[发明专利]基于ConvNets的暗光图像处理方法及终端设备

说明书

本发明涉及图像处理技术领域，提供了一种基于ConvNets的暗光图像处理方法及终端设备。该方法包括：对图像原始数据进行预处理；将经过所述预处理的原始数据输入到卷积神经网络模型进行特征增强；对所述卷积网络模型的输出数据进行通道重排处理，生成所述原始数据对应的图像。本发明能够在保证成像清晰度的前提下降低卷积神经网络模型处理的数据量，降低功耗，提高成像速度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于ConvNets的暗光图像处理方法及终端设备。

背景技术

暗光条件下，基于单目单张图像的快速清晰成像是一个非常具有挑战的任务。常用到的解决方法有物理解决方法和图像处理解决方法。其中物理解决方法有打开光圈、增大曝光时间、采用高感光度、打开闪光灯等；而图像处理方法有基于传统多步骤的方法、基于多帧的方法和基于端到端的深度学习方法。但目前的这些方法各有各的缺点，比如增大曝光时间会因抖动造成模糊；传统多步骤方法过程繁琐，效果也差；基于多帧的方法在暗光条件下，存在匹配困难问题；基于深度学习的端到端的处理方法虽然成像效果良好，但其功耗高、运算时间长，无法在移动端使用。

发明内容

有鉴于此，本发明实施例提供了基于ConvNets的暗光图像处理方法及终端设备，以解决目前基于深度学习的端到端的图像处理方法功耗高且运算时间长的问题。

本发明实施例的第一方面提供了基于ConvNets的暗光图像处理方法，包括：

对图像原始数据进行预处理；

将经过所述预处理的原始数据输入到卷积神经网络模型进行特征增强；

对所述卷积网络模型的输出数据进行通道重排处理，生成所述原始数据对应的图像。

本发明实施例的第二方面提供了基于ConvNets的暗光图像处理装置，包括：

预处理单元，用于对图像原始数据进行预处理；

处理单元，用于将经过所述预处理的原始数据输入到卷积神经网络模型进行特征增强；

生成单元，用于对所述卷积网络模型的输出数据进行通道重排处理，生成所述原始数据对应的图像。

本发明实施例的第三方面提供了终端设备，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第一方面中的基于ConvNets的暗光图像处理方法。

本发明实施例的第四方面提供了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第一方面中的基于ConvNets的暗光图像处理方法。

本发明实施例与现有技术相比存在的有益效果是：通过卷积神经网络模型对数据进行特征增强，能够实现在暗光条件下的清晰成像，在保证成像清晰度的前提下降低卷积神经网络模型处理的数据量，降低功耗，提高成像速度。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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是本发明实施例提供的基于ConvNets的暗光图像处理方法的实现流程图；

图2是本发明实施例提供的基于ConvNets的暗光图像处理方法中对原始数据进行预处理的实现流程图；

图3是本发明实施例提供的基于ConvNets的暗光图像处理方法中将经过预处理的原始数据输入到卷积神经网络模型进行特征增强的实现流程图；