【技术实现步骤摘要】
高光处理模型的训练方法、图像处理方法和装置
[0001]本申请涉及图像处理
，尤其涉及一种高光处理模型的训练方法、图像处理方法和装置。
技术介绍
[0002]随着电子设备的普及，用户经常使用电子设备(例如手机)拍摄，当手机拍摄受到过强环境光照射时，局部会出现高光反光的现象。高光反光会影响文档文字和图案等有用信息的辨识，给用户带来不佳的视觉感受。为此，研究在高光反光造成信息辨识削弱但依然视觉可辨的情况下，对图像进行高光处理有重要意义。
[0003]相关技术中，进行高光处理时会破坏图像的纹理，纹理修复较差的问题。
技术实现思路
[0004]本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]为此，本申请提出一种高光处理模型的训练方法、图像处理方法和装置，提高了高光处理模型训练的效果。
[0006]本申请一方面实施例提出了一种高光处理模型的训练方法，包括：
[0007]获取样本高光图像，以及所述样本高光图像对应的真实无高光图像；
[0008]将所述样本...
【技术保护点】
【技术特征摘要】
1.一种高光处理模型的训练方法，其特征在于，包括：获取样本高光图像，以及所述样本高光图像对应的真实无高光图像；将所述样本高光图像输入高光处理模型的高光检测网络，得到高光掩膜图像；将所述样本高光图像和所述高光掩膜图像相减，得到未进行纹理修复的第一无高光图像；将所述第一无高光图像、所述高光掩膜图像和所述样本高光图像输入所述高光处理模型的学习网络，得到目标背景纹理特征图；将所述目标背景纹理特征图输入所述高光处理模型的纹理修复网络，得到纹理修复后的预测无高光图像；根据所述第一无高光图像和所述真实无高光图像间的差异，以及根据所述预测无高光图像和所述真实无高光图像间的差异，对所述高光处理模型进行模型训练，以得到训练后的所述高光处理模型。2.如权利要求1所述的方法，其特征在于，所述根据所述第一无高光图像和所述真实无高光图像间的差异，以及根据所述预测无高光图像和所述真实无高光图像间的差异，对所述高光处理模型进行模型训练，以得到训练后的高光处理模型，包括：根据所述第一无高光图像和所述真实无高光图像间的差异，以及根据所述预测无高光图像和所述真实无高光图像间的差异，确定目标损失函数；根据所述目标损失函数，对所述高光处理模型进行模型参数调整，以得到训练后的高光处理模型。3.如权利要求2所述的方法，其特征在于，所述根据所述第一无高光图像和所述真实无高光图像间的差异，以及根据所述预测无高光图像和所述真实无高光图像间的差异，确定目标损失函数，包括：根据所述第一无高光图像和所述真实无高光图像间的差异，确定所述高光检测网络的第一损失函数；根据所述预测无高光图像和所述真实无高光图像间的差异，确定所述纹理修复网络的第二损失函数；根据设定的第一权重系数，对所述第一损失函数和所述第二损失函数进行加权合成，得到所述目标损失函数。4.如权利要求3所述的方法，其特征在于，所述根据所述第一无高光图像和所述真实无高光图像间的差异，确定所述高光检测网络的第一损失函数，包括：确定所述第一无高光图像和所述真实无高光图像间的第一内容差异，以及所述第一无高光图像和所述真实无高光图像间的第一纹理差异；获取设定的第二权重系数；根据所述第二权重系数，对所述第一内容差异和所述第一纹理差异进行加权合成，得到所述高光检测网络的第一损失函数。5.如权利要求3所述的方法，其特征在于，所述根据所述预测无高光图像和所述真实无高光图像确定的差异，确定所述纹理修复网络的第二损失函数，包括：确定所述预测无高光图像和所述真实无高光图像间的第二内容差异，以及所述预测无高光图像和所述真实无高光图像间的第二纹理差异；
获取设定的第三权重系数；根据所述第三权重系数，对所述第二内容差异和所述第二纹理差异进行加权合成，得到所述纹理修复网络的第二损失函数。6.如权利要求1所述的方法，其特征在于，所述将所述第一无高光图像、所述高光掩膜图像和所述样本高光图像输入所述高光处理模型的学习网络，得到目标背景纹理特征图，包括：将所述第一无高光图像输入所述学习网络的第一特征提取层进行特征提取，得到第一背景纹理特征图；其中，所述第一背景纹理特征图中携带了无高光区域的背景纹理特征；将所述高光掩膜图像和所述样本高光图像输入所述学习网络的第二特征提取层进行处理，得到第二背景纹理特征...
【专利技术属性】
技术研发人员：周代国，谢嘉仪，彭鑫，向晨，丁倩，罗飞，周富，谌金垚，肖春霞，
申请(专利权)人：北京小米移动软件有限公司北京小米松果电子有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。