图像处理方法、装置、电子设备和可读存储介质
文献发布时间:2023-06-19 12:02:28
技术领域
本申请涉及信息处理领域,具体而言,涉及一种图像处理方法、装置、电子设备和可读存储介质。
背景技术
白平衡是描述显示器中红、绿、蓝三基色混合生成后白色精确度的一项指标,其在电视摄像领域中是一个非常重要的概念,通过它可以解决色彩还原和色调处理的一系列问题。所谓的白平衡算法是通过对白色被摄物的颜色还原(产生纯白的色彩效果),进而达到其他物体色彩准确还原的一种数字图像色彩处理的计算方法。
相关技术中,在对待处理图像进行白平衡处理时,通常利用得到的白平衡矫正系数对待处理图像进行处理,以得到目标图像。但是该白平衡矫正系数常常是利用神经网络模型直接输出的,并不能得到在白平衡矫正系数的过程中所产生的有效中间参数,这给后续的白平衡处理过程带来了困难。
发明内容
本申请实施例的目的在于提供一种图像处理方法、装置、电子设备和可读存储介质,用以利用权重参数对待处理图像进行处理,以使得目标图像的色彩更加贴近真实效果。
第一方面,本申请实施例提供了一种图像处理方法,该方法包括:获取待处理图像;确定所述待处理图像的各个像素所对应的权重参数,所述权重参数用于表征所述像素的色彩效果趋近于纯白的程度;利用所述权重参数对所述待处理图像进行处理,得到目标图像。这样,可以利用权重参数对待处理图像进行处理,以使得目标图像的色彩更加贴近真实效果。
可选地,所述确定所述待处理图像的各个像素所对应的权重参数,包括:利用预先确定的神经网络模型确定所述待处理图像的各个像素所对应的权重参数;其中,所述神经网络模型基于多个样本训练组训练而得,所述样本训练组由样本图像对应的初始权重参数以及样本目标图像组成。这样,可以利用收敛后的神经网络模型可以得到色彩效果较为贴近真实色彩的目标图像。
可选地,所述权重参数通过网格图记录,权重网格图的网格与所述待处理图像的像素排布匹配。
可选地,所述神经网络模型预先基于以下步骤得到:获取训练样本集;所述训练样本集包括多个样本图像以及各个所述样本图像所对应的样本目标图像;所述样本目标图像包括由真实光照向量生成的真实图像;将所述样本图像作为初始神经网络模型的输入,使初始神经网络模型输出初始权重网格图;基于所述初始权重网格图以及所述样本图像,确定初始目标图像;利用预设损失函数确定所述初始目标图像与所述样本目标图像之间的损失函数值;利用所述损失函数值调整所述初始神经网络模型对应的模型参数,以使所述初始神经网络模型收敛,得到所述神经网络模型。
可选地,在所述确定所述待处理图像的各个像素所对应的权重参数之后,所述方法还包括:针对每一个颜色通道,确定该颜色通道所对应的每一个网格中记录的权重参数;将所述每一个网格中记录的权重参数进行累加,得到该颜色通道所对应的权重累加和;基于所述权重累加和以及该颜色通道的每一个网格中记录的权重参数,确定该颜色通道的颜色特征值所对应的第一置信度;基于所述第一置信度,确定根据所述权重参数得到的白平衡矫正系数的第二置信度。这样,可以利用权重参数分析出白平衡矫正系数的置信度,以方便确定出待处理图像的色彩效果是否趋近于真实。
可选地,在所述利用所述权重参数对所述待处理图像进行处理,得到目标图像之后,所述方法还包括:基于所述目标图像所对应的第一颜色特征值以及所述待处理图像所对应的第二颜色特征值,确定白平衡矫正系数;利用所述白平衡矫正系数对所述待处理图像进行白平衡处理,得到第一目标图像。这样,能够利用权重参数得到白平衡矫正系数,利于对待处理图像进一步进行白平衡处理。
可选地,所述待处理图像包括多个光源照射下的同一场景图像;以及所述基于所述目标图像所对应的第一颜色特征值以及所述待处理图像所对应的第二颜色特征值,确定白平衡矫正系数,包括:基于所述第一颜色特征值和所述第二颜色特征值,确定与所述待处理图像的各个颜色通道所对应的初始矫正系数;将所述初始矫正系数进行聚类处理,得到所述各个颜色通道在不同类别光源下所对应的目标矫正系数;确定所述待处理图像在同一类别光源下的各个颜色通道所对应的目标矫正系数平均值;以及所述利用所述白平衡矫正系数对所述待处理图像进行白平衡处理,得到第一目标图像,包括:利用所述目标矫正系数平均值对所述待处理图像进行白平衡处理,得到所述第一目标图像。这样,可以使第一目标图像的色彩较贴近真实效果。
可选地,所述将所述初始矫正系数进行聚类处理,得到所述各个颜色通道在不同类别光源下所对应的目标矫正系数,包括:将所述初始矫正系数按照预设类别数量进行聚类处理,得到所述目标矫正系数;或者将所述初始矫正系数基于密度进行聚类处理,得到所述目标矫正系数。以便于对初始矫正系数进行聚类处理。
第二方面,本申请实施例提供了一种图像处理装置,该装置包括:获取模块,用于获取待处理图像;确定模块,用于确定所述待处理图像的各个像素所对应的权重参数,所述权重参数用于表征所述像素的色彩效果趋近于纯白的程度;处理模块,用于利用所述权重参数对所述待处理图像进行处理,得到目标图像。
第三方面,本申请实施例提供一种电子设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述第一方面提供的所述方法中的步骤。
第四方面,本申请实施例提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种图像处理方法的流程图;
图2为本申请实施例涉及的神经网络模型的训练步骤的流程图;
图3为本申请实施例提供的一种图像处理装置的结构框图;
图4为本申请实施例提供的一种用于执行图像处理方法的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述。
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
相关技术中,存在白平衡处理过程困难的问题;为了解决该问题,本申请提供一种图像处理方法、装置、电子设备和可读存储介质;进一步地,通过首先获取待处理图像;然后,确定所述待处理图像的各个像素所对应的权重参数,所述权重参数用于表征所述像素的色彩效果趋近于纯白的程度;最后,利用所述权重参数对所述待处理图像进行处理,得到目标图像。这样,可以利用权重参数对待处理图像进行处理,以使得目标图像的色彩更加贴近真实效果,达到与白平衡处理一致的效果。在一些应用场景中,上述图像处理方法例如可以应用于诸如摄像机、数码相机、具有拍照功能的手机等电子产品中,以再现图像的真实色彩。
以上相关技术中的方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案,都应该是发明人在本发明过程中对本发明做出的贡献。
请参考图1,其示出了本申请实施例提供的一种图像处理方法的流程图。如图1所示,该图像处理方法包括以下步骤101至步骤103。
步骤101,获取待处理图像;
上述待处理图像例如可以包括通过拍摄设备拍摄而得的图片。其可以在拍摄设备完成拍摄操作之后进行获取。
步骤102,确定所述待处理图像的各个像素所对应的权重参数,所述权重参数用于表征所述像素的色彩效果趋近于纯白的程度;
上述权重参数可以用于表征待处理图像中各个像素的色彩效果趋近于纯白的程度。也即,每一个权重参数对应于一个像素的色彩效果趋近于纯白的程度。例如,将单位“1”视为色彩效果为纯白时的权重参数时,如果某一像素的权重参数为与单位“1”较为接近的“0.9”或者“0.95”时,可以视为该像素的色彩效果与纯白较为接近。如果构成某一事物的多个像素的权重参数均与单位“1”较为接近,可以将该事物视为白色被摄物。
在获取到待处理图像之后,可以确定与待处理图像相对应的权重参数。在一些应用场景中,上述权重参数例如可以通过表格、文本等实质上可以一一记录像素的权重参数的载体进行记录。
步骤103,利用所述权重参数对所述待处理图像进行处理,得到目标图像。
确定了待处理图像对应的权重参数之后,可以利用该权重参数对待处理图像进行处理,以利用像素的色彩效果趋近于纯白的程度还原待处理图像中其他颜色的真实效果。也即,由于权重参数表征的是像素的色彩效果趋近于纯白的程度,继而可以利用该权重参数对待处理图像中的其他颜色进行还原。因此,上述步骤103可以视为对待处理图像进行了白平衡处理。
在本实施例中,通过上述步骤101至步骤103,可以利用权重参数对待处理图像进行处理,以使得目标图像的色彩更加贴近真实效果,达到与白平衡处理一致的效果。
在一些可选的实现方式中,上述步骤102可以包括:利用预先确定的神经网络模型确定所述待处理图像的各个像素所对应的权重参数;其中,所述神经网络模型基于多个样本训练组训练而得,所述样本训练组由样本图像对应的初始权重参数以及样本目标图像组成。
在一些应用场景中,可以通过预先确定的神经网络模型确定权重参数。进一步地,上述神经网络模型例如可以包括U形结构的神经网络模型(Unet神经网络模型)。
在这些应用场景中,神经网络模型可以基于样本图像对应的初始权重参数以及样本目标图像训练而得。上述初始权重参数可以作为上述神经网络模型的输出。在这些应用场景中,例如可以通过初始权重参数确定对应的图像。然后基于该图像以及样本目标图像,可以不断优化该神经网络模型的模型参数,以得到收敛后的神经网络模型。
与相关技术中利用神经网络模型直接输出白平衡矫正系数不同的是,本实施例中神经网络模型输出的是权重参数,然后可以再通过权重系数计算白平衡矫正系数。这样,在得到白平衡矫正系数的同时,也可以利用权重参数进行其他计算,以减轻后续白平衡算法的计算难度。进一步地,相关技术中,在对神经网络模型进行训练时,采用的训练数据包括作为输入的样本图像以及由作为输出的白平衡矫正系数得到的样本目标图像,通过两者之间的损失不断优化该神经网络模型。而本申请中所采用的训练数据包括神经网络模型输出的权重参数以及样本目标图像,通过由权重参数得到的图像与样本目标图像之间的损失不断优化神经网络模型的模型参数。这样,可以利用权重参数得到色彩效果较为贴近真实色彩的目标图像。
在一些可选的实现方式中,所述权重参数通过网格图记录,权重网格图的网格与所述待处理图像的像素排布匹配,以利于权重网格图与待处理图像进行矩阵乘积计算。在一些应用场景中,权重网格图的网格大小可以通过待处理图像的分辨率确定。例如,输出的权重网格图为64*64*3*3,若待处理图像的分辨率为6400*6400(像素每英尺),则权重网格图的网格尺寸可以为100*100(英尺)。
请参阅图2,图2示出了本申请实施例涉及的神经网络模型的训练步骤的流程图;如图2所示,所述神经网络模型预先可以基于如下步骤得到:
步骤201,获取训练样本集;所述训练样本集包括多个样本图像以及各个所述样本图像所对应的样本目标图像;所述样本目标图像包括由真实光照向量生成的真实图像;
上述样本图像例如可以通过相机拍摄得到,上述样本目标图像例如可以包括由真实光照向量生成的真实图像。在一些应用场景中,例如可以将维度为H*W*3的图像(也即彩色图像)进行下采样处理,得到H*W*3的样本图像。这里,H可以视为样本图像的长度(例如64个像素点);W可以视为样本图像的宽度(例如64个像素点),3可以视为颜色通道(也即红、绿、蓝三个颜色通道)的数量。在这些应用场景中,在获取到样本图像之后,可以对样本图像进行白平衡处理,以得到样本目标图像。这里,样本目标图像例如可以通过与本申请不同的相关技术中的白平衡算法进行处理后得到,此处不赘述。
步骤202,将所述样本图像作为初始神经网络模型的输入,使初始神经网络模型输出初始权重网格图;
获取到样本图像之后,可以将样本图像作为神经网络模型的输入,使神经网络模型能够确定出该样本图像所对应的初始权重网格图。例如,将64*64*3的样本图像输入神经网络模型之后,可以得到64*64*3*3的初始权重网格图。这里,由于初始权重网格图中记录的初始权重参数需要由样本图像的三个颜色通道对应的颜色特征值进行计算,因此基于64*64*3的样本图像,得到的初始权重网格图的规格可以为64*64*3*3。
步骤203,基于所述初始权重网格图以及所述样本图像,确定初始目标图像;
神经网络模型输出了初始权重网格图之后,可以利用初始权重网格图中记录的初始权重参数以及该样本图像确定出初始目标图像。在一些应用场景中,例如可以通过将初始权重参数与样本图像对应的像素矩阵相乘,得到上述初始目标图像。在一些应用场景中,例如将64*64*3*3的初始权重网格图与样本图像对应的像素矩阵相乘之后,可以得到64*64*3的初始目标图像。在一些应用场景中,初始权重网格图例如可以视为将样本图像转换为初始目标图像的自适应核函数。在这些应用场景中,初始目标图像的色彩效果可以视为趋近于经过白平衡处理后的色彩效果。
步骤204,利用预设损失函数确定所述初始目标图像与所述样本目标图像之间的损失函数值;
得到初始目标图像之后,可以将该初始目标图像与样本目标图像进行损失计算。进一步地,可以利用诸如最小绝对值偏差函数(L1范数损失函数)或者最小平方误差函数(L2范数损失函数)等预设损失函数确定初始目标图像与样本目标图像之间的损失函数值。
步骤205,利用所述损失函数值调整所述初始神经网络模型对应的模型参数,以使所述初始神经网络模型收敛,得到所述神经网络模型。
得到损失函数值之后,可以利用该损失函数值调整初始神经网络模型。也即,可以通过将训练样本集中的多个样本图像进行处理,得到多个损失函数值之后,基于多个损失函数值不断调整模型参数。在一些应用场景中,当损失函数值的变化趋于平缓或者达到最小值时,可以视为当前的初始神经网络模型收敛,继而可以将收敛后的神经网络模型用于实际应用场景中。
相关技术中,存在利用神经网络模型输出白平衡矫正系数,以利用白平衡矫正系数进行白平衡处理的方式。但是由于该神经网络模型直接输出了白平衡矫正系数,不能输出其他有效中间参数(例如上述权重参数),使得后续的白平衡算法不能基于有效中间参数得到其他参数,给白平衡处理过程带来了困难。这里的有效中间参数例如还可以包括得到白平衡矫正系数的置信度。
在一些可选的应用场景中,在所述确定所述待处理图像的各个像素所对应的权重参数之后,所述图像处理方法还包括:针对每一个颜色通道,确定该颜色通道所对应的每一个网格中记录的权重参数;将所述每一个网格中记录的权重参数进行累加,得到该颜色通道所对应的权重累加和;基于所述权重累加和以及该颜色通道的每一个网格中记录的权重参数,确定该颜色通道的颜色特征值所对应的第一置信度;基于所述第一置信度,确定根据所述权重参数得到的白平衡矫正系数的第二置信度。
也就是说,在得到权重参数之后,可以基于权重参数分析白平衡矫正系数的置信度。在一些应用场景中,可以通过确定每一个颜色通道的颜色特征值所对应的第一置信度确定出白平衡矫正系数的第二置信度。
具体的,针对每一个颜色通道,可以确定该颜色通道所对应的权重网格图中的权重参数;然后可以将这些权重参数进行累加,以得到该颜色通道对应的权重累加和,继而可以确定上述第一置信度。例如,在3*3的权重网格图中,可以将R通道所对应的位于(0,0)、(0,1)、(0,2)的权重参数A、B、C进行累加,此时,该颜色通道的第一置信度例如可以为A/(A+B+C)、B/(A+B+C)、C/(A+B+C)。这里,A、B、C可以为任意的大小在(0,1)之间的数值。
得到第一置信度之后,可以分析对应的白平衡矫正系数的第二置信度。继而,通过数值较高的第二置信度所对应的白平衡矫正系数处理了待处理图像之后,可以使处理后得到的图像的色彩效果更加贴近于真实效果。因此,通过该第二置信度可以方便确定出待处理图像的色彩效果是否趋近于真实。
在一些应用场景中,若权重参数是基于收敛效果较好的神经网络模型输出的话,基于其得到的图像的色彩效果应当趋近于待处理图像所对应的真实图像的色彩效果。因此,此时的权重网格图所呈现出的权重参数在主对角线(R-R,G-G,B-B)上将呈现较大的值,而非主对角线(R-B;G,B-R;G,G-R;B)上的权重参数将呈现较小的值。因此,可以将位于主对角线上的权重参数与非主对角线上的权重参数进行比较,得到神经网络模型的输出所对应的第三置信度。以能够通过该第三置信度分析出得到的白平衡矫正系数的第二置信度。因此,在这些应用场景中,也可以将第一置信度视为第二置信度。
这里,根据权重参数得到白平衡矫正系数的过程例如可以与下文步骤104和步骤105相同或相似。
在一些可选的实现方式中,在上述步骤103之后,上述图像处理方法还可以包括以下步骤:
步骤104,基于所述目标图像所对应的第一颜色特征值以及所述待处理图像所对应的第二颜色特征值,确定白平衡矫正系数;
得到目标图像之后,可以基于目标图像以及待处理图像得到白平衡矫正系数。在一些应用场景中,上述第一颜色特征值包括第一目标图像所对应的R通道、G通道、B通道所分别对应的颜色值;上述第二颜色特征值包括待处理图像所对应的R通道、G通道、B通道所分别对应的颜色值。上述颜色值可以包括在范围0-255之间的任意数值。
在这些应用场景中,例如可以将第一颜色特征值与第二颜色特征值进行作商处理,以得到白平衡矫正系数。例如,第一颜色特征值为(107,144,90)、第二颜色特征值为(112,168,94)时,将各个颜色通道的值对应作商之后,若保留2位有效数字,得到的白平衡矫正系数可以为(0.95,0.85,0.95)。
步骤105,利用所述白平衡矫正系数对所述待处理图像进行白平衡处理,得到第一目标图像。
得到白平衡矫正系数之后,可以利用白平衡矫正系数进行白平衡处理操作。在一些应用场景中,进行的白平衡处理操作例如可以包括确定目标图像与真实图像之间的色彩差别等操作。在另一些应用场景中,进行的白平衡处理操作例如也可以为对待处理图像进行白平衡处理,直接得到目标图像(此时,第一目标图像可以视为目标图像)的操作等。
在一些可选的实现方式中,所述待处理图像包括多个光源照射下的同一场景图像。
在一些应用场景中,上述待处理图像可以包括在多个光源照射下的同一场景图像。也即,上述待处理图像中可以呈现同一场景在同一时刻被多个光源照射时得到的图像。这里的多个光源例如可以为光照强度不同的光源或者光照颜色不同的光源等。
这样,上述步骤104可以包括以下子步骤:
子步骤1041,基于所述第一颜色特征值和所述第二颜色特征值,确定与所述待处理图像的各个颜色通道所对应的初始矫正系数;
得到目标图像之后,可以基于目标图像的第一颜色特征值以及待处理图像的第二颜色特征值,确定出白平衡初始矫正系数。这里,得到初始矫正系数的过程例如也可以通过将上述第一颜色特征值与第二颜色特征值分别作商的方式得到。
子步骤1042,将所述初始矫正系数进行聚类处理,得到所述各个颜色通道在不同类别光源下所对应的目标矫正系数;
得到初始矫正系数之后,可以将初始矫正系数进行聚类计算,以得到上述目标矫正系数。
在一些可选的实现方式中,上述子步骤1042可以包括:将所述初始矫正系数按照预设类别数量进行聚类处理,得到所述目标矫正系数;或者将所述初始矫正系数基于密度进行聚类处理,得到所述目标矫正系数。
也就是说,在对初始矫正系数进行聚类处理时,可以通过按照预设类别数量的聚类方式或者按照基于密度的聚类方式进行。这里,按照预设类别数量的聚类方式例如可以包括通过K均值聚类算法(简称“K均值聚类算法”)计算的方式;按照基于密度的聚类方式例如可以包括通过具有噪声的基于密度的聚类方法(简称“DBSCAN”)计算的方式。例如,将64*64*3的权重网格图中的权重参数进行聚类之后,可以得到N个类别。这里的N个类别可以根据实际聚类结果确定。
子步骤1043,确定所述待处理图像在同一类别光源下的各个颜色通道所对应的目标矫正系数平均值;
通过聚类方式得到各个颜色通道在不同类别光源下所对应的目标矫正系数之后,可以确定出在同一类别光源下各个颜色通道所对应的目标矫正系数平均值。例如,对应于第一种光源,其R通道对应的目标矫正系数为A、B、C、D,则该类别光源下R通道的目标矫正系数为(A+B+C+D)/4的值。这里,A、B、C、D可以为任意的能够表征白平衡矫正系数的值。以此类推,可以得到各个类别光源所对应的各个颜色通道的目标矫正系数平均值。
这样,上述步骤105可以包括:利用所述目标矫正系数平均值对所述待处理图像进行处理,得到所述第一目标图像。
得到上述目标矫正系数之后,可以利用该目标矫正系数对待处理图像进行白平衡处理。继而使得在多光源环境下得到的待处理图像经过该白平衡处理之后,可以得到色彩较为贴近真实效果的第一目标图像。
请参考图3,其示出了本申请实施例提供的一种图像处理装置的结构框图,该图像处理装置可以是电子设备上的模块、程序段或代码。应理解,该装置与上述图1方法实施例对应,能够执行图1方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。
可选地,上述图像处理装置包括获取模块301、确定模块302和处理模块303。其中,获取模块301,用于获取待处理图像;确定模块302,用于确定所述待处理图像的各个像素所对应的权重参数,所述权重参数用于表征所述像素的色彩效果趋近于纯白的程度;处理模块303,用于利用所述权重参数对所述待处理图像进行处理,得到目标图像。
可选地,所述确定模块302进一步用于:利用预先确定的神经网络模型确定所述待处理图像的各个像素所对应的权重参数;其中,所述神经网络模型基于多个样本训练组训练而得,所述样本训练组由样本图像对应的初始权重参数以及样本目标图像组成。
可选地,所述权重参数通过网格图记录,权重网格图的网格与所述待处理图像的像素排布匹配。
可选地,所述神经网络模型预先基于以下步骤得到:获取训练样本集;所述训练样本集包括多个样本图像以及各个所述样本图像所对应的样本目标图像;所述样本目标图像包括由真实光照向量生成的真实图像;将所述样本图像作为初始神经网络模型的输入,使初始神经网络模型输出初始权重网格图;基于所述初始权重网格图以及所述样本图像,确定初始目标图像;利用预设损失函数确定所述初始目标图像与所述样本目标图像之间的损失函数值;利用所述损失函数值调整所述初始神经网络模型对应的模型参数,以使所述初始神经网络模型收敛,得到所述神经网络模型。
可选地,图像处理装置还包括置信度确定模块,上述置信度确定模块用于:在所述确定所述待处理图像的各个像素所对应的权重参数之后,针对每一个颜色通道,确定该颜色通道所对应的每一个网格中记录的权重参数;将所述每一个网格中记录的权重参数进行累加,得到该颜色通道所对应的权重累加和;基于所述权重累加和以及该颜色通道的每一个网格中记录的权重参数,确定该颜色通道的颜色特征值所对应的第一置信度;基于所述第一置信度,确定根据所述权重参数得到的白平衡矫正系数的第二置信度。
可选地,图像处理方法还包括白平衡处理模块,上述白平衡处理模块用于:在所述利用所述权重参数对所述待处理图像进行处理,得到目标图像之后,基于所述目标图像所对应的第一颜色特征值以及所述待处理图像所对应的第二颜色特征值,确定白平衡矫正系数;利用所述白平衡矫正系数对所述待处理图像进行白平衡处理,得到第一目标图像。
可选地,所述待处理图像包括多个光源照射下的同一场景图像;以及白平衡处理模块进一步用于:基于所述第一颜色特征值和所述第二颜色特征值,确定与所述待处理图像的各个颜色通道所对应的初始矫正系数;将所述初始矫正系数进行聚类处理,得到所述各个颜色通道在不同类别光源下所对应的目标矫正系数;确定所述待处理图像在同一类别光源下的各个颜色通道所对应的目标矫正系数平均值;以及所述利用所述白平衡矫正系数对所述待处理图像进行白平衡处理,得到第一目标图像,包括:利用所述目标矫正系数平均值对所述待处理图像进行白平衡处理,得到所述第一目标图像。
可选地,所述白平衡处理模块进一步用于:将所述初始矫正系数按照预设类别数量进行聚类处理,得到所述目标矫正系数;或者将所述初始矫正系数基于密度进行聚类处理,得到所述目标矫正系数。
需要说明的是,本领域技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再重复描述。
请参照图4,图4为本申请实施例提供的一种用于执行图像处理方法的电子设备的结构示意图,所述电子设备可以包括:至少一个处理器401,例如CPU,至少一个通信接口402,至少一个存储器403和至少一个通信总线404。其中,通信总线404用于实现这些组件直接的连接通信。其中,本申请实施例中设备的通信接口402用于与其他节点设备进行信令或数据的通信。存储器403可以是高速RAM存储器,也可以是非易失性的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器403可选的还可以是至少一个位于远离前述处理器的存储装置。存储器403中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器401执行时,电子设备可以执行上述图1所示方法过程。
可以理解,图4所示的结构仅为示意,所述电子设备还可包括比图4中所示更多或者更少的组件,或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,可以执行如图1所示方法实施例中电子设备所执行的方法过程。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如,该方法可以包括:获取待处理图像;确定所述待处理图像的各个像素所对应的权重参数,所述权重参数用于表征所述像素的色彩效果趋近于纯白的程度;利用所述权重参数对所述待处理图像进行处理,得到目标图像。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,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单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
- 图像处理方法及图像处理装置、电子设备、可读存储介质
- 图像处理方法、图像处理装置、电子设备及可读存储介质