CN108090885A - 用于处理图像的方法和装置 - Google Patents
用于处理图像的方法和装置 Download PDFInfo
- Publication number
- CN108090885A CN108090885A CN201711386851.4A CN201711386851A CN108090885A CN 108090885 A CN108090885 A CN 108090885A CN 201711386851 A CN201711386851 A CN 201711386851A CN 108090885 A CN108090885 A CN 108090885A
- Authority
- CN
- China
- Prior art keywords
- spectrogram
- image
- notable
- frequency
- frequency domain
- 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 108
- 238000001914 filtration Methods 0.000 claims abstract description 107
- 238000010586 diagram Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 56
- 230000004044 response Effects 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 239000000284 extract Substances 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims 2
- 230000008859 change Effects 0.000 description 13
- 238000001514 detection method Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000006854 communication Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000032696 parturition Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 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
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了用于处理图像的方法和装置。该方法的一具体实施方式包括：响应于接收到客户端发送的针对目标图像的图像处理请求，获取包含目标图像的原始图像；提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图；根据目标图像，确定滤波用频域特征，以及用滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图；将滤波处理后的频谱图转化为时域图，以及对时域图进行显著性处理，生成显著图，其中，显著性处理用于提取所述时域图的显著性特征；基于预设的灰度阈值对显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图。该实施方式提高了图像处理的效率。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于处理图像的方法和装置。
背景技术
图像处理(Image processing)又称为影像处理，是用计算机对图像进行达到所需结果的技术。起源于20世纪20年代，一般为数字图像处理。图像处理技术的主要内容包括图像压缩、增强复原、匹配描述识别3个部分，常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。
其中，图像分割指的是将数字图像细分为多个图像子区域(像素的集合)(也被称作超像素)的过程。图像分割通常用于定位图像中的物体和边界(线，曲线等)；图像增强是将原来不清晰的图像变得清晰或强调某些感兴趣的特征，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果的图像处理方法。
发明内容
本申请实施例提出了用于处理图像的方法和装置。
第一方面，本申请实施例提供了一种用于处理图像的方法，该方法包括：响应于接收到客户端发送的针对目标图像的图像处理请求，获取包含目标图像的原始图像；提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图；根据目标图像，确定滤波用频域特征，以及用滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图；将滤波处理后的频谱图转化为时域图，以及对时域图进行显著性处理，生成显著图，其中，显著性处理用于提取时域图的显著性特征；基于预设的灰度阈值对显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图。
在一些实施例中，用滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图，包括：根据滤波用频域特征确定频率阈值；基于频率阈值，将所生成的频谱图划分成频率大于等于频率阈值的第一区域以及频率小于频率阈值的第二区域；从所生成的频谱图中滤除第二区域，生成滤波处理后的频谱图。
在一些实施例中，对时域图进行显著性处理，生成显著图，包括：将时域图输入预先训练的视觉显著模型，得到显著图，其中，视觉显著模型用于表征时域图与显著图的对应关系。
在一些实施例中，基于预设的灰度阈值对显著图所包括的各个像素点的灰度值进行调整，包括：对于显著图所包括的各个像素点中的每个像素点，确定该像素点的灰度值是否大于预设的灰度阈值；若是，将该像素点的灰度值调整为第一预设灰度值；若否，将该像素点的灰度值调整为第二预设灰度值。
在一些实施例中，提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图，包括：基于小波变换，提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图。
在一些实施例中，将滤波处理后的频谱图转化为时域图，包括：基于小波变换的逆变换，将滤波处理后的频谱图转化为时域图。
第二方面，本申请提供了一种用于处理图像的装置，该装置包括：获取单元，配置用于响应于接收到客户端发送的针对目标图像的图像处理请求，获取包含目标图像的原始图像；提取单元，配置用于提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图；滤波单元，配置用于根据目标图像，确定滤波用频域特征，以及用滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图；转化单元，配置用于将滤波处理后的频谱图转化为时域图，以及对时域图进行显著性处理，生成显著图，其中，显著性处理用于提取时域图的显著性特征；生成单元，配置用于基于预设的灰度阈值对显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图。
在一些实施例中，滤波单元包括：确定模块，配置用于根据滤波用频域特征确定频率阈值；划分模块，配置用于基于频率阈值，将所生成的频谱图划分成频率大于等于频率阈值的第一区域以及频率小于频率阈值的第二区域；生成模块，配置用于从所生成的频谱图中滤除第二区域，生成滤波处理后的频谱图。
在一些实施例中，转化单元包括：输入模块，配置用于将时域图输入预先训练的视觉显著模型，得到显著图，其中，视觉显著模型用于表征时域图与显著图的对应关系。
在一些实施例中，生成单元包括：调整模块，配置用于对于显著图所包括的各个像素点中的每个像素点，确定该像素点的灰度值是否大于预设的灰度阈值；若是，将该像素点的灰度值调整为第一预设灰度值；若否，将该像素点的灰度值调整为第二预设灰度值。
在一些实施例中，提取单元包括：提取模块，配置用于基于小波变换，提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图。
在一些实施例中，转化单元包括：转化模块，配置用于基于小波变换的逆变换，将滤波处理后的频谱图转化为时域图。
第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述用于处理图像的方法中任一实施例的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述用于处理图像的方法中任一实施例的方法。
本申请实施例提供的用于处理图像的方法和装置，通过响应于接收到客户端发送的针对目标图像的图像处理请求，获取包含目标图像的原始图像，接着提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图，然后根据目标图像，确定滤波用频域特征，以及用滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图，接着将滤波处理后的频谱图转化为时域图，以及对时域图进行显著性处理，生成显著图，其中，显著性处理用于提取时域图的显著性特征，最后基于预设的灰度阈值对显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图，提高了图像处理的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于处理图像的方法的一个实施例的流程图；
图3是根据本申请的用于处理图像的方法的一个应用场景的示意图；
图4是根据本申请的用于处理图像的方法的又一个实施例的流程图；
图5是根据本申请的用于处理图像的装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于处理图像的方法或用于处理图像的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，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。
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上可以安装有各种通讯客户端应用，例如网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio LayerIII，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group AudioLayer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的图像进行处理的图像处理服务器。图像处理服务器可以对接收到图像处理请求等数据进行分析等处理，并将处理结果(例如处理后的显著图)反馈给终端设备。
需要说明的是，本申请实施例所提供的用于处理图像的方法一般由服务器105执行，相应地，用于处理图像的装置一般设置于服务器105中。
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。
继续参考图2，示出了根据本申请的用于处理图像的方法的一个实施例的流程200。该用于处理图像的方法，包括以下步骤：
步骤201，响应于接收到客户端发送的针对目标图像的图像处理请求，获取包含目标图像的原始图像。
在本实施例中，用于处理图像的方法运行于其上的电子设备(例如图1所示的服务器)可以响应于接收到客户端发送的针对目标图像的图像处理请求，通过有线连接方式或者无线连接方式获取包含目标图像的原始图像。其中，目标图像可以为用户欲获得其图像处理结果的图像。图像处理请求可以为针对目标图像的图像获取请求、图像增强请求等。原始图像可以为包含目标图像的图像，作为示例，原始图像可以为清晰度不高的目标图像，或者原始图像可以包括目标图像以及其他子图像，例如，目标图像为“知春路公交站的站牌”，原始图像则可以为“知春路街道全景图”。需要说明的是，原始图像可以为预先存储在上述电子设备中的图像，或者为客户端发送的图像。客户端可以在向上述电子设备发送原始图像之后，发送针对目标图像的图像处理请求，或者接收用户输入的与目标图像相对应的搜索词并将所接收的搜索词发送给上述电子设备，进而发送针对目标图像的图像处理请求。其中，搜索词与目标图像的对应关系可以通过标签进行预先设置，例如，搜索词为“知春路”，对应的图像可以为知春路的全景图。
步骤202，提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图。
在本实施例中，基于步骤201中得到的原始图像，上述电子设备(例如图1所示的服务器)可以提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图。其中，频域特征可以用于表征原始图像的频率的分布。频率可以用于表征图像中灰度变化的剧烈程度，是灰度在平面空间上的梯度。例如，大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值小；而对于地表属性变换剧烈的边缘区域，在图像中往往灰度变化剧烈，对应的频率值较大。频谱图可以用于表征原始图像在原始图像所包括的各个频率上的能量的分布。需要说明的是，频谱图上的各点与原始图像上各点并不存在一一对应的关系。
示例性的，上述电子设备可以基于傅立叶变换，提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图。傅立叶变换是一种线性的积分变换，常在将信号在时域(或空域)和频域之间变换时使用，在物理学和工程学中有许多应用。在这里，通过傅立叶变换，上述电子设备可以将原始图像从空间域转换到频率域。即通过傅立叶变换上述电子设备可以将图像的灰度分布函数变换为图像的频率分布函数。
在本实施例的一些可选的实现方式中，上述电子设备可以基于小波变换，提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图。其中，小波变换(Wavelet Transform，WT)是一种新型变换分析方法，它继承和发展了傅立叶变换的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求。
需要说明的是，上述傅立叶变换和小波变换是目前广泛研究和应用的公知技术，在此不再赘述。
步骤203，根据目标图像，确定滤波用频域特征，以及用滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图。
在本实施例中，用于处理图像的方法运行于其上的电子设备上可以根据目标图像，确定滤波用频域特征，以及用滤波用频域特征对步骤202生成的频谱图进行滤波处理，生成滤波处理后的频谱图。其中，滤波用频域特征可以为上述电子设备预先设置的滤波用频域特征库中频域特征。具体的，上述电子设备可以响应于接收到客户端发送的针对目标图像的图像处理请求，确定目标图像的灰度变化的剧烈程度，进而从预设的滤波用频域特征库中确定针对目标图像的滤波用频域特征。例如，上述电子设备可以接收到客户端发送的针对沙漠图的图像输出请求，确定沙漠图的灰度变化较为缓慢，进而从预设的滤波用频域特征库中确定针对沙漠图的滤波用频域特征为对应的频率值较小的频域特征。
作为示例，滤波用频域特征还可以为客户端发送针对目标图像的图像处理请求后，用户通过客户端输入的频域特征。
在本实施例中，滤波处理可以将频谱图中不属于目标图像的频域特征滤除。具体的，作为示例，上述电子设备可以根据所确定的滤波用频域特征，启动预先设置在上述电子设备上的滤波软件，进而通过滤波软件对频谱图进行软件滤波。其中，软件滤波是用软件来识别有用信号和干扰信号，并滤除干扰信号的方法，是目前广泛研究和应用的现有技术，在此不再赘述，
在本实施例的一些可选的实现方式中，上述电子设备还可以通过如下步骤用滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图：首先上述电子设备可以根据滤波用频域特征确定频率阈值；接着，基于频率阈值，将所生成的频谱图划分成频率大于等于频率阈值的第一区域以及频率小于频率阈值的第二区域；最后，从所生成的频谱图中滤除第二区域，生成滤波处理后的频谱图。其中，频率阈值可以为上述电子设备预先设置的频率阈值范围内的数值，或者为上述电子设备预先设置频率阈值序列中的数值。具体的，上述电子设备可以根据滤波用频域特征，确定目标图像对应的频率值的大小，进而从预先设置的频率阈值范围中或从频率阈值序列中确定频率阈值。作为示例，目标图像为沙漠图，上述电子设备可以首先确定沙漠图的灰度变化较为缓慢，进而确定其对应的频率值较小，进而对于频率阈值序列“10Hz；100Hz”，上述电子设备可以确定针对目标图像沙漠图的频率阈值为“10Hz”。需要说明的是，对于频率阈值范围，上述电子设备可以预先将范围的(0-30％)设置为第一等级，其中，第一等级与低频率对应；将范围的(31％-70％)设置为第二等级，其中，第二等级与中频率对应，将范围的(71％-100％)设置为第三等级，其中，第三等级与高频率对应。在这里，上述电子设备确定频率阈值所属的等级后，可以将所确定的等级所对应的频率阈值范围内的任意数值确定为针对目标图像的频率阈值。特别的，频率阈值还可以为用户通过客户端输入的、用于滤波处理的数值。
步骤204，将滤波处理后的频谱图转化为时域图，以及对时域图进行显著性处理，生成显著图。
在本实施例中，基于步骤203得到的滤波处理后的频谱图，上述电子设备可以将滤波处理后的频谱图转化为时域图，以及对时域图进行显著性处理，生成显著图，其中，显著性处理用于提取时域图的显著性特征。其中，时域图为以时间作为变量的图像，其近似于目标图像。显著性处理可以用于提取时域图的显著性特征。显著性特征可以包括但不限于以下至少一项：显著点，显著线，显著块。根据视觉注意机制，图像的显著性特征为人们获取图像后，首先注意到的特征。即与图像中的其他元素对比强烈的特征。例如，背景图的颜色为黑色，对于背景图上的白色文本以及棕色文本，白色文本则为显著性特征。相较于时域图，显著图包括更为明显的目标图像的图像特征。需要说明的是，图像特征可以包括但不限于以下至少一项：颜色特征，纹理特征，形状特征，空间关系特征。
示例性的，上述电子设备可以基于傅立叶变换的逆变换，将滤波处理后的频谱图转化为时域图。
在本实施例的一些可选的实现方式中，上述电子设备可以基于小波变换的逆变换，将滤波处理后的频谱图转化为时域图。
在本实施例的一些可选的实现方式中，上述电子设备可以通过角点检测算法对时域图进行显著性处理。具体的，角点检测算法包括以下三种类型：基于灰度图像的角点检测、基于二值图像的角点检测以及基于轮廓曲线的角点检测。基于灰度图像的角点检测又可分为基于梯度的角点检测、基于模板的角点检测和基于模板梯度组合的角点检测算法。其中，基于模板的角点检测算法主要考虑像素领域点的灰度变化，即图像亮度的变化，将与邻点亮度对比足够大的点定义为角点。需要说明的是，角点检测算法是目前广泛应用和研究的公知技术，在此不再赘述。
步骤205，基于预设的灰度阈值对显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图。
在本实施例中，基于步骤204得到的显著图，上述电子设备可以基于预设的灰度阈值对显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图。
在本实施例的可选的实现方式中，上述电子设备可以基于预设的灰度阈值，通过如下步骤对显著图所包括的各个像素点的灰度值进行调整：对于显著图所包括的各个像素点中的每个像素点，上述电子设备可以确定该像素点的灰度值是否大于预设的灰度阈值；若是，将该像素点的灰度值调整为第一预设灰度值；若否，将该像素点的灰度值调整为第二预设灰度值。其中，灰度值是指黑白图像中点的颜色深度，取值范围一般为0到255，白色为255，黑色为0。预设的灰度阈值可以为上述取值范围中的任意一个数值，例如“134”。第一预设阈值与第二预设阈值属于上述取值范围，且第一预设阈值与第二预设阈值不同。具体的，作为示例，第一预设阈值可以为小于上述预设灰度阈值的数值，第二预设阈值为大于上述预设灰度阈值的数值。例如，第一预设灰度值可以为白色对应的灰度值“255”，第二预设灰度值可以为黑色对应的灰度值“0”。
可选的，预设的灰度阈值可以包括至少两个，进而，上述电子设备可以基于预设的至少两个灰度阈值，对显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图。作为示例，预设的灰度阈值可以包括第一灰度阈值和第二灰度阈值，其中，第一灰度阈值小于第二灰度阈值。对于显著图所包括的各个像素点中的每个像素点，上述电子设备可以响应于确定该像素点的灰度值小于第一灰度阈值，将该像素点的灰度值调整为第一预设灰度值；响应于该像素点的灰度值大于第二灰度阈值，将该像素点的灰度值调整为第二预设灰度值；响应于该像素点的灰度值大于等于第一灰度阈值且小于等于第二灰度阈值，将该像素点的灰度值调整为第三预设灰度值。
继续参见图3，图3是根据本实施例的用于处理图像的方法的应用场景的一个示意图。在图3的应用场景中，用户首先通过客户端301向服务器302发送一个针对目标图像“知春路公交站”的图像处理请求，如标号303；接着服务器302可以响应于接收到客户端301发送的针对目标图像“知春路公交站”的图像处理请求303，获取包含目标图像“知春路公交站”的原始图像“知春路街道全景图”，如标号304；接着，服务器302可以提取原始图像“知春路街道全景图”的频域特征，以及基于所提取的频域特征生成原始图像“知春路街道全景图”的频谱图，如标号305；然后，服务器302可以根据目标图像“知春路公交站”，确定滤波用频域特征，以及用滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图，如标号306；接着，服务器302可以将滤波处理后的频谱图转化为时域图，以及对时域图进行显著性处理，生成显著图，如标号307，其中，显著性处理用于提取时域图的显著性特征；最后，服务器302可以基于预设的灰度阈值对显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图，如标号308。
本申请的上述实施例提供的方法通过响应于接收到客户端发送的针对目标图像的图像处理请求，获取包含目标图像的原始图像，接着提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图，然后根据目标图像，确定滤波用频域特征，以及用滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图，接着将滤波处理后的频谱图转化为时域图，以及对时域图进行显著性处理，生成显著图，其中，显著性处理用于提取时域图的显著性特征，最后基于预设的灰度阈值对显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图，提高了图像处理的效率。
进一步参考图4，其示出了用于处理图像的方法的又一个实施例的流程400。该用于处理图像的方法的流程400，包括以下步骤：
步骤401，响应于接收到客户端发送的针对目标图像的图像处理请求，获取包含目标图像的原始图像。
在本实施例中，步骤401与图2对应实施例中的步骤201基本一致，这里不再赘述。
步骤402，提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图。
在本实施例中，步骤402与图2对应实施例中的步骤202基本一致，这里不再赘述。
步骤403，根据目标图像，确定滤波用频域特征，以及用滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图。
在本实施例中，步骤403与图2对应实施例中的步骤203基本一致，这里不再赘述。
步骤404，将滤波处理后的频谱图转化为时域图，以及将时域图输入预先训练的视觉显著模型，得到显著图。
在本实施例中，基于步骤403得到的滤波处理后的频谱图，上述电子设备可以将滤波处理后的频谱图转化为时域图，以及对时域图进行显著性处理，生成显著图，其中，视觉显著模型可以用于表征时域图与显著图的对应关系。作为示例，视觉显著模型可以为技术人员基于对大量的时域图和显著图的统计而预先制定的、存储有多个时域图与显著图的对应关系的对应关系库；也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对时域图中的一个或多个图像特征进行数值计算以得到用于表征显著图的图像特征的计算结果的计算公式，例如，该计算公式可以是用于计算时域图中的某个像素点距离其他所有像素点的欧氏距离的和，进而将计算得到的结果作为显著图中该像素点的灰度值。
在本实施例的一些可选的实现方式中，上述视觉显著模型可以通过如下步骤训练得到：首先，上述电子设备可以获取训练样本集合，其中，训练样本集合中的每个训练样本包括时域图和预先设置的显著图；然后，对于训练样本集合中的每个训练样本，上述电子设备可以将时域图作为输入，将显著图作为输出，利用机器学习方法，训练得到视觉显著模型。具体的，对于训练样本集合中的每个训练样本，上述电子设备可以使用生成式模型(Generative Adversarial Networks，GAN)作为基本模型，将时域图作为输入，将显著图作为输出，利用机器学习方法，训练得到视觉显著模型。
需要说明的是，步骤404中的将滤波处理后的频谱图转化为时域图的步骤与图2对应实施例中的步骤204中的将滤波处理后的频谱图转化为时域图的步骤基本一致，这里不再赘述。
步骤405，基于预设的灰度阈值对显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图。
在本实施例中，步骤405与图2对应实施例中的步骤205基本一致，这里不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于处理图像的方法的流程400突出了对通过视觉显著模型对图像进行显著性处理的步骤。由此，本实施例描述的方案可以引入更多的样本图像数据，从而实现更有效的图像处理。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于处理图像的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于处理图像的装置500包括：获取单元501、提取单元502、滤波单元503、转化单元和生成单元505。其中，获取单元501配置用于响应于接收到客户端发送的针对目标图像的图像处理请求，获取包含目标图像的原始图像；提取单元502配置用于提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图；滤波单元503配置用于根据目标图像，确定滤波用频域特征，以及用滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图；转化单元504配置用于将滤波处理后的频谱图转化为时域图，以及对时域图进行显著性处理，生成显著图，其中，显著性处理用于提取时域图的显著性特征；生成单元505配置用于基于预设的灰度阈值对显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图。
在本实施例中，获取单元501可以响应于接收到客户端发送的针对目标图像的图像处理请求，通过有线连接方式或者无线连接方式获取包含目标图像的原始图像。其中，目标图像可以为用户欲获得其图像处理结果的图像。图像处理请求可以为针对目标图像的图像获取请求、图像增强请求等。原始图像可以为包含目标图像的图像，作为示例，原始图像可以为清晰度不高的目标图像，或者原始图像可以包括目标图像以及其他子图像，例如，目标图像为“知春路公交站的站牌”，原始图像则可以为“知春路街道全景图”。需要说明的是，原始图像可以为预先存储在上述电子设备中的图像，或者为客户端发送的图像。客户端可以在向上述电子设备发送原始图像之后，发送针对目标图像的图像处理请求，或者接收用户输入的与目标图像相对应的搜索词并将所接收的搜索词发送给上述装置，进而发送针对目标图像的图像处理请求。其中，搜索词与目标图像的对应关系可以通过标签进行预先设置。
在本实施例中，基于获取单元501中得到的原始图像，提取单元502可以提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图。其中，频域特征可以用于表征原始图像的频率的分布。频率可以用于表征图像中灰度变化的剧烈程度，是灰度在平面空间上的梯度。例如，大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值小；而对于地表属性变换剧烈的边缘区域，在图像中往往灰度变化剧烈，对应的频率值较大。频谱图可以用于表征原始图像在原始图像所包括的各个频率上的能量的分布。需要说明的是，频谱图上的各点与原始图像上各点并不存在一一对应的关系。
在本实施例中，滤波单元503可以根据目标图像，确定滤波用频域特征，以及用滤波用频域特征对提取单元502生成的频谱图进行滤波处理，生成滤波处理后的频谱图。其中，滤波用频域特征可以为上述电子设备预先设置的滤波用频域特征库中频域特征。具体的，上述电子设备可以响应于接收到客户端发送的针对目标图像的图像处理请求，确定目标图像的灰度变化的剧烈程度，进而从预设的滤波用频域特征库中确定针对目标图像的滤波用频域特征。例如，上述电子设备可以接收到客户端发送的针对沙漠图的图像输出请求，确定沙漠图的灰度变化较为缓慢，进而从预设的滤波用频域特征库中确定针对沙漠图的滤波用频域特征为对应的频率值较小的频域特征。
在本实施例中，滤波处理可以将频谱图中不属于目标图像的频域特征滤除。
在本实施例中，基于滤波单元503得到的滤波处理后的频谱图，转化单元504可以将滤波处理后的频谱图转化为时域图，以及对时域图进行显著性处理，生成显著图，其中，显著性处理用于提取时域图的显著性特征。其中，时域图为以时间作为变量的图像，其近似于目标图像。显著性处理可以用于提取时域图的显著性特征。显著性特征可以包括但不限于以下至少一项：显著点，显著线，显著块。根据视觉注意机制，图像的显著性特征为人们获取图像后，首先注意到的特征。即与图像中的其他元素对比强烈的特征。例如，背景图的颜色为黑色，对于背景图上的白色文本以及棕色文本，白色文本则为显著性特征。相较于时域图，显著图包括更为明显的目标图像的图像特征。需要说明的是，图像特征可以包括但不限于以下至少一项：颜色特征，纹理特征，形状特征，空间关系特征。
在本实施例中，基于转化单元504得到的显著图，生成单元505可以基于预设的灰度阈值对显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图。
在本实施例的一些可选的实现方式中，滤波单元503可以包括：确定模块(图中未示出)，配置用于根据滤波用频域特征确定频率阈值；划分模块(图中未示出)，配置用于基于频率阈值，将所生成的频谱图划分成频率大于等于频率阈值的第一区域以及频率小于频率阈值的第二区域；生成模块(图中未示出)，配置用于从所生成的频谱图中滤除第二区域，生成滤波处理后的频谱图。
在本实施例的一些可选的实现方式中，转化单元504可以包括：输入模块(图中未示出)，配置用于将时域图输入预先训练的视觉显著模型，得到显著图，其中，视觉显著模型用于表征时域图与显著图的对应关系。
在本实施例的一些可选的实现方式中，生成单元505可以包括：调整模块(图中未示出)，配置用于对于显著图所包括的各个像素点中的每个像素点，确定该像素点的灰度值是否大于预设的灰度阈值；若是，将该像素点的灰度值调整为第一预设灰度值；若否，将该像素点的灰度值调整为第二预设灰度值。
在本实施例的一些可选的实现方式中，提取单元502可以包括：提取模块(图中未示出)，配置用于基于小波变换，提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图。
在本实施例的一些可选的实现方式中，转化单元504可以包括：转化模块(图中未示出)，配置用于基于小波变换的逆变换，将滤波处理后的频谱图转化为时域图。
本申请的上述实施例提供的装置通过获取单元501响应于接收到客户端发送的针对目标图像的图像处理请求，获取包含目标图像的原始图像，接着提取单元502提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图，然后滤波单元503根据目标图像，确定滤波用频域特征，以及用滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图，接着转化单元504将滤波处理后的频谱图转化为时域图，以及对时域图进行显著性处理，生成显著图，其中，显著性处理用于提取时域图的显著性特征，最后生成单元505基于预设的灰度阈值对显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图，提高了图像处理的效率。
下面参考图6，其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上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609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述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：具有一个或多个导线的电连接、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。在本申请中，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。而在本申请中，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，图示了按照本申请各种实施例的系统、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，该模块、程序段、或代码的一部分包含一个或多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，框图和/或流程图中的每个方框、以及框图和/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。
描述于本申请实施例中所涉及到的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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取单元、滤波单元、转化单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取原始图像的单元”。
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装置中所包含的；也可以是单独存在，而未装配入该装置中。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该装置执行时，使得该装置：响应于接收到客户端发送的针对目标图像的图像处理请求，获取包含目标图像的原始图像；提取原始图像的频域特征，以及基于所提取的频域特征生成原始图像的频谱图；根据目标图像，确定滤波用频域特征，以及用滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图；将滤波处理后的频谱图转化为时域图，以及对时域图进行显著性处理，生成显著图，其中，显著性处理用于提取所述时域图的显著性特征；基于预设的灰度阈值对显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种用于处理图像的方法，包括：
响应于接收到客户端发送的针对目标图像的图像处理请求，获取包含目标图像的原始图像；
提取所述原始图像的频域特征，以及基于所提取的频域特征生成所述原始图像的频谱图；
根据所述目标图像，确定滤波用频域特征，以及用所述滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图；
将所述滤波处理后的频谱图转化为时域图，以及对所述时域图进行显著性处理，生成显著图，其中，所述显著性处理用于提取所述时域图的显著性特征；
基于预设的灰度阈值对所述显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图。
2.根据权利要求1所述的方法，其中，所述用所述滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图，包括：
根据滤波用频域特征确定频率阈值；
基于所述频率阈值，将所生成的频谱图划分成频率大于等于所述频率阈值的第一区域以及频率小于所述频率阈值的第二区域；
从所生成的频谱图中滤除所述第二区域，生成滤波处理后的频谱图。
3.根据权利要求1所述的方法，其中，所述对所述时域图进行显著性处理，生成显著图，包括：
将所述时域图输入预先训练的视觉显著模型，得到所述显著图，其中，所述视觉显著模型用于表征时域图与显著图的对应关系。
4.根据权利要求1所述的方法，其中，所述基于预设的灰度阈值对所述显著图所包括的各个像素点的灰度值进行调整，包括：
对于所述显著图所包括的各个像素点中的每个像素点，确定该像素点的灰度值是否大于预设的灰度阈值；若是，将该像素点的灰度值调整为第一预设灰度值；若否，将该像素点的灰度值调整为第二预设灰度值。
5.根据权利要求1-4之一所述的方法，其中，所述提取所述原始图像的频域特征，以及基于所提取的频域特征生成所述原始图像的频谱图，包括：
基于小波变换，提取所述原始图像的频域特征，以及基于所提取的频域特征生成所述原始图像的频谱图。
6.根据权利要求5所述的方法，其中，所述将所述滤波处理后的频谱图转化为时域图，包括：
基于小波变换的逆变换，将所述滤波处理后的频谱图转化为时域图。
7.一种用于处理图像的装置，包括：
获取单元，配置用于响应于接收到客户端发送的针对目标图像的图像处理请求，获取包含目标图像的原始图像；
提取单元，配置用于提取所述原始图像的频域特征，以及基于所提取的频域特征生成所述原始图像的频谱图；
滤波单元，配置用于根据所述目标图像，确定滤波用频域特征，以及用所述滤波用频域特征对所生成的频谱图进行滤波处理，生成滤波处理后的频谱图；
转化单元，配置用于将所述滤波处理后的频谱图转化为时域图，以及对所述时域图进行显著性处理，生成显著图，其中，所述显著性处理用于提取所述时域图的显著性特征；
生成单元，配置用于基于预设的灰度阈值对所述显著图所包括的各个像素点的灰度值进行调整，生成调整后的显著图。
8.根据权利要求7所述的装置，其中，所述滤波单元包括：
确定模块，配置用于根据滤波用频域特征确定频率阈值；
划分模块，配置用于基于所述频率阈值，将所生成的频谱图划分成频率大于等于所述频率阈值的第一区域以及频率小于所述频率阈值的第二区域；
生成模块，配置用于从所生成的频谱图中滤除所述第二区域，生成滤波处理后的频谱图。
9.根据权利要求7所述的装置，其中，所述转化单元包括：
输入模块，配置用于将所述时域图输入预先训练的视觉显著模型，得到所述显著图，其中，所述视觉显著模型用于表征时域图与显著图的对应关系。
10.根据权利要求7所述的装置，其中，所述生成单元包括：
调整模块，配置用于对于所述显著图所包括的各个像素点中的每个像素点，确定该像素点的灰度值是否大于预设的灰度阈值；若是，将该像素点的灰度值调整为第一预设灰度值；若否，将该像素点的灰度值调整为第二预设灰度值。
11.根据权利要求7-10之一所述的装置，其中，所述提取单元包括：
提取模块，配置用于基于小波变换，提取所述原始图像的频域特征，以及基于所提取的频域特征生成所述原始图像的频谱图。
12.根据权利要求11所述的装置，其中，所述转化单元包括：
转化模块，配置用于基于小波变换的逆变换，将所述滤波处理后的频谱图转化为时域图。
13.一种服务器，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711386851.4A CN108090885B (zh) | 2017-12-20 | 2017-12-20 | 用于处理图像的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711386851.4A CN108090885B (zh) | 2017-12-20 | 2017-12-20 | 用于处理图像的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108090885A true CN108090885A (zh) | 2018-05-29 |
| CN108090885B CN108090885B (zh) | 2021-08-27 |
Family
ID=62177566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711386851.4A Active CN108090885B (zh) | 2017-12-20 | 2017-12-20 | 用于处理图像的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108090885B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633592A (zh) * | 2018-06-25 | 2019-12-31 | 视联动力信息技术股份有限公司 | 一种图像处理方法和装置 |
| CN111369557A (zh) * | 2020-03-31 | 2020-07-03 | 浙江大华技术股份有限公司 | 图像处理方法、装置、计算设备和存储介质 |
| CN111415313A (zh) * | 2020-04-13 | 2020-07-14 | 展讯通信（上海）有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN112887293A (zh) * | 2021-01-21 | 2021-06-01 | 维沃移动通信有限公司 | 流媒体的处理方法、装置及电子设备 |
| CN113435361A (zh) * | 2021-07-01 | 2021-09-24 | 南开大学 | 一种基于深度相机的口罩识别方法 |
| CN114429439A (zh) * | 2020-10-14 | 2022-05-03 | 合肥欣奕华智能机器有限公司 | 一种显示故障检测方法、装置、电子设备和存储介质 |
| CN118011405A (zh) * | 2024-04-08 | 2024-05-10 | 厦门印海途海洋科技有限公司 | 海底地质成像方法、装置、设备及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6704438B1 (en) * | 2000-05-08 | 2004-03-09 | Aloka Co., Ltd. | Apparatus and method for improving the signal to noise ratio on ultrasound images using coded waveforms |
| CN102096824A (zh) * | 2011-02-18 | 2011-06-15 | 复旦大学 | 基于选择性视觉注意机制的多光谱图像舰船检测方法 |
| CN102222318A (zh) * | 2010-04-16 | 2011-10-19 | 深圳迈瑞生物医疗电子股份有限公司 | 一种滤线栅伪影检测及抑制方法及其装置 |
| US20120201441A1 (en) * | 2011-02-03 | 2012-08-09 | Andre De Oliveira | Method and magnetic resonance system to remove unwanted, perfusion-dependent signals from mr images |
| CN102645436A (zh) * | 2012-04-09 | 2012-08-22 | 天津大学 | 基于磨削纹理去除技术的工程陶瓷磨削表面损伤检测方法 |
| CN103295241A (zh) * | 2013-06-26 | 2013-09-11 | 中国科学院光电技术研究所 | 一种基于Gabor小波的频域显著性目标检测方法 |
| CN103400129A (zh) * | 2013-07-22 | 2013-11-20 | 中国科学院光电技术研究所 | 一种基于频域显著性的目标跟踪方法 |
| CN104240186A (zh) * | 2013-06-14 | 2014-12-24 | 北京千里时空科技有限公司 | 一种单帧视频图像清晰度提高的方法 |
| CN105976330A (zh) * | 2016-04-27 | 2016-09-28 | 大连理工大学 | 一种嵌入式雾天实时视频稳像方法 |
| CN106295542A (zh) * | 2016-08-03 | 2017-01-04 | 江苏大学 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
-
2017
- 2017-12-20 CN CN201711386851.4A patent/CN108090885B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6704438B1 (en) * | 2000-05-08 | 2004-03-09 | Aloka Co., Ltd. | Apparatus and method for improving the signal to noise ratio on ultrasound images using coded waveforms |
| CN102222318A (zh) * | 2010-04-16 | 2011-10-19 | 深圳迈瑞生物医疗电子股份有限公司 | 一种滤线栅伪影检测及抑制方法及其装置 |
| US20120201441A1 (en) * | 2011-02-03 | 2012-08-09 | Andre De Oliveira | Method and magnetic resonance system to remove unwanted, perfusion-dependent signals from mr images |
| CN102096824A (zh) * | 2011-02-18 | 2011-06-15 | 复旦大学 | 基于选择性视觉注意机制的多光谱图像舰船检测方法 |
| CN102645436A (zh) * | 2012-04-09 | 2012-08-22 | 天津大学 | 基于磨削纹理去除技术的工程陶瓷磨削表面损伤检测方法 |
| CN104240186A (zh) * | 2013-06-14 | 2014-12-24 | 北京千里时空科技有限公司 | 一种单帧视频图像清晰度提高的方法 |
| CN103295241A (zh) * | 2013-06-26 | 2013-09-11 | 中国科学院光电技术研究所 | 一种基于Gabor小波的频域显著性目标检测方法 |
| CN103400129A (zh) * | 2013-07-22 | 2013-11-20 | 中国科学院光电技术研究所 | 一种基于频域显著性的目标跟踪方法 |
| CN105976330A (zh) * | 2016-04-27 | 2016-09-28 | 大连理工大学 | 一种嵌入式雾天实时视频稳像方法 |
| CN106295542A (zh) * | 2016-08-03 | 2017-01-04 | 江苏大学 | 一种夜视红外图像中的基于显著性的道路目标提取方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633592A (zh) * | 2018-06-25 | 2019-12-31 | 视联动力信息技术股份有限公司 | 一种图像处理方法和装置 |
| CN110633592B (zh) * | 2018-06-25 | 2024-03-15 | 视联动力信息技术股份有限公司 | 一种图像处理方法和装置 |
| CN111369557A (zh) * | 2020-03-31 | 2020-07-03 | 浙江大华技术股份有限公司 | 图像处理方法、装置、计算设备和存储介质 |
| CN111369557B (zh) * | 2020-03-31 | 2023-09-15 | 浙江华感科技有限公司 | 图像处理方法、装置、计算设备和存储介质 |
| CN111415313A (zh) * | 2020-04-13 | 2020-07-14 | 展讯通信（上海）有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN111415313B (zh) * | 2020-04-13 | 2022-08-30 | 展讯通信（上海）有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN114429439A (zh) * | 2020-10-14 | 2022-05-03 | 合肥欣奕华智能机器有限公司 | 一种显示故障检测方法、装置、电子设备和存储介质 |
| CN112887293A (zh) * | 2021-01-21 | 2021-06-01 | 维沃移动通信有限公司 | 流媒体的处理方法、装置及电子设备 |
| CN113435361A (zh) * | 2021-07-01 | 2021-09-24 | 南开大学 | 一种基于深度相机的口罩识别方法 |
| CN118011405A (zh) * | 2024-04-08 | 2024-05-10 | 厦门印海途海洋科技有限公司 | 海底地质成像方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108090885B (zh) | 2021-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108090885A (zh) | 用于处理图像的方法和装置 | |
| CN108038469B (zh) | 用于检测人体的方法和装置 | |
| CN108510472B (zh) | 用于处理图像的方法和装置 | |
| CN107633218A (zh) | 用于生成图像的方法和装置 | |
| CN107911753A (zh) | 用于在视频中添加数字水印的方法和装置 | |
| CN109635627A (zh) | 图片信息提取方法、装置、计算机设备及存储介质 | |
| CN109117831A (zh) | 物体检测网络的训练方法和装置 | |
| CN107578017A (zh) | 用于生成图像的方法和装置 | |
| CN107491771A (zh) | 人脸检测方法和装置 | |
| CN107944481A (zh) | 用于生成信息的方法和装置 | |
| CN109993568A (zh) | 信息推送的方法和装置 | |
| CN110148100A (zh) | 一种图像变换方法、装置、存储介质及计算机设备 | |
| CN108694719A (zh) | 图像输出方法和装置 | |
| CN107220652A (zh) | 用于处理图片的方法和装置 | |
| CN109272543A (zh) | 用于生成模型的方法和装置 | |
| CN107742128A (zh) | 用于输出信息的方法和装置 | |
| CN108491825A (zh) | 信息生成方法和装置 | |
| CN108595448A (zh) | 信息推送方法和装置 | |
| CN108182457A (zh) | 用于生成信息的方法和装置 | |
| CN109389182A (zh) | 用于生成信息的方法和装置 | |
| CN109325996A (zh) | 用于生成信息的方法和装置 | |
| CN108898604A (zh) | 用于处理图像的方法和设备 | |
| CN108615006A (zh) | 用于输出信息的方法和装置 | |
| CN109993749A (zh) | 提取目标图像的方法和装置 | |
| Sarkar et al. | Empirical wavelet transform‐based fog removal via dark channel prior |
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 |