一种图像增强方法、装置、电子设备及存储介质与流程

本公开涉及图像处理技术领域，尤其涉及一种图像增强方法、装置、电子设备及存储介质。

背景技术：

个人用的消费级设备进行图像采集时，通常无法直接捕捉高动态范围的图像，而且也很难获取连续多帧不同曝光的图像，以进行多曝光融合从而得到高动态范围的图像。此时，基于单帧的图像增强技术显得尤为重要，其中，对单帧图像进行增强可以仅通过当前图像信息，调整图像亮度及对比度等参数，得到近似于多曝光融合的高动态范围的图像增强效果。

目前常用的单帧图像增强方法有：基于深度学习的图像增强方法。相关的基于深度学习的图像增强方法中，通过预先采集的数据集，学习原图到增强后图像的映射信息，并存储深度学习网络的参数，对待增强的图像进行自适应增强，获得较好的图像增强效果。

但是，由于是对高分辨率的原图直接进行卷积等操作，直接输出高分辨率的增强后图像，导致相关技术中基于深度学习的图像增强处理过程的复杂度高。

技术实现要素：

为克服相关技术中存在的问题，本公开提供一种图像增强方法、装置、电子设备及存储介质，以在保持基于深度学习获得的图像增强效果的同时，降低图像增强处理的复杂度。

根据本公开实施例的第一方面，提供一种图像增强方法，包括：

获取待增强的目标图像，并对所述目标图像进行下采样处理，得到下采样图像；

将所述下采样图像输入预先训练的深度学习网络，得到所述下采样图像对应的图像增强数据；其中，所述深度学习网络是根据样本图像和所述样本图像对应的样本增强图像训练得到的，所述图像增强数据为表征所述下采样图像增强后的图像相对于所述下采样图像的增强程度的数据；

确定所述目标图像中的每一像素点在所述下采样图像中的匹配点；

针对所述目标图像中的每一像素点，基于所述图像增强数据中该像素点的匹配点所对应的增强数据，确定该像素点对应的目标增强参数；

针对所述目标图像中的每一像素点，基于该像素点对应的目标增强参数，调整该像素点的像素值，得到所述目标图像对应的增强图像。

可选地，所述确定所述目标图像中的每一像素点在所述下采样图像中的匹配点，包括：

针对所述目标图像中的每一像素点，确定该像素点在所述下采样图像中的对应像素点，在以所述对应像素点为中心且大小为m×n的搜索区域内，查找与所述对应像素点的像素值之差的绝对值最小的像素点，将查找到的像素点作为该像素点在所述下采样图像中的匹配点；

其中，对于所述目标图像中坐标为(u，v)的像素点，该像素点在下采样图像中的对应像素点的坐标为(u/x，v/x)，x表示下采样倍数。

可选地，所述图像增强数据包括：所述下采样图像中每一像素点映射为相应像素点的映射参数，任一像素点的相应像素点为所述下采样图像增强后的图像中与该像素点位置相同的像素点；

所述针对所述目标图像中的每一像素点，基于所述图像增强数据中该像素点的匹配点所对应的增强数据，确定该像素点对应的目标增强参数，包括：

针对所述目标图像中的每一像素点，从各个映射参数中，确定与该像素点的匹配点所对应的目标参数，将所确定的目标参数作为该像素点对应的目标增强参数。

可选地，所述图像增强数据包括：所述下采样图像增强后的图像；

所述针对所述目标图像中的每一像素点，基于所述图像增强数据中该像素点的匹配点所对应的增强数据，确定该像素点对应的目标增强参数，包括：

针对所述目标图像中的每一像素点，确定所述下采样图像增强后的图像中，与该像素点的匹配点位置相同的目标点，计算所述目标点的像素值与该像素点的匹配点的像素值的比值，将所述比值确定为该像素点对应的目标增强参数。

可选地，所述针对所述目标图像中的每一像素点，基于该像素点对应的目标增强参数，调整该像素点的像素值，包括：

针对所述目标图像中的每一像素点，基于该像素点对应的目标增强参数，通过以下公式对该像素点的像素值进行调整：

aip＝op

其中，a表示该像素点对应的目标增强参数，ip表示调整之前该像素点的像素值，op表示调整之后该像素点的像素值。

可选地，所述方法还包括：

确定所述目标图像在rgb色彩模式下的第一rgb图像，以及所述增强图像在rgb色彩模式下的第二rgb图像；

生成所述第一rgb图像对应的第一亮度图像，所述第一亮度图像中任一像素点的亮度值为：该像素点对应的第一像素点的rgb通道值中的最大值，所述第一像素点为所述第一rgb图像中与该像素点位置相同的像素点；

生成所述第二rgb图像对应的第二亮度图像，所述第二亮度图像中任一像素点的亮度值为：该像素点对应的第二像素点的rgb通道值中的最大值，所述第二像素点为所述第二rgb图像中与该像素点位置相同的像素点；

计算所述第二亮度图像相对于所述第一亮度图像的增益参数；

基于所计算得到的增益参数，对所述第二rgb图像进行亮度增强处理，得到亮度增强图像。

可选地，所述计算所述第二亮度图像相对于所述第一亮度图像的增益参数，包括：

计算所述第二亮度图像相对于所述第一亮度图像的增益参数：

其中，rp表示所述第二亮度图像中一像素点相对于所述第一亮度图像中相应像素点的增益参数，vop表示所述第二亮度图像中所述一像素点的亮度值，vip表示所述第一亮度图像中所述相应像素点的亮度值。

可选地，所述基于所计算得到的增益参数，对所述第二rgb图像进行亮度增强处理，得到亮度增强图像，包括：

基于所计算得到的增益参数，通过以下公式对所述第二rgb图像进行亮度增强处理，得到亮度增强图像：

y‘p，c＝yp，c*rp

其中，y‘p，c表示所述亮度增强图像中一像素点的通道c的通道值，yp，c表示所述第二rgb图像中相应像素点的通道c的通道值，c的取值为1，2，3，1表示r通道，2表示g通道，3表示b通道，rp表示所述第二亮度图像中一像素点相对于所述第一亮度图像中相应像素点的增益参数，所述亮度增强图像中所述一像素点、所述第二rgb图像中所述相应像素点、所述第二亮度图像中所述一像素点和所述第一亮度图像中所述相应像素点的坐标相同。

可选地，所述计算所述第二亮度图像相对于所述第一亮度图像的增益参数，包括：

对所述第二亮度图像进行曝光校正处理，得到第三亮度图像；

计算所述第三亮度图像相对于所述第一亮度图像的增益参数。

可选地，所述对所述第二亮度图像进行曝光校正处理，得到第三亮度图像，包括：

通过以下公式对所述第二亮度图像进行曝光校正处理，得到第三亮度图像：

其中，v′op表示所述第三亮度图像中一像素点的像素值，vop表示所述第二亮度图像中相应像素点的像素值，vmin表示所述第二亮度图像中的最小像素值，vmax表示所述第二亮度图像中的最大像素值，thl表示第一预设阈值，thh表示第二预设阈值，thl和thh满足：0＜thl＜thh＜1。

可选地，在所述基于所计算得到的增益参数，对所述第二rgb图像进行亮度增强处理，得到亮度增强图像的步骤之后，所述方法还包括：

对所述亮度增强图像进行色彩增强处理，得到色彩增强图像。

可选地，所述对所述亮度增强图像进行色彩增强处理，得到色彩增强图像，包括：

通过以下公式对所述亮度增强图像进行色彩增强处理，得到色彩增强图像：

其中，y″p，c表示所述色彩增强图像中一像素点的通道c的通道值，y‘p，c表示所述亮度增强图像中相应像素点的通道c的通道值，yp，c表示所述第二rgb图像中相应像素点的通道c的通道值，c的取值为1，2，3，th1，th2和th3表分别示r，g和b通道对应的第三预设阈值。

根据本公开实施例的第二方面，提供一种图像增强装置，包括：

获取模块，被配置为获取待增强的目标图像，并对所述目标图像进行下采样处理，得到下采样图像；

处理模块，被配置为将所述下采样图像输入预先训练的深度学习网络，得到所述下采样图像对应的图像增强数据；其中，所述深度学习网络是根据样本图像和所述样本图像对应的样本增强图像训练得到的，所述图像增强数据为表征所述下采样图像增强后的图像相对于所述下采样图像的增强程度的数据；

第一确定模块，被配置为确定所述目标图像中的每一像素点在所述下采样图像中的匹配点；

第二确定模块，被配置为针对所述目标图像中的每一像素点，基于所述图像增强数据中该像素点的匹配点所对应的增强数据，确定该像素点对应的目标增强参数；

调整模块，被配置为针对所述目标图像中的每一像素点，基于该像素点对应的目标增强参数，调整该像素点的像素值，得到所述目标图像对应的增强图像。

可选地，所述第一确定模块，具体被配置为针对所述目标图像中的每一像素点，确定该像素点在所述下采样图像中的对应像素点，在以所述对应像素点为中心且大小为m×n的搜索区域内，查找与所述对应像素点的像素值之差的绝对值最小的像素点，将查找到的像素点作为该像素点在所述下采样图像中的匹配点；

其中，对于所述目标图像中坐标为(u，v)的像素点，该像素点在下采样图像中的对应像素点的坐标为(u/x，v/x)，x表示下采样倍数。

可选地，所述图像增强数据包括：所述下采样图像中每一像素点映射为相应像素点的映射参数，任一像素点的相应像素点为所述下采样图像增强后的图像中与该像素点位置相同的像素点；

所述第二确定模块，具体被配置为针对所述目标图像中的每一像素点，从各个映射参数中，确定与该像素点的匹配点所对应的目标参数，将所确定的目标参数作为该像素点对应的目标增强参数。

可选地，所述图像增强数据包括：所述下采样图像增强后的图像；

所述第二确定模块，具体被配置为针对所述目标图像中的每一像素点，确定所述下采样图像增强后的图像中，与该像素点的匹配点位置相同的目标点，计算所述目标点的像素值与该像素点的匹配点的像素值的比值，将所述比值确定为该像素点对应的目标增强参数。

可选地，所述调整模块，具体被配置为针对所述目标图像中的每一像素点，基于该像素点对应的目标增强参数，通过以下公式对该像素点的像素值进行调整：

aip＝op

其中，a表示该像素点对应的目标增强参数，ip表示调整之前该像素点的像素值，op表示调整之后该像素点的像素值。

可选地，所述装置还包括：

第三确定模块，被配置为确定所述目标图像在rgb色彩模式下的第一rgb图像，以及所述增强图像在rgb色彩模式下的第二rgb图像；

第一生成模块，被配置为生成所述第一rgb图像对应的第一亮度图像，所述第一亮度图像中任一像素点的亮度值为：该像素点对应的第一像素点的rgb通道值中的最大值，所述第一像素点为所述第一rgb图像中与该像素点位置相同的像素点；

第二生成模块，被配置为生成所述第二rgb图像对应的第二亮度图像，所述第二亮度图像中任一像素点的亮度值为：该像素点对应的第二像素点的rgb通道值中的最大值，所述第二像素点为所述第二rgb图像中与该像素点位置相同的像素点；

计算模块，被配置为计算所述第二亮度图像相对于所述第一亮度图像的增益参数；

第一增强模块，被配置为基于所计算得到的增益参数，对所述第二rgb图像进行亮度增强处理，得到亮度增强图像。

可选地，所述计算模块，具体被配置为计算所述第二亮度图像相对于所述第一亮度图像的增益参数：

其中，rp表示所述第二亮度图像中一像素点相对于所述第一亮度图像中相应像素点的增益参数，vop表示所述第二亮度图像中所述一像素点的亮度值，vip表示所述第一亮度图像中所述相应像素点的亮度值。

可选地，所述第一增强模块，具体被配置为基于所计算得到的增益参数，通过以下公式对所述第二rgb图像进行亮度增强处理，得到亮度增强图像：

y‘p，c＝yp，c*rp

其中，y‘p，c表示所述亮度增强图像中一像素点的通道c的通道值，yp，c表示所述第二rgb图像中相应像素点的通道c的通道值，c的取值为1，2，3，1表示r通道，2表示g通道，3表示b通道，rp表示所述第二亮度图像中一像素点相对于所述第一亮度图像中相应像素点的增益参数，所述亮度增强图像中所述一像素点、所述第二rgb图像中所述相应像素点、所述第二亮度图像中所述一像素点和所述第一亮度图像中所述相应像素点的坐标相同。

可选地，所述计算模块包括：校正单元和计算单元；

所述校正单元，被配置为对所述第二亮度图像进行曝光校正处理，得到第三亮度图像；

所述计算单元，被配置为计算所述第三亮度图像相对于所述第一亮度图像的增益参数。

可选地，所述校正单元，具体被配置为通过以下公式对所述第二亮度图像进行曝光校正处理，得到第三亮度图像：

其中，v′op表示所述第三亮度图像中一像素点的像素值，vop表示所述第二亮度图像中相应像素点的像素值，vmin表示所述第二亮度图像中的最小像素值，vmax表示所述第二亮度图像中的最大像素值，thl表示第一预设阈值，thh表示第二预设阈值，thl和thh满足：0＜thl＜thh＜1。

可选地，所述装置还包括：

第二增强模块，被配置为对所述亮度增强图像进行色彩增强处理，得到色彩增强图像。

可选地，所述第二增强模块，具体被配置为通过以下公式对所述亮度增强图像进行色彩增强处理，得到色彩增强图像：

其中，y″p，c表示所述色彩增强图像中一像素点的通道c的通道值，y‘p，c表示所述亮度增强图像中相应像素点的通道c的通道值，yp，c表示所述第二rgb图像中相应像素点的通道c的通道值，c的取值为1，2，3，th1，th2和th3表分别示r，g和b通道对应的第三预设阈值。

根据本公开实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行所述存储器上所存放的程序时，实现如上第一方面所述的图像增强方法。

根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上第一方面所述的图像增强方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备能够执行如上第一方面所述的图像增强方法。

本公开的实施例提供的技术方案可以包括以下有益效果：通过对高分辨率的目标图像进行下采样处理，并将得到的低分辨率的下采样图像输入深度学习网络，降低了图像增强处理的复杂度。而且在将下采样图像输入深度学习网络后，基于得到的下采样图像对应的图像增强数据，以及目标图像与下采样图像的像素点匹配结果，对目标图像的每一像素点进行映射处理，得到目标图像对应的增强图像。因而所得到的增强图像具有目标图像的高分辨率，而且保持了基于深度学习所获得的较好的图像增强效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种图像增强方法的流程图；

图2是根据另一示例性实施例示出的一种图像增强方法的流程图；

图3是根据另一示例性实施例示出的一种图像增强方法的流程图；

图4是根据一示例性实施例示出的一种图像增强装置的框图；

图5是根据一示例性实施例示出的一种电子设备的框图；

图6是根据一示例性实施例示出的一种用于图像增强的装置的框图；

图7是根据一示例性实施例示出的另一种用于图像增强的装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

高动态范围(high-dynamicrange，hdr)的图像，相比低动态范围(low-dynamicrange，ldr)的图像，可以提供更多的动态范围和图像细节。根据不同的曝光时间的ldr图像，利用每个曝光时间相对应最佳细节的ldr图像可以合成最终的hdr图像，所合成的hdr图像能够更好的反映人和物在真实环境中的视觉效果。

在消费级设备中，通常无法直接捕捉高动态范围的图像，而且也很难获取连续多帧不同曝光的图像，以进行多曝光融合从而得到高动态范围的图像。由此，基于单帧的图像增强技术显得尤为重要。基于单帧的图像增强可以通过调整当前图像的亮度和对比度等参数，得到近似于多曝光融合的图像增强效果。

目前，常用的单帧图像增强方法有：基于深度学习的图像增强方法。但是，由于相关的基于深度学习的图像增强方法由于是对高分辨率的原图直接进行卷积操作，直接输出高分辨率的增强图像，导致基于深度学习的图像增强处理过程的复杂度高。

为了解决现有技术的问题，本公开实施例提供了一种图像增强方法、装置、电子设备及存储介质。

下面，首先对本公开实施例所提供的一种图像增强方法进行介绍。

图1是根据一示例性实施例示出的一种图像增强方法的流程图，如图1所示，一种图像增强方法可以包括以下步骤：

在步骤s11中，获取待增强的目标图像，并对目标图像进行下采样处理，得到下采样图像。

本实施例所示出的一种图像增强方法的执行主体可以为电子设备。在具体应用中，该电子设备可以为终端设备或服务器。例如：智能手机、平板电脑和台式计算机等。当电子设备需要对某一图像进行图像增强处理时，可以将该图像作为待增强的目标图像。

目标图像可以是高分辨率的图像。而且，目标图像可以是单通道图像，也可以是多通道图像。其中，多通道图像的颜色空间可以是：rgb(red，green，blue，红绿蓝)、yuv(luminance，chrominance，chroma，明亮度，色度，浓度)或其他颜色空间，本公开对此并不限定。

电子设备可以通过内置或外置的摄像装置拍摄目标图像，也可以与其他设备进行通信，接收其他设备发送的目标图像。本公开对电子设备获取目标图像的方式并不限定。

当电子设备获取目标图像后，可以对该目标图像进行下采样处理，从而得到下采样图像。所得到的下采样图像可以进一步地被输入深度学习网络，由深度学习网络对下采样图像进行图像增强处理。

本实施例中，可以对目标图像进行x倍的下采样处理，这样，所得到的下采样图像的分辨率、宽度和高度均为目标图像的相应参数的1/x倍。

在步骤s12中，将下采样图像输入预先训练的深度学习网络，得到下采样图像对应的图像增强数据。

为了对下采样图像进行图像增强处理，在本实施例中，可以预先根据样本图像和样本图像对应的样本增强图像，对深度学习网络进行训练，得到训练好的深度学习网络。其中，样本图像和对应的样本增强图像是用于训练的训练样本。可以在现有的训练库中获取样图像和对应的样本增强图像作为训练样本。样本增强图像可以采用多曝光融合的方式得到，也可以采用其他的单帧图像增强方法得到，本公开对此不进行限定。而且，在本实施例中，为了便于训练，样本图像和对应的样本增强图像的分辨率可以和下采样图像的分辨率相同。

本实施例中，深度学习网络的结构可以为现有的任一种深度学习的网络模型。具体在训练时，可以根据实际需要，确定训练样本的个数。同时，也可以设定合理的损失函数或目标函数以及对应的目标值，来确定深度学习网络是否训练好。

当深度学习网络训练好后，深度学习网络的网络参数就确定了。由于深度学习网络是根据样本图像和对应的样本增强图像进行训练的，因而将下采样图像输入训练好的深度学习网络后，可以得到下采样图像对应的图像增强数据。该图像增强数据是表征下采样图像增强后的图像相对于下采样图像的增强程度的数据。该图像增强数据的形式可以有多种，例如：图像增强数据可以包括下采样图像中每一像素点映射为相应像素点的映射参数，其中，任一像素点的相应像素点为所述下采样图像增强后的图像中与该像素点位置相同的像素点。又例如，图像增强数据可以包括下采样图像增强后的图像。而且，可以理解的是，深度学习网络的输出结果与下采样图像对应的图像增强数据的类型相同，也就是说，当深度学习网络的输出结果为映射参数时，下采样图像对应的图像增强数据为映射参数，而当深度学习网络的输出结果为增强图像时，下采样图像对应的图像增强数据为下采样图像增强后的图像。

在步骤s13中，确定目标图像中的每一像素点在下采样图像中的匹配点。

由于下采样图像的分辨率低于目标图像的分辨率，所以下采样图像对应的图像增强数据与目标图像并不对应。为了得到目标图像对应的增强图像，在本实施例中，可以先确定出目标图像中每一像素点在下采样图像中的匹配点，然后，再确定该像素点对应的目标增强参数，最后，利用该目标增强参数对该像素点的像素值进行调整。

一种实现方式中，确定目标图像中的每一像素点在下采样图像中的匹配点，可以包括：

针对目标图像中的每一像素点，确定该像素点在下采样图像中的对应像素点，在以对应像素点为中心且大小为m×n的搜索区域内，查找与对应像素点的像素值之差的绝对值最小的像素点，将查找到的像素点作为该像素点在下采样图像中的匹配点。

其中，对于目标图像中坐标为(u，v)的像素点，该像素点在下采样图像中的对应像素点的坐标为(u/x，v/x)，x表示下采样倍数。

在上述实现方式中，若u/x或v/x的值不为整数，则向下取整。例如，目标图像中的一像素点的坐标为(9，9)，x为2，则对应像素点的坐标为(4，4)。

搜索区域的范围可以根据实际需要进行设定。例如：m×n为3×3。通常可以将m和n设置为奇数。当某一搜索区域的部分超出下采样图像的边界，即该搜索区域内包含了不在下采样图像中的虚拟像素点，则以该搜索区域内所包含的下采样图像中的像素点作为查找对象，进行查找。例如，对应像素点的坐标为(1，4)，搜索区域的大小为3×3，则搜所区域包含5个下采样图像中的像素点，坐标分别为(1，3)、(1，5)、(2，3)、(2，4)和(2，4)，那么查找范围即为这5个像素点。

对于目标图像中坐标为(u，v)的像素点，将搜索区域内与对应像素点的像素值之差的绝对值最小的像素点，作为该像素点(u，v)在下采样图像中的匹配点，意味着：所查找到的匹配点是在下采样图像中与该像素点(u，v)最接近的像素点。

在步骤s14中，针对目标图像中的每一像素点，基于图像增强数据中该像素点的匹配点所对应的增强数据，确定该像素点对应的目标增强参数。

针对目标图像中的每一像素点，确定出该像素点在下采样图像中的匹配点之后，就可以基于该匹配点对应的增强数据，确定该像素点对应的目标增强参数，并进一步基于该目标增强参数对该像素点的像素值进行调整。

具体的，图像增强数据的形式不同，确定目标图像中每一像素点对应的目标增强参数的方式也不同。以下给出两种方式进行说明。

可选地，在第一种方式中，图像增强数据可以包括：下采样图像中每一像素点映射为相应像素点的映射参数，任一像素点的相应像素点为下采样图像增强后的图像中与该像素点位置相同的像素点。所谓的将一像素点映射为相应像素点，具体指：将一像素点的像素值调整为相应像素点的像素值。

相应地，针对目标图像中的每一像素点，基于图像增强数据中该像素点的匹配点所对应的增强数据，确定该像素点对应的目标增强参数，可以包括：

针对目标图像中的每一像素点，从各个映射参数中，确定与该像素点的匹配点所对应的目标参数，将所确定的目标参数作为该像素点对应的目标增强参数。

在第一种方式中，当目标图像为单通道图像时，下采样图像中每一像素点映射为相应像素点的映射参数可以为一实数；当目标图像为三通道时，下采样图像中每一像素点映射为相应像素点的映射参数可以为一3×4的矩阵，该矩阵中包含下采样图像中每一像素点的三个通道值分别映射为相应像素点的相应通道值的映射参数，该矩阵可以表示为：

其中，m1表示下采样图像中每一像素点的第一通道值映射为相应像素点的第一通道值的映射参数，m2表示下采样图像中每一像素点的第二通道值映射为相应像素点的第二通道值的映射参数，m3表示下采样图像中每一像素点的第三通道值映射为相应像素点的第三通道值的映射参数。

可选地，在第二种方式中，图像增强数据包括：下采样图像增强后的图像。

相应地，针对目标图像中的每一像素点，基于图像增强数据中该像素点的匹配点所对应的增强数据，确定该像素点对应的目标增强参数，可以包括：

针对目标图像中的每一像素点，确定下采样图像增强后的图像中，与该像素点的匹配点位置相同的目标点，计算目标点的像素值与该像素点的匹配点的像素值的比值，将比值确定为该像素点对应的目标增强参数。

在第二种方式中，当目标图像为单通道图像时，目标点的像素值与该像素点的匹配点的像素值的比值可以为一实数；当目标图像为三通道时，目标点的像素值与该像素点的匹配点的像素值的比值包括：目标点的三个通道值与该像素点的匹配点的相应通道值的比值。

下采样图像增强后的图像相比于下采样图像，体现了图像增强的映射关系。因此，基于该映射关系，可以确定出目标图像中的每一像素点对应的目标增强参数。具体的，该映射关系可以是：下采样图像中每一像素点的目标点的像素值与下采样图像中该像素点的像素值的比值。

在步骤s15中，针对目标图像中的每一像素点，基于该像素点对应的目标增强参数，调整该像素点的像素值，得到目标图像对应的增强图像。

针对目标图像中的每一像素点，在确定出该像素点对应的目标增强参数后，就可以基于该目标增强参数对该像素点的像素值进行调整。这个调整过程就是对目标图像进行图像增强处理的过程。

可选地，在一种实现方式中，针对目标图像中的每一像素点，基于该像素点对应的目标增强参数，调整该像素点的像素值，可以包括：

基于该像素点对应的目标增强参数，通过以下公式对该像素点的像素值进行调整：

aip＝op

其中，a表示该像素点对应的目标增强参数，ip表示调整之前该像素点的像素值，op表示调整之后该像素点的像素值。

具体的，当目标图像的形式不同时，上述目标增强参数的形式也不同。例如，当目标图像为单通道图像时，上述目标增强参数可以为一实数；当目标图像为三通道图像时，上述目标增强参数可以是一3×4的矩阵，该矩阵中包含该像素点对应的三个通道的目标增强参数，该矩阵可以表示为：

其中，t1表示该像素点对应的第一通道的目标增强参数，t2表示该像素点对应的第二通道的目标增强参数，t3表示该像素点对应的第三通道的目标增强参数。

在上述公式中，对目标图像中的每一像素点的像素值进行了调整，也就实现了对目标图像进行了图像增强处理。因而，所得到的增强图像是对目标图像进行了图像增强处理后的图像。

本公开的实施例提供的技术方案可以包括以下有益效果：通过对高分辨率的目标图像进行下采样处理，并将得到的低分辨率的下采样图像输入深度学习网络，降低了图像增强处理的复杂度。而且在将下采样图像输入深度学习网络后，基于得到的下采样图像对应的图像增强数据，以及目标图像与下采样图像的像素点匹配结果，对目标图像的每一像素点进行映射处理，得到目标图像对应的增强图像。因而所得到的增强图像具有目标图像的高分辨率，而且保持了基于深度学习所获得的较好的图像增强效果。

基于步骤s11-s15实现了对目标图像进行图像增强，图像增强的效果具体是基于训练好的深度学习网络实现的。但在实际应用中，由于训练集有限，而实际应用场景总是千变万化，也就是说，会出现由于训练集有限而不能针对可能出现的任意场景的图像，都产生较好的图像增强效果。通常情况下，由于训练集有限，会使得增强图像出现偏色、过曝和欠爆等问题。在这种情况下，可以在步骤s15所得到的增强图像的基础上，对增强图像进行进一步图像增强处理。

在图2所示实施例中，具体是针对上述偏色问题对增强图像进行进一步图像增强处理。

图2是根据另一示例性实施例示出的一种图像增强方法的流程图，如图2所示，一种图像增强方法可以包括以下步骤：

在步骤s21中，获取待增强的目标图像，并对目标图像进行下采样处理，得到下采样图像。

在步骤s22中，将下采样图像输入预先训练的深度学习网络，得到下采样图像对应的图像增强数据。

在步骤s23中，确定目标图像中的每一像素点在下采样图像中的匹配点。

在步骤s24中，针对目标图像中的每一像素点，基于图像增强数据中该像素点的匹配点所对应的增强数据，确定该像素点对应的目标增强参数。

在步骤s25中，针对目标图像中的每一像素点，基于该像素点对应的目标增强参数，调整该像素点的像素值，得到目标图像对应的增强图像。

以上步骤s21-s25可以与步骤s11-s15完全相同，这里不再赘述。

在步骤s26中，确定目标图像在rgb色彩模式下的第一rgb图像，以及增强图像在rgb色彩模式下的第二rgb图像。

在本实施例中，目标图像为三通图像。若目标图像的色彩模式为rgb色彩模式，则直接将目标图像作为第一rgb图像；若目标图像的色彩模式为yuv或其他色彩模式，则将目标图像的色彩模式转换为rgb色彩模式，得到第一rgb图像。转换的方法可以参考现有技术，这里不进行详细介绍。

同样，对于增强图像，也可以参考确定目标图像在rgb色彩模式下的第一rgb图像的方式，确定出增强图像在rgb色彩模式下的第二rgb图像。

在步骤s27中，生成第一rgb图像对应的第一亮度图像，第一亮度图像中任一像素点的亮度值为：该像素点对应的第一像素点的rgb通道值中的最大值，第一像素点为第一rgb图像中与该像素点位置相同的像素点。

所生成的第一亮度图像，可以用于与下述步骤所生成的第二亮度图像，确定出第二亮度图像相对于第一亮度图像的增益参数。

在步骤s28中，生成第二rgb图像对应的第二亮度图像，第二亮度图像中任一像素点的亮度值为：该像素点对应的第二像素点的rgb通道值中的最大值，第二像素点为第二rgb图像中与该像素点位置相同的像素点。

所生成的第二亮度图像，可以用于与上述步骤所生成的第一亮度图像，确定出第二亮度图像相对于第一亮度图像的增益参数。

在步骤s29中，计算第二亮度图像相对于第一亮度图像的增益参数。

在生成了第一亮度图像和第二亮度图像后，可以基于第一亮度图像和第二亮度图像，确定出第二亮度图像相对于第一亮度图像的增益参数。

可选地，在一种实现方式中，计算第二亮度图像相对于第一亮度图像的增益参数，可以包括：

计算第二亮度图像相对于第一亮度图像的增益参数：

其中，rp表示第二亮度图像中一像素点相对于第一亮度图像中相应像素点的增益参数，vop表示第二亮度图像中一像素点的亮度值，vip表示第一亮度图像中相应像素点的亮度值。

在上述实现方式中，vop和vip均为归一化后的亮度值。通过上述公式可以看出，上述增益参数体现了第二亮度图像中一像素点相对于第一亮度图像中相应像素点的亮度变化情况。其中，对于第一亮度图像中的亮度值为0的黑色像素点，可以将增益参数设置为0，即第一亮度图像中的黑色像素点在第二亮度图像中的相应像素点仍然为黑色。基于该变化情况可以进一步对第二rgb图像进行亮度增强处理。

在步骤s210中，基于所计算得到的增益参数，对第二rgb图像进行亮度增强处理，得到亮度增强图像。

在计算得到第二亮度图像相对于第一亮度图像的增益参数后，可以基于该增益参数，对第二rgb图像进行亮度增强处理。

可选地，在一种实现方式中，基于所计算得到的增益参数，对第二rgb图像进行亮度增强处理，得到亮度增强图像，可以包括：

基于所计算得到的增益参数，通过以下公式对第二rgb图像进行亮度增强处理，得到亮度增强图像：

y‘p，c＝yp，c*rp

其中，y‘p，c表示亮度增强图像中一像素点的通道c的通道值，yp，c表示第二rgb图像中相应像素点的通道c的通道值，c的取值为1，2，3，1表示r通道，2表示g通道，3表示b通道，rp表示第二亮度图像中一像素点相对于第一亮度图像中相应像素点的增益参数，亮度增强图像中一像素点、第二rgb图像中相应像素点、第二亮度图像中一像素点和第一亮度图像中相应像素点的坐标相同。

在上述实现方式中，第二rgb图像和亮度增强图像均为三通图像，而且色彩模式均为rgb色彩模式。

本公开的实施例提供的技术方案可以包括以下有益效果：通过对高分辨率的目标图像进行下采样处理，并将得到的低分辨率的下采样图像输入深度学习网络，降低了图像增强处理的复杂度。而且在将下采样图像输入深度学习网络后，基于得到的下采样图像对应的图像增强数据，以及目标图像与下采样图像的像素点匹配结果，对目标图像的每一像素点进行映射处理，得到目标图像对应的增强图像。因而所得到的增强图像具有目标图像的高分辨率，而且保持了基于深度学习所获得的较好的图像增强效果。进一步地，基于目标图像和增强图像在rgb模式下的rgb图像，生成各自对应的亮度图像，确定出增益参数，最后基于该增益参数对增强图像在rgb模式下的rgb图像进行了亮度增强处理，由于对rgb三个通道的通道值都进行了亮度调整，解决了基于深度学习进行图像增强时，由于训练集有限，使得增强图像出现的偏色问题。

在实际应用中，基于深度学习进行图像增强时，由于训练集有限，还有可能会出现过曝或欠爆的问题。针对这一问题，在图2所示实施例中，可选地，步骤s29中的计算第二亮度图像相对于第一亮度图像的增益参数，可以包括：

对第二亮度图像进行曝光校正处理，得到第三亮度图像；

计算第三亮度图像相对于第一亮度图像的增益参数。

具体的，对第二亮度图像进行曝光校正处理后，所得到的第三亮度图像中不存在过曝或欠爆的像素点，这样，可以利用第三亮度图像，计算第三亮度图像相对于第一亮度图像的增益参数。

可选地，在一种实现方式中，对第二亮度图像进行曝光校正处理，得到第三亮度图像，可以包括：

通过以下公式对第二亮度图像进行曝光校正处理，得到第三亮度图像：

其中，v′op表示第三亮度图像中一像素点的像素值，vop表示第二亮度图像中相应像素点的像素值，vmin表示第二亮度图像中的最小像素值，vmax表示第二亮度图像中的最大像素值，thl表示第一预设阈值，thh表示第二预设阈值，thl和thh满足：0＜thl＜thh＜1。

在上述公式中，当vop＜thl时，说明第二亮度图像中的相应像素点出现了欠爆的情况，可以调整vop，使得vop的值增大；当vop＞thh时，说明第二亮度图像中的相应像素点出现了过爆的情况，可以调整vop，使得vop的值减小。而当thl≤vop≤thh时，说明第二亮度图像中的相应像素点不存在欠爆或过曝的问题，可以不调整vop。

上述第一预设阈值和第二预设阈值可以根据实际情况确定，通常，第一预设阈值可以是大于0且和0较为接近的一个数值，第二预设阈值可以是小于1且和1较为接近的一个数值。

计算第三亮度图像相对于第一亮度图像的增益参数的方式，可以参考步骤29中计算第二亮度图像相对于第一亮度图像的增益参数的方式。

在以上实施例中，当目标图像是多通道图像时，所得到亮度增强图像，是对每个通道的通道值进行相同程度的亮度调整之后的图像，为了进一步提高图像增强的效果，本公开提供了可以针对每个通道分别进行调整的图像增强方法，由于是对每个通道分别进行调整，且每个通道对应不同的颜色，所以实质上是对亮度增强图像进行色彩增强处理。

图3是根据另一示例性实施例示出的一种图像增强方法的流程图，如图3所示，一种图像增强方法可以包括以下步骤。

在步骤s31中，获取待增强的目标图像，并对目标图像进行下采样处理，得到下采样图像。

在步骤s32中，将下采样图像输入预先训练的深度学习网络，得到下采样图像对应的图像增强数据。

在步骤s33中，确定目标图像中的每一像素点在下采样图像中的匹配点。

在步骤s34中，针对目标图像中的每一像素点，基于图像增强数据中该像素点的匹配点所对应的增强数据，确定该像素点对应的目标增强参数。

在步骤s35中，针对目标图像中的每一像素点，基于该像素点对应的目标增强参数，调整该像素点的像素值，得到目标图像对应的增强图像。

在步骤s36中，确定目标图像在rgb色彩模式下的第一rgb图像，以及增强图像在rgb色彩模式下的第二rgb图像。

在步骤s37中，生成第一rgb图像对应的第一亮度图像，第一亮度图像中任一像素点的亮度值为：该像素点对应的第一像素点的rgb通道值中的最大值，第一像素点为第一rgb图像中与该像素点位置相同的像素点。

在步骤s38中，生成第二rgb图像对应的第二亮度图像，第二亮度图像中任一像素点的亮度值为：该像素点对应的第二像素点的rgb通道值中的最大值，第二像素点为第二rgb图像中与该像素点位置相同的像素点。

在步骤s39中，计算第二亮度图像相对应第一亮度图像的增益参数。

在步骤s310中，基于所计算得到的增益参数，对第二rgb图像进行亮度增强处理，得到亮度增强图像。

以上步骤s31-s310可以与步骤s21-s210完全相同，这里不再赘述。

在步骤s311中，对亮度增强图像进行色彩增强处理，得到色彩增强图像。

可选地，在一种实现方式中，对亮度增强图像进行色彩增强处理，得到色彩增强图像，可以包括：

通过以下公式对亮度增强图像进行色彩增强处理，得到色彩增强图像：

其中，y″p，c表示色彩增强图像中一像素点的通道c的通道值，y‘p，c表示亮度增强图像中相应像素点的通道c的通道值，yp，c表示第二rgb图像中相应像素点的通道c的通道值，c的取值为1，2，3，th1，th2和th3表分别示r，g和b通道对应的第三预设阈值。

在上述实现方式中，可以针对r，g和b三个通道分别设置不同的第三预设阈值。具体的，若c为1，则y″p，c表示色彩增强图像中一像素点的r通道的通道值，y‘p，c表示亮度增强图像中相应像素点的r通道的通道值，yp，c表示第二rgb图像中相应像素点的r通道的通道值；若c为2，则y″p，c表示色彩增强图像中一像素点的g通道的通道值，y‘p，c表示亮度增强图像中相应像素点的g通道的通道值，yp，c表示第二rgb图像中相应像素点的g通道的通道值；若c为3，则y″p，c表示色彩增强图像中一像素点的b通道的通道值，y‘p，c表示亮度增强图像中相应像素点的b通道的通道值，yp，c表示第二rgb图像中相应像素点的b通道的通道值。

在上述公式中，第三预设阈值表示了对亮度增强图像相对于第二rgb图像的每一通道的亮度调整程度的接受程度。

对亮度增强图像中所有像素点的rgb三个通道的通道值分别进行了调整之后，即得到了色彩增强处理后的色彩增强图像。

本公开的实施例提供的技术方案可以包括以下有益效果：通过对高分辨率的目标图像进行下采样处理，并将得到的低分辨率的下采样图像输入深度学习网络，降低了图像增强处理的复杂度。而且在将下采样图像输入深度学习网络后，基于得到的下采样图像对应的图像增强数据，以及目标图像与下采样图像的像素点匹配结果，对目标图像的每一像素点进行映射处理，得到目标图像对应的增强图像。因而所得到的增强图像具有目标图像的高分辨率，而且保持了基于深度学习所获得的较好的图像增强效果。进一步地，基于目标图像和增强图像在rgb模式下的rgb图像，生成各自对应的亮度图像，确定出增益参数，最后基于该增益参数对增强图像在rgb模式下的rgb图像进行了亮度增强处理，由于对rgb三个通道的通道值都进行了亮度调整，解决了基于深度学习进行图像增强时，由于训练集有限，使得增强图像出现的偏色问题。进一步地，对亮度增强图像进行了色彩增强处理，提高了图像增强处理的效果。

图4是根据一示例性实施例示出的一种图像增强装置的框图。参照图4，该装置包括：获取模块401、处理模块402、第一确定模块403和调整模块404。其中，

获取模块401，被配置为获取待增强的目标图像，并对所述目标图像进行下采样处理，得到下采样图像；

处理模块402，被配置为将所述下采样图像输入预先训练的深度学习网络，得到所述下采样图像对应的图像增强数据；其中，所述深度学习网络是根据样本图像和所述样本图像对应的样本增强图像训练得到的，所述图像增强数据为表征所述下采样图像增强后的图像相对于所述下采样图像的增强程度的数据；

第一确定模块403，被配置为确定所述目标图像中的每一像素点在所述下采样图像中的匹配点；

第二确定模块404，被配置为针对所述目标图像中的每一像素点，基于所述图像增强数据中该像素点的匹配点所对应的增强数据，确定该像素点对应的目标增强参数；

调整模块405，被配置为针对所述目标图像中的每一像素点，基于该像素点对应的目标增强参数，调整该像素点的像素值，得到所述目标图像对应的增强图像。

本公开的实施例提供的技术方案可以包括以下有益效果：通过对高分辨率的目标图像进行下采样处理，并将得到的低分辨率的下采样图像输入深度学习网络，降低了图像增强处理的复杂度。而且在将下采样图像输入深度学习网络后，基于得到的下采样图像对应的图像增强数据，以及目标图像与下采样图像的像素点匹配结果，对目标图像的每一像素点进行映射处理，得到目标图像对应的增强图像。因而所得到的增强图像具有目标图像的高分辨率，而且保持了基于深度学习所获得的较好的图像增强效果。

可选地，所述第一确定模块403，具体被配置为针对所述目标图像中的每一像素点，确定该像素点在所述下采样图像中的对应像素点，在以所述对应像素点为中心且大小为m×n的搜索区域内，查找与所述对应像素点的像素值之差的绝对值最小的像素点，将查找到的像素点作为该像素点在所述下采样图像中的匹配点；

其中，对于所述目标图像中坐标为(u，v)的像素点，该像素点在下采样图像中的对应像素点的坐标为(u/x，v/x)，x表示下采样倍数。

可选地，所述图像增强数据包括：所述下采样图像中每一像素点映射为相应像素点的映射参数，任一像素点的相应像素点为所述下采样图像增强后的图像中与该像素点位置相同的像素点；

所述第二确定模块404，具体被配置为针对所述目标图像中的每一像素点，从各个映射参数中，确定与该像素点的匹配点所对应的目标参数，将所确定的目标参数作为该像素点对应的目标增强参数。

可选地，所述图像增强数据包括：所述下采样图像增强后的图像；

所述第二确定模块404，具体被配置为针对所述目标图像中的每一像素点，确定所述下采样图像增强后的图像中，与该像素点的匹配点位置相同的目标点，计算所述目标点的像素值与该像素点的匹配点的像素值的比值，将所述比值确定为该像素点对应的目标增强参数。

可选地，所述调整模块405，具体被配置为针对所述目标图像中的每一像素点，基于该像素点对应的目标增强参数，通过以下公式对该像素点的像素值进行调整：

aip＝op

其中，a表示该像素点对应的目标增强参数，ip表示调整之前该像素点的像素值，op表示调整之后该像素点的像素值。

可选地，所述装置还包括：

第三确定模块，被配置为确定所述目标图像在rgb色彩模式下的第一rgb图像，以及所述增强图像在rgb色彩模式下的第二rgb图像；

第一生成模块，被配置为生成所述第一rgb图像对应的第一亮度图像，所述第一亮度图像中任一像素点的亮度值为：该像素点对应的第一像素点的rgb通道值中的最大值，所述第一像素点为所述第一rgb图像中与该像素点位置相同的像素点；

第二生成模块，被配置为生成所述第二rgb图像对应的第二亮度图像，所述第二亮度图像中任一像素点的亮度值为：该像素点对应的第二像素点的rgb通道值中的最大值，所述第二像素点为所述第二rgb图像中与该像素点位置相同的像素点；

计算模块，被配置为计算所述第二亮度图像相对于所述第一亮度图像的增益参数；

第一增强模块，被配置为基于所计算得到的增益参数，对所述第二rgb图像进行亮度增强处理，得到亮度增强图像。

可选地，所述计算模块，具体被配置为计算所述第二亮度图像相对于所述第一亮度图像的增益参数：

其中，rp表示所述第二亮度图像中一像素点相对于所述第一亮度图像中相应像素点的增益参数，vop表示所述第二亮度图像中所述一像素点的亮度值，vip表示所述第一亮度图像中所述相应像素点的亮度值。

可选地，所述第一增强模块，具体被配置为基于所计算得到的增益参数，通过以下公式对所述第二rgb图像进行亮度增强处理，得到亮度增强图像：

y‘p，c＝yp，c*rp

其中，y‘p，c表示所述亮度增强图像中一像素点的通道c的通道值，yp，c表示所述第二rgb图像中相应像素点的通道c的通道值，c的取值为1，2，3，1表示r通道，2表示g通道，3表示b通道，rp表示所述第二亮度图像中一像素点相对于所述第一亮度图像中相应像素点的增益参数，所述亮度增强图像中所述一像素点、所述第二rgb图像中所述相应像素点、所述第二亮度图像中所述一像素点和所述第一亮度图像中所述相应像素点的坐标相同。

可选地，所述计算模块包括：校正单元和计算单元；

所述校正单元，被配置为对所述第二亮度图像进行曝光校正处理，得到第三亮度图像；

所述计算单元，被配置为计算所述第三亮度图像相对于所述第一亮度图像的增益参数。

可选地，所述校正单元，具体被配置为通过以下公式对所述第二亮度图像进行曝光校正处理，得到第三亮度图像：

其中，v′op表示所述第三亮度图像中一像素点的像素值，vop表示所述第二亮度图像中相应像素点的像素值，vmin表示所述第二亮度图像中的最小像素值，vmax表示所述第二亮度图像中的最大像素值，thl表示第一预设阈值，thh表示第二预设阈值，thl和thh满足：0＜thl＜thh＜1。

可选地，所述装置还包括：

第二增强模块，被配置为对所述亮度增强图像进行色彩增强处理，得到色彩增强图像。

可选地，所述第二增强模块，具体被配置为通过以下公式对所述亮度增强图像进行色彩增强处理，得到色彩增强图像：

其中，y″p，c表示所述色彩增强图像中一像素点的通道c的通道值，y‘p，c表示所述亮度增强图像中相应像素点的通道c的通道值，yp，c表示所述第二rgb图像中相应像素点的通道c的通道值，c的取值为1，2，3，th1，th2和th3表分别示r，g和b通道对应的第三预设阈值。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

另外，相应于上述实施例所提供的一种图像增强方法，本申请实施例还提供了一种电子设备，如图5所示，该电子设备可以包括：

处理器510；

用于存储处理器可执行指令的存储器520；

其中，所述处理器510被配置为：执行所述存储器520上所存放的可执行指令时，实现本申请实施例所提供的一种图像增强方法的步骤。

可以理解的是，该电子设备可以是服务器或是终端设备，在具体应用中，该终端设备可以为移动电话、计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

图6是根据一示例性实施例示出的一种用于图像增强的装置600的框图。例如，装置600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图6，装置600可以包括以下一个或多个组件：处理组件602，存储器604，电力组件606，多媒体组件608，音频组件610，输入/输出(i/o)的接口612，传感器组件614，以及通信组件616。

处理组件602通常控制装置600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。

存储器604被配置为存储各种类型的数据以支持在设备600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为装置600生成、管理和分配电力相关联的组件。

多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当设备600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(mic)，当装置600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。

i/o接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件614包括一个或多个传感器，用于为装置600提供各个方面的状态评估。例如，传感器组件614可以检测到设备600的打开/关闭状态，组件的相对定位，例如所述组件为装置600的显示器和小键盘，传感器组件614还可以检测装置600或装置600一个组件的位置改变，用户与装置600接触的存在或不存在，装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络，如wifi，运营商网络(如2g、3g、4g或5g)，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件616还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，装置600可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由装置600的处理器620执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

图7是根据一示例性实施例示出的一种用于图像增强的装置700的框图。例如，装置700可以被提供为一服务器。参照图7，装置700包括处理组件722，其进一步包括一个或多个处理器，以及由存储器732所代表的存储器资源，用于存储可由处理组件722的执行的指令，例如应用程序。存储器732中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件722被配置为执行指令，以执行上述的图像增强方法。

装置700还可以包括一个电源组件726被配置为执行装置700的电源管理，一个有线或无线网络接口750被配置为将装置700连接到网络，和一个输入输出(i/o)接口758。装置700可以操作基于存储在存储器732的操作系统，例如windowsservertm，macosxtm，unixtm，linuxtm，freebsdtm或类似。

另外，本申请实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行本申请实施例所提供的一种图像增强方法的步骤。

另外，本申请实施例还提供了一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备能够执行上述的图像增强方法的步骤。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。