图像处理方法及装置、电子设备和存储介质与流程

本公开涉及计算机技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。

背景技术：

传统的图像采集设备可以采集到符合人们的观察习惯的图像，例如rgb图像。而事件采集设备(例如事件相机，eventcamera)能够采集到高时间频率的异步亮度变化(也即事件(event))。在相关技术中，可通过与模糊图像对应的事件对模糊图像进行去模糊处理，然而相关技术的处理方式的图像处理效果较差。

技术实现要素：

本公开提出了一种图像处理技术方案。

根据本公开的一方面，提供了一种图像处理方法，包括：根据第i个待处理图像的事件信息及第i-1个待处理图像的事件信息，确定所述第i个待处理图像的亮度增量信息，所述事件信息是通过事件采集设备获取的，i为大于1的整数；根据所述第i个待处理图像、所述第i-1个待处理图像的修复图像，及所述第i个待处理图像的亮度增量信息，确定所述第i个待处理图像的修复图像，所述修复图像的清晰度大于所述待处理图像的清晰度。

在一种可能的实现方式中，所述根据第i个待处理图像的事件信息及第i-1个待处理图像的事件信息，确定所述第i个待处理图像的亮度增量信息，包括：对所述第i个待处理图像的事件信息及第i-1个待处理图像的事件信息进行特征提取，得到所述第i个待处理图像的第一事件特征；根据所述第一事件特征的卷积核张量，对所述第一事件特征进行卷积，得到所述第i个待处理图像的第二事件特征，所述卷积核张量包括所述第一事件特征的各个通道的卷积核；对所述第二事件特征进行亮度增量预测，得到所述第i个待处理图像的亮度增量信息。

在一种可能的实现方式中，所述根据第i个待处理图像的事件信息及第i-1个待处理图像的事件信息，确定所述第i个待处理图像的亮度增量信息，还包括：根据与所述第i个待处理图像对应的参考信息，对所述第一事件特征的各个通道进行卷积核预测，得到所述第一事件特征的卷积核张量，所述卷积核张量的通道数与第一事件特征的通道数相同，其中，所述参考信息包括所述第i个待处理图像和/或所述第i个待处理图像的事件信息。

在一种可能的实现方式中，所述参考信息还包括所述第i-1个待处理图像、所述第i-1个待处理图像的事件信息及所述第i-1个待处理图像的修复图像中的至少一种。

在一种可能的实现方式中，所述亮度增量信息包括：所述第i个待处理图像相对于所述第i-1个待处理图像的第一亮度增量信息，以及所述第i个待处理图像相对于所述第i-1个待处理图像的修复图像的第二亮度增量信息，所述根据所述第i个待处理图像、所述第i-1个待处理图像的修复图像，及所述第i个待处理图像的亮度增量信息，确定所述第i个待处理图像的修复图像，包括：将所述第i个待处理图像与所述第一亮度增量信息相乘，得到所述第i个待处理图像的第一修复图像；将所述第i-1个待处理图像的修复图像与所述第二亮度增量信息相乘，得到所述第i个待处理图像的第二修复图像；根据所述第i个待处理图像及所述第i个待处理图像的事件信息，对所述第一修复图像及所述第二修复图像进行权值预测，得到所述第一修复图像的第一权值及所述第二修复图像的第二权值；根据所述第一权值及所述第二权值，将所述第一修复图像及所述第二修复图像加权相加，得到所述第i个待处理图像的修复图像。

在一种可能的实现方式中，所述待处理图像的修复图像包括2n+1个修复图像，n为正整数，所述亮度增量信息还包括所述第i个待处理图像的2n+1个修复图像相对于所述第i-1个待处理图像的2n+1个修复图像的第三亮度增量信息，所述根据所述第i个待处理图像、所述第i-1个待处理图像的修复图像，及所述第i个待处理图像的亮度增量信息，确定所述第i个待处理图像的修复图像，还包括：将所述第一修复图像及所述第二修复图像分别与所述第三亮度增量信息相乘，得到2n+1组第三修复图像；根据所述第i个待处理图像及所述第i个待处理图像的事件信息，分别对所述2n+1组第三修复图像中每组的各个第三修复图像进行权值预测，得到所述2n+1组第三修复图像的第三权值；根据所述第三权值，将所述2n+1组第三修复图像中每组的各个第三修复图像加权相加，得到所述第i个待处理图像的2n+1个修复图像。

在一种可能的实现方式中，所述第二亮度增量信息包括2n+1个第二亮度增量信息，所述将所述第i-1个待处理图像的修复图像与所述第二亮度增量信息相乘，得到所述第i个待处理图像的第二修复图像，包括：将所述第i-1个待处理图像的2n+1个修复图像分别与所述2n+1个第二亮度增量信息中相应的第二亮度增量信息相乘，得到所述第i个待处理图像的2n+1个第二修复图像。

在一种可能的实现方式中，其特征在于，所述待处理图像为n个，n为整数且1<i≤n，所述方法还包括：根据n个所述待处理图像的修复图像，确定与n个所述待处理图像对应的修复视频。

根据本公开的一方面，提供了一种图像处理装置，包括：

增量信息确定模块，用于根据第i个待处理图像的事件信息及第i-1个待处理图像的事件信息，确定所述第i个待处理图像的亮度增量信息，所述事件信息是通过事件采集设备获取的，i为大于1的整数；图像修复模块，用于根据所述第i个待处理图像、所述第i-1个待处理图像的修复图像，及所述第i个待处理图像的亮度增量信息，确定所述第i个待处理图像的修复图像，所述修复图像的清晰度大于所述待处理图像的清晰度。

在一种可能的实现方式中，所述增量信息确定模块，包括：特征提取子模块，用于对所述第i个待处理图像的事件信息及第i-1个待处理图像的事件信息进行特征提取，得到所述第i个待处理图像的第一事件特征；卷积子模块，用于根据所述第一事件特征的卷积核张量，对所述第一事件特征进行卷积，得到所述第i个待处理图像的第二事件特征，所述卷积核张量包括所述第一事件特征的各个通道的卷积核；增量预测子模块，用于对所述第二事件特征进行亮度增量预测，得到所述第i个待处理图像的亮度增量信息。

在一种可能的实现方式中，所述增量信息确定模块，还包括：卷积核预测子模块，用于根据与所述第i个待处理图像对应的参考信息，对所述第一事件特征的各个通道进行卷积核预测，得到所述第一事件特征的卷积核张量，所述卷积核张量的通道数与第一事件特征的通道数相同，其中，所述参考信息包括所述第i个待处理图像和/或所述第i个待处理图像的事件信息。

在一种可能的实现方式中，所述参考信息还包括所述第i-1个待处理图像、所述第i-1个待处理图像的事件信息及所述第i-1个待处理图像的修复图像中的至少一种。

在一种可能的实现方式中，所述亮度增量信息包括：所述第i个待处理图像相对于所述第i-1个待处理图像的第一亮度增量信息，以及所述第i个待处理图像相对于所述第i-1个待处理图像的修复图像的第二亮度增量信息，所述图像修复模块，包括：

第一修复子模块，用于将所述第i个待处理图像与所述第一亮度增量信息相乘，得到所述第i个待处理图像的第一修复图像；第二修复子模块，用于将所述第i-1个待处理图像的修复图像与所述第二亮度增量信息相乘，得到所述第i个待处理图像的第二修复图像；第一权值预测子模块，用于根据所述第i个待处理图像及所述第i个待处理图像的事件信息，对所述第一修复图像及所述第二修复图像进行权值预测，得到所述第一修复图像的第一权值及所述第二修复图像的第二权值；第一加权相加子模块，用于根据所述第一权值及所述第二权值，将所述第一修复图像及所述第二修复图像加权相加，得到所述第i个待处理图像的修复图像。

在一种可能的实现方式中，所述待处理图像的修复图像包括2n+1个修复图像，n为正整数，所述亮度增量信息还包括所述第i个待处理图像的2n+1个修复图像相对于所述第i-1个待处理图像的2n+1个修复图像的第三亮度增量信息，所述图像修复模块，还包括：

第三修复子模块，用于将所述第一修复图像及所述第二修复图像分别与所述第三亮度增量信息相乘，得到2n+1组第三修复图像；第二权值预测子模块，用于根据所述第i个待处理图像及所述第i个待处理图像的事件信息，分别对所述2n+1组第三修复图像中每组的各个第三修复图像进行权值预测，得到所述2n+1组第三修复图像的第三权值；第二加权相加子模块，用于根据所述第三权值，将所述2n+1组第三修复图像中每组的各个第三修复图像加权相加，得到所述第i个待处理图像的2n+1个修复图像。

在一种可能的实现方式中，所述第二亮度增量信息包括2n+1个第二亮度增量信息，所述第二修复子模块用于：将所述第i-1个待处理图像的2n+1个修复图像分别与所述2n+1个第二亮度增量信息中相应的第二亮度增量信息相乘，得到所述第i个待处理图像的2n+1个第二修复图像。

在一种可能的实现方式中，其特征在于，所述待处理图像为n个，n为整数且1<i≤n，所述装置还包括：视频修复模块，用于根据n个所述待处理图像的修复图像，确定与n个所述待处理图像对应的修复视频。

根据本公开的一方面，提供了一种电子设备，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调用所述存储器存储的指令，以执行上述方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。

在本公开实施例中，能够通过当前图像及前一图像的事件信息，确定当前图像的亮度增量；根据当前图像、前一图像的修复图像及该亮度增量信息确定当前图像的修复图像，从而通过事件信息及前一图像的修复结果对图像进行修复，保留了图像中的细节，提高了图像去模糊的效果。

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，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的图像处理方法的流程图。

图2a、图2b及图2c示出根据本公开实施例的神经网络的示意图。

图3示出根据本公开实施例的图像处理方法的处理过程的示意图。

图4示出根据本公开实施例的图像处理装置的框图。

图5示出根据本公开实施例的一种电子设备的框图。

图6示出根据本公开实施例的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的图像处理方法的流程图，如图1所示，所述方法包括：

在步骤s11中，根据第i个待处理图像的事件信息及第i-1个待处理图像的事件信息，确定所述第i个待处理图像的亮度增量信息，所述事件信息是通过事件采集设备获取的，i为大于1的整数；

在步骤s12中，根据所述第i个待处理图像、所述第i-1个待处理图像的修复图像，及所述第i个待处理图像的亮度增量信息，确定所述第i个待处理图像的修复图像，所述修复图像的清晰度大于所述待处理图像的清晰度。

在一种可能的实现方式中，所述图像处理方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(userequipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(personaldigitalassistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。

在一种可能的实现方式中，待处理图像可例如为图像采集设备(例如摄像头)采集的视频帧，待处理图像可能清晰度较低，存在图像模糊、动态范围较小等情况。在该情况下，可通过事件采集设备(例如事件相机)获取的、与待处理图像对应的事件信息对待处理图像进行修复，也即去模糊。与待处理图像对应，可表示待处理图像的采集时间处于获取该事件信息的预设时间段内。事件信息用于表示图像中各个像素点在该预设时间段内的亮度变化，事件信息的取值可例如为正数表示变亮、负数表示变暗、零表示亮度不变。本公开对此不作限制。

在一种可能的实现方式中，设待处理的待处理图像有n个，n为大于1的整数。对于当前的第i个待处理图像(1<i≤n)，可在步骤s11中根据第i个待处理图像的事件信息及第i-1个待处理图像的事件信息，确定第i个待处理图像的亮度增量信息。该亮度增量信息用于表示第i个待处理图像的事件信息与第i-1个待处理图像的事件信息之间的亮度差异。

可例如通过卷积神经网络对事件信息进行处理，将第i个待处理图像的事件信息及第i-1个待处理图像的事件信息进行叠加，提取叠加后的事件信息的事件特征，再根据事件特征确定出第i个待处理图像的亮度增量信息。本公开对卷积神经网络的网络结构不作限制。

在一种可能的实现方式中，在得到第i个待处理图像的亮度增量信息后，可在步骤s12中，将该亮度增量信息分别与第i个待处理图像以及第i-1个待处理图像的修复图像相乘，得到多个初步修复的图像；再对初步修复的图像进行融合，即可得到第i个待处理图像的修复图像。

事件信息可体现模糊图像与清晰图像之间的差异，前一图像的修复图像中的信息可保留图像中的细节。因此，通过亮度增量信息及前一图像的修复图像中的信息对待处理图像进行修复，可使得该修复图像的清晰度大于待处理图像的清晰度，且减少图像细节丢失。也即经步骤s11-s12处理后，实现了图像的去模糊。

在一种可能的实现方式中，对于n个待处理图像中的第1个待处理图像，可设定有初始的第0个待处理图像(例如预设的灰度图像、随机的灰度图像或第1个待处理图像本身等)的事件信息以及第0个待处理图像的修复图像(例如通过相关技术去模糊)，通过步骤s11-s12进行处理，得到第1个待处理图像的修复图像。本公开对第0个待处理图像及其修复图像的图像内容及具体修复方式不作限制。

在一种可能的实现方式中，通过步骤s11-s12对n个待处理图像依次进行处理，可得到n个待处理图像的修复图像。可分别输出该n个待处理图像的修复图像，也可将该n个待处理图像的修复图像组成修复视频，从而完成整个视频的去模糊过程。

根据本公开的实施例，能够通过当前图像及前一图像的事件信息，确定当前图像的亮度增量；根据当前图像、前一图像的修复图像及该亮度增量信息确定当前图像的修复图像，从而通过事件信息及前一图像的修复结果对图像进行修复，保留了图像中的细节，提高了图像去模糊的效果。

在一种可能的实现方式中，步骤s11可包括：

对所述第i个待处理图像的事件信息及第i-1个待处理图像的事件信息进行特征提取，得到所述第i个待处理图像的第一事件特征；

根据所述第一事件特征的卷积核张量，对所述第一事件特征进行卷积，得到所述第i个待处理图像的第二事件特征，所述卷积核张量包括所述第一事件特征的各个通道的卷积核；

对所述第二事件特征进行亮度增量预测，得到所述第i个待处理图像的亮度增量信息。

举例来说，可将第i个待处理图像的事件信息及第i-1个待处理图像的事件信息叠加，将叠加后的事件信息输入预设的特征提取网络中进行处理，输出第一事件特征。该特征提取网络可包括多个卷积层、多个残差块等，本公开对此不作限制。

在一种可能的实现方式中，可设置有第一事件特征的三维卷积核张量，该卷积核张量包括第一事件特征的各个通道的卷积核，卷积核的尺寸为预设的尺寸k×k，k为正整数。例如第一事件特征包括128个通道，卷积核的尺寸为3×3，则该卷积核张量的尺度为3×3×128。可为第一事件特征的各个通道设置固定的卷积核，也可为第一事件特征的各个通道设置动态的卷积核，本公开对此不作限制。

在一种可能的实现方式中，可通过该卷积核张量对第一事件特征进行卷积，得到第二事件特征。这样，可实现事件特征的增强，提高后续图像处理的精度。

在一种可能的实现方式中，可将第二事件特征输入到预设的增量预测网络中，预测第二事件特征的亮度增量，得到亮度增量信息。该亮度增量信息可为多个，例如包括第i个待处理图像相对于第i-1个待处理图像的亮度增量信息(通过基于事件的双积分(event-baseddoubleintegral，简称edi)原理得到)，第i个待处理图像相对于第i-1个待处理图像的修复图像的亮度增量信息(通过基于事件的单积分原理得到)等。该增量预测网络可包括多个反卷积层、多个残差块等，本公开对此不作限制。通过这种方式，可以得到第i个待处理图像的亮度增量信息，以便后续处理。

在采集事件信息期间，一旦亮度变化超出预设阈值就会触发事件，在一定时间间隔内捕获的事件之和可表示亮度变化的比例。在基于事件的视频重建的物理模型中，可将模糊的图像帧(也即待处理图像)近似为该时间间隔内离散的多个潜在图像帧的平均值。在该情况下，可通过求取该时间间隔内亮度变化的预设阈值及亮度变化的比例的平均值，得到待处理图像的亮度增量信息。也即，通过基于事件的双积分原理，得到第i个待处理图像相对于第i-1个待处理图像的第一亮度增量信息。

在一种可能的实现方式中，通过求取模糊的图像帧与各个潜在图像帧之间的亮度变化的比例，可得到模糊的图像帧相对于各个潜在图像帧的亮度增量信息。也即，通过基于事件的单积分原理，得到第i个待处理图像相对于第i-1个待处理图像的修复图像的第二亮度增量信息。

图2a、图2b及图2c示出根据本公开实施例的神经网络的示意图。如图2a所示，根据本公开实施例的神经网络包括特征提取网络21和增量预测网络22。将第i个待处理图像的事件信息ei及第i-1个待处理图像的事件信息ei-1叠加；将叠加后的信息输入特征提取网络21中，经由特征提取网络21的多个网络块(每个网络块包括卷积层和残差块)处理，通道数依次为64、96、128，最后一个网络块输出第一事件特征qi(通道数为128)；通过卷积核张量hi对第一事件特征qi卷积，得到第二事件特征gi；将第二事件特征gi输入增量预测网络22中，经由增量预测网络22的多个网络块(每个网络块包括反卷积层和残差块)处理，通道数依次为96、64、32，最后的三个网络块输出三个亮度增量信息，包括第一亮度增量信息ci、第二亮度增量信息pi及第三亮度增量信息ii。

在一种可能的实现方式中，步骤s11还可包括：

根据与所述第i个待处理图像对应的参考信息，对所述第一事件特征的各个通道进行卷积核预测，得到所述第一事件特征的卷积核张量，所述卷积核张量的通道数与第一事件特征的通道数相同，

其中，所述参考信息包括所述第i个待处理图像和/或所述第i个待处理图像的事件信息。

举例来说，可根据与待处理图像对应的信息(可称为参考信息)，对第一事件特征的各个通道进行卷积核预测，以便根据待处理图像的信息生成动态的卷积核，实现事件特征的增强。该参考信息可至少包括第i个待处理图像本身和/或所述第i个待处理图像的事件信息，从而提高预测到的卷积核的准确性。

在一种可能的实现方式中，该参考信息还可包括：所述第i-1个待处理图像、所述第i-1个待处理图像的事件信息及所述第i-1个待处理图像的修复图像中的至少一种。也就是说，可将与待处理图像相关联的更多信息作为参考信息，来预测第一事件特征的各个通道的卷积核。

在一种可能的实现方式中，可将第i个待处理图像、第i-1个待处理图像、第i个待处理图像的事件信息、第i-1个待处理图像的事件信息及第i-1个待处理图像的修复图像进行叠加；将叠加后的信息输入卷积核预测网络中处理，得到卷积核矩阵(尺寸为128×k²)；对卷积核矩阵进行整形(reshape)，得到第一事件特征的卷积核张量(尺度为k×k×128)，卷积核张量的通道数与第一事件特征的通道数相同。

如图2b所示，根据本公开实施例的神经网络还包括卷积核预测网络23。将第i个待处理图像bi、第i-1个待处理图像bi-1、第i个待处理图像的事件信息ei、第i-1个待处理图像的事件信息ei-1及第i-1个待处理图像的修复图像si-1进行叠加；将叠加后的信息输入卷积核预测网络23中，经由多个网络块(每个网络块包括卷积层和残差块)处理，通道数依次为64、96、128，最后一个网络块输出卷积核矩阵(尺寸为128×k²)；卷积核矩阵进行整形(reshape)，得到第一事件特征的卷积核张量hi(尺度为k×k×128)。

通过这种方式，可以引入当前图像、当前图像的事件以及前一图像的信息参与卷积核预测，进一步提高得到的动态卷积核的准确性，提高对事件特征增强的效果。

在一种可能的实现方式中，步骤s11中得到的亮度增量信息可包括第i个待处理图像相对于第i-1个待处理图像的第一亮度增量信息(例如为基于双积分原理得到的双积分亮度增量信息)，和第i个待处理图像相对于第i-1个待处理图像的修复图像的第二亮度增量信息(例如为基于单积分原理得到的单积分亮度增量信息)。

在得到亮度增量信息后，可在步骤s12中对第i个待处理图像进行去模糊处理。其中，步骤s12可包括：

将所述第i个待处理图像与所述第一亮度增量信息相乘，得到所述第i个待处理图像的第一修复图像；

将所述第i-1个待处理图像的修复图像与所述第二亮度增量信息相乘，得到所述第i个待处理图像的第二修复图像；

根据所述第i个待处理图像及所述第i个待处理图像的事件信息，对所述第一修复图像及所述第二修复图像进行权值预测，得到所述第一修复图像的第一权值及所述第二修复图像的第二权值；

根据所述第一权值及所述第二权值，将所述第一修复图像及所述第二修复图像加权相加，得到所述第i个待处理图像的修复图像。

举例来说，可在步骤s12对第i个待处理图像进行初步修复。将第i个待处理图像与第一亮度增量信息相乘，得到第i个待处理图像的第一修复图像，该第一修复图像为初步修复的图像；同时，将第i-1个待处理图像的修复图像与第二亮度增量信息相乘，得到第i个待处理图像的第二修复图像，该第二修复图像也为初步修复的图像。

在一种可能的实现方式中，可将第i个待处理图像、第i个待处理图像的事件信息、第一修复图像及第二修复图像进行叠加；将叠加后的信息输入权值预测网络进行权值预测，得到第一修复图像的第一权值及第二修复图像的第二权值。该权值预测网络可为卷积神经网络，包括多个卷积层、激活层等，本公开对此不作限制。

如图2c所示，根据本公开实施例的神经网络还包括权值预测网络24。将第i个待处理图像bi、第i个待处理图像的事件信息ei、初步修复图像fi(包括第一修复图像及第二修复图像)整形后进行叠加；将叠加后的信息输入权值预测网络24中，经由多个3d卷积层(通道数为64)处理，再对得到的特征进行sigmoid激活，得到第一修复图像及第二修复图像的权值图mi，从而可确定出第一修复图像及第二修复图像的第一权值及第二权值。通过3d卷积层进行处理，可提高权值预测的精度。

在一种可能的实现方式中，根据所述第一权值及所述第二权值，可将所述第一修复图像及所述第二修复图像加权相加，得到所述第i个待处理图像的修复图像。通过这种方式，可以得到质量更高的修复图像，提高图像去模糊的效果。

在一种可能的实现方式中，在步骤s11中得到第i个待处理图像的亮度增量信息后，可在步骤s12中对第i个待处理图像进行去模糊及插帧处理。可对每个待处理图像进行插帧，例如在每个待处理图像前后各插入n个图像(n为正整数)，以便提高待处理图像的帧率。在该情况下，待处理图像的修复图像包括2n+1个修复图像。例如n＝3时，待处理图像的修复图像包括7个修复图像。

在一种可能的实现方式中，第i-1个待处理图像具有2n+1个修复图像，因此，第i个待处理图像相对于第i-1个待处理图像的修复图像的第二亮度增量信息也为2n+1个。在该情况下，将所述第i-1个待处理图像的修复图像与所述第二亮度增量信息相乘，得到所述第i个待处理图像的第二修复图像的步骤，可包括：

将所述第i-1个待处理图像的2n+1个修复图像分别与所述2n+1个第二亮度增量信息中相应的第二亮度增量信息相乘，得到所述第i个待处理图像的2n+1个第二修复图像。

也就是说，步骤s11中可预测得到2n+1个第二亮度增量信息，进而，在步骤s12中可将第i-1个待处理图像的2n+1个修复图像分别与所述2n+1个第二亮度增量信息中相应的第二亮度增量信息相乘，得到2n+1个第二修复图像，为第i-1个待处理图像的2n+1个修复图像对第i个待处理图像初步修复的图像。通过这种方式，可以提高图像的修复效果。

在一种可能的实现方式中，所述亮度增量信息还包括所述第i个待处理图像的2n+1个修复图像相对于所述第i-1个待处理图像的2n+1个修复图像的第三亮度增量信息(例如为基于单积分原理得到的单积分亮度增量信息)。也即，每个修复图像具有一个对应的第三亮度增量信息，共得到2n+1个第三亮度增量信息。

在一种可能的实现方式中，步骤s12还可包括：

将所述第一修复图像及所述第二修复图像分别与所述第三亮度增量信息相乘，得到2n+1组第三修复图像；

根据所述第i个待处理图像及所述第i个待处理图像的事件信息，分别对所述2n+1组第三修复图像中每组的各个第三修复图像进行权值预测，得到所述2n+1组第三修复图像的第三权值；

根据所述第三权值，将所述2n+1组第三修复图像中每组的各个第三修复图像加权相加，得到所述第i个待处理图像的2n+1个修复图像。

举例来说，可将第一修复图像(1个)及第二修复图像(2n+1个)分别与2n+1个第三亮度增量信息相乘，得到2n+1组第三修复图像。每个第三亮度增量信息得到一组第三修复图像，每组第三修复图像有2n+2个图像。例如n＝3，可得到7组第三修复图像，每组8个，共计56个图像。

在一种可能的实现方式中，可分别对每组的各个第三修复图像进行权值预测。对于2n+1组第三修复图像中的任意一组，可将第i个待处理图像、第i个待处理图像的事件信息以及该组的2n+2个第三修复图像进行叠加，将叠加后的信息输入权值预测网络进行权值预测，得到该组的2n+2个第三修复图像的第三权值。这样，对2n+1组第三修复图像分组进行处理，可得到2n+1组第三修复图像的第三权值。该权值预测网络可为卷积神经网络，包括多个卷积层、激活层等，本公开对此不作限制。

在一种可能的实现方式中，对于2n+1组第三修复图像中的任意一组，可根据该组的2n+2个第三修复图像的第三权值，对该组的2n+2个第三修复图像进行加权相加，得到第i个待处理图像的1个修复图像。这样，对2n+1组第三修复图像分组进行加权相加，可得到第i个待处理图像的2n+1个修复图像。

通过这种方式，可以实现待处理图像的去模糊及插帧过程，提高图像去模糊的效果，并提高图像的帧率。

图3示出根据本公开实施例的图像处理方法的处理过程的示意图，如图3所示，在步骤31中，可将第i个待处理图像bi、第i-1个待处理图像bi-1、第i个待处理图像的事件信息ei、第i-1个待处理图像的事件信息ei-1及第i-1个待处理图像的修复图像si-1输入积分网络311(可称为integralnet，包括上述的特征提取网络、增量预测网络及卷积核预测网络)，得到第i个待处理图像的第一亮度增量信息ci(1个)、第二亮度增量信息pi(2n+1个)及第三亮度增量信息ii(2n+1个)。

在步骤32中，可将第i个待处理图像bi与第一亮度增量信息ci相乘，得到第一修复图像(1个图像)；可将第i-1个待处理图像的修复图像si-1分别与对应的第二亮度增量信息pi相乘，得到第二修复图像(2n+1个图像)，共得到2n+2个初步修复的图像321。

在步骤33中，可将2n+2个初步修复的图像321分别与2n+1个第三亮度增量信息ii相乘，得到2n+1组第三修复图像331，每组第三修复图像包括2n+2个图像。

在步骤34中，可将第i个待处理图像bi、第i个待处理图像的事件信息ei、一组第三修复图像33叠加后，输入权值预测网络341(可称为gatenet)中，得到该组第三修复图像的权值图mi；根据该组的各个第三修复图像的权值，对该组的2n+2个第三修复图像进行加权相加，得到第i个待处理图像的1个修复图像。这样，对2n+1组第三修复图像分组进行处理，可得到第i个待处理图像的2n+1个修复图像si，从而完成第i个待处理图像的去模糊及插帧过程。

在一种可能的实现方式中，所述方法还可包括：根据n个所述待处理图像的修复图像，确定与n个所述待处理图像对应的修复视频。

也就是说，n个待处理图像可为低帧率、模糊的待处理视频的n个图像帧，可对n个待处理图像依次进行处理，得到n个所述待处理图像的修复图像，该修复图像可为未插帧的一个图像或已插帧的多个图像。可根据修复图像，生成与n个所述待处理图像对应的修复视频。该修复视频的清晰度高于待处理视频的清晰度，实现了视频的去模糊；在插帧的情况下，提高了视频的帧率，得到高帧率的清晰视频。

在一种可能的实现方式中，在部署上述神经网络之前，可对神经网络进行训练，根据本公开实施例的图像处理方法还包括：

根据预设的训练集，训练所述神经网络，所述训练集包括模糊的多个样本图像以及与每个样本图像对应的多个清晰图像。可例如对高帧率的清晰视频进行抽帧及模糊化处理，得到模糊的多个样本图像；将原始的清晰视频作为与样本图像对应的清晰图像。

在一种可能的实现方式中，可将训练集中的样本图像输入该神经网络中处理，得到样本图像的复原图像；根据样本图像的复原图像与清晰图像之间的差异，确定神经网络的损失；根据该损失反向调整神经网络的网络参数；经过多次迭代，在满足训练条件(例如网络收敛)时，得到训练后的神经网络。通过这种方式，可以实现神经网络的训练过程。

根据本公开实施例的图像处理方法，能够基于事件相机的触发原理，在特征域上对与图像帧对应的事件进行处理，确定图像帧之间的亮度差，并利用双积分原理及单积分原理对图像帧去模糊且实现插帧。该方法利用视频的时序信息，通过前一图像帧的去模糊结果传递到当前图像帧，保留了图像中的更多细节，提高了图像去模糊的效果。该方法能够通过端到端的卷积神经网络，融合深度学习和事件相机去模糊理论，恢复清晰的视频图像，能够达到更高精度，并提高可视效果。

根据本公开实施例的图像处理方法，能够应用于电影拍摄，监控安防，视频处理等应用场景，部署到移动终端、机器人等电子设备中，实现高帧率视频录制、合成等，有效提高视频的帧率和视频的图像帧的动态范围。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图4示出根据本公开实施例的图像处理装置的框图，如图4所示，所述装置包括：

增量信息确定模块41，用于根据第i个待处理图像的事件信息及第i-1个待处理图像的事件信息，确定所述第i个待处理图像的亮度增量信息，所述事件信息是通过事件采集设备获取的，i为大于1的整数；图像修复模块42，用于根据所述第i个待处理图像、所述第i-1个待处理图像的修复图像，及所述第i个待处理图像的亮度增量信息，确定所述第i个待处理图像的修复图像，所述修复图像的清晰度大于所述待处理图像的清晰度。

在一种可能的实现方式中，所述增量信息确定模块，包括：特征提取子模块，用于对所述第i个待处理图像的事件信息及第i-1个待处理图像的事件信息进行特征提取，得到所述第i个待处理图像的第一事件特征；卷积子模块，用于根据所述第一事件特征的卷积核张量，对所述第一事件特征进行卷积，得到所述第i个待处理图像的第二事件特征，所述卷积核张量包括所述第一事件特征的各个通道的卷积核；增量预测子模块，用于对所述第二事件特征进行亮度增量预测，得到所述第i个待处理图像的亮度增量信息。

在一种可能的实现方式中，所述增量信息确定模块，还包括：卷积核预测子模块，用于根据与所述第i个待处理图像对应的参考信息，对所述第一事件特征的各个通道进行卷积核预测，得到所述第一事件特征的卷积核张量，所述卷积核张量的通道数与第一事件特征的通道数相同，其中，所述参考信息包括所述第i个待处理图像和/或所述第i个待处理图像的事件信息。

在一种可能的实现方式中，所述参考信息还包括所述第i-1个待处理图像、所述第i-1个待处理图像的事件信息及所述第i-1个待处理图像的修复图像中的至少一种。

在一种可能的实现方式中，所述亮度增量信息包括：所述第i个待处理图像相对于所述第i-1个待处理图像的第一亮度增量信息，以及所述第i个待处理图像相对于所述第i-1个待处理图像的修复图像的第二亮度增量信息，所述图像修复模块，包括：

第一修复子模块，用于将所述第i个待处理图像与所述第一亮度增量信息相乘，得到所述第i个待处理图像的第一修复图像；第二修复子模块，用于将所述第i-1个待处理图像的修复图像与所述第二亮度增量信息相乘，得到所述第i个待处理图像的第二修复图像；第一权值预测子模块，用于根据所述第i个待处理图像及所述第i个待处理图像的事件信息，对所述第一修复图像及所述第二修复图像进行权值预测，得到所述第一修复图像的第一权值及所述第二修复图像的第二权值；第一加权相加子模块，用于根据所述第一权值及所述第二权值，将所述第一修复图像及所述第二修复图像加权相加，得到所述第i个待处理图像的修复图像。

在一种可能的实现方式中，所述待处理图像的修复图像包括2n+1个修复图像，n为正整数，所述亮度增量信息还包括所述第i个待处理图像的2n+1个修复图像相对于所述第i-1个待处理图像的2n+1个修复图像的第三亮度增量信息，所述图像修复模块，还包括：

第三修复子模块，用于将所述第一修复图像及所述第二修复图像分别与所述第三亮度增量信息相乘，得到2n+1组第三修复图像；第二权值预测子模块，用于根据所述第i个待处理图像及所述第i个待处理图像的事件信息，分别对所述2n+1组第三修复图像中每组的各个第三修复图像进行权值预测，得到所述2n+1组第三修复图像的第三权值；第二加权相加子模块，用于根据所述第三权值，将所述2n+1组第三修复图像中每组的各个第三修复图像加权相加，得到所述第i个待处理图像的2n+1个修复图像。

在一种可能的实现方式中，所述第二亮度增量信息包括2n+1个第二亮度增量信息，所述第二修复子模块用于：将所述第i-1个待处理图像的2n+1个修复图像分别与所述2n+1个第二亮度增量信息中相应的第二亮度增量信息相乘，得到所述第i个待处理图像的2n+1个第二修复图像。

在一种可能的实现方式中，其特征在于，所述待处理图像为n个，n为整数且1<i≤n，所述装置还包括：视频修复模块，用于根据n个所述待处理图像的修复图像，确定与n个所述待处理图像对应的修复视频。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，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调用所述存储器存储的指令，以执行上述方法。

本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图像处理方法的指令。

本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像处理方法的操作。

电子设备可以被提供为终端、服务器或其它形态的设备。

图5示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800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，个人数字助理等终端。

参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800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802可以包括一个或多个处理器820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802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800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804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806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800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808包括一个前置摄像头和/或后置摄像头。当电子设备800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810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800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804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802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814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814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814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814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816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816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816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，电子设备800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，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图6示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932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1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windowsserver^tm，macosx^tm，unix^tm,linux^tm，freebsd^tm或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(softwaredevelopmentkit，sdk)等等。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。