图像处理方法、电子设备及可读存储介质技术

一种图像处理方法、电子设备及可读存储介质，其中，该图像处理方法包括获取第一图像；对第一图像进行边缘检测，得到第一图像的边缘提取图；将第一图像和边缘提取图的点乘结果，与第一图像进行合并，得到合并后图像；利用合并后图像，对第一图像进行图像清晰度增强处理，得到第二图像，第二图像的清晰度高于第一图像，如此实现了提升图像的清晰度。如此实现了提升图像的清晰度。如此实现了提升图像的清晰度。

【技术实现步骤摘要】
图像处理方法、电子设备及可读存储介质


[0001]本申请涉及图像处理
，尤其涉及一种图像处理方法、电子设备、计算机程序产品及计算机可读存储介质。

技术介绍

[0002]针对低光照图像，手机等电子设备进行去噪声处理的力度通常较大，如此会致使图像的清晰度降低，例如图像的暗部区域信息不明显，线条不明显甚至涂抹严重。
[0003]基于此，需要提供一种图像处理方法，能够提升低光照图像的清晰度。

技术实现思路

[0004]本申请提供了一种图像处理方法、电子设备、计算机程序产品及计算机可读存储介质，目的在于提升低光照图像的清晰度。
[0005]为了实现上述目的，本申请提供了以下技术方案：第一方面，本申请提供了一种图像处理方法，该方法包括：获取第一图像；对第一图像进行边缘检测，得到第一图像的边缘提取图；将第一图像和边缘提取图的点乘结果，与第一图像进行合并，得到合并后图像；利用合并后图像，对第一图像进行图像清晰度增强处理，得到第二图像，第二图像的清晰度高于第一图像。
[0006]在上述图像处理方法中，图像的边缘检测可以大幅度地减少图像的数据量，剔除图像数据中的不相关信息，保留图像的重要结构的信息。在第一图像的基础上点乘边缘提取图，可加强第一图像的轮廓，便于对第一图像进行图像清晰度增强处理过程中对图像轮廓的识别，以增强图像的线条清晰度，进而保证第二图像的清晰度高于第一图像的清晰度。进一步的，将第一图像和边缘提取图做点乘之后，可能会导致第一图像的细节内容丢失，在第一图像和边缘提取图的点乘结果合并第一图像，利用合并后图像对第一图像进行图像清晰度增强处理，得到第二图像，可以保证在图像清晰度增强处理过程中，利用第一图像补充图像的细节内容，如此还可以保证第二图像不缺失图像细节内容，以提升图像清晰度。
[0007]在一个可能的实施方式中，对第一图像进行边缘检测，得到第一图像的边缘提取图，包括：调用线条检测网络对第一图像进行边缘检测，得到第一图像的边缘提取图；线条检测网络用于对图像进行边缘检测。
[0008]在上述可能的实施方式中，线条检测网络用于对图像进行边缘检测，因此，可调用线条检测网络对第一图像进行边缘检测，得到第一图像的边缘提取图。
[0009]在一个可能的实施方式中，对合并后图像进行图像清晰度增强处理，得到第二图像，包括：调用图像增强网络对合并后图像进行图像清晰度增强处理，得到第二图像，图像增强网络用于将低光照图像处理成图像清晰度增强的图像。
[0010]在上述可能的实施方式中，图像增强网络用于将低光照图像处理成图像清晰度增强的图像，因此，可调用图像增强网络对合并后图像进行图像清晰度增强处理，得到第二图像，当然，第二图像的清晰度要高于第一图像。一些实施例中，图像增强网络可为U形神经网
结构的网络。
[0011]在一个可能的实施方式中，线条检测网络包括U形神经网结构的网络和生成对抗网络的判别器，U形神经网结构的网络的输出值作为生成对抗网络的判别器的输入值。调用线条检测网络对第一图像进行边缘检测，得到第一图像的边缘提取图，包括：调用U形神经网结构的网络对第一图像进行边缘检测，得到第一图像的边缘提取图。
[0012]在上述可能的实施方式中，生成对抗网络的判别器用于识别输入值为真实值的概率，U形神经网结构的网络用于获得输入图像的边缘，即实现对输入图像的边缘检测。因此，调用U形神经网结构的网络对第一图像进行边缘检测，得到第一图像的边缘提取图。一些实施例中，U形神经网结构的网络的一种示例为U
‑
Net。
[0013]在一个可能的实施方式中，线条检测网络的训练方式，包括：对样本图像进行下采样，得到下采样图像；利用边缘检测算法，对下采样图像进行边缘检测，得到边缘图像；对边缘图像进行上采样，得到与样本图像同等大小的边缘提取图；对样本图像进行退化降质处理，得到低光照带噪声图像；将低光照带噪声图像和边缘提取图作为一对训练样本，对线条检测网络进行训练。
[0014]在上述可能的实施方式中，对样本图像先进行下采样再进行边缘提取，最后再上采样得到样本图像的边缘提取图，可以通过下采样实现保留样本图像中的有效图像数据，去除干扰数据，进而保证以下采样图像进行边缘提取得到的边缘图像更准确。
[0015]在一个可能的实施方式中，将低光照带噪声图像和边缘提取图作为一对训练样本，对线条检测网络进行训练，包括：利用U形神经网结构的网络对低光照带噪声图像进行边缘检测，得到第一边缘图像；利用生成对抗网络的判别器对第一边缘图像进行处理，得到第二边缘图像；采用第一损失函数的损失和第二损失函数的损失形成的联合损失计算梯度，并以梯度训练线条检测网络；其中：第一损失函数的损失指代采用第一损失函数计算出的第一边缘图像和边缘提取图的损失；第二损失函数的损失指代采用第二损失函数计算出的第二边缘图像和边缘提取图的损失；第二损失函数包括生成对抗网络的判别器的损失函数。
[0016]在一个可能的实施方式中，图像增强网络的训练方式，包括：利用训练完成的线条检测网络对样本图像进行边缘检测，得到边缘提取图；对样本图像进行退化降质处理，得到低光照带噪声图像；将边缘提取图和低光照带噪声图像进行点乘的点乘结果，与低光照带噪声图像进行合并，得到合并图像；将合并图像和样本图像作为一对训练样本，对图像增强网络进行训练。
[0017]在一个可能的实施方式中，对第一图像进行边缘检测，得到第一图像的边缘提取图之前，还包括：计算第一图像的图像亮度；确定第一图像的图像亮度小于阈值。
[0018]在上述可能的实施方式中，在第一图像的图像亮度小于阈值的场景下，对第一图像进行边缘检测，可节省功耗。
[0019]在一个可能的实施方式中，对第一图像进行边缘检测，得到第一图像的边缘提取图之前，还包括：获取当前环境的环境光亮度；确定环境光亮度小于门限值，第一图像为当前环境下拍摄的图像。
[0020]在上述可能的实施方式中，在确定当前环境的环境光亮度小于门限值的场景下，对当前环境拍摄的第一图像进行边缘检测，也可节省功耗。
[0021]第二方面，本申请提供了一种电子设备，包括：一个或多个处理器、存储器、摄像头和显示屏；存储器、摄像头以及显示屏与一个或多个处理器耦合，存储器用于存储计算机程序代码，计算机程序代码包括计算机指令，当一个或多个处理器执行计算机指令时，电子设备执行第一方面中任意一项所述的方法。
[0022]第三方面，本申请提供了一种计算机可读存储介质，用于存储计算机程序，计算机程序被执行时，具体用于实现如第一方面中任意一项所述的方法。
[0023]第四方面，本申请提供了一种计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行如第一方面中任意一项所述的方法。
附图说明
[0024]图1为本申请实施例提供的低光照图像的展示图；图2为本申请实施例提供的电子设备的硬件结构图；图3为本申请实施例提供的电子设备的软件框架图；图4为本申请实施例提供的线条检测器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取第一图像；对所述第一图像进行边缘检测，得到所述第一图像的边缘提取图；将所述第一图像和所述边缘提取图的点乘结果，与所述第一图像进行合并，得到合并后图像；利用所述合并后图像，对所述第一图像进行图像清晰度增强处理，得到第二图像。2.根据权利要求1所述的方法，其特征在于，所述对所述第一图像进行边缘检测，得到所述第一图像的边缘提取图，包括：调用线条检测网络对所述第一图像进行边缘检测，得到所述第一图像的边缘提取图；所述线条检测网络用于对图像进行边缘检测。3.根据权利要求1所述的方法，其特征在于，所述利用所述合并后图像，对所述第一图像进行图像清晰度增强处理，得到第二图像，包括：调用图像增强网络利用所述合并后图像，对所述第一图像进行图像清晰度增强处理，得到所述第二图像，所述图像增强网络用于将低光照图像处理成图像清晰度增强的图像。4.根据权利要求2所述的方法，其特征在于，所述线条检测网络包括U形神经网结构的网络和生成对抗网络的判别器，所述U形神经网结构的网络的输出值作为所述生成对抗网络的判别器的输入值，所述调用线条检测网络对所述第一图像进行边缘检测，得到所述第一图像的边缘提取图，包括：调用所述U形神经网结构的网络对所述第一图像进行边缘检测，得到所述第一图像的边缘提取图。5.根据权利要求2所述的方法，其特征在于，所述线条检测网络的训练方式，包括：对样本图像进行下采样，得到下采样图像；利用边缘检测算法，对所述下采样图像进行边缘检测，得到边缘图像；对所述边缘图像进行上采样，得到与所述样本图像同等大小的边缘提取图；对所述样本图像进行退化降质处理，得到低光照带噪声图像；将所述低光照带噪声图像和边缘提取图作为一对训练样本，对所述线条检测网络进行训练。6.根据权利要求5所述的方法，其特征在于，所述将所述低光照带噪声图像和边缘提取图作为一对训练样本，对所述线条检测网络进行训练，包括：利用U形神经网结构的网络对所述低光照带噪声图像进行边缘检测，得...

【专利技术属性】
技术研发人员：王宇，王瑞星，田博，
申请(专利权)人：荣耀终端有限公司，
类型：发明
国别省市：