图像处理方法、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方法、系统、设备及存储介质，所述方法包括：获取一可逆图像转换模型，其用于将图像在第一格式和第二格式之间转换；采集第二格式的第一图像，并基于所述可逆图像转换模型获取第一格式的第一图像；采用预设图像处理算法的逆向算法处理所述第一格式的第一图像，得到第一格式的第二图像，并基于所述可逆图像转换模型获取第二格式的第二图像；基于所述第二格式的第二图像和所述第二格式的第一图像训练所述图像处理模型；将第二格式的待处理图像输入训练好的图像处理模型，得到第二格式的处理后图像。通过采用本发明专利技术，可以得到用于训练图像处理模型的第二格式的第二图像和第一图像，提升图像处理模型的处理效果。处理效果。处理效果。

【技术实现步骤摘要】
图像处理方法、系统、设备及存储介质


[0001]本专利技术涉及数据处理
，尤其涉及一种图像处理方法、系统、设备及存储介质。

技术介绍

[0002]在许多图像处理算法中，如图像白平衡、图像去噪等领域内，未经任何处理的Raw图像是图像处理算法中最重要的数据输入部分。但是CMOS(Complementary Metal Oxide Semiconductor，互补金属氧化物导体)传感器采集到的原始Raw图像一般尺寸比较大，且占用较大的存储空间，对于一些低配置的移动端设备难以直接获取到原始Raw图像，且人工采集Raw图像，时间成本往往是巨大的，限制了图像处理算法的使用场景。
[0003]另外，在基于深度学习的图像处理算法领域内，有监督学习的方法一般比无监督学习方法或半监督学习方法的泛化能力更强，且目标图像的质量对于图像处理算法的效果至关重要。对于某些特定的任务，如图像白平衡算法，其目标图像较难获取，由于镜头的摆放和景深，导致采集到的图像是存在像素偏差的且对于遮挡的物体往往会存在一定程度的深度误差，无法采集到相匹配的存在色偏的图像以及对应的正常色温下的图像。一般情况下，上述问题可以通过图像对齐的方式进行解决，但是使用该方法对齐后，目标图像与源图像之间仍然存在细微的误差，导致经过白平衡后的图像会存在模糊的现象。另外，可以通过在源RGB图像上增加色温变化实现色偏图像的合成，然后再将源RGB图像作为目标图像组成图像对，实现图像白平衡模型的训练，但是该方法合成的色偏图像与真实世界的色偏图像存在较大的差别，导致模型的泛化能力较差。

技术实现思路

[0004]针对现有技术中的问题，本专利技术的目的在于提供一种图像处理方法、系统、设备及存储介质，基于可逆图像转换模型可以得到用于训练图像处理模型的第二格式的第二图像和第一图像，提升图像处理模型的处理效果，并且解决数据采集问题。
[0005]本专利技术实施例提供一种图像处理方法，包括如下步骤：
[0006]获取一可逆图像转换模型，所述可逆图像转换模型用于将图像在第一格式和第二格式之间转换；
[0007]采集第二格式的第一图像，并基于所述可逆图像转换模型获取第一格式的第一图像；
[0008]采用预设图像处理算法的逆向算法处理所述第一格式的第一图像，得到第一格式的第二图像，并基于所述可逆图像转换模型获取第二格式的第二图像；
[0009]基于所述第二格式的第二图像和所述第二格式的第一图像训练所述图像处理模型；
[0010]将第二格式的待处理图像输入训练好的图像处理模型，得到第二格式的处理后图像。
[0011]本专利技术提供了一种图像处理方法，首先获取到可逆图像转换模型，然后将第二格式的第一图像基于上一步获取的可逆图像转换模型得到第一格式的第一图像，然后对第一格式的第一图像进行逆向处理，得到第二格式的第二图像，由此，采集的第二格式的第一图像和获取的第二格式的第二图像可以用于图像处理模型的训练，有利于提高图像处理模型训练的效果，使得图像处理模型可以获得更好的图像处理结果，然后采用训练好的图像处理模型对第二格式的待处理图像进行处理，即得到第二格式的处理后图像，提高了图像处理模型的输出图像效果。同时，通过采用该方法，只需要在图像处理模型的训练阶段只需要采集第二格式的第一图像，而无需采集第一格式的第一图像，解决了一些设备难以直接采集到准确对应的第一格式的第一图像的问题。
[0012]在一些实施例中，所述可逆图像转换模型的正向过程将图像从第一格式转换为第二格式，反向过程将图像从第二格式转换为第一格式；
[0013]基于所述可逆图像转换模型获取第一格式的第一图像，包括：将所述第二格式的第一图像输入所述可逆图像转换模型的反向过程，得到所述反向过程输出的第一格式的第一图像；
[0014]基于所述可逆图像转换模型获取第二格式的第二图像，包括：将所述第一格式的第二图像输入所述可逆图像转换模型的正向过程，得到所述正向过程输出的第二格式的第二图像。
[0015]在一些实施例中，所述获取一可逆图像转换模型，包括如下步骤：
[0016]构建一可逆图像转换模型；
[0017]采集第一格式的第三图像和第二格式的第三图像，分别作为可逆图像转换模型的正向过程的输入图像和目标图像，训练所述可逆图像转换模型。
[0018]在一些实施例中，训练所述可逆图像转换模型之后，还包括如下步骤：
[0019]采集第一格式的第四图像和第二格式的第五图像，所述第二格式的第五图像为第二格式的第四图像经过预设图像处理算法的逆向算法处理得到的图像；
[0020]将所述第一格式的第四图像采用预设图像处理算法的逆向算法进行处理，得到第一格式的第五图像；
[0021]将所述第一格式的第五图像和所述第二格式的第五图像分别作为所述可逆图像转换模型的正向过程的输入图像和目标图像，再次训练所述可逆图像转换模型。
[0022]在一些实施例中，所述构建一可逆图像转换模型包括：构建可逆子模块，将多个所述可逆子模块依次串联形成一可逆图像转换模型。
[0023]在一些实施例中，基于所述第二格式的第二图像和所述第二格式的第一图像训练所述图像处理模型，包括如下步骤：
[0024]构建图像处理模型；
[0025]将所述第二格式的第二图像和所述第二格式的第一图像分别作为图像处理模型的输入图像和目标图像，训练所述图像处理模型。
[0026]在一些实施例中，所述第一格式为raw格式，所述第二格式为RGB格式；
[0027]所述预设图像处理算法包括图像白平衡算法、图像去噪算法、图像增强算法和图像去模糊算法中的至少一种。
[0028]本专利技术实施例还提供一种图像处理系统，应用于所述的图像处理方法，所述系统
包括：
[0029]第一模型获取模块，用于获取一可逆图像转换模型，所述可逆图像转换模型用于将图像在第一格式和第二格式之间转换；
[0030]第一图像处理模块，用于采集第二格式的第一图像，并基于所述可逆图像转换模型获取第一格式的第一图像；以及采用预设图像处理算法的逆向算法处理所述第一格式的第一图像，得到第一格式的第二图像，并基于所述可逆图像转换模型获取第二格式的第二图像；
[0031]第二模型获取模块，用于基于所述第二格式的第二图像和所述第二格式的第一图像训练所述图像处理模型；
[0032]第二图像处理模块，用于将第二格式的待处理图像输入训练好的图像处理模型，得到第二格式的处理后图像。
[0033]本专利技术实施例还提供一种图像处理设备，包括：
[0034]处理器；
[0035]存储器，其中存储有所述处理器的可执行指令；
[0036]其中，所述处理器配置为经由执行所述可执行指令来执行所述的图像处理方法的步骤。
[0037]通过采用本专利技术所提供的图像处理设备，所述处理器在执行所述可执行指令时执行所述的图像处理方法，由此可以获得上述图像处理方法的有益效果。
...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括如下步骤：获取一可逆图像转换模型，所述可逆图像转换模型用于将图像在第一格式和第二格式之间转换；采集第二格式的第一图像，并基于所述可逆图像转换模型获取第一格式的第一图像；采用预设图像处理算法的逆向算法处理所述第一格式的第一图像，得到第一格式的第二图像，并基于所述可逆图像转换模型获取第二格式的第二图像；基于所述第二格式的第二图像和所述第二格式的第一图像训练所述图像处理模型；将第二格式的待处理图像输入训练好的图像处理模型，得到第二格式的处理后图像。2.根据权利要求1所述的图像处理方法，其特征在于，所述可逆图像转换模型的正向过程将图像从第一格式转换为第二格式，反向过程将图像从第二格式转换为第一格式；基于所述可逆图像转换模型获取第一格式的第一图像，包括：将所述第二格式的第一图像输入所述可逆图像转换模型的反向过程，得到所述反向过程输出的第一格式的第一图像；基于所述可逆图像转换模型获取第二格式的第二图像，包括：将所述第一格式的第二图像输入所述可逆图像转换模型的正向过程，得到所述正向过程输出的第二格式的第二图像。3.根据权利要求2所述的图像处理方法，其特征在于，所述获取一可逆图像转换模型，包括如下步骤：构建一可逆图像转换模型；采集第一格式的第三图像和第二格式的第三图像，分别作为可逆图像转换模型的正向过程的输入图像和目标图像，训练所述可逆图像转换模型。4.根据权利要求3所述的图像处理方法，其特征在于，训练所述可逆图像转换模型之后，还包括如下步骤：采集第一格式的第四图像和第二格式的第五图像，所述第二格式的第五图像为第二格式的第四图像经过预设图像处理算法的逆向算法处理得到的图像；将所述第一格式的第四图像采用预设图像处理算法的逆向算法进行处理，得到第一格式的第五图像；将所述第一格式的第五图像和所述第二格式的第五图像分别作为所述可逆图像转换模型的正向过程的输入图像和目标图像，...

【专利技术属性】
技术研发人员：王诗韵，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：