一种处理图像的方法及终端技术

本发明专利技术适用于计算机技术领域，提供了一种处理图像的方法及终端，该方法包括：获取待处理图像；对所述待处理图像进行预处理，得到目标待处理图像；通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。本发明专利技术实施例，使用预设的神经网络模型将经过预处理的图像处理为多个不同分辨率的目标图像，提取每个目标图像的特征信息，并对提取的特征信息进行拼接、卷积处理，得到去噪图像。实现了即使在处理暗光或者逆光场景下的图像时，也能保留大量图像细节信息，得到高质量的去噪图像，达到良好的去噪效果。

【技术实现步骤摘要】
一种处理图像的方法及终端
本专利技术属于计算机
，尤其涉及一种处理图像的方法及终端。
技术介绍
图像噪声是指存在于图像数据中不必要的或者多余的干扰信息，噪声的存在严重影响了图像的质量，降噪显得尤为重要。现有的图像去噪方法，普遍利用图像的局部信息来平滑处理，或者把图像分成一定大小的块，根据图像块之间的相似性，把具有相似结构的二维图像块组合在一起形成三维数组，然后用联合滤波的方法对这些三维数组进行处理，通过逆变换，把处理后的结果返回到原图像中，从而得到去噪后的图像。然而这两种图像去噪方法在处理暗光或者逆光场景下的图像时，往往使图像丢失了很多细节信息，不能得到高质量的去噪图像，不能达到良好的去噪效果。
技术实现思路
有鉴于此，本专利技术实施例提供了一种处理图像的方法及终端，以解决现有技术中，在处理暗光或者逆光场景下的图像时，使图像丢失了很多细节信息，不能得到高质量的去噪图像，不能达到良好的去噪效果的问题。本专利技术实施例的第一方面提供了一种处理图像的方法，包括：获取待处理图像；对所述待处理图像进行预处理，得到目标待处理图像；通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；其中，所述神经网络模型是通过使用机器学习算法对图像样本集进行训练得到，在训练过程中，所述神经网络模型的输入为所述图像样本集中的图像，所述神经网络模型的输出为所述图像经过处理得到的去噪图像；所述特征信息包括颜色特征、纹理特征、形状特征和空间关系特征；通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。本专利技术实施例的第二方面提供了一种终端，该终端包括：获取单元，用于获取待处理图像；第一处理单元，用于对所述待处理图像进行预处理，得到目标待处理图像；第二处理单元，用于通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；其中，所述神经网络模型是通过使用机器学习算法对图像样本集进行训练得到，在训练过程中，所述神经网络模型的输入为所述图像样本集中的图像，所述神经网络模型的输出为所述图像经过处理得到的去噪图像；所述特征信息包括颜色特征、纹理特征、形状特征和空间关系特征；第三处理单元，用于通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。本专利技术实施例的第三方面提供了另一种终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储支持终端执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行以下步骤：获取待处理图像；对所述待处理图像进行预处理，得到目标待处理图像；通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；其中，所述神经网络模型是通过使用机器学习算法对图像样本集进行训练得到，在训练过程中，所述神经网络模型的输入为所述图像样本集中的图像，所述神经网络模型的输出为所述图像经过处理得到的去噪图像；所述特征信息包括颜色特征、纹理特征、形状特征和空间关系特征；通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。本专利技术实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取待处理图像；对所述待处理图像进行预处理，得到目标待处理图像；通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；其中，所述神经网络模型是通过使用机器学习算法对图像样本集进行训练得到，在训练过程中，所述神经网络模型的输入为所述图像样本集中的图像，所述神经网络模型的输出为所述图像经过处理得到的去噪图像；所述特征信息包括颜色特征、纹理特征、形状特征和空间关系特征；通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。本专利技术实施例，通过本专利技术实施例，通过获取待处理图像；对所述待处理图像进行预处理，得到目标待处理图像；通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。本专利技术实施例，使用预设的神经网络模型将经过预处理的图像处理为多个不同分辨率的目标图像，提取每个目标图像的特征信息，并对提取的特征信息进行拼接、卷积处理，得到去噪图像。实现了即使在处理暗光或者逆光场景下的图像时，也能保留大量图像细节信息，得到高质量的去噪图像，达到良好的去噪效果。附图说明为了更清楚地说明本专利技术实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一实施例提供的一种处理图像的方法的实现流程图；图2是本专利技术一实施例提供的预处理对比图；图3是本专利技术另一实施例提供的一种处理图像的方法的实现流程图；图4、图5、图6、图7、图8、图9是本专利技术另一实施例提供的图像去噪处理对比图；图10是本专利技术一实施例提供的一种终端的示意图；图11是本专利技术另一实施例提供的一种终端的示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。请参见图1，图1是本专利技术实施例提供的一种处理图像的方法的示意流程图。本实施例中处理图像方法的执行主体为终端，终端包括但不限于智能手机、平板电脑、个人数字助理(PersonalDigitalAssistant，PDA)等移动终端，还可以包括台式电脑等终端。如图1所示的处理图像的方法可包括：S101：获取待处理图像。终端在检测到处理图像指令时，获取待处理图像。处理图像指令可以由用户触发，如用户点击终端中的处理图像选项。获取待处理图像可以是终端调用相机进行实时拍摄的图像，也可以是用户上传至终端的待处理图像，还可以是终端根据处理图像指令中包含的文件标识获取该文件标识对应的图像文件，并提取图像文件中的待处理图像。待处理图像可以为单帧也可以为多帧。若待处理图像为单帧时，不做任何限制；若待处理图像为两帧及以上时，需为同一场景的相同曝光图像，即无论是摄像机拍摄的待处理图像，或是用户上传的待处理图像，或是终端根据处理图像指令获取的待处理图像，这些图像需为同一场景的相同曝光图像。其中同一场景的相同曝光是指拍摄的场景、光线条件(如逆光、顺光、暗光等)、曝光时间、感光度、曝光量相同。本文档来自技高网...

【技术保护点】
1.一种处理图像的方法，其特征在于，包括：/n获取待处理图像；/n对所述待处理图像进行预处理，得到目标待处理图像；/n通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；其中，所述神经网络模型是通过使用机器学习算法对图像样本集进行训练得到，在训练过程中，所述神经网络模型的输入为所述图像样本集中的图像，所述神经网络模型的输出为所述图像经过处理得到的去噪图像；所述特征信息包括颜色特征、纹理特征、形状特征和空间关系特征；/n通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。/n

【技术特征摘要】
1.一种处理图像的方法，其特征在于，包括：
获取待处理图像；
对所述待处理图像进行预处理，得到目标待处理图像；
通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息；其中，所述神经网络模型是通过使用机器学习算法对图像样本集进行训练得到，在训练过程中，所述神经网络模型的输入为所述图像样本集中的图像，所述神经网络模型的输出为所述图像经过处理得到的去噪图像；所述特征信息包括颜色特征、纹理特征、形状特征和空间关系特征；
通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像。


2.如权利要求1所述的方法，其特征在于，所述通过预设的神经网络模型将所述目标待处理图像处理为多个不同分辨率的目标图像，提取每个所述目标图像的特征信息，包括：
通过所述神经网络模型对所述目标待处理图像进行上采样以及下采样，得到多个不同分辨率的目标图像；
提取所述目标图像在各自对应的分辨率下的特征信息。


3.如权利要求1所述的方法，其特征在于，所述通过所述神经网络模型对所述特征信息进行特征信息拼接处理，得到去噪图像，包括：
通过所述神经网络模型将多个所述特征信息按照所述神经网络模型对所述特征信息处理的顺序进行拼接，得到拼接特征信息；
通过所述神经网络模型对所述拼接特征信息进行卷积处理，得到去噪图像。


4.如权利要求1所述的方法，其特征在于，所述获取待处理图像之前，还包括：
基于所述图像样本集训练所述神经网络模型；其中，所述神经网络模型包括卷积神经网络以及循环神经网络；所述图像样本集包括多组曝光图像；其中，每一组曝光图像包括至少两帧同一场景的短曝光图像以及长曝光图像。


5.如权利要求4所述的方法，其特征在于，所述基于所述图像样本集训练所述神经网络模型，包括：
获取所述图像样本集；
对所述短曝光图像进行预处理，得到目标短曝光图像；
通过所述卷积神经网络将所述目标短曝光图像处理为多个不同分辨率的目标训练图...

【专利技术属性】
技术研发人员：赵迪，马岚，李松南，俞大海，
申请(专利权)人：TCL集团股份有限公司，
类型：发明
国别省市：广东;44