图像处理超参数预测方法、系统、设备及存储介质技术方案

本发明专利技术提供了一种图像处理超参数预测方法、系统、设备及存储介质，所述方法包括：采集用于训练的原始图像和多个训练超参数组；将所述原始图像和所述训练超参数作为图像处理模拟模型的输入数据，基于预设的图像处理流程，训练图像处理模拟模型；将所述原始图像输入参数预测模型，得到所述参数预测模型输出的第一预测超参数组，将所述原始图像和所述第一预测超参数组输入训练好的图像处理模拟模型，根据所述图像处理模拟模型的输出图像训练所述参数预测模型；采集待处理图像，将所述待处理图像输入训练好的参数预测模型中，得到所述参数预测模型输出的第二预测超参数组。本发明专利技术可以根据场景动态实时变化自动实时预测最佳的图像处理超参数。像处理超参数。像处理超参数。

【技术实现步骤摘要】
图像处理超参数预测方法、系统、设备及存储介质


[0001]本专利技术涉及图像处理
，尤其涉及一种图像处理超参数预测方法、系统、设备及存储介质。

技术介绍

[0002]商业级的成像系统依赖图像信号处理(Image Signal Processing,ISP)流程，该流程由若干像素级(Pixel
‑
level)处理模块组成，在这些模块中包含了大量的超参数，用于将传感器上的RAW图像重建成一幅RGB图像。在监控领域，通常硬件图像处理超参数与重建的RGB图像有着复杂的交互。传统的方法，通常需要有经验的ISP工程师花费数月时间去优化这些超参数，这不仅需要耗费大量的时间资源，且难以保证所优化的参数在增量迭代过程中是全局或者局部最优的。
[0003]近年来，随着卷积神经网络(Convolutional Nearul Network,CNN)和生成对抗网络(Generative Adversarial Network,GAN)在像素级图像处理领域的优异表现，各种各样基于神经网络替代图像处理流程的方法层出不穷。而这些方法通常既需要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理超参数预测方法，其特征在于，包括如下步骤：采集用于训练的原始图像和多个训练超参数组；将所述原始图像和所述训练超参数作为图像处理模拟模型的输入数据，基于预设的图像处理流程，训练图像处理模拟模型；将所述原始图像输入参数预测模型，得到所述参数预测模型输出的第一预测超参数组，将所述原始图像和所述第一预测超参数组输入训练好的图像处理模拟模型，根据所述图像处理模拟模型的输出图像训练所述参数预测模型；采集待处理图像，将所述待处理图像输入训练好的参数预测模型中，得到所述参数预测模型输出的第二预测超参数组。2.根据权利要求1所述的图像处理超参数预测方法，其特征在于，采集用于训练的原始图像和多个训练超参数组，包括如下步骤：对各个图像处理超参数进行采样，得到多个训练超参数组；采集用于训练的原始图像，基于每个所述训练超参数组和预设的图像处理流程对所述原始图像进行处理，得到每个所述训练超参数组对应的第一参照图像，并对所述原始图像的同一场景采集第二参照图像。3.根据权利要求1所述的图像处理超参数预测方法，其特征在于，将所述原始图像和所述训练超参数作为图像处理模拟模型的输入数据，基于预设的图像处理流程，训练图像处理模拟模型，包括如下步骤：构建图像处理模拟模型，将所述原始图像和每个所述训练超参数组输入所述图像处理模拟模型，得到所述图像处理模拟模型输出的对应于每个所述训练超参数组的第一模拟处理图像；基于所述第一模拟处理图像和所对应的第一参照图像构建第一损失函数，并反向优化所述图像处理模拟模型的模型参数。4.根据权利要求3所述的图像处理超参数预测方法，其特征在于，将所述原始图像和所述第一预测超参数组输入训练好的图像处理模拟模型，根据所述图像处理模拟模型的输出图像训练所述参数预测模型，包括如下步骤：将所述原始图像和所述第一预测超参数组输入训练好的图像处理模拟模型，得到所述图像处理模拟模型输出的第二模拟处理图像；基于所述第二模拟处理图像和所对应的第二参照图像构建第二损失函数，并反向优化所述参数预测模型的模型参数。5.根据权利要求4所述的图像处理超参数预测方法，其特征在于，所述图像处理模拟模型和所述参数预测模型均为可微分模型，采用梯度下降法分别反向优化所述图像处理模拟模型的模型参数和...

【专利技术属性】
技术研发人员：胡旭阳，李瑮，毛晓蛟，
申请(专利权)人：苏州科达科技股份有限公司，
类型：发明
国别省市：