CN107545552A - 一种图像渲染方法 - Google Patents
一种图像渲染方法 Download PDFInfo
- Publication number
- CN107545552A CN107545552A CN201710806069.7A CN201710806069A CN107545552A CN 107545552 A CN107545552 A CN 107545552A CN 201710806069 A CN201710806069 A CN 201710806069A CN 107545552 A CN107545552 A CN 107545552A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- msub
- vision
- msup
- 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
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种图像渲染方法,包括:步骤1:原图像乘以对应的原图像的渲染增强系数,给予视觉突出区域较高的增强调整系数,而给予非突出区相对较低的渲染增强调整系数;步骤2:将渲染后的图像进行指数灰度拉伸得到最终效果图像。本发明是将视觉突出区域引入渲染中,在场景渲染时差别对待视觉突出区与非突出区,给予视觉突出区域较高的增强调整系数,而给予非突出区较低的渲染增强调整系数,从而在保证渲染结果能够被观察者接受的情况下,最大限度地降低渲染过程的计算量,从而提高渲染速度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像渲染方法。
背景技术
图像渲染本质是图形数据的实时计算和实时输出,其目的是提高图像显示质量。人类能对外部视觉激励快速地划分优先顺序,并且聚焦在场景的某一感兴趣区域,即有其对应的视觉突出区域。在这类视觉注意中,场景中具有突出特征的目标吸引注意,指的是与其周围易于区别的、特殊的、容易被注意到的特征区域,也就是说在一个场景中视觉会注意到注意焦点处。
同样地,待追染图像通常是游戏中的每一帧的图像,除了包括视觉突出区域外还可以包括其它区域。视觉突出区域是指待泊染图像中目标物体的图像,是需要突出展示的内容,类似于视觉注意中场景中具有突出特征的目标,是在一个场景中视觉会注意到的注意焦点处。而其它区域是指待渲染图像中除突出区域外其他部分的图像。突出区域的图像效果对待渲染图像的图像效果影响大,而背景区域的图像效果对待渲染图像的图像效果影响较小,对待渲染图像进行处理,主要是对突出区域进行处理。然而,图像渲染不仅针对突出区域的图像,而且也针对其它区域,这样,图像渲染的计算量大、渲染速度不够高,从而影响用户体验。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷,由于突出区域的图像效果对渲染图像的图像效果影响远远大于背景区域的图像效果对渲染图像的图像效果的影响,因此,本申请主要解决如何根据视觉突出区域,即场景中视觉会注意到的焦点处,进行图像渲染的方法。
一种图像渲染方法,包括:
步骤1:原图像乘以对应的原图像的渲染增强系数,给予视觉突出区域较高的增强调整系数,而给予非突出区相对较低的渲染增强调整系数;
步骤2:将渲染后的图像进行指数灰度拉伸得到最终效果图像;
所述渲染增强系数通过对处理后的视觉突出特征图象进行非线性映射处理得到,非线性曲线函数为:
S(x)=|x|p
其中x(0<x<1)是归一化且高斯平滑后的图象视觉突出特征值,p为调整系数,S(x)为非线性处理后的图像基于视觉突出特征的图像渲染增强系数,p选择越大,增强幅度越小,反之,p选择越小,增强幅度越大,当p=1时,不进行增强调整。
进一步地,如上所述的方法,视觉突出特征图象的处理包括以下步骤:
步骤1:将原图像转换为HSI格式,分解为亮度图像、色调图像和色饱和图像,并进行Gabor滤波提取特征;
步骤2:对Gabor滤波结果进行高斯金字塔分解,得到一系列不同尺度的特征表示图;
步骤3:将所述不同尺度的特征表示图拉伸放大到与原图分辨率尺度相同大小,并对之进行差值操作以及归一化处理得到色调视觉突出特征图、亮度视觉突出特征图以及色饱和度视觉突出特征图;
步骤4:对所述视觉突出特征图进行高斯平滑滤波处理。
进一步地,如上所述的方法,步骤1中,所述Gabor滤波提取特征包括:
滤波器对分别对亮度图像、色调图像和色饱和图像进行滤波,设F(θ)为Gabor滤波器,θ∈{0°,45°,90°,135°},在同一尺度上将获得4幅方向特征表示图
DH(θ)=F(θ)*H
DS(θ)=F(θ)*S
DI(θ)=F(θ)*I。
进一步地,如上所述的方法,步骤1中,所述Gabor滤波提取特征包括:步骤2中,所述对Gabor滤波结果进行高斯金字塔分解包括:对色调、色饱和度和亮度三个特征通道进行高斯金字塔下采样得到一系列不同尺度的特征表示图,这里进行8级下采样总共获得9个尺度的图像,尺度大小为1:1到1:256,令σ为尺度编号,则尺度取值为σ∈[0,8]。
进一步地,如上所述的方法,步骤3中所述差值操作包括:
运用金字塔各层相减取绝对值,令金字塔中心层c,s∈{1,2,3,4,5,6,7,8},运算后得到色调、色饱和度及亮度的差值特征图像Hv(θ,c,s)、Sv(θ,c,s)、Iv(θ,c,s)
Iv(θ,c,s)=|DI(θ,c)-DI(θ,s)|
Hv(θ,c,s)=|DH(θ,c)-DH(θ,s)|
Sv(θ,c,s)=|DS(θ,c)-DS(θ,s)|
分别对不同尺度不同方向的色调、亮度、色饱和度的差值特征图像取最大值和最小值之差,得到色调、亮度、色饱和度各自的视觉突出特征图像Ht、St和It
所述归一化处理包括:
对差值处理后的色调、色饱和度和亮度视觉突出特征图像进行归一化计算,计算如下:
U(x,y)=G(N(B(x,y)))
B(x,y)代表色调、色饱和度和亮度视觉突出特征图像(Ht、St和It)在点(x,y)的值,N()和G()分别代表对数据进行规格化和归一化处理;
min(B:)和max(B:)分别代表原始数据矩阵B最小值和最大值;
B(x,y)代表原始图像在点(x,y)的灰度值,G(B(x,y))代表规格化后的图像在点(x,y)的灰度值,μ和σ分别代表原始指纹图像的均值和方差,μ0和σ0分别代表期望得到的均值和方差。
进一步地,如上所述的方法,步骤4中高斯平滑滤波处理包括:
采用二维高斯分布:
σ为高斯函数的方差。
有益效果:
本发明是将视觉突出区域引入渲染中,在场景渲染时差别对待视觉突出区与非突出区,给予视觉突出区域较高的增强调整系数,而给予非突出区较低的渲染增强调整系数,其目的是通过图像来实现更现实和更快的渲染和简化建模任务,基于图像的渲染方法可以减少对详细几何结构建模这类的劳动密集型工作,可以直接处理被采集图像中的微妙的真实世界效果,从而在保证渲染结果能够被观察者接受的情况下,最大限度地降低渲染过程的计算量,从而提高渲染速度。
附图说明
图1为本发明图像渲染方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供的一种图像渲染方法,包括:
步骤1:原图像乘以对应的原图像的渲染增强系数,给予视觉突出区域较高的增强调整系数,而给予非突出区相对较低的渲染增强调整系数;
步骤2:将渲染后的图像进行指数灰度拉伸得到最终效果图像;
所述渲染增强系数通过对处理后的视觉突出特征图象进行非线性映射处理得到,非线性曲线函数为:
S(x)=|x|p
其中x(0<x<1)是归一化且高斯平滑后的图象视觉突出特征值,p为调整系数,S(x)为非线性处理后的图像基于视觉突出特征的图像渲染增强系数,p选择越大,增强幅度越小,反之,p选择越小,增强幅度越大,当p=1时,不进行增强调整。
下面对本发明的图像渲染方法做具体说明。
实施例:
1、将图像转换为HSI格式,得到H、S、I三个分量,并进行Gabor滤波提取特征。滤波器对分别对亮度图像、色调图像和色饱和图像进行滤波,设F(θ)为Gabor滤波器,θ∈{0°,45°,90°,135°},在同一尺度上将获得4幅方向特征表示图。
DH(θ)=F(θ)*H
DS(θ)=F(θ)*S
DI(θ)=F(θ)*I
2、Gabor滤波结果进行高斯金字塔分解。对Gabor滤波后的图像进行高斯金字塔分解,对色调、色饱和度和亮度三个特征通道进行高斯金字塔下采样得到一系列不同尺度的特征表示图,这里进行8级下采样总共获得9个尺度的图像,尺度大小为1:1到1:256,令σ为尺度编号,则尺度取值为σ∈[0,8]。从上述描述可知,更进一步可获得各特征通道的高斯金字塔表示DI(θ,σ),DH(θ,σ),DS(θ,σ),尺度σ∈[0,8],那么将会有色调、亮度、色饱和度特征表示图各36幅。
3提取图像视觉突出特征。
将各特征通道的高斯金字塔表示DI(θ,σ),DH(θ,σ),DS(θ,σ),其中尺度σ∈[0,8],角度θ∈{0°,45°,90°,135°},图拉伸放大到与原图分辨率尺度相同大小。运用金字塔各层相减取绝对值。令金字塔中心层c,s∈{1,2,3,4,5,6,7,8},运算后得到色调、色饱和度及亮度的差值特征图像Hv(θ,c,s)、Sv(θ,c,s)、Iv(θ,c,s)
Iv(θ,c,s)=|DI(θ,c)-DI(θ,s)|
Hv(θ,c,s)=|DH(θ,c)-DH(θ,s)|
Sv(θ,c,s)=|DS(θ,c)-DS(θ,s)|
4分别对不同尺度不同方向的色调、亮度、色饱和度的差值特征图像取最大值和最小值之差,得到色调、亮度、色饱和度各自的视觉突出特征图像Ht、St和It。
5视觉突出特征归一化处理。
由于这些视觉突出特征图,它们的特征提取机制和方法是不同的,其幅值不具有可比性。需要将三通道的特征归一化,分别得到色调、色饱和度和亮度视觉突出特征(Ht、St和It)的归一化视觉突出特征图,计算如下:
U(x,y)=G(N(B(x,y)))
B(x,y)代表色调、色饱和度和亮度视觉突出特征图像(Ht、St和It)在点(x,y)的值,N()和G()分别代表对数据进行规格化和归一化处理。
min(B:)和max(B:)分别代表原始数据矩阵B最小值和最大值。该变换实现对数据矩阵B的归一化运算,所有数值归一化到(0,1)范围内。
图像规格化的目的是把图像的平均灰度和对比度调整到一个固定的级别上,以减少不同图像之间的差异。令B(x,y)代表原始图像在点(x,y)的灰度值,G(B(x,y))代表规格化后的图像在点(x,y)的灰度值,μ和σ分别代表原始指纹图像的均值和方差,μ0和σ0分别代表期望得到的均值和方差。按上式对输入图像逐点运算即可实现图像的规格化处理,运算结果使得图像的灰度均值和方差与预定值一致。
6视觉突出特征高斯平滑处理
为避免灰度拉伸增强过程中,由于特征图的突变或者噪声引起的图像不自然、不均匀或者颜色泄漏,采用高斯平滑滤波消除归一化的色调、色饱和度和亮度视觉突出特征图像(Ht、St和It)中一些噪声点。高斯平滑滤波器的核内的数却是呈现高斯分布的。
采用二维高斯分布:
σ为高斯函数的方差,通常取比例与原归一化视觉突出特征图像的方差。
7渲染增强系数获取
增强系数是图像渲染过程中,视觉突出区域和非突出区域增强调整的值。增强系数通过对归一化及高斯平滑后的图象视觉突出特征进行非线性映射处理得到,非线性曲线函数为:
S(x)=|x|q
其中x(0<x<1)是归一化且高斯平滑后的图象视觉突出特征值,q为调整系数,S(x)为非线性处理后的图像基于视觉突出特征的图像渲染增强系数,q选择越大,增强幅度越小,反之,q选择越小,增强幅度越大,当q=1时,不进行增强调整。
8突出视觉特征的图像渲染
为了增强突出区域的视觉效果,图像乘以对应的图像渲染增强系数,调整突出区域的色调、色饱和度以及亮度,以增强图像的视觉真实感。
9指数灰度拉伸得到最终渲染结果。
根据人眼视觉特性,将渲染后的图像进行指数灰度拉伸得到最终效果图像。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种图像渲染方法,其特征在于,包括:
步骤1:原图像乘以对应的原图像的渲染增强系数,给予视觉突出区域较高的增强调整系数,而给予非突出区相对较低的渲染增强调整系数;
步骤2:将渲染后的图像进行指数灰度拉伸得到最终效果图像;
所述渲染增强系数通过对处理后的视觉突出特征图象进行非线性映射处理得到,非线性曲线函数为:
S(x)=|x|p
其中x(0<x<1)是归一化且高斯平滑后的图象视觉突出特征值,p为调整系数,S(x)为非线性处理后的图像基于视觉突出特征的图像渲染增强系数,p选择越大,增强幅度越小,反之,p选择越小,增强幅度越大,当p=1时,不进行增强调整。
2.根据权利要求1所述的方法,其特征在于,视觉突出特征图象的处理包括以下步骤:
步骤1:将原图像转换为HSI格式,分解为亮度图像、色调图像和色饱和图像,并进行Gabor滤波提取特征;
步骤2:对Gabor滤波结果进行高斯金字塔分解,得到一系列不同尺度的特征表示图;
步骤3:将所述不同尺度的特征表示图拉伸放大到与原图分辨率尺度相同大小,并对之进行差值操作以及归一化处理得到色调视觉突出特征图、亮度视觉突出特征图以及色饱和度视觉突出特征图;
步骤4:对所述视觉突出特征图进行高斯平滑滤波处理。
3.根据权利要求2所述的方法,其特征在于,步骤1中,所述Gabor滤波提取特征包括:
滤波器对分别对亮度图像、色调图像和色饱和图像进行滤波,设F(θ)为Gabor滤波器,θ∈{0°,45°,90°,135°},在同一尺度上将获得4幅方向特征表示图
DH(θ)=F(θ)*H
DS(θ)=F(θ)*S
DI(θ)=F(θ)*I。
4.根据权利要求2所述的方法,其特征在于,步骤1中,所述Gabor滤波提取特征包括:步骤2中,所述对Gabor滤波结果进行高斯金字塔分解包括:对色调、色饱和度和亮度三个特征通道进行高斯金字塔下采样得到一系列不同尺度的特征表示图,这里进行8级下采样总共获得9个尺度的图像,尺度大小为1:1到1:256,令σ为尺度编号,则尺度取值为σ∈[0,8]。
5.根据权利要求2所述的方法,其特征在于,步骤3中所述差值操作包括:
运用金字塔各层相减取绝对值,令金字塔中心层c,s∈{1,2,3,4,5,6,7,8},运算后得到色调、色饱和度及亮度的差值特征图像Hv(θ,c,s)、Sv(θ,c,s)、Iv(θ,c,s)
Iv(θ,c,s)=|DI(θ,c)-DI(θ,s)|
Hv(θ,c,s)=|DH(θ,c)-DH(θ,s)|
Sv(θ,c,s)=|DS(θ,c)-DS(θ,s)|
分别对不同尺度不同方向的色调、亮度、色饱和度的差值特征图像取最大值和最小值之差,得到色调、亮度、色饱和度各自的视觉突出特征图像Ht、St和It
<mrow>
<msub>
<mi>I</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</munder>
<msub>
<mi>I</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>,</mo>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munder>
<mi>min</mi>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</munder>
<msub>
<mi>I</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>,</mo>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>S</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</munder>
<msub>
<mi>S</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>,</mo>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</munder>
<msub>
<mi>S</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>,</mo>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>H</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</munder>
<msub>
<mi>H</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>,</mo>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munder>
<mi>min</mi>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</munder>
<msub>
<mi>H</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>,</mo>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
所述归一化处理包括:
对差值处理后的色调、色饱和度和亮度视觉突出特征图像进行归一化计算,计算如下:
U(x,y)=G(N(B(x,y)))
B(x,y)代表色调、色饱和度和亮度视觉突出特征图像(Ht、St和It)在点(x,y)的值,N()和G()分别代表对数据进行规格化和归一化处理;
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>:</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>:</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>:</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
min(B:)和max(B:)分别代表原始数据矩阵B最小值和最大值;
<mrow>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msqrt>
<mfrac>
<mrow>
<msub>
<mi>&sigma;</mi>
<mn>0</mn>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mi>&sigma;</mi>
</mfrac>
</msqrt>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>&mu;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<msqrt>
<mfrac>
<mrow>
<msub>
<mi>&sigma;</mi>
<mn>0</mn>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mi>&sigma;</mi>
</mfrac>
</msqrt>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mi>&mu;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
B(x,y)代表原始图像在点(x,y)的灰度值,G(B(x,y))代表规格化后的图像在点(x,y)的灰度值,μ和σ分别代表原始指纹图像的均值和方差,μ0和σ0分别代表期望得到的均值和方差。
6.根据权利要求2所述的方法,其特征在于,步骤4中高斯平滑滤波处理包括:
采用二维高斯分布:
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mrow>
σ为高斯函数的方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710806069.7A CN107545552A (zh) | 2017-09-08 | 2017-09-08 | 一种图像渲染方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710806069.7A CN107545552A (zh) | 2017-09-08 | 2017-09-08 | 一种图像渲染方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107545552A true CN107545552A (zh) | 2018-01-05 |
Family
ID=60957654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710806069.7A Pending CN107545552A (zh) | 2017-09-08 | 2017-09-08 | 一种图像渲染方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107545552A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112515760A (zh) * | 2020-10-18 | 2021-03-19 | 泰州国安医疗用品有限公司 | 基于数量分析的模式转换平台 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120027076A1 (en) * | 2009-04-01 | 2012-02-02 | ShenZhen Temobi Science & Tech Devellopment Co., Ltd. | Method for image visual effect improvement of video encoding and decoding |
CN103714548A (zh) * | 2013-12-27 | 2014-04-09 | 西安电子科技大学 | 基于视觉注意的红外图像与可见光图像配准方法 |
CN105139364A (zh) * | 2015-10-10 | 2015-12-09 | 湖北知本信息科技有限公司 | 一种图像增强方法及其应用 |
CN105744256A (zh) * | 2016-03-31 | 2016-07-06 | 天津大学 | 基于图谱视觉显著的立体图像质量客观评价方法 |
-
2017
- 2017-09-08 CN CN201710806069.7A patent/CN107545552A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120027076A1 (en) * | 2009-04-01 | 2012-02-02 | ShenZhen Temobi Science & Tech Devellopment Co., Ltd. | Method for image visual effect improvement of video encoding and decoding |
CN103714548A (zh) * | 2013-12-27 | 2014-04-09 | 西安电子科技大学 | 基于视觉注意的红外图像与可见光图像配准方法 |
CN105139364A (zh) * | 2015-10-10 | 2015-12-09 | 湖北知本信息科技有限公司 | 一种图像增强方法及其应用 |
CN105744256A (zh) * | 2016-03-31 | 2016-07-06 | 天津大学 | 基于图谱视觉显著的立体图像质量客观评价方法 |
Non-Patent Citations (2)
Title |
---|
孟琭等: "《计算机视觉原理与应用》", 30 November 2011, 东北大学出版社 * |
邱亚男: "《基于人眼视觉特性的图像增强算法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112515760A (zh) * | 2020-10-18 | 2021-03-19 | 泰州国安医疗用品有限公司 | 基于数量分析的模式转换平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232661A (zh) | 基于Retinex和卷积神经网络的低光照彩色图像增强方法 | |
CN107798661B (zh) | 一种自适应的图像增强方法 | |
CN105374007A (zh) | 融合骨架笔画和纹理特征的铅笔画生成方法和装置 | |
CN104182947A (zh) | 一种低照度图像增强方法和系统 | |
CN102063712B (zh) | 基于子带结构的多曝光图像融合方法 | |
CN105809643B (zh) | 一种基于自适应块通道拉伸的图像增强方法 | |
CN103034986A (zh) | 一种基于曝光融合的夜视图像增强方法 | |
CN109712095B (zh) | 一种快速边缘保留的人脸美化方法 | |
CN112270651B (zh) | 一种基于多尺度判别生成对抗网络的图像修复方法 | |
CN106778785A (zh) | 构建图像特征提取模型的方法及图像识别的方法、装置 | |
CN111223110B (zh) | 一种显微图像增强方法、装置及计算机设备 | |
CN102800054B (zh) | 基于稀疏性度量的图像盲去模糊方法 | |
CN110298792A (zh) | 低光照图像增强与去噪方法、系统及计算机设备 | |
CN111861937A (zh) | 一种基于msr改进的图像增强方法及系统 | |
CN105574814A (zh) | 一种肖像剪纸特效的生成方法 | |
CN103996179B (zh) | 一种基于单尺度Retinex的快速实时图像增强方法 | |
CN103839245A (zh) | 基于统计规律的Retinex夜间彩色图像增强方法 | |
CN105427265A (zh) | 一种彩色图像对比度增强方法及系统 | |
CN106709888A (zh) | 一种基于人眼视觉模型的高动态范围图像产生方法 | |
He et al. | Structure-preserving texture smoothing via scale-aware bilateral total variation | |
CN107545552A (zh) | 一种图像渲染方法 | |
CN106548449A (zh) | 生成超分辨率深度图的方法、装置及系统 | |
CN115018729B (zh) | 一种面向内容的白盒图像增强方法 | |
US11900564B2 (en) | Storage medium storing program, image processing apparatus, and training method of machine learning model | |
CN112529771B (zh) | 一种人像风格迁移方法 |
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: 20180105 |
|
RJ01 | Rejection of invention patent application after publication |