【技术实现步骤摘要】
一种图像处理的方法和装置
本申请涉及人工智能领域,尤其涉及计算机视觉技术中的一种图像处理的方法和装置。
技术介绍
拍照已经成为各种移动终端如手机、平板电脑、智能眼镜、穿戴式设备等最常用的功能之一,而对图像细节的还原能力、图像清晰度等可以认为是衡量拍照质量最重要的评价标准。然而,现如今移动终端设备越加轻薄化,对移动终端体积的限制更加严格,导致移动终端相机的物理器件与单反相机存在一定的差距。因此,需要通过算法对图像进行处理,在保证移动终端轻薄特性的前提下,尽可能提升图像的细节和清晰度。通常情况下,摄像头获取的图像为未经处理的RAW图像,从RAW图像转换到红绿蓝(RedGreenBlue,RGB)等可以显示的彩色图像,需要经过一系列的图像处理操作。在传统图像信号处理(ImageSignalProcessing,ISP)模型中,多种图像处理操作按一定的顺序依次进行,然而,由于多种图像处理操作之间是相互影响因此,采用多模块串行操作会导致错误逐步累积,降低图像的质量。
技术实现思路
本申请实施例提供一种图像处理的方法和装置,用于减少多模块串行操作带来的错误累积,提升图像的质量。本申请第一方面提供了一种图像处理的方法,该方法包括:获取多帧原始RAW图像;对该多帧RAW图像进行预处理,得到第一中间图像,该预处理包括:通道拆分和像素重排列,该第一中间图像包括属于多个通道的子图像,其中,每个通道的子图像只包含一种颜色分量;基于第一深度学习网络对该第一中间图像进行处理,得到第一目标图像,该第一深度学习网
【技术保护点】
1.一种图像处理的方法,其特征在于,所述方法包括:/n获取多帧原始RAW图像;/n对所述多帧RAW图像进行预处理,得到第一中间图像,所述预处理包括:通道拆分和像素重排列,所述第一中间图像包括属于多个通道的子图像,其中,每个通道的子图像只包含一种颜色分量;/n基于第一深度学习网络对所述第一中间图像进行处理,得到第一目标图像,所述第一深度学习网络的功能包括:去马赛克DM和降噪;/n对所述第一目标图像进行亮度增强或颜色增强中的至少一项,得到第二目标图像。/n
【技术特征摘要】
1.一种图像处理的方法,其特征在于,所述方法包括:
获取多帧原始RAW图像;
对所述多帧RAW图像进行预处理,得到第一中间图像,所述预处理包括:通道拆分和像素重排列,所述第一中间图像包括属于多个通道的子图像,其中,每个通道的子图像只包含一种颜色分量;
基于第一深度学习网络对所述第一中间图像进行处理,得到第一目标图像,所述第一深度学习网络的功能包括:去马赛克DM和降噪;
对所述第一目标图像进行亮度增强或颜色增强中的至少一项,得到第二目标图像。
2.根据权利要求1所述的方法,其特征在于,所述第一深度学习网络的功能还包括:超分辨率SR重建,所述RAW图像具有第一分辨率,所述第一目标图像具有第二分辨率,所述第二分辨率大于所述第一分辨率。
3.根据权利要求1或2所述的方法,其特征在于,所述第一深度学习网络的功能还包括:坏点校正或相位点补偿中的至少一项。
4.根据权利要求1或2所述的方法,其特征在于,所述预处理还包括:坏点校正或相位点补偿中的至少一项。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述第一深度学习网络的功能还包括:锐化。
6.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
对所述第二目标图像进行锐化,得到第三目标图像;
将所述第三目标图像发送到显示屏或者存储器。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述RAW图像为RYYB图像或包含4个不同颜色分量的图像,在所述对所述第一目标图像进行亮度增强和颜色增强,得到第二目标图像之前,所述方法还包括:
对所述第一目标图像经过颜色转换,得到RGB彩色图像;
所述对所述第一目标图像进行亮度增强和颜色增强,得到第二目标图像,具体包括:
对所述RGB彩色图像进行亮度增强或颜色增强中的至少一项,得到所述第二目标图像。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述第一深度学习网络的功能还包括:图像对齐。
9.根据权利要求1至7任一项所述的方法,其特征在于,所述预处理还包括:图像对齐。
10.根据权利要求9所述的方法,其特征在于,所述预处理具体包括:
对所述多帧RAW图像进行通道拆分和像素重排列,得到分属M个通道的多帧子图像,其中,每个通道中的子图像的帧数等于所述多帧RAW图像的帧数;
分别对齐每个通道中的多帧子图像。
11.根据权利要求10所述的方法,其特征在于,所述分别对齐每个通道中的多帧子图像,具体包括:
对齐第一通道中的多帧子图像,所述第一通道为所述M个通道中的任一个通道;
基于对齐所述第一通道时所使用的对齐方式对齐其他通道。
12.根据权利要求1至11任一项所述的方法,其特征在于,所述亮度增强或颜色增强包括如下至少一项:黑电平校正BLC、自动白平衡AWB、镜头阴影校正LSC、色调映射ToneMapping、颜色校正ColorMapping、对比度增加或者伽马gamma校正。
13.根据权利要求1至7任一项所述的方法,其特征在于,所述预处理具体包括:
对所述多帧RAW图像进行黑电平校正BLC、自动白平衡AWB或镜头阴影校正LSC中的至少一项处理,得到多帧第一预处理后的RAW图像;
对所述多帧第一预处理后的RAW图像进行通道拆分和像素重排列,得到分属于M个通道的多帧子图像,其中,每个通道中的子图像的帧数与所述多帧RAW图像的帧数相等;
对齐每个通道中的多帧子图像。
14.根据权利要求1至13任一项所述的方法,其特征在于,所述第一中间图像包括的子图像所属的通道数等于所述RAW图像的最小重复单元包含的像素个数。
15.根据权利要求1至14任一项所述的方法,其特征在于,所述预处理还包括:估计图像的噪声强度区域分布图或锐化强度图的至少一项;
所述第一深度学习网络具体用于实现下述的至少一项:
基于所述噪声强度区域分布图控制所述第一中间图像的不同区域的降噪程度;
基于所述锐度强化图控制所述第一中间图像的不同区域的锐化强度。
16.根据权利要求1至15任一项所述的方法,其特征在于,所述第一深度学习网络包括:多个残差网络卷积模块、至少一个上采样卷积块以及第二特征融合卷积模块,所述第二特征卷积模块的输出为所述第一深度学习网络的输出,所述第二特征融合卷积模块的特征通道数为3或4。
17.根据权利要求16所述的方法,其特征在于,所述上采样卷积块的个数与所述RAW图像的格式、所述RAW图像的尺寸和所述第一目标图像的尺寸有关。
18.根据权利要求16或17所述的方法,其特征在于,所述第一深度学习网络还包括:特征提取卷积模块和第一特征融合模块,所述多个残差网络卷积模块的输出为所述第一特征融合模块的输入。
19.根据权利要求1至18任一项所述的方法,其特征在于,当所述方法应用于HDR场景时,所述多帧RAW图像为多帧短曝光的RAW图像,所述第一深度学习网络的训练数据包括多帧短曝光训练图像,所述短曝光训练图像根据如下方法获得:
对曝光合理的高质量图像进行反向Gamma校正,得到反向伽马校正图像;
将所述反向伽马校正图像的每个像素值均除以一个数字,得到所述短曝光训练图像。
20.根据权利要求1至18任一项所述的方法,其特征在于,当所述方法应用于暗光场景时,增加输入的所述RAW图像的帧数;
当所述方法应用于变焦模式时,所述第一深度学习网络中的上采样卷积块的个数与变焦倍数有关。
21.根据权利要求1至19任一项所述的方法,其特征在于,所述第一深度学习网络为根据第一指示信息从深度学习网络资源池中选择的目标深度学习网络,所述第一指示信息为用户在应用程序APP界面上选择的与应用场景相关的指示信息;或者,
所述第一指示信息为分析摄像...
【专利技术属性】
技术研发人员:王银廷,张熙,李瑞华,张丽萍,黄一宁,雷奕,郑祖全,张一帆,李欣,杨小伟,
申请(专利权)人:华为技术有限公司,
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。