图像处理方法、图像处理装置、终端设备及存储介质制造方法及图纸

本申请适用于图像处理技术领域，提供了一种图像处理方法、图像处理装置、终端设备及存储介质，包括：获取待处理图像的L分量；获取目标光照向量；根据所述待处理图像的L分量和所述目标光照向量，确定目标L分量；根据所述目标L分量，确定所述待处理图像的重光照图像。通过本申请可对待处理图像进行重光照处理，改变待处理图像的光照效果。

【技术实现步骤摘要】
图像处理方法、图像处理装置、终端设备及存储介质
本申请属于图像处理
，尤其涉及一种图像处理方法、图像处理装置、终端设备及存储介质。
技术介绍
随着装配有高质量摄像头的智能手机的普及，人们能够以图像的形式随时记录自己的生活瞬间。虽然拍摄图像本身不再具有门槛，但是如何选择或者设置拍摄时的光照，仍然需要了解专业摄影知识。因此，为了协助非专业摄影者拍摄出具有美感的图像，有必要对所拍摄的图像进行重光照处理，改变所拍摄图像的光照效果。
技术实现思路
本申请实施例提供了一种图像处理方法、图像处理装置、终端设备及存储介质，以对图像进行重光照处理，改变图像的光照效果。第一方面，本申请实施例提供了一种图像处理方法，所述图像处理方法包括：获取待处理图像的L分量，所述待处理图像的L分量是指所述待处理图像在LAB颜色空间的L分量；获取目标光照向量；根据所述待处理图像的L分量和所述目标光照向量，确定目标L分量；根据所述目标L分量，确定所述待处理图像的重光照图像。第二方面，本申请实施例提供了一种图像处理装置，所述图像处理装置包括：L分量获取模块，用于获取待处理图像的L分量，所述待处理图像的L分量是指所述待处理图像在LAB颜色空间的L分量；光照向量获取模块，用于获取目标光照向量；目标分量确定模块，用于根据所述待处理图像的L分量和所述目标光照向量，确定目标L分量；重光照图像确定模块，用于根据所述目标L分量，确定所述待处理图像的重光照图像。第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中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如上述第一方面所述图像处理方法的步骤。第四方面，本申请实施例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如上述第一方面所述图像处理方法的步骤。第五方面，本申请实施例提供了一种计算机程序产品，当所述计算机程序产品在终端设备上运行时，使得所述终端设备执行如上述第一方面所述图像处理方法的步骤。由上可见，本申请通过目标光照向量和表征待处理图像的光照信息的L分量，确定待处理图像的目标L分量，并基于该目标L分量，确定待处理图像的重光照图像，在此过程中基于目标光照向量对待处理图像的L分量进行转换，而保持待处理图像的其他特征(例如纹理特征)不变，从而能够较好地保留待处理图像的其他特征，提升待处理图像的重光照图像的质量。附图说明为了更清楚地说明本申请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申请的一些实施例，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是本申请实施例一提供的图像处理方法的实现流程示意图；图2是本申请实施例二提供的图像处理方法的实现流程示意图；图3是深度学习模型的训练过程示例图；图4是本申请实施例三提供的图像处理方法的实现流程示意图；图5是四个备选图像的示例图；图6是本申请实施例四提供的图像处理装置的结构示意图；图7是本申请实施例五提供的终端设备的结构示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。本申请实施例提供的图像处理方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmentedreality，AR)/虚拟现实(virtualreality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobilepersonalcomputer，UMPC)、上网本、个人数字助理(personaldigitalassistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。参见图1，是本申请实施例一提供的图像处理方法的实现流程示意图，该图像处理方法应用于终端设备，如图所示该图像处理方法可以包括以下步骤：步骤101，获取待处理图像的L分量。其中，待处理图像的L分量是指待处理图像在LAB颜色空间的L分量。LAB颜色空间，也可以称之为LAB颜色模型，LAB颜色模型是根据国际照明委员会在1931年所制定的一种测定颜色的国际标准建立的。LAB颜色模型由三个要素组成，一个要素是亮度(即L分量)、另外两个要素是颜色通道(即A分量和B分量)，L分量表示图像中像素的亮度，A分量表示从红色到绿色的颜色范围，B分量表示从黄色到蓝色的颜色范围。在获取待处理图像的L分量时，可以先获取待处理图像；然后检测待处理图像的颜色空间是否为LAB颜色空间；若待处理图像的颜色空间为LAB颜色空间，则对待处理图像进行LAB分解，分解后得到待处理图像的L分量、A分量和B分量；若待处理图像的颜色空间不是LAB颜色空间，则将待处理图像的颜色空间转换为LAB颜色空间，再对待处理图像进行LAB分解，分解后得到待处理图像的L分量、A分量和B分量。其中，上述待处理图像可以是其他设备发送给终端设备的(例如终端设备向其他设备发送图像获取请求，其他设备在接收到图像获取请求后，向终端设备发送待处理图像)，也可以是终端设备本地采集的(例如手机上的摄像头采集的)，在此不做限定。步骤102，获取目标光照向量。其中，目标光照向量可以是指光照效果达到用户需求的光照向量。上述目标光照向量可以是其他设备发送给终端设备的，也可以是终端设备本地获取的，在此不做限定。在获取目标光照向量的一可选实施例中，终端设备可以向其他设备发送目标光照向量获取请求，其他设备在接收到目标光照向量获取请求后，向终端设备发送目标光照向量。在获取目标光照向量的另一可选实施例中，终端设备可以先获取至少一张备选图像，并显示上述至少一张备选图像，在检测到用户对本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，所述图像处理方法包括：/n获取待处理图像的L分量，所述待处理图像的L分量是指所述待处理图像在LAB颜色空间的L分量；/n获取目标光照向量；/n根据所述待处理图像的L分量和所述目标光照向量，确定目标L分量；/n根据所述目标L分量，确定所述待处理图像的重光照图像。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述图像处理方法包括：
获取待处理图像的L分量，所述待处理图像的L分量是指所述待处理图像在LAB颜色空间的L分量；
获取目标光照向量；
根据所述待处理图像的L分量和所述目标光照向量，确定目标L分量；
根据所述目标L分量，确定所述待处理图像的重光照图像。


2.如权利要求1所述的图像处理方法，其特征在于，所述根据所述待处理图像的L分量和所述目标光照向量，确定目标L分量包括：
将所述待处理图像的L分量输入至已训练的深度学习模型中的编码器，得到所述待处理图像的图像特征；
将所述待处理图像的图像特征和所述目标光照向量输入至所述深度学习模型中的解码器，得到所述目标L分量。


3.如权利要求2所述的图像处理方法，其特征在于，训练所述深度学习模型包括：
获取M组训练数据，M为正整数，一组训练数据包括第一图像、第一光照向量、第二图像和第二光照向量，所述第一光照向量是所述第一图像的光照向量，所述第二图像是使用所述第二光照向量对所述第一图像进行渲染，得到的图像；
对于第i组训练数据，所述第i组训练数据是所述M组训练数据中的任一组训练数据，分别获取所述第i组训练数据中第一图像和第二图像的L分量，所述第一图像的L分量是指所述第一图像在所述LAB颜色空间的L分量，所述第二图像的L分量是指所述第二图像在所述LAB颜色空间的L分量；
将所述第一图像的L分量输入至所述编码器，得到所述第一图像的图像特征和预测光照向量；
将所述第一图像的图像特征和所述第二光照向量输入至所述解码器，得到预测L分量；
根据所述预测光照向量、所述第一光照向量、所述第二图像的L分量和所述预测L分量，更新所述深度学习模型中的模型参数；
若检测到所述深度学习模型收敛，则停止更新所述深度学习模型中的模型参数，并确定停止更新时所述深度学习模型的模型参数为所述深度学习模型的目标模型参数。


4.如权利要求3所述的图像处理方法，其特征在于，所述根据所述预测光照向量、所述第一光照向量、所述第二图像的L分量和所述预测L分量，更新所述深度学习模型中的模型参数包括：
根据所述预测光照向量和所述第一光照向量，确定第一损失函数；
根据所述第二图像的L分量和所述预测L分量，确定第二损失函数；
根据所述第一损失函数和所述第二损失函数，更新所述深度学习模型中的模型参数。


5.如权利要求3所述的图像处理方法，其特征在于，所述获取M组训练数据包括：
获取S张第一图像，S为正整数；
获取所述S张第一图像各自的第一光照向量，得到S个第一光照向量；
从所述S个第一光照向量中，确定K个第二光照向量，K为小于或等于S的正整数；
对于第j张第一图像，所述第j张第一图像是所述S张第一图像中的任一第一图像，使用所述K个第二光照向量分别对所述第j张第一图像进行渲染，得到所述第j张第一图像对应的K张第二图像；
根据所述第j张第一图像、所述第j张第一图像的第一光照向量、所述K张第二图像和所述K个第二光照向量，确定所述第j张第一图像对应的K组训练数据；
根据所述S张第一图像各自对应的K组训练数据，确定所述M组训练数据，M＝K*S。


6.如权利要求5所述的图像处理方法，其特征在于，所述根据所述第j张第一图像、所述第j张第一图像的第一光照向量、所述K张第二图像和所...

【专利技术属性】
技术研发人员：尹康，
申请(专利权)人：OPPO重庆智能科技有限公司，
类型：发明
国别省市：重庆;50