CN109035159A - 一种图像优化处理方法、移动终端及计算机可读存储介质 - Google Patents
一种图像优化处理方法、移动终端及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109035159A CN109035159A CN201810679652.0A CN201810679652A CN109035159A CN 109035159 A CN109035159 A CN 109035159A CN 201810679652 A CN201810679652 A CN 201810679652A CN 109035159 A CN109035159 A CN 109035159A
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- feature
- local optimum
- determining
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 87
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 239000000284 extract Substances 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000000034 method Methods 0.000 claims description 30
- 230000006854 communication Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 20
- 238000004321 preservation Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 20
- 238000005516 engineering process Methods 0.000 abstract description 18
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 238000011176 pooling Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000009527 percussion Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像优化处理方法,包括:接收对待处理图像的指定区域的图像特征进行提取的提取指令;根据所述提取指令对所述待处理图像的指定区域进行图像特征提取;从预先存储的图像数据库中确定与所述图像特征匹配的图像;根据确定的图像对所述待处理图像进行局部优化处理,本发明还公开了一种移动终端以及计算机可读存储介质,解决了相关技术中图像优化效果单一导致用户体验差的问题,通过对用户指定区域的图像进行局部优化,丰富了图像优化处理的效果,提高了用户体验。
Description
技术领域
本发明涉及移动通信技术领域,尤其涉及一种图像优化处理方法、移动终端及计算机可读存储介质。
背景技术
现有技术中,对应背光或逆光场景下拍摄的成像效果较差的图像,通常通过高动态范围(High Dynamic Range,简称为HDR)进行一定的补偿。开启该功能时,在拍照时,会连拍三张图像,分别对应欠曝光,正常曝光和过曝光,再合成一幅图像,提升暗部和亮部的细节表现。但是HDR只能对拍摄得到的整幅图像进行全局处理,在拍摄主体图像的场景中此种情况可能会失效,因为即使过曝光后对于主体图像部分的曝光仍然不够,虽然有着一定的效果,但是还是会存在偏黑的情况。
针对上述存在的缺陷,相关技术中提出了一种图像优化方法,通过局部亮度增强的方式优化图像中的主体部分,可以解决逆光拍摄的图像中主体部分发黑的问题,但是上述图像优化方式的效果比较单一,仅仅可以实现对主体部分的亮度进行调节,导致用户体验差。
针对相关技术中图像优化效果单一导致用户体验差的问题,目前尚未提出解决方案。
发明内容
本发明的主要目的在于提出一种图像优化处理方法、移动终端及计算机可读存储介质,旨在解决相关技术中图像优化效果单一导致用户体验差的问题。
为实现上述目的,本发明实施例提出了一种图像优化处理方法,包括:
接收对待处理图像的指定区域的图像特征进行提取的提取指令;
根据所述提取指令对所述待处理图像的指定区域进行图像特征提取;
从预先存储的图像数据库中确定与所述图像特征匹配的图像;
根据确定的图像对所述待处理图像进行局部优化处理。
可选的,根据所述提取指令对所述待处理图像的指定区域进行图像特征提取包括:
根据所述提取指令计算通过双摄像头采集的所述待处理图像的指定区域的景深信息;
根据所述景深信息提取出所述待处理图像的指定区域的目标主体;
对所述目标主体进行人脸识别,获取所述目标主体的人脸特征信息。
可选的,从预先存储的图像数据库中确定与所述图像特征匹配的图像包括;
从预先存储的图像数据库中确定与所述人脸特征信息匹配的图像。
可选的,根据确定的图像对所述待处理图像进行局部优化处理包括:
提取确定的所述图像中所述人脸特征信息所在位置的特征信息;
根据所述特征信息对所述待处理图像中的所述目标主体进行局部优化处理。
可选的,根据所述提取指令对所述待处理图像的指定区域进行图像特征提取包括:
同时提取所述待处理图像的指定区域的尺度不变特征转换(Scale-invariantfeature transform,简称为SIFT)特征与协方差矩阵特征;
对所述SIFT特征与所述协方差矩阵特征分别进行局部约束线性编码(Locality-constrained Linear Coding,简称为LLC),得到所述待处理图像的指定区域的SIFT特征稀疏编码与协方差矩阵特征稀疏编码;
将所述SIFT特征稀疏编码经基于空间金字塔匹配(Spatial Pyramid Matching,简称为SPM)框架的池化处理后得到所述待处理图像的指定区域的SIFT特征表示,所述协方差矩阵特征稀疏编码经池化后得到所述待处理图像的指定区域的协方差特征表示;
将所述SIFT特征表示与所述协方差特征表示进行级联后形成所述待处理图像的指定区域的图像特征。
可选的,根据确定的图像对所述待处理图像进行局部优化处理包括:
在确定的图像为多张的情况下,获取确定的多张图像的图像特征;
将所述多张图像的图像特征进行平均处理得到所述多张图像的平均图像特征;
根据所述多张图像的平均图像特征对所述待处理图像进行局部优化处理。
可选的,在根据确定的图像对所述待处理图像进行局部优化处理之后,所述方法还包括:
接收完成局部优化的完成指令;
根据所述完成指令保存局部优化处理后的图像。
可选的,在根据所述完成指令保存局部优化处理后的图像之后,所述方法还包括:
接收将所述局部优化处理后的图像保存到所述图像数据库中的保存指令;
根据所述保存指令提取所述局部优化处理后的图像的图像特征;
将所述图像特征与所述优化处理后的图像关联后保存到所述图像数据库中。
根据本发明实施例的另一方面,还提供了一种移动终端,所述移动终端包括:处理器、存储器及通信总线,其中,
所述通信总线,用于实现所述处理器和所述存储器之间的连接通信;
所述处理器,用于执行存储器中存储的图像优化处理程序,以实现以下步骤:
对待处理图像进行图像特征提取;
从预先存储的图像数据库中确定与所述图像特征匹配的图像;
根据确定的图像对所述待处理图像进行局部优化处理。
可选的,所述处理器还用于执行图像优化处理程序,以实现以下步骤:
根据所述提取指令计算通过双摄像头采集的所述待处理图像的指定区域的景深信息;
根据所述景深信息提取出所述待处理图像的指定区域的目标主体;
对所述目标主体进行人脸识别,获取所述目标主体的人脸特征信息。
可选的,所述处理器还用于执行图像优化处理程序,以实现以下步骤:
从预先存储的图像数据库中确定与所述人脸特征信息匹配的图像。
可选的,所述处理器还用于执行图像优化处理程序,以实现以下步骤:
提取确定的所述图像中所述人脸特征信息所在位置的特征信息;
根据所述特征信息对所述待处理图像中的所述目标主体进行局部优化处理。
可选的,所述处理器还用于执行图像优化处理程序,以实现以下步骤:
同时提取所述待处理图像的指定区域的SIFT特征与协方差矩阵特征;
对所述SIFT特征与所述协方差矩阵特征分别进行局部约束线性编码LLC,得到所述待处理图像的指定区域的SIFT特征稀疏编码与协方差矩阵特征稀疏编码;
将所述SIFT特征稀疏编码经基于空间金字塔匹配SPM框架的池化处理后得到所述待处理图像的指定区域的SIFT特征表示,所述协方差矩阵特征稀疏编码经池化后得到所述待处理图像的指定区域的协方差特征表示;
将所述SIFT特征表示与所述协方差特征表示进行级联后形成所述待处理图像的指定区域的图像特征。
可选的,所述处理器还用于执行图像优化处理程序,以实现以下步骤:
在确定的图像为多张的情况下,获取确定的多张图像的图像特征;
将所述多张图像的图像特征进行平均处理得到所述多张图像的平均图像特征;
根据所述多张图像的平均图像特征对所述待处理图像进行局部优化处理。
可选的,所述处理器还用于执行图像优化处理程序,以实现以下步骤:
在根据确定的图像对所述待处理图像进行局部优化处理之后,接收完成局部优化的完成指令;
根据所述完成指令保存局部优化处理后的图像。
可选的,所述处理器还用于执行图像优化处理程序,以实现以下步骤:
在根据所述完成指令保存局部优化处理后的图像之后,接收将所述局部优化处理后的图像保存到所述图像数据库中的保存指令;
根据所述保存指令提取所述局部优化处理后的图像的图像特征;
将所述图像特征与所述优化处理后的图像关联后保存到所述图像数据库中。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述图像优化处理方法的步骤。
通过本发明,接收对待处理图像的指定区域的图像特征进行提取的提取指令;根据所述提取指令对所述待处理图像的指定区域进行图像特征提取;从预先存储的图像数据库中确定与所述图像特征匹配的图像;根据确定的图像对所述待处理图像进行局部优化处理,解决了相关技术中图像优化效果单一导致用户体验差的问题,通过对用户指定区域的图像进行局部优化,丰富了图像优化处理的效果,提高了用户体验。
附图说明
图1为实现本发明各个实施例一可选的移动终端的硬件结构示意图;
图2为如图1所示的移动终端的无线通信系统示意图;
图3是根据本发明实施例的图像优化处理方法的流程图;
图4是根据本发明实施例的图像局部优化处理的示意图一;
图5是根据本发明实施例的图像局部优化处理的示意图二;
图6是根据本发明实施例的图像局部优化处理的示意图三;
图7是根据本发明实施例的移动终端的示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
终端可以以各种形式来实施。例如,本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)、便捷式媒体播放器(Portable Media Player,PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端,以及诸如数字TV、台式计算机等固定终端。
后续描述中将以移动终端为例进行说明,本领域技术人员将理解的是,除了特别用于移动目的的元件之外,根据本发明的实施方式的构造也能够应用于固定类型的终端。
请参阅图1,其为实现本发明各个实施例的一种移动终端的硬件结构示意图,该移动终端100可以包括:RF(Radio Frequency,射频)单元101、WiFi模块102、音频输出单元103、A/V(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解,图1中示出的移动终端结构并不构成对移动终端的限定,移动终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图1对移动终端的各个部件进行具体的介绍:
射频单元101可用于收发信息或通话过程中,信号的接收和发送,具体的,将基站的下行信息接收后,给处理器110处理;另外,将上行的数据发送给基站。通常,射频单元101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元101还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于GSM(Global System of Mobile communication,全球移动通讯系统)、GPRS(General Packet Radio Service,通用分组无线服务)、CDMA2000(CodeDivision Multiple Access 2000,码分多址2000)、WCDMA(Wideband Code DivisionMultiple Access,宽带码分多址)、TD-SCDMA(Time Division-Synchronous CodeDivision Multiple Access,时分同步码分多址)、FDD-LTE(Frequency DivisionDuplexing-Long Term Evolution,频分双工长期演进)和TDD-LTE(Time DivisionDuplexing-Long Term Evolution,分时双工长期演进)等。
WiFi属于短距离无线传输技术,移动终端通过WiFi模块102可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图1示出了WiFi模块102,但是可以理解的是,其并不属于移动终端的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
音频输出单元103可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时,将射频单元101或WiFi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元103还可以提供与移动终端100执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。
A/V输入单元104用于接收音频或视频信号。A/V输入单元104可以包括图形处理器(Graphics Processing Unit,GPU)1041和麦克风1042,图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或WiFi模块102进行发送。麦克风1042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风1042接收声音(音频数据),并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。
移动终端100还包括至少一种传感器105,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1061的亮度,接近传感器可在移动终端100移动到耳边时,关闭显示面板1061和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元106可包括显示面板1061,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1061。
用户输入单元107可用于接收输入的数字或字符信息,以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1071上或在触控面板1071附近的操作),并根据预先设定的程式驱动相应的连接装置。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器110,并能接收处理器110发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1071。除了触控面板1071,用户输入单元107还可以包括其他输入设备1072。具体地,其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种,具体此处不做限定。
进一步的,触控面板1071可覆盖显示面板1061,当触控面板1071检测到在其上或附近的触摸操作后,传送给处理器110以确定触摸事件的类型,随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图1中,触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能,但是在某些实施例中,可以将触控面板1071与显示面板1061集成而实现移动终端的输入和输出功能,具体此处不做限定。
接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元108可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端100和外部装置之间传输数据。
存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器109可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器110是移动终端的控制中心,利用各种接口和线路连接整个移动终端的各个部分,通过运行或执行存储在存储器109内的软件程序和/或模块,以及调用存储在存储器109内的数据,执行移动终端的各种功能和处理数据,从而对移动终端进行整体监测。处理器110可包括一个或多个处理单元;优选的,处理器110可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器110中。
移动终端100还可以包括给各个部件供电的电源111(比如电池),优选的,电源111可以通过电源管理系统与处理器110逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图1未示出,移动终端100还可以包括蓝牙模块等,在此不再赘述。
为了便于理解本发明实施例,下面对本发明的移动终端所基于的通信网络系统进行描述。
请参阅图2,图2为本发明实施例提供的一种通信网络系统架构图,该通信网络系统为通用移动通信技术的LTE系统,该LTE系统包括依次通讯连接的UE(User Equipment,用户设备)201,E-UTRAN(Evolved UMTS Terrestrial Radio Access Network,演进式UMTS陆地无线接入网)202,EPC(Evolved Packet Core,演进式分组核心网)203和运营商的IP业务204。
具体地,UE201可以是上述终端100,此处不再赘述。
E-UTRAN202包括eNodeB2021和其它eNodeB2022等。其中,eNodeB2021可以通过回程(backhaul)(例如X2接口)与其它eNodeB2022连接,eNodeB2021连接到EPC203,eNodeB2021可以提供UE201到EPC203的接入。
EPC203可以包括MME(Mobility Management Entity,移动性管理实体)2031,HSS(Home Subscriber Server,归属用户服务器)2032,其它MME2033,SGW(Serving Gate Way,服务网关)2034,PGW(PDN Gate Way,分组数据网络网关)2035和PCRF(Policy andCharging Rules Function,政策和资费功能实体)2036等。其中,MME2031是处理UE201和EPC203之间信令的控制节点,提供承载和连接管理。HSS2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能,并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过SGW2034进行发送,PGW2035可以提供UE 201的IP地址分配以及其它功能,PCRF2036是业务数据流和IP承载资源的策略与计费控制策略决策点,它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。
IP业务204可以包括因特网、内联网、IMS(IP Multimedia Subsystem,IP多媒体子系统)或其它IP业务等。
虽然上述以LTE系统为例进行了介绍,但本领域技术人员应当知晓,本发明不仅仅适用于LTE系统,也可以适用于其他无线通信系统,例如GSM、CDMA2000、WCDMA、TD-SCDMA以及未来新的网络系统等,此处不做限定。
基于上述移动终端硬件结构以及通信网络系统,提出本发明方法各个实施例。
实施例1
基于上述的移动终端,本发明实施例提供了一种图像优化处理方法,图3是根据本发明实施例的图像优化处理方法的流程图,如图3所示,该方法包括以下步骤:
步骤S301,接收对待处理图像的指定区域的图像特征进行提取的提取指令;
步骤S302,根据所述提取指令对所述待处理图像的指定区域进行图像特征提取;
步骤S303,从预先存储的图像数据库中确定与所述图像特征匹配的图像;
步骤S304,根据确定的图像对所述待处理图像进行局部优化处理。
通过上述步骤,接收对待处理图像的指定区域的图像特征进行提取的提取指令;根据所述提取指令对所述待处理图像的指定区域进行图像特征提取;从预先存储的图像数据库中确定与所述图像特征匹配的图像;根据确定的图像对所述待处理图像进行局部优化处理,解决了相关技术中图像优化效果单一导致用户体验差的问题,通过对用户指定区域的图像进行局部优化,丰富了图像优化处理的效果,提高了用户体验。
图4是根据本发明实施例的图像局部优化处理的示意图一,如图4所示,用户通过点击编辑按钮,对待处理图像触发进入局部优化处理,移动终端接收到用户的触发指令之后进入图像局部优化处理界面。图5是根据本发明实施例的图像局部优化处理的示意图二,如图5所示,移动终端的显示界面进行局部优化的处理界面,此时,用户可以根据自己的需求选择指定区域。
在一个可选的实施例中,可以通过识别出指定区域的人脸特征实现对图像的局部优化。具体地,可以包括:根据所述提取指令计算通过双摄像头采集的所述待处理图像的指定区域的景深信息;根据所述景深信息提取出所述待处理图像的指定区域的目标主体;对所述目标主体进行人脸识别,获取所述目标主体的人脸特征信息。从预先存储的图像数据库中确定与所述人脸特征信息匹配的图像。提取确定的所述图像中所述人脸特征信息所在位置的特征信息;根据所述特征信息对所述待处理图像中的所述目标主体进行局部优化处理。
如图5所示,用户通过在移动终端的待处理图像中画圈的方式圈定指定区域,用户圈定了目标主体,即向移动终端触发局部优化的提取指令,之后移动终端根据用户的提取指令提取目标主体的特征信息,可以对目标主体进行人脸特征提取,通过提取的人脸特征信息从数据库中进行匹配,得到与该人脸特征信息匹配的图像,根据得到的图像中的该目标主体的相关数据,实现对待处理图像中的目标主体的局部优化。
在另一个可选的实施例中,根据所述提取指令对所述待处理图像的指定区域进行图像特征提取包括:同时提取所述待处理图像的指定区域的SIFT特征与协方差矩阵特征;对所述SIFT特征与所述协方差矩阵特征分别进行局部约束线性编码LLC,得到所述待处理图像的指定区域的SIFT特征稀疏编码与协方差矩阵特征稀疏编码;将所述SIFT特征稀疏编码经基于空间金字塔匹配SPM框架的池化处理后得到所述待处理图像的指定区域的SIFT特征表示,所述协方差矩阵特征稀疏编码经池化后得到所述待处理图像的指定区域的协方差特征表示;将所述SIFT特征表示与所述协方差特征表示进行级联后形成所述待处理图像的指定区域的图像特征。从预先存储的图像数据库中确定与所述图像特征匹配的图像;根据确定的图像对所述待处理图像进行局部优化处理。
可选的,在根据所述提取指令对所述待处理图像的指定区域进行图像特征提取之前,所述方法还包括:同时提取多张图像的SIFT特征与协方差矩阵特征;对每张图像的所述SIFT特征与所述协方差矩阵特征分别进行局部约束线性编码LLC,得到每张图像的SIFT特征稀疏编码与协方差矩阵特征稀疏编码;将所述SIFT特征稀疏编码经基于空间金字塔匹配SPM框架的池化处理后得到每张图像的SIFT特征表示,所述协方差矩阵特征稀疏编码经池化后得到每张图像的协方差特征表示;将SIFT特征表示与所述协方差特征表示进行级联后形成每张图像的图像特征;将每张图像的图像特征保存到图像数据库中。
用户可以圈定任何一物体或景物作为指定区域,图6是根据本发明实施例的图像局部优化处理的示意图三,如图6所示,用户通过在触摸屏上画圈或拖动选定圈的方式圈定太阳,即向移动终端触发局部优化的提取指令,之后移动终端根据用户的提取指令提取太阳的特征信息,提取所在区域的图像特征,从数据库中进行匹配,得到与该图像特征匹配的图像,根据得到的图像中的太阳的相关数据,实现对待处理图像中的太阳的局部优化。当然也可以是其他物体,在此不再赘述。
为了方便地描述本发明内容,首先对一些术语进行说明。
特征区域:特征区域是在图像上均匀划分出来的栅格,这些栅格中包含了图像的边缘纹理和方向信息。这些信息对于特定的图像都是非常稳定的,它们代表了图像的大体轮廓,具有较好区分性。
特征描述子:特征描述子(Descriptor)是对特征区域附近局部特征的定量化数据描述,一个好的特征描述子应该能够充分表达特征点局部图像的形状和纹理结构,具备高的鲁棒性、独特性和区分性。通俗地说,就是用一个向量来表示一个局部区域的特征。
稀疏编码:由于自然图像信号的稀疏性,图像信号I(x,y)可分解为一组基的线性组合。
其中,αi是各个基的系数,为基。若αi中只有很少数的值不为零,那么,αi就是图像信号I(x,y)的稀疏编码。稀疏编码算法是一种无监督学习方法,它用来寻找一组“超完备”基向量来更高效地表示样本数据。
max-pooling:max-pooling为池化方式的一种,它是一个函数。对于图像M个特征描述子集合组成的矩阵U=[u1,u2,…,uM]T。每个ui即为一个特征描述子的稀疏编码。定义池化函数z=F(U)。其中,z=[z1,z2,…,zM],
zj=max{|u1j|,|u2j|,…,|uMj|},zj是z的第j个元素,uij是矩阵U的第i行第j列的元素。最大化池化技术是根据人脑视觉皮层中生物学方面的证据来建立的,捕获了各个维度的突出点,具有较强的鲁棒性。
图像稀疏表示:图像的稀疏表示是在SPM框架内,将图像各个区域内池化后的向量z级联起来,从而表示一幅图像的过程。
SPD矩阵:正定对称矩阵。
L2ECM:局部对数欧拉协方差矩阵,图像中每个像素点的协方差矩阵是个SPD矩阵。
LLC:局部约束线性编码Locality-constrained Linear Coding。
LCM:局部协方差矩阵Local Covariance Matrix。
像分类方法的算法,包含以下步骤:
步骤1:在C类图像中,每类随机选取M幅图像作为训练图像。
步骤2:采用LLC技术进行图像的SIFT特征表示:
步骤21:采用密集SIFT算法计算图像的特征描述子,本实施例采用每隔8个像素点取一个16×16的栅格。
步骤22:对每幅图像每个特征描述子采用LLC技术进行编码,这样就得到每幅图像的编码矩阵U=[u1,u2,…,us]T。其中ui是每个特征描述子的编码,维数为K1,K1为经验值。s是描述子的个数。
步骤23:采用SPM框架进行池化。将图像分成3层,第0层将整幅图像作为一个区域,对应编码矩阵U,对U的每一列应用max-pooling技术,得到向量z0。然后,第1层将整幅图像均匀划分为4个区域。按从左往右、从上到下对应的编码矩阵分别为U00、U01、U10、U11,同样对每个编码矩阵按列应用max-pooling池化技术,得到向量z1,z2,z3,z4。同样地,第2层将整幅图像均匀划分为16个区域,池化后得到z5,z6,…,z20。
步骤24:对z0,z2,z3,…,z20加权后级联起来,得到图像SIFT特征表示向量Z1。按第0层权值为1/4,第1层权值为1/4,第2层权值为1/2。
步骤3:用局部协方差特征来表示图像:
步骤301:已知灰度级图像I(x,y),提取出图像融合特征f(x,y):
f(x,y)中每一项表示一种图像特征。其中|·|表示绝对值;Ix、Ixx分别表示(x,y)处的像素值在x方向的一阶偏导和二阶偏导;同理,Iy,Iyy分别表示(x,y)处的像素值在y方向的一阶偏导和二阶偏导;最后两项是边缘方向和梯度值。这里的特征还可以根据需求进行增减。
步骤32:在图像每个像素(x,y)处计算协方差矩阵Ci。即,以像素点(x,y)为中心,选取N×N的矩形区域,N=16,计算像素点(x,y)处协方差矩阵。此处Ci为6维SPD矩阵。
步骤33:从上到下,从左到右,每隔T个像素点取一个协方差矩阵Ci,并将每一个协方差矩阵进行向量化。T=6。即,将一个N×N矩阵,从上到下,从左往右取值,然后组合成一个长度为N2的向量。
步骤34:对每幅图像每个局部协方差特征描述子采用LLC技术进行编码,这样就得到每幅图像的编码矩阵V=[v1,v2,…,vs]T。其中vi是每个特征描述子的编码,维数为K2,K2为经验值。
步骤35:采用SPM框架进行池化。将图像分成3层,第0层将整幅图像作为一个区域,对应编码矩阵V,对V的每一列应用max-pooling技术,得到向量t0。然后,第1层将整幅图像均匀划分为4个区域。按从左往右、从上到下对应的编码矩阵分别为V00、V01、V10、V11,同样对每个编码矩阵按列应用max-pooling池化技术,得到向量t1,t2,t3,t4。同样地,第2层将整幅图像均匀划分为16个区域,池化后得到t5,t6,…,t20。
步骤36:对t0,t1,t2,…,t20加权后级联起来,得到图像协方差特征表示向量Z2。按第0层权值为1/4,第1层权值为1/4,第2层权值为1/2。
步骤4:将Z1,Z2级联起来得到最终训练图像表示Z。
步骤5:将所有的训练图像输入线性SVM分类器进行训练。
之后,对于待分来的图像也使用上述方法提取图像表示后输入训练好的线性SVM分类器完成分类。
根据待处理图像的图像特征从图像数据库中获取匹配的图像时,可能只获取到一张图像,也可能获取到多张图像,在获取到的图像为一张的情况下,直接根据获取到的图像的图像特征对待处理图像进行局部优化即可;在确定的图像为多张的情况下,获取确定的多张图像的图像特征;将所述多张图像的图像特征进行平均处理得到所述多张图像的平均图像特征;根据所述多张图像的平均图像特征对所述待处理图像进行局部优化处理。
进一步的,在根据确定的图像对所述待处理图像进行局部优化处理之后,所述方法还包括:接收完成局部优化的完成指令,根据所述完成指令保存局部优化处理后的图像。移动终端在接收到用户的完成之后将图像保存到图相册中,用户可以随时查看。当然如果用户对局部优化后的图像效果并不满意,也可以点击取消,移动终端接收到用户触发的取消指令之后,退出图像编辑界面。
如果用户对图像局部优化的效果非常满意,可以将局部优化后的图像保存到图像数据库中,作为以后优化的样本,具体地,移动终端在根据所述完成指令保存局部优化处理后的图像之后,接收将所述局部优化处理后的图像保存到所述图像数据库中的保存指令;根据所述保存指令提取所述局部优化处理后的图像的图像特征;将所述图像特征与所述优化处理后的图像关联后保存到所述图像数据库中。通过上述方式,扩大了图像数据库,当然也可以通过将用户喜欢的图像保存到图像数据库中,使得后续实现局部优化的样本更多,使得优化的效果更能达到用户的需求,进一步提高用户的体验。
本发明实施例,通过特征识别算法对照片的场景进行识别,抽取出特征,灵活的进行局部优化。用户在玩拍照时,通过“视界”APP,将许多优秀的照片汇集在图片库中,视界的后台有大量的照片数据。可以通过特征识别算法对这些照片进行特征的提取,并且根据特征进行分类当用户通过相机进行拍照,进行后台自动修图时,根据当前的照片进行特征的提取,在图片库中寻找相似的照片,通过图片库的特征,补偿当前的照片,例如:对曝光不足的区域提升亮度,对噪声大的区域进行局部降噪处理,对色彩失真的部分进行饱和度处理,根据形似图片的特征,修改当前的图片,使得当前的照片可以根据过去类似场景的优秀图片,灵活的进行优化。
具体可以包括以下步骤:
1.对视界图片库中的大量图片进行特征提取,根据所提取的特征进行分类(例如:人物自拍照,阳光风景,流水倒影等);
2.对当前所拍射的图片进行特征提取,找出特征,根据当前图片的特征在分类好的图片进行模糊匹配,找到与当前图片特征相似的n张图片(数值n是候选图片的数量,用户可以自己选择,默认的n>3)候选图片的数量的数量越多,计算的时间越长,同时最终的效果越好;
3.对当前图片的特征值(例如曝光度,饱和度,噪声等特征)与相似图的特征进行对比,根据多张相似图中的某个特征的数值,进行平均值处理。补偿当前图片特征值不足的部分,进行自动修图;
4.在处理后,用户如果感觉优化效果很不错,可以将此照片上传到视界图片库中,成为候选图片。用户如果感觉优化效果不理想,可以将当前图片退回初始,自己手动修图。
随着用户将更多的优质图片放入图片库中,修图的效果会逐渐提升,越来越好。
实施例2
根据本发明实施例的另一方面,还提供了一种移动终端,图7是根据本发明实施例的移动终端的示意图,如图7所示,所述移动终端包括:处理器110、存储器109及通信总线,其中,
所述通信总线,用于实现所述处理器110和所述存储器109之间的连接通信;
所述处理器110,用于执行存储器109中存储的图像优化处理程序,以实现以下步骤:
对待处理图像进行图像特征提取;
从预先存储的图像数据库中确定与所述图像特征匹配的图像;
根据确定的图像对所述待处理图像进行局部优化处理。
可选的,所述处理器110还用于执行图像优化处理程序,以实现以下步骤:
根据所述提取指令计算通过双摄像头采集的所述待处理图像的指定区域的景深信息;
根据所述景深信息提取出所述待处理图像的指定区域的目标主体;
对所述目标主体进行人脸识别,获取所述目标主体的人脸特征信息。
可选的,所述处理器110还用于执行图像优化处理程序,以实现以下步骤:
从预先存储的图像数据库中确定与所述人脸特征信息匹配的图像。
可选的,所述处理器110还用于执行图像优化处理程序,以实现以下步骤:
提取确定的所述图像中所述人脸特征信息所在位置的特征信息;
根据所述特征信息对所述待处理图像中的所述目标主体进行局部优化处理。
可选的,所述处理器110还用于执行图像优化处理程序,以实现以下步骤:
同时提取所述待处理图像的指定区域的SIFT特征与协方差矩阵特征;
对所述SIFT特征与所述协方差矩阵特征分别进行局部约束线性编码LLC,得到所述待处理图像的指定区域的SIFT特征稀疏编码与协方差矩阵特征稀疏编码;
将所述SIFT特征稀疏编码经基于空间金字塔匹配SPM框架的池化处理后得到所述待处理图像的指定区域的SIFT特征表示,所述协方差矩阵特征稀疏编码经池化后得到所述待处理图像的指定区域的协方差特征表示;
将所述SIFT特征表示与所述协方差特征表示进行级联后形成所述待处理图像的指定区域的图像特征。
可选的,所述处理器110还用于执行图像优化处理程序,以实现以下步骤:
在根据所述提取指令对所述待处理图像的指定区域进行图像特征提取之前,同时提取多张图像的SIFT特征与协方差矩阵特征;
对每张图像的所述SIFT特征与所述协方差矩阵特征分别进行局部约束线性编码LLC,得到每张图像的SIFT特征稀疏编码与协方差矩阵特征稀疏编码;
将所述SIFT特征稀疏编码经基于空间金字塔匹配SPM框架的池化处理后得到每张图像的SIFT特征表示,所述协方差矩阵特征稀疏编码经池化后得到每张图像的协方差特征表示;
将SIFT特征表示与所述协方差特征表示进行级联后形成每张图像的图像特征;
将每张图像的图像特征保存到图像数据库中。
可选的,所述处理器110还用于执行图像优化处理程序,以实现以下步骤:
在确定的图像为多张的情况下,获取确定的多张图像的图像特征;
将所述多张图像的图像特征进行平均处理得到所述多张图像的平均图像特征;
根据所述多张图像的平均图像特征对所述待处理图像进行局部优化处理。
可选的,所述处理器110还用于执行图像优化处理程序,以实现以下步骤:
在根据确定的图像对所述待处理图像进行局部优化处理之后,接收完成局部优化的完成指令;
根据所述完成指令保存局部优化处理后的图像。
可选的,所述处理器110还用于执行图像优化处理程序,以实现以下步骤:
在根据所述完成指令保存局部优化处理后的图像之后,接收将所述局部优化处理后的图像保存到所述图像数据库中的保存指令;
根据所述保存指令提取所述局部优化处理后的图像的图像特征;
将所述图像特征与所述优化处理后的图像关联后保存到所述图像数据库中。
实施例3
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述图像优化处理方法的以下步骤:
S11,接收对待处理图像的指定区域的图像特征进行提取的提取指令;
S12,根据所述提取指令对所述待处理图像的指定区域进行图像特征提取;
S13,从预先存储的图像数据库中确定与所述图像特征匹配的图像;
S14,根据确定的图像对所述待处理图像进行局部优化处理。
本发明实施例,接收对待处理图像的指定区域的图像特征进行提取的提取指令;根据所述提取指令对所述待处理图像的指定区域进行图像特征提取;从预先存储的图像数据库中确定与所述图像特征匹配的图像;根据确定的图像对所述待处理图像进行局部优化处理,解决了相关技术中图像优化效果单一导致用户体验差的问题,通过对用户指定区域的图像进行局部优化,丰富了图像优化处理的效果,提高了用户体验。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种图像优化处理方法,其特征在于,包括:
接收对待处理图像的指定区域的图像特征进行提取的提取指令;
根据所述提取指令对所述待处理图像的指定区域进行图像特征提取;
从预先存储的图像数据库中确定与所述图像特征匹配的图像;
根据确定的图像对所述待处理图像进行局部优化处理。
2.根据权利要求1所述的方法,其特征在于,根据所述提取指令对所述待处理图像的指定区域进行图像特征提取包括:
根据所述提取指令计算通过双摄像头采集的所述待处理图像的指定区域的景深信息;
根据所述景深信息提取出所述待处理图像的指定区域的目标主体;
对所述目标主体进行人脸识别,获取所述目标主体的人脸特征信息。
3.根据权利要求2所述的方法,其特征在于,从预先存储的图像数据库中确定与所述图像特征匹配的图像包括;
从预先存储的图像数据库中确定与所述人脸特征信息匹配的图像。
4.根据权利要求3所述的方法,其特征在于,根据确定的图像对所述待处理图像进行局部优化处理包括:
提取确定的所述图像中所述人脸特征信息所在位置的特征信息;
根据所述特征信息对所述待处理图像中的所述目标主体进行局部优化处理。
5.根据权利要求1所述的方法,其特征在于,根据所述提取指令对所述待处理图像的指定区域进行图像特征提取包括:
同时提取所述待处理图像的指定区域的尺度不变特征转换SIFT特征与协方差矩阵特征;
对所述SIFT特征与所述协方差矩阵特征分别进行局部约束线性编码LLC,得到所述待处理图像的指定区域的SIFT特征稀疏编码与协方差矩阵特征稀疏编码;
将所述SIFT特征稀疏编码经基于空间金字塔匹配SPM框架的池化处理后得到所述待处理图像的指定区域的SIFT特征表示,所述协方差矩阵特征稀疏编码经池化后得到所述待处理图像的指定区域的协方差特征表示;
将所述SIFT特征表示与所述协方差特征表示进行级联后形成所述待处理图像的指定区域的图像特征。
6.根据权利要求1至5中任一项所述的方法,其特征在于,根据确定的图像对所述待处理图像进行局部优化处理包括:
在确定的图像为多张的情况下,获取确定的多张图像的图像特征;
将所述多张图像的图像特征进行平均处理得到所述多张图像的平均图像特征;
根据所述多张图像的平均图像特征对所述待处理图像进行局部优化处理。
7.根据权利要求6中任一项所述的方法,其特征在于,在根据确定的图像对所述待处理图像进行局部优化处理之后,所述方法还包括:
接收完成局部优化的完成指令;
根据所述完成指令保存局部优化处理后的图像。
8.根据权利要求7所述的方法,其特征在于,在根据所述完成指令保存局部优化处理后的图像之后,所述方法还包括:
接收将所述局部优化处理后的图像保存到所述图像数据库中的保存指令;;
根据所述保存指令提取所述局部优化处理后的图像的图像特征;
将所述图像特征与所述优化处理后的图像关联后保存到所述图像数据库中。
9.一种移动终端,其特征在于,所述移动终端包括:处理器、存储器及通信总线,其中,
所述通信总线,用于实现所述处理器和所述存储器之间的连接通信;
所述处理器,用于执行存储器中存储的图像优化处理程序,以实现权利要求1-8中任一项所述的图像优化处理方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1-8中任一项所述的图像优化处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810679652.0A CN109035159A (zh) | 2018-06-27 | 2018-06-27 | 一种图像优化处理方法、移动终端及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810679652.0A CN109035159A (zh) | 2018-06-27 | 2018-06-27 | 一种图像优化处理方法、移动终端及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109035159A true CN109035159A (zh) | 2018-12-18 |
Family
ID=64610884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810679652.0A Pending CN109035159A (zh) | 2018-06-27 | 2018-06-27 | 一种图像优化处理方法、移动终端及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035159A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100169576A1 (en) * | 2008-12-31 | 2010-07-01 | Yurong Chen | System and method for sift implementation and optimization |
CN104778476A (zh) * | 2015-04-10 | 2015-07-15 | 电子科技大学 | 一种图像分类方法 |
CN105303543A (zh) * | 2015-10-23 | 2016-02-03 | 努比亚技术有限公司 | 图像增强方法及移动终端 |
CN106855997A (zh) * | 2016-11-30 | 2017-06-16 | 努比亚技术有限公司 | 图片的处理方法及装置 |
CN107358241A (zh) * | 2017-06-30 | 2017-11-17 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN107370960A (zh) * | 2016-05-11 | 2017-11-21 | 联发科技股份有限公司 | 图像处理方法 |
CN107404617A (zh) * | 2017-07-21 | 2017-11-28 | 努比亚技术有限公司 | 一种拍摄方法及终端、计算机存储介质 |
-
2018
- 2018-06-27 CN CN201810679652.0A patent/CN109035159A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100169576A1 (en) * | 2008-12-31 | 2010-07-01 | Yurong Chen | System and method for sift implementation and optimization |
CN104778476A (zh) * | 2015-04-10 | 2015-07-15 | 电子科技大学 | 一种图像分类方法 |
CN105303543A (zh) * | 2015-10-23 | 2016-02-03 | 努比亚技术有限公司 | 图像增强方法及移动终端 |
CN107370960A (zh) * | 2016-05-11 | 2017-11-21 | 联发科技股份有限公司 | 图像处理方法 |
CN106855997A (zh) * | 2016-11-30 | 2017-06-16 | 努比亚技术有限公司 | 图片的处理方法及装置 |
CN107358241A (zh) * | 2017-06-30 | 2017-11-17 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN107404617A (zh) * | 2017-07-21 | 2017-11-28 | 努比亚技术有限公司 | 一种拍摄方法及终端、计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107172364A (zh) | 一种图像曝光补偿方法、装置和计算机可读存储介质 | |
CN110163806B (zh) | 一种图像处理方法、装置以及存储介质 | |
CN108234882B (zh) | 一种图像虚化方法及移动终端 | |
CN108322644A (zh) | 一种图像处理方法、移动终端以及计算机可读存储介质 | |
CN107093418A (zh) | 一种屏幕显示方法、计算机设备及存储介质 | |
CN109167910A (zh) | 对焦方法、移动终端及计算机可读存储介质 | |
WO2021098338A1 (zh) | 一种模型训练的方法、媒体信息合成的方法及相关装置 | |
CN107566739A (zh) | 一种拍照方法及移动终端 | |
CN107705251A (zh) | 图片拼接方法、移动终端及计算机可读存储介质 | |
CN107493426A (zh) | 一种信息采集方法、设备和计算机可读存储介质 | |
CN108600647A (zh) | 拍摄预览方法、移动终端及存储介质 | |
CN108053371A (zh) | 一种图像处理方法、终端及计算机可读存储介质 | |
CN108198159A (zh) | 一种图像处理方法、移动终端以及计算机可读存储介质 | |
CN108682040A (zh) | 一种素描图像生成方法、终端及计算机可读存储介质 | |
CN108170817A (zh) | 照片主体的演变视频获取方法、装置及可读存储介质 | |
CN108182726A (zh) | 三维重建方法、云端服务器及计算机可读存储介质 | |
CN108230270A (zh) | 一种降噪方法、终端及计算机可读存储介质 | |
CN109300099A (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
CN108174093A (zh) | 拍摄瞬间图像的方法、设备及计算机可存储介质 | |
CN107704514A (zh) | 一种照片管理方法、装置及计算机可读存储介质 | |
CN107909540A (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
CN108198162A (zh) | 照片处理方法、移动终端、服务器、系统、存储介质 | |
CN107678650A (zh) | 一种图片识别方法、移动终端及计算机可读存储介质 | |
CN107992824A (zh) | 拍照处理方法、移动终端及计算机可读存储介质 | |
CN107563975A (zh) | 图像亮度调节方法、终端及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |