CN108322723B - 一种色彩失真的补偿方法、装置和电视机 - Google Patents
一种色彩失真的补偿方法、装置和电视机 Download PDFInfo
- Publication number
- CN108322723B CN108322723B CN201810116054.2A CN201810116054A CN108322723B CN 108322723 B CN108322723 B CN 108322723B CN 201810116054 A CN201810116054 A CN 201810116054A CN 108322723 B CN108322723 B CN 108322723B
- Authority
- CN
- China
- Prior art keywords
- color band
- color
- value
- blocks
- block
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N9/00—Details of colour television systems
- H04N9/64—Circuits for processing colour signals
- H04N9/646—Circuits for processing colour signals for image enhancement, e.g. vertical detail restoration, cross-colour elimination, contour correction, chrominance trapping filters
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Analysis (AREA)
- Color Image Communication Systems (AREA)
Abstract
本发明实施例公开了一种色彩失真的补偿方法、装置和电视机。该方法包括:将待处理图像输入色带识别神经网络,获取多个色带特征区块;根据所述多个色带特征区块中的当前色带特征区块的色度值和相邻色带特征区块的色度值,获取所述当前色带特征区块的色度补偿评估值;根据所述色度补偿评估值对所述当前色带特征区块进行标记;将标记后的多个色带特征区块输入色带补偿网络,根据所述色度补偿评估值确定所述当前色带特征区块中每个像素点的目标色度值;根据所述目标色度值采用抖动算法对所述待处理图像的色彩失真进行补偿。本实施例提供的色彩失真的补偿方法,可以有效的解决由于色彩失真而引起的色带现象,提高提高补偿色彩失真的可靠性。
Description
技术领域
本发明实施例涉及数字视频处理技术领域,尤其涉及一种色彩失真的补偿方法、装置和电视机。
背景技术
随着数字信号处理技术不断成熟,数字电子产品如数字电视机已经得到了广泛的应用,人们对电视机画面质量的要求也越来越高。然而,由于色彩深度丢失引起的色彩失真一直存在,阻碍了画面质量的进一步提升。当低色彩深度的数字信号被显示在远大于信号本身的色彩范围时,便会产生严重的色彩失真,造成色带现象。在广色域高对比度的电视中显示时,色带现象尤其突出。
传统的去色带技术,主要针对原生色彩深度微小丢失进行信号的统计处理,进行2-4倍的色彩深度补偿,对于严重的色彩深度丢失问题无法处理。因而,现有的技术存在一定的缺陷。
发明内容
本发明实施例提供一种色彩失真的补偿方法、装置和电视机,可以提高补偿色彩失真的可靠性。
第一方面,本发明实施例提供了一种色彩失真的补偿方法,包括:
将待处理图像输入色带识别神经网络,获取多个色带特征区块;
根据所述多个色带特征区块中的当前色带特征区块的色度值和相邻色带特征区块的色度值,获取所述当前色带特征区块的色度补偿评估值;其中,所述相邻色带特征区块为与所述当前色带特征区块相邻的色带特征区块;
根据所述色度补偿评估值对所述当前色带特征区块进行标记;
将标记后的多个色带特征区块输入色带补偿网络,根据所述色度补偿评估值确定所述当前色带特征区块中每个像素点的目标色度值;
根据所述目标色度值采用抖动算法对所述待处理图像的色彩失真进行补偿。
进一步地,所述将待处理图像输入色带识别神经网络,获取多个色带特征区块,包括:
将待处理图像输入色带识别神经网络后,所述神经网络中的卷积层提取所处待处理图像中的多个疑似色带区块;其中,所述疑似色带特征区块中的像素点连续且每个像素点的色度值相同;
利用激活函数对所述多个疑似色带区块进行分析;
若所述多个疑似色带区块满足设定条件,则确定为色带特征区块。
进一步地,所述利用激活函数对所述多个疑似色带区块进行分析,包括:
分别获取所述多个疑似色带区块的区块大小;
将所述区块大小分别代入激活函数进行计算,获得多个第一目标函数值;
对所述多个第一目标函数值求取平均值,获得第二目标函数值;
相应的,若所述多个疑似色带区块满足设定条件,则确定为色带特征区块,包括:
若所述第二目标函数值小于预设值,则所述疑似色带区块为色带特征区块。
进一步地的,根据所述多个色带特征区块中的当前色带特征区块的色度值和相邻色带特征区块的色度值,获取所述当前色带特征区块的色度补偿评估值,包括:
计算所述当前色带特征区块的色度值和相邻色带特征区块的色度值的差值;
计算所述差值的平均值,获得所述当前色带特征区块的色度补偿评估值。
进一步地,根据所述色度补偿评估值确定所述当前色带特征区块中每个像素点的目标色度值,包括:
根据所述色度补偿评估值确定权重函数;
基于所述权重函数分别计算每个像素点的权重值;
根据所述权重值计算所述当前色带特征区块中每个像素点的目标色度值。
进一步地,在根据所述色度补偿评估值确定所述当前色带特征区块中每个像素点的目标色度值之后,还包括:
将所述多个色带特征区块中的像素点按照所述目标色度值输出所述色带补偿网络。
进一步地,根据所述目标色度值采用抖动算法对所述待处理图像的色彩失真进行补偿,包括:
利用抖动算法将输出的多个色带特征区块与所述待处理图像进行叠加,以对所述待处理图像的色彩失真进行补偿。
第二方面,本发明实施例还提供了一种色彩失真的补偿装置,该装置包括:
色带特征区块获取模块,用于将待处理图像输入色带识别神经网络,获取多个色带特征区块;
色度补偿评估值获取模块,用于根据所述多个色带特征区块中的当前色带特征区块的色度值和相邻色带特征区块的色度值,获取所述当前色带特征区块的色度补偿评估值;其中,所述相邻色带特征区块为与所述当前色带特征区块相邻的色带特征区块;
标记模块,用于根据所述色度补偿评估值对所述当前色带特征区块进行标记;
目标色度值确定模块,用于将标记后的多个色带特征区块输入色带补偿网络,根据所述色度补偿评估值确定所述当前色带特征区块中每个像素点的目标色度值;
色彩失真补偿模块,用于根据所述目标色度值采用抖动算法对所述待处理图像的色彩失真进行补偿。
进一步地,所述色带特征区块获取模块,还用于:
将待处理图像输入色带识别神经网络后,所述神经网络中的卷积层提取所处待处理图像中的多个疑似色带区块;其中,所述疑似色带特征区块中的像素点连续且每个像素点的色度值相同;
利用激活函数对所述多个疑似色带区块进行分析;
若所述多个疑似色带区块满足设定条件,则确定为色带特征区块。
第三方面,本发明实施例还提供了一种电视机,包括第二方面所述的补偿装置。
本发明实施例,首先将待处理图像输入色带识别神经网络,获取多个色带特征区块,然后根据多个色带特征区块中的当前色带特征区块的色度值和相邻色带特征区块的色度值,获取当前色带特征区块的色度补偿评估值,再然后根据色度补偿评估值对当前色带特征区块进行标记,将标记后的多个色带特征区块输入色带补偿网络,根据色度补偿评估值确定当前色带特征区块中每个像素点的目标色度值,最后根据目标色度值采用抖动算法对待处理图像的色彩失真进行补偿。本实施例提供的色彩失真的补偿方法,利用色带网络识别色带特征区块,然后利用色带补偿网络对确定色带特征区块中像素点的目标色度值,最后利用抖动函数实现色彩失真的补偿,可以有效的解决由于色彩失真而引起的色带现象,提高提高补偿色彩失真的可靠性。
附图说明
图1是本发明实施例一中的一种色彩失真的补偿方法的流程图;
图2是本发明实施例二中的一种色彩失真的补偿装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种色彩失真的补偿方法的流程图,本实施例可解决对色彩失真引起的色带现象,该方法可以由色彩失真的补偿装置来执行,该装置可以集成于如数字电视机等带有视频编解码的电子产品中。如图1所示,该方法具体包括如下步骤。
步骤110,将待处理图像输入色带识别神经网络,获取多个色带特征区块。
其中,色带识别神经网络可以是采用深度学习的方式获得的,以数万张图片为样本进行训练,对样本图片中的色带进行搜索、识别,从而是神经网络具有准确识别图像中色带的能力。色带特征区块可以是待处理图像中具有色带特征的图像区域。
本实施例中,将待处理图像输入色带识别神经网络,获取多个色带特征区块的过程可以是,将待处理图像输入色带识别神经网络后,神经网络中的卷积层提取所处待处理图像中的多个疑似色带区块,其中,疑似色带区块中的像素点连续且每个像素点的色度值相同。然后利用激活函数对多个疑似色带区块进行分析。若多个疑似色带区块满足设定条件,则确定为色带特征区块。
其中,多个疑似色带区块之间的色度值可以相同或不同。色度值可以是RGB值。提取待处理图像中的多个疑似色带区块的过程可以是,获取待处理图像中每个像素点的色度值,整体分析待处理图像中所有像素点的色度值,将像素点连续且色度值相同的区域提取出来,作为疑似色带区块。激活函数的表达式为:
本实施例中,利用激活函数对多个疑似色带区块进行分析的方式可以是,分别获取多个疑似色带区块的区块大小,将区块大小分别代入激活函数进行计算,获得多个第一目标函数值,对多个第一目标函数值求取平均值,获得第二目标函数值。
其中,区块大小可以是当前疑似色带区块包含的像素点的个数,可以由区块包含的像素点的色度值组成的矩阵表示。示例性的,区块大小可以表示为B(X),其中,X为RGB值,将区块大小代入激活函数得到第一目标函数值为:σ(X)=Sigmoid[-λB(X)],其中,λ为超参数,需要人为调试。对多个疑似色带区块对应的第一目标函数值求取平均值获得第二目标函数值:其中,N为疑似色带区块的个数。
可选的,若多个疑似色带区块满足设定条件,则确定为色带特征区块,可通过下述方式实施:若第二目标函数值小于预设值,则疑似色带区块为色带特征区块。
其中,预设值设置为0.9。示例性的,上述实施例中求出的第二目标函数值BL,若BL<0.9,则多个疑似色带区块为色带特征区块;否则,多个疑似色带区块不是色带特征区块,即待处理图像不存在色带现象。
步骤120,根据多个色带特征区块中的当前色带特征区块的色度值和相邻色带特征区块的色度值,获取当前色带特征区块的色度补偿评估值。
其中,相邻色带特征区块为与当前色带特征区块相邻的色带特征区块,与当前色带特征区块相邻的色带特征区块的个数可以是1个或多个。
本实施例中,根据多个色带特征区块中的当前色带特征区块的色度值和相邻色带特征区块的色度值,获取当前色带特征区块的色度补偿评估值的过程可以是,计算当前色带特征区块的色度值和相邻色带特征区块的色度值的差值,计算差值的平均值,获得当前色带特征区块的色度补偿评估值。
其中,计算当前色带特征区块的色度值和相邻色带特征区块的色度值的差值可以是分别计算当前色带特征区块的色度值与每个相邻色带特征区块的色度值的差值。示例性的,假设当前色带特征区块的色度值为I,与当前色带特征区块相邻的第k个色带特征区块的色度值为Ik,则色度补偿评估值为:其中,M为与当前色带特征区块相邻的色带特征区块的数量。
步骤130,根据色度补偿评估值对当前色带特征区块进行标记。
具体的,在获得各个色带特征区块的色度补偿评估值后,将色度补偿评估值标记于对应的色带特征区块中。
步骤140,将标记后的多个色带特征区块输入色带补偿网络,根据色度补偿评估值确定当前色带特征区块中每个像素点的目标色度值。
其中,色带补偿网络可以根据待处理图像中不同区域色度的丢失情况来对图像色度进行补偿。色带补偿网络与色带识别神经网络属于一个神经网络中的不同层,分别实现不同的功能。目标色度值可以是色带特征区块中的像素点在补偿后的色度值。
具体的,根据色度补偿评估值确定当前色带特征区块中每个像素点的目标色度值可通过下述方式实施:首先根据色度补偿评估值确定权重函数,然后基于权重函数分别计算每个像素点的权重值,最后根据权重值计算当前色带特征区块中每个像素点的目标色度值。
其中,由色度补偿评估值确定的权重函数为:其中,d(X,k)为当前色带特征区块中每个像素点与第k个相邻色带特征区块的距离,I为当前色带特征区块的色度值,Ik为第k个相邻色带特征区块的色度值,B0为当前色带特征区块的区块大小,Bk为第k个相邻色带特征区块的区块大小。||I-Ik||表示I与Ik的范数。从权重函数可以看出,当||I-Ik||<S时,权重值为否则,权重值为0。其中,d(X,k)的确定方式可以是当前色带特征区块中像素点与第k个相邻色带特征区块各个像素点距离中最短的值。
步骤150,根据目标色度值采用抖动算法对待处理图像的色彩失真进行补偿。
其中,抖动算法可以解决在低分辨率下看较高分辨率的图像、低色模式下显示更多色模式时出现的颜色和图像变形的问题。
可选的,在根据色度补偿评估值确定当前色带特征区块中每个像素点的目标色度值之后,还包括:将多个色带特征区块中的像素点按照目标色度值输出色带补偿网络。
可选的,根据目标色度值采用抖动算法对待处理图像的色彩失真进行补偿,可通过下述方式实施:利用抖动算法将输出的多个色带特征区块与待处理图像进行叠加,以对待处理图像的色彩失真进行补偿。
本实施例的技术方案,首先将待处理图像输入色带识别神经网络,获取多个色带特征区块,然后根据多个色带特征区块中的当前色带特征区块的色度值和相邻色带特征区块的色度值,获取当前色带特征区块的色度补偿评估值,再然后根据色度补偿评估值对当前色带特征区块进行标记,将标记后的多个色带特征区块输入色带补偿网络,根据色度补偿评估值确定当前色带特征区块中每个像素点的目标色度值,最后根据目标色度值采用抖动算法对待处理图像的色彩失真进行补偿。本实施例提供的色彩失真的补偿方法,利用色带网络识别色带特征区块,然后利用色带补偿网络对确定色带特征区块中像素点的目标色度值,最后利用抖动函数实现色彩失真的补偿,可以有效的解决由于色彩失真而引起的色带现象,提高提高补偿色彩失真的可靠性。
实施例二
图2为本发明实施例二提供的一种色彩失真的补偿装置的结构示意图,如图2所示,该装置包括:色带特征区块获取模块210,色度补偿评估值获取模块220,标记模块230,目标色度值确定模块240和色彩失真补偿模块250。
色带特征区块获取模块210,用于将待处理图像输入色带识别神经网络,获取多个色带特征区块;
色度补偿评估值获取模块220,用于根据所述多个色带特征区块中的当前色带特征区块的色度值和相邻色带特征区块的色度值,获取所述当前色带特征区块的色度补偿评估值;其中,所述相邻色带特征区块为与所述当前色带特征区块相邻的色带特征区块;
标记模块230,用于根据所述色度补偿评估值对所述当前色带特征区块进行标记;
目标色度值确定模块240,用于将标记后的多个色带特征区块输入色带补偿网络,根据所述色度补偿评估值确定所述当前色带特征区块中每个像素点的目标色度值;
色彩失真补偿模块250,用于根据所述目标色度值采用抖动算法对所述待处理图像的色彩失真进行补偿。
可选的,所述色带特征区块获取模块210,还用于:
将待处理图像输入色带识别神经网络后,所述神经网络中的卷积层提取所处待处理图像中的多个疑似色带区块;其中,所述疑似色带特征区块中的像素点连续且每个像素点的色度值相同;
利用激活函数对所述多个疑似色带区块进行分析;
若所述多个疑似色带区块满足设定条件,则确定为色带特征区块。
可选的,色带特征区块获取模块210,还用于:
分别获取所述多个疑似色带区块的区块大小;
将所述区块大小分别代入激活函数进行计算,获得多个第一目标函数值;
对所述多个第一目标函数值求取平均值,获得第二目标函数值;
相应的,若所述多个疑似色带区块满足设定条件,则确定为色带特征区块,包括:
若所述第二目标函数值小于预设值,则所述疑似色带区块为色带特征区块。
可选的,色度补偿评估值获取模块220,还用于:
计算所述当前色带特征区块的色度值和相邻色带特征区块的色度值的差值;
计算所述差值的平均值,获得所述当前色带特征区块的色度补偿评估值。
可选的,目标色度值确定模块240,还用于:
根据所述色度补偿评估值确定权重函数;
基于所述权重函数分别计算每个像素点的权重值;
根据所述权重值计算所述当前色带特征区块中每个像素点的目标色度值。
可选的,还包括:将所述多个色带特征区块中的像素点按照所述目标色度值输出所述色带补偿网络。
可选的,色彩失真补偿模块250,还用于:
利用抖动算法将输出的多个色带特征区块与所述待处理图像进行叠加,以对所述待处理图像的色彩失真进行补偿。
上述装置可执行本发明前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明前述所有实施例所提供的方法。
此外,本发明还提供一种电视机,该电视机包括上述色彩失真的补偿装置,所述色彩失真的补偿装置在电视机中的具体工作原理可参照以上各实施例,此处不再赘述。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种色彩失真的补偿方法,其特征在于,包括:
将待处理图像输入色带识别神经网络,获取多个色带特征区块;
根据所述多个色带特征区块中的当前色带特征区块的色度值和相邻色带特征区块的色度值,获取所述当前色带特征区块的色度补偿评估值;其中,所述相邻色带特征区块为与所述当前色带特征区块相邻的色带特征区块;
根据所述色度补偿评估值对所述当前色带特征区块进行标记;
将标记后的多个色带特征区块输入色带补偿网络,根据所述色度补偿评估值确定所述当前色带特征区块中每个像素点的目标色度值;
根据所述目标色度值采用抖动算法对所述待处理图像的色彩失真进行补偿。
2.根据权利要求1所述的补偿方法,其特征在于,所述将待处理图像输入色带识别神经网络,获取多个色带特征区块,包括:
将待处理图像输入色带识别神经网络后,所述神经网络中的卷积层提取所处待处理图像中的多个疑似色带区块;其中,所述疑似色带区块中的像素点连续且每个像素点的色度值相同;
利用激活函数对所述多个疑似色带区块进行分析;
若所述多个疑似色带区块满足设定条件,则确定为色带特征区块。
3.根据权利要求2所述的补偿方法,其特征在于,所述利用激活函数对所述多个疑似色带区块进行分析,包括:
分别获取所述多个疑似色带区块的区块大小;
将所述区块大小分别代入激活函数进行计算,获得多个第一目标函数值;
对所述多个第一目标函数值求取平均值,获得第二目标函数值;
相应的,若所述多个疑似色带区块满足设定条件,则确定为色带特征区块,包括:
若所述第二目标函数值小于预设值,则所述疑似色带区块为色带特征区块。
4.根据权利要求1所述的补偿方法,其特征在于,根据所述多个色带特征区块中的当前色带特征区块的色度值和相邻色带特征区块的色度值,获取所述当前色带特征区块的色度补偿评估值,包括:
计算所述当前色带特征区块的色度值和相邻色带特征区块的色度值的差值;
计算所述差值的平均值,获得所述当前色带特征区块的色度补偿评估值。
5.根据权利要求1所述的补偿方法,其特征在于,根据所述色度补偿评估值确定所述当前色带特征区块中每个像素点的目标色度值,包括:
根据所述色度补偿评估值确定权重函数;
基于所述权重函数分别计算每个像素点的权重值;
根据所述权重值计算所述当前色带特征区块中每个像素点的目标色度值。
6.根据权利要求1所述的补偿方法,其特征在于,在根据所述色度补偿评估值确定所述当前色带特征区块中每个像素点的目标色度值之后,还包括:
将所述多个色带特征区块中的像素点按照所述目标色度值输出所述色带补偿网络。
7.根据权利要求6所述的补偿方法,其特征在于,根据所述目标色度值采用抖动算法对所述待处理图像的色彩失真进行补偿,包括:
利用抖动算法将输出的多个色带特征区块与所述待处理图像进行叠加,以对所述待处理图像的色彩失真进行补偿。
8.一种色彩失真的补偿装置,其特征在于,包括:
色带特征区块获取模块,用于将待处理图像输入色带识别神经网络,获取多个色带特征区块;
色度补偿评估值获取模块,用于根据所述多个色带特征区块中的当前色带特征区块的色度值和相邻色带特征区块的色度值,获取所述当前色带特征区块的色度补偿评估值;其中,所述相邻色带特征区块为与所述当前色带特征区块相邻的色带特征区块;
标记模块,用于根据所述色度补偿评估值对所述当前色带特征区块进行标记;
目标色度值确定模块,用于将标记后的多个色带特征区块输入色带补偿网络,根据所述色度补偿评估值确定所述当前色带特征区块中每个像素点的目标色度值;
色彩失真补偿模块,用于根据所述目标色度值采用抖动算法对所述待处理图像的色彩失真进行补偿。
9.根据权利要求8所述的补偿装置,其特征在于,所述色带特征区块获取模块,还用于:
将待处理图像输入色带识别神经网络后,所述神经网络中的卷积层提取所处待处理图像中的多个疑似色带区块;其中,所述疑似色带区块中的像素点连续且每个像素点的色度值相同;
利用激活函数对所述多个疑似色带区块进行分析;
若所述多个疑似色带区块满足设定条件,则确定为色带特征区块。
10.一种电视机,其特征在于,包括权利要求8-9任一所述的补偿装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810116054.2A CN108322723B (zh) | 2018-02-06 | 2018-02-06 | 一种色彩失真的补偿方法、装置和电视机 |
PCT/CN2018/112335 WO2019153799A1 (zh) | 2018-02-06 | 2018-10-29 | 色彩失真的补偿方法、装置和电视机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810116054.2A CN108322723B (zh) | 2018-02-06 | 2018-02-06 | 一种色彩失真的补偿方法、装置和电视机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108322723A CN108322723A (zh) | 2018-07-24 |
CN108322723B true CN108322723B (zh) | 2020-01-24 |
Family
ID=62903566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810116054.2A Active CN108322723B (zh) | 2018-02-06 | 2018-02-06 | 一种色彩失真的补偿方法、装置和电视机 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108322723B (zh) |
WO (1) | WO2019153799A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108322723B (zh) * | 2018-02-06 | 2020-01-24 | 深圳创维-Rgb电子有限公司 | 一种色彩失真的补偿方法、装置和电视机 |
CN110930372B (zh) * | 2019-11-06 | 2023-04-25 | 维沃移动通信有限公司 | 一种图像处理方法、电子设备及计算机可读存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6647152B2 (en) * | 2002-01-25 | 2003-11-11 | Thomson Licensing S.A. | Method and system for contouring reduction |
KR20050122782A (ko) * | 2004-06-25 | 2005-12-29 | 엘지전자 주식회사 | 플라즈마 디스플레이 패널의 화상처리 방법 |
KR100718081B1 (ko) * | 2005-04-18 | 2007-05-16 | 삼성전자주식회사 | 의사윤곽 제거장치 및 그 방법 |
US20080123979A1 (en) * | 2006-11-27 | 2008-05-29 | Brian Schoner | Method and system for digital image contour removal (dcr) |
EP2126836B1 (en) * | 2007-01-19 | 2013-03-06 | Thomson Licensing | Identifying banding in digital images |
US20120154428A1 (en) * | 2010-12-16 | 2012-06-21 | Apple Inc. | Spatio-temporal color luminance dithering techniques |
US9639920B2 (en) * | 2015-09-14 | 2017-05-02 | Qualcomm Incorporated | Dither directed LUT output value interpolation |
CN108322723B (zh) * | 2018-02-06 | 2020-01-24 | 深圳创维-Rgb电子有限公司 | 一种色彩失真的补偿方法、装置和电视机 |
-
2018
- 2018-02-06 CN CN201810116054.2A patent/CN108322723B/zh active Active
- 2018-10-29 WO PCT/CN2018/112335 patent/WO2019153799A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CN108322723A (zh) | 2018-07-24 |
WO2019153799A1 (zh) | 2019-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389591B (zh) | 基于彩色描述子的彩色图像质量评价方法 | |
CN104504722B (zh) | 一种利用灰色点校正图像颜色的方法 | |
CN109801233B (zh) | 一种适用于真彩色遥感图像的增强方法 | |
JP2013065215A (ja) | 画像処理装置及び画像処理方法 | |
US20050013502A1 (en) | Method of improving image quality | |
CN108322723B (zh) | 一种色彩失真的补偿方法、装置和电视机 | |
KR100735236B1 (ko) | 영상의 히스토그램 분석 장치, 방법 및 이를 이용한 휘도보정 장치 | |
CN102088539A (zh) | 一种预拍照画质评价方法和系统 | |
CN114202491B (zh) | 一种增强光学图像的方法及系统 | |
US8810696B2 (en) | Blemish detection method | |
Salih et al. | Adaptive local exposure based region determination for non-uniform illumination and low contrast images | |
EP2672719A2 (en) | Color calibration of a image capture device in a way that is adaptive to the scene to be captured | |
Zhai | Recent advances in image quality assessment | |
Yuan et al. | Color image quality assessment with multi deep convolutional networks | |
Chang et al. | Image Quality Evaluation Based on Gradient, Visual Saliency, and Color Information | |
CN114120197A (zh) | 2si模式传输的超高清视频异态信号检测方法 | |
KR20190058753A (ko) | 영상 처리 방법 및 이를 수행하는 영상 처리 장치 | |
KR101521269B1 (ko) | 영상에서 눈 또는 비를 검출하는 방법 | |
US9430959B2 (en) | Character region pixel identification device and method thereof | |
RU2625523C1 (ru) | Способ определения охраноспособности обозначений в качестве товарных знаков | |
CN105184746A (zh) | 基于直方图均衡的彩色图像增强处理方法 | |
Mokji et al. | Starfruit classification based on linear hue computation | |
Yin et al. | Color Shifting-Aware Image Dehazing | |
CN117710274B (zh) | 图像紫边校正方法、电子设备及存储介质 | |
Saha et al. | Print scum identification using DCT based computer vision method |
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 |