CN109671039A - 基于分层特征的图像矢量化方法 - Google Patents
基于分层特征的图像矢量化方法 Download PDFInfo
- Publication number
- CN109671039A CN109671039A CN201811616764.8A CN201811616764A CN109671039A CN 109671039 A CN109671039 A CN 109671039A CN 201811616764 A CN201811616764 A CN 201811616764A CN 109671039 A CN109671039 A CN 109671039A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- vector
- feature
- value
- 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 34
- 238000013139 quantization Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000003014 reinforcing effect Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000574 ganglionic effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于分层特征的图像矢量化方法,所述方法包括:对原始图像进行预处理操作,通过平滑操作去除图像噪声,通过增强操作加强图像的边缘特征,得到预处理后图像;提取预处理后图像的分层特征,并生成若干分割图像,每个分割图像对应一种分割细节程度;选择若干分割图像进行矢量化,得到相应分割细节程度下的矢量化结果。本发明通过对图像进行预处理操作,并利用提取图像分层特征的原理对图像进行多分辨率特征提取,将原先单一的图像边缘特征变为可调节的分层特征,使矢量化结果既有保留细节的矢量结果又有免去不要特征的矢量化结果,以满足于不同的需求。
Description
技术领域
本发明涉及计算机图像处理技术领域,特别是涉及一种基于分层特征的图像矢量化方法。
背景技术
随着计算机领域的不断发展,用户对图像处理技术的要求越来越高,图像矢量化,作为计算机图像处理技术的一项基础性工作,已经成为人们研究的热点。
数字图像有2种典型的表示方式:一种是光栅图像,也称为位图、点阵图像;另一种是矢量图像,也称矢量图形、矢量表示。与光栅图像相比,矢量图形具有很多优点,如存储量小,易编辑,分辨率无关等。图像矢量化的目的就是将点阵图像转换为矢量图像,随着矢量图像的应用越来越广泛,图像矢量化具有重要的意义。
图像矢量化是数字图像处理中一个重要问题,在卡通动画、艺术创作、互联网网页显示等领域具有广泛的应用前景。随着显示终端多样化及分辨率的不断提升,图像矢量化表示,因具有分辨率无关、可编辑以及存储空间小等优势,正成为图像处理领域中的一个研究热点。图像矢量化的本质是根据离散的数字图像信息,建立其连续的几何和颜色表示,是一个非常具有挑战性的问题。
近年来出现了很多图像矢量化算法,各种类型的几何图元,包括直线、曲线、三角网格、细分曲面、扩散曲线等,被用来表示矢量图。由于图像具有复杂的特征曲线和丰富的颜色变化,一个好的矢量表示必须能用较少的图元表达复杂的特征,此外还应该能较好地支持图像编辑。
现有各种图像矢量化方法中,基于细分曲面矢量化方法具有易编辑、颜色渐变优势,但还存在边缘检测不封闭导致漏色等缺点。此外,该方法需要复杂的人工手动操作,要求用户具有一定的绘图技巧,更是一个极耗时的过程。
现有技术中的矢量化方法大多针对于某一特定领域的图片,如卡通画,风景画,图标等等。由于对于不同种类的图像对矢量化特征提取的细节程度要求不一样,所有本发明提出了一种分层多分辨率的矢量化方法,以为能够针对所有种类的图像都能生成高质量的矢量化图片。
发明内容
本发明的目的在于,提供一种多分辨率特征的矢量化方法及装置,可生成多种结果的矢量化方法,以满足于不同需求。
为了达到本发明目的,本发明提供的一种基于分层特征的图像矢量化方法,其特征在于:包括以下步骤:
步骤1、对原始图像进行预处理操作,通过平滑操作去除图像噪声,通过增强操作加强图像的边缘特征,得到预处理后图像;
步骤2、提取预处理后图像的分层特征,并生成分割图像,具体包括以下步骤:
A1、图像的每个像素具有四种特征:亮度、颜色a、颜色b和纹理特征;针对每种特征i,以图像的像素点(x,y)为圆心、s为直径做出一个圆形,用倾斜角为θ的直径将圆形划分为两个区域,根据区域内所有像素点的特征i的特征值,分别得到这两个区域的特征直方图gi,s(x,y,θ),hi,s(x,y,θ);
A2、针对每种特征i,将像素点(x,y)对应的两个区域的特征直方图的数据代入以下公式,得到该像素点(x,y)以s为圆形、θ为分割方向特征i的梯度值Gi,s(x,y,θ):
A3、使用下述公式计算每个像素点的第一权重值m(x,y,θ):
A4、使用一个稀疏对称矩阵W,其中,每一个元素wef的计算如下:
wef=exp(-max{m(p)/ρ})
p是两个距离不超过半径s的像素点连成的线段上的任意一个点,ρ是常数为0.1;
计算特征向量然后将每一个特征向量视为一副图片,使用高斯方向导数滤波器对它进行卷积操作得到据此计算像素点(x,y)的第二权重值s(x,y,θ):
其中,n为特征向量Dee的数量,将每个特征向量Dee视为一个质量弹簧系统,λk是第k个特征向量对应质量弹簧系统的弹簧系数。
A5、根据第一权重值m(x,y,θ)和第二权重值s(x,y,θ)计算边界权值g(x,y,θ):
g(x,y,θ)=m(x,y,θ)+γ·s(x,y,θ)
其中,γ为第二权重值的系数,取值范围为[0,1];
然后对边界权值g(x,y,θ)进行sigmoid函数变换,得到边界概率值,作为该像素点为边界的概率;
A6、基于边界概率值,使用OWT算法对步骤1预处理后图像进行分割,获得若干区域,并且得到相邻区域之间的差异值;
A7、对相邻区域之间的差异值进行排列,依次将差异值小的相邻区域合并,直到最后只有一个区域,共合并H次,每次合并完成获得一个分割图像,每个分割图像对应一种分割细节程度;
步骤3、选择若干分割图像进行矢量化,得到相应分割细节程度下的矢量化结果。
本发明通过对图像进行预处理操作,并利用提取图像分层特征的原理对图像进行多分辨率特征提取,将原先单一的图像边缘特征变为可调节的分层特征,使矢量化结果既有保留细节的矢量结果又有免去不要特征的矢量化结果,以满足于不同的需求。
通过本发明可生成的多分辨矢量化图片,无论对于自然图像还是非自然图像都具有高普适性和通用性。将位图转换为矢量图,可使图像无论放大缩小还是旋转等都不会失真,并且矢量化文件体积较小易于数字化保存,矢量化是在动画设计、数字化保存、文化保护与传承等方面必不可少环节。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的图像矢量化方法的流程图。
图2为本发明实施例经S120得到的不同细节程度的分割图。
图3为本发明实施例经S130得到的不同细节程度矢量图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明实施例提供的图像矢量化方法的流程图,该方法的原理为:利用图像提取到的分层特征,在图像矢量化时,利用对多个不同分辨率的特征分别进行矢量化输出多个矢量化结果,也可通过参数设定输出某一层图像特征的矢量化结果。
基于分层特征的图像矢量化方法,其特征在于:包括以下步骤:
S110、对原始图像进行预处理操作,通过平滑操作去除图像噪声,通过增强操作加强图像的边缘特征,得到预处理后图像。
S120、提取预处理后图像的分层特征,并生成分割图像,具体包括以下步骤:
A1、图像的每个像素具有四种特征:亮度、颜色a、颜色b和纹理特征;针对每种特征i,以图像的像素点(x,y)为圆心、s为直径做出一个圆形,用倾斜角为θ的直径将圆形划分为两个区域,根据区域内所有像素点的特征i的特征值,分别得到这两个区域的特征直方图gi,s(x,y,θ),hi,s(x,y,θ)。
本步骤中,直径s分别取5个像素宽度,10个像素和20个像素,来取得特征直方图。
A2、针对每种特征i,将像素点(x,y)对应的两个区域的特征直方图的数据代入以下公式,得到该像素点(x,y)以s为圆形、θ为分割方向特征i的梯度值Gi,s(x,y,θ):
A3、使用下述公式计算每个像素点的第一权重值m(x,y,θ):
A4、使用一个稀疏对称矩阵W,其中,每一个元素wef的计算如下:
wef=exp(-max{m(p)/ρ})
p是两个距离不超过半径s的像素点连成的线段上的任意一个点,ρ是常数为0.1;
计算特征向量然后将每一个特征向量视为一副图片,使用高斯方向导数滤波器对它进行卷积操作得到据此计算像素点(x,y)的第二权重值s(x,y,θ):
其中,n为特征向量Dee的数量,将每个特征向量Dee视为一个质量弹簧系统,λk是第k个特征向量对应质量弹簧系统的弹簧系数。
A5、根据第一权重值m(x,y,θ)和第二权重值s(x,y,θ)计算边界权值g(x,y,θ):
g(x,y,θ)=m(x,y,θ)+γ·s(x,y,θ)
其中,γ为第二权重值的系数,取值范围为[0,1];
然后对边界权值g(x,y,θ)进行sigmoid函数变换,得到边界概率值,作为该像素点为边界的概率。
为了使得计算得到的边界概率值更加准确,本发明实施例还提出了一种优化方法:根据第一权重值m(x,y,θ)和第二权重值s(x,y,θ)逐像素地按序计算边界概率权值g(x,y,θ),计算当前边界概率权值时,若上一个相邻像素的边界概率值大于或等于0.7,则γ=1;若边界概率值小于0.7且大于0.3;则γ=0.5;若边界概率值小于或等于0.3,则γ=0。边界概率权值的计算具有一定的遗传性,当前像素点的边界概率值会受到上一个临近像素点边界概率值的影响。即,当相邻像素的边界可能性较大时,γ取值较大,以增加第二权重值(与像素之间的相似度有关)的比重;当相邻像素的边界可能性较小时,则降低第二权重值的比重甚至忽略第二权重值。该方法优化了边界概率的计算,使得边界能够更突出,有利于后续的图像分割。
A6、基于边界概率值,使用OWT算法对步骤1预处理后图像进行分割,获得若干区域,并且得到相邻区域之间的差异值。
A7、对相邻区域之间的差异值进行排列,依次将差异值小的相邻区域合并,直到最后只有一个区域,共合并H次,每次合并完成获得一个分割图像,每个分割图像对应一种分割细节程度。
如图2所示为本发明实施例经S120得到的不同细节程度的分割图。图2从左到右依次为输入的光栅图和在层次树第三层、第五层、第八层获得的分割图像。
S130、选择若干分割图像进行矢量化,得到相应分割细节程度下的矢量化结果。本步骤分为两步操作。
第一步:对选择的干分割图像生成初始网格。然后对初试网格进行简化,以便得到能保持图像特征的粗网格,称为基网格MB。采用二次误差度量(QEM)算法来简化图像初始网格M。将网格M的颜色属性看成高度场来计算QEM代价。但在简化过程中要用细分曲线来拟合图像特征线段,以评估简化结果对图像特征逼近程度。
经过网格简化和优化得到反映图像特征的基网格后,就可以用逐片光滑的Loop细分曲面来对图像颜色进行拟合。为简化计算,本算法不是拟合整个图像的像素颜色,而是进行一次插值细分得到网格。然后用网格MB的顶点对原图像进行采样得到拟合目标颜色集。对于MB中新插入的点,其颜色由周围4个像素的颜色作双线性插值得到。
第二步:利用逐片光滑的Loop细分曲面来对图像颜色进行拟合。
经过网格简化和优化得到反映图像特征的基网格后,就可以用逐片光滑的Loop细分曲面来对图像颜色进行拟合。该过程主要包括3个部分:控制网格计算、误差控制和自适应细分。
步骤S130中所使用的图像矢量化方法为基于误差可控的细分曲面图像矢量化方法,在论文(请补充文献号)中有详细描述,本文不做详细阐述。除此之外,步骤S130还可以使用基于特征边界提取的图像矢量化方法对选定的分割图像进行矢量化。
如图3所示,为本发明实施例经S130得到的不同细节程度矢量图。图3是在第五细节层的分割图和所对应的矢量化图像。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (6)
1.一种基于分层特征的图像矢量化方法,其特征在于:包括以下步骤:
步骤1、对原始图像进行预处理操作,通过平滑操作去除图像噪声,通过增强操作加强图像的边缘特征,得到预处理后图像;
步骤2、提取预处理后图像的分层特征,并生成分割图像,具体包括以下步骤:
A1、图像的每个像素具有四种特征:亮度、颜色a、颜色b和纹理特征;针对每种特征i,以图像的像素点(x,y)为圆心、s为直径做出一个圆形,用倾斜角为θ的直径将圆形划分为两个区域,根据区域内所有像素点的特征i的特征值,分别得到这两个区域的特征直方图gi,s(x,y,θ),hi,s(x,y,θ);
A2、针对每种特征i,将像素点(x,y)对应的两个区域的特征直方图的数据代入以下公式,得到该像素点(x,y)以s为圆形、θ为分割方向特征i的梯度值Gi,s(x,y,θ):
A3、使用下述公式计算每个像素点的第一权重值m(x,y,θ):
A4、使用一个稀疏对称矩阵W,其中,每一个元素wef的计算如下:
wef=exp(-max{m(p)/ρ})
p是两个距离不超过半径s的像素点连成的线段上的任意一个点,ρ是常数为0.1;
计算特征向量然后将每一个特征向量视为一副图片,使用高斯方向导数滤波器对它进行卷积操作得到据此计算像素点(x,y)的第二权重值s(x,y,θ):
其中,n为特征向量Dee的数量,将每个特征向量Dee视为一个质量弹簧系统,λk是第k个特征向量对应质量弹簧系统的弹簧系数。
A5、根据第一权重值m(x,y,θ)和第二权重值s(x,y,θ)计算边界权值g(x,y,θ):
g(x,y,θ)=m(x,y,θ)+γ·s(x,y,θ)
其中,γ为第二权重值的系数,取值范围为[0,1];
然后对边界权值g(x,y,θ)进行sigmoid函数变换,得到边界概率值,作为该像素点为边界的概率;
A6、基于边界概率值,使用OWT算法对步骤1预处理后图像进行分割,获得若干区域,并且得到相邻区域之间的差异值;
A7、对相邻区域之间的差异值进行排列,依次将差异值小的相邻区域合并,直到最后只有一个区域,共合并H次,每次合并完成获得一个分割图像,每个分割图像对应一种分割细节程度;
步骤3、选择若干分割图像进行矢量化,得到相应分割细节程度下的矢量化结果。
2.根据权利要求1所述的基于分层特征的图像矢量化方法,其特征在于:步骤A1中,直径s=10个像素宽度。
3.根据权利要求1所述的基于分层特征的图像矢量化方法,其特征在于:步骤A1中,直径s分别取5个像素宽度,10个像素和20个像素,来取得特征直方图。
4.根据权利要求1所述的基于分层特征的图像矢量化方法,其特征在于:所述步骤A5中,根据第一权重值m(x,y,θ)和第二权重值s(x,y,θ)逐像素地按序计算边界概率权值g(x,y,θ),计算当前边界概率权值时,若上一个相邻像素的边界概率值大于或等于0.7,则γ=1;若边界概率值小于0.7且大于0.3;则γ=0.5;若边界概率值小于或等于0.3,则γ=0。
5.根据权利要求1所述的基于分层特征的图像矢量化方法,其特征在于:步骤3中,使用基于误差可控的细分曲面图像矢量化方法对选定的分割图像进行矢量化。
6.根据权利要求1所述的基于分层特征的图像矢量化方法,其特征在于:步骤3中,使用基于特征边界提取的图像矢量化方法对选定的分割图像进行矢量化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811616764.8A CN109671039B (zh) | 2018-12-27 | 2018-12-27 | 基于分层特征的图像矢量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811616764.8A CN109671039B (zh) | 2018-12-27 | 2018-12-27 | 基于分层特征的图像矢量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109671039A true CN109671039A (zh) | 2019-04-23 |
CN109671039B CN109671039B (zh) | 2023-05-30 |
Family
ID=66146406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811616764.8A Active CN109671039B (zh) | 2018-12-27 | 2018-12-27 | 基于分层特征的图像矢量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109671039B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462332A (zh) * | 2020-03-31 | 2020-07-28 | 上海大学 | 一种基于重定向细分曲面图像矢量化的系统及方法 |
CN112052057A (zh) * | 2020-08-12 | 2020-12-08 | 北京科技大学 | 一种基于弹簧模型优化颜色表的数据可视化方法及系统 |
CN112181923A (zh) * | 2020-09-23 | 2021-01-05 | 广东溢达纺织有限公司 | 位图获取方法、装置、计算机设备和存储介质 |
CN114092606A (zh) * | 2021-11-30 | 2022-02-25 | 北京字节跳动网络技术有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0528254A (ja) * | 1991-07-23 | 1993-02-05 | Mitani Shoji Kk | 図画データの自動ベクトル化処理方法、及びそれに使用する装置 |
JP2005182369A (ja) * | 2003-12-18 | 2005-07-07 | Hitachi Ltd | ベクトル化図形の作成方法および装置 |
CN101923646A (zh) * | 2010-07-07 | 2010-12-22 | 周曦 | 一种基于分层矢量化的图像信息表达体系 |
CN102136151A (zh) * | 2011-03-11 | 2011-07-27 | 山东大学 | 一种光栅图像的矢量化方法 |
CN103295013A (zh) * | 2013-05-13 | 2013-09-11 | 天津大学 | 一种基于成对区域的单幅图像阴影检测方法 |
US20140037198A1 (en) * | 2012-08-06 | 2014-02-06 | Xerox Corporation | Image Segmentation Using Hierarchical Unsupervised Segmentation and Hierarchical Classifiers |
CN106682229A (zh) * | 2017-01-09 | 2017-05-17 | 北京邮电大学 | 一种面向数据分类的特征权重确定方法及装置 |
CN107256557A (zh) * | 2017-05-03 | 2017-10-17 | 华南理工大学 | 一种误差可控的细分曲面图像矢量化方法 |
-
2018
- 2018-12-27 CN CN201811616764.8A patent/CN109671039B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0528254A (ja) * | 1991-07-23 | 1993-02-05 | Mitani Shoji Kk | 図画データの自動ベクトル化処理方法、及びそれに使用する装置 |
JP2005182369A (ja) * | 2003-12-18 | 2005-07-07 | Hitachi Ltd | ベクトル化図形の作成方法および装置 |
CN101923646A (zh) * | 2010-07-07 | 2010-12-22 | 周曦 | 一种基于分层矢量化的图像信息表达体系 |
CN102136151A (zh) * | 2011-03-11 | 2011-07-27 | 山东大学 | 一种光栅图像的矢量化方法 |
US20140037198A1 (en) * | 2012-08-06 | 2014-02-06 | Xerox Corporation | Image Segmentation Using Hierarchical Unsupervised Segmentation and Hierarchical Classifiers |
CN103295013A (zh) * | 2013-05-13 | 2013-09-11 | 天津大学 | 一种基于成对区域的单幅图像阴影检测方法 |
CN106682229A (zh) * | 2017-01-09 | 2017-05-17 | 北京邮电大学 | 一种面向数据分类的特征权重确定方法及装置 |
CN107256557A (zh) * | 2017-05-03 | 2017-10-17 | 华南理工大学 | 一种误差可控的细分曲面图像矢量化方法 |
Non-Patent Citations (1)
Title |
---|
黄震: "外周血白细胞分割和识别的算法研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462332A (zh) * | 2020-03-31 | 2020-07-28 | 上海大学 | 一种基于重定向细分曲面图像矢量化的系统及方法 |
CN112052057A (zh) * | 2020-08-12 | 2020-12-08 | 北京科技大学 | 一种基于弹簧模型优化颜色表的数据可视化方法及系统 |
CN112181923A (zh) * | 2020-09-23 | 2021-01-05 | 广东溢达纺织有限公司 | 位图获取方法、装置、计算机设备和存储介质 |
CN114092606A (zh) * | 2021-11-30 | 2022-02-25 | 北京字节跳动网络技术有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109671039B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiangli et al. | Bungeenerf: Progressive neural radiance field for extreme multi-scale scene rendering | |
US11257279B2 (en) | Systems and methods for providing non-parametric texture synthesis of arbitrary shape and/or material data in a unified framework | |
CN109671039A (zh) | 基于分层特征的图像矢量化方法 | |
US8538200B2 (en) | Systems and methods for resolution-invariant image representation | |
CN109635883A (zh) | 基于深度堆叠网络的结构信息指导的中文字库生成方法 | |
Jeschke et al. | Estimating color and texture parameters for vector graphics | |
CN106558022A (zh) | 一种基于边缘差异约束的单幅图像超分辨率重建方法 | |
CN103810729B (zh) | 一种基于等高线的光栅图像矢量化方法 | |
WO2021115403A1 (zh) | 一种图像的处理方法及装置 | |
Chen et al. | A new process for the segmentation of high resolution remote sensing imagery | |
US11887218B2 (en) | Image optimization method, apparatus, device and storage medium | |
CN116645592B (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
CN108460833A (zh) | 一种基于bim构建传统建筑数字化保护与修复的信息平台 | |
CN107256571A (zh) | 一种基于深度学习与自适应差分盒的分形维数估计方法 | |
Chen et al. | Single depth image super-resolution using convolutional neural networks | |
CN109345486A (zh) | 一种基于自适应网格变形的人脸图像去模糊方法 | |
CN106651864B (zh) | 一种面向高分辨率遥感图像的分割方法 | |
CN109447900A (zh) | 一种图像超分辨率重建方法及装置 | |
Zhang et al. | Automatic genaration of sketch-like pencil drawing from image | |
Lee et al. | Surface IR reflectance estimation and material recognition using ToF camera | |
US20210304487A1 (en) | Storage medium storing program, training method of machine learning model, and image generating apparatus | |
CN115115860A (zh) | 一种基于深度学习的图像特征点检测匹配网络 | |
CN104537628B (zh) | 一种冗余可控的动漫图像适配方法 | |
KR20050056175A (ko) | 재귀적 제어선 정합을 이용한 반자동 필드 기반 영상 변형방법 | |
Zhao et al. | A pencil drawing algorithm based on wavelet transform multiscale |
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 |