一种图像处理方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开了一种图像处理方法、装置、设备及存储介质，该方法包括：基于语义分割算法对目标图像进行语义分割，得到目标图像中每个像素的类别标签；基于目标图像中每个像素的类别标签，确定目标图像中由相同类别标签的像素组成的至少一个物体，以及至少一个物体的类别标签；对目标图像中的每一个物体的饱和度进行自适应调整，得到第一调整图像；接着基于确定的目标拍摄场景对第一调整图像中的特定参数进行自适应调整，得到第二调整图像。采用图像语义分割结果进行图像参数的调整，考量了图像中物体的类别信息，来实现对图像中不同类别物体的图像参数的自适应调整，重建图像色彩，使图像颜色更鲜艳自然。

An image processing method, device, device and storage medium

【技术实现步骤摘要】
一种图像处理方法、装置、设备及存储介质
本申请涉及图像技术，尤其涉及一种图像处理方法、装置、设备及存储介质。
技术介绍
目前对图像的参数进行调整时，主要是根据亮度信息将图像划分为不同亮度水平的多个区域或者采用分水岭方法对图像进行分割，在对不同区域的图像参数进行单独调整。比如，调整对比度时，前者主要是通过计算不同区域的空间频率，基于亮度水平和空间频率计算出每个区域的对比度，最后将多个区域合并为一幅完整的图像。后者主要是先获得当前图像对应的灰阶图像，对灰阶图像进行分割，获得若干分割区域；根据分割区域的面积，计算出最小可察觉误差(Justnoticeabledifference，JND)值及当前图像的背景亮度值，计算得到目标对比度；根据目标对比度及预设条件，调整图像不同区域的对比度。但现有技术对不同内容图像的调整效果千差万别调整效果稳定性差。
技术实现思路
为解决上述技术问题，本申请实施例期望提供一种图像处理方法、装置、设备及存储介质。本申请的技术方案是这样实现的：第一方面，提供了一种图像处理方法，该方法包括：基于语义分割算法对目标图像进行语义分割，得到所述目标图像的语义分割结果；其中，所述语义分割结果中包含所述目标图像中每个像素的类别标签；基于所述目标图像中每个像素的类别标签，确定所述目标图像中由相同类别标签的像素组成的至少一个物体，以及所述至少一个物体的类别标签；基于饱和度调整策略，对所述目标图像中所述至少一个物体的饱和度进行自适应调整，得到第一调整图像；基于所述至少一个物体的类别标签，确定所述目标图像的目标拍摄场景；基于所述目标拍摄场景对所述第一调整图像的特定参数进行自适应调整，得到第二调整图像；其中，所述特定参数包括以下至少之一：明暗度、对比度和色彩。第二方面，提供了一种图像处理装置，该装置包括：检测单元，用于基于语义分割算法对目标图像进行语义分割，得到所述目标图像的语义分割结果；其中，所述语义分割结果中包含所述目标图像中每个像素的类别标签；处理单元，用于基于所述目标图像中每个像素的类别标签，确定所述目标图像中由相同类别标签的像素组成的至少一个物体，以及所述至少一个物体的类别标签；调整单元，用于基于饱和度调整策略，对所述目标图像中所述至少一个物体的饱和度进行自适应调整，得到第一调整图像；所述处理单元，还用于基于所述至少一个物体的类别标签，确定所述目标图像的目标拍摄场景；所述调整单元，还用于基于所述目标拍摄场景对所述第一调整图像的特定参数进行自适应调整，得到第二调整图像；其中，所述特定参数包括以下至少之一：明暗度、对比度和色彩。第三方面，提供了一种图像处理设备，包括：处理器和配置为存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器配置为运行所述计算机程序时，执行前述方法的步骤。第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现前述方法的步骤。本申请实施例提供了图像处理方法、装置、设备及存储介质，该方法基于语义分割算法对目标图像进行语义分割，得到所述目标图像的语义分割结果；其中，所述语义分割结果中包含所述目标图像中每个像素的类别标签；基于所述目标图像中每个像素的类别标签，确定所述目标图像中由相同类别标签的像素组成的至少一个物体，以及所述至少一个物体的类别标签；对目标图像中的每一个物体的饱和度进行自适应调整，得到第一调整图像；接着基于确定的目标拍摄场景对第一调整图像中的特定参数进行自适应调整，得到第二调整图像。采用图像语义分割结果进行图像参数的调整，考量了图像中物体的类别信息，来实现对图像中不同类别物体的图像参数的自适应调整，重建图像色彩，使图像颜色更鲜艳自然。附图说明图1为本申请实施例中图像处理方法的第一流程示意图；图2为本申请实施例中语义分割流程示意图；图3为本申请实施例中图像处理方法的第二流程示意图；图4为本申请实施例中像素的邻域位置示意图；图5为本申请实施例中图像处理方法的第三流程示意图；图6为本申请实施例中图像处理装置的组成结构示意图；图7为本申请实施例中图像处理设备的组成结构示意图。具体实施方式为了能够更加详尽地了解本申请实施例的特点与
技术实现思路
，下面结合附图对本申请实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本申请实施例。本申请实施例提供了一种图像处理方法，图1为本申请实施例中图像处理方法的第一流程示意图，如图1所示，该方法具体可以包括：步骤101：基于语义分割算法对目标图像进行语义分割，得到所述目标图像的语义分割结果；其中，所述语义分割结果中包含所述目标图像中每个像素的类别标签；步骤102：基于所述目标图像中每个像素的类别标签，确定所述目标图像中由相同类别标签的像素组成的至少一个物体，以及所述至少一个物体的类别标签；步骤103：基于饱和度调整策略，对所述目标图像中所述至少一个物体的饱和度进行自适应调整，得到第一调整图像；步骤104：基于所述至少一个物体的类别标签，确定所述目标图像的目标拍摄场景；步骤105：基于所述目标拍摄场景对所述第一调整图像的特定参数进行自适应调整，得到第二调整图像；其中，所述特定参数包括以下至少之一：明暗度、对比度和色彩。这里，步骤101至步骤105的执行主体可以为图像处理装置处理器。这里，图像处理装置可以为智能手机、个人电脑(例如平板电脑、台式电脑、笔记本、上网本、掌上电脑)、相机、摄像机、虚拟现实设备和可穿戴设备等。实际应用时，获取图像采集单元采集的目标图像，图像采集单元可以位于图像处理装置中，使图像处理装置同时具备图像采集功能和图像处理功能，比如智能手机。图像采集单元也可以独立于图像处理装置单独存在，图像采集单元只具备图像处理功能。图像处理单元还可以具备图像输出单元，用于向用户展示图像。随着计算机计算能力的增强和大数据技术的发展，深度学习被广泛应用于图像识别、图像检测和图像分割任务中。深度学习属于机器学习领域，是一种深层神经网络。与传统机器学习不同的是，深度学习无需人工设计特征，可根据大量数据自动提取特征，通过不断组合浅层特征形成抽象的深层特征将样本在原空间的特征表示转换到一个新特征空间。通过设计网络结构和参数调优，建立从输入到输出的函数映射关系从而训练学习得到样本数据的内在规律。利用深度学习技术进行语义分割主要采用全卷积神经网络和基于弱监督的深度卷积神经网络两种方法。本申请实施例采用基于弱监督的深度卷积神经网络的方法根据图像级别标签获得显著性对象区域的高质量种子，利用显著性信息进行模型训练，并充分利用物体信息和引入图像统计的先验知识实现图像语义分割。图2为本申请实施例中语义分割流程示意图，如图2所示，从训练样本库中获取输入图像，输入图像已经进行了图像级别标签，该输入图像中包含的物体包括人、桌子和椅子，结合种本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，所述方法包括：/n基于语义分割算法对目标图像进行语义分割，得到所述目标图像的语义分割结果；其中，所述语义分割结果中包含所述目标图像中每个像素的类别标签；/n基于所述目标图像中每个像素的类别标签，确定所述目标图像中由相同类别标签的像素组成的至少一个物体，以及所述至少一个物体的类别标签；/n基于饱和度调整策略，对所述目标图像中所述至少一个物体的饱和度进行自适应调整，得到第一调整图像；/n基于所述至少一个物体的类别标签，确定所述目标图像的目标拍摄场景；/n基于所述目标拍摄场景对所述第一调整图像的特定参数进行自适应调整，得到第二调整图像；其中，所述特定参数包括以下至少之一：明暗度、对比度和色彩。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：
基于语义分割算法对目标图像进行语义分割，得到所述目标图像的语义分割结果；其中，所述语义分割结果中包含所述目标图像中每个像素的类别标签；
基于所述目标图像中每个像素的类别标签，确定所述目标图像中由相同类别标签的像素组成的至少一个物体，以及所述至少一个物体的类别标签；
基于饱和度调整策略，对所述目标图像中所述至少一个物体的饱和度进行自适应调整，得到第一调整图像；
基于所述至少一个物体的类别标签，确定所述目标图像的目标拍摄场景；
基于所述目标拍摄场景对所述第一调整图像的特定参数进行自适应调整，得到第二调整图像；其中，所述特定参数包括以下至少之一：明暗度、对比度和色彩。


2.根据权利要求1所述的方法，其特征在于，所述基于饱和度调整策略，对所述目标图像中所述至少一个物体的饱和度进行自适应调整，包括：
获取目标物体的初始饱和度；其中，所述目标物体为所述至少一个物体中的任意一个物体；
基于第一饱和度增强算法，将所述目标物体的初始饱和度调整为第一饱和度；
基于第二饱和度增强算法，将所述目标物体的第一饱和度调整为第二饱和度，得到所述第一调整图像。


3.根据权利要求2所述的方法，其特征在于，所述第一饱和度增强算法包括：
所述初始饱和度小于或者等于第一阈值时，将所述初始饱和度作为所述第一饱和度；
所述初始饱和度大于所述第一阈值且小于或者等于第二阈值时，基于所述初始饱和度、第一系数和第一常数，计算得到所述第一饱和度；
所述初始饱和度大于所述第二阈值且小于或者等于第三阈值时，基于所述初始饱和度、第二系数和第二常数，计算得到所述第一饱和度；
所述初始饱和度大于所述第三阈值时，基于所述初始饱和度和第三系数，得到所述第一饱和度。


4.根据权利要求2所述的方法，其特征在于，所述第二饱和度增强算法包括：
基于所述第一饱和度、所述目标物体的平均亮度、所述目标物体邻域的平均亮度和局部相关系数，计算得到所述第二饱和度。


5.根据权利要求1所述的方法，其特征在于，所述基于所述至少一个物体的类别标签，确定所述目标图像的目标拍摄场景，包括：<...

【专利技术属性】
技术研发人员：徐宏，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：广东;44