图像处理方法、装置、电子设备和存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113706410A(43)申请公布日2021.11.26(21)申请号202110956618.5(22)申请日2021.08.19(71)申请人北京小米移动软件有限公司地址100085北京市海淀区西二旗中路33号院6号楼8层018号(72)发明人韩云辉(74)专利代理机构北京博思佳知识产权代理有限公司11415代理人林祥(51)Int.Cl.G06T5/00(2006.01)G06T7/90(2017.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书11页附图5页(54)发明名称图像处理方法、装置、电子设备和存储介质(57)摘要本公开是关于一种图像处理方法、装置、电子设备和存储介质，所述方法应用于终端设备，所述方法包括：将待处理图像输入至预先完成训练的神经网络，所述神经网络输出至少一级曲线参数图，其中，所述神经网络包括至少一个卷积层组，所述卷积层组包括依次连接的降通道层、核心卷积层和升通道层；根据所述待处理图像和所述至少一级曲线参数图，确定目标图像，其中，所述目标图像的亮度在标准亮度范围内。CN113706410ACN113706410A权利要求书1/3页1.一种图像处理方法，其特征在于，应用于终端设备，包括：将待处理图像输入至预先完成训练的神经网络，所述神经网络输出至少一级曲线参数图，其中，所述神经网络包括至少一个卷积层组，所述卷积层组包括依次连接的降通道层、核心卷积层和升通道层；根据所述待处理图像和所述至少一级曲线参数图，确定目标图像，其中，所述目标图像的亮度在标准亮度范围内。2.根据权利要求1所述的图像处理方法，其特征在于，所述降通道层的卷积核的宽和高均为1，所述降通道层的输出通道数小于所述降通道层的输入通道数；所述升通道层的卷积核的宽和高均为1，所述升通道层的输出通道数大于所述降通道层的输入通道数。3.根据权利要求1所述的图像处理方法，其特征在于，所述核心卷积层的卷积核的宽和高均大于1，所述核心卷积层的输入通道数与所述降通道层的输出通道数相等，所述核心卷积层的输出通道数与所述降通道层的入出通道数相等。4.根据权利要求3所述的图像处理方法，其特征在于，所述核心卷积层的的卷积核的数量与所述核心卷积层的输入通道数相同，每个所述卷积核用于对所述核心卷积层的一个通道的输入进行卷积。5.根据权利要求1所述的图像处理方法，其特征在于，所述神经网络还包括设置在所述至少一个卷积层组之前的初始卷积层，所述初始卷积层的输入为所述待处理图像，所述初始卷积层的卷积核的宽和高均大于1，所述初始卷积层的输出通道数为，所述至少一个卷积层组中第一个卷积层组的所述降通道层的输入通道数。6.根据权利要求5所述的图像处理方法，其特征在于，所述初始卷积层的卷积步长大于1；所述至少一个卷积层组中的每个卷积层组的卷积步长均为1。7.根据权利要求6所述的图像处理方法，其特征在于，所述至少一个卷积层组中，最后一个卷积层组中的所述升通道层的输出通道数大于所述降通道层的输入通道数，其他卷积层组中的所述升通道层的输出通道数等于所述降通道层的输入通道数；所述神经网络还包括设于所述最后一个卷积层组之后的上采样层，所述上采样层用于根据所述最后一个卷积层组的输出生成所述至少一级曲线参数图，其中，所述曲线参数图的高和宽等于所述待处理图像的高和宽。8.根据权利要求1所述的图像处理方法，其特征在于，所述神经网络还包括设置在所述至少一个卷积层组之间的拼接层；所述拼接层用于将之前的至少两个所述卷积层组的输出作为输入，并将全连接结果输出至之后的所述卷积层组。9.根据权利要求1所述的图像处理方法，其特征在于，所述根据所述待处理图像和所述至少一级曲线参数图，确定目标图像，包括：根据第i‑1级图像和第i级曲线参数图确定第i级图像，其中，i≥1，所述待处理图像为第0级图像；将第N级图像确定为所述目标图像，其中，N为所述至少一级曲线参数图的级数。10.根据权利要求1所述的图像处理方法，其特征在于，还包括：将图像训练集中的多个图像输入至所述神经网络，所述神经网络输出每个图像对应的至少一级曲线参数图，其中，所述多个图像的亮度值不等；2CN113706410A权利要求书2/3页根据每个图像和对应的所述至少一级曲线参数图，确定对应的预测图像；根据每个图像对应的所述至少一级曲线参数图确定平滑损失值，以及根据每个图像对应的预测图像和预设的参考亮度值，确定亮度损失值；根据每个图像的平滑损失值和亮度损失值，调节所述神经网络的网络参数。11.一种图像处理装置，其特征在于，应用于终端设备，包括：预测模块，用于将待处理图像输入至预先完成训练的神经网络，所述神经网络输出至少一级曲线参数图，其中，所述神