CN108038833A - 一种梯度相关性检测的图像自适应锐化方法和存储介质 - Google Patents
一种梯度相关性检测的图像自适应锐化方法和存储介质 Download PDFInfo
- Publication number
- CN108038833A CN108038833A CN201711459542.5A CN201711459542A CN108038833A CN 108038833 A CN108038833 A CN 108038833A CN 201711459542 A CN201711459542 A CN 201711459542A CN 108038833 A CN108038833 A CN 108038833A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- pixel
- value
- gradient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 133
- 230000008569 process Effects 0.000 claims abstract description 60
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001953 sensory effect Effects 0.000 abstract description 4
- 230000007704 transition Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000003707 image sharpening Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种梯度相关性检测的图像自适应锐化方法和存储介质,所述方法通过对图像像素的亮度进行相似性检测,实现图像不同区域进行不同程度的滤波处理,有效保护了图像上的弱纹理区域、抑制噪声影响。此外,所述方法还根据图像梯度相关性及原始梯度图像计算各个像素点锐化系数,对不同程度滤波处理后的图像上需要进行锐化处理的那部分像素进行锐化,有效保护了图像的细节纹理特征,实现根据不同亮度场景的图像自适应锐化,使得图像的视觉效果更加清晰,中间过渡更加自然,有效提升了用户感官体验。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种梯度相关性检测的图像自适应锐化方法和存储介质。
背景技术
图像锐化处理是在原始图像的基础上对图像的边缘进行增强,从而达到增强图像焦点、减少图像的细节模糊和提升图像分辨率的效果。图像锐化算法包括空域处理和频域处理两大类。钝化掩模滤波器(unsharp mask filter,USM)算法是比较常用的锐化算法,它能够有效提高图像边缘的对比度,其原理是将原始图像与模糊处理后的图像的差值作为掩模模板,将输入图像根据用户设定的比例与掩模模板中的值进行融合,从而实现图像边缘锐化,参考资料链接如下:https://en.wikipedia.org/wiki/Unsharp_masking。
由于钝化掩模滤波器需要用户手动输入设定锐化量,主观性较强,存在着判断不准确的问题。此外,设定单一的锐化系数会使得图像部分区域锐化强度过强,而又有部分锐化强度不够,无法保证整个图像锐化强度处于一个适中的范围,影响了用户对图像的感官体验。因此,如何通过自适应的方式在图像上采用不同的锐化强度,是图像处理领域说要研究的重要一环。
发明内容
为此,需要提供一种梯度相关性检测的图像自适应锐化方法和存储介质,用以解决现有的图像锐化算法由于需要用户人为设定单一锐化系数,导致锐化后的图像锐化强度不合理,影响用户感官体验的问题。
为实现上述目的,发明人提供了一种梯度相关性检测的图像自适应锐化方法,所述方法包括:
接收原始图像,当判定所述原始图像为非YUV格式图像时,将所述原始图像转换为YUV图像,所述YUV图像包括Y分量图像和UV分量图像;
对Y分量图像进行第一滤波处理,得到第一滤波图像,并采用梯度算子对第一滤波图像进行计算,得到第一梯度图像;对Y分量图像采用梯度算子进行计算,得到第二梯度图像;
根据第二梯度图像的梯度值确定Y分量图像上各个像素点对应的锐化系数,并对第一梯度图像和第二梯度图像进行相关性检测,确定相关性系数;所述相关性系数用于确定需要进行锐化处理的像素点;
以及对Y分量图像各个像素点进行亮度检测,根据亮度检测结果确定Y分量图像各个像素点对应的区块类型,基于所述区块类型对Y分量图像上的各个像素点进行第二滤波处理,得到第二滤波图像;
根据第二滤波图像、锐化系数、相关性系数以及第一滤波图像的对应关系,对第二滤波图像上需要进行锐化处理的各个像素点进行锐化处理,得到锐化处理后的Y分量图像;
对UV分量图像进行第三滤波处理,将第三滤波处理后的UV分量图像和锐化处理后的Y分量图像合并为YUV输出图像,并将YUV输出图像转换为原始图像格式并输出。
进一步地,步骤“对第一梯度图像和第二梯度图像进行相关性检测”通过以下公式实现:
cr=r(x,y)-rmean(x,y)
其中,g1(x,y)表示第一梯度图像上坐标为(x,y)的像素点的像素值,g0(x,y)表示第二梯度图像与第一梯度图像上坐标为(x,y)的像素点位置相对应的像素点的像素值;r(x,y)表示第一梯度图像和第二梯度图像坐标为(x,y)的像素点的相关系数;rmean(x,y)表示像素点(x,y)的邻域像素点的平均相关系数,rout(x,y)值为0的时候表示二者不相关,值为1表示二者相关;所述邻域像素点为以像素点(x,y)为中心的NXN子块内、除了像素点(x,y)之外的其他像素点;cth表示比较阈值。
进一步地,步骤“对Y分量图像各个像素点进行亮度检测,根据亮度检测结果确定Y分量图像各个像素点对应的区块类型,基于所述区块类型对Y分量图像上的各个像素点进行第二滤波处理,得到第二滤波图像”包括:
根据Y分量图像上当前像素点的亮度值大小,确定当前像素点对应的预设阈值,所述预设阈值包括第一预设差值、第二预设差值、相似像素点最大值和相似像素最小值;
以当前像素点为中心,计算NXN子块内所有像素点的亮度均值,并计算当前像素点的亮度值与所述亮度均值的差值,得到亮度差值;
根据亮度差值与第一预设差值大小关系、以及统计的NXN子块内与当前像素点相似的像素点个数和相似像素点最大值、相似像素点最小值之间的对应关系,确定当前NXN子块对应的区块类型;所述与当前像素点相似的像素点为NXN子块内与当前像素点的亮度差值小于等于第二预设差值的像素点;
根据不同的区块类型确定不同的滤波系数,对各个NXN子块内的像素点进行第二滤波处理,得到第二滤波图像。
进一步地,所述区块类型包括第一区块、第二区块和第三区块;步骤“根据亮度差值与第一预设差值大小关系、以及统计的NXN子块内与当前像素点相似的像素点个数和相似像素点最大值、相似像素点最小值之间的对应关系,确定当前NXN子块对应的区块类型”包括:
当亮度差值小于第一预设差值,且统计的NXN子块内与当前像素点相似的像素点个数大于相似像素点最大值时,判定NXN子块的区块类型为第一区块;
当亮度差值不小于第一预设差值,且统计的NXN子块内与当前像素点相似的像素点个数小于相似像素点最小值时,判定NXN子块的区块类型为第二区块;
以及将既不属于第一区块也不属于第二区块的NXN子块的区块类型判定为第三区块。
进一步地,所述第一滤波处理、第二滤波处理或第三滤波处理包括:高斯核平滑滤波处理、均值滤波处理、中值滤波处理、最值滤波处理、小波滤波处理中的任意一种。
发明人还提供了一种存储介质,所述存储介质存储有可读计算机程序,所述计算机程序被处理器执行时实现以下步骤:
接收原始图像,当判定所述原始图像为非YUV格式图像时,将所述原始图像转换为YUV图像,所述YUV图像包括Y分量图像和UV分量图像;
对Y分量图像进行第一滤波处理,得到第一滤波图像,并采用梯度算子对第一滤波图像进行计算,得到第一梯度图像;对Y分量图像采用梯度算子进行计算,得到第二梯度图像;
根据第二梯度图像的梯度值确定Y分量图像上各个像素点对应的锐化系数,并对第一梯度图像和第二梯度图像进行相关性检测,确定相关性系数;所述相关性系数用于确定需要进行锐化处理的像素点;
以及对Y分量图像各个像素点进行亮度检测,根据亮度检测结果确定Y分量图像各个像素点对应的区块类型,基于所述区块类型对Y分量图像上的各个像素点进行第二滤波处理,得到第二滤波图像;
根据第二滤波图像、锐化系数、相关性系数以及第一滤波图像的对应关系,对第二滤波图像上需要进行锐化处理的各个像素点进行锐化处理,得到锐化处理后的Y分量图像;
对UV分量图像进行第三滤波处理,将第三滤波处理后的UV分量图像和锐化处理后的Y分量图像合并为YUV输出图像,并将YUV输出图像转换为原始图像格式并输出。
进一步地,所述计算机程序被处理器执行时实现步骤“对第一梯度图像和第二梯度图像进行相关性检测”通过以下公式实现:
cr=r(x,y)-rmean(x,y)
其中,g1(x,y)表示第一梯度图像上坐标为(x,y)的像素点的像素值,g0(x,y)表示第二梯度图像与第一梯度图像上坐标为(x,y)的像素点位置相对应的像素点的像素值;r(x,y)表示第一梯度图像和第二梯度图像坐标为(x,y)的像素点的相关系数;rmean(x,y)表示像素点(x,y)的邻域像素点的平均相关系数,rout(x,y)值为0的时候表示二者不相关,值为1表示二者相关;所述邻域像素点为以像素点(x,y)为中心的NXN子块内、除了像素点(x,y)之外的其他像素点;cth表示比较阈值。
进一步地,所述计算机程序被处理器执行时实现步骤“对Y分量图像各个像素点进行亮度检测,根据亮度检测结果确定Y分量图像各个像素点对应的区块类型,基于所述区块类型对Y分量图像上的各个像素点进行第二滤波处理,得到第二滤波图像”包括:
根据Y分量图像上当前像素点的亮度值大小,确定当前像素点对应的预设阈值,所述预设阈值包括第一预设差值、第二预设差值、相似像素点最大值和相似像素最小值;
以当前像素点为中心,计算NXN子块内所有像素点的亮度均值,并计算当前像素点的亮度值与所述亮度均值的差值,得到亮度差值;
根据亮度差值与第一预设差值大小关系、以及统计的NXN子块内与当前像素点相似的像素点个数和相似像素点最大值、相似像素点最小值之间的对应关系,确定当前NXN子块对应的区块类型;所述与当前像素点相似的像素点为NXN子块内与当前像素点的亮度差值小于等于第二预设差值的像素点;
根据不同的区块类型确定不同的滤波系数,对各个NXN子块内的像素点进行第二滤波处理,得到第二滤波图像。
进一步地,所述区块类型包括第一区块、第二区块和第三区块;所述计算机程序被处理器执行时实现步骤“根据亮度差值与第一预设差值大小关系、以及统计的NXN子块内与当前像素点相似的像素点个数和相似像素点最大值、相似像素点最小值之间的对应关系,确定当前NXN子块对应的区块类型”包括:当亮度差值小于第一预设差值,且统计的NXN子块内与当前像素点相似的像素点个数大于相似像素点最大值时,判定NXN子块的区块类型为第一区块;当亮度差值不小于第一预设差值,且统计的NXN子块内与当前像素点相似的像素点个数小于相似像素点最小值时,判定NXN子块的区块类型为第二区块;以及将既不属于第一区块也不属于第二区块的NXN子块的区块类型判定为第三区块。
进一步地,所述第一滤波处理、第二滤波处理或第三滤波处理包括:高斯核平滑滤波处理、均值滤波处理、中值滤波处理、最值滤波处理、小波滤波处理中的任意一种。
区别于现有技术,上述技术方案所述的梯度相关性检测的图像自适应锐化方法和存储介质,所述方法通过对图像像素的亮度进行相似性检测,实现图像不同区域进行不同程度的滤波处理,有效保护了图像上的弱纹理区域、抑制噪声影响。此外,所述方法还根据图像梯度相关性及原始梯度图像计算各个像素点锐化系数,对不同程度滤波处理后的图像上需要进行锐化处理的那部分像素进行锐化,有效保护了图像的细节纹理特征,实现根据不同亮度场景的图像自适应锐化,使得图像的视觉效果更加清晰,中间过渡更加自然,有效提升了用户感官体验。
附图说明
图1为本发明一实施例涉及的梯度相关性检测的图像自适应锐化方法的流程图;
图2为本发明另一实施例涉及的梯度相关性检测的图像自适应锐化方法的流程图;
图3为本发明一实施例涉及的高斯函数的示意图;
图4为本发明一实施例涉及的梯度模板的示意表;
图5为本发明一实施例涉及的最大最小值滤波的3X3Kernel矩阵的示意图;
图6为本发明一实施例涉及的梯度值与锐化系数对应关系的示意图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图2,为本发明另一实施例涉及的梯度相关性检测的图像自适应锐化方法的流程图。所述方法能够实现对图像的自适应锐化处理,有效抑制图像噪声的影响,提高图像的锐化效果,使图像变得更加自然。所述方法包括以下步骤:
首先进入步骤S101接收原始图像。所述原始图像为待进行锐化处理的图像,可以为YUV格式图像、RGB格式图像等。
而后进入步骤S102判断所述原始图像是否为YUV格式图像,若否则进入步骤S103将所述原始图像转换为YUV图像,步骤S103之后再进入步骤S301和S302;若所述原始图像为YUV格式图像,则步骤S101之后可以直接进入步骤S301和步骤S302。在本实施方式中,所述原始图像为RGB格式图像,RGB格式图像转换为YUV格式图像可以通过公式(1)来完成:
对于YUV格式图像而言,其包括Y分量图像、U分量图像和V分量图像。其中,对于U分量图像和V分量图像的处理方式相似,为了便于说明,以下将U分量图像和V分量图像简化为UV分量图像。对于UV分量图像而言,进入步骤S302对UV分量图像进行第三滤波处理;对于Y分量图像而言,进入步骤S301对Y分离图像进行梯度相关性的锐化处理(具体步骤在下方对图1说明中再展开)。在本实施方式中,对于UV分量图像的第三滤波处理根据亮度相似性结果进行,通过亮度相似性检测可以将UV分量图像划分为不同的区域类型,并且针对不同的区域类型选用不同的滤波系数进行滤波处理,从而使得第三滤波后的图像整体更加平滑。第三滤波处理的原理与第二滤波处理的原理相似,以下在对第二滤波处理进行描述时再进行展开。
而后可以进入步骤S303将第三滤波处理后的UV分量图像和锐化处理后的Y分量图像合并为YUV输出图像,并将YUV输出图像转换为原始图像格式并输出。例如原始图像为RGB格式,则本发明会将输出图像重新转换为RGB格式进行输出。当然,如果原始图像为YUV格式,这无需进行转换,可以对YUV输出图像直接进行输出。
请参阅图1,为本发明另一实施例涉及的梯度相关性检测的图像自适应锐化方法的流程图。原始图像转换为YUV色彩空间格式图像后,对于Y分量图像的处理是本发明的重点,以下结合图1对此详细展开说明。
首先进入步骤S104对Y分量图像进行第一滤波处理,得到第一滤波图像。在本实施方式中,所述第一滤波处理包括模糊滤波处理,所述模糊滤波处理包括高斯核平滑滤波处理、均值滤波处理、中值滤波处理、最值滤波处理、小波滤波处理中的任意一种。在另一些实施例中,所述第一滤波处理还可以是采用上述模糊滤波处理的方法(如小波滤波等)为基础进行改进后的滤波模型进行的滤波处理。模糊滤波处理可以通过公式(2)表示:
其中,f(x,y)表示Y分量图像在坐标(x,y)上的像素值,f1(x,y)表示模糊滤波输出的图像Y1(即第一滤波图像)在坐标(x,y)上的像素值,w为滤波模板,可以分为WG、Wmean、Wmedian、Wmaxmin,a和b分别表示滤波模板的大小,比如3x3、5x5等,f(x+s,y+t)表示坐标(x,y)横坐标偏移s个单位、纵坐标偏移t个单位的像素点。具体地,以下结合各个实施例对第一滤波处理作具体展开。
实施例一:高斯核平滑滤波处理
高斯平滑曲线可以参考图3所示,具体可以用公式(3)表示:
例如标准差为1.0的整数高斯核如表1所示:
表1
高斯核平滑滤波应用具体可以参考以下网址链接,此处不再赘述:
https://www.cnblogs.com/wangguchangqing/p/6407717.html
实施例二:均值滤波处理
均值滤波处理具体可以用公式(4)表示:
选用的滤波模板如下:
实施例三:中值滤波处理
选用的滤波模板如下:
实施例四:最值滤波处理
最值滤波处理,又叫最大最小值滤波,是一种比较保守的图像处理手段,与中值滤波类似,首先要排序周围像素和中心像素值,然后将中心像素值与最小像素值和最大像素值比较,如果中心像素值比最小值小,则将中心像素值替换为最小值,如果中心像素值比最大值大,则将中心像素替换为最大值。一个Kernel矩阵为3X3的最大最小值滤波如图5所示。将3x3矩阵内除了中心像素点之外的8个像素点按照像素值从小到大进行排序,得到以下序列:98,108,112,122,123,124,135,144,其中中心像素点为150。经过最大最叫值滤波后,中心像素值为144,依次对图像上的各个像素点执行上述操作,遍历所有像素点,从而得到第一滤波图像。
实施例四:小波滤波
小波滤波算法为现有算法,此处不再赘述,具体步骤可以参考以下网址链接:https://wenku.baidu.com/view/51c9050f4a7302768e993945.html
实施例五:其他滤波方式
其他滤波方式可以概括用公式(6)
f1(x,y)=Θ(f(x,y)) 公式(6)
其中,Θ(·)表示对f(x,y)进行滤波处理,包括采用局部或者全局的滤波方式。
步骤S104后可以进入步骤S105并采用梯度算子对第一滤波图像进行计算,得到第一梯度图像。并行地,也可以进入步骤S106对Y分量图像采用梯度算子进行计算,得到第二梯度图像。第一梯度图像和第二图像图像的计算可以用公式(7)表示:
gx,gy表示图像f在x方向和在y方向的一阶导,第一梯度图像G1(G1图像中的坐标点用g1(x,y)表示)和第二梯度图像G(G图像中的坐标点用g0(x,y)表示)分别表示对图像f1、f求梯度,即分别表示对第一滤波图像、Y分量图像进行梯度计算后得到的图像。与此同时,也可以采用梯度算子进行计算,并将sobel、prewitt、Scharr算子进行扩展至5x5的形式,不同梯度算子在沿水平和垂直方向上的梯度如图4所示。
而后进入步骤S110对第一梯度图像和第二梯度图像进行相关性检测,确定相关性系数;所述相关性系数用于确定需要进行锐化处理的像素点。假设第二梯度图像的某一像素点为G(x,y),第一梯度图像上与G(x,y)坐标位置相对应的像素点为G1(x,y),以G(x,y)和G1(x,y)为中心像素点的3x3子块(另一些实施例中,还可以为5x5、7x7等,此处为了便于说明以3x3子块为例)分别如表2和表3所示:
G(x-1,y-1) | G(x-1,y) | G(x-1,y+1) |
G(x,y-1) | G(x,y) | G(x,y+1) |
G(x+1,y-1) | G(x+1,y) | G(x+1,y+1) |
表2
G1(x-1,y-1) | G1(x-1,y) | G1(x-1,y+1) |
G1(x,y-1) | G1(x,y) | G1(x,y+1) |
G1(x+1,y-1) | G1(x+1,y) | G1(x+1,y+1) |
表3
在本实施方式中,步骤“对第一梯度图像和第二梯度图像进行相关性检测”通过以下公式(8)实现:
其中,g1(x,y)表示第一梯度图像上坐标为(x,y)的像素点的像素值,g0(x,y)表示第二梯度图像与第一梯度图像上坐标为(x,y)的像素点位置相对应的像素点的像素值;r(x,y)表示第一梯度图像和第二梯度图像坐标为(x,y)的像素点的相关系数;rmean(x,y)表示像素点(x,y)的邻域像素点的平均相关系数,rout(x,y)值为0的时候表示二者不相关,值为1表示二者相关;所述邻域像素点为以像素点(x,y)为中心的NXN子块内、除了像素点(x,y)之外的其他像素点;cth表示比较阈值。
与步骤S110并行地,可以进入步骤S107根据第二梯度图像的梯度值确定Y分量图像上各个像素点对应的锐化系数。根据第二梯度图像g0(x,y)计算锐化系数k(x,y),并锐化系数划分为若干个档次,例如可以将锐化系数分为5个档次,分别为kfactor1、kfactor2、kfactor3、kfactor4、kfactor5,对应的是由弱到强不同程度的锐化等级。对于图像上的像素点而言,每个像素点都有其对应的梯度值,根据梯度值与锐化系数的对应关系(如图6中的中曲线,横坐标表示像素点的梯度值,纵坐标表示该像素点对应的锐化系数),就可以根据梯度值确定该像素点对应的锐化系数。简言之,一个梯度值对应一个锐化系数,两者之间的对应关系可以根据实际需要进行设定,如可以为自定义的其他曲线,只需满足像素梯度值与锐化系数一一对应即可。
与步骤S104和步骤S106并行地,可以进入步骤S108对Y分量图像各个像素点进行亮度检测,根据亮度检测结果确定Y分量图像各个像素点对应的区块类。亮度检测可以用公式(9)和(10)表示:
其中,l0、l1、l2、l3分别表示不同的亮度等级,每一亮度等级下对应不同的四个预设阈值{delta1,delta2,Nmin,Nmax},delta1表示第一预设差值、delta2表示第二预设差值、Nmax表示相似像素点最大值,Nmin表示相似像素最小值。简言之,对于Y分量图像上每个像素点而言,都有其对应的亮度值,根据亮度值的大小可以确定该像素点所处的亮度等级,进而根据亮度等级确定对应的4个预设阈值,以便后续调用处理。当然,在另一些实施例中,亮度等级划分可以少于4个(如3个),也可以多于4个(如5个、6个)等,具体根据实际需要进行设定。步骤S108之后可以进入步骤S109基于所述区块类型对Y分量图像上的各个像素点进行第二滤波处理,得到第二滤波图像。
在本实施方式中,步骤“对Y分量图像各个像素点进行亮度检测,根据亮度检测结果确定Y分量图像各个像素点对应的区块类型,基于所述区块类型对Y分量图像上的各个像素点进行第二滤波处理,得到第二滤波图像”包括:
根据Y分量图像上当前像素点的亮度值大小,确定当前像素点对应的预设阈值,所述预设阈值包括第一预设差值、第二预设差值、相似像素点最大值和相似像素最小值;
以当前像素点为中心,计算NXN子块内所有像素点的亮度均值,并计算当前像素点的亮度值与所述亮度均值的差值,得到亮度差值;
根据亮度差值与第一预设差值大小关系、以及统计的NXN子块内与当前像素点相似的像素点个数和相似像素点最大值、相似像素点最小值之间的对应关系,确定当前NXN子块对应的区块类型;所述与当前像素点相似的像素点为NXN子块内与当前像素点的亮度差值小于等于第二预设差值的像素点;
根据不同的区块类型确定不同的滤波系数,对各个NXN子块内的像素点进行第二滤波处理,得到第二滤波图像。
进一步地,所述区块类型包括第一区块、第二区块和第三区块;步骤“根据亮度差值与第一预设差值大小关系、以及统计的NXN子块内与当前像素点相似的像素点个数和相似像素点最大值、相似像素点最小值之间的对应关系,确定当前NXN子块对应的区块类型”包括:
当亮度差值小于第一预设差值,且统计的NXN子块内与当前像素点相似的像素点个数大于相似像素点最大值时,判定NXN子块的区块类型为第一区块;
当亮度差值不小于第一预设差值,且统计的NXN子块内与当前像素点相似的像素点个数小于相似像素点最小值时,判定NXN子块的区块类型为第二区块;
以及将既不属于第一区块也不属于第二区块的NXN子块的区块类型判定为第三区块。
步骤S108可以通过公式(11)表示:
FilterGaussian(x,y)=flat或noise或other分别表示图像的平坦区(即第一区块),噪声区(即第二区块),中间区域(即第三区块),根据区块类型可以对Y分离图像采用不同的滤波系数进行滤波处理,得到Y2(即第二滤波图像)。在另一些实施例中,区块类型还可以划分为其他数量等级,如可以划分为5个区块类型、2个区块类型等。
在本实施方式中,NXN子块为3x3子块,以f(x,y)为像素点为中心,3x3子块的如表4所示:
f(x‐1,y‐1) | f(x‐1,y) | f(x‐1,y+1) |
f(x,y‐1) | f(x,y) | f(x,y+1) |
f(x+1,y‐1) | f(x+1,y) | f(x+1,y+1) |
表4
步骤S110、S107、S109之后可以进入步骤S111根据第二滤波图像、锐化系数、相关性系数以及第一滤波图像的对应关系,对第二滤波图像上需要进行锐化处理的各个像素点进行锐化处理,得到锐化处理后的Y分量图像。在本实施方式中,可以采用拉普拉斯算子对图像进行锐化处理。
步骤S111可以用公式(12)表示:
fout(x,y)表示最终输出的、锐化处理后的Y分量图像在(x,y)位置的像素值。cthreshold表示预设的梯度比较值,表示第一梯度图像的(x,y)坐标位置的像素点的二阶梯度值,k(x,y)为锐化系数,rout(x,y)表示第一梯度图像和第二梯度图像的相关系数(优选用0和1表示,1表示相关,0表示不相关),f2(x,y)表示第二滤波图像上坐标(x,y)位置的像素值。
发明人还提供了一种存储介质,所述存储介质存储有可读计算机程序,所述计算机程序被处理器执行时实现以下步骤:
接收原始图像,当判定所述原始图像为非YUV格式图像时,将所述原始图像转换为YUV图像,所述YUV图像包括Y分量图像和UV分量图像;
对Y分量图像进行第一滤波处理,得到第一滤波图像,并采用梯度算子对第一滤波图像进行计算,得到第一梯度图像;对Y分量图像采用梯度算子进行计算,得到第二梯度图像;
根据第二梯度图像的梯度值确定Y分量图像上各个像素点对应的锐化系数,并对第一梯度图像和第二梯度图像进行相关性检测,确定相关性系数;所述相关性系数用于确定需要进行锐化处理的像素点;
以及对Y分量图像各个像素点进行亮度检测,根据亮度检测结果确定Y分量图像各个像素点对应的区块类型,基于所述区块类型对Y分量图像上的各个像素点进行第二滤波处理,得到第二滤波图像;
根据第二滤波图像、锐化系数、相关性系数以及第一滤波图像的对应关系,对第二滤波图像上需要进行锐化处理的各个像素点进行锐化处理,得到锐化处理后的Y分量图像;
对UV分量图像进行第三滤波处理,将第三滤波处理后的UV分量图像和锐化处理后的Y分量图像合并为YUV输出图像,并将YUV输出图像转换为原始图像格式并输出。
本发明提出了一种利用梯度相关性检测的图像自适应锐化方法,在梯度相关性检测中,能够有效地排除噪声干扰,并在此基础上能够计算得到的各像素锐化系数,针对不同像素采用不同的锐化系数进行锐化处理,使得图像中的锐化效果有层次感。此外,所述方法还根据图像梯度相关性及原始梯度图像计算各个像素点锐化系数,对不同程度滤波处理后的图像上需要进行锐化处理的那部分像素进行锐化,有效保护了图像的细节纹理特征,实现根据不同亮度场景的图像自适应锐化,使得图像的视觉效果更加清晰,中间过渡更加自然,有效提升了用户感官体验。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
Claims (10)
1.一种梯度相关性检测的图像自适应锐化方法,其特征在于,所述方法包括:
接收原始图像,当判定所述原始图像为非YUV格式图像时,将所述原始图像转换为YUV图像,所述YUV图像包括Y分量图像和UV分量图像;
对Y分量图像进行第一滤波处理,得到第一滤波图像,并采用梯度算子对第一滤波图像进行计算,得到第一梯度图像;对Y分量图像采用梯度算子进行计算,得到第二梯度图像;
根据第二梯度图像的梯度值确定Y分量图像上各个像素点对应的锐化系数,并对第一梯度图像和第二梯度图像进行相关性检测,确定相关性系数;所述相关性系数用于确定需要进行锐化处理的像素点;
以及对Y分量图像各个像素点进行亮度检测,根据亮度检测结果确定Y分量图像各个像素点对应的区块类型,基于所述区块类型对Y分量图像上的各个像素点进行第二滤波处理,得到第二滤波图像;
根据第二滤波图像、锐化系数、相关性系数以及第一滤波图像的对应关系,对第二滤波图像上需要进行锐化处理的各个像素点进行锐化处理,得到锐化处理后的Y分量图像;
对UV分量图像进行第三滤波处理,将第三滤波处理后的UV分量图像和锐化处理后的Y分量图像合并为YUV输出图像,并将YUV输出图像转换为原始图像格式并输出。
2.如权利要求1所述的梯度相关性检测的图像自适应锐化方法,其特征在于,步骤“对第一梯度图像和第二梯度图像进行相关性检测”通过以下公式实现:
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>g</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>g</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mo>-</mo>
<mi>a</mi>
</mrow>
</munder>
<mrow>
<mi>s</mi>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
<mi>a</mi>
</munderover>
<munderover>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mo>-</mo>
<mi>b</mi>
</mrow>
</munder>
<mrow>
<mi>t</mi>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
<mi>b</mi>
</munderover>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mi>s</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<mi>a</mi>
<mo>&times;</mo>
<mn>2</mn>
<mi>b</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
cr=r(x,y)-rmean(x,y)
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>c</mi>
<mi>r</mi>
<mo>></mo>
<mi>c</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>c</mi>
<mi>r</mi>
<mo>&le;</mo>
<mi>c</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,g1(x,y)表示第一梯度图像上坐标为(x,y)的像素点的像素值,g0(x,y)表示第二梯度图像与第一梯度图像上坐标为(x,y)的像素点位置相对应的像素点的像素值;r(x,y)表示第一梯度图像和第二梯度图像坐标为(x,y)的像素点的相关系数;rmean(x,y)表示像素点(x,y)的邻域像素点的平均相关系数,rout(x,y)值为0的时候表示二者不相关,值为1表示二者相关;所述邻域像素点为以像素点(x,y)为中心的NXN子块内、除了像素点(x,y)之外的其他像素点;cth表示比较阈值。
3.如权利要求1所述的梯度相关性检测的图像自适应锐化方法,其特征在于,步骤“对Y分量图像各个像素点进行亮度检测,根据亮度检测结果确定Y分量图像各个像素点对应的区块类型,基于所述区块类型对Y分量图像上的各个像素点进行第二滤波处理,得到第二滤波图像”包括:
根据Y分量图像上当前像素点的亮度值大小,确定当前像素点对应的预设阈值,所述预设阈值包括第一预设差值、第二预设差值、相似像素点最大值和相似像素最小值;
以当前像素点为中心,计算NXN子块内所有像素点的亮度均值,并计算当前像素点的亮度值与所述亮度均值的差值,得到亮度差值;
根据亮度差值与第一预设差值大小关系、以及统计的NXN子块内与当前像素点相似的像素点个数和相似像素点最大值、相似像素点最小值之间的对应关系,确定当前NXN子块对应的区块类型;所述与当前像素点相似的像素点为NXN子块内与当前像素点的亮度差值小于等于第二预设差值的像素点;
根据不同的区块类型确定不同的滤波系数,对各个NXN子块内的像素点进行第二滤波处理,得到第二滤波图像。
4.如权利要求3所述的梯度相关性检测的图像自适应锐化方法,其特征在于,所述区块类型包括第一区块、第二区块和第三区块;步骤“根据亮度差值与第一预设差值大小关系、以及统计的NXN子块内与当前像素点相似的像素点个数和相似像素点最大值、相似像素点最小值之间的对应关系,确定当前NXN子块对应的区块类型”包括:
当亮度差值小于第一预设差值,且统计的NXN子块内与当前像素点相似的像素点个数大于相似像素点最大值时,判定NXN子块的区块类型为第一区块;
当亮度差值不小于第一预设差值,且统计的NXN子块内与当前像素点相似的像素点个数小于相似像素点最小值时,判定NXN子块的区块类型为第二区块;
以及将既不属于第一区块也不属于第二区块的NXN子块的区块类型判定为第三区块。
5.如权利要求1所述的梯度相关性检测的图像自适应锐化方法,其特征在于,所述第一滤波处理、第二滤波处理或第三滤波处理包括:高斯核平滑滤波处理、均值滤波处理、中值滤波处理、最值滤波处理、小波滤波处理中的任意一种。
6.一种存储介质,其特征在于,所述存储介质存储有可读计算机程序,所述计算机程序被处理器执行时实现以下步骤:
接收原始图像,当判定所述原始图像为非YUV格式图像时,将所述原始图像转换为YUV图像,所述YUV图像包括Y分量图像和UV分量图像;
对Y分量图像进行第一滤波处理,得到第一滤波图像,并采用梯度算子对第一滤波图像进行计算,得到第一梯度图像;对Y分量图像采用梯度算子进行计算,得到第二梯度图像;
根据第二梯度图像的梯度值确定Y分量图像上各个像素点对应的锐化系数,并对第一梯度图像和第二梯度图像进行相关性检测,确定相关性系数;所述相关性系数用于确定需要进行锐化处理的像素点;
以及对Y分量图像各个像素点进行亮度检测,根据亮度检测结果确定Y分量图像各个像素点对应的区块类型,基于所述区块类型对Y分量图像上的各个像素点进行第二滤波处理,得到第二滤波图像;
根据第二滤波图像、锐化系数、相关性系数以及第一滤波图像的对应关系,对第二滤波图像上需要进行锐化处理的各个像素点进行锐化处理,得到锐化处理后的Y分量图像;
对UV分量图像进行第三滤波处理,将第三滤波处理后的UV分量图像和锐化处理后的Y分量图像合并为YUV输出图像,并将YUV输出图像转换为原始图像格式并输出。
7.如权利要求6所述的存储介质,其特征在于,所述计算机程序被处理器执行时实现步骤“对第一梯度图像和第二梯度图像进行相关性检测”通过以下公式实现:
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>g</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>g</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mo>-</mo>
<mi>a</mi>
</mrow>
</munder>
<mrow>
<mi>s</mi>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
<mi>a</mi>
</munderover>
<munderover>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mo>-</mo>
<mi>b</mi>
</mrow>
</munder>
<mrow>
<mi>t</mi>
<mo>&NotEqual;</mo>
<mn>0</mn>
</mrow>
<mi>b</mi>
</munderover>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mi>s</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<mi>a</mi>
<mo>&times;</mo>
<mn>2</mn>
<mi>b</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
cr=r(x,y)-rmean(x,y)
<mrow>
<msub>
<mi>r</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>c</mi>
<mi>r</mi>
<mo>></mo>
<mi>c</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>c</mi>
<mi>r</mi>
<mo>&le;</mo>
<mi>c</mi>
<mi>t</mi>
<mi>h</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,g1(x,y)表示第一梯度图像上坐标为(x,y)的像素点的像素值,g0(x,y)表示第二梯度图像与第一梯度图像上坐标为(x,y)的像素点位置相对应的像素点的像素值;r(x,y)表示第一梯度图像和第二梯度图像坐标为(x,y)的像素点的相关系数;rmean(x,y)表示像素点(x,y)的邻域像素点的平均相关系数,rout(x,y)值为0的时候表示二者不相关,值为1表示二者相关;所述邻域像素点为以像素点(x,y)为中心的NXN子块内、除了像素点(x,y)之外的其他像素点;cth表示比较阈值。
8.如权利要求6所述的存储介质,其特征在于,所述计算机程序被处理器执行时实现步骤“对Y分量图像各个像素点进行亮度检测,根据亮度检测结果确定Y分量图像各个像素点对应的区块类型,基于所述区块类型对Y分量图像上的各个像素点进行第二滤波处理,得到第二滤波图像”包括:
根据Y分量图像上当前像素点的亮度值大小,确定当前像素点对应的预设阈值,所述预设阈值包括第一预设差值、第二预设差值、相似像素点最大值和相似像素最小值;
以当前像素点为中心,计算NXN子块内所有像素点的亮度均值,并计算当前像素点的亮度值与所述亮度均值的差值,得到亮度差值;
根据亮度差值与第一预设差值大小关系、以及统计的NXN子块内与当前像素点相似的像素点个数和相似像素点最大值、相似像素点最小值之间的对应关系,确定当前NXN子块对应的区块类型;所述与当前像素点相似的像素点为NXN子块内与当前像素点的亮度差值小于等于第二预设差值的像素点;
根据不同的区块类型确定不同的滤波系数,对各个NXN子块内的像素点进行第二滤波处理,得到第二滤波图像。
9.如权利要求8所述的存储介质,其特征在于,所述区块类型包括第一区块、第二区块和第三区块;所述计算机程序被处理器执行时实现步骤“根据亮度差值与第一预设差值大小关系、以及统计的NXN子块内与当前像素点相似的像素点个数和相似像素点最大值、相似像素点最小值之间的对应关系,确定当前NXN子块对应的区块类型”包括:
当亮度差值小于第一预设差值,且统计的NXN子块内与当前像素点相似的像素点个数大于相似像素点最大值时,判定NXN子块的区块类型为第一区块;
当亮度差值不小于第一预设差值,且统计的NXN子块内与当前像素点相似的像素点个数小于相似像素点最小值时,判定NXN子块的区块类型为第二区块;
以及将既不属于第一区块也不属于第二区块的NXN子块的区块类型判定为第三区块。
10.如权利要求6所述的存储介质,其特征在于,所述第一滤波处理、第二滤波处理或第三滤波处理包括:高斯核平滑滤波处理、均值滤波处理、中值滤波处理、最值滤波处理、小波滤波处理中的任意一种。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711459542.5A CN108038833B (zh) | 2017-12-28 | 2017-12-28 | 一种梯度相关性检测的图像自适应锐化方法和存储介质 |
GBGB1722206.8A GB201722206D0 (en) | 2017-12-28 | 2017-12-29 | Biological enzyme desizing additive JFC production plant |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711459542.5A CN108038833B (zh) | 2017-12-28 | 2017-12-28 | 一种梯度相关性检测的图像自适应锐化方法和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108038833A true CN108038833A (zh) | 2018-05-15 |
CN108038833B CN108038833B (zh) | 2020-10-13 |
Family
ID=61158240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711459542.5A Active CN108038833B (zh) | 2017-12-28 | 2017-12-28 | 一种梯度相关性检测的图像自适应锐化方法和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108038833B (zh) |
GB (1) | GB201722206D0 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934785A (zh) * | 2019-03-12 | 2019-06-25 | 湖南国科微电子股份有限公司 | 图像锐化方法及装置 |
CN110545414A (zh) * | 2019-08-28 | 2019-12-06 | 成都微光集电科技有限公司 | 一种图像锐化方法 |
CN111340715A (zh) * | 2019-09-19 | 2020-06-26 | 杭州海康慧影科技有限公司 | 一种图像的网格纹弱化方法、装置及电子设备 |
CN111652818A (zh) * | 2020-05-29 | 2020-09-11 | 浙江大华技术股份有限公司 | 一种基于金字塔的图像滤波方法、装置及存储介质 |
CN112184565A (zh) * | 2020-08-27 | 2021-01-05 | 瑞芯微电子股份有限公司 | 一种多窗口串行的图像锐化方法 |
CN112215768A (zh) * | 2020-09-30 | 2021-01-12 | 广州虎牙科技有限公司 | 图像清晰度提升方法、装置、电子设备及可读存储介质 |
CN113556541A (zh) * | 2020-04-24 | 2021-10-26 | 瑞昱半导体股份有限公司 | 图像处理方法及相关的编码器 |
CN113628251A (zh) * | 2021-10-11 | 2021-11-09 | 北京中科金马科技股份有限公司 | 一种智慧酒店终端监测方法 |
CN114663302A (zh) * | 2022-03-04 | 2022-06-24 | 北京极感科技有限公司 | 图像锐化方法、电子设备、存储介质及计算机程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060250655A1 (en) * | 2005-05-09 | 2006-11-09 | Sunplus Technology Co., Ltd. | Edge enhancement method and apparatus for Bayer images, and color image acquisition system |
CN101076079A (zh) * | 2007-06-14 | 2007-11-21 | 华为技术有限公司 | 一种视频信号图像增强方法及其设备 |
CN101188671A (zh) * | 2007-12-18 | 2008-05-28 | 上海广电集成电路有限公司 | 视频图像的锐化方法 |
CN105894459A (zh) * | 2015-12-10 | 2016-08-24 | 乐视云计算有限公司 | 基于梯度值及梯度方向的图像锐化方法及装置 |
-
2017
- 2017-12-28 CN CN201711459542.5A patent/CN108038833B/zh active Active
- 2017-12-29 GB GBGB1722206.8A patent/GB201722206D0/en not_active Ceased
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060250655A1 (en) * | 2005-05-09 | 2006-11-09 | Sunplus Technology Co., Ltd. | Edge enhancement method and apparatus for Bayer images, and color image acquisition system |
US7659930B2 (en) * | 2005-05-09 | 2010-02-09 | Sunplus Technology Co., Ltd. | Edge enhancement method and apparatus for Bayer images, and color image acquisition system |
CN101076079A (zh) * | 2007-06-14 | 2007-11-21 | 华为技术有限公司 | 一种视频信号图像增强方法及其设备 |
CN101188671A (zh) * | 2007-12-18 | 2008-05-28 | 上海广电集成电路有限公司 | 视频图像的锐化方法 |
CN105894459A (zh) * | 2015-12-10 | 2016-08-24 | 乐视云计算有限公司 | 基于梯度值及梯度方向的图像锐化方法及装置 |
Non-Patent Citations (3)
Title |
---|
A.POLESEL,ET AL.: "《Image enhancement via adaptive unsharp masking》", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
卢允伟,等: "《基于拉普拉斯算法的图像锐化算法研究和实现》", 《电脑知识与技术》 * |
周均杰: "《数字图像增强处理及FPGA实现》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934785B (zh) * | 2019-03-12 | 2021-03-12 | 湖南国科微电子股份有限公司 | 图像锐化方法及装置 |
CN109934785A (zh) * | 2019-03-12 | 2019-06-25 | 湖南国科微电子股份有限公司 | 图像锐化方法及装置 |
CN110545414A (zh) * | 2019-08-28 | 2019-12-06 | 成都微光集电科技有限公司 | 一种图像锐化方法 |
CN111340715A (zh) * | 2019-09-19 | 2020-06-26 | 杭州海康慧影科技有限公司 | 一种图像的网格纹弱化方法、装置及电子设备 |
CN111340715B (zh) * | 2019-09-19 | 2024-02-06 | 杭州海康慧影科技有限公司 | 一种图像的网格纹弱化方法、装置及电子设备 |
CN113556541A (zh) * | 2020-04-24 | 2021-10-26 | 瑞昱半导体股份有限公司 | 图像处理方法及相关的编码器 |
CN111652818A (zh) * | 2020-05-29 | 2020-09-11 | 浙江大华技术股份有限公司 | 一种基于金字塔的图像滤波方法、装置及存储介质 |
CN111652818B (zh) * | 2020-05-29 | 2023-09-29 | 浙江大华技术股份有限公司 | 一种基于金字塔的图像滤波方法、装置及存储介质 |
CN112184565B (zh) * | 2020-08-27 | 2023-09-29 | 瑞芯微电子股份有限公司 | 一种多窗口串行的图像锐化方法 |
CN112184565A (zh) * | 2020-08-27 | 2021-01-05 | 瑞芯微电子股份有限公司 | 一种多窗口串行的图像锐化方法 |
CN112215768A (zh) * | 2020-09-30 | 2021-01-12 | 广州虎牙科技有限公司 | 图像清晰度提升方法、装置、电子设备及可读存储介质 |
CN113628251A (zh) * | 2021-10-11 | 2021-11-09 | 北京中科金马科技股份有限公司 | 一种智慧酒店终端监测方法 |
CN114663302A (zh) * | 2022-03-04 | 2022-06-24 | 北京极感科技有限公司 | 图像锐化方法、电子设备、存储介质及计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
GB201722206D0 (en) | 2018-02-14 |
CN108038833B (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038833A (zh) | 一种梯度相关性检测的图像自适应锐化方法和存储介质 | |
US10339643B2 (en) | Algorithm and device for image processing | |
CN104537615B (zh) | 一种基于HSV色彩空间的局部Retinex增强方法 | |
US9569827B2 (en) | Image processing apparatus and method, and program | |
RU2628481C2 (ru) | Устройство обработки изображения, способ обработки изображения, программа, печатный носитель и носитель записи | |
CN108921800A (zh) | 基于形状自适应搜索窗口的非局部均值去噪方法 | |
CN102521813B (zh) | 基于双平台直方图的红外图像自适应增强方法 | |
CN108022233A (zh) | 一种基于改进型Canny算子的工件边缘提取方法 | |
CN107516302A (zh) | 一种基于OpenCV的混合图像增强的方法 | |
CN109658330B (zh) | 一种发色调整方法及装置 | |
CN108205804A (zh) | 图像处理方法、装置及电子设备 | |
CN103295191A (zh) | 多尺度视觉自适应图像增强方法及评价方法 | |
CN101101669A (zh) | 根据边缘和亮度特征进行自适应调整的图像增强方法 | |
CN109636745B (zh) | 基于分数阶微分图像增强算法的最佳阶图像增强方法 | |
CN104166967A (zh) | 提升视频图像清晰度的方法 | |
US9892542B2 (en) | Creating bump and normal maps from images with multi-scale control | |
US10547819B2 (en) | Inductive micro-contrast evaluation method | |
CN105931206A (zh) | 一种颜色恒常的彩色图像清晰度增强方法 | |
CN104933679A (zh) | 一种放大图像的方法及其对应系统 | |
CN112529800B (zh) | 一种用于滤除毛发噪声的近红外静脉图像处理方法 | |
US20220374947A1 (en) | Artificial intelligence-based system and method for grading collectible trading cards | |
CN104616259B (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
Kwok et al. | Design of unsharp masking filter kernel and gain using particle swarm optimization | |
CN105791635A (zh) | 基于gpu的视频增强去噪方法及装置 | |
CN104778672B (zh) | 一种混合双边图像滤波方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 350003 building, No. 89, software Avenue, Gulou District, Fujian, Fuzhou 18, China Applicant after: Ruixin Microelectronics Co., Ltd Address before: 350003 building, No. 89, software Avenue, Gulou District, Fujian, Fuzhou 18, China Applicant before: Fuzhou Rockchips Electronics Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |