[发明专利]图像处理方法、电子装置及芯片

说明书

本申请公开了一种图像处理方法、电子装置及芯片，该图像处理方法包括：使用暗光图像数据集和增强图像数据集对初始增强模型进行训练，获得图像增强模型；其中，初始增强模型用于基于解耦表征提取至少一种图像特征，并根据至少一种图像特征进行图像增强处理；通过图像增强模型对待处理暗光图像进行增强处理，获得增强后图像。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种图像处理方法、电子装置及芯片。

背景技术

随着智能手机的普及和发展，对手机拍照的成像要求也越来越高。但是在低光照或夜景场景下，手机的成像过暗，图像中的细节无法清晰呈现，图像质量低。为了解决手机夜景成像质量低的问题，就需要对图像进行增强。

常见的基于深度学习的图像增强方式，往往需要数据驱动的方法。此类方法都是通过在大规模配对的数据集上训练卷积神经网络，学习到夜景暗光图像到高质量的增强图像之间的映射关系。此类方法主要有以下缺点：获取一个配对的数据集非常耗费成本，复杂度高；使用固定场景下的数据集，训练出的网络鲁棒性和泛化性不强，此网络面对新场景增强效果往往很差。

可见，目前的暗光图像的增强方式，普遍存在耗时耗力、复杂度高、处理效果不佳的问题。

发明内容

本申请实施例提供了一种图像处理方法、电子装置及芯片能够满足实时性要求高的应用场景，进而可以提升图像处理的效率和效果。

本申请实施例的技术方案是这样实现的：

第一方面，本申请实施例提供了一种图像处理方法，所述方法包括：

使用暗光图像数据集和增强图像数据集对初始增强模型进行训练，获得图像增强模型；其中，所述初始增强模型用于基于解耦表征提取至少一种图像特征，并根据所述至少一种图像特征进行图像增强处理；

通过所述图像增强模型对待处理暗光图像进行增强处理，获得增强后图像。

第二方面，本申请实施例提供了一种电子装置，所述电子装置包括：训练单元，处理单元，

所述训练单元，用于使用暗光图像数据集和增强图像数据集对初始增强模型进行训练，获得图像增强模型；其中，所述初始增强模型用于基于解耦表征提取至少一种图像特征，并根据所述至少一种图像特征进行图像增强处理；

所述处理单元，用于通过所述图像增强模型对待处理暗光图像进行增强处理，获得增强后图像。

第三方面，本申请实施例提供了一种电子装置，所述电子装置包括处理器、存储有所述处理器可执行指令的存储器，当所述指令被所述处理器执行时，实现如上所述的图像处理方法。

第四方面，本申请实施例提供了一种芯片，所述芯片包括可编程逻辑电路和/或程序指令，当所述芯片运行时，实现如上所述的图像处理方法。

本申请实施例提供了一种图像处理方法、电子装置及芯片，电子装置使用暗光图像数据集和增强图像数据集对初始增强模型进行训练，获得图像增强模型；其中，初始增强模型用于基于解耦表征提取至少一种图像特征，并根据至少一种图像特征进行图像增强处理；通过图像增强模型对待处理暗光图像进行增强处理，获得增强后图像。由此可见，在本申请的实施例中，用于对暗光图像进行增强处理的图像增强模型是基于包括内容特征和/或暗光特征的解耦表征训练获得的，因此在训练过程中所使用的暗光图像数据集和增强图像数据集不要求具有映射关系，进而可以降低模型训练的成本和复杂度，且解耦表征的引入，能够提高网络模型的鲁棒性和泛化性，进而可以提升图像处理效果。

附图说明

图1为基于深度学习的图像增强方法的示意图；

图2为一种结合有监督、无监督暗光图像增强方法的实现结构图；

图3为图像处理方法的实现流程示意图；