具体实施方式

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范例；相反，提供这些实施方式使得本公开将更加全面和完整，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。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在至少一个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。

云技术(Cloud technology)是基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。

人工智能云服务，一般也被称作是AIaaS(AI as a Service，中文为“AI即服务”)。这是目前主流的一种人工智能平台的服务方式，具体来说AIaaS平台会把几类常见的AI服务进行拆分，并在云端提供独立或者打包的服务。这种服务模式类似于开了一个AI主题商城：所有的开发者都可以通过API接口的方式来接入使用平台提供的一种或者是多种人工智能服务，部分资深的开发者还可以使用平台提供的AI框架和AI基础设施来部署和运维自已专属的云人工智能服务。

随着互联网、实时数据流、连接设备多样化的发展，以及搜索服务、社会网络、移动商务和开放协作等需求的推动，云计算迅速发展起来。不同于以往的并行分布式计算，云计算的产生从理念上将推动整个互联网模式、企业管理模式发生革命性的变革。

图1示出了可以应用本公开实施例的图像处理方法或装置的示例性系统架构的示意图。

如图1所示，系统架构100可以包括终端设备101、102、103中的一种或多种，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机、台式计算机、可穿戴设备、虚拟现实设备、智能家居、智能相机等等。

服务器105可以是提供各种服务的服务器，也可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。例如终端设备103(也可以是终端设备101或102)向服务器105上传目标图像。服务器105可以获取目标图像；获得所述目标图像中各个像素点的灰度值；根据所述目标图像中各个像素点的灰度值，获得所述目标图像中像素点数量最大的目标灰度值、灰度均值和灰度标准差；根据所述目标灰度值、所述灰度均值和所述灰度标准差确定所述目标图像的目标亮度等级；根据所述目标亮度等级对所述目标图像进行色彩增强处理。并将色彩增强处理结果反馈给终端设备103，进而终端设备103可以通过屏幕展示色彩增强处理后的目标图像或对色彩增强处理后的目标图像进一步进行其他处理，从而能够在保证色彩增强质量的同时实现对图像的快速处理过程。

又例如，服务器105可以获取待处理视频；根据所述待处理视频获得目标视频；从所述目标视频中确定所述目标图像；获得所述目标图像中各个像素点的灰度值；根据所述目标图像中各个像素点的灰度值，获得所述目标图像中像素点数量最大的目标灰度值、灰度均值和灰度标准差；根据所述目标灰度值、所述灰度均值和所述灰度标准差确定所述目标图像的目标亮度等级；根据所述目标亮度等级对所述目标图像进行色彩增强处理。并将色彩增强处理结果反馈给终端设备101(也可以是终端设备102或103)，进而用户可以基于终端设备101上显示的内容浏览色彩增强处理后的待处理视频，提升用户的观看体验。

图2示意性示出了根据本公开的一个实施例的图像处理方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理，例如上述图1实施例中的服务器105和/或终端设备102、103，在下面的实施例中，以服务器105为执行主体为例进行举例说明，但本公开并不限定于此。

如图2所示，本公开实施例提供的图像处理方法可以包括以下步骤。

在步骤S210中，获取目标图像。

本公开实施例中，目标图像可例如根据视频中的视频帧采样获得。

在步骤S220中，获得目标图像中各个像素点的灰度值。

本公开实施例中，灰度值是图像中某一像素在黑白图像中呈现出的灰色程度的度量值。在灰度图中，通常显示为从最暗黑色到最亮的白色的灰度。把白色与黑色之间按对数关系分成若干级，称为“灰度等级”。范围一般从0到255，白色为255，黑色为0。

在步骤S230中，根据目标图像中各个像素点的灰度值，获得目标图像中像素点数量最大的目标灰度值、灰度均值和灰度标准差。

本公开实施例中，目标图像中像素点数量最大的目标灰度值是指目标图像中，对各个像素点的灰度值进行统计后获得的各个灰度值的像素点数量中，像素点数量最大的灰度值。灰度均值是对目标图像中各个像素点的灰度值进行均值运算后获得。灰度均值可例如根据下式计算获得：

其中，ave为灰度均值，Gray(i，j)为目标图像的坐标为(i，j)的像素点的灰度值，width为目标图像的宽度值，height为目标图像的高度值。0＜j＜width，0＜j＜height。

灰度标准差是对目标图像中各个像素点的灰度值进行标准差运算后获得。灰度标准差可例如根据下式计算获得：

其中，std为灰度标准差。

在步骤S240中，根据目标灰度值、灰度均值和灰度标准差确定目标图像的目标亮度等级。

本公开实施例中，可对目标灰度值、灰度均值和灰度标准差进行分析处理，根据分析处理结果确定目标亮度等级。

其中，可根据预设的数值范围与亮度等级的映射表对目标灰度值、灰度均值和灰度标准差进行处理，将匹配到的亮度等级确定为目标亮度等级。

在步骤S250中，根据目标亮度等级对目标图像进行色彩增强处理。

本公开实施例中，可根据目标亮度等级明确目标图像的色彩增强的具体方案，根据色彩增强的具体方案对目标图像进行色彩增强处理。例如，可根据目标亮度等级的不同，设置不同方式的色彩增强处理方案。

在示例性实施例中，可根据训练完成的机器学习模型对目标图像进行色彩增强处理，根据机器学习模型的输出结果确定目标图像的色彩增强的处理结果。机器学习模型可例如但不限于为卷积神经网络，但本公开对此并不作特殊限定。

本公开实施方式提供的图像处理方法，根据目标图像中各个像素点的灰度值获得的目标灰度值、灰度均值和灰度标准差，能够从不同维度全面表征目标图像的亮度程度，使获得的目标亮度等级具有高准确率。进而保证在根据目标亮度程度对目标图像进行色彩增强处理时，能够有方向地调整目标图像的亮度，避免出现过暗或过曝的图像。同时，仅计算获得目标灰度值、灰度均值和灰度标准差，能够在保证色彩增强质量的前提下大大降低运算复杂度，提升运算效率。

图3是基于图2的步骤S240在一个示例性实施例中的流程图。

如图3所示，上述图2实施例中的步骤S240可以进一步包括以下步骤。

在步骤S310中，若目标灰度值小于或等于第一灰度阈值，且灰度均值小于第一均值阈值，灰度标准差小于第一标准差阈值，则确定目标图像的目标亮度等级为第一亮度等级。

本公开实施例中，第一灰度阈值、第一均值阈值、第一标准差阈值可根据经验获得，在示例性实施例中，第一灰度阈值的值可例如为50，第一均值阈值可例如为60，第一标准差阈值可例如为40。但本公开对此并不作特殊限定。第一亮度等级可为亮度较低的等级。其中，当目标灰度值、灰度均值和灰度标准差满足步骤S310中的判断条件时，可认为目标图像的整体亮度很小。灰度标准差体现了图像颜色分布的大小，标准差越小则目标图像的像素值分布大小与均值更加接近，标准差越大像素值分布越广泛，所以灰度标准差越小说明目标图像的亮度区域出现的很少。因此，在满足上述S310的条件时，则判断该目标图像的亮度较低，为第一亮度等级。

在示例性实施例中，上述图2实施例中的步骤S240可以进一步包括以下步骤。

在步骤S320中，若目标灰度值大于或等于第二灰度阈值，且灰度均值大于第二均值阈值，灰度标准差小于第一标准差阈值，则确定目标图像的目标亮度等级为第二亮度等级；其中，第二灰度阈值大于第一灰度阈值，第二均值阈值大于第一均值阈值。

本公开实施例中，第二灰度阈值、第二均值阈值可根据经验获得。在示例性实施例中，第二灰度阈值可例如为200，第二均值阈值可例如为180，但本公开对此并不作特殊限定。第二亮度等级可为亮度过亮的等级。其中，当目标灰度值、灰度均值和灰度标准差满足步骤S320中的判断条件时，可认为目标图像的整体亮度过亮，即曝光过度的图像。

在示例性实施例中，上述图2实施例中的步骤S240可以进一步包括以下步骤。

在步骤S330中，若目标灰度值小于或等于第一灰度阈值，灰度均值大于或等于第一均值阈值，或灰度标准差大于或等于第一标准差阈值，则确定目标图像的目标亮度等级为第三亮度等级；或者，

在步骤S340中，若目标灰度值大于或等于第二灰度阈值，灰度均值小于或等于第二均值阈值，或灰度标准差大于或等于第一标准差阈值，则确定目标图像的目标亮度等级为第三亮度等级；或者，

在步骤S350中，若目标灰度值大于第一灰度阈值且小于第二灰度阈值，则确定目标图像的目标亮度等级为第三亮度等级。

本公开实施例中，第三亮度等级可为亮度中等的亮度级别。该示例性实施例中所包括的条件集合为步骤S310-S320中所包括的条件集合的补集。即，在不满足步骤S310或S320中的条件时，可认为目标图像的整体亮度处于中等水平。

在该实施例中，通过对目标灰度值、灰度均值和灰度标准差三个维度进行精准的分析判断，能够根据目标灰度值、灰度均值和灰度标准差的具体数值准确地分析获得目标图像的目标亮度等级。

图4是基于图2的步骤S250在一个示例性实施例中的流程图。

如图4所示，上述图2实施例中的步骤S250可以进一步包括以下步骤。在该实施例中，可根据训练完成的机器学习模型对目标图像进行色彩增强处理，根据机器学习模型的输出结果确定目标图像的色彩增强的处理结果。其中，机器学习模型可包括第一神经网络模型、第二神经网络模型和第三神经网络模型。图10示意性示出了根据本公开一示例性实施例的机器学习模型的架构图。如图10所示，机器学习模型可包括第一神经网络模型1010、第二神经网络模型1020、第三神经网络模型1030和切换模块1040。其中，第一神经网络模型1010采用的网络结构可以是图像生成网络，例如超分辨率模型(Super ResolutionConvolutional Neural Network，SRCNN)，图像风格转换网络(Cycle GenerativeAdversarial Networks，cycleGAN)等，第二神经网络模型1020以及第三神经网络模型1030采用的网络结构可以与第一网络模型模型1010相同或选择其他图像生成模型。第一神经网络模型1010与第二神经网络模型1020、第三神经网络模型1030的网络结构可以不同，也可以选择一致，三个网络模型的主要差别在于，即使在网络结构一致的情况下，根据不同的场景区分出不同的图像类型作为网络的训练集，则可通过训练得到不同场景的网络模型。所述切换模块1040，根据目标亮度等级，可以选择对应设置的神经网络模型进行处理。举例来说，所述切换模块1040设置有判断单元，其执行上述步骤S220～S240和/或步骤S310～S350的流程。此外，所述切换模块1040还可以进一步包括选择单元，以根据判断单元的判断结果，来选择不同的神经网络模型。该实施例中的机器学习模型可例如通过人工智能云服务的框架实现。

在步骤S410中，若目标亮度等级为第一亮度等级，则利用第一神经网络模型1010对目标图像进行色彩增强处理，其中第一神经网络模型1010是利用包括第一亮度等级的第一图像训练集训练获得的。

本公开实施例中，可例如根据切换模块1040选择第一神经网络模型1010对目标图像进行色彩增强处理。

在示例性实施例中，若目标亮度等级为第一亮度等级，还可通过调整色彩模式(LAB通道)中明度通道(L通道)来对亮度和对比度进行特殊的调整，以恢复出更多的细节，再进行色度的调整，实现对目标图像的色彩增强处理。

在步骤S420中，若目标亮度等级为第二亮度等级，则利用第二神经网络模型1020对目标图像进行色彩增强处理，其中第二神经网络模型1020是利用包括第二亮度等级的第二图像训练集训练获得的。

本公开实施例中，可例如根据切换模块1040选择第二神经网络模型1020对目标图像进行色彩增强处理。

在示例性实施例中，若目标亮度等级为第二亮度等级，还可通过调整色彩模式(LAB通道)中明度通道(L通道)来对亮度和对比度进行特殊的调整，以恢复出更多的细节，再进行色度的调整，实现对目标图像的色彩增强处理。

在步骤S430中，若目标亮度等级为第三亮度等级，则利用第三神经网络模型1030对目标图像进行色彩增强处理，其中第三神经网络模型1030是利用包括第三亮度等级的第三图像训练集训练获得的。

本公开实施例中，可例如根据切换模块1040选择第三神经网络模型1030对目标图像进行色彩增强处理。

在示例性实施例中，当目标亮度等级为第三亮度等级时，还可通过增强亮度、对比度、饱和度的方式实现对目标图像的色彩增强处理。

在该实施例中，采用不同的色彩增强方式对具有不同亮度程度的目标图像进行处理，能够自适应且有效地调整目标图像的亮度。

图5是基于图2的步骤S210在一个示例性实施例中的流程图。

如图5所示，上述图2实施例中的步骤S210可以进一步包括以下步骤。

在步骤S510中，获取待处理视频。

在步骤S520中，根据待处理视频获得目标视频。

本公开实施例中，可例如通过检测场景切变，根据场景切变的检测结果对待处理视频进行切分，获得目标视频。例如，可获得待处理视频中每个视频帧进行与上一帧的帧差图像，并计算上一帧帧差图像和该帧得到的帧差图像的均值，通过比较帧差均值的大小及变化情况判断该帧是否为切变帧。并根据切变帧对待处理视频进行切割，获得目标视频。

在步骤S530中，从目标视频中确定目标图像。

本公开实施例中，可将目标视频中的每一帧确定为目标图像。

在示例性实施例中，可按照预设采样频率对目标视频的视频帧进行采样，获得至少一个目标图像。

图6是基于图2的步骤S250在一个示例性实施例中的流程图。

如图6所示，上述图2实施例中的步骤S250可以进一步包括以下步骤。在该实施例中，机器学习模型还可包括第四神经网络模型、第五神经网络模型、第六神经网络模型和第七神经网络模型。图11示意性示出了根据本公开一示例性实施例的机器学习模型的架构图。如图11所示，机器学习模型可包括第四神经网络模型1110、第五神经网络模型1120、第六神经网络模型1130、第七神经网络模型1140和切换模块1150。其中，第四神经网络模型1110采用的网络结构可以是图像生成网络，例如超分辨率模型，图像风格转换网络等，第四神经网络模型1110与第五神经网络模型1120、第六神经网络模型1130和第七神经网络模型1140的网络结构可以不同，也可以选择一致，四个网络模型的主要差别在于，即使在网络结构一致的情况下，根据不同的场景区分出不同的图像类型作为网络的训练集，则可通过训练得到不同场景的网络模型。所述切换模块1150，根据目标亮度等级，可以选择对应设置的神经网络模型进行处理。举例来说，所述切换模块1150设置有判断单元，其执行上述步骤S220～S240和/或步骤S310～S350和/或S510～S530的流程。此外，所述切换模块1150还可以进一步包括选择单元，以根据判断单元的判断结果，来选择不同的神经网络模型。该实施例中的机器学习模型可例如通过人工智能云服务的框架实现。

在步骤S610中，若目标视频中的目标图像的目标亮度等级包括第一亮度等级和第三亮度等级，则利用第四神经网络模型1110对目标视频中的目标图像进行色彩增强处理，其中第四神经网络模型1110是利用包括第一亮度等级和第三亮度等级的第四图像训练集训练获得的。

本公开实施例中，可例如根据切换模块1150选择第四神经网络模型1110对目标图像进行色彩增强处理。

本公开实施例中，由于目标视频中包括多种亮度等级：第一亮度等级和第三亮度等级，通过能够处理两种亮度等级的人工智能模型对目标视频中的目标图像进行处理，能够自适应处理不同亮度等级的目标图像，使色彩增强处理后获得的目标视频中每个视频帧均具有良好的色彩亮度。避免目标视频中出现过亮或过曝的视频帧。

在步骤S620中，若目标视频中的目标图像的目标亮度等级为第二亮度等级和第三亮度等级，则利用第五神经网络模型1120对目标视频中的目标图像进行色彩增强处理，其中第五神经网络模型1120是利用包括第二亮度等级和第三亮度等级的第四图像训练集训练获得的。

本公开实施例中，可例如根据切换模块1150选择第五神经网络模型1120对目标图像进行色彩增强处理。

在步骤S630中，若目标视频中的目标图像的目标亮度等级为第一亮度等级和第二亮度等级，则利用第六神经网络模型1130对目标视频中的目标图像进行色彩增强处理，其中第六神经网络模型是利用包括第一亮度等级和第二亮度等级的第六图像训练集训练获得的。

本公开实施例中，可例如根据切换模块1150选择第六神经网络模型1130对目标图像进行色彩增强处理。

在步骤S640中，若目标视频中的目标图像的目标亮度等级为第一亮度等级、第二亮度等级和第三亮度等级，则利用第七神经网络模型1140对目标视频中的目标图像进行色彩增强处理，其中第七神经网络模型1140是利用包括第一亮度等级、第二亮度等级和第三亮度等级的第七图像训练集训练获得的。

本公开实施例中，可例如根据切换模块1150选择第七神经网络模型1140对目标图像进行色彩增强处理。

在该实施例中，在批量处理一个目标视频中的视频帧时，获得该目标视频中目标图像的目标亮度等级，采用不同的色彩增强方式对具有不同亮度程度的目标视频的视频帧进行处理，能够自适应且有效地调整目标图像的亮度。

图7是基于图5的步骤S520在一个示例性实施例中的流程图。

如图7所示，上述图5实施例中的步骤S520可以进一步包括以下步骤。

在步骤S710中，检测获得待处理视频中的镜头突变标识位。

本公开实施例中，可计算获得待处理视频中相邻帧的帧差图像，并根据帧差图像的均值的大小进行判断，根据判断结果确定镜头突变标识位。在示例性实施例中，在计算帧差图像之前，还可首先将视频图像分帧处理后，再将每帧三通道彩色图像转换成单通道的灰度图像；将得到的灰度图像进行下采样，解决对于高像素图像算法计算量过高的问题，提升算法效率。利用滤波算法(例如加博尔滤波算法，Gabor滤波算法)对图像进行预处理，该方法能够有效提取图像的内容，解决光强度突变干扰问题。

在步骤S720中，根据镜头突变标识位分割待处理视频，获得至少一个目标视频。

在该实施例中，通过检测镜头突变标识位，并根据镜头突变标识位对待处理视频进行切割，能够将待处理视频按照场景切变进行划分获得目标视频，以便以目标视频为单位进行色彩增强时，能够聚合性地对具有类似场景的视频帧进行色彩增强，提高色彩增强处理时所选色彩增强方法的适用性。

图8是基于图2的步骤S230在一个示例性实施例中的流程图。

如图8所示，上述图2实施例中的步骤S230可以进一步包括以下步骤。

在步骤S810中，对目标图像中各个像素点的灰度值进行灰度统计，获得目标图像的灰度直方图。

本公开实施例中，灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。

在步骤S820中，根据灰度直方图的峰值确定目标图像中像素点数量最大的灰度值，作为目标图像的目标灰度值。

本公开实施例中，可根据灰度直方图中的峰值确定出现次数最多的像素个数，并将该峰值对应的灰度值确定为目标灰度值。

在步骤S830中，根据目标图像中各个像素点的灰度值和目标图像的宽度值、高度值确定目标图像的灰度均值和灰度标准差。

本公开实施例中，灰度均值和灰度标准差可例如通过公式(1)、(2)获得，此处不再赘述。

图9示意性示出了根据本公开的一个实施例的图像处理方法的流程图。

如图9所示，本实施例提供的图像处理方法包括以下步骤。

在步骤S905中，获取待处理视频。

在步骤S910中，检测获得待处理视频中的镜头突变标识位。

在步骤S915中，根据镜头突变标识位分割待处理视频，获得至少一个目标视频。

在步骤S920中，按照预设采样频率对目标视频的视频帧进行采样，获得至少一个目标图像。

在步骤S925中，获得目标图像中各个像素点的灰度值。

在步骤S930中，根据目标图像中各个像素点的灰度值，获得目标图像中像素点数量最大的目标灰度值、灰度均值和灰度标准差。

在步骤S935至S955中，根据目标灰度值、灰度均值和灰度标准差确定目标图像的目标亮度等级。具体地：

在步骤S935中，若目标灰度值大于50且小于200，则确认目标图像的目标亮度等级为第三亮度等级。

在步骤S940中，若目标灰度值大于0且小于或等于50，且灰度均值小于60，灰度标准差小于40时，则确认目标图像的目标亮度等级为第一亮度等级。

在步骤S945中，若目标灰度值大于0且小于或等于50，灰度均值大于或等于60，或灰度标准差大于或等于40时，则确认目标图像的目标亮度等级为第三亮度等级。

在步骤S950中，若目标灰度值大于或等于200且小于或等于255，且灰度均值大于180，灰度标准差小于40时，则确认目标图像的目标亮度等级为第二亮度等级。

在步骤S955中，若目标灰度值大于或等于200且小于或等于255，灰度均值小于或等于180，或灰度标准差大于或等于40时，则确认目标图像的目标亮度等级为第三亮度等级。

在步骤S960-S990中，根据目标视频中目标图像的目标亮度等级对目标视频中的视频帧进行色彩增强处理。该实施例中的机器学习模型可例如通过人工智能云服务的框架实现。具体地：

在步骤S960中，若目标视频中的目标图像的目标亮度等级为第一亮度等级，则利用第一神经网络模型对目标视频中的视频帧进行色彩增强处理。

在步骤S965中，若目标视频中的目标图像的目标亮度等级为第二亮度等级，则利用第二神经网络模型对目标视频中的视频帧进行色彩增强处理。

在步骤S970中，若目标视频中的目标图像的目标亮度等级为第三亮度等级，则利用第三神经网络模型对目标视频中的视频帧进行色彩增强处理。

在步骤S975中，若目标视频中的目标图像的目标亮度等级为第一亮度等级和第三亮度等级，则利用第四神经网络模型对目标视频中的视频帧进行色彩增强处理。

在步骤S980中，若目标视频中的目标图像的目标亮度等级为第二亮度等级和第三亮度等级，则利用第五神经网络模型对目标视频中的视频帧进行色彩增强处理。

在步骤S985中，若目标视频中的目标图像的目标亮度等级为第一亮度等级和第二亮度等级，则利用第六神经网络模型对目标视频中的视频帧进行色彩增强处理。

在步骤S990中，若目标视频中的目标图像的目标亮度等级为第一亮度等级、第二亮度等级和第三亮度等级，则利用第七神经网络模型对目标视频中的视频帧进行色彩增强处理。

在该实施例中，通过检测待处理视频的镜头突变标识位，并根据镜头突变标识位对待处理视频进行切割，能够将待处理视频按照场景切变进行划分获得目标视频。在后续根据目标视频中每个目标图像的目标亮度等级对目标视频进行色彩增强时，能够聚合性地对具有类似场景的视频帧进行色彩增强，提高色彩增强处理时所选色彩增强方法的适用性。同时，在确定每个目标图像的目标亮度等级时，能够根据目标图像的目标灰度值、灰度标准差、灰度均值三个维度进行考虑，使获得的目标亮度等级具有高准确率。仅计算获得目标灰度值、灰度均值和灰度标准差，能够在保证色彩增强质量的前提下大大降低运算复杂度，提升运算效率。

以下介绍本公开的装置实施例，可以用于执行本公开上述的图像处理方法。对于本公开装置实施例中未披露的细节，请参照本公开上述的图像处理方法的实施例。

图12示意性示出了根据本公开的一实施例的图像处理装置的框图。

参照图12所示，根据本公开的一个实施例的图像处理装置1200，可以包括：图像获取模块1210、像素灰度模块1220、灰度统计模块1230、亮度等级模块1240以及色彩增强模块1250。

图像获取模块1210可配置为获取目标图像。

像素灰度模块1220可配置为获得目标图像中各个像素点的灰度值。

灰度统计模块1230可配置为根据目标图像中各个像素点的灰度值，获得目标图像中像素点数量最大的目标灰度值、灰度均值和灰度标准差。

亮度等级模块1240可配置为根据目标灰度值、灰度均值和灰度标准差确定目标图像的目标亮度等级。

色彩增强模块1250可配置为根据目标亮度等级对目标图像进行色彩增强处理。

本公开实施方式提供的图像处理装置，根据目标图像中各个像素点的灰度值获得的目标灰度值、灰度均值和灰度标准差，能够从不同维度全面表征目标图像的亮度程度，使获得的目标亮度等级具有高准确率。进而保证在根据目标亮度程度对目标图像进行色彩增强处理时，能够有方向地调整目标图像的亮度，避免出现过暗或过曝的图像。同时，仅计算获得目标灰度值、灰度均值和灰度标准差，能够在保证色彩增强质量的前提下大大降低运算复杂度，提升运算效率。

在示例性实施例中，亮度等级模块1240可包括第一亮度等级单元，可配置为若目标灰度值小于或等于第一灰度阈值，且灰度均值小于第一均值阈值，灰度标准差小于第一标准差阈值，则确定目标图像的目标亮度等级为第一亮度等级。

在示例性实施例中，亮度等级模块1240还可包括第二亮度等级单元，可配置若目标灰度值大于或等于第二灰度阈值，且灰度均值大于第二均值阈值，灰度标准差小于第一标准差阈值，则确定目标图像的目标亮度等级为第二亮度等级；其中，第二灰度阈值大于第一灰度阈值，第二均值阈值大于第一均值阈值。

在示例性实施例中，亮度等级模块1240还可包括第三亮度等级单元，可配置若目标灰度值小于或等于第一灰度阈值，灰度均值大于或等于第一均值阈值，或灰度标准差大于或等于第一标准差阈值，则确定目标图像的目标亮度等级为第三亮度等级；或者，若目标灰度值大于或等于第二灰度阈值，灰度均值小于或等于第二均值阈值，或灰度标准差大于或等于第一标准差阈值，则确定目标图像的目标亮度等级为第三亮度等级；或者，若目标灰度值大于第一灰度阈值且小于第二灰度阈值，则确定目标图像的目标亮度等级为第三亮度等级。

在示例性实施例中，色彩增强模块1250可包括第一增强单元、第二增强单元和第三增强单元。其中，第一增强单元可配置为若目标亮度等级为第一亮度等级，则利用第一神经网络模型对目标图像进行色彩增强处理，其中第一神经网络模型是利用包括第一亮度等级的第一图像训练集训练获得的。第二增强单元可配置为若目标亮度等级为第二亮度等级，则利用第二神经网络模型对目标图像进行色彩增强处理，其中第二神经网络模型是利用包括第二亮度等级的第二图像训练集训练获得的。第三增强单元可配置为若目标亮度等级为第三亮度等级，则利用第三神经网络模型对目标图像进行色彩增强处理，其中第三神经网络模型是利用包括第三亮度等级的第三图像训练集训练获得的。

在示例性实施例中，图像获取模块1210可包括视频获取单元、目标视频单元和目标图像单元。其中视频获取单元可配置为获取待处理视频。目标视频单元可配置为根据待处理视频获得目标视频；目标图像单元可配置为从目标视频中确定目标图像。

在示例性实施例中，色彩增强模块1250可包括第四增强单元、第五增强单元、第六增强单元和第七增强单元。其中，第四增强单元可配置为若目标视频中的目标图像的目标亮度等级包括第一亮度等级和第三亮度等级，则利用第四神经网络模型对目标视频中的视频帧进行色彩增强处理，其中第四神经网络模型是利用包括第一亮度等级和第三亮度等级的第四图像训练集训练获得的。第五增强单元可配置为若目标视频中的目标图像的目标亮度等级为第二亮度等级和第三亮度等级，则利用第五神经网络模型对目标视频中的视频帧进行色彩增强处理，其中第五神经网络模型是利用包括第二亮度等级和第三亮度等级的第四图像训练集训练获得的。第六增强单元可配置为若目标视频中的目标图像的目标亮度等级为第一亮度等级和第二亮度等级，则利用第六神经网络模型对目标视频中的视频帧进行色彩增强处理，其中第六神经网络模型是利用包括第一亮度等级和第二亮度等级的第六图像训练集训练获得的。第七增强单元可配置为若目标视频中的目标图像的目标亮度等级为第一亮度等级、第二亮度等级和第三亮度等级，则利用第七神经网络模型对目标视频中的视频帧进行色彩增强处理，其中第七神经网络模型是利用包括第一亮度等级、第二亮度等级和第三亮度等级的第七图像训练集训练获得的。

在示例性实施例中，目标视频单元可包括镜头检测子单元和目标视频子单元。其中，镜头检测子单元可配置为检测获得待处理视频中的镜头突变标识位。目标视频子单元可配置为根据镜头突变标识位分割待处理视频，获得至少一个目标视频。

在示例性实施例中，目标图像单元可配置为按照预设采样频率对目标视频的视频帧进行采样，获得至少一个目标图像。

在示例性实施例中，灰度统计模块1230可包括直方图单元、第一统计单元和第二统计单元。其中，直方图单元可配置为对目标图像中各个像素点的灰度值进行灰度统计，获得目标图像的灰度直方图。第一统计单元可配置为根据灰度直方图的峰值确定目标图像中像素点数量最大的灰度值，作为目标图像的目标灰度值。第二统计单元可配置为根据目标图像中各个像素点的灰度值和目标图像的宽度值、高度值确定目标图像的灰度均值和灰度标准差。

图13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。需要说明的是，图13示出的电子设备1300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13所示，电子设备1300包括中央处理单元(CPU)1301，其可以根据存储在只读存储器(ROM)1302中的程序或者从储存部分1308加载到随机访问存储器(RAM)1303中的程序而执行各种适当的动作和处理。在RAM 1303中，还存储有系统操作所需的各种程序和数据。CPU 1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。

以下部件连接至I/O接口1305：包括键盘、鼠标等的输入部分1306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1307；包括硬盘等的储存部分1308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1310上，以便于从其上读出的计算机程序根据需要被安装入储存部分1308。

特别地，根据本公开的实施例，下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部分1309从网络上被下载和安装，和/或从可拆卸介质1313被安装。在该计算机程序被中央处理单元(CPU)1301执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本公开所示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：具有至少一个导线的电连接、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。而在本公开中，计算机可读的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。计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，上述模块、程序段、或代码的一部分包含至少一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，框图或流程图中的每个方框、以及框图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模块和/或单元和/或子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，所描述的模块和/或单元和/或子单元也可以设置在处理器中。其中，这些模块和/或单元和/或子单元的名称在某种情况下并不构成对该模块和/或单元和/或子单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的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一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图2或图3或图4或图5或图6或图7或图8或图9所示的各个步骤。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元或者子单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元或者子单元的特征和功能可以在一个模块或者单元或者子单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元或者子单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。