CN107767329A - 基于显著性检测的内容感知图像缩略图生成算法 - Google Patents
基于显著性检测的内容感知图像缩略图生成算法 Download PDFInfo
- Publication number
- CN107767329A CN107767329A CN201710964547.7A CN201710964547A CN107767329A CN 107767329 A CN107767329 A CN 107767329A CN 201710964547 A CN201710964547 A CN 201710964547A CN 107767329 A CN107767329 A CN 107767329A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- sampling
- mtr
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 230000008447 perception Effects 0.000 title abstract 2
- 238000005070 sampling Methods 0.000 claims abstract description 75
- 238000007906 compression Methods 0.000 claims abstract description 13
- 230000006835 compression Effects 0.000 claims abstract description 11
- 230000001360 synchronised effect Effects 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 abstract description 9
- 230000017105 transposition Effects 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于显著性检测的内容感知图像缩略图生成算法，步骤(1)、用显著性检测技术得到输入图像的显著图，对输入图像和显著图同步进行列取样分析，然后计算显著图上每个取样区域的显著性密度值ρj；步骤(2)、得到各个取样区域的采样规则函数；步骤(3)、得到横向缩略图Rs；步骤(4)、将横向缩略图Rs与步骤(1)得到的显著图为作为输入，同步列取样变换为同步行取样，并将取样区域做转置，重复上述类似操作步骤,得到纵向压缩的缩略图Rs'，Rs'转置操作得到最终的图像缩略图。本发明能够在保证图像尺寸得到有效压缩的同时，十分有效地保留图像的显著区域，充分压缩无关紧要的信息，且不发生图像的尺寸变形。
Description
技术领域
本发明涉及数字图像处理技术领域，特别是涉及到一种图像缩略图的生成算法。
背景技术
缩略图在生活中十分常见，用户在使用手机、平板等设备批量浏览图片时，为了提高软件的处理速度，加载的往往都是图片的缩略图，这为用户查找、浏览和管理图片文件的过程中提供了极大的方便。目前，对图像文件生成缩略图的算法都是采用将图片等比例缩放或者中央裁剪的方法。这些算法虽然实现了图片的压缩，但是这样生成的缩略图往往难以突出用户关注的图片中的重点内容和难以实现用户对批量图片的快速浏览。
随着显著目标检测技术的发展，图像中用户关注的内容已能被无标记地自动检测出来。
发明内容
基于现有技术，本发明提出了一种基于显著性检测的内容感知图片缩略图生成算法，从标准数据库中选取了一些显著目标明显、整体性强的图像来生成图像的缩略图，根据图像内容重要程度自动调整压缩率，在生成压缩图片的同时突出图片中的关键信息。
本发明的一种基于显著性检测的内容感知图片缩略图生成算法，该算法包括以下步骤：
步骤1、用显著性检测技术得到输入图像的显著图，对输入图像及其显著图同步进行列取样分析，然后计算显著图上每个取样区域的显著性密度值ρj，计算公式如下：
其中，Rj表示第j个列取样区域，ρj表示Rj的显著性密度值，Si表示第i个像素的显著值，Num(Rj)表示该取样区域的像素点个数。显著性密度值表示不同取样区域在图像中的重要程度；
步骤2、将显著性密度值代入下述采样规则判决函数，得到各个取样区域的采样规则函数，公式如下：
其中，f(ρj)表示区域Rj的采用规则函数，同时满足以下公式：
其中，M1表示采样的是取样区域全部的像素点，即保持取样区域的大小不变；M2表示只采取取样区域中第1,2,4,5,6,8,9列的像素点组成新的图像块，横向压缩取样区域；M3表示只采取取样区域中第2,3,5,6,8,9列的像素点组成新的图像块；M4表示只采取取样区域中第1,4,7,10列的像素点组成新的图像块；
步骤3、对各个列取样区域使用相应的采样规则函数进行采样，得到各列取样区域的压缩结果，计算公式如下：
其中，表示取样区域压缩后的结果；
然后将压缩后的取样区域进行列并置处理，得到横向缩略图Rs，其计算过程如下：
步骤4、将步骤3得到的横向缩略图Rs，即原输入图像的列取样操作下的压缩结果，与步骤1得到的显著图为作为输入，同步列取样变换为同步行取样，并将取样区域做转置，重复上述类似操作步骤,得到纵向压缩的缩略图Rs'，Rs'转置操作得到最终的图像缩略图。。
相比于传统的缩略图生成方法，本发明能够在保证图像尺寸得到有效压缩的同时，十分有效地保留图像的关键信息(即显著区域)，而对无关紧要的背景信息进行充分的压缩，且不发生图像的尺寸变形。
附图说明
图1为本发明的一种基于显著性检测的内容感知图片缩略图生成算法整体流程示意图；
图2为本发明具体实施例示意图；
图3为算法执行结果示意图；(a)为原图；(b)为普通缩略图；(c)为内容感知缩略图。
具体实施方式
下面将结合附图对本发明的实施方式作进一步的详细描述。
如图1所示，为本发明的一种基于显著性检测的内容感知图片缩略图生成算法整体流程示意图。该流程具体包括以下步骤：
步骤1、用显著性检测技术得到输入图像的显著图，对输入图像及其显著图同步进行列取样分析，将输入图像和显著图分成到多个宽度为10个像素，高度为输入图像高度的图像块，每个输入图像的图像块与显著图中相同位置的图像块一一对应，然后计算显著图上每个取样区域的显著性密度值ρj，计算公式如下：
其中，Rj表示第j个取样区域，ρj表示Rj的显著性密度值，Si表示第i个像素的显著值，Num(Rj)表示该取样区域的像素点个数。显著性密度值表示不同取样区域在图像中的重要程度；
步骤2、将显著性密度值代入下述采样规则判决函数，得到各个取样区域的采样规则函数，公式如下：
其中，f(ρj)是区域Rj的采用规则函数，同时满足以下公式：
其中，M1表示采样的是取样区域全部的像素点，即保持取样区域的大小不变；M2表示只采取取样区域中第1,2,4,5,6,8,9列的像素点组成新的图像块，横向压缩取样区域；M3表示只采取取样区域中第2,3,5,6,8,9列的像素点组成新的图像块；M4表示只采取取样区域中第1,4,7,10列的像素点组成新的图像块；
步骤3、对步骤1得到的各个取样区域使用相应的采样规则函数进行采样，得到取样区域Rj的压缩结果，计算公式如下：
其中，表示取样区域压缩后的结果，是原取样区域高度不变，宽度压缩的图像块；
然后将压缩后的取样区域进行列并置处理，得到横向缩略图Rs，其计算过程如下：
步骤4、将步骤3得到的横向缩略图Rs，即原输入图像的列取样操作下的压缩结果，与步骤1得到的显著图为作为输入，同步列取样变换为同步行取样，并将取样区域做转置，重复上述类似操作步骤,得到纵向压缩的缩略图Rs'，Rs'转置操作得到最终的图像缩略图。
所提出技术的实现先要完成显著图的生成来得到图像中的重点区域，目前已有多项技术能够完成这一过程。本技术只需要得到图像中重点内容的大致区域，对该区域的边缘完整性和内部平滑度不做要求，因此在实施过程中对显著图的生成算法无特殊要求。
实验中的参数设置如下：在原图和显著图做同步列取样操作过程中，采用的是对图像每隔10个像素纵向切割，得到列取样区域。在同步行取样操作中，同样采用的是对图像每隔10个像素横向切割，得到行取样区域。
实验中从标准数据库中选取多幅图片来测试本方法的算法性能。图3为图像分别采用传统的等比例缩放和本方法生成的内容感知图像缩略图的实际效果比较。从实验结果可以看出，在保证图片缩略图尺寸相同的情况下，本专利的算法可以更加明显地保留图像中的重点区域(一般是图像中的物体)，且保证图像不发生尺寸变形，方便用户更便捷地浏览到图像的重点内容。
Claims (1)
1.一种基于显著性检测的内容感知图像缩略图生成算法，其特征在于，该方法包括以下步骤：
步骤(1)、用显著性检测技术得到输入图像的显著图，对输入图像及其显著图同步进行列取样分析，然后计算显著图上每个取样区域的显著性密度值ρj，计算公式如下：
<mrow>
<msub>
<mi>&rho;</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>R</mi>
<mi>j</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
</mrow>
其中，Rj表示第j个列取样区域，ρj表示Rj的显著性密度值，Si表示第i个像素的显著值，Num(Rj)表示该取样区域的像素点个数。显著性密度值表示不同取样区域在图像中的重要程度；
步骤(2)、将显著性密度值代入下述采样规则判决函数，得到各个取样区域的采样规则函数，公式如下：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&rho;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>M</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&rho;</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<mo>(</mo>
<mn>0.7</mn>
<mo>,</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>M</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&rho;</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<mo>(</mo>
<mn>0.4</mn>
<mo>,</mo>
<mn>0.7</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>M</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&rho;</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<mo>(</mo>
<mn>0.1</mn>
<mo>,</mo>
<mn>0.4</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>M</mi>
<mn>4</mn>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&rho;</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0.1</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，f(ρj)表示区域Rj的采用规则函数，同时满足以下公式：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>M</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>M</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mi>s</mi>
<mi>p</mi>
<mi>a</mi>
<mi>r</mi>
<mi>s</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>4</mn>
<mo>,</mo>
<mn>5</mn>
<mo>,</mo>
<mn>6</mn>
<mo>,</mo>
<mn>8</mn>
<mo>,</mo>
<mn>9</mn>
<mo>&rsqb;</mo>
<mo>,</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>4</mn>
<mo>,</mo>
<mn>5</mn>
<mo>,</mo>
<mn>6</mn>
<mo>,</mo>
<mn>7</mn>
<mo>&rsqb;</mo>
<mo>,</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
<mo>,</mo>
<mn>10</mn>
<mo>,</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>M</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mi>s</mi>
<mi>p</mi>
<mi>a</mi>
<mi>r</mi>
<mi>s</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mo>&lsqb;</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>5</mn>
<mo>,</mo>
<mn>6</mn>
<mo>,</mo>
<mn>8</mn>
<mo>,</mo>
<mn>9</mn>
<mo>&rsqb;</mo>
<mo>,</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>4</mn>
<mo>,</mo>
<mn>5</mn>
<mo>,</mo>
<mn>6</mn>
<mo>&rsqb;</mo>
<mo>,</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
<mo>,</mo>
<mn>10</mn>
<mo>,</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>M</mi>
<mn>4</mn>
</msub>
<mo>=</mo>
<mi>s</mi>
<mi>p</mi>
<mi>a</mi>
<mi>r</mi>
<mi>s</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mn>4</mn>
<mo>,</mo>
<mn>7</mn>
<mo>,</mo>
<mn>10</mn>
<mo>&rsqb;</mo>
<mo>,</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>4</mn>
<mo>&rsqb;</mo>
<mo>,</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
<mo>,</mo>
<mn>10</mn>
<mo>,</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，M1表示采样的是取样区域全部的像素点，即保持取样区域的大小不变；M2表示只采取取样区域中第1,2,4,5,6,8,9列的像素点组成新的图像块，横向压缩取样区域；M3表示只采取取样区域中第2,3,5,6,8,9列的像素点组成新的图像块；M4表示只采取取样区域中第1,4,7,10列的像素点组成新的图像块；
步骤(3)、对各个列取样区域使用相应的采样规则函数进行采样，得到各列取样区域的压缩结果，计算公式如下：
<mrow>
<msubsup>
<mi>R</mi>
<mi>j</mi>
<mi>s</mi>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mi>j</mi>
</msub>
<mo>*</mo>
<mi>f</mi>
<mo>(</mo>
<msub>
<mi>&rho;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中，表示取样区域压缩后的结果；
然后将压缩后的取样区域进行列并置处理，得到横向缩略图Rs，其计算过程如下：
<mrow>
<msup>
<mi>R</mi>
<mi>s</mi>
</msup>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>R</mi>
<mn>1</mn>
<mi>s</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>R</mi>
<mn>2</mn>
<mi>s</mi>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>R</mi>
<mi>n</mi>
<mi>s</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
步骤(4)、将步骤(3)得到的横向缩略图Rs，即原输入图像的列取样操作下的压缩结果，与步骤(1)得到的显著图为作为输入，同步列取样变换为同步行取样，并将取样区域做转置，重复上述类似操作步骤,得到纵向压缩的缩略图Rs'，Rs'转置操作得到最终的图像缩略图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710964547.7A CN107767329B (zh) | 2017-10-17 | 2017-10-17 | 基于显著性检测的内容感知图像缩略图生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710964547.7A CN107767329B (zh) | 2017-10-17 | 2017-10-17 | 基于显著性检测的内容感知图像缩略图生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107767329A true CN107767329A (zh) | 2018-03-06 |
| CN107767329B CN107767329B (zh) | 2021-04-27 |
Family
ID=61269613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710964547.7A Active CN107767329B (zh) | 2017-10-17 | 2017-10-17 | 基于显著性检测的内容感知图像缩略图生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107767329B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393966A (zh) * | 2011-06-15 | 2012-03-28 | 西安电子科技大学 | 基于多尺度显著图的自适应图像压缩采样方法 |
| CN103903223A (zh) * | 2014-04-24 | 2014-07-02 | 厦门美图之家科技有限公司 | 一种基于图像显著性检测的获取缩略图的方法 |
| CN104240256A (zh) * | 2014-09-25 | 2014-12-24 | 西安电子科技大学 | 一种基于层次化稀疏建模的图像显著性检测方法 |
| WO2015095752A1 (en) * | 2013-12-20 | 2015-06-25 | DDD IP Ventures, Ltd. | Apparatus and method for interactive quality improvement in video conferencing |
| CN105488758A (zh) * | 2015-11-30 | 2016-04-13 | 河北工业大学 | 一种基于内容感知的图像缩放方法 |
| CN105678699A (zh) * | 2015-05-06 | 2016-06-15 | 西安电子科技大学 | 基于测量域分块显著性检测的压缩感知图像重构方法 |
-
2017
- 2017-10-17 CN CN201710964547.7A patent/CN107767329B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393966A (zh) * | 2011-06-15 | 2012-03-28 | 西安电子科技大学 | 基于多尺度显著图的自适应图像压缩采样方法 |
| WO2015095752A1 (en) * | 2013-12-20 | 2015-06-25 | DDD IP Ventures, Ltd. | Apparatus and method for interactive quality improvement in video conferencing |
| CN103903223A (zh) * | 2014-04-24 | 2014-07-02 | 厦门美图之家科技有限公司 | 一种基于图像显著性检测的获取缩略图的方法 |
| CN104240256A (zh) * | 2014-09-25 | 2014-12-24 | 西安电子科技大学 | 一种基于层次化稀疏建模的图像显著性检测方法 |
| CN105678699A (zh) * | 2015-05-06 | 2016-06-15 | 西安电子科技大学 | 基于测量域分块显著性检测的压缩感知图像重构方法 |
| CN105488758A (zh) * | 2015-11-30 | 2016-04-13 | 河北工业大学 | 一种基于内容感知的图像缩放方法 |
Non-Patent Citations (3)
| Title |
|---|
| WENGUAN WANG等: ""Stereoscopic Thumbnail Creation via Efficient Stereo Saliency Detection"", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS 》 * |
| 王蓉芳等: ""基于视觉显著性的分块自适应压缩感知算法"", 《华中科技大学学报（自然科学版）》 * |
| 黄海等: ""图像显著性启发的傅里叶频域变密度压缩采样"", 《计算机应用于软件》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107767329B (zh) | 2021-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2126789B1 (en) | Improved image identification | |
| JP4782105B2 (ja) | 画像処理装置及び画像処理方法 | |
| CN105488758A (zh) | 一种基于内容感知的图像缩放方法 | |
| US20140003718A1 (en) | Methods of Content-Driven Image Cropping | |
| CN102402784B (zh) | 一种基于最近特征线流形学习的人脸图像超分辨率方法 | |
| CN102779157B (zh) | 搜索图像的方法和装置 | |
| EP2195765B1 (en) | Enhanced image identification | |
| CN110399826B (zh) | 一种端到端人脸检测和识别方法 | |
| US8204889B2 (en) | System, method, and computer-readable medium for seeking representative images in image set | |
| CN104992403A (zh) | 一种基于视觉相似度度量的混合操作算子图像重定向方法 | |
| CN111612004A (zh) | 一种基于语义内容的图像裁剪方法及装置 | |
| CN111462136B (zh) | 一种基于边界分割算法的图像矢量化系统和方法 | |
| EP2085926B1 (en) | Method and apparatus for generating thumbnail image | |
| CN106709915A (zh) | 一种图像重采样操作检测方法 | |
| CN107767329B (zh) | 基于显著性检测的内容感知图像缩略图生成方法 | |
| JP2004021430A (ja) | 画像検索装置、画像検索方法及び画像検索プログラム | |
| CN105913064A (zh) | 一种图像视觉显著性检测拟合优化方法 | |
| CN112102338A (zh) | 基于深度学习的影像样本数据的获取方法及装置 | |
| Kekre et al. | Image zooming using sinusoidal transforms like hartley, DFT, DCT, DST and real Fourier transform | |
| CN117523162A (zh) | 一种基于深度神经网络模型的航空结构件图像预处理方法 | |
| CN102253989A (zh) | 图像处理方法、装置及图像检索方法、系统 | |
| CN104424160B (zh) | 文档跳转的处理系统和处理方法 | |
| JP2021111228A (ja) | 学習装置、学習方法、及びプログラム | |
| WO2014086266A1 (zh) | 一种方便电子化的专业笔记本及其电子缩略图显示方法 | |
| CN115471736A (zh) | 基于注意力机制和知识蒸馏的伪造图像检测方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |