[发明专利]一种图像处理方法、装置、电子设备及存储介质

权利要求书

1.一种图像处理方法，其特征在于，包括：

获取待处理图像，其中，所述待处理图像为在第一光照条件下采集的图像；

对所述待处理图像进行通道数据提取，获得Y通道数据、Cb通道数据和Cr通道数据；

将所述Y通道数据输入预先训练好的神经网络模型中，获得所述神经网络模型输出的残差结果；

根据所述Y通道数据、所述残差结果、所述Cb通道数据和所述Cr通道数据获得所述待处理图像对应的第二光照条件下的图像；其中，所述第一光照条件的光照质量低于所述第二光照条件的光照质量；

其中，所述根据所述Y通道数据、所述残差结果、所述Cb通道数据和所述Cr通道数据获得所述待处理图像对应的第二光照条件下的图像，包括：

将所述待处理图像对应的Y通道数据与所述残差结果按照像素点位置进行相加，获得纠正后Y通道数据；

将所述纠正后Y通道数据、所述Cb通道数据和所述Cr通道数据进行转换获得所述第二光照条件下的图像；

所述残差结果的分辨率和所述待处理图像的分辨率大小相同。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取训练样本，所述训练样本包括第一光照条件下的训练图像和第二光照条件下的训练图像；

提取所述第一光照条件下的训练图像的Y通道数据，以及所述第二光照条件下的训练图像的Y通道数据；

将所述第一光照条件下的训练图像的Y通道数据输入待训练的神经网络模型中，获得所述待训练的神经网络模型输出的预测残差；

根据第一光照条件下的训练图像的Y通道数据所述预测残差和所述第二光照条件下的训练图像的Y通道数据对所述待训练的神经网络模型中的参数进行优化，获得训练好的神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述根据第一光照条件下的训练图像的Y通道数据所述预测残差和所述第二光照条件下的训练图像的Y通道数据对所述待训练的神经网络模型中的参数进行优化，包括：

将所述第一光照条件下的训练图像的Y通道数据与所述预测残差进行线性相加，获得纠正后的训练图像的Y通道数据；

根据所述纠正后的训练图像的Y通道数据和所述第二光照条件下的训练图像的Y通道数据计算L1距离、结构相似性和峰值信噪比；

根据所述纠正后的训练图像的Y通道数据、所述第二光照条件下的训练图像的Y通道数据、L1距离、结构相似性和峰值信噪比计算损失函数；

利用所述损失函数对所述待训练的神经网络模型中的参数进行优化。

4.根据权利要求3所述的方法，其特征在于，所述根据所述纠正后的训练图像的Y通道数据、所述第二光照条件下的训练图像的Y通道数据、L1距离、结构相似性和峰值信噪比计算损失函数，包括：

根据公式loss＝α·L1(I,G_Y)+β·SSIM(I,G_Y)+γ·PSNR(I,G_Y)计算获得所述损失函数；

其中，α，β，γ均为超参数，I为纠正后的训练图像的Y通道数据，G_Y为第二光照条件下的训练图像的Y通道数据，L1(I,G_Y)为纠正后的训练图像的Y通道数据与第二光照条件下的训练图像的Y通道数据之间的距离，SSIM(I,G_Y)为纠正后的训练图像的Y通道数据与第二光照条件下的训练图像的Y通道数据之间的结构相似性，PSNR(I,G_Y)为纠正后的训练图像的Y通道数据与第二光照条件下的训练图像的Y通道数据之间的峰值信噪比。

5.根据权利要求2所述的方法，其特征在于，所述获取训练样本包括：

获取第二光照条件下的训练图像，对所述第二光照条件下的训练图像进行伽马变换，获得对应的第一光照条件下的训练图像，所述第一光照条件下的训练图像和所述第二光照条件下的训练图像构成一对训练图像。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述待处理图像为对智能货柜中的货物进行图像采集获得的货物分布图。