CN109146780A - 一种影像质量优化方法、计算机装置及可读存储介质 - Google Patents
一种影像质量优化方法、计算机装置及可读存储介质 Download PDFInfo
- Publication number
- CN109146780A CN109146780A CN201810798614.7A CN201810798614A CN109146780A CN 109146780 A CN109146780 A CN 109146780A CN 201810798614 A CN201810798614 A CN 201810798614A CN 109146780 A CN109146780 A CN 109146780A
- Authority
- CN
- China
- Prior art keywords
- image
- quality
- enhancing
- obtains
- color space
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000009434 installation Methods 0.000 title claims abstract description 14
- 230000002708 enhancing effect Effects 0.000 claims abstract description 44
- 230000003321 amplification Effects 0.000 claims abstract description 26
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000003384 imaging method Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 239000003086 colorant Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10024—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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明适用于计算机技术领域，提供了一种影像质量优化方法、计算机装置及可读存储介质。该方法包括获取待处理的原始影像；对所述原始影像进行第一色彩空间转换，得到第一影像和第二影像；基于影像质量强化算法，对所述第一影像进行自适应影像增强和放大，并增加其分辨率，得到初步增强影像；对所述第二影像与所述初步增强影像进行结合，得到结合影像；对所述结合影像进行第二色彩空间转换，得到最终增强影像；输出所述最终增强影像。实施本发明，可以在不损失图像真实性或者损失率很低的情况下明显地提高图像的分辨率(清晰度)，尤其适用于分辨率图像/照片的优化升级，综合提高影像的质量，改善影像的视觉效果。
Description
技术领域
本发明属于计算机技术领域，尤其涉及一种影像质量优化方法、计算机装置及可读存储介质。
背景技术
影像处理在40多年的时间里，迅速发展成一门独立的有强大生命力的学科，影像增强技术已逐步涉及人类生活和社会生产的各个方面。
但是，现有的影像增强技术一般是在原始图像增强之前使用插值法来增加图像的尺寸，但是，图像尺寸被放大后，图像会产生锯齿边缘，且分辨率降低，从而导致图像质量下降。
可见，现有的影像增强技术存在图像放大后分辨率降低，图像质量下降的问题。
发明内容
本发明实施例提供一种影像质量优化方法，旨在解决现有技术中因图像放大而导致其分辨率降低，图像质量下降的问题。
本发明实施例是这样实现的，一种影像质量优化方法，该方法包括如下步骤：
获取待处理的原始影像；
对所述原始影像进行第一色彩空间转换，得到第一影像和第二影像；
基于影像质量强化算法，对所述第一影像进行自适应影像增强和放大，并增加其分辨率，得到初步增强影像；
对所述第二影像与所述初步增强影像进行结合，得到结合影像；
对所述结合影像进行第二色彩空间转换，得到最终增强影像；
输出所述最终增强影像。
本发明实施例还提供一种计算机装置，所述计算机装置包括：处理器，用于执行存储器中存储的计算机程序时实现上述方法的各步骤。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序/指令，所述计算机程序/指令被所述处理器执行时实现上述方法的各步骤。
本发明实施例提供的影像质量优化方法，通过对原始影像进行第一色彩空间转换，得到不同特征的第一影像和第二影像，并基于影像质量强化算法，对上述第一影像进行自适应影像增强和放大以优化图像的质量，可在图像放大后仍能保持图像的质量(如分辨率)，同时通过在自适应增强和放大第一影像时增加其分辨率，以减少图像的失真；再对第二影像和初步增强影像进行结合，得到结合影像，并对该结合影像进行第二色彩空间转换，得到既可保持原始图像的真实性，而且分辨率得到较大提高的清晰的最终增强影像。可见，本发明方法可以很好地解决现有技术中因图像放大而导致图像分辨率降低，图像质量下降的问题。
附图说明
图1是本发明实施例一提供的影像质量优化方法的实现流程图；
图2是本发明实施例提供的影像质量优化装置的结构示意图；
图3a是本发明实验例一提供的一乐器原始摄影图像；
图3b是本发明实验例一提供的图3a经本发明方法处理后的乐器摄影图像；
图4a是本发明实验例二提供的一人物风景原始照片；
图4b是本发明实验例二提供的图4a经本发明方法处理后的人物风景照片；
图5是本发明实验例三提供的一视频影像采用本发明方法优化升级前后的对比结果图；
图6是本发明实验例三提供的另一视频影像采用本发明方法优化升级前后的对比结果图；
图7a是本发明实验例四提供的利用本发明方法定义的生成器神经网络的部分结构示意图；
图7b是本发明实验例四提供的利用本发明方法定义的鉴别器神经网络的部分结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一影像也可以被称为第二影像，不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。类似地，第二影像也可以被称为第一影像。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。
为了进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下。
本发明实施例提供的影像质量优化方法，基于影像质量强化算法，对上述第一影像进行自适应影像增强和放大以优化图像的质量，可在图像放大后仍能保持图像的质量(如分辨率)，同时通过在自适应增强和放大第一影像时增加其分辨率，以减少图像的失真；再对第二影像和初步增强影像进行结合，得到结合影像，并对该结合影像进行第二色彩空间转换，得到既可保持原始图像的真实性，而且分辨率得到较大提高的清晰的最终增强影像。
图1示出了本发明实施例一提供的影像质量优化方法的实现流程，详述如下：
在步骤S101中，获取待处理的原始影像。
在本发明实施例中，原始影像包括录像、视频、图像、图片等。
在步骤S102中，对所述原始影像进行第一色彩空间转换，得到第一影像和第二影像。
在本发明实施例中，色彩空间也叫色域，实际上就是各种色彩的集合范围。色彩的种类越多，色彩空间越大，能够表现的色彩范围(即色域)就越广。对于具体的图像设备而言，其色彩空间就是这个图像设备所能表现的色彩的总和。
经常用到的色彩空间类型有RGB、CMYK、Lab、YUV等。几乎所有的彩色成像设备和彩色显示设备都采用RGB(Red/Green/Blue，红绿蓝)三基色，不仅如此，数字图像文件的常用存储形式，也以RGB三基色为主，由RGB三基色为坐标形成的空间称为RGB彩色空间。
RGB空间与HSV和HSL空间之间可以相互转换，以方便不同的用途使用。
在步骤S103中，基于影像质量强化算法，对所述第一影像进行自适应影像增强和放大，并增加其分辨率，得到初步增强影像。
在本发明实施例中，基于影像质量强化算法，对第一影像进行自适应影像增强和放大以优化放大图像的质量，并且增加处理图像的分辨率以提高图像质量并减少图像失真，例如由图像放大导致的模糊和锯齿状边缘。
在本发明的一个优选实施例中，可通过影像质量强化算法自适应地增强不同类型的图像和挤出对象细节来优化图像质量，以进一步减少图像的失真并提高图像的分辨率。
在步骤S104中，对所述第二影像与所述初步增强影像进行结合，得到结合影像。
在本发明实施例中，将不同色彩空间的影像进行结合，可保留原始图像的各轮廓细节。
在步骤S105中，对所述结合影像进行第二色彩空间转换，得到最终增强影像。
在本发明实施例中，通过对上述结合影像进行第二色彩空间转换，得到与原始图像的色彩空间差不多，且分辨率显著提高的最终增强影像。
在步骤S106中，输出所述最终增强影像。
本发明实施例提供的影像质量优化方法，通过对原始影像进行第一色彩空间转换，得到不同特征的第一影像和第二影像，并基于影像质量强化算法，对上述第一影像进行自适应影像增强和放大以优化图像的质量，可在图像放大后仍能保持图像的质量(如分辨率)，同时通过在自适应增强和放大第一影像时增加其分辨率，以减少图像的失真；再对第二影像和初步增强影像进行结合，得到结合影像，并对该结合影像进行第二色彩空间转换，得到既可保持原始图像的真实性，而且分辨率得到较大提高的清晰的最终增强影像。可见，本发明方法可以很好地解决现有技术中因图像放大而导致图像分辨率降低，图像质量下降的问题。
本发明实施例二提供的影像质量优化方法的实现流程与实施例一的不同之处仅在于：将上述步骤S102替换为下述步骤：对所述原始图像进行RGB到HSV的空间转换，得到亮度通道的第一影像和色度通道的第二影像。
本发明实施例三提供的影像质量优化方法的实现流程与实施例一的不同之处仅在于：将上述步骤S103替换为下述步骤：基于反双曲正切函数，对所述第一影像的亮度和对比度进行自适应增强和放大，并增加其分辨率，得到初步增强影像。
本发明实施例四提供的影像质量优化方法的实现流程与实施例一的不同之处在于：在上述步骤S102之前还包括步骤：基于所述原始图像的光分布偏差和增益控制反双曲正切曲线的形状，得到第一反双曲正切曲线函数。
将上述步骤S102替换为下述步骤：基于所述第一反双曲正切曲线函数对所述第一影像的亮度和对比度进行自适应增强和放大，并增加其分辨率，得到初步增强影像。
在本发明实施例中，第一反双曲正切曲线函数是在现有的反双曲正切曲线函数的基础上添加光分布偏差参数和增益函数得到，具体的：
其中，式(1)的运算结果可以通过tanh-1(x)的定义中的代数推导出来，或者通过将其转换为导数，然后经过积分运算得出。可利用式(1)反双曲正切函数来增强第一影像的对比度。
式(2)是通过向式(1)添加偏差和增益参数来控制式(1)的曲线形状，并得到变形后的式(2)，即第一反双曲正切曲线函数。
其中，增益参数用于帮助确定软区域中影像物体的中间范围从0到1的速度，增益值越高则表示速度变化率越高，因此，通过添加增益参数可进一步动态调整反双曲正切函数曲线的陡度。
本发明实施例五提供的影像质量优化方法的实现流程与实施例一的不同之处在于：将上述步骤S105替换为下述步骤：对所述结合影像进行HSV到RGB的空间转换，得到最终增强图像。
在本发明实施例中，通过将结合影像进行HSV到RGB的空间转换，可以合成得到与原始图像色彩差异不大，且清晰度比原始图像要高的最终增强图像。
图2示出了本发明实施例提供的一种影像质量优化装置的结构示意图，为了便于说明，仅示出了与本实施例相关的部分。
本发明实施例提供了一种影像质量优化装置，包括：
原始影像获取单元201，用于获取待处理的原始影像。
在本发明实施例中，原始影像包括录像、视频、图像、图片等。
第一色彩空间转换单元202，用于对所述原始影像进行第一色彩空间转换，得到第一影像和第二影像。
在本发明实施例中，色彩空间也叫色域，实际上就是各种色彩的集合范围。色彩的种类越多，色彩空间越大，能够表现的色彩范围(即色域)就越广。对于具体的图像设备而言，其色彩空间就是这个图像设备所能表现的色彩的总和。
经常用到的色彩空间类型有RGB、CMYK、Lab、YUV等。几乎所有的彩色成像设备和彩色显示设备都采用RGB(Red/Green/Blue，红绿蓝)三基色，不仅如此，数字图像文件的常用存储形式，也以RGB三基色为主，由RGB三基色为坐标形成的空间称为RGB彩色空间。
RGB空间与HSV和HSL空间之间可以相互转换，以方便不同的用途使用。
影像初步增强单元203，用于基于影像质量强化算法，对所述第一影像进行自适应影像增强和放大，并增加其分辨率，得到初步增强影像。
在本发明实施例中，影像初步增强单元203基于影像质量强化算法，对第一影像进行自适应影像增强和放大以优化放大图像的质量，并且增加处理图像的分辨率以提高图像质量并减少图像失真，例如由图像放大导致的模糊和锯齿状边缘。
在本发明的一个优选实施例中，影像初步增强单元203可通过影像质量强化算法自适应地增强不同类型的图像和挤出对象细节来优化图像质量，以进一步减少图像的失真并提高图像的分辨率。
影像结合单元204，用于对所述第二影像与所述初步增强影像进行结合，得到结合影像。
在本发明实施例中，将不同色彩空间的影像进行结合，可保留原始图像的各轮廓细节。
第二色彩空间转换单元205，用于对所述结合影像进行第二色彩空间转换，得到最终增强影像。
在本发明实施例中，通过第二色彩空间转换单元205对上述结合影像进行第二色彩空间转换，得到与原始图像的色彩空间差不多，且分辨率显著提高的最终增强影像。
影像输出单元206，用于输出所述最终增强影像。
本发明实施例提供的影像质量优化装置，通过对原始影像进行第一色彩空间转换，得到不同特征的第一影像和第二影像，并基于影像质量强化算法，对上述第一影像进行自适应影像增强和放大以优化图像的质量，可在图像放大后仍能保持图像的质量(如分辨率)，同时通过在自适应增强和放大第一影像时增加其分辨率，以减少图像的失真；再对第二影像和初步增强影像进行结合，得到结合影像，并对该结合影像进行第二色彩空间转换，得到既可保持原始图像的真实性，而且分辨率得到较大提高的清晰的最终增强影像。可见，本发明方法可以很好地解决现有技术中因图像放大而导致图像分辨率降低，图像质量下降的问题。
为了进一步说明本发明的有益效果，以下通过具体的实验例进行详细说明：
实验例一、
图3a示出了一乐器的原始摄影图像，图3b示出了使用本发明实施例提供的影像质量优化方法处理后输出的该乐器的图像。从图3a和图3b中可以看出，本发明方法可以有效地提高图像的清晰度(分辨率)，且优化后的图像失真率很小。
实验例二、
图4a示出了一人物风景原始照片，并给出了原始照片的相关图像参数，图4b示出了使用本发明实施例提供的影像质量优化方法处理后输出的该人物风景照片，并给出了该优化照片的相关图像参数。从图4a和图4b中可以看出，本发明方法可以有效地提高照片的清晰度(分辨率)，且优化后的照片的失真率很小。
实验例三、
图5左侧的影像是一般视频(1080p)，图5右侧的影像是经过本发明方法处理后得到的高清视频(1080p)。
图6左侧是优化升级前的一般视频影像，图6右侧是经过本发明方法处理后得到的高清视频影像。
由图5的比对结果中可以得出，本发明方法可以将低分辨率的影像内容升级优化为分辨率高，清晰度好的影像内容(可将原始影像内容的分辨率提高30％左右)，可提高影像的视觉效果，提升用户的观看体验。
由图6的对比结果可以得出，针对高清影片(1080p)的影像质量的进一步优化升级，可满足4k显示器(电视/显示器)的内容升级需求，特别是改善在4k电视上播放高清或高清以下清晰度所造成影像画面不佳的问题。
进一步的，实施本发明方法，也可以将从DVD/手机/平版/计算机上所拍摄或截取得到的360p/480p/720p影片和照片等优化升级成高清(1080p)影片。
实验例四、
利用本发明方法定义了一对称为生成器和鉴别器的神经网络(分别如图7a和图7b所示)。其目标是从低分辨率输入图像ISR估计高分辨率，超分辨率图像ISR。ILR是其高分辨率对应IHR的低分辨率版本。高分辨率图像仅在训练期间可用。在训练中，通过对IHR应用高斯滤波器，然后使用下采样因子r的下采样操作来获得ILR。对于具有C颜色通道的图像，我们分别通过尺寸为W×H×C和IHR，ISR的实值张量来描述ILR，其中rW×rH×C。最终目标是训练生成函数G。
估计给定的LR输入图像对应的HR对应物。为实现这一目标，将发电机网络训练为由θG参数化的前馈CNNθG。这里θG＝{W1∶L；b1∶L}表示L层深度网络的权重和偏差，并且通过优化SR特定的损失函数lSR来获得。用于训练图像与相应的
本发明的影像质量强化算法的解决方式如下：
在这项工作中，将专门设计感知损失ISR作为几个损失分量的加权组合，其模拟恢复的SR图像的不同期望特征。
参见图7a和图7b，生成器输入噪声向量和低分辨率向量，并生成伪超分辨率图像，然后将伪超分辨率图像和真实图像组合在一起，并将它们放入鉴别器中。鉴别器用于区分上述伪超分辨率图像和真实图像的真假。
其中，用优化的鉴别器网络交替使用来解决对抗性最小到最大问题：
其中IHR是高分辨率图像IHR是低分辨率图像θG是发生器的参数，θD是鉴别器的参数，p是分布。感知损失函数lSR的定义对发电机网络的性能至关重要。
在实际应用中，可利用下列感知损失函数还定义图像的所有损失，并通过本发明方法来更新生成器和鉴别器的各参数。
像素方式的MSE损失计算如下：
这是最广泛使用的图像优化目标许多最先进的方法所依赖的SR。
然而，在实现特别高的PSNR的同时，MSE优化问题的解决方案往往缺乏高频率导致感知不满意的内容具有过于光滑纹理的解决方案，而不是依赖像素方式的损失。
本实验例用φi，j表示由第j个卷积获得的特征映射(激活后)在第i个最大化层之前VGG19网络。然后定义VGG损失为特征之间的距离重建图像的表示和参考图像IHR：
其中，Wi，j和Hi，j描述了VGG网络内各个特征图的尺寸。
除了到目前为止描述的内容损失，也将GAN的生成成分添加到感知损失中。生成性损失是基于鉴别因子在所有训练样本上的概率来定义为：
其中，是重建图像是自然HR图像的概率。为了获得更好的梯度行为，最小化而不是
本发明实施例还提供了一种计算机装置，该计算机装置包括处理器，处理器用于执行存储器中存储的计算机程序时实现上述各个方法实施例提供的影像质量优化方法的各步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序/指令，计算机程序/指令被处理器执行时实现上述影像质量优化方法的各步骤。
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。例如，所述计算机程序可以被分割成上述各个方法实施例提供的影像质量优化方法的步骤。
本领域技术人员可以理解，上述计算机装置的描述仅仅是示例，并不构成对计算机装置的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个用户终端的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器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，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、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。
所述计算机装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种影像质量优化方法，其特征在于，所述方法包括如下步骤：
获取待处理的原始影像；
对所述原始影像进行第一色彩空间转换，得到第一影像和第二影像；
基于影像质量强化算法，对所述第一影像进行自适应影像增强和放大，并增加其分辨率，得到初步增强影像；
对所述第二影像与所述初步增强影像进行结合，得到结合影像；
对所述结合影像进行第二色彩空间转换，得到最终增强影像；
输出所述最终增强影像。
2.如权利要求1所述的影像质量优化方法，其特征在于，所述对所述原始影像进行第一色彩空间转换，得到第一影像和第二影像，包括：
对所述原始图像进行RGB到HSV的空间转换，得到亮度通道的第一影像和色度通道的第二影像。
3.如权利要求1所述的影像质量优化方法，其特征在于，所述基于影像质量强化算法，对所述第一影像进行自适应影像增强和放大，并增加其分辨率，得到初步增强影像，包括：
基于反双曲正切函数，对所述第一影像的亮度和对比度进行自适应增强和放大，并增加其分辨率，得到初步增强影像。
4.如权利要求1所述的影像质量优化方法，其特征在于，在所述对所述原始影像进行第一色彩空间转换，得到第一影像和第二影像之前，包括：
基于所述原始图像的光分布偏差和增益控制反双曲正切曲线的形状，得到第一反双曲正切曲线函数；
所述对所述原始影像进行第一色彩空间转换，得到第一影像和第二影像，包括：
基于所述第一反双曲正切曲线函数对所述第一影像的亮度和对比度进行自适应增强和放大，并增加其分辨率，得到初步增强影像。
5.如权利要求1所述的影像质量优化方法，其特征在于，所述对所述结合影像进行第二色彩空间转换，得到最终增强图像，包括：
对所述结合影像进行HSV到RGB的空间转换，得到最终增强图像。
6.一种计算机装置，其特征在于，所述计算机装置包括：处理器，用于执行存储器中存储的计算机程序时实现如权利要求1～5任一项所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，所述计算机程序/指令被所述处理器执行时实现如权利要求1～5中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810798614.7A CN109146780A (zh) | 2018-07-19 | 2018-07-19 | 一种影像质量优化方法、计算机装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810798614.7A CN109146780A (zh) | 2018-07-19 | 2018-07-19 | 一种影像质量优化方法、计算机装置及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109146780A true CN109146780A (zh) | 2019-01-04 |
Family
ID=64801101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810798614.7A Pending CN109146780A (zh) | 2018-07-19 | 2018-07-19 | 一种影像质量优化方法、计算机装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109146780A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110475149A (zh) * | 2019-08-30 | 2019-11-19 | 广州波视信息科技股份有限公司 | 一种超高清视频的处理方法及系统 |
| WO2020152521A1 (en) * | 2019-01-23 | 2020-07-30 | Inception Institute of Artificial Intelligence, Ltd. | Systems and methods for transforming raw sensor data captured in low-light conditions to well-exposed images using neural network architectures |
| CN111754615A (zh) * | 2020-05-07 | 2020-10-09 | 清华大学 | 高质量纹理的实时重建方法及装置 |
| CN112087648A (zh) * | 2019-06-14 | 2020-12-15 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN115563331A (zh) * | 2022-11-11 | 2023-01-03 | 芯知科技(江苏)有限公司 | 适用于影像优化的数据处理方法 |
-
2018
- 2018-07-19 CN CN201810798614.7A patent/CN109146780A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020152521A1 (en) * | 2019-01-23 | 2020-07-30 | Inception Institute of Artificial Intelligence, Ltd. | Systems and methods for transforming raw sensor data captured in low-light conditions to well-exposed images using neural network architectures |
| US11037278B2 (en) | 2019-01-23 | 2021-06-15 | Inception Institute of Artificial Intelligence, Ltd. | Systems and methods for transforming raw sensor data captured in low-light conditions to well-exposed images using neural network architectures |
| CN112087648A (zh) * | 2019-06-14 | 2020-12-15 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN110475149A (zh) * | 2019-08-30 | 2019-11-19 | 广州波视信息科技股份有限公司 | 一种超高清视频的处理方法及系统 |
| CN110475149B (zh) * | 2019-08-30 | 2020-04-03 | 广州波视信息科技股份有限公司 | 一种超高清视频的处理方法及系统 |
| CN111754615A (zh) * | 2020-05-07 | 2020-10-09 | 清华大学 | 高质量纹理的实时重建方法及装置 |
| CN115563331A (zh) * | 2022-11-11 | 2023-01-03 | 芯知科技(江苏)有限公司 | 适用于影像优化的数据处理方法 |
| CN115563331B (zh) * | 2022-11-11 | 2023-03-10 | 芯知科技(江苏)有限公司 | 适用于影像优化的数据处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146780A (zh) | 一种影像质量优化方法、计算机装置及可读存储介质 | |
| CN101971612B (zh) | 图像处理装置和方法 | |
| CA2627999C (en) | Generation of a depth map from a monoscopic color image for rendering stereoscopic still and video images | |
| US20200351524A1 (en) | Color appearance preservation in video codecs | |
| US20090317017A1 (en) | Image characteristic oriented tone mapping for high dynamic range images | |
| CN113518185B (zh) | 视频转换处理方法、装置、计算机可读介质及电子设备 | |
| CN100470588C (zh) | 增强图像颜色的方法 | |
| CN108933933B (zh) | 一种视频信号处理方法及装置 | |
| WO2001026054A2 (en) | Locally adapted histogram equalization | |
| CN108769804A (zh) | 一种高动态范围视频的格式转换方法 | |
| JP4810473B2 (ja) | 画像処理装置および画像処理プログラム | |
| CN107862672B (zh) | 图像去雾的方法及装置 | |
| CN111292269B (zh) | 图像色调映射方法、计算机装置及计算机可读存储介质 | |
| TWI698124B (zh) | 影像調整方法以及相關的影像處理電路 | |
| Kanmani et al. | Swarm intelligent based contrast enhancement algorithm with improved visual perception for color images | |
| Gautam et al. | Efficient color image contrast enhancement using range limited bi-histogram equalization with adaptive gamma correction | |
| CN114051126B (zh) | 视频处理方法和视频处理装置 | |
| CN110570384A (zh) | 一种对场景图像进行光照均衡处理的方法、装置、计算机设备以及计算机存储介质 | |
| CN108550124B (zh) | 一种基于仿生螺线的光照补偿及图像增强方法 | |
| CN114240767A (zh) | 一种基于曝光融合的图像宽动态范围处理方法及装置 | |
| TWI707307B (zh) | 影像調整方法 | |
| CN105007473B (zh) | 图像处理设备及其控制方法 | |
| TWI364994B (en) | Image processing method | |
| JP5327766B2 (ja) | デジタル画像における記憶色の修正 | |
| US8498332B2 (en) | Chroma supression features |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190104 |
|
| WD01 | Invention patent application deemed withdrawn after publication |