图像处理方法、装置、系统、电子设备及存储介质制造方法及图纸

本申请提供一种图像处理方法、装置、系统、电子设备、存储介质及显示装置，包括：获取目标视力信息，从预先设置的补偿网络模型集合中选取与目标视力信息对应的目标补偿网络模型，根据目标补偿网络模型对待输出图像进行补偿，输出补偿后的待输出图像，通过从各补偿网络模型中选取与目标视力信息对应的目标补偿网络模型，并通过目标补偿网络模型对待输出图像进行补偿，无需进行复杂的结构设计，避免了相关技术中设置其他光学器件导致的结构复杂，成本偏高等问题，实现了节约成本的技术效果，且通过基于不同的视力信息选择不同的补偿网络模型对待输出图像进行补偿，可以实现普遍实用性和适用灵活性的技术效果，从而提高视力异常用户的视觉体验。

【技术实现步骤摘要】
图像处理方法、装置、系统、电子设备及存储介质
本申请涉及图像处理、计算机视觉及深度学习
，尤其涉及一种图像处理方法、装置、系统、电子设备、存储介质及显示装置。
技术介绍
随着计算机视觉技术的发展，如何提高显示装置的显示效果以增强用户的视觉体验成为了亟待解决的问题。在现有技术中，当用户为视力异常的用户时，为了提高用户的视觉体验，采用的方法为在显示装置与用户的眼睛之间放置如光波导、透镜等光学元件，使得用户无需佩戴光学校正眼镜就可以观看显示装置输出的图像。然而，专利技术人发现至少存在如下问题：不利于显示装置的小体积和轻便化设计的问题。
技术实现思路
本申请提供一种图像处理方法、装置、系统、电子设备、存储介质及显示装置，用以解决上述技术问题中的至少一种。一方面，本申请提供一种图像处理方法，包括：获取目标视力信息；从预先设置的补偿网络模型集合中选取与所述目标视力信息对应的目标补偿网络模型；根据所述目标补偿网络模型对待输出图像进行补偿；输出补偿后的待输出图像。在一些实施例中，所述从预先设置的补偿网络模型集合中选取与所述目标视力信息对应的目标补偿网络模型包括：根据预先设置的视力信息与补偿网络模型之间的映射关系，从所述补偿网络模型集合中选取与所述目标视力信息对应的所述目标补偿网络模型。在一些实施例中，所述根据预先设置的视力信息与补偿网络模型之间的映射关系，从所述补偿网络模型集合中选取与所述目标视力信息对应的所述目标补偿网络模型包括：确定所述目标视力信息的目标视力异常等级；根据所述目标视力异常等级从所述映射关系中选取所述目标补偿网络模型。在一些实施例中，所述方法还包括：确定预先设置的视力异常等级各自对应的样本视力信息；针对每一个视力异常等级的样本视力信息，采集各视力异常等级的样本视力信息各自对应的清晰样本图像和模糊样本图像；根据各视力异常等级的样本视力信息各自对应的清晰样本图像和模糊样本图像对预先设置的神经网络模型进行训练，生成包括各视力异常等级的样本视力信息各自对应的补偿网络模型的所述补偿网络模型集合。在一些实施例中，所述根据各视力异常等级的样本视力信息各自对应的清晰样本图像和模糊样本图像对预先设置的神经网络模型进行训练，生成包括各视力异常等级的样本视力信息各自对应的补偿网络模型的所述补偿网络模型集合包括：针对任意视力异常等级的样本视力信息对应的清晰样本图像和模糊样本图像，提取清晰样本图像的特征值和模糊样本图像的特征值；根据所述清晰样本图像的特征值、所述模糊样本图像的特征值及预先设置的真实值对所述神经网络模型进行训练，生成测试值；基于所述测试值、所述真实值及预先设置的代价函数对所述神经网络模型进行迭代，生成针对任意视力异常等级的样本视力信息对应的补偿网络模型。在一些实施例中，采集各视力异常等级的样本视力信息各自对应的清晰样本图像包括：针对任意视力异常等级的样本视力信息，确定标准视力的用户针对视力测量卡形成清晰图像的位置；将所述位置设置为图像采集设备的放置位置；将所述标准视力的用户通过位于所述放置位置的所述图像采集设备采集到的清晰图像确定为所述清晰样本图像。在一些实施例中，采集各视力异常等级的样本视力信息各自对应的模糊样本图像包括：针对任意视力异常等级的样本视力信息，确定任意视力异常等级的样本视力信息的用户在佩戴光学校正眼镜时在所述位置上形成的针对所述视力测量卡形成的清晰图像；确定任意视力异常等级的样本视力信息的用户在不佩戴光学校正眼镜时在所述位置上形成的针对所述视力测量卡的模糊图像；将任意视力异常等级的样本视力信息的用户在不佩戴光学校正眼镜时通过位于所述放置位置的所述图像采集设备采集到的与所述模糊图像相同模糊程度的图像确定为所述模糊样本图像。在一些实施例中，所述目标视力信息包括左眼视力信息和右眼视力信息，所述从预先设置的补偿网络模型集合中选取与所述目标视力信息对应的目标补偿网络模型包括：确定所述左眼视力信息和所述右眼视力信息的平均视力信息；从所述补偿网络模型集合中选取所述平均视力信息对应的补偿网络模型作为所述目标补偿网络模型。在一些实施例中，所述目标视力信息包括左眼视力信息和右眼视力信息，所述从预先设置的补偿网络模型集合中选取与所述目标视力信息对应的目标补偿网络模型包括：从所述补偿网络模型集合中选取所述左眼视力信息对应的左眼补偿网络模型；从所述补偿网络模型集合中选取所述右眼视力信息对应的右眼补偿网络模型，所述目标补偿网络模型包括所述左眼补偿网络模型和所述右眼补偿网络模型；以及，所述根据所述目标补偿网络模型对待输出图像进行补偿包括：根据所述左眼补偿网络模型和/或所述右眼补偿网络模型对待输出图像进行补偿。在一些实施例中，通过所述左眼补偿网络模型补偿的待输出图像的帧与通过所述右眼补偿网络模型补偿的待输出图像的帧为相邻帧。另一方面，本申请实施例还提供了一种图像处理装置，包括：获取模块，获取目标视力信息；选取模块，用于从预先设置的补偿网络模型集合中选取与所述目标视力信息对应的目标补偿网络模型；补偿模块，用于根据所述目标补偿网络模型对待输出图像进行补偿；输出模块，用于输出补偿后的待输出图像。在一些实施例中，所述选取模块用于，根据预先设置的视力信息与补偿网络模型之间的映射关系，从所述补偿网络模型集合中选取与所述目标视力信息对应的所述目标补偿网络模型。在一些实施例中，所述选取模块用于，确定所述目标视力信息的目标视力异常等级，根据所述目标视力异常等级从所述映射关系中选取所述目标补偿网络模型。在一些实施例中，所述装置还包括：确定模块，用于确定预先设置的视力异常等级各自对应的样本视力信息；采集模块，用于针对每一个视力异常等级的样本视力信息，采集各视力异常等级的样本视力信息各自对应的清晰样本图像和模糊样本图像；训练模块，用于根据各视力异常等级的样本视力信息各自对应的清晰样本图像和模糊样本图像对预先设置的神经网络模型进行训练，生成包括各视力异常等级的样本视力信息各自对应的补偿网络模型的所述补偿网络模型集合。在一些实施例中，所述训练模块用于，针对任意视力异常等级的样本视力信息对应的清晰样本图像和模糊样本图像，提取清晰样本图像的特征值和模糊样本图像的特征值，根据所述清晰样本图像的特征值、所述模糊样本图像的特征值及预先设置的真实值对所述神经网络模型进行训练，生成测试值，基于所述测试值、所述真实值及预先设置的代价函数对所述神经网络模型进行迭代，生成针对任意视力异常等级的样本视力信息对应的补偿网络模型。在一些实施例中，所述采集模块用于，针对任意视力异常等级的样本视力信息，确定标准视力的用户针对视力测量卡形成清晰图像的位置，将所述位置设置为图像采集设备的放置位置，将所述标准视力的用户通过位于所述本文档来自技高网...

【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获取目标视力信息；/n从预先设置的补偿网络模型集合中选取与所述目标视力信息对应的目标补偿网络模型；/n根据所述目标补偿网络模型对待输出图像进行补偿；/n输出补偿后的待输出图像。/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：
获取目标视力信息；
从预先设置的补偿网络模型集合中选取与所述目标视力信息对应的目标补偿网络模型；
根据所述目标补偿网络模型对待输出图像进行补偿；
输出补偿后的待输出图像。


2.根据权利要求1所述的方法，其特征在于，所述从预先设置的补偿网络模型集合中选取与所述目标视力信息对应的目标补偿网络模型包括：
根据预先设置的视力信息与补偿网络模型之间的映射关系，从所述补偿网络模型集合中选取与所述目标视力信息对应的所述目标补偿网络模型。


3.根据权利要求2所述的方法，其特征在于，所述根据预先设置的视力信息与补偿网络模型之间的映射关系，从所述补偿网络模型集合中选取与所述目标视力信息对应的所述目标补偿网络模型包括：
确定所述目标视力信息的目标视力异常等级；
根据所述目标视力异常等级从所述映射关系中选取所述目标补偿网络模型。


4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
确定预先设置的视力异常等级各自对应的样本视力信息；
针对每一个视力异常等级的样本视力信息，采集各视力异常等级的样本视力信息各自对应的清晰样本图像和模糊样本图像；
根据各视力异常等级的样本视力信息各自对应的清晰样本图像和模糊样本图像对预先设置的神经网络模型进行训练，生成包括各视力异常等级的样本视力信息各自对应的补偿网络模型的所述补偿网络模型集合。


5.根据权利要求4所述的方法，其特征在于，所述根据各视力异常等级的样本视力信息各自对应的清晰样本图像和模糊样本图像对预先设置的神经网络模型进行训练，生成包括各视力异常等级的样本视力信息各自对应的补偿网络模型的所述补偿网络模型集合包括：
针对任意视力异常等级的样本视力信息对应的清晰样本图像和模糊样本图像，提取清晰样本图像的特征值和模糊样本图像的特征值；
根据所述清晰样本图像的特征值、所述模糊样本图像的特征值及预先设置的真实值对所述神经网络模型进行训练，生成测试值；
基于所述测试值、所述真实值及预先设置的代价函数对所述神经网络模型进行迭代，生成针对任意视力异常等级的样本视力信息对应的补偿网络模型。


6.根据权利要求4所述的方法，其特征在于，采集各视力异常等级的样本视力信息各自对应的清晰样本图像包括：
针对任意视力异常等级的样本视力信息，确定标准视力的用户针对视力测量卡形成清晰图像的位置；
将所述位置设置为图像采集设备的放置位置；
将所述标准视力的用户通过位于所述放置位置的所述图像采集设备采集到的清晰图像确定为所述清晰样本图像。


7.根据权利要求6所述的方法，其特征在于，采集各视力异常等级的样本视力信息各自对应的模糊样本图像包括：
针对任意视力异常等级的样本视力信息，确定任意视力异常等级的样本视力信息的用户在佩戴光学校正眼镜时在所述位置上形成的针对所述视力测量卡形成的清晰图像；
确定任意视力异常等级的样本视力信息的用户在不佩戴光学校正眼镜时在所述位置上形成的针对所述视力测量卡的模糊图像；
将任意视力异常等级的样本视力信息的用户在不佩戴光学校正眼镜时通过位于所述放置位置的所述图像采集设备采集到的与所述模糊图像相同模糊程度的图像确定为所述模糊样本图像。


8.根据权利要求1至3中任一项所述的方法，其特征在于，所述目标视力信息包括左眼视力信息和右眼视力信息，所述从预先设置的补偿网络模型集合中选取与所述目标视力信息对应的目标补偿网络模型包括：
确定所述左眼视力信息和所述右眼视力信息的平均视力信息；
从所述补偿网络模型集合中选取所述平均视力信息对应的补偿网络模型作为所述目标补偿网络模型。


9.根据权利要求1至3中任一项所述的方法，其特征在于，所述目标视力信息包括左眼视力信息和右眼视力信息，所述从预先设置的补偿网络模型集合中选取与所述目标视力信息对应的目标补偿网络模型包括：
从所述补偿网络模型集合中选取所述左眼视力信息对应的左眼补偿网络模型；
从所述补偿网络模型集合中选取所述右眼视力信息对应的右眼补偿网络模型，所述目标补偿网络模型包括所述左眼补偿网络模型和所述右眼补偿网络模型；
以及，所述根据所述目标补偿网络模型对待输出图像进行补偿包括：根据所述左眼补偿网络模型和/或所述右眼补偿网络模型对待输出图像进行补偿。


10.根据权利要求9所述的方法，其特征在于，通过所述左眼补偿网络模型补偿的待输出图像的帧与通过所述右眼补偿网络模型补偿的待输出图像的帧为相邻帧。


11.一种图像处理装置，其特征在于，所述装置包括：
获取模块，获...

【专利技术属性】
技术研发人员：邹超洋，
申请(专利权)人：广州视源电子科技股份有限公司，
类型：发明
国别省市：广东;44