低照度图像处理方法、装置、设备及存储介质

技术领域

本申请属于图像处理技术领域，尤其涉及一种低照度图像处理方法、装置、设备及存储介质。

背景技术

电子设备通过对捕获的图像进行物体检测、分类、识别、场景理解以及3D重建等操作，能够实现将图像应用于自动驾驶、视频监视和虚拟增强现实等实际场景中。图像质量对后续的场景应用影响重大，场景中的光照变化往往直接影响采集到的图像质量。典型的情况是使用在光线不足的环境中捕获的图像，在光线不足的环境中拍摄的图片通常会出现严重的退化，例如不良可见性，低对比度，意外噪音等。弱光无疑会降低大多数基于视觉的算法的性能，因此，有必要对图像进行低照度增强处理以提高图像质量。

然而，图像的低照度增强处理受到诸多因素的影响，无法保证低照度增强处理的效率。

申请内容

本申请实施例提供了一种低照度图像处理方法、低照度图像处理装置、电子设备及存储介质，以解决低照度增强处理的效率较差的问题。

本申请实施例第一方面提供一种低照度图像处理方法，所述方法包括：当接收到待处理图像时，确定所述待处理图像对应的多个初始像素，得到初始像素集；根据预先训练的低照度增强模型，确定多个低照度增强映射表的级联关系，其中，所述低照度增强映射表记录像素值的对应关系；根据所述级联关系遍历所述多个低照度增强映射表，得到所述初始像素集对应的目标像素集；根据所述目标像素集生成所述待处理图像对应的目标增强图像。

本申请实施例中，将深度学习方法与映射表技术结合，确定低照度模型对应的低照度增强映射表，之后在接收到待处理图像时，遍历低照度增强映射表，得到待处理图像对应的目标增强图像，能够避免深度学习方法对图像进行低照度增强导致的计算复杂的问题，提高低照度增强的效率。

进一步地，在本申请实施例提供的上述方法中，所述预先训练的低照度增强模型，包括：获取初始神经网络模型；确定所述初始神经网络模型对应的初始卷积核结构；将所述初始卷积核结构调整为目标卷积核结构，得到目标神经网络模型；以历史低照度图像为输入数据、历史低照度增强图像为输出数据训练所述目标神经网络模型，得到低照度增强模型。

进一步地，在本申请实施例提供的上述方法中，所述初始卷积核结构包含若干3*3感受野的卷积核，所述将所述初始卷积核结构调整为目标卷积核结构，得到目标神经网络模型，包括：确定单个2*2感受野的卷积核与若干1*1感受野的卷积核的卷积核组合；按照第一预设数量组合所述卷积核组合，得到中间卷积核结构；按照第二预设数量堆叠处理所述中间卷积核结构，得到目标卷积核结构；将所述初始神经网络模型中3*3感受野的卷积核调整为所述目标卷积核结构，得到所述目标神经网络模型。

进一步地，在本申请实施例提供的上述方法中，在所述根据预先训练的低照度增强模型，确定多个低照度增强映射表的级联关系之前，所述方法还包括：确定所述目标卷积核结构中多个所述中间卷积核结构对应的卷积核调用关系；根据所述卷积核调用关系分别调用所述中间卷积核结构处理所述历史低照度图像，得到若干历史低照度特征图；确定所述历史低照度图像与所述历史低照度特征图以及所述历史低照度特征图之间像素值的映射关系，并根据所述映射关系构建所述多个低照度增强映射表；组合所述低照度增强映射表，得到低照度增强映射表集。

进一步地，在本申请实施例提供的上述方法中，所述根据预先训练的低照度增强模型，确定多个低照度增强映射表的级联关系，包括：确定每个低照度增强映射表对应的所述中间卷积核结构；根据所述中间卷积核结构的卷积核调用关系确定所述多个低照度增强映射表的级联关系。

进一步地，在本申请实施例提供的上述方法中，所述根据所述级联关系遍历所述多个低照度增强映射表，得到所述初始像素集对应的目标像素集，包括：根据所述级联关系从所述多个低照度增强映射表内确定第一级的低照度增强映射表以及对应的下一级的低照度增强映射表；获取所述初始像素集内每一初始像素对应的初始像素值，并根据所述初始像素集中的每个初始像素值遍历第一级的低照度增强映射表，得到第一像素值；将第一级遍历得到的第一像素值作为下一级遍历的输入，根据所述第一像素值继续遍历下一级的低照度增强映射表，直至得到每个初始像素值对应的目标像素值；组合所述目标像素值，得到目标像素集。

进一步地，在本申请实施例提供的上述方法中，所述以历史低照度图像为输入数据、历史低照度增强图像为输出数据训练所述目标神经网络模型，得到低照度增强模型，包括：根据预设自集成算法处理所述历史低照度图像，得到集成处理后的历史低照度图像；将集成处理后的历史低照度图像输入至所述目标神经网络模型，得到模型增强图像；根据所述历史低照度增强图像与所述模型增强图像计算损失值；当损失值小于预设损失阈值时，将所述目标神经网络模型作为所述预先训练的低照度增强模型。

本申请实施例第二方面还提供一种低照度图像处理装置，所述装置包括：图像接收模块，用于当接收到待处理图像时，确定所述待处理图像对应的多个初始像素，得到初始像素集；映射表确定模块，用于根据预先训练的低照度增强模型，确定多个低照度增强映射表的级联关系，其中，所述低照度增强映射表记录像素值的对应关系；映射表遍历模块，用于根据所述级联关系遍历所述多个低照度增强映射表，得到所述初始像素集对应的目标像素集；图像增强模块，用于根据所述目标像素集生成所述待处理图像对应的目标增强图像。

本申请实施例第三方面还提供一种电子设备，所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任意一项所述的低照度图像处理方法。

本申请实施例第四方面还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，所述计算机程序被控制器执行时实现如上述任意一项所述的低照度图像处理方法。

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是本申请实施例提供的低照度图像处理方法的应用场景图；

图2是本申请实施例提供的低照度图像处理方法的流程示意图；

图3是本申请实施例提供的低照度增强模型的确定流程图；

图4是本申请实施例提供的目标卷积核结构的确定流程图；

图5A是本申请实施例提供的卷积核组合的示意图；

图5B是本申请实施例提供的中间卷积核结构的示意图；

图5C是本申请实施例提供的目标卷积核结构的示意图；

图6是本申请实施例提供的低照度增强模型的训练流程图；

图7是本申请实施例提供的对任一历史低照度图像进行旋转处理的示意图；

图8是本申请实施例提供的低照度增强映射表集的确定流程；

图9是本申请实施例提供的模型处理的示意图；

图10是本申请实施例提供的目标像素集的确定流程图；

图11是本申请实施例提供的低照度图像处理装置的结构示意图。

图12是本申请实施例提供的电子设备的结构示意图。

具体实施方式

为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，所描述的实施例是本申请一部分实施例，而不是全部的实施例。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。

现有的图像的低照度增强处理受诸多要素影响，无法保证低照度增强处理的效率。示例性地，相关技术中，图像低照度增强处理多采用深度学习的方式，通过深度学习的方式从大数据中统计得到通用亮度的映射关系，在不依赖于人参与的前提下，实现色彩变化以适应人的视觉感知。然而，在一些视觉任务中，例如，自动驾驶、视频监视和虚拟增强现实等场景均依赖于暗光图像的增强结果，对图像增强过程中的时间资源消耗有严格限制。庞大的神经网络计算量和空间复杂度将导致增强处理的效率较差，无法满足上述场景的时间资源消耗要求。

基于上述问题，本申请实施例提供一种低照度图像处理方法，提高低照度增强处理效率。

结合图1说明本申请实施例执行低照度图像处理方法的应用场景图，如图1所示，左侧图像为待处理图像，右侧图像为增强处理后的目标增强图像。存在多个低照度增强映射表，图1仅以低照度增强映射表的数量为3个为例，分别为第一低照度增强映射表、第二低照度增强映射表与第三低照度增强映射表，第一低照度增强映射表、第二低照度增强映射表与第三低照度增强映射表间存在级联关系。将待处理图像的每一初始像素值作为第一低照度增强映射表的索引，得到第一像素值；将第一像素值作为第二低照度增强映射表的索引，得到第二像素值；将第二像素值作为第三低照度增强映射表的索引，得到目标像素值，由多个目标像素值组成增强处理后的目标增强图像。

图2是本申请实施例提供的低照度图像处理方法的流程图。如图2所示，低照度图像处理方法由电子设备执行，具体可以包括如下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。

S11，当接收到待处理图像时，确定待处理图像对应的多个初始像素，得到初始像素集。

在本申请的至少一实施例中，待处理图像是指需要进行低照度增强处理的图像。待处理图像可以是单独的图像，也可以是视频中的视频帧图像。待处理图像的图像格式可以为RGB数据格式，也可以为YUV数据格式。其中，RGB数据格式的待处理图像包含R通道、G通道与B通道，分别对应红、绿、蓝三个分量，由三个分量的值决定图像颜色。而YUV数据格式的待处理图像包括Y通道、U通道与V通道，其中，Y通道标识图像明亮度，U通道与V通道标识图像色度。

在一实施例中，待处理图像内包含多个初始像素，将多个初始像素组成初始像素集。每一初始像素均对应像素的亮度值(本申请也称像素值)。示例性地，将待处理图像的像素的亮度值设置在区间[0,255]，其中，越靠近255的像素亮度越高，越靠近0的像素亮度越低。

S12，根据预先训练的低照度增强模型，确定多个低照度增强映射表的级联关系，其中，低照度增强映射表记录像素值的对应关系。

在本申请的至少一实施例中，低照度增强模型是指用于对待处理图像内的每个像素进行低照度增强变换处理的数学模型，调用低照度增强模型处理待处理图像的每个初始像素，能够得到经增强变换处理后的目标像素。

在一实施例中，低照度增强模型为对初始神经网络模型进行改进后的模型。考虑图像的像素映射关系与感受野范围存在直接关联，当深度学习中的输出特征图的像素感受野范围为9x9面积时，需采用8bit大小的映射表，映射表的占用空间极大。本申请通过对初始神经网络模型进行改进，得到低照度增强模型，能够在保证感受野范围的情况下极大地减少映射表的占用空间，使得映射表更加简洁，提高遍历速率，从而提高低照度增强处理的速率。

在一实施例中，将初始神经网络模型对应的初始卷积核结构进行改进，调整为目标卷积核结构，得到目标神经网络模型。之后，以历史低照度图像为输入数据、历史低照度增强图像为输出数据训练目标神经网络模型，最终得到低照度增强模型。

其中，低照度增强模型的确定流程可以参考下文针对图3、图4以及图6进行的详细说明。

在一实施例中，低照度增强模型中包含目标卷积核结构，目标卷积核结构包含若干中间卷积核结构，对于每一中间卷积核结构，均存在对应的低照度增强映射表。例如，当中间卷积核结构的数量为3个时，低照度增强映射表的数量也为3个。

在一实施例中，低照度增强映射表记录像素值的对应关系，低照度增强映射表可以包含历史低照度图像与历史低照度特征图之间的像素值映射关系，也可以包含历史低照度特征图之间的像素值的映射关系。示例性地，当中间卷积核结构的数量为3个时，分别为第一中间卷积核结构、第二中间卷积核结构与第三中间卷积核结构。当将历史低照度图像输入至低照度增强模型中时，由第一中间卷积核结构对历史低照度图像进行特征处理，得到第一历史低照度特征图；之后，由第二中间卷积核结构对第一历史低照度特征图进行特征处理，得到第二历史低照度特征图；再将第二历史低照度特征图输入至第三中间卷积核结构，得到第三历史低照度特征图(也即历史低照度增强图像)。此时，低照度增强映射表集内包含第一低照度增强映射表、第二低照度增强映射表与第三低照度增强映射表。其中，第一低照度增强映射表包含历史低照度图像与第一历史低照度特征图之间像素值的映射关系；第二低照度增强映射表包含第一历史低照度特征图与第二历史低照度特征图之间的像素值的映射关系；第三低照度增强映射表包含第二历史低照度特征图与第三历史低照度特征图之间的像素值的映射关系。

在一实施例中，级联关系是指后一张映射表的索引为前一张映射表内的值。对于每一中间卷积核结构，均存在对应的低照度增强映射表。该对应关系可以通过设置相同编码的方式确定，编码可以为数字、字母或者颜色，在此不做限制。通过查询相同编码，能够得到每个低照度增强映射表对应的中间卷积核结构。可以根据多个中间卷积核结构对应的卷积核调用关系确定多个低照度增强映射表的级联关系。

示例性地，当中间卷积核结构的数量为3个时，分别为第一中间卷积核结构、第二中间卷积核结构与第三中间卷积核结构。调用关系为第二中间卷积核结构调用第一中间卷积核结构处理得到的特征图，第三中间卷积核结构调用第二中间卷积核结构处理得到的特征图。由卷积核调用关系可知，第一低照度增强映射表中的值为第二低照度增强映射表的索引，第二低照度增强映射表的值作为第三低照度增强映射表的索引。

其中，针对低照度增强映射表集的确定流程可参考下文针对图8所示的流程进行的详细说明。

S13，根据级联关系遍历多个低照度增强映射表，得到初始像素集对应的目标像素集。

在本申请的至少一实施例中，根据级联关系从多个低照度增强映射表内确定第一级的低照度增强映射表以及对应的下一级的低照度增强映射表；获取初始像素集内每一初始像素对应的初始像素值，并根据初始像素集中的每个初始像素值遍历第一级的低照度增强映射表，得到第一像素值；将第一级遍历得到的第一像素值作为下一级遍历的输入，根据第一像素值继续遍历下一级的低照度增强映射表，直至得到每个初始像素值对应的目标像素值；组合目标像素值，得到目标像素集。

S14，根据目标像素集生成待处理图像对应的目标增强图像。

在本申请的至少一实施例中，目标像素集内的目标像素值是对待处理图像中每个初始像素进行增强处理后得到的，对于待处理图像中每一初始像素值，均存在对应的目标像素值。可以理解，根据目标像素值能够生成待处理图像对应增强处理后的目标增强图像。

本申请实施中，将深度学习方法与映射表技术结合，确定低照度模型对应的低照度增强映射表，之后在接收到待处理图像时，遍历低照度增强映射表，得到待处理图像对应的目标增强图像，能够避免深度学习方法对图像进行低照度增强导致的计算复杂的问题，减少计算量，提高低照度增强的效率。

以下结合图3说明本申请实施例提供的低照度增强模型的确定流程，在一实施例中，电子设备确定预先训练的低照度增强模型，包括如下步骤：

S121，获取初始神经网络模型。

在一实施例中，初始神经网络模型可以为DNN(Deep Neural Network，深度神经网络模型)，或者CNN(Convolutional Neural Network，卷积神经网络模型)，在此不做限制。

S122，确定初始神经网络模型对应的初始卷积核结构。

在一实施例中，初始神经网络模型可以包括输入层、隐藏层与输出层，其中，输入层用于接收待处理图像，隐藏层用于对输入的待处理图像进行特征处理，得到处理后的图像，输出层用于输出处理后的图像。可以理解，初始神经网络模型中的隐藏层是图像处理的关键。初始神经网络模型的隐藏层包含3*3感受野的初始卷积核结构。

S123，将初始卷积核结构调整为目标卷积核结构，得到目标神经网络模型。

其中，目标卷积核结构的确定流程可以参考下文针对图4进行的详细说明。

S124，以历史低照度图像为输入数据、历史低照度增强图像为输出数据训练目标神经网络模型，得到低照度增强模型。

以下结合图4说明本申请实施例提供的目标卷积核结构的确定流程，在一实施例中，初始卷积核结构包含若干3*3感受野的卷积核，电子设备将初始卷积核结构调整为目标卷积核结构，得到目标神经网络模型，包括：

S1231，确定单个2*2感受野的卷积核与若干1*1感受野的卷积核的卷积核组合。

请参阅图5A，图5A为卷积核组合的示意图，黑色标识2*2感受野的卷积核，数量为1个，白色标识若干1*1感受野的卷积核，图中以4个为例。

S1232，按照第一预设数量组合卷积核组合，得到中间卷积核结构。

在一实施例中，第一预设数量可以根据实际训练效果设置，例如，第一预设数量为4个，在此不做限制。请参阅图5B，图5B为中间卷积核结构的示意图，中间卷积核结构由第一预设数量的卷积核组合组成，图中以第一预设数量为4个为例。图5B所示中间卷积核结构用于对待处理图像进行特征处理，得到特征图，如图5B所示，存在三条分支，分别为第一分支、第二分支与第三分支，第一分支为图5B中最上方的箭头方向，第二分支为图5B中中间的箭头方向，第三分支为图5B中最下方的箭头方向。当输入待处理图像时，分别由第一分支、第二分支以及第三分支内的若干卷积核组合对待处理图像进行特征提取，得到像素值1、像素值2与像素值3，之后对像素值1、像素值2与像素值3求取平均处理(图5B所示“+”符号用于标识平均处理)，得到第一像素值。

S1233，按照第二预设数量堆叠处理中间卷积核结构，得到目标卷积核结构。

在一实施例中，随着图像光照复杂度的增加，单个中间卷积核结构无法处理真实的光照变化情况，因此，需要对中间卷积核结构进行堆叠处理，以满足光照复杂的图像处理。第二预设数量可以根据实际训练效果设置，例如，第二预设数量为3个。请参阅图5C，图5C为目标卷积核结构的示意图，目标卷积核结构由第二预设数量的中间卷积核结构组成，图中以第二预设数量为3个为例，分别为第一中间卷积核结构、第二中间卷积核结构与第三中间卷积核结构，以图5B中所示中间卷积核结构为第一中间卷积核结构为例，通过第一中间卷积核结构对待处理图像进行特征提取，得到第一像素值，多个第一像素值生成第一历史低照度特征图；之后，由第二中间卷积核结构对第一历史低照度特征图进行特征处理，得到第二历史低照度特征图；再将第二历史低照度特征图输入至第三中间卷积核结构，得到第三历史低照度特征图(也即历史低照度增强图像)。

本申请通过将中间卷积核结构进行堆叠，可以让模型的感受野成倍增加，提高模型对图像的增强效果；且本申请可以对每个中间卷积核结构设置对应映射表，多级的中间卷积核结构可以设置多个映射表，避免用单个映射表导致的遍历时间长的问题，能够提高图像增强的效率。

S1234，将初始神经网络模型中3*3感受野的卷积核调整为目标卷积核结构，得到目标神经网络模型。

以下结合图6说明本申请实施例提供的低照度增强模型的训练流程，在一实施例中，电子设备以历史低照度图像为输入数据、历史低照度增强图像为输出数据训练目标神经网络模型，得到低照度增强模型，包括：

S1241，根据预设自集成算法处理历史低照度图像，得到集成处理后的历史低照度图像。

在一实施例中，预设自集成算法是指对历史低照度图像进行旋转处理的算法，请参阅图7，图7是对任一历史低照度图像进行旋转处理的示意图。通过对历史低照度图像进行旋转处理(如图7左侧四个图所示)，能够让每个像素采集到周围共8个像素的信息(如图7右侧图所示)，等效扩大了像素感知范围。

S1242，将集成处理后的历史低照度图像输入至目标神经网络模型，得到模型增强图像。

S1243，根据历史低照度增强图像与模型增强图像计算损失值。

在一实施例中，预先确定历史低照度增强图像与模型增强图像对应的损失函数，将历史低照度增强图像与模型增强图像输入至损失函数内，得到损失值。其中，损失函数可以根据实际需求设置，在此不做限制。

S1244，当损失值小于预设损失阈值时，确定低照度增强模型训练完成。

其中，预设损失阈值为预先设置的用于评估低照度增强模型是否训练完成的值。当损失值大于或等于预设损失阈值时，继续增加训练数据训练该模型，直至损失值小于预设损失阈值。

以下结合图8说明本申请实施例提供的低照度增强映射表集的确定流程，在一实施例中，电子设备在根据预先训练的低照度增强模型，确定多个低照度增强映射表的级联关系之前，还包括：

S131，确定目标卷积核结构中多个中间卷积核结构对应的卷积核调用关系。

在一实施例中，卷积核调用关系是指多个中间卷积核结构对模型输入的图像的处理逻辑。示例性地，当中间卷积核结构的数量为3个时，分别为第一中间卷积核结构、第二中间卷积核结构与第三中间卷积核结构。将历史低照度图像输入至低照度增强模型中时，首先由第一中间卷积核结构对历史低照度图像进行特征处理，得到第一历史低照度特征图；之后，由第二中间卷积核结构对第一历史低照度特征图进行特征处理，得到第二历史低照度特征图；再将第二历史低照度特征图输入至第三中间卷积核结构，得到第三历史低照度特征图(也即历史低照度增强图像)。由上述图像的处理逻辑可知，卷积核调用关系为：第一中间卷积核结构被第二中间卷积核结构调用，第二中间卷积核结构被第三中间卷积核结构调用。

S132，根据卷积核调用关系分别调用中间卷积核结构处理历史低照度图像，得到若干历史低照度特征图。

在一实施例中，在确定卷积核调用关系为第一中间卷积核结构被第二中间卷积核结构调用，第二中间卷积核结构被第三中间卷积核结构调用后，当接收到历史低照度图像时，首先由第一中间卷积核结构对历史低照度图像进行特征处理，得到第一历史低照度特征图；之后，由第二中间卷积核结构对第一历史低照度特征图进行特征处理，得到第二历史低照度特征图；再将第二历史低照度特征图输入至第三中间卷积核结构，得到第三历史低照度特征图(也即历史低照度增强图像)。

请参阅图9，图9为模型处理的示意图。图9中存在Block1、Block2、…、Block16，其中，Block1可以理解为图5C中第一中间卷积核结构的第一分支、Block2可以理解为图5C中第一中间卷积核结构的第二分支、Block3可以理解为图5C中第一中间卷积核结构的第三分支、Block4可以理解为图5C中第二中间卷积核结构的第一分支、Block5可以理解为图5C中第二中间卷积核结构的第二分支以及Block6可以理解为图5C中第二中间卷积核结构的第三分支。最左侧存在三个5*5的方框，方框内每个方块标识待处理图像的像素值，5*5的方框内存在3*3的小方框，小方框可以理解为像素对应的感受野范围。3*3的小方框内三个灰色像素的分布情况可分别根据按照第一中间卷积核结构的第一分支、第二分支以及第三分支内的卷积核组合的处理方式得到。将待处理图像的初始像素值分别由第一中间卷积核结构的第一分支、第二分支以及第三分支进行处理，得到像素值1、像素值2与像素值3，之后对像素值1、像素值2与像素值3求取平均处理，得到第一像素值，多个第一像素值生成第一历史低照度特征图；之后，分别由第二中间卷积核结构的第一分支、第二分支以及第三分支对第一历史低照度特征图进行处理，得到第二历史低照度特征图；以此类推，直至得到目标增强图像。

S133，确定历史低照度图像与历史低照度特征图以及历史低照度特征图之间像素值的映射关系，并根据映射关系构建多个低照度增强映射表。

在一实施例中，对于每一中间卷积核结构，均存在对应的低照度增强映射表。例如，当中间卷积核结构的数量为3个时，低照度增强映射表的数量也为3个，分别为第一低照度增强映射表、第二低照度增强映射表与第三低照度增强映射表。低照度增强映射表可以包含历史低照度图像与历史低照度特征图的映射关系，也可以包含历史低照度特征图之间的映射关系。示例性地，第一低照度增强映射表包含历史低照度图像与第一历史低照度特征图的映射关系；第二低照度增强映射表包含第一历史低照度特征图与第二历史低照度特征图的映射关系；第三低照度增强映射表包含第二历史低照度特征图与第三历史低照度特征图的映射关系。

S134，组合低照度增强映射表，得到低照度增强映射表集。

在一实施例中，将上述3个低照度增强映射表进行组合，得到低照度增强映射表集。

以下结合图10说明本申请实施例提供的目标像素集的确定流程，在一实施例中，电子设备根据级联关系遍历多个低照度增强映射表，得到初始像素集对应的目标像素集，包括：

S151，根据级联关系从多个低照度增强映射表内确定第一级的低照度增强映射表以及对应的下一级的低照度增强映射表。

在一实施例中，第一级的低照度增强映射表是指在接收到待处理图像时首个被遍历的映射表，下一级的低照度增强映射表是指在首个映射表被遍历后接着被遍历的映射表。当低照度增强映射表的数量为3个时，分别为第一低照度增强映射表、第二低照度增强映射表与第三低照度增强映射表，第一级的低照度增强映射表为第一低照度增强映射表，下一级的低照度增强映射表为第二低照度增强映射表，再下一级的低照度增强映射表为第三低照度增强映射表。

S152，获取初始像素集内每一初始像素对应的初始像素值，并根据初始像素集中的每个初始像素值遍历第一级的低照度增强映射表，得到第一像素值。

在一实施例中，每一初始像素均对应像素的亮度值(也即初始像素值)。示例性地，将待处理图像的像素的亮度值设置在区间[0,255]，其中，越靠近255的像素亮度越高，越靠近0的像素亮度越低。根据初始像素集中的每个初始像素值遍历第一级的低照度增强映射表(也即第一低照度增强映射表)，能够得到第一像素值。

S153，将第一级遍历得到的第一像素值作为下一级遍历的输入，根据第一像素值继续遍历下一级的低照度增强映射表，直至得到每个初始像素值对应的目标像素值。

在一实施例中，将第一像素值作为下一级遍历的输入，根据第一像素值遍历第二低照度增强映射表，得到第二像素值；之后，将第二像素值作为下一级遍历的输入，根据第二像素值遍历第二低照度增强映射表，得到每个初始像素值对应的目标像素值。

S154，组合目标像素值，得到目标像素集。

请参阅图11，图11是本申请实施例提供的低照度图像处理装置的结构示意图。在一些实施例中，低照度图像处理装置20可以包括多个由计算机程序段所组成的功能模块。低照度图像处理装置20中的各个程序段的计算机程序可以存储于电子设备的存储器中，并由至少一个控制器所执行，以执行(详见图2描述)低照度增强处理的功能。

本实施例中，低照度图像处理装置20根据其所执行的功能，可以被划分为多个功能模块。功能模块可以包括：图像接收模块201、映射表确定模块202、映射表遍历模块203以及图像增强模块204。本申请所称的模块是指一种能够被至少一个控制器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

图像接收模块201可以用于当接收到待处理图像时，确定所述待处理图像对应的多个初始像素，得到初始像素集。

映射表确定模块202可以用于根据预先训练的低照度增强模型，确定多个低照度增强映射表的级联关系，其中，所述低照度增强映射表记录像素值的对应关系。

映射表遍历模块203可以用于根据所述级联关系遍历所述多个低照度增强映射表，得到所述初始像素集对应的目标像素集。

图像增强模块204可以用于根据所述目标像素集生成所述待处理图像对应的目标增强图像。

在本申请实施例中，低照度图像处理装置20中各功能模块与上述多个实施例中的低照度图像处理方法属于同一申请构思，低照度图像处理装置20各模块的具体实现方式，与上述实施例中低照度图像处理方法的各步骤对应，本申请在此不再重复描述。

参阅图12所示，为本申请一实施例提供的电子设备的结构示意图。在本申请较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。

本领域技术人员应该了解，图12示出的电子设备的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。

需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如低照度图像处理方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-OnlyMemory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储创建的数据等。

在一些实施例中，所述至少一个处理器32是所述电子设备3的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本申请实施例中所述的低照度图像处理的全部或者部分步骤；或者实现低照度图像处理装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。

在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，电子设备，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。