CN109685114A - 一种基于预筛选法和PHash的图像相似判定方法 - Google Patents
一种基于预筛选法和PHash的图像相似判定方法 Download PDFInfo
- Publication number
- CN109685114A CN109685114A CN201811449694.1A CN201811449694A CN109685114A CN 109685114 A CN109685114 A CN 109685114A CN 201811449694 A CN201811449694 A CN 201811449694A CN 109685114 A CN109685114 A CN 109685114A
- Authority
- CN
- China
- Prior art keywords
- image
- phash
- variance
- matrix
- var
- 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 29
- 239000011159 matrix material Substances 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于预筛选法和PHash的图像相似判定方法,属于图像处理技术领域。本发明通过颜色方差算法对图像进行方差计算,计算两张图像之间基于颜色方差的方差差值,完成预筛选过程;若基于颜色方差的方差差值大于方差阈值,则判定为图像不相似,结束之后步骤;若基于颜色方差的方差差值小于等于方差阈值,继续通过PHash算法对图像进行Hash化,计算两张图像之间基于PHash的汉明距离;若基于PHash的汉明距离小于汉明距离阈值,则判定图像相似;否则判定为图像不相似。本发明与现有技术相比,主要解决了现有技术在对图像相似判定时存在的运行时间长、效率低等现象,在不失其判定的灵活性和准确度的基础上提高了图像相似判定的效率。
Description
技术领域
本发明涉及一种基于预筛选法和PHash的图像相似判定方法,属于图像处理技术领域。
背景技术
在图像相似判定方法中,可能存在图像的相关性很低但仍然会对图像进行相似度计算而造成浪费时间的问题,准确筛选出无关图像对于提高图像相似判定的效率具有重要意义。
目前,对于图像相似判定的方法有很多,但在判定的效率和准确度方面有很大欠缺。大多数图像判定方法是对两张图片中的内容进行相似度比较,通过设置一个阈值来达到目的。对于差异很大的图像也进行如此过程,就会大大增加运行时间,若在相似判定前进行一个预筛选过程,排除差异很大的图像来进行相似判定,就能够在判定效率上有重大突破。
发明内容
本发明要解决的技术问题是针对现有技术的局限和不足,提供一种基于预筛选法和PHash的图像相似判定方法,以解决现有技术在对图像相似判定时存在的运行时间长、效率低下等现象,致力于在不失其判定的灵活性和准确度的基础上提高图像相似判定的效率。
本发明的技术方案是:一种基于预筛选法和PHash的图像相似判定方法,通过颜色方差算法对图像进行方差计算,计算两张图像之间基于颜色方差的方差差值,完成预筛选过程;若基于颜色方差的方差差值大于方差阈值,则判定为图像不相似,结束之后步骤;若基于颜色方差的方差差值小于等于方差阈值,继续通过PHash算法对图像进行Hash化,计算两张图像之间基于PHash的汉明距离;若基于PHash的汉明距离小于汉明距离阈值,则判定图像相似;否则判定为图像不相似。
具体包括以下步骤:
Step1:获取图像A和图像B;
Step2:通过颜色方差算法对图像A和图像B进行方差计算,得到图像A、B之间基于颜色方差算法的方差差值DVar(A,B);具体如Step2.1~Step2.6所示;
Step2.1:将图像A、B的大小压缩至8×8;
Step2.2:将压缩后的图像A、B转化为256阶灰度图像,并表示为矩阵形式IA、IB,其中IA(i,j),i∈[1,8],j∈[1,8]、IB(i,j),i∈[1,8],j∈[1,8]为矩阵元素值;
Step2.3:根据公式(1)计算矩阵IA、IB的每行元素平均值IA(i),i∈[1,8]、IB(i),i∈[1,8];
Step2.4:将矩阵按照从上至下(i=1→8)的规则,根据公式(2)进行方差计算,得到矩阵IA、IB的方差向量VarA、VarB,其中VarA(i),i∈[1,8]、VarB(i),i∈[1,8]为向量元素值;
Step2.5:通过公式(3)计算图像A、B之间基于颜色方差算法的方差差值DVar(A,B),其中δ为归一化参数;
Step2.6:定义方差阈值α,若图像A、B之间基于颜色方差算法的方差差值DVar(A,B)满足式(4)要求,则通过预筛选过程,进行Step3及之后步骤,继续判定其相似与否;若满足公式(5)要求,则判定图像A和图像B不相似,并结束之后步骤;
Dvar(A,B)≤α (4)
Dvar(A,B)>α (5)
Step3:通过PHash算法对图像A和图像B进行Hash化,得到图像A和图像B之间基于PHash的汉明距离DisP(A,B);具体如Step3.1~Step3.6所示;
Step3.1:将图像A、B的大小压缩至32×32;
Step3.2:将压缩后的图像A、B转化为256阶灰度图像,并表示为矩阵形式IA、IB,其中IA(i,j),i∈[1,32],j∈[1,32]、IB(i,j),i∈[1,32],j∈[1,32]为矩阵元素值;
Step3.3:计算矩阵IA、IB的DCT矩阵TA、TB,其中TA(i,j),i∈[1,32],j∈[1,32]、TB(i,j),i∈[1,32],j∈[1,32]为矩阵元素值;
Step3.4:保留矩阵TA、TB的左上角8×8部分,删除其余部分;
Step3.5:计算矩阵TA、TB的平均值uA、uB,将矩阵按照从上至下(i=1→8)、从左至右(j=1→8)的规则,根据公式(6)进行值优化,并对其连接生成图像A、B的PHash值PHashA、PHashB;其中T(i,j)代表适用于TA(i,j)、TB(i,j),u代表适用于uA、uB;
Step3.6:通过图像A、B的PHash值PHashA、PHashB,计算图像A和图像B之间基于PHash的汉明距离DisP(A,B);
Step4:定义汉明距离阈值β,若图像A和图像B之间基于PHash的汉明距离DisP(A,B)满足公式(7)要求,则判定图像A和图像B相似;否则判定图像A和图像B不相似。
DisP(A,B)≤β (7)
进一步地,所述步骤Step1中,图像A和图像B可以为任意大小的图像,且图像格式任意。
进一步地,所述步骤Step2.5中,归一化参数δ取正整数,通常取δ=1,但可根据实际效果进行调整。
进一步地,所述步骤Step3.4中,不一定非要保留矩阵TA、TB的左上角8×8部分,也可以保存其他局部矩阵,相应的汉明距离阈值β要根据矩阵TA、TB的元素个数进行更改。
进一步地,所述步骤Step3.6中,汉明距离指两串Hash值进行异或运算后,结果为“1”的个数。
进一步地,所述步骤Step2.6和Step4中,方差阈值α通常取α=20,汉明距离阈值通常取β=10,可自行修改。
本发明的有益效果是:解决了现有技术在对图像相似判定时存在的运行时间长、效率低等现象,在不失其判定的灵活性和准确度的基础上提高了图像相似判定的效率。
附图说明
图1是本发明的步骤流程图。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明。
实施例1:如图1所示,一种基于预筛选法和PHash的图像相似判定方法,通过颜色方差算法对图像进行方差计算,计算两张图像之间基于颜色方差的方差差值,完成预筛选过程;若基于颜色方差的方差差值大于方差阈值,则判定为图像不相似,结束之后步骤;若基于颜色方差的方差差值小于等于方差阈值,继续通过PHash算法对图像进行Hash化,计算两张图像之间基于PHash的汉明距离;若基于PHash的汉明距离小于汉明距离阈值,则判定图像相似;否则判定为图像不相似。
具体包括以下步骤:
Step1:获取图像A和图像B;
Step2:通过颜色方差算法对图像A和图像B进行方差计算,得到图像A、B之间基于颜色方差算法的方差差值DVar(A,B);具体如Step2.1~Step2.6所示;
Step2.1:将图像A、B的大小压缩至8×8;
Step2.2:将压缩后的图像A、B转化为256阶灰度图像,并表示为矩阵形式IA、IB,其中IA(i,j),i∈[1,8],j∈[1,8]、IB(i,j),i∈[1,8],j∈[1,8]为矩阵元素值;
Step2.3:根据公式(1)计算矩阵IA、IB的每行元素平均值IA(i),i∈[1,8]、IB(i),i∈[1,8];
Step2.4:将矩阵按照从上至下(i=1→8)的规则,根据公式(2)进行方差计算,得到矩阵IA、IB的方差向量VarA、VarB,其中VarA(i),i∈[1,8]、VarB(i),i∈[1,8]为向量元素值;
Step2.5:通过公式(3)计算图像A、B之间基于颜色方差算法的方差差值DVar(A,B),其中δ为归一化参数;
Step2.6:定义方差阈值α,若图像A、B之间基于颜色方差算法的方差差值DVar(A,B)满足式(4)要求,则通过预筛选过程,进行Step3及之后步骤,继续判定其相似与否;若满足公式(5)要求,则判定图像A和图像B不相似,并结束之后步骤;
Dvar(A,B)≤α (4)
Dvar(A,B)>α (5)
Step3:通过PHash算法对图像A和图像B进行Hash化,得到图像A和图像B之间基于PHash的汉明距离DisP(A,B);具体如Step3.1~Step3.6所示;
Step3.1:将图像A、B的大小压缩至32×32;
Step3.2:将压缩后的图像A、B转化为256阶灰度图像,并表示为矩阵形式IA、IB,其中IA(i,j),i∈[1,32],j∈[1,32]、IB(i,j),i∈[1,32],j∈[1,32]为矩阵元素值;
Step3.3:计算矩阵IA、IB的DCT矩阵TA、TB,其中TA(i,j),i∈[1,32],j∈[1,32]、TB(i,j),i∈[1,32],j∈[1,32]为矩阵元素值;
Step3.4:保留矩阵TA、TB的左上角8×8部分,删除其余部分;
Step3.5:计算矩阵TA、TB的平均值uA、uB,将矩阵按照从上至下(i=1→8)、从左至右(j=1→8)的规则,根据公式(6)进行值优化,并对其连接生成图像A、B的PHash值PHashA、PHashB;其中T(i,j)代表适用于TA(i,j)、TB(i,j),u代表适用于uA、uB;
Step3.6:通过图像A、B的PHash值PHashA、PHashB,计算图像A和图像B之间基于PHash的汉明距离DisP(A,B);
Step4:定义汉明距离阈值β,若图像A和图像B之间基于PHash的汉明距离DisP(A,B)满足公式(7)要求,则判定图像A和图像B相似;否则判定图像A和图像B不相似。
DisP(A,B)≤β (7)
进一步地,所述步骤Step1中,图像A和图像B可以为任意大小的图像,且图像格式任意。
进一步地,所述步骤Step2.5中,归一化参数δ取正整数,通常取δ=1,但可根据实际效果进行调整。
进一步地,所述步骤Step3.4中,不一定非要保留矩阵TA、TB的左上角8×8部分,也可以保存其他局部矩阵,相应的汉明距离阈值β要根据矩阵TA、TB的元素个数进行更改。
进一步地,所述步骤Step3.6中,汉明距离指两串Hash值进行异或运算后,结果为“1”的个数。
进一步地,所述步骤Step2.6和Step4中,方差阈值α通常取α=20,汉明距离阈值通常取β=10,可自行修改。
实施例2:在实施例1的基础上,取方差阈值α=20、汉明距离阈值β=10,若步骤Step2.6中图像A和图像B之间基于颜色方差的方差差值DVar(A,B)=24,则判定图像A和图像B不相似,并结束之后步骤。
实施例3:在实施例1的基础上,取方差阈值α=20、汉明距离阈值β=10,若步骤Step2.6中图像A和图像B之间基于颜色方差的方差差值DVar(A,B)=17,则进行Step3及之后步骤,继续判定其相似与否;若步骤Step4中图像A和图像B之间基于PHash的汉明距离DisP(A,B)=6,则判定图像A和图像B相似;若步骤Step4中图像A和图像B之间基于PHash的汉明距离DisP(A,B)=13,则判定图像A和图像B不相似。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (1)
1.一种基于预筛选法和PHash的图像相似判定方法,其特征在于:
Step1:获取图像A和图像B;
Step2:通过颜色方差算法对图像A和图像B进行方差计算,得到图像A、B之间基于颜色方差算法的方差差值DVar(A,B);具体步骤如Step2.1~Step2.6所示;
Step2.1:将图像A、B的大小压缩至8×8;
Step2.2:将压缩后的图像A、B转化为256阶灰度图像,并表示为矩阵形式IA、IB,其中IA(i,j),i∈[1,8],j∈[1,8]、IB(i,j),i∈[1,8],j∈[1,8]为矩阵元素值;
Step2.3:根据公式(1)计算矩阵IA、IB的每行元素平均值IA(i),i∈[1,8]、IB(i),i∈[1,8];
Step2.4:将矩阵按照从上至下的规则,根据公式(2)进行方差计算,得到矩阵IA、IB的方差向量VarA、VarB,其中VarA(i),i∈[1,8]、VarB(i),i∈[1,8]为向量元素值;
Step2.5:通过公式(3)计算图像A、B之间基于颜色方差算法的方差差值DVar(A,B),其中δ为归一化参数;
Step2.6:定义方差阈值α,若图像A、B之间基于颜色方差算法的方差差值DVar(A,B)满足式(4)要求,则通过预筛选过程,进行Step3及之后步骤,继续判定其相似与否;若满足公式(5)要求,则判定图像A和图像B不相似,并结束之后步骤;
Dvar(A,B)≤α (4)
Dvar(A,B)>α (5)
Step3:通过PHash算法对图像A和图像B进行Hash化,得到图像A和图像B之间基于PHash的汉明距离DisP(A,B);具体步骤如Step3.1~Step3.6所示;
Step3.1:将图像A、B的大小压缩至32×32;
Step3.2:将压缩后的图像A、B转化为256阶灰度图像,并表示为矩阵形式IA、IB,其中IA(i,j),i∈[1,32],j∈[1,32]、IB(i,j),i∈[1,32],j∈[1,32]为矩阵元素值;
Step3.3:计算矩阵IA、IB的DCT矩阵TA、TB,其中TA(i,j),i∈[1,32],j∈[1,32]、TB(i,j),i∈[1,32],j∈[1,32]为矩阵元素值;
Step3.4:保留矩阵TA、TB的左上角8×8部分,删除其余部分;
Step3.5:计算矩阵TA、TB的平均值uA、uB,将矩阵按照从上至下、从左至右的规则,根据公式(6)进行值优化,并对其连接生成图像A、B的PHash值PHashA、PHashB;其中T(i,j)代表适用于TA(i,j)、TB(i,j),u代表适用于uA、uB;
Step3.6:通过图像A、B的PHash值PHashA、PHashB,计算图像A和图像B之间基于PHash的汉明距离DisP(A,B);
Step4:定义汉明距离阈值β,若图像A和图像B之间基于PHash的汉明距离DisP(A,B)满足公式(7)要求,则判定图像A和图像B相似;否则判定图像A和图像B不相似;
DisP(A,B)≤β (7)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811449694.1A CN109685114B (zh) | 2018-11-29 | 2018-11-29 | 一种基于预筛选法和PHash的图像相似判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811449694.1A CN109685114B (zh) | 2018-11-29 | 2018-11-29 | 一种基于预筛选法和PHash的图像相似判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685114A true CN109685114A (zh) | 2019-04-26 |
CN109685114B CN109685114B (zh) | 2022-04-15 |
Family
ID=66185961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811449694.1A Active CN109685114B (zh) | 2018-11-29 | 2018-11-29 | 一种基于预筛选法和PHash的图像相似判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685114B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861954A (zh) * | 2021-02-01 | 2021-05-28 | 深圳无域科技技术有限公司 | 图片相似度计算方法、系统、设备及计算机可读介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903244A (zh) * | 2012-12-25 | 2014-07-02 | 腾讯科技(深圳)有限公司 | 一种图像相似区块搜索方法及装置 |
US20150339829A1 (en) * | 2014-05-20 | 2015-11-26 | AVAST Software s.r.o. | Tunable multi-part perceptual image hashing |
CN105139420A (zh) * | 2015-08-03 | 2015-12-09 | 山东大学 | 一种基于粒子滤波和感知哈希的视频目标跟踪方法 |
CN106412619A (zh) * | 2016-09-28 | 2017-02-15 | 江苏亿通高科技股份有限公司 | 一种基于hsv颜色直方图和dct感知哈希的镜头边界检测方法 |
CN106650829A (zh) * | 2017-01-04 | 2017-05-10 | 华南理工大学 | 一种图片相似度计算方法 |
CN108090894A (zh) * | 2017-11-24 | 2018-05-29 | 浙江理工大学 | 基于距离匹配函数和感知哈希算法的织物疵点检测方法 |
CN108897775A (zh) * | 2018-06-01 | 2018-11-27 | 昆明理工大学 | 一种基于感知哈希的快速图像识别系统及方法 |
-
2018
- 2018-11-29 CN CN201811449694.1A patent/CN109685114B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903244A (zh) * | 2012-12-25 | 2014-07-02 | 腾讯科技(深圳)有限公司 | 一种图像相似区块搜索方法及装置 |
US20150339829A1 (en) * | 2014-05-20 | 2015-11-26 | AVAST Software s.r.o. | Tunable multi-part perceptual image hashing |
CN105139420A (zh) * | 2015-08-03 | 2015-12-09 | 山东大学 | 一种基于粒子滤波和感知哈希的视频目标跟踪方法 |
CN106412619A (zh) * | 2016-09-28 | 2017-02-15 | 江苏亿通高科技股份有限公司 | 一种基于hsv颜色直方图和dct感知哈希的镜头边界检测方法 |
CN106650829A (zh) * | 2017-01-04 | 2017-05-10 | 华南理工大学 | 一种图片相似度计算方法 |
CN108090894A (zh) * | 2017-11-24 | 2018-05-29 | 浙江理工大学 | 基于距离匹配函数和感知哈希算法的织物疵点检测方法 |
CN108897775A (zh) * | 2018-06-01 | 2018-11-27 | 昆明理工大学 | 一种基于感知哈希的快速图像识别系统及方法 |
Non-Patent Citations (4)
Title |
---|
KUO-LUNG HUNG 等: "A Novel Image Retrieval Technique Based on Salient Image Features", 《2012 THIRD INTERNATIONAL CONFERENCE ON INNOVATIONS IN BIO-INSPIRED COMPUTING AND APPLICATIONS》 * |
LONG YE 等: "A Novel Image Compression Framework at Edges", 《2017 IEEE VISUAL COMMUNICATIONS AND IMAGE PROCESSING (VCIP)》 * |
孙彬: "基于内容的视频分析关键技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
曾勇 等: "基于图像归一化和DCT的感知图像哈希算法", 《浙江理工大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861954A (zh) * | 2021-02-01 | 2021-05-28 | 深圳无域科技技术有限公司 | 图片相似度计算方法、系统、设备及计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109685114B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650829B (zh) | 一种图片相似度计算方法 | |
CN103116896B (zh) | 一种基于视觉显著性模型的自动检测跟踪方法 | |
CN101729911B (zh) | 一种基于视觉感知的多视点图像颜色校正方法 | |
CN106408596B (zh) | 基于边缘的局部立体匹配方法 | |
CN104079800A (zh) | 一种视频监控中视频图像的抗抖动方法 | |
CN109525847A (zh) | 一种恰可察觉失真模型阈值计算方法 | |
CN110853027A (zh) | 一种基于局部变动和全局变化的三维合成图像无参考质量评价方法 | |
CN106384338B (zh) | 一种基于形态学的光场深度图像的增强方法 | |
CN104200453A (zh) | 基于图像分割和可信度的视差图像校正方法 | |
CN109685112A (zh) | 一种基于颜色差值算法和DHash的图像相似判定方法 | |
CN110363197B (zh) | 基于改进视觉背景提取模型的视频感兴趣区域提取方法 | |
CN109685114A (zh) | 一种基于预筛选法和PHash的图像相似判定方法 | |
CN107295217A (zh) | 一种基于主成分分析的视频噪声估计方法 | |
CN110399886B (zh) | 一种屏幕图像jnd模型构建方法 | |
CN104994368B (zh) | 2d‑3d视频转换中的非关键帧排序方法 | |
CN109766938A (zh) | 基于场景标签约束深度网络的遥感影像多类目标检测方法 | |
CN116152121B (zh) | 基于畸变参数的曲面屏生成方法、矫正方法 | |
CN105608685A (zh) | 一种直方图修正的二次直方图均衡图像增强方法及系统 | |
CN106296626B (zh) | 一种基于梯度融合的夜间视频增强方法 | |
Li et al. | A novel method for 2D-to-3D video conversion using bi-directional motion estimation | |
CN105844671B (zh) | 一种变光照条件下的快速背景减除法 | |
CN104537637A (zh) | 一种单幅静态图像深度估计方法及装置 | |
CN109978858B (zh) | 一种基于前景检测的双框架缩略图像质量评价方法 | |
CN115660994B (zh) | 一种基于区域最小二乘估计的图像增强方法 | |
CN109670070A (zh) | 一种基于双重Hash的图像相似判定方法 |
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 |