图像处理方法、电子设备、存储介质及计算机程序产品与流程

1.本发明实施例涉及图像处理技术领域，尤其涉及一种图像处理方法、电子设备、存储介质及计算机程序产品。


背景技术：

2.在图像处理领域，常常会涉及到对图像进行照度增强。
3.相关技术中，对图像进行照度增强常用的方法是基于retinex模型的方法。传统的基于retinex模型的方法包括：通过先验或者正则化将低光图像分解成一个反射分量和一个光照分量，对光照分量进行照度提升，再将反射分量和照度提升后的光照分量相乘，得到增强后的图像。然而这种方法有一些局限性：1、将反射分量视为理想的反射图像，可能会导致不现实的增强，如细节的丢失和扭曲的颜色；2、retinex模型中噪声通常被忽略，在增强结果中噪声会被保留或放大；3、不准确的先验或正则化可能导致增强结果中存在伪影和颜色偏差；4、retinex模型分解得到的照度图像不够平滑，导致增强后的图像无法贴近真实图像。
4.由此可见，目前亟需一种新的图像处理方法，以克服或部分克服传统技术中存在的问题。


技术实现要素：

5.本发明实施例提供一种图像处理方法、电子设备、存储介质及计算机程序产品，以克服或部分克服相关技术中存在的问题。
6.本发明实施例第一方面提供了一种图像处理方法，所述方法包括：
7.对原始图像进行预处理，得到初始照度图像；
8.将所述原始图像和所述初始照度图像输入预先训练的照度增强模型，得到照度增强后图像，所述照度增强模型的模型参数是以样本标准图像为学习目标，基于样本初始照度图像，对样本原始图像进行照度增强的模型参数；
9.其中，所述样本标准图像和所述样本原始图像为一对在不同照度下拍摄的相同内容的图像，所述样本标准图像是在标准照度下拍摄的，所述样本原始图像是在低于所述标准照度的低照度下拍摄的，所述样本初始照度图像是对所述样本原始图像进行所述预处理的结果。
10.可选地，将所述原始图像和所述初始照度图像输入预先训练的照度增强模型，得到照度增强后图像，包括：
11.通过所述照度增强模型中的第一子模型对所述原始图像进行处理，得到反射图；
12.通过所述照度增强模型中的第二子模型对所述初始照度图像进行处理，得到照度图；
13.通过所述照度增强模型中的增强模块对所述照度图进行增强，得到增强后照度图；
14.通过所述照度增强模型中的第三子模型对所述反射图和所述增强后照度图的融合图像进行处理，得到所述照度增强后图像。
15.可选地，所述照度增强模型的损失函数至少包括：第一损失函数，所述第一损失函数以所述第三子模型输出的样本照度增强后图像与所述样本标准图像相同为目标。
16.可选地，所述照度增强模型的损失函数还包括：第二损失函数，所述第二损失函数以所述第一子模型输出的样本反射图和所述第二子模型输出的样本照度图的样本融合图像的结构信息，与样本原始图像的结构信息相同为目标，所述样本反射图是根据对所述样本原始图像的分解出的反射图得到的，所述样本照度图是根据对所述样本原始图像的分解出的照度图得到的，所述样本融合图像是对所述样本反射图和所述样本照度图进行处理得到的。
17.可选地，所述照度增强模型的损失函数还包括：第三损失函数，所述第三损失函数以所述第一子模型输出的样本反射图在任何照度下保持不变为目标。
18.可选地，所述第三损失函数的值是按照以下步骤得到的：
19.通过所述第一子模型对所述样本原始图像进行处理，得到第一样本反射图；
20.通过所述第一子模型对所述第三子模型输出的样本照度增强后图像进行处理，得到第二样本反射图，所述样本照度增强后图像是所述第三子模型以所述样本反射图和增强后样本照度图的融合图像进行处理得到的，所述增强后样本照度图是对所述样本照度图进行增强得到的；
21.根据所述第一样本反射图和所述第二样本反射图，计算所述第二损失函数的值。
22.可选地，对原始图像进行预处理，得到初始照度图像，包括：
23.对原始图像进行主成分分析，得到初始照度图像。
24.本发明实施例第二方面提供了一种图像处理装置，所述装置包括：
25.预处理模块，用于对原始图像进行预处理，得到初始照度图像；
26.照度增强模块，用于将所述原始图像和所述初始照度图像输入预先训练的照度增强模型，得到照度增强后图像，所述照度增强模型的模型参数是以样本标准图像为学习目标，基于样本初始照度图像，对样本原始图像进行照度增强的模型参数；
27.其中，所述样本标准图像和所述样本原始图像为一对在不同照度下拍摄的相同内容的图像，所述样本标准图像是在标准照度下拍摄的，所述样本原始图像是在低于所述标准照度的低照度下拍摄的，所述样本初始照度图像是对所述样本原始图像进行所述预处理的结果。
28.可选地，所述照度增强模块，包括：
29.第一处理子模块，用于通过所述照度增强模型中的第一子模型对所述原始图像进行处理，得到反射图；
30.第二处理子模块，用于通过所述照度增强模型中的第二子模型对所述初始照度图像进行处理，得到照度图；
31.第三处理子模块，用于通过所述照度增强模型中的增强模块对所述照度图进行增强，得到增强后照度图；
32.第四处理子模块，用于通过所述照度增强模型中的第三子模型对所述反射图和所述增强后照度图的融合图像进行处理，得到所述照度增强后图像。
33.可选地，所述照度增强模型的损失函数至少包括：第一损失函数，所述第一损失函数以所述第三子模型输出的样本照度增强后图像与所述样本标准图像相同为目标。
34.可选地，所述照度增强模型的损失函数还包括：第二损失函数，所述第二损失函数以所述第一子模型输出的样本反射图和所述第二子模型输出的样本照度图的样本融合图像的结构信息，与样本原始图像的结构信息相同为目标，所述样本反射图是根据对所述样本原始图像的分解出的反射图得到的，所述样本照度图是根据对所述样本原始图像的分解出的照度图得到的，所述样本融合图像是对所述样本反射图和所述样本照度图进行处理得到的。
35.可选地，所述照度增强模型的损失函数还包括：第三损失函数，所述第三损失函数以所述第一子模型输出的样本反射图在任何照度下保持不变为目标。
36.可选地，所述第三损失函数的值是按照以下步骤得到的：
37.通过所述第一子模型对所述样本原始图像进行处理，得到第一样本反射图；
38.通过所述第一子模型对所述第三子模型输出的样本照度增强后图像进行处理，得到第二样本反射图，所述样本照度增强后图像是所述第三子模型以所述样本反射图和增强后样本照度图的融合图像进行处理得到的，所述增强后样本照度图是对所述样本照度图进行增强得到的；
39.根据所述第一样本反射图和所述第二样本反射图，计算所述第二损失函数的值。
40.可选地，所述预处理模块，具体用于：
41.对原始图像进行主成分分析，得到初始照度图像。
42.本发明实施例第三方面提供一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现如本发明第一方面所述的图像处理方法。
43.本发明实施例第四方面提供一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现如本发明第一方面所述的图像处理方法。
44.本发明实施例第五方面提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本发明第一方面所述的图像处理方法。
45.本发明实施例中，采用预先训练的照度增强模型，基于原始图像和初始照度图像实现原始图像的照度增强，一方面，初始照度图像是对原始图像进行预处理得到的，因此，可以得到足够平滑的初始照度图像，贴合原始图像的真实光照情况。另一方面，照度增强模型的模型参数是以样本标准图像为学习目标，基于样本初始照度图像，对样本原始图像进行照度增强的模型参数。照度增强模型在模型训练过程中学习到了：基于样本初始照度图像，对样本原始图像进行照度增强得到样本标准图像的过程，如何进行照度增强的规律。由此，基于该照度增强模型对原始图像和初始照度图像进行处理，得到的照度增强后图像，可以贴近标准照度下的真实图像。
46.本发明实施例中，无需采用retinex模型得到反射分量和照度分量，避免了直接将原始图像的反射分量视为理想的反射图像可能导致的问题(例如：细节的丢失和扭曲的颜色)，也避免了retinex模型分解得到的光照分量不够平滑，导致增强后的图像无法贴近真实图像的问题，还避免了retinex模型中存在的噪声被忽略的问题、以及retinex模型存在的不准确的先验或正则化可能导致的问题。
附图说明
47.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
48.图1是本发明实施例提供的一种图像处理方法的流程图；
49.图2是本发明实施例提供的一种图像处理方法中用到的照度增强模型的模型训练方法的示意图；
50.图3示出了本发明实施例提供的样本原始图像src和样本初始照度图像io的示例图；
51.图4是本发明实施例的另一种图像处理方法的流程图；
52.图5是本发明实施例的一种图像处理装置的结构框图。
具体实施方式
53.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
54.近年来，基于人工智能的计算机视觉、深度学习、机器学习、图像处理、图像识别等技术研究取得了重要进展。人工智能(artificial intelligence，ai)是研究、开发用于模拟、延伸人的智能的理论、方法、技术及应用系统的新兴科学技术。人工智能学科是一门综合性学科，涉及芯片、大数据、云计算、物联网、分布式存储、深度学习、机器学习、神经网络等诸多技术种类。计算机视觉作为人工智能的一个重要分支，具体是让机器识别世界，计算机视觉技术通常包括人脸识别、活体检测、指纹识别与防伪验证、生物特征识别、人脸检测、行人检测、目标检测、行人识别、图像处理、图像识别、图像语义理解、图像检索、文字识别、视频处理、视频内容识别、行为识别、三维重建、虚拟现实、增强现实、同步定位与地图构建(slam)、计算摄影、机器人导航与定位等技术。随着人工智能技术的研究和进步，该项技术在众多领域展开了应用，例如安防、城市管理、交通管理、楼宇管理、园区管理、人脸通行、人脸考勤、物流管理、仓储管理、机器人、智能营销、计算摄影、手机影像、云服务、智能家居、穿戴设备、无人驾驶、自动驾驶、智能医疗、人脸支付、人脸解锁、指纹解锁、人证核验、智慧屏、智能电视、摄像机、移动互联网、网络直播、美颜、美妆、医疗美容、智能测温等领域。
55.其中，在图像处理相关技术中，通常是基于retinex模型对图像进行照度增强，然而该方法难以得到贴合真实情况的照度增强结果。
56.为此，发明人提出：采用预先训练的照度增强模型，基于原始图像和初始照度图像实现原始图像的照度增强，一方面，初始照度图像是对原始图像进行预处理得到的，得到的初始照度图像足够平滑，贴合原始图像的真实光照情况。另一方面，照度增强模型的模型参数是以样本标准图像为学习目标，基于样本初始照度图像，对样本原始图像进行照度增强的模型参数。照度增强模型在模型训练过程中学习到了：基于样本初始照度图像，对样本原始图像进行照度增强得到样本标准图像的过程，如何进行照度增强的规律。基于照度增强模型对原始图像和初始照度图像进行处理，得到的照度增强后图像可以贴近标准照度下的真实图像。基于这一发明构思，发明人具体提出以下技术方案：
57.参照图1，示出了本发明实施例的一种图像处理方法的流程图，所述方法包括以下步骤：
58.s101，对原始图像进行预处理，得到初始照度图像。
59.本发明实施例中，初始照度图像可以是平滑后的原始图像，表示原始图像的光照情况。
60.本发明实施例中，可以采用相关技术中任一平滑处理方法，对原始图像进行处理，以得到足够平滑，且可以表达原始图像的照度图像的初始照度图像，例如：主成分分析法，或者高斯平滑。
61.本发明实施例中，原始图像可以为低照度下拍摄的图像，采用本发明实施例提供的图像处理方法，可以对该原始图像进行照度增强。
62.s102，将所述原始图像和所述初始照度图像输入预先训练的照度增强模型，得到照度增强后图像。
63.本发明实施例中，所述照度增强模型的模型参数是以样本标准图像为学习目标，基于样本初始照度图像，对样本原始图像进行照度增强的模型参数。
64.其中，所述样本标准图像和所述样本原始图像为一对在不同照度下拍摄的相同内容的图像，所述样本标准图像是在标准照度下拍摄的，所述样本原始图像是在低于所述标准照度的低照度下拍摄的，所述样本初始照度图像是对所述样本原始图像进行所述预处理的结果。
65.本发明实施例中，样本标准图像和样本原始图像可以是相同场景、相同拍摄角度下、不同光照条件下拍摄的两幅相同内容的图像。其中，样本标准图像是在标准照度下拍摄的，用于作为学习目标。
66.本发明实施例中，一方面，初始照度图像是对原始图像进行预处理得到的，因此，可以得到足够平滑的初始照度图像，贴合原始图像的真实光照情况。另一方面，照度增强模型的模型参数是以样本标准图像为学习目标，基于样本初始照度图像，对样本原始图像进行照度增强的模型参数。照度增强模型在模型训练过程中学习到了：基于样本初始照度图像，对样本原始图像进行照度增强得到样本标准图像的过程，如何进行照度增强的规律。由此，基于该照度增强模型对原始图像和初始照度图像进行处理，得到的照度增强后图像，可以贴近标准照度下的真实图像。
67.本发明实施例中，照度增强模型由第一子模型、第二子模型、增强模块和第三子模型组成。其中第一子模型的作用为对原始图像进行分解，得到对应的反射图，第二子模型的作用在于对初始照度图像进行调整，得到贴合理论光照分量的照度图，增强模块的作用在于对第二子模型输出的调整后的照度图进行增强，得到符合标准光照环境的照度图，第三子模型的作用在于对增强模块增强后的照度图和反射图的融合图像进行进一步融合和调整，使其贴近真实图像。
68.本发明实施例中，在完成模型搭建之后，可以利用样本标准图像、样本原始图像和样本初始照度图像作为训练样本集，对模型进行训练，训练结束后，得到照度增强模型。
69.为了便于理解，以下结合图2对本发明实施例提供的一种图像处理方法中的模型训练方法进行进一步解释，图2是本发明实施例提供的一种图像处理方法中用到的照度增强模型的模型训练方法的示意图，不代表真实的模型结构。
70.图2中，src表示样本原始图像，io表示样本初始照度图像，i表示样本照度图，r表示样本反射图，i1表示样本增强后照度图，gt表示样本标准图像，src1＝i*r，表示样本反射图和样本照度图的样本融合图像，res1表示样本照度增强后图像，r1表示样本照度增强后图像的反射图。
71.在具体实施时，先对样本原始图像src进行预处理，得到样本初始照度图像io。
72.本发明实施例中，预处理具体可以为：使用svd对原始图像进行分解，将其中得到的v作为初始照度图像。如图3所示，图3示出了本发明实施例提供的样本原始图像src和样本初始照度图像io的示例图，其中，左边的两张图为样本原始图像src，右边的两张图为：分别为对左边的两张样本原始图像src进行svd分解得到的样本初始照度图像io。由该示例图可知，样本初始照度图像io是样本原始图像src平滑后的图像，包含有样本原始图像的轮廓信息，去除了样本原始图像的细节信息，表达了样本原始图像src的光照情况，但是样本初始照度图像io可能与样本原始图像存在轮廓信息的偏差，例如，从左边数第4张图中人物嘴角向上翘起，而实际上对应的第2张图中人物嘴角是向下的。因此，需要经过神经网络对样本初始照度图像io进行进一步的调整。
73.将样本原始图像src与样本初始照度图像io一起送入神经网络(包括u-net1、u-net2、u-net3)，进行模型训练。
74.原始图像src经过u-net1得到反射图r，初始光照图像经过u-net2得到调整过后的照度图i。照度图i经过伽马校正得到i1，其中，伽马校正的参数由技术人员根据实际需求确定，示例地，伽马校正的参数可以为r＝2.2。i1与r融合后送入u-net3得到最终的结果res1。
75.在模型训练过程中，还需要将反射图r和照度图i融合，得到src1，用于计算损失函数，在模型应用过程中无需该步骤。
76.在模型训练过程中，还需要将最终的结果res1送入u-net1中，得到反射图r1，用于计算损失函数，在模型应用过程中无需该步骤。
77.本发明实施例中，在模型的训练过程中，所述照度增强模型的损失函数至少包括：第一损失函数，所述第一损失函数以所述第三子模型输出的样本照度增强后图像与所述样本标准图像相同为目标。
78.本发明实施例中，在训练过程，基于第一损失函数，可以得到以样本标准图像为学习目标，基于样本初始照度图像，对样本原始图像进行照度增强的模型参数。从而在训练完成后，照度增强模型可以学习到：基于样本初始照度图像，对样本原始图像进行照度增强得到样本标准图像的过程，如何进行照度增强的规律。
79.在本发明一种可选地实施例中，所述照度增强模型的损失函数还包括：第二损失函数，所述第二损失函数以所述第一子模型输出的样本反射图和所述第二子模型输出的样本照度图的样本融合图像的结构信息，与样本原始图像的结构信息相同为目标，所述样本反射图是根据对所述样本原始图像的分解出的反射图得到的，所述样本照度图是根据对所述样本原始图像的分解出的照度图得到的，所述样本融合图像是对所述样本反射图和所述样本照度图进行处理得到的。
80.本发明实施例中，可以采用人工分解的方法，对样本原始图像进行分解，得到其较为理想的反射图和照度图，作为样本反射图和样本照度图。
81.本发明实施例中，在训练过程中，基于第二损失函数，可以保证输入的原始图像在
经过分解重组后的得到的处理后图像的结构信息不变。
82.在本发明一种可选地实施例中，所述照度增强模型的损失函数还包括：第三损失函数，所述第三损失函数以所述第一子模型输出的样本反射图在任何照度下保持不变为目标。
83.本发明实施例中，在训练过程中，基于第三损失函数，可以保证得到的反射图在任何照度下都保持不变，以得到尽量贴合原始图像的理论反射分量的反射图。
84.所述第三损失函数的值是按照以下步骤得到的：
85.s1，通过所述第一子模型对所述样本原始图像进行处理，得到第一样本反射图。
86.s2，通过所述第一子模型对所述第三子模型输出的样本照度增强后图像进行处理，得到第二样本反射图。
87.本发明实施例中，所述样本照度增强后图像是所述第三子模型以所述样本反射图和增强后样本照度图的融合图像进行处理得到的，所述增强后样本照度图是对所述样本照度图进行增强得到的。
88.s3，根据所述第一样本反射图和所述第二样本反射图，计算所述第二损失函数的值。
89.本发明实施例，通过第一子模型分别对样本原始图像和样本照度增强后图像进行分解，得到第一样本反射图和第二样本反射图，并基于所述第一样本反射图和所述第二样本反射图，计算所述第二损失函数的值，并基于第二损失函数调整第一子模型的模型参数，从而最终训练得到的第一子模型可以对原始图像进行分解得到尽量贴合原始图像的理论反射分量的反射图。
90.为了便于理解，结合图2对本发明实施例中用到的照度增强模型的模型训练过程汇总的损失函数进行进一步解释：
91.具体地，所述照度增强模型的损失函数包括：1、src1与src计算ssim-loss，以保证输入图像和经过分解重组后的图像结构相似。2、r与r1计算mse-loss，确保反射图在任何照度下都保持不变，其中r1由样本照度增强后图像res1经过相同参数的u-net1得到。3、res1与gt计算mse-loss损失，其中gt与src的场景相同，相机拍摄角度位置相同，前者的光照条件正常，后者在极暗光照下拍摄。
92.本发明实施例中，在训练过程中，一方面，照度增强模型可以学习到对样本原始图像进行分解，得到其理论反射分量(在任何照度下都保持不变)的分解过程的规律，一方面，照度增强模型可以学习到基于样本初始照度图像，对样本原始图像进行照度增强，得到样本标准图像的调整过程的规律，再一方面，照度增强模型可以学习到：对样本初始照度图像进行调整得到样本照度图的调整过程的规律，并且样本照度图与样本反射图融合得到的样本融合图像与样本原始图像的结果信息趋近一致。
93.在本发明一种可选的实施方式中，提供了另一种图像处理方法，如图4所示，所述方法包括以下步骤：
94.s401，对原始图像进行预处理，得到初始照度图像。
95.本发明实施例中，预处理具体可以为主成分分析法，在这种情况下，所述步骤s401，具体为：对原始图像进行主成分分析，得到初始照度图像。
96.本发明实施例中，基于主成分分析法得到初始照度图像具体可以为：使用svd对原
始图像进行分解，将其中得到的v作为初始照度图像。
97.s402，通过所述照度增强模型中的第一子模型对所述原始图像进行处理，得到反射图。
98.本发明实施例中，第一子模型具体可以为u-net1。
99.本发明实施例中，第一子模型得到的反射图可以表达原始图像的细节部分。
100.s403，通过所述照度增强模型中的第二子模型对所述初始照度图像进行处理，得到照度图。
101.本发明实施例中，第二子模型具体可以为u-net2。
102.本发明实施例中，初始照度图像可能与原始图像的理论光照分量仍然存在一定的差距，因此，可以利用第二子模型对初始照度图像进行进一步调整，得到贴合实际情况的照度图。
103.s404，通过所述照度增强模型中的增强模块对所述照度图进行增强，得到增强后照度图。
104.本发明实施例中，照度增强模型中的增强模块的作用在于对照度图进行增强，以将所述照度图调整为标准光照环境下的增强后照度图。
105.本发明实施例中，增强模块，具体可以为伽马校正模块。
106.s405，通过所述照度增强模型中的第三子模型对所述反射图和所述增强后照度图的融合图像进行处理，得到所述照度增强后图像。
107.本发明实施例中，第三子模型具体可以为u-net3。
108.本发明实施例中，可以先对反射图和增强后照度图进行融合，具体的融合处理可以表示为：将两个图像对应的矩阵相乘。
109.本发明实施例中，第三子模型进一步对融合图像进行调整，得到最终结果。
110.本发明实施例中，照度增强模型可以对原始图像进行分解，得到反射图，由于模型训练过程中，该反射图贴近原始图像的理想反射分量，初始光照图像经照度增强模型进行照度增强，将照度增强后光照图和反射图融合经照度增强模型调整即可得到贴近标准照度下的真实图像。
111.基于同一发明构思，本发明实施例提供一种图像处理装置。参考图5，图5是本发明实施例提供的图像处理装置的示意图。如图5所示，该装置包括：
112.预处理模块501，用于对原始图像进行预处理，得到初始照度图像；
113.照度增强模块502，用于将所述原始图像和所述初始照度图像输入预先训练的照度增强模型，得到照度增强后图像，所述照度增强模型的模型参数是以样本标准图像为学习目标，基于样本初始照度图像，对样本原始图像进行照度增强的模型参数；
114.其中，所述样本标准图像和所述样本原始图像为一对在不同照度下拍摄的相同内容的图像，所述样本标准图像是在标准照度下拍摄的，所述样本原始图像是在低于所述标准照度的低照度下拍摄的，所述样本初始照度图像是对所述样本原始图像进行所述预处理的结果。
115.可选地，所述照度增强模块502，包括：
116.第一处理子模块，用于通过所述照度增强模型中的第一子模型对所述原始图像进行处理，得到反射图；
117.第二处理子模块，用于通过所述照度增强模型中的第二子模型对所述初始照度图像进行处理，得到照度图；
118.第三处理子模块，用于通过所述照度增强模型中的增强模块对所述照度图进行增强，得到增强后照度图；
119.第四处理子模块，用于通过所述照度增强模型中的第三子模型对所述反射图和所述增强后照度图的融合图像进行处理，得到所述照度增强后图像。
120.可选地，所述照度增强模型的损失函数至少包括：第一损失函数，所述第一损失函数以所述第三子模型输出的样本照度增强后图像与所述样本标准图像相同为目标。
121.可选地，所述照度增强模型的损失函数还包括：第二损失函数，所述第二损失函数以所述第一子模型输出的样本反射图和所述第二子模型输出的样本照度图的样本融合图像的结构信息，与样本原始图像的结构信息相同为目标，所述样本反射图是根据对所述样本原始图像的分解出的反射图得到的，所述样本照度图是根据对所述样本原始图像的分解出的照度图得到的，所述样本融合图像是对所述样本反射图和所述样本照度图进行处理得到的。
122.可选地，所述照度增强模型的损失函数还包括：第三损失函数，所述第三损失函数以所述第一子模型输出的样本反射图在任何照度下保持不变为目标。
123.可选地，所述第三损失函数的值是按照以下步骤得到的：
124.通过所述第一子模型对所述样本原始图像进行处理，得到第一样本反射图；
125.通过所述第一子模型对所述第三子模型输出的样本照度增强后图像进行处理，得到第二样本反射图，所述样本照度增强后图像是所述第三子模型以所述样本反射图和增强后样本照度图的融合图像进行处理得到的，所述增强后样本照度图是对所述样本照度图进行增强得到的；
126.根据所述第一样本反射图和所述第二样本反射图，计算所述第二损失函数的值。
127.可选地，所述预处理模块，具体用于：
128.对原始图像进行主成分分析，得到初始照度图像。
129.对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
130.本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行时实现上述任一实施例所述的图像处理方法中的步骤。
131.本发明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/指令，该计算机程序/指令被处理器执行时实现上述任一实施例所述的图像处理方法中的步骤。
132.本发明实施例还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述任一实施例所述的图像处理方法。
133.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
134.本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上
实施的计算机程序产品的形式。
135.本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
136.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
137.这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
138.尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
139.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
140.以上对本发明所提供的一种图像处理方法、电子设备、存储介质及计算机程序产品，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。