[go: up one dir, main page]

CN115034967B - 图像处理方法、装置、电子设备及计算机可读存储介质 - Google Patents

图像处理方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN115034967B
CN115034967B CN202210738484.4A CN202210738484A CN115034967B CN 115034967 B CN115034967 B CN 115034967B CN 202210738484 A CN202210738484 A CN 202210738484A CN 115034967 B CN115034967 B CN 115034967B
Authority
CN
China
Prior art keywords
image
target image
target
block
image block
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210738484.4A
Other languages
English (en)
Other versions
CN115034967A (zh
Inventor
宁本德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing QIYI Century Science and Technology Co Ltd
Original Assignee
Beijing QIYI Century Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing QIYI Century Science and Technology Co Ltd filed Critical Beijing QIYI Century Science and Technology Co Ltd
Priority to CN202210738484.4A priority Critical patent/CN115034967B/zh
Publication of CN115034967A publication Critical patent/CN115034967A/zh
Application granted granted Critical
Publication of CN115034967B publication Critical patent/CN115034967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供了一种图像处理方法、装置、电子设备及计算机可读存储介质，应用于计算机技术领域。该方法根据灰度值分布确定图像块对应的图像熵，由于图像熵是一种表征图像中平均信息量多少的参数，此时，可以将不同图像处理算法对应不同区间范围的图像熵，从而采用图像熵对应的图像处理算法对图像块进行超分辨率获得目标图像块，再将目标图像块合并为第一目标图像。这样，采用不同图像处理算法对应不同区间范围的图像熵，使得针对不同信息量的图像块可以采用对应图像处理算法分路处理，在保证对图像块超分辨率效果的同时，减少了整体的运算量，既保证了超分辨率的速度和稳定性，也降低了功耗，避免了卡顿。

Description

图像处理方法、装置、电子设备及计算机可读存储介质
技术领域
本发明涉及计算机技术领域，特别是涉及一种图像处理方法、装置、电子设备及计算机可读存储介质。
背景技术
随着终端屏幕质量的提升，用户对视频、图片等影像资源的质量需求也变得越来越高，但是，影像资源的清晰度、分辨率等参数受限于采集、传输、存储、处理等方面因素的影响，使得影像资源质量参差不齐，其中，对低质量的影像资源可以采用超分辨率、图像增强等方式进行处理，以提高影像质量。
超分辨率是一种放大影像分辨率以提升影像质量的方法，可以对低质量的影像资源进行处理以提升质量，目前可以采用多种不同算法实现。但是，在超分辨率的过程中，影像内容较复杂时，对图像超分辨率可能会出现画面模糊、锯齿、马赛克等问题，效果较差，或者，为了保证画面整体提升效果需要经过复杂运算，对设备的性能要求高，使得超分辨率的速度和稳定性难以保证，功耗较高，甚至可能会使终端卡顿。
发明内容
本发明实施例的目的在于提供一种图像处理方法、装置、电子设备及计算机可读存储介质，以实现提升影像质量的同时，降低功耗、减少终端卡顿。具体技术方案如下：
在本发明实施的第一方面，首先提供了一种图像处理方法，该方法可以包括：
获取原始图像；
拆分所述原始图像获得至少两个图像块；
对于任一所述图像块，获取所述图像块的灰度值分布，并根据所述图像块的灰度值分布确定所述图像块对应的图像熵；
对于任一所述图像块，采用所述图像块对应的图像熵对应的图像处理算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块，不同所述图像处理算法对应不同区间范围的图像熵；
合并所有所述图像块对应的所述目标图像块，获得第一目标图像。
在本发明实施的第二方面，还提供了一种图像处理装置，该装置可以包括：
图像获取模块，用于获取原始图像；
图像拆分模块，用于对所述原始图像进行拆分获得至少两个图像块；
参数获取模块，用于对于任一所述图像块，获取所述图像块对应的灰度值分布，并根据所述图像块的灰度值分布确定所述图像块对应的图像熵；
超分辨率模块，用于对于任一所述图像块，采用所述图像块对应的图像熵对应的图像处理算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块，不同所述图像处理算法对应不同区间范围的图像熵；
图像合并模块，用于合并所有所述图像块对应的所述目标图像块，获得第一目标图像。
在本发明实施的第三方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现如第一方面所述的方法步骤。
在本发明实施的第四方面，还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中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面所述的图像处理方法。
在本发明实施的第五方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的图像处理方法。
本发明实提供的图像处理方法，获取原始图像后，对原始图像进行拆分获得至少两个图像块，再获取每一图像块的灰度值分布，并根据灰度值分布确定图像块对应的图像熵，由于图像熵是一种表征图像中平均信息量多少的参数，此时，可以将不同图像处理算法对应不同区间范围的图像熵，从而采用图像熵对应的图像处理算法对图像块进行超分辨率获得目标图像块，再将目标图像块合并为第一目标图像。本发明中，由于不同图像处理算法对应不同区间范围的图像熵，使得针对不同信息量的图像块可以采用对应图像处理算法分路处理，在保证对图像块超分辨率效果的同时，减少了整体的运算量，既保证了超分辨率的速度和稳定性，也降低了功耗，避免了卡顿。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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。
图1是本发明实施例提供的图像处理方法的步骤流程图之一；
图2是本发明实施例提供的图像处理方法的步骤流程图之二；
图3是本发明实施例提供的图像处理方法的步骤流程图之三；
图4是本发明实施例提供的一种获取原始图像的界面示意图；
图5是本发明实施例提供的一种图像处理对比图；
图6是本发明实施例提供的一种图像处理装置的结构框图；
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。
参照图1，示出了本发明实施例提供的图像处理方法的步骤流程图之一，如图1所示，该方法可以包括：
步骤101、获取原始图像。
本发明实施例中，原始图像可以包括需要进行超分辨率重建的图片、视频帧等，其中，可以检测图片、视频等影像资源的分辨率，在分辨率低于一定阈值时将图像，或视频的视频帧等确定为原始图像，或者，也可以接收对图片、视频的用户输入，在用户输入指示对图片、视频进行超分辨率重建时，可以将图片，视频的视频帧等确定为原始图像，本发明实施例对获取原始图像的方式不作具体限制。其中，超分辨率重建也可以简称为超分辨率。
步骤102、拆分所述原始图像获得至少两个图像块。
本发明实施例中，对原始图像可以根据尺寸、灰度、色彩、空间纹理、几何形状等参数进行拆分，获得不同的图像块，如可以基于灰度阈值进行图像拆分、可以基于区域生长、区域分裂合并进行图像拆分、可以基于边缘检测进行图像拆分、也可以基于深度学习进行图像拆分，其中，不同图像块的大小、形状可以相同，也可以不同，本发明实施例中对原始图像拆分的方法不作具体限制。
步骤103、对于任一所述图像块，获取所述图像块的灰度值分布，并根据所述图像块的灰度值分布确定所述图像块对应的图像熵。
本发明实施例中，灰度值是表示图像中像素明暗的参数，其中，白色为255，黑色为0，根据明暗变化灰度值可在0～255中取值，灰度值分布可以根据图像中不同灰度值对应像素的数量、位置等进行确定；图像熵表示图像中灰度分布的聚集特征所包含的信息量，是图像特征的一种统计形式，可以反应图像中平均信息量多少，通常图像熵越大表示图像中信息量越多、越复杂、纹理越多，图像熵越小表示图像中信息量越少、越简单、平坦区域越多，在此基础上，基于灰度值分布可以确定图像块的图像熵。
步骤104、对于任一所述图像块，采用所述图像块对应的图像熵对应的图像处理算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块，不同所述图像处理算法对应不同区间范围的图像熵。
本发明实施例中，由于为了达到预期效果，图像熵越大的图像信息越多，运算要求越高，图像熵越小的图像信息越少，运算要求越低，因此，不同图像处理算法可以对应不同区间范围的图像熵，如图像熵较大时可以选择复杂的图像处理算法，运算量大，处理效果好，图像熵较小时可以选择简单的图像处理算法，运算量小，在保证处理效果的同时，节省功耗，在此基础上，对每一图像块根据图像熵分路超分辨率处理获得目标图像块，在保证整体超分辨率效果的同时，降低整体的运算量，减少功耗，保证超分辨率的速度和稳定性。
具体的，对于至少两个上述图像块，所采用的对应的图像处理算法可以是至少一种，同时，对于至少两个上述图像块，采用对应的图像处理算法进行超分辨率重建时，可以采取并行处理的方式，从而进一步提高处理效率。当然，也可以采用串行处理的方式，本发明实施例对此不作限制。
步骤105、合并所有所述图像块对应的所述目标图像块，获得第一目标图像。
本发明实施例中，在对每一图像块进行超分辨率重建获得各目标图像块后，合并所有目标图像块获得第一目标图像，将超分辨率后不同的目标图像块拼接为完整的第一目标图像。
本发明实施例提供的图像处理方法，获取原始图像后，对原始图像进行拆分获得至少两个图像块，再获取每一图像块的灰度值分布，并根据灰度值分布确定图像块对应的图像熵，由于图像熵是一种表征图像中平均信息量多少的参数，此时，可以将不同图像处理算法对应不同区间范围的图像熵，从而采用图像熵对应的图像处理算法对图像块进行超分辨率获得目标图像块，再将目标图像块合并为第一目标图像。本发明实施例中，由于不同图像处理算法对应不同区间范围的图像熵，使得针对不同信息量的图像块可以采用对应图像处理算法分路处理，因此，对原始图像进行分路处理在保证对图像块超分辨率效果的同时，减少了整体的运算量，既保证了超分辨率的速度和稳定性，也降低了功耗，避免了卡顿。
参照图2，示出了本发明实施例提供的图像处理方法的步骤流程图之二，如图2所示，该方法可以包括：
步骤201、获取原始图像。
本发明实施例中，步骤201可对应参照前述步骤101的相关描述，为避免重复，在此不再赘述。
如图2所示，在步骤201中获取原始图像I。
步骤202、拆分所述原始图像获得至少两个图像块。
本发明实施例中，步骤202可对应参照前述步骤102的相关描述，为避免重复，在此不再赘述。
如，对原始图像I进行拆分，获得32×32像素大小的图像块Bi，其中i表示第i个图像块。
步骤203、获取所述图像块中每一像素对应的灰度值。
本发明实施例中，像素可以是图像块中不可分割的最小方格，每一像素对应位置坐标与颜色值，颜色值可以以RGB(red、green、blue，红、绿、蓝)颜色标准表示，指该像素的颜色由红、绿、蓝三色以指定亮度混合得到，红、绿、蓝三色的亮度可分别在0-255内取值；在红、绿、蓝的指定亮度均相同时显示为灰色调，从而对应不同亮度的灰度值，可以像素对应的颜色值进行换算获得灰度值，从而以黑色为基准色将图像块中每一像素转化为对应饱和度的黑色显示，对图像块进行灰度处理，可选地，可以采用不同的灰度转换算法将颜色值换算为灰度值，如对红、绿、蓝指定亮度进行平均，或基于人眼对颜色的感知敏感程度(绿＞红＞蓝)对红、绿、蓝的指定亮度进行加权计算，或在红、绿、蓝的指定亮度中取最大值、最小值，本发明实施例中对获取灰度值的方法不作具体限制。
步骤204、获取每一所述灰度值对应的像素在所述图像块中的出现概率。
本发明实施例中，出现概率可以用于反应该灰度值的像素在图像块中出现的可能性，用于表征图像块的灰度分布，其中，可以用该灰度值对应的像素数量相对图像块的像素总数量的占比表示该灰度值的像素在图像块中的出现概率，此时，像素的出现概率可以表示图像块中任意像素的灰度值为该像素的灰度值的概率。
步骤205、根据所述出现概率确定每一所述灰度值对应的像素出现时的信息量。
本发明实施例中，可以根据出现概率确定每一灰度值对应的像素出现时的信息量，通常像素的出现概率越高，则信息量越小，像素的出现概率越小，则信息量越大，不同灰度值的像素同时出现的出现概率由不同灰度值的像素对应出现概率相乘得到，且不同灰度值的像素同时出现的总信息量等于不同灰度值的像素分别出现时的信息量相加，从而确定像素的出现概率与信息量之间存在减函数的对数关系，即可以通过如下公式(1)，根据出现概率确定每一灰度值对应的像素出现时的信息量：
I(Pj)＝-logPj························(1)
其中，Pj表示灰度值为j的像素的出现概率，I(Pj)表示灰度值为j的像素出现时的信息量。
步骤206、根据所述图像块中每一所述灰度值对应的所述出现概率以及所述信息量确定所述图像块对应的所述图像熵。
本发明实施例中，可以将每一灰度值的像素的出现概率与每一灰度值的像素出现时的信息量相乘，可以确定每一灰度值的像素对应的平均信息量，在此基础上，对每一灰度值的像素对应的平均信息量相加得到图像熵，使得图像熵可以反应图像块中平均信息量的多少，即可以通过如下公式(2)根据图像块中每一灰度值对应的出现概率以及信息量确定图像块对应的图像熵：
其中，H为图像熵。
步骤207、在所述图像块对应的图像熵在第一区间范围的情况下，采用深度学习算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块；或者，在所述图像块对应的图像熵在第二区间范围的情况下，采用插值算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块；所述第一区间范围内的任一取值大于所述第二区间范围内的任一取值。
本发明实施例中，针对不同信息量的图像块可以采用对应图像处理算法分路处理，如信息量较低的图像块可以采用处理低信息量图像的图像处理算法进行处理，信息量较高的图像块可以采用处理高信息量图像的图像处理算法进行处理，具体地，图像块可以根据图像熵所属的区间范围采用不同的图像处理算法进行超分辨率，其中，可以包括第一区间范围、第二区间范围，第一区间范围的任意图像熵大于第二区间范围的任意图像熵，则第一区间范围对应的图像块包含的平均信息量均大于第二区间范围对应的图像块，此时，可以图像块对应的图像熵在第一区间范围内的情况下，采用复杂的图像处理算法如深度学习算法对图像块进行超分辨率重建，图像块对应的图像熵在第二区间范围内的情况下，采用简单的图像处理算法如插值算法对图像块进行超分辨率重建，从而获得超分辨率后的目标图像块。由于处理低信息量的图像处理算法通常运算简单，处理高信息量的图像处理算法通常运算复杂，因此，对原始图像进行分路处理在保证对图像块超分辨率效果的同时，减少了整体的运算量。可选地，深度学习算法可以包括卷积神经网络、残差神经网络、递归神经网络等，插值算法可以包括最近邻插值、线性插值、双三次插值等，超分辨率的图像处理算法还可以包括基于频率的算法、基于重构的算法等，本发明实施例对此不作具体限制。
本发明实施例中，可以设置图像熵阈值，在图像熵大于该图像熵阈值的情况下，确定该图像熵在第一区间范围，采用深度学习算法对该图像熵对应的图像块进行超分辨率；在图像熵小于或等于该图像熵阈值的情况下，确定该图像熵在第二区间范围，采用差值算法该图像熵对应的图像块进行超分辨率，其中，图像熵阈值可以根据原始图像的灰度分布、图像处理算法的处理性能、超分辨率的效果要求等设置。
如，设置图像熵阈值为T，则处理过程如下所示：
if Hi>T
Bi采用深度学习算法处理
else
Bi采用插值算法处理
其中，Hi表示第i个图像块的图像熵。
可选地，该方法可以应用于包括中央处理器和嵌入式神经网络处理器的电子设备，所述步骤207具体包括：
通过所述嵌入式神经网络处理器执行所述深度学习算法，以对所述图像块进行超分辨率重建；通过所述中央处理器执行所述插值算法，以对所述图像块进行超分辨率重建，获得目标图像块。
本发明实施例中，可以应用于包括中央处理器(Central Processing Unit，CPU)和嵌入式神经网络处理器(Neural-network Processing Unit，NPU)，其中，对不同图像处理算法可以通过不同的处理器执行，如通过CPU执行插值算法对第二区间范围的图象熵对应的图像块进行超分辨率重建，通过NPU执行深度学习算法对第一区间范围的图像熵对应的图像块进行超分辨率重建，其中，CPU是对电子设备的硬件资源进行控制调配，以及执行通用运算的核心硬件单元，通过CPU执行较为简单的插值算法能够在保证CPU稳定、流畅的同时，实现对信息量较少图像块的超分辨率，NPU是采用数据驱动并行计算架构，长于处理多媒体数据的硬件单元，通过NPU执行较为复杂的深度学习算法能够实现对信息量多的图像块高效的超分辨率，在NPU上仅需处理信息量较多的部分图像块，降低了运算量，从而整体上通过分路处理降低了图像处理的功耗，更充分的协调电子设备中各硬件单元的资源，减少图像超分辨率过程中的卡顿现象。
步骤208、合并所有所述图像块对应的所述目标图像块，获得第一目标图像。
本发明实施例中，步骤208可对应参照前述步骤105的相关描述，为避免重复，在此不再赘述。
如图2所示，在步骤208中获得第一目标图像ISR。
本发明实施例提供的图像处理方法，获取原始图像后，对原始图像进行拆分获得至少两个图像块，再获取每一图像块的灰度值分布，并根据灰度值分布确定图像块对应的图像熵，由于图像熵是一种表征图像中平均信息量多少的参数，此时，可以将不同图像处理算法对应不同区间范围的图像熵，从而采用图像熵对应的图像处理算法对图像块进行超分辨率获得目标图像块，再将所有目标图像块合并为第一目标图像。本发明实施例中，由于不同图像处理算法对应不同区间范围的图像熵，使得针对不同信息量的图像块可以采用对应图像处理算法分路处理，如信息量较低的图像块可以采用处理低信息量图像的图像处理算法进行处理，信息量较高的图像块可以采用处理高信息量图像的图像处理算法进行处理，由于处理低信息量的图像处理算法通常运算简单，处理高信息量的图像处理算法通常运算复杂，因此，对原始图像进行分路处理在保证对图像块超分辨率效果的同时，减少了整体的运算量，既保证了超分辨率的速度和稳定性，也降低了功耗，避免了卡顿。
参照图3，示出了本发明实施例提供的图像处理方法的步骤流程图之三，如图3所示，该方法可以包括：
步骤301、获取原始图像。
参照图4，示出了本发明实施例提供的一种获取原始图像的界面示意图，如图4所示，在视频播放的过程中，接收用户对“增强画质”开关的启动操作，获取播放中视频资源的视频帧作为原始图像。
步骤302、拆分所述原始图像获得至少两个图像块。
步骤303、对于任一所述图像块，获取所述图像块的灰度值分布，并根据所述图像块的灰度值分布确定所述图像块对应的图像熵。
步骤304、对于任一所述图像块，采用所述图像块对应的图像熵对应的图像处理算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块，不同所述图像处理算法对应不同区间范围的图像熵。
步骤305、合并所有所述图像块对应的所述目标图像块获得，第一目标图像。
本发明实施例中，步骤301～305可对应参照前述步骤101～105，或前述步骤201～208的相关描述，未免重复，在此不再赘述。
步骤306、对所述原始图像进行图像增强处理获得第二目标图像。
本发明实施例中，除超分辨率外，还可以对原始图像进行图像增强处理，如增强原始图像的图像锐度、色彩等实现图像保边、去噪、细节增强，以获得提升人眼感知度、辨识度的第二目标图像，可选地，可以采用双边滤波进行图像增强处理，双边滤波是一种非线性的滤波方法，结合图像的空间邻近度和灰度值相似度的一种折衷处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的，还可以选择各向异性扩散滤波算法、表面模糊滤波算法、导向滤波算法等。
如图3所示，对原始图像I进行图像增强处理，获得第二目标图像IEhance。
可选地，所述方法应用于包括图形处理器的电子设备，所述步骤306，具体包括：
通过所述图形处理器对所述原始图像进行图像增强处理获得所述第二目标图像。
本发明实施例中，可以应用于包括图形处理器(Graphics Processing Unit，GPU)的电子设备，GPU的构成相对简单，有数量众多的计算单元和较长的流水线，能够高效率的执行大量、重复的运算，尤其是滤波器在图像上反复做卷积去噪声的运算。在电子设备中包括GPU的基础上，可以采用GPU进行图像增强处理，充分利用硬件资源的性能特点，提高运算效率。其中，在电子设备包括CPU、NPU、GPU时，可以由CPU实现硬件资源的整体调配、执行简单的图像处理算法，以及图像块的拆分、合并等，由NPU执行复杂的图像处理算法，参照步骤207的相关描述，以及由GPU对原始图像进行增强处理，在区分处理方式的同时，选择不同的硬件单元分路处理。
步骤307、获取所述第一目标图像与所述第二目标图像在每一融合位置的融合系数，所述融合系数用于表征所述第一目标图像与所述第二目标图像在所述融合位置处的高频信息量。
本发明实施例中，可以对超分辨率与图像增强处理并行处理，之后再对第一目标图像与第二目标图像进行融合，有效提高图像处理的效率，在融合过程中，对每一融合位置可以获取对应的融合系数，融合系数可以表征第一目标图像与第二目标图像在融合位置处的高频信息量，高频信息量越多融合系数会越大，高频信息量越少融合系数会越小，从而在融合过程中能够更好地保留第一目标图像与第二目标图像中的高频信息，避免细节丢失。
可选地，所述步骤307，包括：
步骤S11、从所述第一目标图像中提取高频特征获得第一高频图像。
本发明实施例中，可以对超分辨率后的第一目标图像进一步提取高频特征，以获得第一高频图像，其中，可以将第一目标图像的灰度图进行高斯滤波处理，在高斯滤波中采用的滤波核较小，用于快速计算，保留第一目标图像的高频信息。
如，通过如下公式(3)将第一目标图像转换为灰度图像：
YSR＝RGB2Gray(ISR)··················(3)
其中，YSR表示第一目标图像ISR的灰度图像。
通过如下公式(4)对灰度图像进行高斯滤波：
其中，x,y表示YSR中的位置坐标，σ为预设系数，可以根据经验设置该预设系数，例如，可以取0.5。
通过如下公式(5)提取高频特征获得第一高频图像：
CSR＝|YSR-Gauss(YSR)|················(5)
其中，CSR表示第一高频图像。
步骤S12、从所述第二目标图像中提取高频特征获得第二高频图像。
本发明实施例中，步骤S12中第二目标图像提取高频特征获得第二高频图像的过程可对应参照前述步骤S11的第一目标图像提取高频特征获得第一高频图像的过程，为避免重复，在此不再赘述。
如，通过如下公式(6)将第二目标图像转换为灰度图像：
YEhance＝RGB2Gray(IEhance)···············(6)
其中，YEhance表示第二目标图像IEhance的灰度图像。
通过如下公式(4)对灰度图像进行高斯滤波：
其中，x,y表示YEhance中的位置坐标，σ为预设系数，可以采用经验系数，例如可以取0.5。
通过如下公式(8)提取高频特征获得第一高频图像：
CEhance＝|YEhance-Gauss(YEhance)|···········(8)
其中，CEhance表示第二高频图像。
步骤S13、计算所述第一高频图像与所述第二高频图像中融合位置的系数乘积，获得所述融合系数。
本发明实施例中，融合系数可以由第一高频图像与第二高频图像在融合位置处的系数乘积确定，此时，融合系数可以表征第一目标图像、第二目标图像在融合位置处的高频信息量。
如，通过如下公式(9)计算融合位置处的融合系数：
Wx,y＝CSR*CEhance···················(9)
其中，Wx,y表示融合位置(x,y)处的融合系数。
具体地，通过上述公式(3)～(8)，上述公式(9)可以具体表示为：
步骤308、采用融合系数对所述第一目标图像与所述第二目标图像在每一所述融合位置进行融合，获得目标图像。
本发明实施例中，在对第一目标图像与第二目标图像进行融合时，每一融合位置采用对应的融合系数进行加权，基于信息量的多少更好的实现融合过渡，有效提升图像融合的效果。
进一步地，由于高频信息中包含了图像的边缘、纹理等重要信息，通过提取上述第一目标图像与第二目标图像的高频特征，基于高频特征获取的高频图像获取融合系数，一定程度上可以使得所确定的融合系数更加合理、准确。
可选地，所述步骤308，包括：
步骤S14、基于所述每一融合位置的融合系数，对所述第一目标图像与所述第二目标图像在每一所述融合位置进行加权求和，获得所述目标图像。
如，通过如下公式(11)对第一目标图像与第二目标图像在每一融合位置进行加权求和，以获得融合后的目标图像：
Iout＝Wx,yISR+(1-Wx,y)IEhance··········(11)
示例地，以上述(x，y)为(1，1)为例，可以将上述第一目标图像中位置(1，1)的像素值与上述第二目标图像中位置(1，1)的像素值输入至上述公式(11)，从而可以得到目标图像中位置(1，1)的像素值。进一步地，通过不同的(x，y)，可以依次获得目标图像中在每一融合位置的像素值，进而获得融合后的目标图像。
如图3所示，对第一目标图像ISR与第二目标图像IEhance在每一融合位置进行融合，获得目标图像Iout。
参照图5，示出了本发明实施例提供的一种图像处理对比图，如图5所示，对480p的原始图像进行图像处理后，画质增强效果明显。
本发明实施例提供的图像处理方法，获取原始图像后，对原始图像进行拆分获得至少两个图像块，再获取每一图像块的灰度值分布，并根据灰度值分布确定图像块对应的图像熵，由于图像熵是一种表征图像中平均信息量多少的参数，此时，可以将不同图像处理算法对应不同区间范围的图像熵，从而采用图像熵对应的图像处理算法对图像块进行超分辨率获得目标图像块，再将目标图像块合并为第一目标图像。本发明实施例中，由于不同图像处理算法对应不同区间范围的图像熵，使得针对不同信息量的图像块可以采用对应图像处理算法分路处理，如信息量较低的图像块可以采用处理低信息量图像的图像处理算法进行处理，信息量较高的图像块可以采用处理高信息量图像的图像处理算法进行处理，由于处理低信息量的图像处理算法通常运算简单，处理高信息量的图像处理算法通常运算复杂，因此，对原始图像进行分路处理在保证对图像块超分辨率效果的同时，减少了整体的运算量，既保证了超分辨率的速度和稳定性，也降低了功耗，避免了卡顿。
本发明实施例中，还进一步对原始图像进行了图像增强处理获得第二目标图像，并将第一目标图像与第二目标图像基于每一融合位置的融合系数进行融合，其中，融合系数用于表征第一目标图像与第二目标图像在融合位置处的高频信息量，使得基于融合系数进行图像融合可以更多的保留图像的高频信息，减少细节丢失，有效提升图像优化的效果。
参照图6，示出了本发明实施例提供的一种图像处理装置40的结构框图，如图6所示，该装置可以包括：
图像获取模块401，用于获取原始图像；
图像拆分模块402，用于对所述原始图像进行拆分获得至少两个图像块；
参数获取模块403，用于对于任一所述图像块，获取所述图像块对应的灰度值分布，并根据所述图像块的灰度值分布确定所述图像块对应的图像熵；
超分辨率模块404，用于对于任一所述图像块，采用所述图像块对应的图像熵对应的图像处理算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块，不同所述图像处理算法对应不同区间范围的图像熵；
图像合并模块405，用于合并所有所述图像块对应的所述目标图像块获得第一目标图像。
可选地，所述装置还包括：
图像增强模块，用于对所述原始图像进行图像增强处理获得第二目标图像；
系数获取模块，用于获取所述第一目标图像与所述第二目标图像在每一融合位置的融合系数，所述融合系数用于表征所述第一目标图像与所述第二目标图像在所述融合位置处的高频信息量；
图像融合模块，用于采用融合系数对所述第一目标图像与所述第二目标图像在每一所述融合位置进行融合，获得目标图像。
可选地，所述系数获取模块，包括：
高频特征提取子模块，用于从所述第一目标图像中提取高频特征获得第一高频图像；
所述高频特征提取子模块，还用于从所述第二目标图像中提取高频特征获得第二高频图像；
融合系数计算子模块，用于计算所述第一高频图像与所述第二高频图像中融合位置的系数乘积，获得所述融合系数。
可选地，所述图像融合模块，具体用于：
基于所述每一融合位置的融合系数，对所述第一目标图像与所述第二目标图像在每一所述融合位置进行加权求和，获得所述目标图像。
可选地，所述超分辨率模块404，具体用于在所述图像块对应的图像熵在第一区间范围的情况下，采用深度学习算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块；或者，在所述图像块对应的图像熵在第二区间范围的情况下，采用插值算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块；所述第一区间范围内的任一取值大于所述第二区间范围内的任一取值。
可选地，所述参数获取模块403，包括：
灰度值获取子模块，用于获取所述图像块中每一像素对应的灰度值；
出现概率计算子模块，用于获取每一所述灰度值对应的像素在所述图像块中的出现概率；
信息量计算子模块，用于根据所述出现概率确定每一所述灰度值对应的像素出现时的信息量；
图像熵计算子模块，用于根据所述图像块中每一所述灰度值对应的所述出现概率以及所述信息量确定所述图像块对应的所述图像熵。
可选地，所述装置应用于包括中央处理器和嵌入式神经网络处理器的电子设备，所述超分辨率模块404，具体用于通过所述嵌入式神经网络处理器执行所述深度学习算法，以对所述图像块进行超分辨率重建；通过所述中央处理器执行所述插值算法，以对所述图像块进行超分辨率重建，获得目标图像块。
可选地，所述装置应用于包括图形处理器的电子设备，所述图像增强模块，具体用于通过所述图形处理器对所述原始图像进行图像增强处理获得所述第二目标图像。
本发明实施例提供的图像处理装置，获取原始图像后，对原始图像进行拆分获得至少两个图像块，再获取每一图像块的灰度值分布，并根据灰度值分布确定图像块对应的图像熵，由于图像熵是一种表征图像中平均信息量多少的参数，此时，可以将不同图像处理算法对应不同区间范围的图像熵，从而采用图像熵对应的图像处理算法对图像块进行超分辨率获得目标图像块，再将目标图像块合并为第一目标图像。本发明实施例中，由于不同图像处理算法对应不同区间范围的图像熵，使得针对不同信息量的图像块可以采用对应图像处理算法分路处理，如信息量较低的图像块可以采用处理低信息量图像的图像处理算法进行处理，信息量较高的图像块可以采用处理高信息量图像的图像处理算法进行处理，由于处理低信息量的图像处理算法通常运算简单，处理高信息量的图像处理算法通常运算复杂，因此，对原始图像进行分路处理在保证对图像块超分辨率效果的同时，减少了整体的运算量，既保证了超分辨率的速度和稳定性，也降低了功耗，避免了卡顿。
本发明实施例中，还进一步对原始图像进行了图像增强处理获得第二目标图像，并将第一目标图像与第二目标图像基于每一融合位置的融合系数进行融合，其中，融合系数用于表征第一目标图像与第二目标图像在融合位置处的高频信息量，使得基于融合系数进行图像融合可以更多的保留图像的高频信息，减少细节丢失，有效提升图像优化的效果。
本发明实施例还提供了一种电子设备，如图7所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现如下步骤：
获取原始图像；
拆分所述原始图像获得至少两个图像块；
对于任一所述图像块，获取所述图像块的灰度值分布，并根据所述图像块的灰度值分布确定所述图像块对应的图像熵；
对于任一所述图像块，采用所述图像块对应的图像熵对应的图像处理算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块，不同所述图像处理算法对应不同区间范围的图像熵；
合并所有所述图像块对应的所述目标图像块获得第一目标图像。
可选地，所述获取原始图像之后，还包括：
对所述原始图像进行图像增强处理获得第二目标图像；
所述合并所述目标图像块获得第一目标图像之后，还包括：
获取所述第一目标图像与所述第二目标图像在每一融合位置的融合系数，所述融合系数用于表征所述第一目标图像与所述第二目标图像在所述融合位置处的高频信息量；
采用融合系数对所述第一目标图像与所述第二目标图像在每一所述融合位置进行融合，获得目标图像。
可选地，所述获取所述第一目标图像与所述第二目标图像在每一融合位置的融合系数，包括：
从所述第一目标图像中提取高频特征获得第一高频图像；
从所述第二目标图像中提取高频特征获得第二高频图像；
计算所述第一高频图像与所述第二高频图像中融合位置的系数乘积，获得所述融合系数。
可选地，所述采用融合系数对所述第一目标图像与所述第二目标图像在每一所述融合位置进行融合，获得目标图像，包括：
基于所述每一融合位置的融合系数，对所述第一图像与所述第二图像在每一所述融合位置进行加权求和，获得所述目标图像。
可选地，所述获取所述第一目标图像与所述第二目标图像在每一融合位置的融合系数，包括：
其中，Wx,y表示融合位置(x,y)处的融合系数，ISR表示所述第一目标图像，IEhance表示所述第二目标图像，(x,y)表示所述第一目标图像和所述第二目标图像中的位置坐标，σ为预设系数，所述RGB2Gray(ISR)表示获取所述第一目标图像的灰度图像，所述RGB2Gray(IEhance)表示获取所述第二目标图像的灰度图像。
可选地，所述采用所述图像块对应的图像熵对应的图像处理算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块，包括：
在所述图像块对应的图像熵在第一区间范围的情况下，采用深度学习算法对所述图像块进行超分辨率重建；或者，在所述图像块对应的图像熵在第二区间范围的情况下，采用插值算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块；所述第一区间范围内的任一取值大于所述第二区间范围内的任一取值。
可选地，所述获取所述图像块的灰度值分布，并根据所述图像块的灰度值分布确定所述图像块对应的图像熵，包括：
获取所述图像块中每一像素对应的灰度值；
获取每一所述灰度值对应的像素在所述图像块中的出现概率；
根据所述出现概率确定每一所述灰度值对应的像素出现时的信息量；
根据所述图像块中每一所述灰度值对应的所述出现概率以及所述信息量确定所述图像块对应的所述图像熵。
可选地，所述处理器501包括中央处理器和嵌入式神经网络处理器，所述采用深度学习算法对所述图像块进行超分辨率重建，包括：
通过所述嵌入式神经网络处理器执行所述深度学习算法，以对所述图像块进行超分辨率重建；
所述采用插值算法对所述图像块进行超分辨率重建，包括：
通过所述中央处理器执行所述插值算法，以对所述图像块进行超分辨率重建。
可选地，所述处理器501包括图形处理器，所述对所述原始图像进行图像增强处理获得第二目标图像，包括：
通过所述图形处理器对所述原始图像进行图像增强处理获得所述第二目标图像。
本发明实施例中，获取原始图像后，对原始图像进行拆分获得至少两个图像块，再获取每一图像块的灰度值分布，并根据灰度值分布确定图像块对应的图像熵，由于图像熵是一种表征图像中平均信息量多少的参数，此时，可以将不同图像处理算法对应不同区间范围的图像熵，从而采用图像熵对应的图像处理算法对图像块进行超分辨率获得目标图像块，再将目标图像块合并为第一目标图像。本发明实施例中，由于不同图像处理算法对应不同区间范围的图像熵，使得针对不同信息量的图像块可以采用对应图像处理算法分路处理，如信息量较低的图像块可以采用处理低信息量图像的图像处理算法进行处理，信息量较高的图像块可以采用处理高信息量图像的图像处理算法进行处理，由于处理低信息量的图像处理算法通常运算简单，处理高信息量的图像处理算法通常运算复杂，因此，对原始图像进行分路处理在保证对图像块超分辨率效果的同时，减少了整体的运算量，既保证了超分辨率的速度和稳定性，也降低了功耗，避免了卡顿。
本发明实施例中，还进一步对原始图像进行了图像增强处理获得第二目标图像，并将第一目标图像与第二目标图像基于每一融合位置的融合系数进行融合，其中，融合系数用于表征第一目标图像与第二目标图像在融合位置处的高频信息量，使得基于融合系数进行图像融合可以更多的保留图像的高频信息，减少细节丢失，有效提升图像优化的效果。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的图像处理方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的图像处理方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，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。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种图像处理方法，其特征在于，所述方法包括：
获取原始图像；
对所述原始图像进行图像增强处理获得第二目标图像；
拆分所述原始图像获得至少两个图像块；
对于任一所述图像块，获取所述图像块的灰度值分布，并根据所述图像块的灰度值分布确定所述图像块对应的图像熵；
对于任一所述图像块，采用所述图像块对应的图像熵对应的图像处理算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块，不同所述图像处理算法对应不同区间范围的图像熵；
合并所有所述图像块对应的所述目标图像块，获得第一目标图像；
将所述第一目标图像以及所述第二目标图像作为输入，通过下述公式计算融合系数：
其中，Wx,y表示融合位置(x，y)处的融合系数，ISR表示所述第一目标图像，IEhance表示所述第二目标图像，(x，y)表示所述第一目标图像和所述第二目标图像中的位置坐标，σ为预设系数，所述RGB2Gray(ISR)表示获取所述第一目标图像的灰度图像，所述RGB2Gray(IEhance)表示获取所述第二目标图像的灰度图像；所述融合系数用于表征所述第一目标图像与所述第二目标图像在所述融合位置处的高频信息量；
采用融合系数对所述第一目标图像与所述第二目标图像在每一所述融合位置进行融合，获得目标图像。
2.根据权利要求1所述的方法，其特征在于，所述采用所述图像块对应的图像熵对应的图像处理算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块，包括：
在所述图像块对应的图像熵在第一区间范围的情况下，采用深度学习算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块；
或者，
在所述图像块对应的图像熵在第二区间范围的情况下，采用插值算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块；
所述第一区间范围内的任一取值大于所述第二区间范围内的任一取值。
3.根据权利要求1所述的方法，其特征在于，所述获取所述图像块的灰度值分布，并根据所述图像块的灰度值分布确定所述图像块对应的图像熵，包括：
获取所述图像块中每一像素对应的灰度值；
获取每一所述灰度值对应的像素在所述图像块中的出现概率；
根据所述出现概率确定每一所述灰度值对应的像素出现时的信息量；
根据所述图像块中每一所述灰度值对应的所述出现概率以及所述信息量确定所述图像块对应的所述图像熵。
4.根据权利要求1所述的方法，其特征在于，所述获取所述第一目标图像与所述第二目标图像在每一融合位置的融合系数，还包括：
从所述第一目标图像中提取高频特征获得第一高频图像；
从所述第二目标图像中提取高频特征获得第二高频图像；
计算所述第一高频图像与所述第二高频图像中融合位置的系数乘积，获得所述融合系数。
5.根据权利要求1所述的方法，其特征在于，所述采用融合系数对所述第一目标图像与所述第二目标图像在每一所述融合位置进行融合，获得目标图像，包括：
基于所述每一融合位置的融合系数，对所述第一目标图像与所述第二目标图像在每一所述融合位置进行加权求和，获得所述目标图像。
6.根据权利要求2所述方法，其特征在于，应用于包括中央处理器和嵌入式神经网络处理器的电子设备；
所述采用深度学习算法对所述图像块进行超分辨率重建，包括：
通过所述嵌入式神经网络处理器执行所述深度学习算法，以对所述图像块进行超分辨率重建；
所述采用插值算法对所述图像块进行超分辨率重建，包括：
通过所述中央处理器执行所述插值算法，以对所述图像块进行超分辨率重建。
7.根据权利要求1所述的方法，其特征在于，应用于包括图形处理器的电子设备，所述对所述原始图像进行图像增强处理获得第二目标图像，包括：
通过所述图形处理器对所述原始图像进行图像增强处理获得所述第二目标图像。
8.一种图像处理装置，其特征在于，所述装置包括：
图像获取模块，用于获取原始图像；
图像增强模块，用于对所述原始图像进行图像增强处理获得第二目标图像；
图像拆分模块，用于对所述原始图像进行拆分获得至少两个图像块；
参数获取模块，用于对于任一所述图像块，获取所述图像块对应的灰度值分布，并根据所述图像块的灰度值分布确定所述图像块对应的图像熵；
超分辨率模块，用于对于任一所述图像块，采用所述图像块对应的图像熵对应的图像处理算法对所述图像块进行超分辨率重建，获得所述图像块对应的目标图像块，不同所述图像处理算法对应不同区间范围的图像熵；
图像合并模块，用于合并所有所述图像块对应的所述目标图像块获得第一目标图像；
系数获取模块，用于将所述第一目标图像以及所述第二目标图像作为输入，通过下述公式计算融合系数：
其中，Wx,y表示融合位置(x，y)处的融合系数，ISR表示所述第一目标图像，IEhance表示所述第二目标图像，(x，y)表示所述第一目标图像和所述第二目标图像中的位置坐标，σ为预设系数，所述RGB2Gray(ISR)表示获取所述第一目标图像的灰度图像，所述RGB2Gray(IEhance)表示获取所述第二目标图像的灰度图像；所述融合系数用于表征所述第一目标图像与所述第二目标图像在所述融合位置处的高频信息量；
图像融合模块，用于采用融合系数对所述第一目标图像与所述第二目标图像在每一所述融合位置进行融合，获得目标图像。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202210738484.4A 2022-06-27 2022-06-27 图像处理方法、装置、电子设备及计算机可读存储介质 Active CN115034967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210738484.4A CN115034967B (zh) 2022-06-27 2022-06-27 图像处理方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210738484.4A CN115034967B (zh) 2022-06-27 2022-06-27 图像处理方法、装置、电子设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN115034967A CN115034967A (zh) 2022-09-09
CN115034967B true CN115034967B (zh) 2025-02-07

Family

ID=83127250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210738484.4A Active CN115034967B (zh) 2022-06-27 2022-06-27 图像处理方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN115034967B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110310229A (zh) * 2019-06-28 2019-10-08 Oppo广东移动通信有限公司 图像处理方法、图像处理装置、终端设备及可读存储介质
CN111784578A (zh) * 2020-06-28 2020-10-16 Oppo广东移动通信有限公司 图像处理、模型训练方法及装置、设备、存储介质
CN113570617A (zh) * 2021-06-24 2021-10-29 荣耀终端有限公司 图像处理方法、装置和电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009589B (zh) * 2019-04-11 2020-11-24 重庆大学 一种基于dlss深度学习超级采样技术的图像滤波方法
KR102417661B1 (ko) * 2020-09-04 2022-07-05 연세대학교 산학협력단 초해상도 기법의 적대적 공격에 강인한 초해상도 이미지 변환 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110310229A (zh) * 2019-06-28 2019-10-08 Oppo广东移动通信有限公司 图像处理方法、图像处理装置、终端设备及可读存储介质
CN111784578A (zh) * 2020-06-28 2020-10-16 Oppo广东移动通信有限公司 图像处理、模型训练方法及装置、设备、存储介质
CN113570617A (zh) * 2021-06-24 2021-10-29 荣耀终端有限公司 图像处理方法、装置和电子设备

Also Published As

Publication number Publication date
CN115034967A (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
WO2018082185A1 (zh) 图像处理方法和装置
US8594451B2 (en) Edge mapping incorporating panchromatic pixels
US7983511B1 (en) Methods and apparatus for noise reduction in digital images
CN111163268B (zh) 一种图像处理方法、装置以及计算机存储介质
WO2017076040A1 (zh) 应用于连拍过程中的图像处理方法和装置
WO2020093782A1 (en) Method, system, and computer-readable medium for improving quality of low-light images
Liu et al. Graph-based joint dequantization and contrast enhancement of poorly lit JPEG images
CN111951172A (zh) 一种图像优化方法、装置、设备和存储介质
CN110246089A (zh) 基于非局域均值滤波的Bayer域图像降噪系统及其方法
CN111131688B (zh) 一种图像处理方法、装置及移动终端
CN112541868B (zh) 图像处理方法、装置、计算机设备和存储介质
CN111429371A (zh) 图像处理方法、装置及终端设备
CN104021523B (zh) 一种基于边缘分类的图像超分辨率放大的方法
CN104574358A (zh) 从聚焦堆图像进行场景分割的方法和设备
CN111353955A (zh) 一种图像处理方法、装置、设备和存储介质
WO2023226584A1 (zh) 图像降噪、滤波数据处理方法、装置和计算机设备
CN110992264B (zh) 一种图像处理方法、处理装置、电子设备及存储介质
Jeon et al. Low-light image enhancement using inverted image normalized by atmospheric light
Wu et al. Reflectance-guided histogram equalization and comparametric approximation
Liu et al. Contrast enhancement via dual graph total variation-based image decomposition
CN110648297B (zh) 图像去雾方法、系统、电子设备和存储介质
CN110717864B (zh) 一种图像增强方法、装置、终端设备及计算机可读介质
CN115034967B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
US20240086661A1 (en) Method and apparatus for processing graphic symbol and computer-readable storage medium
CN110136085B (zh) 一种图像的降噪方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant