图像处理超参数优化方法、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优化方法、系统、设备及存储介质，所述方法包括：采集运动物体的原始图像，并获取多个训练用超参数组合；基于所述运动物体的原始图像和所述多个训练用超参数组合，训练图像处理模型，使所述图像处理模型拟合预设的图像处理算法；采集静态物体的原始图像，并获取所述静态物体的原始图像所对应的超参数优化参考图像；基于所述静态物体的原始图像和所述超参数优化参考图像，优化所述图像处理模型所采用的超参数组合。通过采用本发明专利技术，实现了自动优化图像处理中的3D降噪参数。降噪参数。降噪参数。

【技术实现步骤摘要】
图像处理超参数优化方法、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超参数优化方法、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，该流程通常由若干像素级(Pixel
‑
level)图像处理模块组成，在这些模块中包含了大量的超参数，用于将传感器上的RAW图像重建成一张RGB图像。在监控领域，通常硬件ISP超参数与重建的RGB图像有着复杂的交互。传统的方法，通常需要有丰富经验的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ISP流程的方法层出不穷。而这些方法通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理超参数优化方法，其特征在于，包括如下步骤：采集运动物体的原始图像，并获取多个训练用超参数组合；基于所述运动物体的原始图像和所述多个训练用超参数组合，训练图像处理模型，使所述图像处理模型拟合预设的图像处理算法；采集静态物体的原始图像，并获取所述静态物体的原始图像所对应的超参数优化参考图像；基于所述静态物体的原始图像和所述超参数优化参考图像，优化所述图像处理模型所采用的超参数组合。2.根据权利要求1所述的图像处理超参数优化方法，其特征在于，所述运动物体为匀速旋转的转盘。3.根据权利要求1所述的图像处理超参数优化方法，其特征在于，基于所述运动物体的原始图像和所述多个训练用超参数组合，训练图像处理模型，使所述图像处理模型拟合预设的图像处理算法，包括如下步骤：对于所述运动物体的原始图像，基于每个训练用超参数组合和预设的图像处理算法，生成每个训练用超参数组合所对应的模型优化参考图像；将所述运动物体的原始图像和每个训练用超参数组合输入所述图像处理模型；基于所述图像处理模型的输出图像与所对应的模型优化参考图像迭代训练所述图像处理模型。4.根据权利要求1所述的图像处理超参数优化方法，其特征在于，获取所述静态物体的原始图像所对应的超参数优化参考图像，包括如下步骤：将所述静态物体的原始图像采用预设的图像处理算法处理后，得到第一参考图像；获取对所述静态物体的原始图像对应的同一场景拍摄得到的所述静态物体的第二参考图像；将所述第一参考图像和所述第二参考图像使用图像配准算法进行对齐，得到所述超参数优化参考图像。5.根据权利要求4所述的图像处理超参数优化方法，其特征在于，所述预设的图像处理算法用于将RAW图像处理得到RGB图像，所述原始图像为RAW图像，所述模型优化参考图像和所述超参数优化参考图像分别为RGB图像。6.根据权利要求4所述的图像处理超参数优化方法，其特征在于，基于所述静态物体的原始图像和所述超参数优化参考图像，优化所述图像处理模型所采用的超参数组合，包括如下步骤：对各个超参数进行初始化，得到一个初始化超参数组合；将所述静态物体的原始图像和所述初始化超参数组合输入所述图像处理模型，得到模型处理图像；基于所述模型处理图像和所述超参数优化参考图像计算损失，反向优化所述初始化超参数组合，得到优化...

【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：