一种图像处理方法、装置及设备与流程

1.本技术涉及图像处理技术领域，特别涉及一种图像处理方法、装置及设备。


背景技术：

2.彩色条纹是指光因发生干涉现象而出现的彩色条纹，当光照在车窗上时，就容易发生干涉现象并导致车窗上出现彩色条纹，该彩色条纹将影响车窗另一侧的人和/或物体透过车窗显示的清晰度。
3.因此，在需要识别交通场景中抓拍到的车窗图像中车窗另一侧的人和/或物体时，若抓拍到的车窗图像中携带了彩色条纹，则需要去除抓拍到的车窗图像中的彩色条纹，以消除彩色条纹对车窗另一侧的人和/或物体的显示清晰度的影响。
4.但是，采用相关技术对车窗图像中携带的彩色条纹进行去除时，不会对不同车窗图像中携带的彩色条纹的强度进行区分，因此，若车窗图像中携带的彩色条纹较浅，采用相关技术去除彩色条纹后的车窗图像可能会出现局部掉色的问题(比如去除彩色条纹后的车窗图像中车窗另一侧的人的衣服出现掉色)，若车窗图像中携带的彩色条纹较深，则车窗图像中携带的彩色条纹可能会去除不彻底。


技术实现要素：

5.本技术公开了一种图像处理方法、装置及设备，以避免在去除图像中的彩色条纹时出现掉色或者彩色条纹去除不彻底的问题。
6.根据本技术实施例的第一方面，提供一种图像处理方法，该方法应用于电子设备，包括：
7.获得目标图像，所述目标图像携带因干涉生成的彩色条纹；
8.确定与所述彩色条纹的强度对应的目标强度级别；
9.在已训练的所有彩色条纹去除模型中获得与所述目标强度级别对应的目标彩色条纹去除模型；
10.依据所述目标彩色条纹去除模型去除所述目标图像携带的所述彩色条纹。
11.可选的，所述依据所述目标彩色条纹去除模型去除所述目标图像携带的所述彩色条纹包括：
12.通过所述目标彩色条纹去除模型生成所述目标图像对应的特征强度图，所述特征强度图包括所述目标图像中每一像素点对应的彩色条纹强度值；
13.通过所述目标彩色条纹去除模型按照所述特征强度图去除所述目标图像携带的所述彩色条纹。
14.可选的，所述目标彩色条纹去除模型至少包括以下三个计算层：特征强度图计算层、彩色条纹特征层和彩色条纹去除层；
15.所述通过所述目标彩色条纹去除模型生成所述目标图像对应的特征强度图包括：
16.通过所述特征强度图计算层计算输入的所述目标图像中每一像素点对应的彩色
条纹强度值，并依据所述目标图像中每一像素点对应的彩色条纹强度值生成所述特征强度图；
17.所述通过所述目标彩色条纹去除模型按照所述特征强度图去除所述目标图像携带的所述彩色条纹包括：
18.通过所述特征强度图计算层将生成的特征强度图输入至所述彩色条纹特征层，以由所述彩色条纹特征层依据所述特征强度图从所述目标图像中提取彩色条纹图像；所述彩色条纹图像为所述目标图像中包含彩色条纹的图像区域，所述彩色条纹图像与所述目标图像的分辨率一致；
19.通过所述彩色条纹去除层对所述目标图像和所述彩色条纹图像进行计算，以去除所述目标图像携带的所述彩色条纹。
20.可选的，所述确定与所述彩色条纹的强度对应的目标强度级别包括：
21.接收外部输入指令，所述外部输入指令携带与所述彩色条纹的强度对应的强度级别；将所述外部输入指令携带的所述强度级别确定为所述目标强度级别；或者，
22.将目标图像输入至已训练的强度级别确定模型以得到所述强度级别确定模型输出的与所述彩色条纹的强度对应的强度级别，将所述强度级别确定模型输出的强度级别确定为所述目标强度级别。
23.可选的，所述强度级别确定模型通过以下步骤训练得到：
24.获得训练图像集；所述训练图像集包括携带了彩色条纹的多张训练图像，与所述训练图像携带的彩色条纹的强度对应的强度级别被预先指定；
25.将训练图像集中的训练图像转换为指定分辨率的训练图像；
26.利用指定分辨率的训练图像和深度学习方法训练出强度级别确定模型。
27.可选的，所述训练图像集中的训练图像通过以下方式获取：
28.获取彩色条纹样本图像；所述彩色条纹样本图像中只携带彩色条纹；
29.对所述彩色条纹样本图像进行调整，以使调整后的彩色条纹样本图像的清晰度优于调整前的彩色条纹样本图像；
30.将调整后的彩色条纹样本图像和未携带彩色条纹的样本图像进行融合，得到携带彩色条纹的训练图像。
31.可选的，该方法进一步包括：
32.对所述强度级别确定模型进行压缩，以使压缩后的强度级别确定模型满足指定轻量级要求；其中，压缩后的强度级别确定模型中至少一个计算层的计算参数的数量小于该强度级别确定模型中该计算层在压缩前的计算参数的数量。
33.根据本技术实施例的第二方面，提供一种图像处理装置，该装置应用于电子设备，包括：
34.目标图像获取单元，用于获得目标图像，所述目标图像携带因干涉生成的彩色条纹；
35.强度级别确定单元，用于确定与所述彩色条纹的强度对应的目标强度级别；
36.彩色条纹去除单元，用于在已训练的所有彩色条纹去除模型中获得与所述目标强度级别对应的目标彩色条纹去除模型；依据所述目标彩色条纹去除模型去除所述目标图像携带的所述彩色条纹。
37.可选的，所述彩色条纹去除单元依据所述目标彩色条纹去除模型去除所述目标图像携带的所述彩色条纹包括：
38.通过所述目标彩色条纹去除模型生成所述目标图像对应的特征强度图，所述特征强度图包括所述目标图像中每一像素点对应的彩色条纹强度值；
39.通过所述目标彩色条纹去除模型按照所述特征强度图去除所述目标图像携带的所述彩色条纹。
40.根据本技术实施例的第三方面，提供一种电子设备，该电子设备包括：处理器和存储器；
41.所述存储器，用于存储机器可执行指令；
42.所述处理器，用于读取并执行所述存储器存储的机器可执行指令，以实现如上所述的图像处理方法。
43.本技术的实施例提供的技术方案可以包括以下有益效果：
44.由以上技术方案可知，本技术提供的方案可以在获得携带因干涉生成的彩色条纹的目标图像时，根据确定出的与该彩色条纹的强度对应的目标强度级别，选择针对强度对应目标强度级别的彩色条纹进行去除的目标彩色条纹去除模型，利用目标彩色条纹去除模型去除上述目标图像携带的彩色条纹，从而避免去除目标图像中的彩色条纹时出现图像掉色或者彩色条纹去除不彻底的问题。
45.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，并不能限制本技术。
附图说明
46.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。
47.图1是本技术实施例提供的一种图像处理方法的流程图；
48.图2是本技术实施例提供的一种目标图像的示意图；
49.图3是本技术实施例提供的一种强度级别确定模型的训练流程图；
50.图4是本技术实施例提供的一种获取训练图像的流程图；
51.图5是本技术实施例提供的一种图像处理装置的示意图；
52.图6是本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
53.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技术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、本技术的一些方面相一致的装置和方法的例子。
54.在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
55.应当理解，尽管在本技术可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
56.为了使本领域技术人员更好地理解本技术实施例提供的技术方案，并使本技术实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对本技术实施例中技术方案作进一步详细的说明。
57.参见图1，图1为本技术实施例提供的图像处理方法的流程图。作为一个实施例，图1所示的流程可以应用于电子设备，比如摄像机、计算机等设备。
58.如图1所示，该流程可以包括以下步骤：
59.步骤101，获得目标图像，该目标图像携带因干涉生成的彩色条纹。
60.在本技术实施例中，步骤101所获得的目标图像可以为在光照下摄像头面向玻璃抓拍到的画面，这里的玻璃可以为透过玻璃能看到另一侧景象的玻璃。本实施例中摄像头面向玻璃抓拍到的画面中，该玻璃因光照在玻璃上发生了干涉现象而在玻璃上生成了彩色条纹，导致抓拍画面中透过玻璃显示的玻璃另一侧的景象不清晰。
61.示例性的，该目标图像可以如图2所示，图2中玻璃为车窗，摄像头可以为交通系统中用于抓拍交通场景的摄像头。
62.步骤102，确定与该彩色条纹的强度对应的目标强度级别。
63.需要说明的是，本技术实施例中按照不同彩色条纹的强度，预先设置了多个强度级别，比如预先设置三个强度级别，分别为轻度、中度、深度，以在获得携带彩色条纹的目标图像时，从上述三个强度级别中确定一个与该目标图像携带的彩色条纹的强度对应的强度级别作为目标强度级别。
64.可选的，本实施例中可以采取以下两种方式确定与该彩色条纹的强度对应的目标强度级别：
65.作为一个实施例，上述彩色条纹的强度可以通过接收外部输入指令确定，该外部输入指令中携带了与该彩色条纹的强度对应的强度级别，可以将外部输入指令携带的强度级别确定为目标强度级别。其中外部输入指令携带的强度级别可以通过多种方式获取。
66.示例性的，上述外部输入指令携带的强度级别可以为用户依据观察到的目标图像携带的彩色条纹的强度所输入的强度级别。
67.或者，本实施例中可以针对每一预先设置的强度级别配置该强度级别在颜色域中对应的数值范围，则本实施例中可以将获取到的目标图像在颜色域中进行转换，将该目标图像被转换后所得到的数值所在的数值范围对应的强度级别确定为上述外部输入指令携带的强度级别。
68.示例性的，上述颜色域可以为bayer域、rgb域、yuv域、hsv域、hsl域、lab域等颜色域中的其中一个或者多个。
69.作为另一个实施例，本实施例中可以将目标图像输入至已训练的强度级别确定模型，以得到该强度级别确定模型输出的与该目标图像携带的彩色条纹的强度对应的强度级别，将上述强度级别确定模型输出的强度级别确定为目标强度级别。如图3所示，该强度级
别确定模型可以通过以下步骤训练得到：
70.步骤1021，获得训练图像集；所述训练图像集包括携带了彩色条纹的多张训练图像，与所述训练图像携带的彩色条纹的强度对应的强度级别被预先指定。
71.上述训练图像集中每一训练图像所携带的彩色条纹对应一个强度级别，并且本实施例中可以按照与各训练图像所携带的彩色条纹的强度对应的强度级别对训练图像进行分类，一个训练图像集包括多个分类，将携带的彩色条纹的强度对应的强度级别相同的训练图像划分为同一类。本实施例中针对彩色条纹的强度所预先设置的所有强度级别在该训练图像集中都有对应的分类，且每个分类中包括多个训练图像。
72.示例性的，若彩色条纹的强度级别包括轻度、中度和深度，则上述训练图像集中将包括三类训练图像，其中一类训练图像所携带的彩色条纹的强度对应的强度级别都为轻度，一类训练图像所携带的彩色条纹的强度对应的强度级别都为中度，最后一类训练图像所携带的彩色条纹的强度对应的强度级别都为深度。这里所举例的与彩色条纹的强度对应强度级别仅是为了便于说明，并非用于限定与彩色条纹的强度对应的强度级别。
73.需要说明的是，由于相关技术中不存在可以用于训练本实施例中的强度级别判断模型的图像数据集，因此本实施例还提供了一种用于获取训练图像集的方法流程，该方法流程将在介绍完图1所示流程之后结合图4进行详述，这里暂不赘述。
74.步骤1022，将训练图像集中的训练图像转换为指定分辨率的训练图像。
75.可选的，可以先对训练图像集中的训练图像进行预处理，在训练图像输入至待训练的强度级别确定模型之前，将训练图像转换为指定分辨率的训练图像；也可以将训练图像输入至待训练的强度级别确定模型，由待训练的强度级别确定模型将该训练图像转换为指定分辨率的训练图像。
76.步骤1023，利用指定分辨率的训练图像和深度学习方法训练出强度级别确定模型。
77.可选的，这里的深度学习方法可以是利用正常的cnn(convolutional neural network，卷积神经网络)等神经网络进行训练，或者利用相关技术中已存在的相比正常的cnn神经网络属于轻量级的神经网络进行训练。相比正常的cnn网络，这里的轻量级的神经网络参数量更少,计算量更小,因此模型进行前向推理所需要的时间也更少。
78.在本实施例中，具体使用哪一种神经网路可以依据实际需求进行选择，比如当需要训练出的强度级别确定模型的拟合度较高时，可以使用相比轻量级网络更重量级的正常的cnn神经网络，而当需要在较短时间内训练出强度级别确定模型时，则可以使用相关技术中已存在的轻量级网络。
79.示例性的，上述相关技术中已存在的轻量级的神经网络可以是squeezenet网络、mobilenet网络等，本技术对用于训练强度级别确定模型的神经网络并不限定。
80.步骤103，在已训练的所有彩色条纹去除模型中获得与所述目标强度级别对应的目标彩色条纹去除模型。
81.作为一个实施例，可以针对彩色条纹的强度对应所有强度级别都训练出一个对应的彩色条纹去除模型，比如当预先按照彩色条纹的强度设置的对应的强度级别包括轻度、中度和深度时，可以分别训练出对应强度级别的三个彩色条纹去除模型：轻度彩色条纹去除模型、中度彩色条纹去除模型和深度彩色条纹去除模型。
82.可选的，以轻度彩色条纹去除模型为例，该轻度彩色条纹去除模型可以通过轻度彩色条纹对应的训练图像集、测试集和深度学习方法进行训练得到。本实施例中轻度彩色条纹对应的训练图像集包括携带了彩色条纹的多张训练图像，该多张训练图像各自携带的彩色条纹的强度对应的强度级别都为轻度，测试集中则包括了未携带彩色条纹的多张样本图像。本实施例中其他强度级别对应的彩色条纹去除模型的训练过程可以参照上述轻度彩色条纹去除模型的训练过程，这里不再赘述。
83.需要说明的是，上述用于训练轻度彩色条纹去除模型的训练图像集和样本图像的获取方式，将在介绍完图1所示流程之后结合图4进行详述，这里暂不赘述。
84.步骤104，依据所述目标彩色条纹去除模型去除所述目标图像携带的所述彩色条纹。
85.作为一个实施例，本步骤104可以通过目标彩色条纹去除模型生成该目标图像对应的特征强度图，本实施例中所生成的特征强度图包括该目标图像中每一像素点对应的彩色条纹强度值，进而可以通过上述目标彩色条纹去除模型按照生成的特征强度图去除该目标图像携带的彩色条纹。
86.作为一个实施例，上述目标彩色条纹去除模型至少包括以下三个计算层：特征强度图计算层、彩色条纹特征层和彩色条纹去除层。
87.在本实施例中，这三个计算层分别由多层神经网络组成，每个计算层都对应一个权重参数矩阵，当上一计算层的输出输入到下一计算层进行处理时，下一计算层需要先将从上一计算层输入至本计算层的各输入数据与权重参数矩阵相计算，然后对计算后得到的结果进行处理。本实施例中每个计算层对应的权重参数矩阵互不相同，每个计算层中的神经网络层数也可以不同，各计算层对应的权重参数矩阵为目标彩色条纹去除模型利用深度学习方法训练出来的。其中，权重参数矩阵中的各权重参数即训练目标彩色条纹去除模型时需要拟合的参数，权重参数决定了目标彩色条纹去除模型可以去除目标图像上携带的彩色条纹，并且在去除目标图像上携带的彩色条纹时避免出现掉色或者彩色条纹去除不彻底的问题。
88.需要说明的是，在本实施例中，可以针对每一强度级别，训练出与该强度级别对应的彩色条纹去除模型，与该强度级别对应的彩色条纹去除模型可以在对强度与该强度级别对应的彩色条纹进行去除的过程中，避免出现掉色或者彩色条纹去除不彻底的问题。其中，本实施例中不同强度级别对应不同的彩色条纹去除模型，以及不同强度级别对应的彩色条纹去除模型的权重参数是不同的。
89.基于上述目标彩色条纹去除模型所包括三个计算层，本实施例可以通过以下步骤生成该目标图像对应的特征强度图：
90.在去除目标图像携带的彩色条纹时，目标彩色条纹去除模型首先会将目标图像输入至特征强度图计算层，在将目标图像输入至特征强度图计算层时，特征强度图计算层将计算输入的目标图像中每一像素点对应的彩色条纹强度值，并依据所述目标图像中每一像素点对应的彩色条纹强度值生成特征强度图。
91.可选的，若该目标图像的一个像素点中包含了彩色条纹，则该特征强度图中该像素点对应的内容为该像素点中彩色条纹在颜色域中转换出的数值；若该目标图像的一个像素点中未包含彩色条纹，则该特征强度图中该像素点对应的内容为0。
92.进一步的，本实施例中将通过所述特征强度图计算层将生成的特征强度图输入至上述的彩色条纹特征层，以由所述彩色条纹特征层依据所述特征强度图从所述目标图像中提取彩色条纹图像。本实施例中的从目标图像中提取出的彩色条纹图像为该目标图像中包含彩色条纹的图像区域，以及本实施例中彩色条纹特征层提取出的彩色条纹图像与该目标图像的分辨率一致。
93.可选的，若上述目标彩色条纹去除模型是通过cnn网络或者基于cnn网络的轻量级神经网络训练得出的，上述每一像素点对应的彩色条纹强度值都可以通过卷积计算提取出来，以及彩色条纹特征层依据特征强度图从所述目标图像中提取彩色条纹图像，也是通过卷积计算提取出来的。卷积计算的具体方式可以参照相关技术，这里不再赘述。
94.进一步的，基于上述彩色条纹特征层提取出的彩色条纹图像，可以通过所述彩色条纹去除层对输入的所述目标图像和所述彩色条纹特征层提取出的彩色条纹图像进行计算，以去除所述目标图像携带的所述彩色条纹。比如本实施例中可以通过目标图像减去上述的彩色条纹图像，以实现去除所述目标图像携带的所述彩色条纹。
95.至此，完成图1所示流程。
96.通过图1所示的流程可以看出，本技术实施例可以在获得携带因干涉生成的彩色条纹的目标图像时，根据确定出的与该彩色条纹的强度对应的目标强度级别，选择针对强度对应目标强度级别的彩色条纹进行去除的目标彩色条纹去除模型，利用目标彩色条纹去除模型去除上述目标图像携带的彩色条纹，从而避免去除目标图像中的彩色条纹时出现图像掉色或者彩色条纹去除不彻底的问题。
97.需要说明的是，若本实施例中为了保证训练出的强度级别确定模型和各彩色条纹去除模型的拟合度较高，采用了深度学习中正常的神经网络进行训练，则在训练完成强度级别确定模型和各彩色条纹去除模型之后，为了提高模型处理目标图像的速度，可以对已训练的强度级别确定模型和/或各彩色条纹去除模型进行压缩，以使压缩后的强度级别确定模型和/或各彩色条纹去除模型满足指定轻量级要求；其中，压缩后的强度级别确定模型和/或各彩色条纹去除模型中至少一个计算层的计算参数的数量，小于该强度级别确定模型和/或各彩色条纹去除模型中该计算层在压缩前的计算参数的数量。
98.示例性的，本实施例中对模型进行压缩可以使用模型蒸馏、通道剪枝、量化等压缩算法进行压缩，以及对模型进行压缩的程度可以依据业务需求进行设置，比如在交通系统中，由于交通系统需要实时并快速处理大量抓拍的车窗图像，要求模型对目标图像的处理速度要更高，则对模型进行压缩时，可以将模型的压缩程度调高，以保证模型对目标图像的处理速度更快。
99.下面结合图4对本实施例中用于训练强度级别判断模型的训练图像集、和用于训练彩色条纹去除模型的训练图像集和测试集的获取方式进行说明。
100.如图4所示，本实施例可以通过以下步骤合成训练图像：
101.步骤401，获取只携带彩色条纹的彩色条纹样本图像。
102.可选的，只携带彩色条纹的彩色条纹样本图像可以在一封闭空间中，在易产生干涉的玻璃的一侧采用涂黑或者放置一块黑布等方式，使得当光照射在该玻璃的另一侧上时，无法看到玻璃的该侧的景象，然后采用不同强度的灯光、以及使用不同角度的灯光照射玻璃，通过摄像机抓拍到多张不同的彩色条纹样本图像。
103.步骤402，对所述彩色条纹样本图像进行调整，以使调整后的彩色条纹样本图像的清晰度优于调整前的彩色条纹样本图像。
104.可选的，本实施例中可以通过对彩色条纹样本图像的饱和度、和/或亮度、和/或对比度进行调整，以使调整后的彩色条纹样本图像的清晰度优于调整前的彩色条纹样本图像。
105.进一步的，也可以上述对彩色条纹样本图像的调整得到多张不同的彩色条纹样本图像，该多张不同的彩色条纹样本图像各自携带的彩色条纹的强度互不相同。
106.步骤403，将调整后的彩色条纹样本图像和未携带彩色条纹的样本图像进行融合，得到携带彩色条纹的训练图像。
107.作为一个实施例，步骤403中未携带彩色条纹的样本图像可以使用强曝光直接照射玻璃，以避免光在玻璃上发生干涉而产生彩色条纹，然后通过摄像机抓拍到玻璃另一侧景象以获得未携带彩色条纹的样本图像。
108.可选的，本实施例可以选择利用任一颜色域融合调整后的彩色条纹样本图像和未携带彩色条纹的样本图像。
109.示例性的，本实施例可以在yuv域中融合调整后的彩色条纹样本图像和未携带彩色条纹的样本图像。yuv域包括y、u、v三个通道；其中y通道用于表示图像的明亮度，也就是灰度值，u通道和v通道用于表示的色度，以描述图像的色彩及饱和度。
110.基于yuv域，本实施例中可以采用以下算法融合调整后的彩色条纹样本图像和未携带彩色条纹的样本图像：
111.img_u_new＝img_u_clear (img_u_rainbow-128)*[0.1，n]；
[0112]
img_v_new＝img_v_clear (img_v_rainbow-128)*[0.1，n]；
[0113]
其中clear表示未携带彩色条纹的样本图像，rainbow表示彩色条纹样本图像，new表示融合后得到的训练图像，img_u表示图像在yuv域中对应u通道的数值，img_v表示图像在yuv域中对应v通道的数值。该算法中n的取值决定了训练图像中携带的彩色条纹强度级别，n越大，彩色条纹的强度越大，n的取值可以依据需求进行设置。
[0114]
可选的，融合后得到的训练图像，可以由用户通过观察各训练图像携带的彩色条纹的色彩深浅程度，或者通过获取各训练图像携带的彩色条纹在颜色域中转换出的数值确定彩色条纹的强度对应的强度级别，以预先为各训练图像指定训练图像中携带的彩色条纹的强度对应的强度级别。
[0115]
或者，用户可以通过使用相关技术去除训练图像中携带的彩色条纹，根据彩色条纹被去除的程度指定与该彩色条纹的强度对应的强度级别。比如当该彩色条纹未被完全消除时，指定与该彩色条纹的强度对应的强度级别为强度，当该彩色条纹被完全消除并且去除彩色条纹后的训练图像中未出现掉色情况时，指定与该彩色条纹的强度对应的强度级别为中度，当该彩色条纹被完全消除但去除彩色条纹后的训练图像中出现掉色情况时，指定与该彩色条纹的强度对应的强度级别为轻度。
[0116]
在具体实现时，本实施例可以利用上述过程中已被指定了与彩色条纹的强度对应的强度级别的各训练图像，分别组成用于训练强度级别判断模型的训练图像集、和用于训练彩色条纹去除模型的训练图像集。
[0117]
进一步的，本实施例可以将未携带彩色条纹的样本图像作为用于训练彩色条纹去
除模型的测试集。可选的，为了使彩色条纹去除模型的拟合程度更好，还可以通过对未携带彩色条纹的样本图像的饱和度、和/或亮度、和/或对比度进行调整，以使调整后的未携带彩色条纹的样本图像的清晰度优于调整前的未携带彩色条纹的样本图像。
[0118]
以上对本技术实施例提供的方法进行了描述。下面对本技术实施例提供的图像处理装置进行描述：
[0119]
参见图5，图5为本技术实施例提供的一种图像处理装置的示意图，该装置实施例应用于电子设备。该装置包括：
[0120]
目标图像获取单元501，用于获得目标图像，所述目标图像携带因干涉生成的彩色条纹。
[0121]
强度级别确定单元502，用于确定与所述彩色条纹的强度对应的目标强度级别。
[0122]
彩色条纹去除单元503，用于在已训练的所有彩色条纹去除模型中获得与所述目标强度级别对应的目标彩色条纹去除模型；依据所述目标彩色条纹去除模型去除所述目标图像携带的所述彩色条纹。
[0123]
可选的，所述彩色条纹去除单元503依据所述目标彩色条纹去除模型去除所述目标图像携带的所述彩色条纹包括：
[0124]
通过所述目标彩色条纹去除模型生成所述目标图像对应的特征强度图，所述特征强度图包括所述目标图像中每一像素点对应的彩色条纹强度值；
[0125]
通过所述目标彩色条纹去除模型按照所述特征强度图去除所述目标图像携带的所述彩色条纹。
[0126]
可选的，所述目标彩色条纹去除模型至少包括以下三个计算层：特征强度图计算层、彩色条纹特征层和彩色条纹去除层；
[0127]
所述彩色条纹去除单元503通过所述目标彩色条纹去除模型生成所述目标图像对应的特征强度图包括：
[0128]
通过所述特征强度图计算层计算输入的所述目标图像中每一像素点对应的彩色条纹强度值，并依据所述目标图像中每一像素点对应的彩色条纹强度值生成所述特征强度图；
[0129]
所述彩色条纹去除单元503通过所述目标彩色条纹去除模型按照所述特征强度图去除所述目标图像携带的所述彩色条纹包括：
[0130]
通过所述特征强度图计算层将生成的特征强度图输入至所述彩色条纹特征层，以由所述彩色条纹特征层依据所述特征强度图从所述目标图像中提取彩色条纹图像；所述彩色条纹图像为所述目标图像中包含彩色条纹的图像区域，所述彩色条纹图像与所述目标图像的分辨率一致；
[0131]
通过所述彩色条纹去除层对所述目标图像和所述彩色条纹图像进行计算，以去除所述目标图像携带的所述彩色条纹。
[0132]
可选的，所述强度级别确定单元502确定与所述彩色条纹的强度对应的目标强度级别包括：
[0133]
接收外部输入指令，所述外部输入指令携带与所述彩色条纹的强度对应的强度级别；将所述外部输入指令携带的所述强度级别确定为所述目标强度级别；或者，
[0134]
将目标图像输入至已训练的强度级别确定模型以得到所述强度级别确定模型输
出的与所述彩色条纹的强度对应的强度级别，将所述强度级别确定模型输出的强度级别确定为所述目标强度级别。
[0135]
可选的，该装置进一步包括：
[0136]
强度级别确定模型训练单元，用于获得训练图像集；所述训练图像集包括携带了彩色条纹的多张训练图像，所述训练图像携带的彩色条纹的强度对应的强度级别被预先指定；将训练图像集中的训练图像转换为指定分辨率的训练图像；利用指定分辨率的训练图像和深度学习方法训练出强度级别确定模型。
[0137]
可选的，该装置进一步包括：
[0138]
训练图像获取单元，用于获取彩色条纹样本图像；所述彩色条纹样本图像中只携带彩色条纹；对所述彩色条纹样本图像进行调整，以使调整后的彩色条纹样本图像的清晰度优于调整前的彩色条纹样本图像；将调整后的彩色条纹样本图像和未携带彩色条纹的样本图像进行融合，得到携带彩色条纹的训练图像。
[0139]
可选的，该装置进一步包括：
[0140]
模型压缩单元，用于对所述强度级别确定模型进行压缩，以使压缩后的强度级别确定模型满足指定轻量级要求；其中，压缩后的强度级别确定模型中至少一个计算层的计算参数的数量小于该强度级别确定模型中该计算层在压缩前的计算参数的数量。
[0141]
对应地，本技术实施例还提供了一种电子设备的硬件结构图，具体如图6所示，该电子设备可以为上述实施图像处理方法的设备。如图6所示，该硬件结构包括：处理器和存储器。
[0142]
其中，所述存储器，用于存储机器可执行指令；
[0143]
所述处理器，用于读取并执行所述存储器存储的机器可执行指令，以实现如上所示的所对应的图像处理方法的实施例。
[0144]
作为一个实施例，存储器可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，存储器可以是：易失存储器、非易失性存储器或者类似的存储介质。具体地，存储器可以是ram(radom access memory，随机存取存储器)、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。
[0145]
至此，完成图6所示电子设备的描述。
[0146]
以上所述仅为本技术的较佳实施例而已，并不用以限制本技术，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术保护的范围之内。