The invention discloses an image enhancement processing method and device, which belongs to the field of image processing. The method includes: using the first regression network model to process the specified image, obtaining the content feature map of the specified image, processing the gradient map of the specified image by the second regression network model, obtaining the edge feature map of the specified image, and using the fusion processing model for the content features. The image is merged with the edge feature map to get the restored image. The image enhancement processing method provided by the invention has better processing effect and higher processing efficiency.
【技术实现步骤摘要】
图像增强处理方法及装置
本专利技术涉及图像处理领域,特别涉及一种图像增强处理方法及装置。
技术介绍
图像增强是一种用于增强图像中的有用信息,改善图像的视觉效果的方法。相关技术中,对于在低光照场景下拍摄的低光照图像,终端一般会采用预先配置的图像增强处理算法对该低光照图像进行增强处理。例如,终端可以调整该低光照图像中每个像素的红绿蓝(RGB)值,进而改善该低光照图像的视觉效果。但是,相关技术中的图像增强处理方法只能整体调高整幅低光照图像的亮度,其处理效果较差。
技术实现思路
本专利技术实施例提供了一种图像增强处理方法及装置,可以解决相关技术中的图像增强处理方法处理效果较差的问题。技术方案如下:一方面,提供了一种图像增强处理方法,所述方法包括:采用第一回归网络模型对指定图像进行处理,得到所述指定图像的内容特征图;采用第二回归网络模型对所述指定图像的梯度图进行处理,得到所述指定图像的边缘特征图;采用融合处理模型,对所述内容特征图和所述边缘特征图进行融合处理,得到恢复图像。另一方面,提供了一种图像增强处理装置,所述装置包括:第一处理模块,用于采用第一回归网络模型对指定图像进行处理,得到所述指定图像的内容特征图;第二处理模块,用于采用第二回归网络模型对所述指定图像的梯度图进行处理,得到所述指定图像的边缘特征图;第三处理模块,用于采用融合处理模型,对所述内容特征图和所述边缘特征图进行融合处理,得到恢复图像。又一方面,提供了一种终端,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集 ...
【技术保护点】
1.一种图像增强处理方法,其特征在于,所述方法包括:采用第一回归网络模型对指定图像进行处理,得到所述指定图像的内容特征图;采用第二回归网络模型对所述指定图像的梯度图进行处理,得到所述指定图像的边缘特征图;采用融合处理模型,对所述内容特征图和所述边缘特征图进行融合处理,得到恢复图像。
【技术特征摘要】
1.一种图像增强处理方法,其特征在于,所述方法包括:采用第一回归网络模型对指定图像进行处理,得到所述指定图像的内容特征图;采用第二回归网络模型对所述指定图像的梯度图进行处理,得到所述指定图像的边缘特征图;采用融合处理模型,对所述内容特征图和所述边缘特征图进行融合处理,得到恢复图像。2.根据权利要求1所述的方法,其特征在于,所述第一回归网络模型包括:N个卷积块,以及与所述N个卷积块一一对应的N个反卷积块,所述N为正整数,每个所述卷积块包括多个卷积处理层,属于同一卷积块的任意两个卷积处理层的尺度相同,属于不同卷积块的任意两个卷积处理层的尺度不同,每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等,每个反卷积块包括的卷积处理层的尺度,与对应的卷积块所包括的卷积处理层的尺度相同;所述采用第一回归网络模型对指定图像进行处理,得到所述指定图像的内容特征图,包括:采用所述N个卷积块依次对所述指定图像进行处理,得到中间特征图;采用所述N个反卷积块依次对所述中间特征图进行处理,得到所述内容特征图。3.根据权利要求2所述的方法,其特征在于,所述N等于3;所述N个卷积块包括第一卷积块、第二卷积块和第三卷积块,其中,所述第一卷积块包括:两个腐蚀卷积层和一个卷积层;所述第二卷积块包括:两个卷积层和一个下采样卷积层;所述第三卷积块包括:三个卷积层;所述N个反卷积块包括第一反卷积块、第二反卷积块和第三反卷积块,其中,所述第一反卷积块包括:三个卷积层;所述第二反卷积块包括:一个反卷积层和两个卷积层;所述第三反卷积块包括:一个反卷积层和两个卷积层。4.根据权利要求1所述的方法,其特征在于,所述第二回归网络模型包括:M个卷积块、与所述M个卷积块一一对应的M个反卷积块以及循环神经网络模型,所述M为正整数,每个所述卷积块包括多个卷积处理层,属于同一卷积块的任意两个卷积处理层的尺度相同,属于不同卷积块的任意两个卷积处理层的尺度不同,每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等,每个反卷积块包括的卷积处理层的尺度,与对应的卷积块所包括的卷积处理层的尺度相同;所述采用第二回归网络模型对所述指定图像的梯度图进行处理,得到所述指定图像的边缘特征图,包括:采用所述M个卷积块依次对所述指定图像的梯度图进行处理,得到中间梯度特征图;采用所述M个反卷积块依次对所述中间梯度特征图进行处理,得到第一特征图;确定所述循环神经网络模型在不同梯度方向上的权重值;基于确定权重值的所述循环神经网络模型,对所述第一特征图进行处理,得到所述指定图像的边缘特征图。5.根据权利要求4所述的方法,其特征在于,所述第二回归网络模型,还包括:下采样模型,所述下采样模型包括多个不同尺度的下采样卷积层;所述确定所述循环神经网络模型在不同梯度方向上的权重值,包括:采用所述多个不同尺度的下采样卷积层分别对叠加图像进行处理,得到多个不同尺度的第二特征图,其中,所述叠加图像为对所述指定图像和所述梯度图进行叠加后得到的图像;对所述第一特征图和所述多个不同尺度的第二特征图进行分层处理,确定所述循环神经网络模型在不同梯度方向上的权重值。6.根据权利要求4所述的方法,其特征在于,所述M等于3;所述M个卷积块包括第四卷积块、第五卷积块和第六卷积块,其中,所述第四卷积块包括:两个卷积层和一个下采样卷积层;第五卷积块包括:两个卷积层和一个下采样卷积层;第六卷积块包括:三个卷积层;所述M个反卷积块包括第四反卷积块、第五反卷积块和第六反卷积块,其中,第四反卷积块包括:三个卷积层;第五反卷积块包括:一个反卷积层和两个卷积层;第六反卷积块包括:一个反卷积层和两个卷积层。7.根据权利要求1至6任一所述的方法,其特征在于,所述第一回归网络模型包括:N个卷积块,以及与所述N个卷积块一一对应的N个反卷积块;所述第二回归网络模型包括:M个卷积块、与所述M个卷积块一一对应的M个反卷积块;所述N和M均为正整数,每个所述卷积块包括多个卷积处理层,属于同一卷积块的任意两个卷积处理层的尺度相同,属于不...
【专利技术属性】
技术研发人员:任文琦,马林,刘威,操晓春,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。