图像处理方法及相关设备技术

本发明专利技术实施例提供一种图像处理方法，获取待处理图像的第一V通道图像，待处理图像包括H通道图像、S通道图像以及第一V通道图像；通过训练好的卷积神经网络模型对第一V通道图像进行处理，得到第二V通道图像；将第二V通道图像、H通道图像以及S通道图像进行组合，得到组合图像；将组合图像进行后处理，得到目标图像。通过对待处理图像的第一V通道进行预测，得到预测后的第二V通道图像，使用第二V通道图像代替原来的第一V通道图像与原来的H通道图像和S通道图像进行组合，由于V通道图像保留了图像细节，同时需要对V通道图像进行处理，不需要复杂的网络参数，提高了图像处理的速度。提高了图像处理的速度。提高了图像处理的速度。

【技术实现步骤摘要】
图像处理方法及相关设备


[0001]本专利技术涉及图像处理领域，尤其涉及一种图像处理方法及相关设备。

技术介绍

[0002]弱光图像增强这项技术近年来在多个新兴的计算机视觉领域引起了人们的广泛关注。弱光图像增强是计算机视觉的一个重要方向，弱光图像增强的目的是提高低照度条件下拍摄的图像的质量和清晰度。传统弱光图像增强方法通常有直方图均衡化方法、多尺度分解方法、模糊和噪声抑制方法和深度学习方法。但上述传统弱光图像增强方法无法保留图像细节信息，且参数调整繁琐，使得弱光图像增强的处理过程速度较慢。

技术实现思路

[0003]本专利技术实施例提供一种图像处理方法及相关设备，旨在解决现有传统图像处理方法无法保留图像细节信息，参数调整繁琐，使得弱光图像增强的处理过程速度较慢的问题。通过对待处理图像的第一V通道进行预测，得到预测后的第二V通道图像，使用第二V通道图像代替原来的第一V通道图像来个原来的H通道图像和S通道图像进行组合，由于V通道图像为亮度通道图像，因此，组合图像中只改变了亮度信息，其余信息并未改变，保留了图像细节，同时只需要对V通道图像进行处理，不需要复杂的网络参数，提高了图像处理的速度。
[0004]第一方面，本专利技术实施例提供一种图像处理方法，所述方法包括：
[0005]获取待处理图像的第一V通道图像，所述待处理图像包括H通道图像、S通道图像以及所述第一V通道图像；
[0006]通过训练好的卷积神经网络模型对所述第一V通道图像进行处理，得到第二V通道图像；
[0007]将所述第二V通道图像、所述H通道图像以及所述S通道图像进行组合，得到组合图像；
[0008]将所述组合图像进行后处理，得到目标图像。
[0009]可选的，在所述获取待处理图像的第一V通道图像之前，所述方法还包括：
[0010]获取原始图像，所述原始图像为RGB颜色模型；
[0011]将所述原始图像转换为HSV颜色模型，得到所述待处理图像。
[0012]可选的，所述卷积神经网络模型包括照度提取模块，所述通过训练好的卷积神经网络模型对所述第一V通道图像进行处理，得到第二V通道图像，包括：
[0013]通过所述照度提取模块对所述第一V通道图像进行卷积处理，得到第二V通道图像。
[0014]可选的，在所述通过训练好的卷积神经网络模型对所述第一V通道图像进行处理，得到第二V通道图像之前，所述方法还包括：
[0015]获取数据集以及待训练的卷积神经网络模型，所述数据集包括样本图像和标签图像；
[0016]使用所述数据集对所述待训练的卷积神经网络模型进行训练，训练完成的到训练好的卷积神经网络模型。
[0017]可选的，所述将所述第二V通道图像、所述H通道图像以及所述S通道图像进行组合，得到组合图像，包括：
[0018]将所述第二V通道图像、所述H通道图像以及所述S通道图像按待处理图像的通道图像顺序进行组合，得到包含所述第二V通道图像、所述H通道图像以及所述S通道图像的组合图像。
[0019]可选的，将所述组合图像进行后处理，得到目标图像，包括：
[0020]将所述组合图像转换为RGB颜色模型，得到后处理图像；
[0021]对所述后处理图像进行图像增强，得到目标图像。
[0022]可选的，所述对所述后处理图像进行图像增强，得到目标图像，包括：
[0023]通过训练好的编码器和解码器对所述后处理图像进行编码处理和解码处理，得到目标图像。
[0024]第二方面，本专利技术实施例提供一种图像处理装置，所述装置包括：
[0025]第一获取模块，用于获取待处理图像的第一V通道图像，所述待处理图像包括H通道图像、S通道图像以及所述第一V通道图像；
[0026]第一处理模块，用于通过训练好的卷积神经网络模型对所述第一V通道图像进行处理，得到第二V通道图像；
[0027]组合模块，用于将所述第二V通道图像、所述H通道图像以及S通道图像进行组合，得到组合图像；
[0028]第二处理模块，用于将所述组合图像进行后处理，得到目标图像。
[0029]第三方面，本专利技术实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例提供的图像处理方法中的步骤。
[0030]第四方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现专利技术实施例提供的图像处理方法中的步骤。
[0031]本专利技术实施例中，获取待处理图像的第一V通道图像，所述待处理图像包括H通道图像、S通道图像以及所述第一V通道图像；通过训练好的卷积神经网络模型对所述第一V通道图像进行处理，得到第二V通道图像；将所述第二V通道图像、所述H通道图像以及所述S通道图像进行组合，得到组合图像；将所述组合图像进行后处理，得到目标图像。通过对待处理图像的第一V通道进行预测，得到预测后的第二V通道图像，使用第二V通道图像代替原来的第一V通道图像来个原来的H通道图像和S通道图像进行组合，由于V通道图像为亮度通道图像，因此，组合图像中只改变了亮度信息，其余信息并未改变，包括了图像细节，同时只需要对V通道图像进行处理，不需要复杂的网络参数，提高了图像书里的速度。。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1是本专利技术实施例提供的一种图像处理方法的流程图；
[0034]图2是本专利技术实施例提供的一种卷积神经网络模型的结构示意图；
[0035]图3是本专利技术实施例提供的一种编码器解码器模型的结构示意图；
[0036]图4是本专利技术实施例提供的一种图像处理装置的结构示意图；
[0037]图5是本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0038]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0039]请参见图1，图1是本专利技术实施例提供的一种图像处理方法的流程图，如图1所示，该图像处理方法包括以下步骤：
[0040]101、获取待处理图像的第一V通道图像。
[0041]在本专利技术实施例中，上述待处理图像包括低照度图像，低照度图像指的是当被摄景物的光亮度低到一定程度而使拍照设备输出的视频信号电平低到某一规定值时拍摄到的图像。例如，使用F1.2的镜头，当被景本文档来自技高网...

【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，包括以下步骤：获取待处理图像的第一V通道图像，所述待处理图像包括H通道图像、S通道图像以及所述第一V通道图像；通过训练好的卷积神经网络模型对所述第一V通道图像进行处理，得到第二V通道图像；将所述第二V通道图像、所述H通道图像以及所述S通道图像进行组合，得到组合图像；将所述组合图像进行后处理，得到目标图像。2.如权利要求1所述的方法，其特征在于，在所述获取待处理图像的第一V通道图像之前，所述方法还包括：获取原始图像，所述原始图像为RGB颜色模型；将所述原始图像转换为HSV颜色模型，得到所述待处理图像。3.如权利要求2所述的方法，其特征在于，所述卷积神经网络模型包括照度提取模块，所述通过训练好的卷积神经网络模型对所述第一V通道图像进行处理，得到第二V通道图像，包括：通过所述照度提取模块对所述第一V通道图像进行卷积处理，得到第二V通道图像。4.如权利要求3所述的方法，其特征在于，在所述通过训练好的卷积神经网络模型对所述第一V通道图像进行处理，得到第二V通道图像之前，所述方法还包括：获取数据集以及待训练的卷积神经网络模型，所述数据集包括样本图像和标签图像；使用所述数据集对所述待训练的卷积神经网络模型进行训练，训练完成得到训练好的卷积神经网络模型。5.如权利要求4所述的方法，其特征在于，所述将所述第二V通道图像、所述H通道图像以及S通道图像进行组合，得到组合图像，包括：将所述第二V通道图像、所述H通道图像以及所述S通道...

【专利技术属性】
技术研发人员：陈永泽，刘岩，熊金华，
申请(专利权)人：深圳市恒天伟焱科技股份有限公司，
类型：发明
国别省市：