积和池化，一次或多次反卷积和反池化，以及插值。

在一些实施例中，所述卷积操作和反卷积操作包括将卷积核在图像上往返移动扫描，计算得到卷积或反卷积后的图像；所述池化操作包括对卷积图像每隔两个像素取一个区域最大值，得到池化图像；所述反池化操作包括将图像案子池化时的最大值的位置反向扩充，非最大值位置执行零值处理，得到反池化图像；所述插值操作包括用相邻的像素值取均值插入在两个像素之间，以扩大一倍图像尺寸。

在一些实施例中，所述根据所述全卷积网络模型，处理暗图像进一步包括：向所述全卷积网络模型，输入一个暗图像；根据所述全卷积网络模型，处理所述暗图像；输出所述暗图像对应的亮图像。

根据本申请的一些实施例的第二方面，提供了一个系统，包括：一个存储器，被配置为存储数据及指令；一个与存储器建立通信的处理器，其中，当执行存储器中的指令时，所述处理器被配置为：获取网络训练的图像数据集；搭建全卷积网络结构；训练所述全卷积网络；生成全卷积网络模型；根据所述全卷积网络模型，处理暗图像。

因此，根据本申请的一些实施例的暗图像处理方法及系统，通过获取图像数据集，训练搭建的全卷积网络，利用生成的全卷积网络模型处理暗图像，提高图像处理效果，改善摄影体验。