图像处理超参数优化方法、系统、设备及存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及一种图像处理超参数优化方法、系统、设备及存储介质。


背景技术：

2.商业级的成像系统依赖图像信号处理(image signal processing,isp)流程，该流程通常由若干像素级(pixel-level)图像处理模块组成，在这些模块中包含了大量的超参数，用于将传感器上的raw图像重建成一张rgb图像。在监控领域，通常硬件isp超参数与重建的rgb图像有着复杂的交互。传统的方法，通常需要有丰富经验的isp工程师花费数月时间去优化这些超参数，这不仅需要耗费大量的时间资源，且难以保证所优化的参数在增量迭代过程中是全局或者局部最优的。
3.近年来，随着卷积神经网络(convolutional nearul network,cnn)和生成对抗网络(generative adversarial network,gan)在像素级图像处理领域的优异表现，各种各样基于神经网络替代isp流程的方法层出不穷。而这些方法通常既需要强大算力的支撑，又无法产生多样化输出，且模型在真实场景中的泛化能力也难以保证，无法满足监控场景的实际需求。为了解决上述问题，mosleh等人提出硬件内循环端到端优化方法，但该方法需要联合硬件设备进行优化，灵活性较低且无法根据动态场景变化而更新参数。kosugi等人提出基于强化学习(reinforcement learning)的优化方法，但该方法不能满足黑盒(black-box)硬件isp超参数优化的需求。此外上述方法，均不能根据监控场景动态变化而实时预测isp超参数。
4.在实际场景中，isp工程师通常需要花费大量人力、物力和时间成本对监控设备进行调参，以达到视觉质量最佳的效果。监控设备内部isp流程，可分为标定模块(如：颜色矫正、自动白平衡、黑电平以及阴影矫正等)和调参模块(如：去马赛克、锐化、2d降噪和3d降噪等)。虽然过去的ai算法对调参模块中基于图像的参数(如：去马赛克、锐化和2d降噪)优化取得了很好的效果，但是对3d降噪参数的优化仍然存在问题。3d降噪参数不同于基于图像的参数，其作用于视频，并且对不同运动速度的物体有不同的降噪强度。
5.基于上述分析，现有基于图像的ai优化isp算法主要存在的问题是：由于代理模型采集的数据为静止图像，因此不能反应不同运动速度的物体在不同3d降噪参数设置下的图像效果。


技术实现要素：

6.针对现有技术中的问题，本发明的目的在于提供一种图像处理超参数优化方法、系统、设备及存储介质，实现自动优化图像处理中的3d降噪参数。
7.本发明实施例提供一种图像处理超参数优化方法，包括如下步骤：
8.采集运动物体的原始图像，并获取多个训练用超参数组合；
9.基于所述运动物体的原始图像和所述多个训练用超参数组合，训练图像处理模
型，使所述图像处理模型拟合预设的图像处理算法；
10.采集静态物体的原始图像，并获取所述静态物体的原始图像所对应的超参数优化参考图像；
11.基于所述静态物体的原始图像和所述超参数优化参考图像，优化所述图像处理模型所采用的超参数组合。
12.本发明的图像处理超参数优化方法中，在采集用于拟合训练模型的图像时采集运动物体的图像，用于反应不同3d降噪参数与运动物体间的联系，实现了图像处理模型拟合硬件图像处理设备的图像处理算法，然后进一步采集训练数据来基于图像处理模型对超参数组合进行优化，实现了全自动、无需人力参与的图像处理超参数优化，优化后的参数可以适用于软件或硬件的图像处理流程。并且相比于现有的优化方法，实现了自动优化图像处理中的3d降噪参数。
13.在一些实施例中，所述运动物体为匀速旋转的转盘。
14.在一些实施例中，基于所述运动物体的原始图像和所述多个训练用超参数组合，训练图像处理模型，使所述图像处理模型拟合预设的图像处理算法，包括如下步骤：
15.对于所述运动物体的原始图像，基于每个训练用超参数组合和预设的图像处理算法，生成每个训练用超参数组合所对应的模型优化参考图像；
16.将所述运动物体的原始图像和每个训练用超参数组合输入所述图像处理模型；
17.基于所述图像处理模型的输出图像与所对应的模型优化参考图像迭代训练所述图像处理模型。
18.在一些实施例中，获取所述静态物体的原始图像所对应的超参数优化参考图像，包括如下步骤：
19.将所述静态物体的原始图像采用预设的图像处理算法处理后，得到第一参考图像；
20.获取对所述静态物体的原始图像对应的同一场景拍摄得到的所述静态物体的第二参考图像；
21.将所述第一参考图像和所述第二参考图像使用图像配准算法进行对齐，得到所述超参数优化参考图像。
22.在一些实施例中，所述预设的图像处理算法用于将raw图像处理得到rgb图像，所述原始图像为raw图像，所述模型优化参考图像和所述超参数优化参考图像分别为rgb图像。
23.在一些实施例中，基于所述静态物体的原始图像和所述超参数优化参考图像，优化所述图像处理模型所采用的超参数组合，包括如下步骤：
24.对各个超参数进行初始化，得到一个初始化超参数组合；
25.将所述静态物体的原始图像和所述初始化超参数组合输入所述图像处理模型，得到模型处理图像；
26.基于所述模型处理图像和所述超参数优化参考图像计算损失，反向优化所述初始化超参数组合，得到优化后的超参数组合。
27.在一些实施例中，所述采集静态物体的原始图像，包括采集所述静态物体的至少两帧连续原始图像；
28.基于所述模型处理图像和所述超参数优化参考图像计算损失时，基于所述至少两帧连续原始图像所对应的至少两个模型处理图像计算时序一致性损失，并基于所述模型处理图像和所述超参数优化参考图像计算模型预测损失，将所述时序一致性损失和所述模型预测损失加权求和得到总损失。
29.在一些实施例中，基于所述模型处理图像和所述超参数优化参考图像计算损失，反向优化所述初始化超参数组合，得到优化后的超参数组合，包括如下步骤：
30.设定多个所述时序一致性损失权重，基于每个时序一致性损失权重分别计算得到总损失后，反向优化所述初始化超参数组合，得到与所述时序一致性损失权重所对应的多个优化后超参数组合；
31.采集评分用原始图像，将所述评分用原始图像和每个优化后超参数组合输入预设的图像处理算法中，得到与所述优化后超参数组合对应的多个处理后图像；
32.采用图像质量评价方法分别对所述多个处理后图像进行评分；
33.选择评分最高的处理后图像所对应的优化后超参数组合，作为最终超参数组合。
34.本发明实施例还提供一种图像处理超参数优化系统，应用于所述的图像处理超参数优化方法，所述系统包括：
35.第一采集模块，用于采集运动物体的原始图像，并获取多个训练用超参数组合；
36.模型拟合模块，用于基于所述运动物体的原始图像和所述多个训练用超参数组合，训练图像处理模型，使所述图像处理模型拟合预设的图像处理算法；
37.第二采集模块，用于采集静态物体的原始图像，并获取所述静态物体的原始图像所对应的超参数优化参考图像；
38.超参数优化模块，用于基于所述静态物体的原始图像和所述超参数优化参考图像，优化所述图像处理模型所采用的超参数组合。
39.本发明的图像处理超参数优化系统中，通过第一采集模块在采集用于拟合训练模型的图像时采集运动物体的图像，用于反应不同3d降噪参数与运动物体间的联系，通过模型拟合模块实现了图像处理模型拟合硬件图像处理设备的图像处理算法，通过第二采集模块和超参数优化模块进一步采集训练数据来基于图像处理模型对超参数组合进行优化，实现了全自动、无需人力参与的图像处理超参数优化，优化后的参数可以适用于软件或硬件的图像处理流程。并且相比于现有的优化方法，实现了自动优化图像处理中的3d降噪参数。
40.本发明实施例还提供一种图像处理超参数优化设备，包括：
41.处理器；
42.存储器，其中存储有所述处理器的可执行指令；
43.其中，所述处理器配置为经由执行所述可执行指令来执行所述的图像处理超参数优化方法的步骤。
44.通过采用本发明所提供的图像处理超参数优化设备，所述处理器在执行所述可执行指令时执行所述的图像处理超参数优化方法，由此可以获得上述图像处理超参数优化方法的有益效果。
45.本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的图像处理超参数优化方法的步骤。
46.通过采用本发明所提供的计算机可读存储介质，其中存储的程序在被执行时实现
所述的图像处理超参数优化方法的步骤，由此可以获得上述图像处理超参数优化方法的有益效果。
附图说明
47.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
48.图1是本发明一实施例的图像处理超参数优化方法的流程图；
49.图2是本发明一实施例的图像处理超参数优化方法的实现过程示意图；
50.图3是本发明一实施例的训练图像处理模型的流程图；
51.图4是本发明一实施例的获取所述静态物体的原始图像所对应的超参数优化参考图像的流程图；
52.图5是本发明一实施例的优化所述图像处理模型所采用的超参数组合的流程图；
53.图6是本发明一实施例的图像处理超参数优化系统的示意图；
54.图7是本发明一实施例的图像处理超参数优化设备的结构示意图；
55.图8是本发明一实施例的计算机存储介质的结构示意图。
具体实施方式
56.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。
57.如图1所示，在一实施例中，本发明提供了一种图像处理超参数优化方法，包括如下步骤：
58.s100：采集运动物体的原始图像，并获取多个训练用超参数组合；
59.此处获取训练用超参数组合，即对超参数组合进行采样，可以通过设置各个超参数的值，然后随机组合超参数获取多个超参数组合，用于训练图像处理模型；此处超参数即为应用于isp设备中的图像处理算法或软件图像处理算法的超参数；
60.s200：基于所述运动物体的原始图像和所述多个训练用超参数组合，训练图像处理模型，使所述图像处理模型拟合预设的图像处理算法；
61.在该实施例中，所述预设的图像处理算法为基于超参数实现的，应用于isp设备中的图像处理算法或软件图像处理算法；
62.这一步骤的目的主要是获得一个拟合图像处理算法的图像处理模型，从而可以将该图像处理模型用于后续的超参数组合优化；
63.s300：采集静态物体的原始图像，并获取所述静态物体的原始图像所对应的超参数优化参考图像；
64.此处静态物体与上述运动物体优选采用同一个物体，即步骤s100中采用的是该物体处于运动状态下时的运动物体，步骤s300采用的是该物体处于静止状态下的静态物体；此处超参数优化参考图像指的是对比设备(比如，数码相机)拍摄的图像或者通过ps得到的更高质量图像；
65.s400：基于所述静态物体的原始图像和所述超参数优化参考图像，优化所述图像处理模型所采用的超参数组合。
66.本发明的图像处理超参数优化方法中，通过步骤s100在采集用于拟合训练模型的图像时采集运动物体的图像，用于反应不同3d降噪参数与运动物体间的联系，通过步骤s200实现了图像处理模型拟合硬件图像处理设备的图像处理算法，通过步骤s300和s400进一步采集训练数据来基于图像处理模型对超参数组合进行优化，实现了全自动、无需人力参与的图像处理超参数优化，优化后的参数可以适用于软件或硬件的图像处理流程。并且相比于现有的优化方法，实现了自动优化图像处理中的3d降噪参数。本发明可以很好地适用于监控场景下监控设备采集的图像处理中的超参数的优化，也可以应用于其他应用场景中，例如人脸识别开锁、目标防撞检测等等。
67.在该实施例中，所述原始图像为raw图像，经过预设的图像处理算法得到的输出图像为rgb图像，经过拟合图像处理算法的图像处理模型得到的输出图像也为rgb图像。以下以原始图像为raw图像，图像处理后的图像为rgb图像为例进行说明，图像处理算法包括将raw图像转换为rgb图像的算法，还可以包括对图像进行增强的算法，例如可以包括白平衡处理、去马赛克处理、去噪处理、颜色矫正处理等。对应地，超参数可以包括每种算法中所使用的超参数。但本发明不限于此，在其他实施方式中，所述原始图像和所述输出图像也可以为其他格式的图像。本发明的图像处理算法也不限于将图像从raw图像处理得到rgb图像的图像处理算法，也可以是其他类型的图像处理流程，例如只包括去噪处理，或者只包括颜色矫正处理，或者是对图像的分辨率的增强流程，或者是对图像的亮度增强流程等等。
68.每个超参数预设有一个值域范围。在对超参数进行采样时，即对每一个isp超参数在其值域范围内进行分层采样，然后随机组合，得到多个超参数组合，以保证超参数所有可取值都被均匀采样。例如，去马赛克处理、锐化、去噪的超参数和对应的值域范围如下表1：
69.表1超参数值域范围表
70.[0071][0072]
在该实施例中，通过步骤s400得到的优化后的超参数可以用于硬件isp设备使用，也可以用于软件的图像处理算法。以下以所述优化后的超参数用于图像采集设备为例进行说明，该图像采集设备可以采集raw图像，并在内部通过isp算法得到rgb图像，将该图像采集设备作为调试设备。在应用于监控场景时，该调试设备可以是监控设备。在其他应用场景中，该调试设备也可以为其他类型的图像采集设备，例如防撞检测设备、目标检测设备等。图2中示例性地示出了该图像处理超参数优化方法的实现过程。其中主要包括：采样阶段、代理模型拟合和参数优化。采样阶段对应于上述的步骤s100，实现训练用超参数组合的采集，代理模型拟合对应于上述步骤s200，即训练图像处理模型作为代理模型，用于替代调试设备的内部isp算法。参数优化对应于上述步骤s300和s400，基于图像处理模型对超参数进行优化。所述图像处理模型和图像处理算法处理得到的rgb图像可以用于人脸识别、目标检测、图像质量检测等多个领域。
[0073]
在该实施例中，所述运动物体为匀速旋转的转盘。由于转盘从圆心到边缘具有不同的线速度，所以采集到的图像的转盘区域反映了不同3d降噪参数对应图像的变化，因此图像处理模型对3d降噪参数也可以良好地建模。
[0074]
所述步骤s100中，采集运动物体的原始图像，并获取多个训练用超参数组合，包括：首先，在标准暗室场景中布置可持续匀速旋转的转盘，使用媒体控制流抓拍程序，自动
化获取调试设备的raw图像i
raw
，即运动物体的原始图像，并随机设置isp超参数值组合p，作为训练用超参数组合。
[0075]
本发明将图像处理算法看作成一个将输入raw图像转换成输出rgb图像的函数f
isp
。因为可通过超参数p进行参数化，所以i
rgb
＝f
isp
(i
raw
；p)。由此，可将isp超参数优化问题定义为：
[0076][0077]
其中，p
*
表示通过任务特定评估标准优化的最佳isp超参数设置；n表示目标图像的数量；p为isp超参数值组合；i
iraw
第i张运动物体的原始图像，i
igt
表示对比设备的抓拍的第i张rgb图像。公式(1)为对传统方法isp超参数优化的定义，在该传统方法的isp超参数优化定义中，l
task
指的是不同任务评价标准。
[0078]
通常硬件或者软件图像处理算法f
isp
是不可微分的，这导致无法对公式(1)使用梯度下降法进行优化。为了解决这个问题，本发明提出一个基于卷积神经网络的可微分代理模型f
proxy
，并通过训练f
proxy
，使得f
proxy
≈f
isp
。与f
isp
一样，f
proxy
通过附加超参数组合p作为输入，将输入图像i
raw
映射成所以存在w表示代理模型参数。通过对公式(2)进行优化，可得到逼近f
isp
的f
proxy
参数w
*
，m表示训练数据数量。在该实施例中，训练得到的代理模型即为图像处理模型。表示训练代理模型时的第i张参考图像，即用于与代理模型输出图像一起计算损失函数的标签图像；表示代理模型的第i张输出图像。
[0079][0080]
如图2和图3所示，在该实施例中，所述步骤s200中，基于所述运动物体的原始图像和所述多个训练用超参数组合，训练图像处理模型，使所述图像处理模型拟合预设的图像处理算法，包括如下步骤：
[0081]
s210：对于所述运动物体的原始图像，基于每个训练用超参数组合和预设的图像处理算法，生成每个训练用超参数组合所对应的模型优化参考图像；
[0082]
具体地，获取该训练用超参数组合p设置下，经过调试设备内部isp对运动物体的原始图像i
raw
处理后的rgb图像i
rgb
，即模型优化参考图像。经过此采集流程，可以获取大量(i
raw
,p,i
rgb
)三元组；
[0083]
s220：将所述运动物体的原始图像和每个训练用超参数组合输入所述图像处理模型w；
[0084]
在该实施例中，运动物体的原始图像表示为i
raw
，训练用超参数组合为p；
[0085]
在该实施例中，该图像处理模型可以采用卷积神经网络模型构建，具体可以包括卷积层、最大池化层、上采样层等，但本发明不限于此，该图像处理模型也可以选择为其他网络结构；
[0086]
s230：基于所述图像处理模型的输出图像与所对应的模型优化参考图像迭代训练所述图像处理模型。
[0087]
在该实施例中，模型优化参考图像表示为i
rgb
。
[0088]
即基于图像处理模型输出的一幅rgb图像与模型优化参考图像i
rgb
求损失l
proxy
。在模型收敛之后，即可认为得到了一个可替代调试设备内部isp的代理模型。
[0089]
在图像处理模型收敛之后，可以得到f
proxy
的模型参数w
*
，通过固定模型参数w
*
可以将公式(1)改写成公式(3)。
[0090][0091]
因此，针对给定任务对应的损失函数l
task
，通过步骤s300和s400，对isp超参数组合p使用梯度下降法进行优化。pi指的是所有超参数组合中的一个。其中，根据不同的给定任务可以对应不同的损失函数l
task
；如，给定任务为图像视觉质量更高则l
task
为感知损失函数；给定任务为图像的目标检测准确率更高则l
task
为检测的损失函数。损失函数可根据具体需求设置，不以此为限。
[0092]
在该实施例中，所述步骤s300中，采集静态物体的原始图像，包括：将标准暗室场景中的转盘停止旋转，整个暗室场景为静止，使用媒体控制流抓拍程序，采集调试设备的raw图像，即静态物体的原始图像。
[0093]
在该实施例中，在采集静态物体的原始图像时，采集所述静态物体的至少两帧连续原始图像。此处以采集连续两帧原始图像为例进行说明。具体地，使用媒体控制流抓拍程序，采集调试设备的连续两帧raw图像
[0094]
如图4所示，所述步骤s300中，获取所述静态物体的原始图像所对应的超参数优化参考图像，包括如下步骤：
[0095]
s310：将所述静态物体的原始图像中的第一帧raw图像采用预设的图像处理算法处理后，得到第一参考图像；
[0096]
在该实施例中，静态物体的原始图像为连续两帧原始图像，表示为第一帧静态物体的原始图像表示为第二帧静态物体的原始图像表示为第一参考图像表示为
[0097]
第一参考图像即为获取调试设备内部对该静态物体的原始图像经过isp算法处理后的rgb图像；
[0098]
s320：获取对所述静态物体的原始图像对应的同一场景拍摄得到的所述静态物体的第二参考图像；
[0099]
具体地，第二参考图像为使用一台数码相机或者对比设备对静态图像的原始图像对应的同一场景场景抓拍的一张rgb图像i
gt
。
[0100]
s330：将所述第一参考图像和所述第二参考图像使用图像配准算法进行对齐，得到所述超参数优化参考图像。
[0101]
具体地，在该实施例中，第一参考图像表示为第二参考图像表示为i
gt
，超参数优化参考图像表示为由此可以得到一组由此可以得到一组的三元组。
[0102]
如图5所示，在该实施例中，所述步骤s400：基于所述静态物体的原始图像和所述超参数优化参考图像，优化所述图像处理模型所采用的超参数组合，包括如下步骤：
[0103]
s410：对各个超参数进行初始化，得到一个初始化超参数组合，此处初始化例如可
以是随机初始化，得到初始化超参数组合；
[0104]
s420：将所述静态物体的原始图像和所述初始化超参数组合输入所述图像处理模型，得到模型处理图像；
[0105]
在该实施例中，静态物体的原始图像表示为初始化超参数组合表示为p0，模型处理图像表示为和
[0106]
s430：基于所述模型处理图像和所述超参数优化参考图像计算损失，反向优化所述初始化超参数组合，得到优化后的超参数组合。
[0107]
即对三元组求损失，使用梯度下降法优化p0，得到优化后的超参数p。
[0108]
在该实施例中，所述步骤s430中，基于所述模型处理图像和所述超参数优化参考图像计算损失时，基于所述至少两帧连续原始图像所对应的至少两个模型处理图像计算时序一致性损失，并基于所述模型处理图像和所述超参数优化参考图像计算模型预测损失，将所述时序一致性损失和所述模型预测损失加权求和得到总损失。
[0109]
具体地，采用如下公式计算总损失：
[0110][0111]
其中，λ为平衡时序一致性损失的时序一致性损失权重，λ越大，优化的参数噪声强度越小、时序一致性越好、清晰度越低，λ越小优化的参数噪声强度越大、时序一致性越差、清晰度越高。
[0112]
通常解决视频上的时序一致性问题，需要采集连续多帧作为模型输入，并使用光流、可变性卷积或者注意力等机制将多帧信息进行融合，这既增加了采集数据的难度，因为媒体控制流程序受限于内存和带宽无法采集连续帧，且在采集超参数优化参考图像时也需要采集连续帧，难以解决对比设备和调试设备由于抓拍时间不一致，运动物体在图像上位置出现偏差的问题，同时也增加了对于硬件算力的要求。而使用时序一致性损失，不仅采集数据容易，而且不需要对基于图像的ai优化算法进行大量的修改。因此，在该实施例中，由于通过模型处理图像和可以求时序一致性损失，有效保证了优化的超参数组合p，在高增益场景视频下有良好的帧间一致性和较低的噪声强度，提升了视频上的视觉质量。通常时序一致性损失权重越大，ai优化的3d降噪参数在视频上噪声跳动越小但清晰度较低，反之则噪声跳动明显但清晰度较高。
[0113]
如上所，在时序一致性损失权重λ选择为不同值时，所对应得到的输出图像质量存在差异，对应地优化后的超参数组合也会有所不同。在该实施例中，为了解决时序一致性损失权重λ需要工程师依靠主观调节，不能实现自动化优化的问题，还提供了一种基于图像评分来自动选择合适的时序一致性损失权重的方法。因此，在该实施例中，所述图像处理超参数优化方法还包括参数评价部分，即使用图像质量评价的方法选择最优的isp超参数。
[0114]
具体地，所述步骤s430中，基于所述模型处理图像和所述超参数优化参考图像计算损失，反向优化所述初始化超参数组合，得到优化后的超参数组合，包括如下步骤：
[0115]
设定多个所述时序一致性损失权重，基于每个时序一致性损失权重分别采用l
task
的计算公式计算得到总损失后，反向优化所述初始化超参数组合，得到与所述时序一致性损失权重所对应的多个优化后超参数组合；
[0116]
具体来说，在参数优化阶段，设置不同的λ＝{λ1,λ2,
…
}，每一个λi经过优化均会得到一个优化后超参数组合p
i*
；
[0117]
采集评分用原始图像，将所述评分用原始图像和每个优化后超参数组合输入预设的图像处理算法中，得到与所述优化后超参数组合对应的多个处理后图像；该评分用原始图像可以是使用调试设备对前述转盘的同样场景下抓取的raw图像；
[0118]
采用图像质量评价方法分别对所述多个处理后图像进行评分，此处图像质量评价方法例如可以选择基于无参考的图像质量评价方法，如niqe、brisque等；
[0119]
选择评分最高的处理后图像所对应的优化后超参数组合，作为最终超参数组合。
[0120]
具体来说，在获得了一系列优化后超参数组合p
i*
之后，将p
i*
分别导入调试设备中，采集评分用原始图像后，通过调试设备获取多个处理后图像然后通过图像质量评价方法(image quality assessment,iqa)得到分数最高的λi和p
i*
，如公式(5)所示，p
i*
即为最终ai优化的3d降噪参数。
[0121][0122]
在另一种实施方式中，在获得了一系列优化后超参数组合p
i*
之后，也可以将p
i*
分别导入到步骤s200训练得到的图像处理模型中，获取图像处理模型输出的处理后图像，然后通过图像质量评价方法得到分数最高的λi和p
i*
。
[0123]
如图6所示，本发明实施例还提供一种图像处理超参数优化系统，应用于所述的图像处理超参数优化方法，所述系统包括：
[0124]
第一采集模块m100，用于采集运动物体的原始图像，并获取多个训练用超参数组合；
[0125]
模型拟合模块m200，用于基于所述运动物体的原始图像和所述多个训练用超参数组合，训练图像处理模型，使所述图像处理模型拟合预设的图像处理算法；
[0126]
第二采集模块m300，用于采集静态物体的原始图像，并获取所述静态物体的原始图像所对应的超参数优化参考图像；
[0127]
超参数优化模块m400，用于基于所述静态物体的原始图像和所述超参数优化参考图像，优化所述图像处理模型所采用的超参数组合。
[0128]
本发明的图像处理超参数优化系统中，通过第一采集模块m100在采集用于拟合训练模型的图像时采集运动物体的图像，用于反应不同3d降噪参数与运动物体间的联系，通过模型拟合模块m200实现了图像处理模型拟合硬件图像处理设备的图像处理算法，通过第二采集模块m300和超参数优化模块m400进一步采集训练数据来基于图像处理模型对超参数组合进行优化，实现了全自动、无需人力参与的图像处理超参数优化，优化后的参数可以适用于软件或硬件的图像处理流程。并且相比于现有的优化方法，实现了自动优化图像处理中的3d降噪参数。
[0129]
本发明的图像处理超参数系统中，各个模块的功能可以采用上述方法中对应步骤的具体实施方式来实现，此处不再赘述。
[0130]
本发明实施例还提供一种图像处理超参数优化设备，包括处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行所述的图像处理超参数优化方法的步骤。
[0131]
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0132]
下面参照图7来描述根据本发明的这种实施方式的电子设备600。图7显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0133]
如图7所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
[0134]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。
[0135]
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。
[0136]
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0137]
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0138]
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0139]
通过采用本发明所提供的图像处理超参数优化设备，所述处理器在执行所述可执行指令时执行所述的图像处理超参数优化方法，由此可以获得上述图像处理超参数优化方法的有益效果。
[0140]
本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的图像处理超参数优化方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
[0141]
参考图8所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，
例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。
[0142]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0143]
所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0144]
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或集群上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0145]
通过采用本发明所提供的计算机可读存储介质，其中存储的程序在被执行时实现所述的图像处理超参数优化方法的步骤，由此可以获得上述图像处理超参数优化方法的有益效果。
[0146]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。