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、设备及介质。
背景技术：2.目前，在暗光条件下，普通相机无法采集到清晰的图像，通常需要通过红外相机借助其热感知度才能获取到高清的夜景图像，而红外相机的硬件成本较高，因此，如何在暗光条件下，获取到清晰的图像，并降低硬件成本是目前亟待解决的问题。
技术实现要素：3.有鉴于此，本技术的目的在于提供一种图像处理方法、装置、设备及介质，能够在暗光条件下得到清晰的图像，并降低硬件成本。其具体方案如下：
4.第一方面，本技术公开了一种图像处理方法，包括：
5.获取训练样本集；其中，所述训练样本集包括暗光图像样本和所述暗光图像样本对应的标签，所述标签为与所述暗光图像样本在同一场景下的亮光图像；
6.利用所述训练样本集对初始神经网络模型进行训练，得到训练后神经网络模型；
7.当获取到待处理暗光图像，则利用所述训练后神经网络模型输出所述待处理暗光图像对应的特征图；
8.将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像。
9.可选的，所述将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像，包括：
10.查找所述特征图的最大像素值和最小像素值；
11.利用公式val/(maxval-minval)
×
255，将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像；
12.其中，val表示所述特征图的像素值，maxval表示所述最大像素值，minval表示所述最小像素值。
13.可选的，所述将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像之后，还包括：
14.对所述处理后图像进行图像增强处理，得到增强后图像。
15.可选的，所述对所述处理后图像进行图像增强处理，包括：
16.判断所述处理后图像中每个像素值是否大于预设像素阈值，若是，则将像素值赋值为第一像素值，否则，将像素值赋值为第二像素值；其中，所述第一像素值大于所述第二像素值；
17.和/或，利用预设滤波器对所述处理后图像进行去噪处理。
18.可选的，所述获取训练样本集，包括：
19.获取多个不同场景下采集的多个图像集；
20.针对每个场景下的所述图像集，计算所述图像集中每张图像的图像亮暗评价参
数，将所述图像亮暗评价参数与第一预设参数阈值和第二预设参数阈值进行比较，并从所述图像亮暗评价参数小于所述第一预设参数阈值的图像中筛选出暗光图像，以及从所述图像亮暗评价参数大于所述第二预设参数阈值的图像中筛选出亮光图像；
21.确定出同一场景下的图像对，并将所述图像对中的暗光图像确定为暗光图像样本，亮光图像确定为该暗光图像对应的标签，得到训练样本集。
22.可选的，所述利用所述训练样本集对初始神经网络模型进行训练，得到训练后神经网络模型，包括：
23.利用所述训练样本集对初始残差网络模型进行训练，得到训练后神经网络模型。
24.可选的，所述利用所述训练样本集对初始神经网络模型进行训练，得到训练后神经网络模型，包括：
25.获取测试集；其中，所述测试集包括暗光测试图像和所述暗光测试图像对应的测试标签，所述测试标签为与所述暗光测试图像在同一场景下的亮光图像；并且，所述测试集与所述训练样本集中不存在场景重合的图像；
26.利用所述训练样本集以及所述测试集对初始神经网络模型进行训练，并在训练过程中计算训练样本集对应的第一损失，以及测试集对应的第二损失，当所述第二损失满足收敛条件，且小于所述第一损失，则将当前模型确定为训练后神经网络模型。
27.第二方面，本技术公开了一种图像处理装置，包括：
28.训练样本获取模块，用于获取训练样本集；其中，所述训练样本集包括暗光图像样本和所述暗光图像样本对应的标签，所述标签为与所述暗光图像样本在同一场景下的亮光图像；
29.模型训练模块，用于利用所述训练样本集对初始神经网络模型进行训练，得到训练后神经网络模型；
30.图像获取模块，用于获取待处理暗光图像；
31.特征图输出模块，用于利用所述训练后神经网络模型输出所述待处理暗光图像对应的特征图；
32.图像处理模块，用于将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像。
33.第三方面，本技术公开了一种电子设备，包括处理器和存储器；其中，
34.所述存储器，用于保存计算机程序；
35.所述处理器，用于执行所述计算机程序以实现前述的图像处理方法。
36.第四方面，本技术公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述的图像处理方法。
37.可见，本技术先获取训练样本集；其中，所述训练样本集包括暗光图像样本和所述暗光图像样本对应的标签，所述标签为与所述暗光图像样本在同一场景下的亮光图像，之后利用所述训练样本集对初始神经网络模型进行训练，得到训练后神经网络模型，当获取到待处理暗光图像，则利用所述训练后神经网络模型输出所述待处理暗光图像对应的特征图，最后将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像。也即，本技术通过同一场景下的暗光图像和亮光图像进行模型训练，并在训练的过程中，以纹理特征明显的亮光图像作为标签，得到具备提取图像纹理特征能力的训练后神经网络模型，当获取到待
处理暗光图像，则利用训练后网络模型输出待处理暗光图像对应的特征图，然后归一化至人眼可辨的灰度范围，得到清晰的灰度图像，这样，无需借助红外成像硬件设备，便能够在暗光条件下得到清晰的图像，降低了硬件成本。
附图说明
38.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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技术的实施例，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，还可以根据提供的附图获得其他的附图。
39.图1为本技术公开的一种图像处理方法流程图；
40.图2为本技术公开的一种具体的图像处理方法流程图；
41.图3为本技术公开的一种图像处理装置结构示意图；
42.图4为本技术公开的一种电子设备结构图。
具体实施方式
43.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
44.目前，在暗光条件下，普通相机无法采集到清晰的图像，通常需要通过红外相机借助其热感知度才能获取到高清的夜景图像，而红外相机的硬件成本较高，因此，如何在暗光条件下，获取到清晰的图像，并降低硬件成本是目前亟待解决的问题。为此，本技术提供了一种图像处理方案，能够在暗光条件下得到清晰的图像，并降低硬件成本。
45.参见图1所示，本技术实施例公开了一种图像处理方法，包括：
46.步骤s11：获取训练样本集；其中，所述训练样本集包括暗光图像样本和所述暗光图像样本对应的标签，所述标签为与所述暗光图像样本在同一场景下的亮光图像。
47.在一种具体的实施方式中，可以获取多个不同场景下采集的多个图像集；针对每个场景下的所述图像集，计算所述图像集中每张图像的图像亮暗评价参数，将所述图像亮暗评价参数与第一预设参数阈值和第二预设参数阈值进行比较，并从所述图像亮暗评价参数小于所述第一预设参数阈值的图像中筛选出暗光图像，以及从所述图像亮暗评价参数大于所述第二预设参数阈值的图像中筛选出亮光图像；确定出同一场景下的图像对，并将所述图像对中的暗光图像确定为暗光图像样本，亮光图像确定为该暗光图像对应的标签，得到训练样本集。也即，本技术实施例可以获取不同场景下的图像对，得到训练样本集。其中，图像亮暗评价参数可以为图像对比度，也可以为其他评价参数。
48.当然，其他实施方式中，也可以人工挑选出在暗光条件下拍摄的暗光图像，亮光条件下拍摄的亮光图像，得到训练样本集。
49.步骤s12：利用所述训练样本集对初始神经网络模型进行训练，得到训练后神经网络模型。
50.在具体的实施方式中，可以利用所述训练样本集对初始残差网络模型进行训练，
得到训练后神经网络模型。残差网络能很好的防止训练时模型梯度消失，此训练过程不存在模型欠拟合，能够有效提取图像纹理特征特点。需要说明的是，纹理区是指图像特定区域内存在像素值变化的范围，包含图像点、线等特征区域，反之图像其它部分区域为非纹理区域。
51.进一步的，在具体的实施方式中，可以获取测试集；其中，所述测试集包括暗光测试图像和所述暗光测试图像对应的测试标签，所述测试标签为与所述暗光测试图像在同一场景下的亮光图像；并且，所述测试集与所述训练样本集中不存在场景重合的图像；利用所述训练样本集以及所述测试集对初始神经网络模型进行训练，并在训练过程中计算训练样本集对应的第一损失，以及测试集对应的第二损失，当所述第二损失满足收敛条件，且小于所述第一损失，则将当前模型确定为训练后神经网络模型。
52.并且，本技术实施例中的损失函数可以采用二范式损失函数，做模型回归，其中初始残差网络模型可以采用retnet50作为网络骨干。
53.进一步的，在具体的实施方式中，还可以将所述训练后神经网络模型输出的所述测试集中每张暗光测试图像对应的特征图归一化至人眼可辨的灰度范围，得到待评价图像；利用预设图像质量评价函数输出所述待评价图像对应的得分。
54.比如，可以100对不同场景下的暗光、亮光图像作为训练集，测试集用10张不同场景的暗光图像作为测试集。在训练的过程中，每轮先输入训练集对模型进行训练，计算第一损失，更新模型，然后将测试集输入更新后的模型，计算第二损失，然后比较第一损失和第二损失的大小，不断迭代，直到第二损失收敛到一定程度，并且小于第一损失时，停止训练模型，得到训练后模型。
55.当然，在另外一些实施例中，还可以采用其他训练方法，比如，只利用训练样本集进行训练，并在训练的过程中，利用模型输出值和标签计算训练损失，直至训练损失收敛，得到训练后模型。
56.步骤s13：当获取到待处理暗光图像，则利用所述训练后神经网络模型输出所述待处理暗光图像对应的特征图。
57.在具体的实施方式中，可以采用普通的非红外相机获取待处理暗光图像。
58.步骤s14：将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像。
59.在具体的实施方式中，可以查找所述特征图的最大像素值和最小像素值；利用公式val/(maxval-minval)
×
255，将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像；其中，val表示所述特征图的像素值，maxval表示所述最大像素值，minval表示所述最小像素值。也即，本技术实施例将特征图恢复到[0,255]的灰度范围，得到相应的灰度图。
[0060]
可以理解的是，本技术提供的方案，可以应用于车辆技术、虚拟现实等多种技术领域，在光照条件不好的情况下，通过普通的摄像头拍摄图像，通过纯软件层次的处理获取清晰的图像，无需借助红外硬件成像设备。
[0061]
可见，本技术实施例先获取训练样本集；其中，所述训练样本集包括暗光图像样本和所述暗光图像样本对应的标签，所述标签为与所述暗光图像样本在同一场景下的亮光图像，之后利用所述训练样本集对初始神经网络模型进行训练，得到训练后神经网络模型，当获取到待处理暗光图像，则利用所述训练后神经网络模型输出所述待处理暗光图像对应的特征图，最后将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像。也即，本技术
通过同一场景下的暗光图像和亮光图像进行模型训练，并在训练的过程中，以纹理特征明显的亮光图像作为标签，得到具备提取图像纹理特征能力的训练后神经网络模型，当获取到待处理暗光图像，则利用训练后网络模型输出待处理暗光图像对应的特征图，然后归一化至人眼可辨的灰度范围，得到清晰的灰度图像，这样，无需红外成像硬件设备，便能够在暗光条件下得到清晰的图像，降低了硬件成本。
[0062]
参见图2所示，本技术实施例公开了一种具体的图像处理方法，包括：
[0063]
步骤s21：获取训练样本集；其中，所述训练样本集包括暗光图像样本和所述暗光图像样本对应的标签，所述标签为与所述暗光图像样本在同一场景下的亮光图像。
[0064]
步骤s22：利用所述训练样本集对初始神经网络模型进行训练，得到训练后神经网络模型。
[0065]
步骤s23：当获取到待处理暗光图像，则利用所述训练后神经网络模型输出所述待处理暗光图像对应的特征图。
[0066]
步骤s24：将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像。
[0067]
关于上述步骤s21至步骤s24的具体过程可以参考前述实施例的相应内容，在此不再进行赘述。
[0068]
步骤s25：对所述处理后图像进行图像增强处理，得到增强后图像。
[0069]
在第一种实施方式中，可以判断所述处理后图像中每个像素值是否大于预设像素阈值，若是，则将像素值赋值为第一像素值，否则，将像素值赋值为第二像素值；其中，所述第一像素值大于所述第二像素值。并且第一像素值和第二像素值之间的差值大于预设差值阈值。在一种具体的实施方式中，第一像素值以及第二像素值均可以为预设值，在另一种具体的实施方式中，第一像素值可以为从第一预设范围内选出的值，第二像素值可以为从第二预设范围内选出的值，比如，第一预设范围为[220，250]，从中可以选出240作为第一像素值，大于预设像素阈值的像素值均赋值为240，第二预设范围为[10,30]，从中可以选出20作为第二像素值，小于或等于预设像素阈值的像素值均赋值为20。预设像素阈值可以设为128，也即，本技术实施例根据预设像素阈值将图像中的像素进行亮暗分类，大于阈值的为亮色像素，小于或等于阈值的暗色像素，然后进行像素重构，将暗色像素赋值为同一较小像素值，亮色像素赋值为同一像素较大值，得到二值图像。也即，对纹理提取后对图像中非纹理的区域像素赋相同小值，纹理区赋相同大值，得到纹理特征更加清晰的图像。
[0070]
在第二种实施方式中，可以利用预设滤波器对所述处理后图像进行去噪处理。其中，预设滤波器可以为中值滤波器、均值滤波器等，在此不进行限定。
[0071]
在第三种实施方式中，可以判断所述处理后图像中每个像素值是否大于预设像素阈值，若是，则将像素值赋值为第一像素值，否则，将像素值赋值为第二像素值，以及对所述处理后图像进行图像增强处理，得到增强后图像。可以先判断所述处理后图像中每个像素值是否大于预设像素阈值，若是，则将像素值赋值为第一像素值，否则，将像素值赋值为第二像素值，得到二值化图像，然后利用预设滤波器对所述二值化进行去噪处理。
[0072]
参见图3所示，本技术实施例公开了一种图像处理装置，包括：
[0073]
训练样本获取模块11，用于获取训练样本集；其中，所述训练样本集包括暗光图像样本和所述暗光图像样本对应的标签，所述标签为与所述暗光图像样本在同一场景下的亮光图像；
[0074]
模型训练模块12，用于利用所述训练样本集对初始神经网络模型进行训练，得到训练后神经网络模型；
[0075]
图像获取模块13，用于获取待处理暗光图像；
[0076]
特征图输出模块14，用于利用所述训练后神经网络模型输出所述待处理暗光图像对应的特征图；
[0077]
图像处理模块15，用于将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像。
[0078]
可见，本技术先获取训练样本集；其中，所述训练样本集包括暗光图像样本和所述暗光图像样本对应的标签，所述标签为与所述暗光图像样本在同一场景下的亮光图像，之后利用所述训练样本集对初始神经网络模型进行训练，得到训练后神经网络模型，当获取到待处理暗光图像，则利用所述训练后神经网络模型输出所述待处理暗光图像对应的特征图，最后将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像。也即，本技术通过同一场景下的暗光图像和亮光图像进行模型训练，并在训练的过程中，以纹理特征明显的亮光图像作为标签，得到具备提取图像纹理特征能力的训练后神经网络模型，当获取到待处理暗光图像，则利用训练后网络模型输出待处理暗光图像对应的特征图，然后归一化至人眼可辨的灰度范围，得到清晰的灰度图像，这样，无需借助红外成像硬件设备，便能够在暗光条件下得到清晰的图像，降低了硬件成本。
[0079]
其中，图像处理模块15，具体包括：
[0080]
目标像素查找单元，用于查找所述特征图的最大像素值和最小像素值；
[0081]
归一化处理单元，用于利用公式val/(maxval-minval)
×
255，将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像；
[0082]
其中，val表示所述特征图的像素值，maxval表示所述最大像素值，minval表示所述最小像素值。
[0083]
进一步的，所述装置还包括图像增强模块，用于对所述处理后图像进行图像增强处理，得到增强后图像。
[0084]
在具体的实施方式中，所述增强模块，具体用于判断所述处理后图像中每个像素值是否大于预设像素阈值，若是，则将像素值赋值为第一像素值，否则，将像素值赋值为第二像素值；其中，所述第一像素值大于所述第二像素值；和/或，利用预设滤波器对所述处理后图像进行去噪处理。
[0085]
进一步的，所述训练样本获取模块11，具体用于：获取多个不同场景下采集的多个图像集；针对每个场景下的所述图像集，计算所述图像集中每张图像的图像亮暗评价参数，将所述图像亮暗评价参数与第一预设参数阈值和第二预设参数阈值进行比较，并从所述图像亮暗评价参数小于所述第一预设参数阈值的图像中筛选出暗光图像，以及从所述图像亮暗评价参数大于所述第二预设参数阈值的图像中筛选出亮光图像；确定出同一场景下的图像对，并将所述图像对中的暗光图像确定为暗光图像样本，亮光图像确定为该暗光图像对应的标签，得到训练样本集。
[0086]
在一种实施方式中，模型训练模块12，具体用于利用所述训练样本集对初始残差网络模型进行训练，得到训练后神经网络模型。
[0087]
在一种实施方式中，模型训练模块12，包括：
[0088]
测试集获取子模块，用于获取测试集；其中，所述测试集包括暗光测试图像和所述暗光测试图像对应的测试标签，所述测试标签为与所述暗光测试图像在同一场景下的亮光图像；并且，所述测试集与所述训练样本集中不存在场景重合的图像；
[0089]
模型训练单元，用于利用所述训练样本集以及所述测试集对初始神经网络模型进行训练，并在训练过程中计算训练样本集对应的第一损失，以及测试集对应的第二损失，当所述第二损失满足收敛条件，且小于所述第一损失，则将当前模型确定为训练后神经网络模型。
[0090]
参见图4所示，本技术实施例公开了一种电子设备20，包括处理器21和存储器22；其中，所述存储器22，用于保存计算机程序；所述处理器21，用于执行所述计算机程序，前述实施例公开的出图像处理方法。
[0091]
关于上述出图像处理方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0092]
并且，所述存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，存储方式可以是短暂存储或者永久存储。
[0093]
另外，所述电子设备20还包括电源23、通信接口24、输入输出接口25和通信总线26；其中，所述电源23用于为所述电子设备20上的各硬件设备提供工作电压；所述通信接口24能够为所述电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；所述输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
[0094]
进一步的，本技术实施例还公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述实施例公开的出图像处理方法。
[0095]
关于上述出图像处理方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0096]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0097]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0098]
以上对本技术所提供的一种图像处理方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本技术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技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，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技术的限制。
技术特征：1.一种图像处理方法，其特征在于，包括：获取训练样本集；其中，所述训练样本集包括暗光图像样本和所述暗光图像样本对应的标签，所述标签为与所述暗光图像样本在同一场景下的亮光图像；利用所述训练样本集对初始神经网络模型进行训练，得到训练后神经网络模型；当获取到待处理暗光图像，则利用所述训练后神经网络模型输出所述待处理暗光图像对应的特征图；将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像。2.根据权利要求1所述的图像处理方法，其特征在于，所述将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像，包括：查找所述特征图的最大像素值和最小像素值；利用公式val/(maxval-minval)
×
255，将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像；其中，val表示所述特征图的像素值，maxval表示所述最大像素值，minval表示所述最小像素值。3.根据权利要求1所述的图像处理方法，其特征在于，所述将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像之后，还包括：对所述处理后图像进行图像增强处理，得到增强后图像。4.根据权利要求3所述的图像处理方法，其特征在于，所述对所述处理后图像进行图像增强处理，包括：判断所述处理后图像中每个像素值是否大于预设像素阈值，若是，则将像素值赋值为第一像素值，否则，将像素值赋值为第二像素值；其中，所述第一像素值大于所述第二像素值；和/或，利用预设滤波器对所述处理后图像进行去噪处理。5.根据权利要求1所述的图像处理方法，其特征在于，所述获取训练样本集，包括：获取多个不同场景下采集的多个图像集；针对每个场景下的所述图像集，计算所述图像集中每张图像的图像亮暗评价参数，将所述图像亮暗评价参数与第一预设参数阈值和第二预设参数阈值进行比较，并从所述图像亮暗评价参数小于所述第一预设参数阈值的图像中筛选出暗光图像，以及从所述图像亮暗评价参数大于所述第二预设参数阈值的图像中筛选出亮光图像；确定出同一场景下的图像对，并将所述图像对中的暗光图像确定为暗光图像样本，亮光图像确定为该暗光图像对应的标签，得到训练样本集。6.根据权利要求1所述的图像处理方法，其特征在于，所述利用所述训练样本集对初始神经网络模型进行训练，得到训练后神经网络模型，包括：利用所述训练样本集对初始残差网络模型进行训练，得到训练后神经网络模型。7.根据权利要求1至6任一项所述的图像处理方法，其特征在于，所述利用所述训练样本集对初始神经网络模型进行训练，得到训练后神经网络模型，包括：获取测试集；其中，所述测试集包括暗光测试图像和所述暗光测试图像对应的测试标签，所述测试标签为与所述暗光测试图像在同一场景下的亮光图像；并且，所述测试集与所述训练样本集中不存在场景重合的图像；
利用所述训练样本集以及所述测试集对初始神经网络模型进行训练，并在训练过程中计算训练样本集对应的第一损失，以及测试集对应的第二损失，当所述第二损失满足收敛条件，且小于所述第一损失，则将当前模型确定为训练后神经网络模型。8.一种图像处理装置，其特征在于，包括：训练样本获取模块，用于获取训练样本集；其中，所述训练样本集包括暗光图像样本和所述暗光图像样本对应的标签，所述标签为与所述暗光图像样本在同一场景下的亮光图像；模型训练模块，用于利用所述训练样本集对初始神经网络模型进行训练，得到训练后神经网络模型；图像获取模块，用于获取待处理暗光图像；特征图输出模块，用于利用所述训练后神经网络模型输出所述待处理暗光图像对应的特征图；图像处理模块，用于将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像。9.一种电子设备，其特征在于，包括处理器和存储器；其中，所述存储器，用于保存计算机程序；所述处理器，用于执行所述计算机程序以实现如权利要求1至7任一项所述的图像处理方法。10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的图像处理方法。
技术总结本申请公开了一种图像处理方法、装置、设备及介质，包括：获取训练样本集；其中，所述训练样本集包括暗光图像样本和所述暗光图像样本对应的标签，所述标签为与所述暗光图像样本在同一场景下的亮光图像；利用所述训练样本集对初始神经网络模型进行训练，得到训练后神经网络模型；当获取到待处理暗光图像，则利用所述训练后神经网络模型输出所述待处理暗光图像对应的特征图；将所述特征图归一化至人眼可辨的灰度范围，得到处理后图像。这样，能够在暗光条件下得到清晰的图像，并降低硬件成本。并降低硬件成本。并降低硬件成本。
技术研发人员：刘峰 申恒涛 沈复民
受保护的技术使用者：成都考拉悠然科技有限公司
技术研发日：2022.03.29
技术公布日：2022/7/5
