图像处理方法、装置、电子设备和可读存储介质.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CN113658043A(43)申请公布日2021.11.16(21)申请号202110860833.5(22)申请日2021.07.28(71)申请人上海智砹芯半导体科技有限公司地址201700上海市青浦区双联路158号1幢11层B区1190室(72)发明人刘永劼(74)专利代理机构北京超凡宏宇专利代理事务所(特殊普通合伙)11463代理人唐正瑜(51)Int.Cl.G06T3/40(2006.01)G06T5/00(2006.01)G06N3/04(2006.01)权利要求书4页说明书18页附图2页(54)发明名称图像处理方法、装置、电子设备和可读存储介质(57)摘要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，该方法的一具体实施方式包括：获取待处理图像；利用预设处理规则对所述待处理图像进行去马赛克处理，得到去马赛克后的初始图像；利用神经网络处理器针对所述待处理图像输出的修正参数修正所述初始图像，得到目标图像。该方法降低了图像处理过程中对于NPU的依赖，继而降低了处理能耗和处理成本。CN113658043ACN113658043A权利要求书1/4页1.一种图像处理方法，其特征在于，包括：获取待处理图像；利用预设处理规则对所述待处理图像进行去马赛克处理，得到去马赛克后的初始图像；利用神经网络处理器针对所述待处理图像输出的修正参数修正所述初始图像，得到目标图像。2.根据权利要求1所述的方法，其特征在于，所述修正参数包括第一修正参数和第二修正参数；以及所述利用神经网络处理器针对所述待处理图像输出的修正参数修正所述初始图像，得到目标图像，包括：利用所述第一修正参数修正所述初始图像的去马赛克参数，得到修正后的中间图像；利用所述第二修正参数修正所述中间图像，得到目标图像。3.根据权利要求2所述的方法，其特征在于，所述第一修正参数包括插值权重参数，所述去马赛克参数包括插值参数；以及所述利用所述第一修正参数修正所述初始图像的去马赛克参数，得到修正后的中间图像，包括：利用所述插值权重参数修正所述插值参数，得到所述初始图像的各个像素点分别对应的插值结果；根据所述各个像素点分别对应的插值结果对所述各个像素点进行插值处理，得到所述中间图像。4.根据权利要求3所述的方法，其特征在于，所述神经网络处理器包括第一神经网络模型，所述插值权重参数由所述第一神经网络模型基于所述待处理图像得到；以及所述第一神经网络模型的训练步骤包括：获取第一样本图像集；所述第一样本图像集包括至少一个第一样本图像，所述第一样本图像包括RAW图像；将所述第一样本图像输入第一初始神经网络模型，并获得所述第一初始神经网络模型输出的所述第一样本图像的各个像素点分别对应的初始插值权重参数；利用预设插值规则得到所述各个像素点分别对应的初始插值参数；根据所述初始插值权重参数与所述初始插值参数，确定所述各个像素点分别对应的初始插值结果，并利用所述初始插值结果对所述第一样本图像进行插值处理，得到第一初始目标图像；利用第一预设损失函数确定所述第一初始目标图像与所述第一样本图像的预期图像之间的第一损失函数值；利用所述第一损失函数值调整所述第一初始神经网络模型对应的模型参数，以使所述第一初始神经网络模型收敛，得到所述第一神经网络模型。5.根据权利要求2所述的方法，其特征在于，所述第二修正参数包括残差修正参数；以及所述利用所述第二修正参数修正所述中间图像，得到目标图像，包括：利用所述残差修正参数修正所述中间图像，以消除所述中间图像与预期目标图像之间2CN113658043A权利要求书2/4页的残差，得到所述目标图像。6.根据权利要求5所述的方法，其特征在于，所述神经网络处理器包括第二神经网络模型，所述残差修正参数由所述第二神经网络模型基于所述待处理图像得到；以及所述第二神经网络模型的训练步骤包括：获取第二样本图像集；所述第二样本图像集包括至少一个第二样本图像，所述第二样本图像包括RAW图像；将所述第二样本图像输入第二初始神经网络模型，并获得所述第二初始神经网络模型输出的初始残差修正参数；利用预设处理规则得到所述第二样本图像所对应的去马赛克后图像；利用所述初始残差修正参数修正所述去马赛克后图像与预期初始目标图像之间的残差，得到第二初始目标图像；利用第二预设损失函数确定所述第二初始目标图像与所述预期初始目标图像之间的第二损失函数值；利用所述第二损失函数值调整所述第二初始神经网络模型对应的模型参数，以使所述第二初始神经网络模型收敛，得到所述第二神经网络模型。7.根据权利要求6所述的方法，其特征在于，在所述将所述第二样本图像输入第二初始神经网络模型之前，所述第二神经网络模型的训练步骤还包括：将所述第二样本图像进行色调映射处理，