图像增强的方法、装置、电子设备、及存储介质与流程

本公开实施例涉及机器学习技术领域，具体涉及一种图像增强的方法、装置、电子设备、及存储介质。

背景技术：

现有技术中，采用美颜相机拍照时，通常将拍摄的照片根据用户设置或选择的固定滤镜即时生成美颜照片。

本发明为每一个源图像生成一个三维查找表，采用该滤镜转化源图像得到增强图像。

该查找表功能，类似于通用的滤镜功能。例如，将脸部黑的地方提亮处理，将比较暗的图像整体变亮，对欠曝光图片进行修正，对颜色偏较大的图进行颜色修正。

技术实现要素：

有鉴于此，本公开实施例提供一种图像增强的方法、装置、电子设备、及存储介质，以提高获取增强图像的效率。

本公开实施例的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开实施例的实践而习得。

第一方面，本公开实施例提供了一种图像增强的方法，包括：

获取原始图像；

生成所述原始图像对应的缩略图像；

将所述缩略图像输入至预先训练的颜色查找表生成模型，得到颜色查找表；

根据所述原始图像和所述颜色查找表确定所述原始图像对应的增强图像。

第二方面，本公开实施例还提供了一种图像增强的装置，包括：

原始图像获取单元，用于获取原始图像；

缩略图像生成单元，用于生成所述原始图像对应的缩略图像；

颜色查找表获取单元，用于将所述缩略图像输入至预先训练的颜色查找表生成模型，得到颜色查找表；

增强图像确定单元，用于根据所述原始图像和所述颜色查找表确定所述原始图像对应的增强图像。

第三方面，本公开实施例还提供了一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中任一项所述方法的指令。

第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一项所述方法的步骤。

本公开实施例通过获取原始图像，生成缩略图像，将所述缩略图像输入至预先训练的颜色查找表生成模型，得到颜色查找表，根据所述原始图像和所述颜色查找表确定所述原始图像对应的增强图像，根据原始图像的缩略图像快速获取增强图像，能够提高获取增强图像的效率。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对本公开实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本公开实施例中的一部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本公开实施例的内容和这些附图获得其他的附图。

图1是本公开实施例提供的一种图像增强的方法的流程示意图；

图2是本公开实施例提供的一种颜色查找表生成模型的训练方法的流程示意图；

图3是本公开实施例提供的一种图像增强的装置的结构示意图；

图4是本公开实施例提供的一种颜色查找表生成模型的训练装置的结构示意图；

图5示出了适于用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

为使本公开实施例解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本公开实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本公开实施例中的一部分实施例，而不是全部的实施例。基于本公开实施例中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开实施例保护的范围。

需要说明的是，本公开实施例中术语“系统”和“网络”在本文中常被可互换使用。本公开实施例中提到的“和/或”是指”包括一个或更多个相关所列项目的任何和所有组合。本公开的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。

还需要说明是，本公开实施例中下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本公开实施例对此不作具体限制。

下面结合附图并通过具体实施方式来进一步说明本公开实施例的技术方案。

图1示出了本公开实施例提供的一种图像增强的方法的流程示意图，本实施例可适用于获取原始图像的增强图像的情况，该方法可以由配置于电子设备中的图像增强的装置来执行，如图1所示，本实施例所述的图像增强的方法包括：

在步骤s110中，获取原始图像。

本实施例所述原始图像可以为任意类型的图像，例如可以为包括人脸的原始图像，以通过本实施例的技术方案进行美颜修图处理或滤镜拍摄。

需要说明的是，所述原始图像可以是预先拍摄的图像，也可以是实时获取摄像头采集到的照片，将所述照片缓存到缓冲区中作为所述原始图像。对于前者，可采用本实施例的技术方案用来对图片进行后期处理生成其增强图，对于后者，可采用本实施例的技术方案实时进行滤镜拍摄，以拍摄出进行处理的增强图像，例如，将图像中脸部黑的地方提亮处理、将比较暗的图像整体变亮、对欠曝光图片进行修正、和/或对颜色偏较大的图进行颜色修正。

在步骤s120中，生成所述原始图像对应的缩略图像。

在步骤s130中，将所述缩略图像输入至预先训练的颜色查找表生成模型，得到颜色查找表。

需要说明的是，通过颜色查找表生成模型生成颜色查找表时，无论输入的是原始图像还是缩略图像，其结果几乎没有区别，但是，相对于原始图像来说，其缩略图像的尺寸较小，因此计算量要小得多，因此本步骤采用将原始图像的缩略图像输入至所述颜色查找表生成模型，得到颜色查找表，其效率明显较高。

本实施例要求所述颜色查找表生成模型能够在输入原始图像后，得到所述原始图像对应的颜色查找表，具体模型的训练方法和特点，本实施例对此不作限定，本实施例后面有一单独的示例性实施例，提供了一种颜色查找表生成模型的训练方法，可采用该方法或类似的方法训练本步骤要求的颜色查找表生成模型，也可对下述训练方法进行变形或适应性修改，只要能满足本步骤的要求即可。并且，所述颜色查找表可以是一维颜色查找表，也可以是3d颜色查找表，本实施例对此不用限定。

在步骤s140中，根据所述原始图像和所述颜色查找表确定所述原始图像对应的增强图像。

例如，可分别将所述原始图像中各像素值输入所述颜色查找表，将所述颜色查找表的输出结果作为所述增强图像对应像素的像素值。

本实施例的技术方案通过获取原始图像，生成缩略图像，将所述缩略图像输入至预先训练的颜色查找表生成模型，得到颜色查找表，根据所述原始图像和所述颜色查找表确定所述原始图像对应的增强图像，根据原始图像的缩略图像快速获取增强图像，能够提高获取增强图像的效率。

图2是本公开实施例提供的一种颜色查找表生成模型的训练方法的流程示意图，如图2所示，本实施例所述的颜色查找表生成模型的训练方法包括：

在步骤s210中，获取训练样本集合。

其中，训练样本包括样本图像和对应的增强图像。

在步骤s220中，根据样本所包括的样本图像和对应的增强图像，生成用于将所述样本图像转化为所述增强图像的标注颜色查找表，将所述标注颜色查找表作为样本的标注。

在步骤s230中，确定初始化的颜色查找表生成模型。

其中所述初始化的颜色查找表生成模型包括用于输出目标图像对应的颜色查找表的目标层。

初始化的颜色查找表生成模型可以是各种类型的未经训练的或未训练完成的人工神经网络，例如基于卷积神经网络技术的机器学习模型。

在步骤s240中，利用机器学习的方法，将所述训练样本集合中的训练样本中的样本图像作为初始化的颜色查找表生成模型的输入，将与输入的样本图像对应的标注颜色查找表作为初始化的颜色查找表生成模型的期望输出，训练得到所述颜色查找表生成模型。

本实施例的技术方案公开了一种颜色查找表生成模型的训练方法，通过获取训练样本集合，确定初始化的颜色查找表生成模型，利用机器学习的方法，将所述训练样本集合中的训练样本中的样本图像作为初始化的颜色查找表生成模型的输入，将与输入的样本图像对应的标注颜色查找表作为初始化的颜色查找表生成模型的期望输出，训练得到所述颜色查找表生成模型，以用于进行图像增强时，通过该方案得到的颜色查找表生成模型，生成原始图像的缩略图像对应的颜色查找表，以快速获取其增强图像。

图3示出了本公开实施例提供的一种图像增强的装置的结构示意图，如图3所示，本实施例所述的图像增强的装置包括原始图像获取单元310、缩略图像生成单元320、颜色查找表获取单元330和增强图像确定单元340。

其中，所述原始图像获取单元310被配置为，用于获取原始图像。

所述缩略图像生成单元320被配置为，用于生成所述原始图像对应的缩略图像。

所述颜色查找表获取单元330被配置为，用于将所述缩略图像输入至预先训练的颜色查找表生成模型，得到颜色查找表。

所述增强图像确定单元340被配置为，用于根据所述原始图像和所述颜色查找表确定所述原始图像对应的增强图像。

进一步地，所述颜色查找表为3d颜色查找表。

进一步地，所述增强图像确定单元340被配置为，用于分别将所述原始图像中各像素值输入所述颜色查找表，将所述颜色查找表的输出结果作为所述增强图像对应像素的像素值。

进一步地，所述原始图像获取单元310被配置为，用于获取摄像头采集到的照片，将所述照片缓存到缓冲区中作为所述原始图像。

进一步地，所述原始图像为包括人脸的原始图像。

进一步地，所述颜色查找表获取单元330中所述颜色查找表生成模型通过颜色查找表生成模型的训练装置的各模块训练得到。

本实施例提供的图像增强的装置可执行本公开方法实施例所提供的图像增强的方法，具备执行方法相应的功能模块和有益效果。

图4是本公开实施例提供的一种颜色查找表生成模型的训练装置的结构示意图，如图4所示，本实施例所述的颜色查找表生成模型的训练装置包括样本获取模块410、样本标注模块420、模型确定模块430和模型训练模块440。

其中所述样本获取模块410被配置为，用于获取训练样本集合。

其中，训练样本包括样本图像和对应的增强图像。

所述样本标注模块420被配置为，用于根据样本所包括的样本图像和对应的增强图像，生成用于将所述样本图像转化为所述增强图像的标注颜色查找表，将所述标注颜色查找表作为样本的标注。

所述模型确定模块430被配置为，用于确定初始化的颜色查找表生成模型，其中所述初始化的颜色查找表生成模型包括用于输出目标图像对应的颜色查找表的目标层。

所述模型训练模块440被配置为，用于利用机器学习的装置，将所述训练样本集合中的训练样本中的样本图像作为初始化的颜色查找表生成模型的输入，将与输入的样本图像对应的标注颜色查找表作为初始化的颜色查找表生成模型的期望输出，训练得到所述颜色查找表生成模型。

进一步地，所述颜色查找表生成模型为基于卷积神经网络技术的机器学习模型。

本实施例提供的颜色查找表生成模型的训练装置可执行本公开方法实施例所提供的颜色查找表生成模型的训练方法，具备执行方法相应的功能模块和有益效果。

下面参考图5，其示出了适于用来实现本公开实施例的电子设备500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储装置508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。

通常，以下装置可以连接至i/o接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开实施例的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开实施例的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从rom502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

获取原始图像；

生成所述原始图像对应的缩略图像；

将所述缩略图像输入至预先训练的颜色查找表生成模型，得到颜色查找表；

根据所述原始图像和所述颜色查找表确定所述原始图像对应的增强图像。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码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)。

附图中的流程图和框图，图示了按照本公开实施例各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

根据本公开的一个或多个实施例，所述图像增强的方法中，所述颜色查找表为3d颜色查找表。

根据本公开的一个或多个实施例，所述图像增强的方法中，根据所述原始图像和所述颜色查找表确定所述原始图像对应的增强图像包括：分别将所述原始图像中各像素值输入所述颜色查找表，将所述颜色查找表的输出结果作为所述增强图像对应像素的像素值。

根据本公开的一个或多个实施例，所述图像增强的方法中，获取原始图像包括：获取摄像头采集到的照片，将所述照片缓存到缓冲区中作为所述原始图像。

根据本公开的一个或多个实施例，所述图像增强的方法中，所述原始图像为包括人脸的原始图像。

根据本公开的一个或多个实施例，所述图像增强的方法中，所述颜色查找表生成模型通过如下步骤训练得到：

获取训练样本集合，其中，训练样本包括样本图像和对应的增强图像；

根据样本所包括的样本图像和对应的增强图像，生成用于将所述样本图像转化为所述增强图像的标注颜色查找表，将所述标注颜色查找表作为样本的标注；

确定初始化的颜色查找表生成模型，其中所述初始化的颜色查找表生成模型包括用于输出目标图像对应的颜色查找表的目标层；

利用机器学习的方法，将所述训练样本集合中的训练样本中的样本图像作为初始化的颜色查找表生成模型的输入，将与输入的样本图像对应的标注颜色查找表作为初始化的颜色查找表生成模型的期望输出，训练得到所述颜色查找表生成模型。

根据本公开的一个或多个实施例，所述图像增强的方法中，所述颜色查找表生成模型为基于卷积神经网络技术的机器学习模型。

根据本公开的一个或多个实施例，所述图像增强的装置中，所述颜色查找表为3d颜色查找表。

根据本公开的一个或多个实施例，所述图像增强的装置中，所述增强图像确定单元用于：分别将所述原始图像中各像素值输入所述颜色查找表，将所述颜色查找表的输出结果作为所述增强图像对应像素的像素值。

根据本公开的一个或多个实施例，所述图像增强的装置中，所述原始图像获取单元用于：获取摄像头采集到的照片，将所述照片缓存到缓冲区中作为所述原始图像。

根据本公开的一个或多个实施例，所述图像增强的装置中，所述原始图像为包括人脸的原始图像。

根据本公开的一个或多个实施例，所述图像增强的装置中，所述颜色查找表生成模型通过如下模块训练得到：

样本获取模块，用于获取训练样本集合，其中，训练样本包括样本图像和对应的增强图像；

样本标注模块，用于根据样本所包括的样本图像和对应的增强图像，生成用于将所述样本图像转化为所述增强图像的标注颜色查找表，将所述标注颜色查找表作为样本的标注；

模型确定模块，用于确定初始化的颜色查找表生成模型，其中所述初始化的颜色查找表生成模型包括用于输出目标图像对应的颜色查找表的目标层；

模型训练模块，用于利用机器学习的装置，将所述训练样本集合中的训练样本中的样本图像作为初始化的颜色查找表生成模型的输入，将与输入的样本图像对应的标注颜色查找表作为初始化的颜色查找表生成模型的期望输出，训练得到所述颜色查找表生成模型。

根据本公开的一个或多个实施例，所述图像增强的装置中，所述颜色查找表生成模型为基于卷积神经网络技术的机器学习模型。

以上描述仅为本公开实施例的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开实施例中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。