图像处理方法、图像处理装置及存储介质制造方法及图纸

本公开是关于一种图像处理方法、图像处理装置及存储介质，图像处理方法应用于电子设备，电子设备中安装有图像采集装置，图像处理方法包括：获取图像采集装置采集的原始图像，原始图像为像素位置发生像差的图像；将原始图像输入深度卷积神经网络模型，得到处理后的图像，其中，深度卷积神经网络为基于图像采集装置的像差函数训练得到。本公开实施例通过与图像采集装置具有相同属性的图像采集装置利用测量手段确定像差函数，基于得到的像差函数训练深度卷积神经网络，利用训练好的深度卷积神经网络对图像采集装置采集的发生相差的图像进行去除相差的处理，提高图像处理质量。

【技术实现步骤摘要】
图像处理方法、图像处理装置及存储介质
本公开涉及图像处理领域，尤其涉及图像处理方法、图像处理装置及存储介质。
技术介绍
随着智能终端技术的飞速发展，智能终端在人们的工作、生活中越来越普及，为了更好地满足用户的使用需求，其各方面性能也越来越高。用户使用终端随时随地的进行拍摄，给用户带来了极大的便捷。因此，倍受关注的一方面性能就是终端的拍摄性能。终端的拍摄性能较为直观地反应在所拍摄图像的质量，终端传感器尺寸越大，拍摄照片的单位面积像素所接收的光线越多，成像质量越好。相机的光圈，即光线进入相机到达传感器的毕竟通道，相机的光圈越大，单位时间通过的光线越多，所需曝光时间越短。因此，对于终端的摄像头而言，光圈越大图像质量越好。为了追求优越的图像质量，终端所配置的图像传感器的尺寸与光圈的发展趋势都是越来越大，与此同时大图像传感器、大光圈终端存在的光学像差，引起拍摄图像模糊、拍摄效果不佳，影响了用户体验。
技术实现思路
为克服相关技术中存在的问题，本公开提供一种图像处理方法、图像处理装置及存储介质。根据本公开实施例的第一方面，提供一种图像处理方法，应用于电子设备，所述电子设备中安装有图像采集装置，所述图像处理方法包括：获取所述图像采集装置采集的原始图像，所述原始图像为像素位置发生像差的图像；将所述原始图像输入深度卷积神经网络模型，得到处理后的图像，其中，所述深度卷积神经网络为基于所述图像采集装置的像差函数函数训练得到。在一实施例中，所述深度卷积神经网络采用如下方式基于像差函数训练得到：在一实施例中，所述深度卷积神经网络采用如下方式基于像差函数训练得到：获取与所述图像采集装置具有相同属性的图像采集装置采集的像差参考图像组，所述像差参考图像组中每一像差参考图像中包括有像素位置发生像差的像素；获取清晰样本图像组，所述清晰样本图像组中包括的清晰样本图像为未发生像差的图像；基于所述像差参考图像组确定所述像差函数，并将所述像差函数与所述清晰样本图像组中的所述清晰样本图像进行卷积操作，得到模糊样本图像组；基于所述清晰样本图像组和所述模糊样本图像组中对应的清晰样本图像和模糊样本图像组成样本图像，并基于所述样本图像对训练得到所述深度卷积神经网络。在一实施例中，所述像差参考图像组中的图像为与所述图像采集装置具有相同属性的图像采集装置拍摄的点光源图像；所述基于所述像差参考图像组确定所述像差函数，包括：对所述点光源图像中发生像差的全部像素进行测量，得到发生像差后的像素位置；将所述像素位置映射为像素亮度，并对所述全部像素的像素亮度进行归一化处理，得到所述点光源图像对应的像差函数。在一实施例中，得到处理后的图像之后，所述方法还包括：对所述原始图像和所述处理后的图像进行融合处理，得到融合处理后的图像。在一实施例中，所述对所述原始图像和所述处理后的图像进行融合处理，得到融合处理后的图像，包括：确定所述原始图像中的第一区域和第二区域，所述第一区域为像素梯度小于第一梯度阈值的弱纹理区域，所述第二区域为所述像素梯度大于第二梯度阈值的强边缘区域；确定所述第一区域对应的第一权重以及所述第二区域对应的第二权重；基于所述第一权重、所述第二权重对所述原始图像和所述处理后的图像进行融合处理，得到融合处理后的图像。在一实施例中，所述确定所述第一区域对应的第一权重以及所述第二区域对应的第二权重，包括：确定所述第一区域对应所述原始图像和所述处理后的图像的第一权重，其中，所述第一区域对应所述原始图像的第一权重，大于所述第一区域对应所述处理后的图像的第一权重；确定所述第二区域对应所述原始图像和所述处理后的图像的第二权重，其中，所述第二区域对应所述原始图像的第二权重，小于所述第二区域对应所述处理后的图像的第二权重。根据本公开实施例的第二方面，提供一种图像处理装置，应用于电子设备，所述电子设备中安装有图像采集装置，所述图像处理装置包括：获取模块，用于获取所述图像采集装置采集的原始图像，所述原始图像为像素位置发生像的图像；处理模块，用于将所述原始图像输入深度卷积神经网络模型，得到处理后的图像，其中，所述深度卷积神经网络为基于所述图像采集装置的像差函数训练得到，所述深度卷积神经网络的输入为模糊样本图像，输出为清晰样本图像。在一实施例中，所述深度卷积神经网络采用如下方式基于点扩散函数训练得到：获取与所述图像采集装置具有相同属性的图像采集装置采集的像差参考图像组，所述像差参考图像组中每一像差参考图像中包括有像素位置发生像差的像素；获取清晰样本图像组，所述清晰样本图像组中包括的清晰样本图像为未发生像差的图像；基于所述像差参考图像组确定所述像差函数，并将所述像差函数与所述清晰样本图像组中的所述清晰样本图像进行卷积操作，得到模糊样本图像组；基于所述清晰样本图像组和所述模糊样本图像组中对应的清晰样本图像和模糊样本图像组成样本图像对，并基于所述样本图像对训练得到所述深度卷积神经网络，所述深度卷积神经网络的输入为模糊样本图像，输出为清晰样本图像。在一实施例中，所述第一图像组中的图像为与所述图像采集装置具有相同属性的图像采集装置拍摄的点光源图像；所述基于所述像差参考图像组确定所述像差函数，包括：对所述点光源图像中发生像差的全部像素进行测量，得到发生像差后的像素位置；将所述像素位置映射为像素亮度，并对所述全部像素的像素亮度进行归一化处理，得到所述点光源图像对应的像差函数。在一实施例中，所述图像处理装置还包括：融合模块，用于对所述原始图像和所述处理后的图像进行融合处理，得到融合处理后的图像。在一实施例中，所述融合模块采用如下方式对所述原始图像和所述处理后的图像进行融合处理，得到融合处理后的图像：确定所述原始图像中的第一区域和第二区域，所述第一区域为像素梯度小于第一梯度阈值的弱纹理区域，所述第二区域为所述像素梯度大于第二梯度阈值的强边缘区域；确定所述第一区域对应的第一权重以及所述第二区域对应的第二权重；基于所述第一权重、所述第二权重对所述原始图像和所述处理后的图像进行融合处理，得到融合处理后的图像。在一实施例中，所述融合模块采用如下方式确定所述第一区域对应的第一权重以及所述第二区域对应的第二权重：确定所述第一区域对应所述原始图像和所述处理后的图像的第一权重，其中，所述第一区域对应所述原始图像的第一权重，大于所述第一区域对应所述处理后的图像的第一权重；确定所述第二区域对应所述原始图像和所述处理后的图像的第二权重，其中，所述第二区域对应所述原始图像的第二权重，小于所述第二区域对应所述处理后的图像的第二权重。根据本公开实施例的第三方面，提供一种功能控制装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为：执行前述任意一项所述的图像处理方法。根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行前述任意一项所述的图像处理方法。本公开的实施例提供的技术方案可以包括以下有益效果：通过与图像采集装置具有相同属性的图像采集本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，应用于电子设备，所述电子设备中安装有图像采集装置，所述图像处理方法包括：/n获取所述图像采集装置采集的原始图像，所述原始图像为像素位置发生像差的图像；/n将所述原始图像输入深度卷积神经网络模型，得到处理后的图像，其中，所述深度卷积神经网络为基于所述图像采集装置的像差函数训练得到。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，应用于电子设备，所述电子设备中安装有图像采集装置，所述图像处理方法包括：
获取所述图像采集装置采集的原始图像，所述原始图像为像素位置发生像差的图像；
将所述原始图像输入深度卷积神经网络模型，得到处理后的图像，其中，所述深度卷积神经网络为基于所述图像采集装置的像差函数训练得到。


2.根据权利要求1所述的图像处理方法，其特征在于，所述深度卷积神经网络采用如下方式基于像差函数训练得到：
获取与所述图像采集装置具有相同属性的图像采集装置采集的像差参考图像组，所述像差参考图像组中每一像差参考图像中包括有像素位置发生像差的像素；
获取清晰样本图像组，所述清晰样本图像组中包括的清晰样本图像为未发生像差的图像；
基于所述像差参考图像组确定所述像差函数，并将所述像差函数与所述清晰样本图像组中的所述清晰样本图像进行卷积操作，得到模糊样本图像组；
基于所述清晰样本图像组和所述模糊样本图像组中对应的清晰样本图像和模糊样本图像组成样本图像对，并基于所述样本图像对训练得到所述深度卷积神经网络，所述深度卷积神经网络的输入为模糊样本图像，输出为清晰样本图像。


3.根据权利要求2所述的图像处理方法，其特征在于，所述像差参考图像组中的图像为与所述图像采集装置具有相同属性的图像采集装置拍摄的点光源图像；
所述基于所述像差参考图像组确定所述像差函数，包括：
对所述点光源图像中发生像差的全部像素进行测量，得到发生像差后的像素位置；
将所述像素位置映射为像素亮度，并对所述全部像素的像素亮度进行归一化处理，得到所述点光源图像对应的像差函数。


4.根据权利要求1所述的图像处理方法，其特征在于，得到处理后的图像之后，所述方法还包括：
对所述原始图像和所述处理后的图像进行融合处理，得到融合处理后的图像。


5.根据权利要求4所述的图像处理方法，其特征在于，所述对所述原始图像和所述处理后的图像进行融合处理，得到融合处理后的图像，包括：
确定所述原始图像中的第一区域和第二区域，所述第一区域为像素梯度小于第一梯度阈值的弱纹理区域，所述第二区域为所述像素梯度大于第二梯度阈值的强边缘区域；
确定所述第一区域对应的第一权重以及所述第二区域对应的第二权重；
基于所述第一权重、所述第二权重对所述原始图像和所述处理后的图像进行融合处理，得到融合处理后的图像。


6.根据权利要求5所述的图像处理方法，其特征在于，所述确定所述第一区域对应的第一权重以及所述第二区域对应的第二权重，包括：
确定所述第一区域对应所述原始图像和所述处理后的图像的第一权重，其中，所述第一区域对应所述原始图像的第一权重，大于所述第一区域对应所述处理后的图像的第一权重；
确定所述第二区域对应所述原始图像和所述处理后的图像的第二权重，其中，所述第二区域对应所述原始图像的第二权重，小于所述第二区域对应所述处理后的图像的第二权重。


7.一种图像处理装置，其特征在于，应用于电子设备，所述电子设备中安装有图像采集装置，所述图像处理装置包括：
获取模块，用于获取所述图像采集装置采集的原始图像，所述原始图像为像素位置发生像差的图像；
...

【专利技术属性】
技术研发人员：万韶华，
申请(专利权)人：北京小米松果电子有限公司，
类型：发明
国别省市：北京;11