CN108389208A - 一种基于语义分割的图像智能适配显示方法 - Google Patents
一种基于语义分割的图像智能适配显示方法 Download PDFInfo
- Publication number
- CN108389208A CN108389208A CN201810047724.XA CN201810047724A CN108389208A CN 108389208 A CN108389208 A CN 108389208A CN 201810047724 A CN201810047724 A CN 201810047724A CN 108389208 A CN108389208 A CN 108389208A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- group
- scale factor
- row
- 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 45
- 230000011218 segmentation Effects 0.000 title claims abstract description 20
- 230000006978 adaptation Effects 0.000 title claims abstract description 19
- 238000010586 diagram Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 2
- 238000000205 computational method Methods 0.000 claims description 2
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011437 continuous method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011438 discrete method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于数字图像处理技术领域,具体为一种基于语义分割的图像智能适配显示方法。图像智能适配显示技术用于保护图像中的重要物体,使得图像放大或缩小时重要物体的尺寸变化尽量小。本发明依次包括以下步骤:使用线裁剪对图像进行分组;根据图像的能量图为每个分组分配比例因子;结合语义分割,重新分配比例因子,使得属于同一物体的像素比例因子接近,减少扭曲;根据比例因子进行像素融合。实验结果表明,放大或缩小图像时,本发明能够使得重要物体尺寸变化小,同时减少重要物体以及背景的畸变。
Description
技术领域
本发明属于数字图像处理技术领域,具体涉及一种适配显示方法,更具体的说,涉及一种基于语义分割的图像智能适配显示方法。
背景技术
近年来,随着数字媒体与计算机的不断地发展,各种智能设备涌入人们的生活。图像作为一种包含丰富信息的常见交流媒介,需要适应不同分辨率、宽高比的屏幕。而传统的图像处理方法,比如均匀缩放、剪切将会引起图像失真或者丢失重要的信息。当图像在不同分辨率、宽高比的屏幕出现时,图像智能适配显示方法(Image Retargeting)可以调整图像,使得图像的显著区域发生较少的失真,在提升用户视觉体验方面发挥着越来越重要的作用。
适配显示方法主要可以分为两类:像素删除的方法(离散的方法)和像素融合的方法(连续的方法);线裁剪(Seam Carving)[1]是一种经典的像素删除的方法,它的主要思想是每次从一行或者一列中最多移除一个像素,减少图像失真,但是当图像缩小或放大比例很大时,图像会出现明显的失真,非常不自然。相比之下,像素融合的方法获得的图像更加自然、平滑。像素融合方法把原始图像中每个像素当成单位长度,融合时,使用比例因子为每个像素设定新的长度,通过线性加权的方式将各个像素融合成新的单位长度的像素。基于像素线搜索和像素融合的适配显示方法[2]使用显著性检测结果[3]作为能量图。用线裁剪的方法搜索像素线,按照搜索结果,将图片分为若干组,根据每组的能量,按比例为各组分配比例因子并矫正不合理的比例因子,最后使用像素融合达到了很好的适配显示效果。文献[2]使用能量图计算比例因子后,同一个组的像素有统一的比例因子,但是并不能保证经过重要物体的每个组的比例因子都相同,仍然会有一定的扭曲。如果能修正比例因子,使得同一物体比例因子接近,则可以减少扭曲。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于语义分割的图像智能适配显示方法,它主要针对图片中重要物体的保护,使图片大小发生变化时,重要物体尺寸不发生太大变化,其借助语义分割的结果,给重要物体和背景分别重新分配比例因子,达到减少扭曲的目的。
本发明提供的基于语义分割的图像智能适配显示方法,具体步骤如下:
(1)借助线裁剪将图像分成若干组
计算图像的梯度,在图像中找到一条穿过整幅图像且梯度总和最小的像素线,从图像中裁剪掉该像素线,将每次裁剪掉的像素线分为一组。具体的线裁剪方法参考文献[1]。根据缩放因子,重复上述过程,直到满足缩放因子的要求;剩余的像素按每行或每列分为一组。当图像水平方向适配显示时,一组像素的数量等于图像中一列像素的数量,线裁剪过程结束后,将剩余的像素每列分为一组;当图像竖直方向适配显示时,一组像素的数量等于图像中一行像素的数量,线裁剪过程结束后,将剩余的像素每行分为一组。
(2)计算能量图,分配比例因子
给定大小为H×W的图像,能量图由显著性检测结果和语义分割结果加权获得,能量图的计算公式如下:
E(x,y)=αSD(x,y)+(1-α)SC(x,y) (1)
其中,1≤x≤H,1≤y≤W,0≤α≤1,0≤SD(x,y)≤1,0≤SC(x,y)≤1,0≤E(x,y)≤1,SD(x,y)表示图像中第x行y列像素的显著性检测结果,越大说明该像素对人的视觉影响越大;SC(x,y)表示第x行y列像素的得分,由语义分割的得分图处理获得,越大说明该像素不是背景的可能性越大;α用于平衡SD(x,y)和SC(x,y)对能量图E(x,y)的贡献,一般宜取值为0.6—0.9,实施例中α取值为0.8;能量图中的值越大,说明对应像素越重要。显著性检测结果由Itti等人的方法获得,具体参考文献[3],语义分割结果由Lin等人的方法获得,具体参考文献[4]。
根据缩放因子和能量图E(x,y),使用Yan等人[2]的方法为每组像素分配比例因子。计算每组像素能量的平均值,对于能量较高的组,分配较大的比例因子。比例因子S(x,y)表示第x行y列像素在像素融合中的贡献度;若比例因子大于1(减小宽度时)或小于1(增大宽度时),还需要矫正。
(3)重新分配比例因子
不失一般性,以水平方向的适配显示为例,重新分配图像中物体的比例因子:
计算各组所包含的第l类像素的个数其中表示第k组包含的第l类像素的个数;根据第l类的阈值Tl,给的组重新分配比例因子:
其中,当1[·]的方括号中内容为真时,它的值为1,否则为0;CO(i,j)表示第j组第i个像素所在的列;用同样的方法处理图像中的其他物体的类,直至图像中所有的物体的类处理完成。若图像中包含同一类多个物体且物体间不相邻,可以选择把不相邻的同一类的多个物体当成多个类处理,防止一个物体的比例因子被均衡到另一个物体。
阈值Tl的计算方法为:
将降序排列为阈值Tl为:
其中,参数γ为调控参数,通常设置为0.1—0.4,实施例中γ设置为0.2。
对于垂直方向的适配显示,重新分配图像中物体的比例因子的方法与上述一样。
这样设置第l类的阈值Tl的原因是:如果直接重新分配包含第l类物体像素的所有组的比例因子,有些组包含的目标物体的像素非常少且比例因子较低,当它们和包含目标物体像素非常多、比例因子较大的组一起重新分配时,会导致目标物体的比例因子接近背景的比例因子,起不到保护目标物体的作用;如果将阈值Tl设置成固定的值,图片中目标物体大小和形状不定,当阈值设置太大,会导致较小的物体无法重新分配比例因子;当阈值设置太小,会导致较大的物体比例因子接近背景,而按照本发明的方法将阈值设成自适应的方式,可以较有效地避免上述情况。
重新分配图像中背景的比例因子:
计算各组包含的背景像素的个数其中表示第k组包含的背景像素的个数;将降序排列为σ是{1,…,W}→{1,…,W}的双射函数,使得设置阈值β∈[0,1],重新分配比例因子:
一般地,阈值β为阈值,一般可取0.3-0.5;实施例中取值为0.4。
背景像素作为一种特别的类,在图像中占有很大的比例。如果重新分配所有背景像素所在组的比例因子,可能会导致整个图像比例因子相同,相当于普通的图像缩小或放大操作,无法起到保护重要物体的作用;如果使用物体比例因子的重新分配方法,一般情况下,因此很难起到自适应调整阈值的作用。而在本发明中,重新分配背景的比例因子时,组数被限制在合适的范围内,只有当额外的组全部由背景像素构成时,组数才可以超出限定范围。实验结果表明,这样可以防止分配背景的比例因子时,过度影响物体的比例因子,同时可以使背景和物体的衔接部分更加自然。
(4)像素融合
获得重新分配的比例因子后,通过像素融合的方式获得目标图像的适配显示;以水平方向适配显示为例,假设原始图像中每个像素宽度为1;比例因子为每个像素设定新的宽度,通过线性加权的方式将各个像素融合成新的宽度为1的像素,最终构成特定大小的图像。对于垂直方向适配显示,作类似处理。
本发明步骤(2)中,第x行y列像素的得分SC(x,y)计算方式如下:
语义分割将图像中的像素分为L类,获得图像中每个像素的分类C∈RH×W和得分图SM∈RH×W×L,其中背景是一个特殊的类,C∈{0,1,2,…,L-1},SM∈{0,1,…,255};计算SC(x,y):
其中,第0类表示背景;
本发明的有益效果在于:不仅考虑了放大或缩小图像时保护重要物体,还考虑了物体整体尺寸变化不大时,物体内部各区域相对比例接近原图,减少扭曲的发生。本发明使用图像语义分割技术提供的语义信息,在能量图计算的比例因子基础上,重新分配各类物体的比例因子,使得同一类物体比例因子接近,最后用像素融合的方式,使得目标图像平滑自然。
附图说明
图1为本发明的流程图。
图2为使用本发明将图片水平方向缩小为原来的50%后智能适配显示的结果。
具体实施方式
对于一张待缩放的图片,从水平方向上将其缩小为原来的50%,按图1所示方法进行适配显示。具体步骤为:
(1)计算图像的梯度,用线裁剪的方法,找到一条梯度总和最小的像素线,该像素线被分为一组。上述过程迭代0.5W次,得到0.5W组。剩余像素组成的图像大小为H×0.5W,每列分为一组。至此,整张图像被分为W组,每组像素数为H;
(2)计算能量图,能量图由语义分割结果和显著性检测结果线性加权获得,将参数α设置为0.8。使用文献[2]的方法计算各个像素的比例因子。同一组像素的比例因子相同;
(3)根据语义分割结果,先为背景像素重新分配比例因子,然后依次为每一类物体重新分配比例因子,分配的顺序影响不大;参数β设为0.4,γ设为0.2;
(4)根据像素融合方法,使用重新分配的比例因子融合像素,生成新的图像;
图2为本发明的实例,其中图2(a)为原图,图2(b)为适配显示结果,图2(c)为均匀缩放结果;可以看出,本发明的方法在水平方向缩放50%时,可以保持人的尺寸较大,同时背景未发生明显丢失和扭曲。
参考文献
[1]S.Avidan and A.Shamir,“Seam carving for content-aware imageresizing”,ACM Trans.Graph.(TOG),vol.26,no.3,pp.10,2007.
[2]B.Yan,K.Li,X.Yang and T.Hu,“Seam Searching based Pixel Fusion forImage Retargeting”,IEEE Transactions on Circuits and Systems for VideoTechnology,vol.25,no.1,pp.15-23,Jan.2015.
[3]L.Itti,C.Koch,and E.Niebur,“A model of saliency-based visualattention for rapid scene analysis,”IEEE Transactions on Pattern Analysis andMachine Intelligence,vol.20,no.11,pp.1254–1259,Nov.1998.
[4]G.Lin,A.Milan,C.Shen,and I.Reid,“RefineNet:Multi-Path RefinementNetworks for High-Resolution Semantic Segmentation”,IEEE Conference onComputer Vision and Pattern Recognition,July 2017.。
Claims (5)
1.一种基于语义分割的图像智能适配显示方法,其特征在于,具体步骤如下:
(1)借助线裁剪将图像分成若干组
计算图像的梯度,在图像中找到一条穿过整幅图像且梯度总和最小的像素线,从图像中裁剪掉该像素线,将每次裁剪掉的像素线分为一组;根据缩放因子,重复上述过程,直到满足缩放因子的要求;剩余的像素按每行或每列分为一组:当图像水平方向适配显示时,一组像素的数量等于图像中一列像素的数量,线裁剪过程结束后,将剩余的像素每列分为一组;当图像竖直方向适配显示时,一组像素的数量等于图像中一行像素的数量,线裁剪过程结束后,将剩余的像素每行分为一组;
(2)计算能量图,分配比例因子
给定大小为H×W的图像,能量图由显著性检测结果和语义分割结果加权获得,能量图的计算公式如下:
E(x,y)=αSD(x,y)+(1-α)SC(x,y) (1)
其中,1≤x≤H,1≤y≤W,0≤α≤1,0≤SD(x,y)≤1,0≤SC(x,y)≤1,0≤E(x,y)≤1,SD(x,y)表示图像中第x行y列像素的显著性检测结果,越大说明该像素对人的视觉影响越大;SC(x,y)表示第x行y列像素的得分,由语义分割的得分图处理获得,越大说明该像素不是背景的可能性越大;α用于平衡SD(x,y)和SC(x,y)对能量图E(x,y)的贡献;能量图中的值越大,说明对应像素越重要;
根据缩放因子和能量图E(x,y),为每组像素分配比例因子:计算每组像素能量的平均值,对于能量较高的组,分配较大的比例因子;比例因子S(x,y)表示第x行y列像素在像素融合中的贡献度;
(3)重新分配比例因子
对于水平方向的适配显示,重新分配图像中物体的比例因子:
计算各组所包含的第l类像素的个数其中表示第k组包含的第l类像素的个数;根据第l类的阈值Tl,给的组重新分配比例因子:
其中,当1[·]的方括号中内容为真时,它的值为1,否则为0;CO(i,j)表示第j组第i个像素所在的列;用同样的方法处理图像中的其他物体的类,直至图像中所有的物体的类处理完成;若图像中包含同一类多个物体且物体间不相邻,选择把不相邻的同一类的多个物体当成多个类处理,防止一个物体的比例因子被均衡到另一个物体;
重新分配图像中背景的比例因子:
计算各组包含的背景像素的个数其中表示第k组包含的背景像素的个数;将降序排列为σ是{1,…,W}→{1,,W}的双射函数,使得设置阈值β∈[0,1],重新分配比例因子:
(4)像素融合
获得重新分配的比例因子后,通过像素融合的方式获得目标图像的适配显示;对于水平方向适配显示,假设原始图像中每个像素宽度为1;比例因子为每个像素设定新的宽度,通过线性加权的方式将各个像素融合成新的宽度为1的像素,最终构成特定大小的图像;对于垂直方向适配显示,作类似处理。
2.根据权利要求1所述的基于语义分割的图像智能适配显示方法,其特征在于,步骤(2)中,第x行y列像素的得分SC(x,y)计算方式如下:
语义分割将图像中的像素分为L类,获得图像中每个像素的分类C∈RH×W和得分图SM∈RH×W×L,其中背景是一个特殊的类,C∈{0,1,2,…,L-1},SM∈{0,1,…,255};计算SC(x,y):
其中,第0类表示背景。
3.根据权利要求1所述的方法,其特征在于,步骤(2)中,参数取值为0.6—0.9。
4.根据权利要求1所述的方法,其特征在于,步骤(3)中,阈值Tl的计算方法为:
将降序排列为阈值Tl为:
其中,参数γ设置为0.1—0.4。
5.根据权利要求1所述的方法,其特征在于,步骤(3)中,阈值β设置为0.3-0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810047724.XA CN108389208B (zh) | 2018-01-18 | 2018-01-18 | 一种基于语义分割的图像智能适配显示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810047724.XA CN108389208B (zh) | 2018-01-18 | 2018-01-18 | 一种基于语义分割的图像智能适配显示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108389208A true CN108389208A (zh) | 2018-08-10 |
CN108389208B CN108389208B (zh) | 2021-06-04 |
Family
ID=63077167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810047724.XA Active CN108389208B (zh) | 2018-01-18 | 2018-01-18 | 一种基于语义分割的图像智能适配显示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108389208B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009712A (zh) * | 2019-03-01 | 2019-07-12 | 华为技术有限公司 | 一种图文排版方法及其相关装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100183243A1 (en) * | 2009-01-20 | 2010-07-22 | Brand Matthew E | Method for Temporally Editing Videos |
CN101923703A (zh) * | 2010-08-27 | 2010-12-22 | 北京工业大学 | 基于语义的细缝裁剪和非均匀映射相结合的图像自适应方法 |
CN103955887A (zh) * | 2014-04-11 | 2014-07-30 | 北京工业大学 | 基于内容的快速细缝裁剪与非均匀映射相结合的图像自适应方法 |
CN105830014A (zh) * | 2013-12-20 | 2016-08-03 | 惠普发展公司,有限责任合伙企业 | 确定图像比例重设因子 |
CN106447702A (zh) * | 2016-08-31 | 2017-02-22 | 天津大学 | 一种立体图像匹配图计算方法 |
CN106504186A (zh) * | 2016-09-30 | 2017-03-15 | 天津大学 | 一种立体图像重定向方法 |
-
2018
- 2018-01-18 CN CN201810047724.XA patent/CN108389208B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100183243A1 (en) * | 2009-01-20 | 2010-07-22 | Brand Matthew E | Method for Temporally Editing Videos |
CN101923703A (zh) * | 2010-08-27 | 2010-12-22 | 北京工业大学 | 基于语义的细缝裁剪和非均匀映射相结合的图像自适应方法 |
CN105830014A (zh) * | 2013-12-20 | 2016-08-03 | 惠普发展公司,有限责任合伙企业 | 确定图像比例重设因子 |
CN103955887A (zh) * | 2014-04-11 | 2014-07-30 | 北京工业大学 | 基于内容的快速细缝裁剪与非均匀映射相结合的图像自适应方法 |
CN106447702A (zh) * | 2016-08-31 | 2017-02-22 | 天津大学 | 一种立体图像匹配图计算方法 |
CN106504186A (zh) * | 2016-09-30 | 2017-03-15 | 天津大学 | 一种立体图像重定向方法 |
Non-Patent Citations (4)
Title |
---|
KE LI ET AL.: "Improved seam carving for image retargeting with sift feature preservation", 《IEEE XPLORER》 * |
李可等: "基于学习的图像智能适配显示技术", 《北京航空航天大学学报》 * |
李姝蓁等: "融合显著物体检测的图像显示适配", 《中国图像图形学报》 * |
江少锋等: "一种简单高效的图象缩小算法", 《南昌航空工业学院学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009712A (zh) * | 2019-03-01 | 2019-07-12 | 华为技术有限公司 | 一种图文排版方法及其相关装置 |
US11790584B2 (en) | 2019-03-01 | 2023-10-17 | Huawei Technologies Co., Ltd. | Image and text typesetting method and related apparatus thereof |
Also Published As
Publication number | Publication date |
---|---|
CN108389208B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Image retargeting using mesh parametrization | |
CN110807448B (zh) | 人脸关键点数据增强方法 | |
CN109978788B (zh) | 卷积神经网络生成方法、图像去马赛克方法及相关装置 | |
Jiao et al. | Dilateformer: Multi-scale dilated transformer for visual recognition | |
CN109493350A (zh) | 人像分割方法及装置 | |
CN104159120B (zh) | 一种视频稳像方法、装置及系统 | |
CN105890768B (zh) | 一种红外图像非均匀性校正的方法及装置 | |
CN110706151B (zh) | 一种面向视频的非均匀风格迁移方法 | |
Yan et al. | Seam searching-based pixel fusion for image retargeting | |
CN103902730B (zh) | 一种缩略图生成方法和系统 | |
CN106504186A (zh) | 一种立体图像重定向方法 | |
CN109816763A (zh) | 一种图形渲染方法 | |
CN110853071A (zh) | 图像编辑方法及终端设备 | |
Lv | Smart watermark to defend against deepfake image manipulation | |
Xie et al. | Non-local nested residual attention network for stereo image super-resolution | |
CN108389208A (zh) | 一种基于语义分割的图像智能适配显示方法 | |
CN105427242B (zh) | 基于内容感知的交互式网格约束变形图像自适应缩放方法 | |
Song et al. | A direction-decoupled non-local attention network for single image super-resolution | |
CN107154027B (zh) | 一种畸变图像复原的补偿方法及装置 | |
Shi et al. | Context saliency based image summarization | |
CN107918926B (zh) | 一种基于四边形和三角形面片的数字图像放大方法 | |
CN113139899A (zh) | 高质量轻量级超分辨率重建网络模型设计方法 | |
CN108449588B (zh) | 一种立体图像重定位方法 | |
CN111242140A (zh) | 一种非均匀光照下快速提取轮廓线的方法 | |
CN107977929A (zh) | 图像超分辨率处理方法和装置 |
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 |