CN107341516A - 图像质量调节方法和图像处理智能平台 - Google Patents

图像质量调节方法和图像处理智能平台 Download PDF

Info

Publication number
CN107341516A
CN107341516A CN201710549614.9A CN201710549614A CN107341516A CN 107341516 A CN107341516 A CN 107341516A CN 201710549614 A CN201710549614 A CN 201710549614A CN 107341516 A CN107341516 A CN 107341516A
Authority
CN
China
Prior art keywords
view data
classification
image
unit
quality
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710549614.9A
Other languages
English (en)
Inventor
孙丰强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUANGDONG ZHONGXING ELECTRONICS Co Ltd
Original Assignee
GUANGDONG ZHONGXING ELECTRONICS Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GUANGDONG ZHONGXING ELECTRONICS Co Ltd filed Critical GUANGDONG ZHONGXING ELECTRONICS Co Ltd
Priority to CN201710549614.9A priority Critical patent/CN107341516A/zh
Publication of CN107341516A publication Critical patent/CN107341516A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules

Abstract

本发明提供了一种图像质量调节方法和图像处理智能平台。该方法包括：利用机器学习算法基于图像数据的训练集训练出图像数据的质量调节器；利用图像数据的质量调节器，对待处理的图像数据进行质量调节处理。图像处理智能平台包含设备端与服务器端，设备端与服务器端按照既定通讯接口通讯，在服务器端设置CPU、存储器、训练数据收集单元、图像分类单元、学习训练单元和图像质量调节单元。本发明可以通过智能平台对不同拍照场景下的图像数据自动进行质量调节，减少人工参与关节，提高图像质量调节效率。

Description

图像质量调节方法和图像处理智能平台
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像质量调节方法和图像处理智能平台。
背景技术
ISP(Image Signal Processor,图像处理)的主要作用是对前端图像传感器输出的信号做后期处理，主要功能有线性纠正、噪声去除、坏点去除、内插、白平衡、自动曝光控制等，依赖于ISP才能在不同的光学条件下都能较好的还原现场细节。
图像质量调节是ISP中的一个环节。目前，现有的图像质量调节方法是人工配置，图像工程师基于图像拍照场景逐一做图像的参数调整设置，并根据调整后的图像参数对图像进行图像质量调节，上述图像拍照场景包括：天气、时间、曝光条件等因素。
上述现有的图像质量调节方法的缺点为：需要人员参与，需要人工根据不同的图像拍照场景进行不同的参数配置，操作过程比较繁琐，容易出错。
发明内容
本发明的实施例提供了一种图像质量调节方法和图像处理智能平台，以实现对各种类型的图像数据自动进行质量调节。
为了实现上述目的，本发明采取了如下技术方案。
根据本发明的一个方面,提供了一种图像质量调节方法，包括：
利用机器学习算法基于图像数据的训练集训练出图像数据的质量调节器；
利用图像数据的质量调节器，对待处理的图像数据进行质量调节处理。
进一步地，利用机器学习算法基于图像数据的训练集训练出图像数据的质量调节器包括：
收集各种图像拍照场景中的图像数据，并存储所收集的图像数据；设定各种图像分类因素，按照各种分类因素中的一种或者多种因素对所存储的图像数据进行组合分类；提取每种分类的图像数据中的典型图像数据作为训练集，对训练集进行特征提取，设定各个特征对应的参数值，利用机器学习算法最终训练出图像数据的质量调节器。
进一步地，该质量调节器中包括每种分类的图像数据对应的各种特征和每个特征对应的最优参数值。
进一步地，每种分类的图像数据对应的各种特征包含：亮度、对比度、饱和度、色度、锐度、曝光、增益、光圈、背光补偿、强光抑制、宽动态、白平衡、降噪和电子防抖。
进一步地，利用图像数据的质量调节器，对待处理的图像数据进行质量调节处理包括：
对待处理的图像数据进行分类处理，得到待处理的图像数据所属的分类，使用待处理的图像数据所属的分类对应的各种特征对待处理的图像数据进行特征提取，根据待处理的图像数据所属的分类对应的各种特征对应的最优参数值对待处理的图像数据进行特征调节，逐步优化图像配置，得到质量调节处理后的图像数据。
根据本发明的另一个方面,提供了一种图像处理智能平台，包括设备端与服务器端；
设备端，用于与服务器端按照既定通讯接口通讯，将待处理的图像数据传输给服务器端；
服务器端，用于利用机器学习算法基于图像数据的训练集训练出图像数据的质量调节器，以及利用图像数据的质量调节器，对待处理的图像数据进行质量调节处理。
进一步地，服务器端包括CPU、存储器、训练数据收集单元、图像分类单元、学习训练单元和图像质量调节单元，CPU分别与训练数据收集单元、图像分类单元、学习训练单元、存储器和图像质量调节单元连接，并控制训练数据收集单元、图像分类单元、学习训练单元、存储器和图像质量调节单元的启动和停止。
进一步地，训练数据收集单元，用于收集各种图像拍照场景中的图像数据，将收集的图像数据存储于存储器中；
图像分类单元，用于设定各种图像分类因素，按照各种分类因素中的一种或者多种因素对存储器中存储的图像数据进行组合分类；
学习训练单元，用于提取出每种分类的图像数据中的典型图像数据作为训练集，对训练集进行特征提取，设定各个特征对应的参数值，利用机器学习算法最终训练出图像数据的质量调节器。
进一步地，该质量调节器包括每种分类的图像数据对应的各种特征和每个特征对应的最优参数值。
进一步地，图像分类单元，用于对待处理的图像数据进行分类处理，得到待处理的图像数据所属的分类；
图像质量调节单元，用于使用待处理的图像数据所属的分类对应的各种特征对待处理的图像数据进行特征提取，根据待处理的图像数据所属的分类对应的各种特征对应的最优参数值对待处理的图像数据进行特征调节，逐步优化图像配置，得到质量调节处理后的图像数据。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例可以通过智能平台对不同拍照场景下的图像数据自动进行质量调节，减少人工参与关节，提高图像质量调节效率。质量调节器得到的图像优化结果，可以广播分享到其它设备，设备得到质量调节器的结果后，可以结合到自身的图像质量调节中来，也可以实时向服务器端反馈自己的图像质量调节结果。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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。
图1为本发明实施例提供的一种基于智能平台的图像质量调节方法的处理流程图；
图2为为本发明实施例提供的一种图像处理智能平台的具体实现结构图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
实施例一
本发明实施例通过机器学习调节图像质量，并往复反馈，达到图像质量的最优配置。机器学习可以运行在设备端，也可以在服务器端，服务器会保存好前端数据，服务器会在接入的设备间分享学习参数结果。设备与服务器间基于学习算法不断的往复交互，达到最优配置。
图1为根据本发明实施例一的图像质量调节方法的流程图。该图像质量调节方法应用于图像处理智能平台。该图像处理智能平台包含设备端与服务器端，设备端与服务器端按照既定通讯接口通讯，在服务器端设置CPU、存储器、训练数据收集单元、图像分类单元、学习训练单元和图像质量调节单元。CPU分别与训练数据收集单元、图像分类单元、学习训练单元、存储器和图像质量调节单元连接，并控制训练数据收集单元、图像分类单元、学习训练单元、存储器和图像质量调节单元的启动和停止。
服务器端收到设备端发送的图像数据后，会先做数据缓存，然后CPU控制各个单元进行后续的图像数据处理。
如图1所示，图像质量调节方法，包括如下的处理步骤：
步骤S110：图像处理智能平台利用机器学习算法基于图像数据的训练集训练出图像数据的质量调节器。
图像处理智能平台中的训练数据收集单元收集各种图像拍照场景中的图像数据，将收集的图像数据存储于存储器中。图像分类单元设定各种图像分类因素，按照各种分类因素中的一种或者多种因素对存储器中存储的图像数据进行组合分类，该分类因素可以包括拍照时间(白天或者晚上)、拍照天气(晴天或者雨天或者下雪天或者雾天等各种可能引起图像明显差异的天气因素)、拍照设备型号、拍照镜头类型(变焦或者定焦或者不同的sensor型号)等。
学习训练单元提取出每种分类的图像数据中的典型图像数据，将典型图像数据作为训练集，对训练集进行特征提取，设定各个特征对应的参数值，利用机器学习算法最终训练出图像数据的质量调节器，该质量调节器中包括每种分类的图像数据对应的各种特征和每个特征对应的最优参数值。每种分类的图像数据对应的各种特征包含亮度、对比度、饱和度、色度、锐度、曝光、增益、光圈、背光补偿、强光抑制、宽动态、白平衡、降噪和电子防抖等。
步骤S120：利用图像数据的质量调节器，对待处理的图像数据进行质量调节处理。
设备端将待处理的图像数据输入到图像数据的质量调节器中，图像分类单元对待处理的图像数据进行分类处理，得到待处理的图像数据所属的分类，图像质量调节单元使用待处理的图像数据所属的分类对应的各种特征对待处理的图像数据进行特征提取，根据待处理的图像数据所属的分类对应的各种特征对应的最优参数值对待处理的图像数据进行特征调节，逐步优化图像配置，得到质量调节处理后的图像数据，实现图像配置最优化。
实施例二
该实施例提供了一种图像处理智能平台，其具体实现结构如图2所示，具体可以包括设备端21与服务器端22；
设备端21，用于与服务器端22按照既定通讯接口通讯，将待处理的图像数据传输给服务器端；
服务器端22，用于利用机器学习算法基于图像数据的训练集训练出图像数据的质量调节器，以及利用图像数据的质量调节器，对待处理的图像数据进行质量调节处理。
优选地，服务器端22包括CPU221、训练数据收集单元222、图像分类单元223、学习训练单元224、存储器225和图像质量调节单元226。CPU221分别与训练数据收集单元222、图像分类单元223、学习训练单元224、存储器225和图像质量调节单元226，并控制训练数据收集单元222、图像分类单元223、学习训练单元224、存储器225和图像质量调节单元226的启动和停止。
优选地，训练数据收集单元222，用于收集各种图像拍照场景中的图像数据，将收集的图像数据存储于存储器中。
图像分类单元223，用于设定各种图像分类因素，按照各种分类因素中的一种或者多种因素对存储器中存储的图像数据进行组合分类。
学习训练单元224，用于提取出每种分类的图像数据中的典型图像数据，将典型图像数据作为训练集，对训练集进行特征提取，设定各个特征对应的参数值，利用机器学习算法最终训练出图像数据的质量调节器，该质量调节器中包括每种分类的图像数据对应的各种特征和每个特征对应的最优参数值。
优选地，图像分类单元223，用于对待处理的图像数据进行分类处理，得到待处理的图像数据所属的分类。
图像质量调节单元226，用于使用待处理的图像数据所属的分类对应的各种特征对待处理的图像数据进行特征提取，根据待处理的图像数据所属的分类对应的各种特征对应的最优参数值对待处理的图像数据进行特征调节，逐步优化图像配置，得到质量调节处理后的图像数据。
存储器225在图像分类前，一是存储数据，二是在结构上把数据收集与图像分类及后续的模块分割开。
用本发明实施例的图像处理智能平台进行图像质量调节的具体过程与前述方法实施例类似，此处不再赘述。
综上所述，本发明实施例可以通过智能平台对不同拍照场景下的图像数据自动进行质量调节，减少人工参与环节，提高图像质量调节效率。质量调节器得到的图像优化结果，可以广播分享到其它设备，设备得到质量调节器的结果后，可以结合到自身的图像质量调节中来，也可以实时向服务器端反馈自己的图像质量调节结果。
图像处理智能平台内部的调整结果可以互相共享，逐步迭代。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种图像质量调节方法，其特征在于，包括：
利用机器学习算法基于图像数据的训练集训练出图像数据的质量调节器；以及
利用图像数据的质量调节器，对待处理的图像数据进行质量调节处理。
2.根据权利要求1所述的方法，其特征在于，所述利用机器学习算法基于图像数据的训练集训练出图像数据的质量调节器包括：
收集各种图像拍照场景中的图像数据，并存储所收集的图像数据；
设定各种图像分类因素，按照各种分类因素中的一种或者多种因素对所存储的图像数据进行组合分类；
提取每种分类的图像数据中的典型图像数据作为训练集，对训练集进行特征提取，设定各个特征对应的参数值，利用机器学习算法最终训练出图像数据的质量调节器。
3.根据权利要求2所述的方法，其特征在于，所述质量调节器包括每种分类的图像数据对应的各种特征和每个特征对应的最优参数值。
4.根据权利要求3所述的方法，其特征在于，所述每种分类的图像数据对应的各种特征包含亮度、对比度、饱和度、色度、锐度、曝光、增益、光圈、背光补偿、强光抑制、宽动态、白平衡、降噪和电子防抖。
5.根据权利要求2所述的方法，其特征在于，所述利用图像数据的质量调节器，对待处理的图像数据进行质量调节处理包括：
对待处理的图像数据进行分类处理，得到待处理的图像数据所属的分类，使用待处理的图像数据所属的分类对应的各种特征对待处理的图像数据进行特征提取，根据待处理的图像数据所属的分类对应的各种特征对应的最优参数值对待处理的图像数据进行特征调节，逐步优化图像配置，得到质量调节处理后的图像数据。
6.一种图像处理智能平台，其特征在于，包括设备端与服务器端，其中，
所述设备端，用于与所述服务器端按照既定通讯接口通讯，将待处理的图像数据传输给所述服务器端；
所述服务器端，用于利用机器学习算法基于图像数据的训练集训练出图像数据的质量调节器，以及利用图像数据的质量调节器，对所述待处理的图像数据进行质量调节处理。
7.根据权利要求6所述的图像处理智能平台，其特征在于，所述服务器端包括CPU、存储器、训练数据收集单元、图像分类单元、学习训练单元和图像质量调节单元，所述CPU分别与训练数据收集单元、图像分类单元、学习训练单元、存储器和图像质量调节单元连接，并控制训练数据收集单元、图像分类单元、学习训练单元、存储器和图像质量调节单元的启动和停止。
8.根据权利要求7所述的图像处理智能平台，其特征在于，其中，
所述训练数据收集单元，用于收集各种图像拍照场景中的图像数据，将收集的图像数据存储于存储器中；
所述图像分类单元，用于设定各种图像分类因素，按照各种分类因素中的一种或者多种因素对所述存储器中存储的图像数据进行组合分类；
所述学习训练单元，用于提取出每种分类的图像数据中的典型图像数据作为训练集，对训练集进行特征提取，设定各个特征对应的参数值，利用机器学习算法最终训练出图像数据的质量调节器。
9.根据权利要求8所述的图像处理智能平台，其特征在于，其中，
所述质量调节器包括每种分类的图像数据对应的各种特征和每个特征对应的最优参数值。
10.根据权利要求所述8所述的图像处理智能平台，其特征在于，其中，
所述图像分类单元，用于对待处理的图像数据进行分类处理，得到待处理的图像数据所属的分类；
所述图像质量调节单元，用于使用待处理的图像数据所属的分类对应的各种特征对待处理的图像数据进行特征提取，根据待处理的图像数据所属的分类对应的各种特征对应的最优参数值对待处理的图像数据进行特征调节，逐步优化图像配置，得到质量调节处理后的图像数据。
CN201710549614.9A 2017-07-07 2017-07-07 图像质量调节方法和图像处理智能平台 Pending CN107341516A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710549614.9A CN107341516A (zh) 2017-07-07 2017-07-07 图像质量调节方法和图像处理智能平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710549614.9A CN107341516A (zh) 2017-07-07 2017-07-07 图像质量调节方法和图像处理智能平台

Publications (1)

Publication Number Publication Date
CN107341516A true CN107341516A (zh) 2017-11-10

Family

ID=60219536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710549614.9A Pending CN107341516A (zh) 2017-07-07 2017-07-07 图像质量调节方法和图像处理智能平台

Country Status (1)

Country Link
CN (1) CN107341516A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629814A (zh) * 2018-05-14 2018-10-09 北京小米移动软件有限公司 相机调整方法及装置
CN108881708A (zh) * 2017-12-18 2018-11-23 南通使爱智能科技有限公司 一种智能图像处理装置
CN109862389A (zh) * 2018-11-20 2019-06-07 北京奇艺世纪科技有限公司 一种视频处理方法、装置、服务器及存储介质
WO2019120016A1 (zh) * 2017-12-20 2019-06-27 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备
WO2021232195A1 (en) * 2020-05-18 2021-11-25 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image optimization

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102768757A (zh) * 2012-06-28 2012-11-07 北京市遥感信息研究所 一种基于图像类型分析的遥感图像色彩校正方法
CN103971134A (zh) * 2014-04-25 2014-08-06 华为技术有限公司 图像分类、检索和校正方法，以及相应装置
US8861884B1 (en) * 2011-11-21 2014-10-14 Google Inc. Training classifiers for deblurring images
CN106157240A (zh) * 2015-04-22 2016-11-23 南京理工大学 基于字典学习的遥感图像超分辨率方法
WO2017020045A1 (en) * 2015-07-30 2017-02-02 VisionQuest Biomedical LLC System and methods for malarial retinopathy screening

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8861884B1 (en) * 2011-11-21 2014-10-14 Google Inc. Training classifiers for deblurring images
CN102768757A (zh) * 2012-06-28 2012-11-07 北京市遥感信息研究所 一种基于图像类型分析的遥感图像色彩校正方法
CN103971134A (zh) * 2014-04-25 2014-08-06 华为技术有限公司 图像分类、检索和校正方法，以及相应装置
CN106157240A (zh) * 2015-04-22 2016-11-23 南京理工大学 基于字典学习的遥感图像超分辨率方法
WO2017020045A1 (en) * 2015-07-30 2017-02-02 VisionQuest Biomedical LLC System and methods for malarial retinopathy screening

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108881708A (zh) * 2017-12-18 2018-11-23 南通使爱智能科技有限公司 一种智能图像处理装置
WO2019120016A1 (zh) * 2017-12-20 2019-06-27 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备
CN109951627A (zh) * 2017-12-20 2019-06-28 广东欧珀移动通信有限公司 图像处理方法、装置、存储介质及电子设备
CN109951627B (zh) * 2017-12-20 2021-09-10 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备
CN108629814A (zh) * 2018-05-14 2018-10-09 北京小米移动软件有限公司 相机调整方法及装置
CN109862389A (zh) * 2018-11-20 2019-06-07 北京奇艺世纪科技有限公司 一种视频处理方法、装置、服务器及存储介质
WO2021232195A1 (en) * 2020-05-18 2021-11-25 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image optimization

Similar Documents

Publication Publication Date Title
CN107341516A (zh) 图像质量调节方法和图像处理智能平台
US9858651B2 (en) Electronic device and method in an electronic device for processing image data
JP2022519469A (ja) 画像品質評価方法及び装置
Maharjan et al. Improving extreme low-light image denoising via residual learning
CN108805839A (zh) 基于卷积神经网络的联合估计图像去雾方法
CN111402145B (zh) 一种基于深度学习的自监督低照度图像增强方法
CN113159019B (zh) 一种基于光流变换的暗光视频增强方法
CN109784256A (zh) 人脸识别方法和装置、存储介质及电子装置
CN111986106A (zh) 一种基于神经网络的高动态图像重建方法
CN109635800A (zh) 一种图像对焦方法及其相关设备
CN108881708A (zh) 一种智能图像处理装置
CN114298942A (zh) 图像去模糊方法及装置、计算机可读介质和电子设备
CN114299180A (zh) 图像重建方法、装置、设备及存储介质
CN106027854A (zh) 一种应用于相机中适于fpga实现的联合滤波降噪方法
CN109685088A (zh) 基于云端分离卷积神经网络的窄带通信智能图像分析系统
CN113129236A (zh) 基于Retinex和卷积神经网络的单张低光照图像增强方法及系统
CN108282623A (zh) 成像元件、成像设备和图像信息处理方法
CN108734667A (zh) 一种图像处理方法及系统
JP5332493B2 (ja) カメラ、画像共有サーバ及び画像共有プログラム
CN110278386A (zh) 图像处理方法、装置、存储介质及电子设备
CN114866705A (zh) 自动曝光方法、存储介质及电子设备
CN112200226B (zh) 基于强化学习的图像处理方法、图像处理方法及相关装置
CN115699073A (zh) 神经网络支持的相机图像或视频处理流水线
CN113255695A (zh) 一种目标重识别的特征提取方法及系统
CN110072050A (zh) 曝光参数的自适应调整方法、装置及一种拍摄设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171110

RJ01 Rejection of invention patent application after publication