CN110166684A - 图像处理方法、装置、计算机可读介质及电子设备 - Google Patents

图像处理方法、装置、计算机可读介质及电子设备 Download PDF

Info

Publication number
CN110166684A
CN110166684A CN201810693249.3A CN201810693249A CN110166684A CN 110166684 A CN110166684 A CN 110166684A CN 201810693249 A CN201810693249 A CN 201810693249A CN 110166684 A CN110166684 A CN 110166684A
Authority
CN
China
Prior art keywords
image
gradient
target
pixel
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
Application number
CN201810693249.3A
Other languages
English (en)
Other versions
CN110166684B (zh
Inventor
杨扬
马文晔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201810693249.3A priority Critical patent/CN110166684B/zh
Priority to PCT/CN2019/088973 priority patent/WO2020001222A1/zh
Priority to EP19824450.1A priority patent/EP3817361A4/en
Publication of CN110166684A publication Critical patent/CN110166684A/zh
Priority to US16/921,813 priority patent/US11348207B2/en
Application granted granted Critical
Publication of CN110166684B publication Critical patent/CN110166684B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • H04N23/81—Camera processing pipelines; Components thereof for suppressing or minimising disturbance in the image signal generation
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/10—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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20052—Discrete cosine transform [DCT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)

Abstract

本发明的实施例提供了一种图像处理方法、装置、计算机可读介质及电子设备。该图像处理方法包括：获取包含有反射重影的待处理图像；计算所述待处理图像的图像梯度；根据所述图像梯度确定所述待处理图像去除所述反射重影之后的目标图像的梯度；基于所述目标图像的梯度，生成所述目标图像。本发明实施例的技术方案能够有效去除图像中的反射重影，保证了处理后的图像具有较高的质量。

Description

图像处理方法、装置、计算机可读介质及电子设备
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种图像处理方法、装置、计算机可读介质及电子设备。
背景技术
现实生活中的许多照片是隔着玻璃(例如窗户、橱窗等)拍摄的，这样拍摄得到的照片中会带有玻璃表面的反射重影，对实际拍摄的目标物体造成干扰。
针对上述问题，相关技术中提出了基于多张相似的图像(例如略微变换拍摄角度、使用偏光器、开启/关闭闪光灯等方法拍摄到的多张图像)来将反射重影部分分离出来并去除。但是，这种方案需要拍摄多张相似的图像，还需运用特殊装置或满足特定条件，因而难以适用于实际生活情形。可见，目前并没有有效的去除反射重影的技术方案。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明实施例的目的在于提供一种图像处理方法、装置、计算机可读介质及电子设备，进而至少在一定程度上克服无法有效去除图像中的反射重影的问题。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本发明实施例的一个方面，提供了一种图像处理方法，包括：获取包含有反射重影的待处理图像；计算所述待处理图像的图像梯度；根据所述图像梯度确定所述待处理图像去除所述反射重影之后的目标图像的梯度；基于所述目标图像的梯度，生成所述目标图像。
根据本发明实施例的一个方面，提供了一种图像处理装置，包括：获取单元，用于获取包含有反射重影的待处理图像；梯度计算单元，用于计算所述待处理图像的图像梯度；第一处理单元，用于根据所述图像梯度确定所述待处理图像去除所述反射重影之后的目标图像的梯度；第二处理单元，用于基于所述目标图像的梯度，生成所述目标图像。
在本发明的一些实施例中，基于前述方案，所述第一处理单元包括：模长计算单元，用于根据所述图像梯度计算所述待处理图像中的各个像素点的梯度模长；第一确定单元，用于基于所述待处理图像中的各个像素点的梯度模长，确定所述目标图像中的各个像素点的梯度值；第二确定单元，用于根据所述目标图像中的各个像素点的梯度值，确定所述目标图像的梯度。
在本发明的一些实施例中，基于前述方案，所述第一确定单元用于：确定所述待处理图像中梯度模长小于模长阈值的第一类像素点和梯度模长大于或等于所述模长阈值的第二类像素点；将所述第一类像素点的梯度值设为0，得到所述第一类像素点更新后的梯度值；将所述第一类像素点更新后的梯度值和所述第二类像素点的梯度值作为所述目标图像中的各个像素点的梯度值。
在本发明的一些实施例中，基于前述方案，所述模长阈值的大小与所述反射重影的强弱程度相关联。
在本发明的一些实施例中，基于前述方案，所述第二处理单元包括：构建单元，用于根据所述目标图像的梯度，以及所述待处理图像和目标变量构建优化函数，并基于所述优化函数构建优化模型，所述优化模型表示在所述优化函数的值达到最小值时，所述目标变量对应的最优解表示所述目标图像；求解单元，用于对所述优化模型进行求解，以得到所述目标变量对应的最优解；生成单元，用于基于所述目标变量对应的最优解，生成所述目标图像。
在本发明的一些实施例中，基于前述方案，所述构建单元用于：计算所述目标图像的梯度的散度，根据所述目标图像的梯度的散度和所述目标变量的拉普拉斯变换项构建第一计算项，并根据所述待处理图像和所述目标变量构建第二计算项；根据所述第一计算项和所述第二计算项，生成所述优化函数。
在本发明的一些实施例中，基于前述方案，所述构建单元用于：生成所述第一计算项的权重和所述第二计算项的权重，其中，所述第二计算项的权重小于所述第一计算项的权重；根据所述第一计算项的权重和所述第二计算项的权重，对所述第一计算项和所述第二计算项进行加权求和，以生成所述优化函数。
在本发明的一些实施例中，基于前述方案，所述构建单元用于根据以下公式生成所述优化函数：
其中，表示所述目标变量的拉普拉斯变换项；表示所述目标图像的梯度；div(·)表示散度算子；T表示所述目标变量；I表示所述待处理图像；k1表示所述第一计算项的权重；k2表示所述第二计算项的权重。
在本发明的一些实施例中，基于前述方案，所述求解单元用于：在所述优化函数中对所述目标变量进行求导运算，得到所述优化函数的导数；将所述导数的值置为0，以构建目标方程；对所述目标方程进行求解，以得到所述目标变量对应的最优解。
在本发明的一些实施例中，基于前述方案，所述求解单元用于：对所述目标方程进行离散余弦变换处理；基于对所述目标方程进行离散余弦变换处理后的结果，得到所述目标变量对应的最优解。
在本发明的一些实施例中，基于前述方案，所述生成单元用于：基于所述目标变量对应的最优解，计算所述目标图像中的各个像素点的像素值；根据所述目标图像中的各个像素点的像素值，生成所述目标图像。
在本发明的一些实施例中，基于前述方案，所述生成单元用于：基于所述目标变量对应的最优解，分别计算所述目标图像中的各个像素点对应的各个颜色通道的颜色值；根据所述目标图像中的各个像素点对应的各个颜色通道的颜色值，确定所述目标图像中的各个像素点的像素值。
根据本发明实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的图像处理方法。
根据本发明实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的图像处理方法。
在本发明的一些实施例所提供的技术方案中，通过计算待处理图像的图像梯度，并根据该待处理图像的图像梯度确定待处理图像去除反射重影之后的目标图像的梯度，以基于该目标图像的梯度生成目标图像，使得能够通过计算待处理图像的图像梯度来过滤掉待处理图像中的反射重影部分，进而基于得到的目标图像的梯度来生成目标图像，避免了相关技术中需要采用多张相似的图像来消除反射重影而带来的实用性较低的问题，实现了在一张图像的基础上有效去除反射重影的目的，同时能够保证处理后的图像具有较高的质量。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。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。在附图中：
图1示出了可以应用本发明实施例的图像处理方法或图像处理装置的示例性系统架构的示意图；
图2示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图；
图3示意性示出了根据本发明的一个实施例的图像处理方法的流程图；
图4示意性示出了根据本发明的一个实施例的基于目标图像的梯度生成目标图像的流程图；
图5示意性示出了根据本发明的一个实施例的构建优化函数的流程图；
图6示意性示出了根据本发明的一个实施例的对优化模型进行求解的流程图；
图7示意性示出了根据本发明的一个实施例的基于目标变量对应的最优解生成目标图像的流程图；
图8示出了根据本发明的一个实施例的拍照时的成像过程示意图；
图9示出了根据本发明的一个实施例的对包含有反射重影的图像进行处理前后的对比效果示意图；
图10示出了根据本发明的一个实施例的对包含有反射重影的图像进行处理前后的对比效果示意图；
图11示出了根据本发明的一个实施例的对包含有反射重影的图像进行处理前后的对比效果示意图；
图12示意性示出了根据本发明的一个实施例的图像处理装置的框图；
图13示意性示出了根据本发明的一个实施例的第一处理单元的框图；
图14示意性示出了根据本发明的一个实施例的第二处理单元的框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本发明实施例的图像处理方法或图像处理装置的示例性系统架构100的示意图。
如图1所示，系统架构100可以包括终端设备101、102、103中的一种或多种，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线通信链路、无线通信链路等等。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器。例如用户利用终端设备103(也可以是终端设备101或102)向服务器105上传了包含有反射重影的待处理图像。服务器105在接收到该待处理图像之后，可以计算该待处理图像的图像梯度，然后根据该图像梯度确定待处理图像去除反射重影之后的目标图像的梯度，进而基于该目标图像的梯度，生成目标图像。
需要说明的是，本发明实施例所提供的图像处理方法一般由服务器105执行，相应地，图像处理装置一般设置于服务器105中。但是，在本发明的其它实施例中，终端也可以与服务器具有相似的功能，从而执行本发明实施例所提供的图像处理方案，比如终端在拍摄到一张包含有反射重影的图像之后，直接对该图像进行处理，进而得到去除反射重影之后的清晰图像。
图2示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图2示出的电子设备的计算机系统200仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图2所示，计算机系统200包括中央处理单元(CPU)201，其可以根据存储在只读存储器(ROM)202中的程序或者从存储部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统操作所需的各种程序和数据。CPU201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207；包括硬盘等的存储部分208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入存储部分208。
特别地，根据本发明的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图3至图7所示的各个步骤。
以下对本发明实施例的技术方案的实现细节进行详细阐述：
图3示意性示出了根据本发明的一个实施例的图像处理方法的流程图，该图像处理方法适用于前述实施例中所述的电子设备。参照图3所示，该图像处理方法至少包括步骤S310至步骤S340，详细介绍如下：
在步骤S310中，获取包含有反射重影的待处理图像。
在本发明的一个实施例中，待处理图像可以是用户通过终端(如智能手机、照相机、摄像机等)拍摄得到的，比如用户隔着玻璃、橱窗等进行拍摄时可能由于玻璃的反射作用导致拍摄的图像中存在发射重影。
在步骤S320中，计算所述待处理图像的图像梯度。
在本发明的一个实施例中，在计算待处理图像的图像梯度时，可以将图像看成二维离散函数，计算图像的梯度其实就是对这个二维离散函数进行求导。
在步骤S330中，根据所述图像梯度确定所述待处理图像去除所述反射重影之后的目标图像的梯度。
在本发明的一个实施例中，步骤S330具体包括：根据所述图像梯度计算所述待处理图像中的各个像素点的梯度模长；基于所述待处理图像中的各个像素点的梯度模长，确定所述目标图像中的各个像素点的梯度值；根据所述目标图像中的各个像素点的梯度值，确定所述目标图像的梯度。
在该实施例中，相对于物体边界清晰的目标图像而言，反射重影通常较为模糊，颜色变化较为平缓，那么目标图像的梯度值在大部分像素上都是0，而少数非0部分的梯度模长都比较大，但是反射重影部分在所有像素上的模长都比较小，因此可以根据待处理图像中的各个像素点的梯度模长来确定目标图像中的各个像素点的梯度值。
具体地，在本发明的一个实施例中，可以根据待处理图像中的各个像素点的梯度模长，确定待处理图像中梯度模长小于模长阈值的第一类像素点和梯度模长大于或等于所述模长阈值的第二类像素点；然后将所述第一类像素点的梯度值设为0，得到所述第一类像素点更新后的梯度值；进而将所述第一类像素点更新后的梯度值和所述第二类像素点的梯度值作为所述目标图像中的各个像素点的梯度值。需要说明的是，本发明实施例中确定的目标图像的梯度是目标图像的近似梯度。
在本发明的一个实施例中，模长阈值如果设置过小，则会导致反射重影去除不彻底；模长阈值如果设置过大，则会导致图像中的一些细节去错误去除，因此在选择模长阈值时，需要根据反射重影的强弱程度选择较为合适的值，即模长阈值的大小与反射重影的强弱程度相关联。
继续参照图3所示，在步骤S340中，基于所述目标图像的梯度，生成所述目标图像。
图3所示实施例的技术方案使得能够通过计算待处理图像的图像梯度来过滤掉待处理图像中的反射重影部分，进而基于得到的目标图像的梯度来生成目标图像，实现了在一张图像的基础上有效去除反射重影的目的，同时能够保证处理后的图像具有较高的质量。
以下对图3中所示的步骤S340的实现细节进行详细阐述：
参照图4所示，根据本发明的一个实施例的基于目标图像的梯度生成目标图像的流程，包括如下步骤S410、步骤S420和步骤S430。
在步骤S410中，根据所述目标图像的梯度，以及所述待处理图像和目标变量构建优化函数，并基于所述优化函数构建优化模型，所述优化模型表示在所述优化函数的值达到最小值时，所述目标变量对应的最优解表示所述目标图像。
在本发明的一个实施例中，如图5所示，构建优化函数的过程可以包括如下步骤S510和步骤S520：
在步骤S510中，计算所述目标图像的梯度的散度，根据所述目标图像的梯度的散度和所述目标变量的拉普拉斯变换项构建第一计算项，并根据所述待处理图像和所述目标变量构建第二计算项。
在本发明的一个实施例中，可以计算目标变量的拉普拉斯变换项和目标图像的梯度的散度之间的差值，然后求该差值的二范数的平方，以此作为第一计算项。同时也可以计算待处理图像与目标变量之间的差值，然后将该差值的二范数的平方作为第二计算项。
需要说明的是，由于第一计算项中包含的均为一阶导数和二阶导数，那么在进行求导运算确定最优解时会存在无限多个解，因此在上述实施例中添加了第二计算项来保证优化函数在求解时仅有唯一解。
在步骤S520中，根据所述第一计算项和所述第二计算项，生成所述优化函数。
在本发明的一个实施例中，步骤S520具体包括：生成所述第一计算项的权重和所述第二计算项的权重，其中，所述第二计算项的权重小于所述第一计算项的权重；根据所述第一计算项的权重和所述第二计算项的权重，对所述第一计算项和所述第二计算项进行加权求和，以生成所述优化函数。
在该实施例中，由于第二计算项是为了保证优化函数在求解时仅有唯一解，因此可以将第二计算项的权重设置为较小值，以避免对优化函数的解造成较大的影响。
在本发明的一个实施例中，可以根据以下公式生成所述优化函数：
其中，表示所述目标变量的拉普拉斯变换项；表示所述目标图像的梯度；div(·)表示散度算子；T表示所述目标变量；I表示所述待处理图像；k1表示所述第一计算项的权重；k2表示所述第二计算项的权重。
在本发明的一个实施例中，k1可以为k2可以为ε为参数。
继续参照图4所示，在步骤S420中，对所述优化模型进行求解，以得到所述目标变量对应的最优解。
在本发明的一个实施例中，如图6所示，对所述优化模型进行求解，具体可以包括如下步骤：
步骤S610，在所述优化函数中对所述目标变量进行求导运算，得到所述优化函数的导数。
步骤S620，将所述导数的值置为0，以构建目标方程。
步骤S630，对所述目标方程进行求解，以得到所述目标变量对应的最优解。
在本发明的一个实施例中，对目标方程的求解过程可以是对目标方程进行离散余弦变换处理；然后基于对所述目标方程进行离散余弦变换处理后的结果，得到所述目标变量对应的最优解。
继续参照图4所示，在步骤S430中，基于所述目标变量对应的最优解，生成所述目标图像。
在本发明的一个实施例中，如图7所示，基于目标变量对应的最优解，生成所述目标图像的过程，包括：
步骤S710，基于所述目标变量对应的最优解，计算所述目标图像中的各个像素点的像素值。
在本发明的一个实施例中，可以基于目标变量对应的最优解，分别计算所述目标图像中的各个像素点对应的各个颜色通道的颜色值，并根据所述目标图像中的各个像素点对应的各个颜色通道的颜色值，确定所述目标图像中的各个像素点的像素值。
在本发明的一个实施例中，对于RGB图像而言，每个像素点对应了R、G、B三个颜色通道。在获得每个像素点对应的各个颜色通道的颜色值之后，可以得到各个像素点的像素值。
步骤S720，根据所述目标图像中的各个像素点的像素值，生成所述目标图像。
本发明上述实施例的技术方案使得能够通过构建凸函数(即上述的优化函数)来保证得到全局最优解，并且能够快速求出优化函数的解，提高了图像的处理效率。
以下结合图8至图11，以待处理图像为I，反射重影部分为反射层(ReflectionLayer)R，不包含反射重影的部分为传输层(Transmission Layer)T为例，对本发明实施例的技术方案的实现细节进行详细阐述：
在本发明的一个实施例中，待处理图像I可以分解为传输层T和反射层R，即I＝T+R，假设反射层R是缓和平滑的，对待处理图像I求梯度，得到如下等式：
如图8所示，由于在实际拍照的过程中，照相机的镜头对焦于玻璃后面的被拍摄物体，玻璃上的反射物体由于距离镜头较近，无法完全聚焦，因而在底片上成像较为模糊。
基于上述分析可知，相对于物体边界清晰的传输层T，反射层R较为模糊，颜色变化较为平缓，用数学语言来描述，即在大部分像素上都是0，而少数非0部分的模长都比较大，而在所有像素上的模长都比较小。因此可以用截取函数将较小的部分去掉，从而使得截取之后所得的梯度就近似于即
其中，截取函数定义为：
在截取函数的定义中，h表示梯度模长的阈值，梯度模长大于h的像素点的梯度将被替换为0，即对应像素相对于周边像素的颜色变化将被抹平。
通过以上原理，当给定一个图像I之后，可以通过反解得到传输层T。在本发明的一个实施例中，反解得到传输层T的过程依赖于如下优化模型：
上述优化模型表示目标函数的值在最小时对应的T值即为得到的传输层T。
在上述优化模型中，表示传输层T的拉普拉斯变换，用于提取照片中物体的边缘(即颜色变化明显的边界)，其中传输层T的拉普拉斯变换等于其二阶梯度，即div(·)表示散度算子，为梯度算子的负转置。目标函数中用于表示传输层T中的物体边缘与输入图像I中物体的明显边缘尽量接近。
由于目标函数中的包含的均为一阶导数和二阶导数，那么在进行求导运算确定最优解时会存在无限多个解，因此在目标函数中添加了来保证目标函数在求解时仅有唯一解。而为了避免在目标函数中添加的对结果造成较大的影响，可以使参数ε取一个极小的值，以便保证处理得到的图像具有较优的质量。
为了求解上述的优化模型，可以在在目标函数中对变量T求导，令导数为0，可得到下面的方程：
上述方程是一个类泊松方程，可以使用标准的离散余弦变换(DCT for DiscreteCosine Transform)求解，得到如下述公式1所示的闭式解：
在公式1中，P表示Fc(·)表示离散余弦变换，表示对应的逆变换，脚标(m,n)表示第m行第n列的像素，K由下式公式2定义：
在上述公式2中，M和N代表待处理的图像I的像素维度是M*N。
基于上述的理论基础，当给定一张带有玻璃反射重影的输入图像I时，可以按照上述公式1求得T即可，其中彩色图像具有红、绿、蓝三个颜色通道，因此对于每个颜色通道都按照上述公式1进行计算，然后再进行合并即可。在求解过程中需要指定参数ε和h的值，在本发明的一个实施例中，ε的取值可以取[10-7,10-9]，比如可以取10-7、10-8或10-9，以便达到较好的去重影效果。而若h取值过小，会导致反射层重影去除不彻底；若h取值过大，会导致传输层的细节被错误去除。因此，h的取值需要根据输入图像中玻璃反射重影的强弱程度进行调整，以便达到最佳的效果。
本发明实施例的技术方案可以有效去除图像中的反射重影，具体如图9所示，图9中(a)图表示包含有反射重影的图像，图9中(b)图表示根据本发明实施例的技术方案处理后得到的图像，可见基于本发明实施例的技术方案有效去除了图9中(a)图中的反射重影901和902。
再如图10所示，图10中(a)图表示包含有反射重影的图像，图10中(b)图表示根据本发明实施例的技术方案处理后得到的图像，可见基于本发明实施例的技术方案有效去除了图10中(a)图中的反射重影1001。
又如图11所示，图11中(a)图表示包含有反射重影的图像，图11中(b)图表示根据本发明实施例的技术方案处理后得到的图像，可见基于本发明实施例的技术方案有效去除了图11中(a)图中的反射重影1101，并极大减弱了图11中(a)图中的反射重影1102。
在本发明的一个实施例中，可以在MATLAB 2017a上实现本发明实施例中的图像处理算法，当计算机配置为8核Intel i7-8550U 1.80GHz CPU和16GB内存时，对于一张用手机拍摄的1440*1080像素的照片，采用本发明实施例的技术方案对图像进行处理的时间不超过1.5秒，比现行的最好的图像处理算法(如通过迭代的方式来消除反射重影的算法那)快大约800倍。可见，本发明实施例的技术方案不仅有效去除了图像中的反射重影，而且能够提高图像的处理速率。
以下介绍本发明的装置实施例，可以用于执行本发明上述实施例中的图像处理方法。对于本发明装置实施例中未披露的细节，请参照本发明上述的图像处理方法的实施例。
图12示意性示出了根据本发明的一个实施例的图像处理装置的框图。
参照图12所示，根据本发明的一个实施例的图像处理装置1200，包括：获取单元1201、梯度计算单元1202、第一处理单元1203和第二处理单元1204。
其中，获取单元1201用于获取包含有反射重影的待处理图像；梯度计算单元1202用于计算所述待处理图像的图像梯度；第一处理单元1203用于根据所述图像梯度确定所述待处理图像去除所述反射重影之后的目标图像的梯度；第二处理单元1204用于基于所述目标图像的梯度，生成所述目标图像。
在本发明的一个实施例中，如图13所示，第一处理单元1203包括：模长计算单元1301、第一确定单元1302和第二确定单元1303。
其中，模长计算单元1301用于根据所述图像梯度计算所述待处理图像中的各个像素点的梯度模长；第一确定单元1302用于基于所述待处理图像中的各个像素点的梯度模长，确定所述目标图像中的各个像素点的梯度值；第二确定单元1303用于根据所述目标图像中的各个像素点的梯度值，确定所述目标图像的梯度。
在本发明的一个实施例中，所述第一确定单元1302用于：确定所述待处理图像中梯度模长小于模长阈值的第一类像素点和梯度模长大于或等于所述模长阈值的第二类像素点；将所述第一类像素点的梯度值设为0，得到所述第一类像素点更新后的梯度值；将所述第一类像素点更新后的梯度值和所述第二类像素点的梯度值作为所述目标图像中的各个像素点的梯度值。
在本发明的一个实施例中，所述模长阈值的大小与所述反射重影的强弱程度相关联。
在本发明的一个实施例中，如图14所示，第二处理单元1204包括：构建单元1401、求解单元1402和生成单元1403。
其中，构建单元1401用于根据所述目标图像的梯度，以及所述待处理图像和目标变量构建优化函数，并基于所述优化函数构建优化模型，所述优化模型表示在所述优化函数的值达到最小值时，所述目标变量对应的最优解表示所述目标图像；求解单元1402用于对所述优化模型进行求解，以得到所述目标变量对应的最优解；生成单元1403用于基于所述目标变量对应的最优解，生成所述目标图像。
在本发明的一个实施例中，所述构建单元1401用于：计算所述目标图像的梯度的散度，根据所述目标图像的梯度的散度和所述目标变量的拉普拉斯变换项构建第一计算项，并根据所述待处理图像和所述目标变量构建第二计算项；根据所述第一计算项和所述第二计算项，生成所述优化函数。
在本发明的一个实施例中，所述构建单元1401用于：生成所述第一计算项的权重和所述第二计算项的权重，其中，所述第二计算项的权重小于所述第一计算项的权重；根据所述第一计算项的权重和所述第二计算项的权重，对所述第一计算项和所述第二计算项进行加权求和，以生成所述优化函数。
在本发明的一个实施例中，所述构建单元1401用于根据以下公式生成所述优化函数：
其中，表示所述目标变量的拉普拉斯变换项；表示所述目标图像的梯度；div(·)表示散度算子；T表示所述目标变量；I表示所述待处理图像；k1表示所述第一计算项的权重；k2表示所述第二计算项的权重。
在本发明的一个实施例中，所述求解单元1402用于：在所述优化函数中对所述目标变量进行求导运算，得到所述优化函数的导数；将所述导数的值置为0，以构建目标方程；对所述目标方程进行求解，以得到所述目标变量对应的最优解。
在本发明的一个实施例中，所述求解单元1402用于：对所述目标方程进行离散余弦变换处理；基于对所述目标方程进行离散余弦变换处理后的结果，得到所述目标变量对应的最优解。
在本发明的一个实施例中，所述生成单元1403用于：基于所述目标变量对应的最优解，计算所述目标图像中的各个像素点的像素值；根据所述目标图像中的各个像素点的像素值，生成所述目标图像。
在本发明的一个实施例中，所述生成单元1403用于：基于所述目标变量对应的最优解，分别计算所述目标图像中的各个像素点对应的各个颜色通道的颜色值；根据所述目标图像中的各个像素点对应的各个颜色通道的颜色值，确定所述目标图像中的各个像素点的像素值。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (15)

1.一种图像处理方法，其特征在于，包括：
获取包含有反射重影的待处理图像；
计算所述待处理图像的图像梯度；
根据所述图像梯度确定所述待处理图像去除所述反射重影之后的目标图像的梯度；
基于所述目标图像的梯度，生成所述目标图像。
2.根据权利要求1所述的图像处理方法，其特征在于，根据所述图像梯度确定所述待处理图像去除所述反射重影之后的目标图像的梯度，包括：
根据所述图像梯度计算所述待处理图像中的各个像素点的梯度模长；
基于所述待处理图像中的各个像素点的梯度模长，确定所述目标图像中的各个像素点的梯度值；
根据所述目标图像中的各个像素点的梯度值，确定所述目标图像的梯度。
3.根据权利要求2所述的图像处理方法，其特征在于，基于所述待处理图像中的各个像素点的梯度模长，确定所述目标图像中的各个像素点的梯度值，包括：
确定所述待处理图像中梯度模长小于模长阈值的第一类像素点和梯度模长大于或等于所述模长阈值的第二类像素点；
将所述第一类像素点的梯度值设为0，得到所述第一类像素点更新后的梯度值；
将所述第一类像素点更新后的梯度值和所述第二类像素点的梯度值作为所述目标图像中的各个像素点的梯度值。
4.根据权利要求3所述的图像处理方法，其特征在于，所述模长阈值的大小与所述反射重影的强弱程度相关联。
5.根据权利要求1所述的图像处理方法，其特征在于，基于所述目标图像的梯度，生成所述目标图像，包括：
根据所述目标图像的梯度，以及所述待处理图像和目标变量构建优化函数，并基于所述优化函数构建优化模型，所述优化模型表示在所述优化函数的值达到最小值时，所述目标变量对应的最优解表示所述目标图像；
对所述优化模型进行求解，以得到所述目标变量对应的最优解；
基于所述目标变量对应的最优解，生成所述目标图像。
6.根据权利要求5所述的图像处理方法，其特征在于，根据所述目标图像的梯度，以及所述待处理图像和目标变量构建优化函数，包括：
计算所述目标图像的梯度的散度，根据所述目标图像的梯度的散度和所述目标变量的拉普拉斯变换项构建第一计算项，并根据所述待处理图像和所述目标变量构建第二计算项；
根据所述第一计算项和所述第二计算项，生成所述优化函数。
7.根据权利要求6所述的图像处理方法，其特征在于，根据所述第一计算项和所述第二计算项，生成所述优化函数，包括：
生成所述第一计算项的权重和所述第二计算项的权重，其中，所述第二计算项的权重小于所述第一计算项的权重；
根据所述第一计算项的权重和所述第二计算项的权重，对所述第一计算项和所述第二计算项进行加权求和，以生成所述优化函数。
8.根据权利要求7所述的图像处理方法，其特征在于，根据以下公式生成所述优化函数：
其中，表示所述目标变量的拉普拉斯变换项；表示所述目标图像的梯度；div(·)表示散度算子；T表示所述目标变量；I表示所述待处理图像；k1表示所述第一计算项的权重；k2表示所述第二计算项的权重。
9.根据权利要求5至8中任一项所述的图像处理方法，其特征在于，对所述优化模型进行求解，包括：
在所述优化函数中对所述目标变量进行求导运算，得到所述优化函数的导数；
将所述导数的值置为0，以构建目标方程；
对所述目标方程进行求解，以得到所述目标变量对应的最优解。
10.根据权利要求9所述的图像处理方法，其特征在于，对所述目标方程进行求解，包括：
对所述目标方程进行离散余弦变换处理；
基于对所述目标方程进行离散余弦变换处理后的结果，得到所述目标变量对应的最优解。
11.根据权利要求5所述的图像处理方法，其特征在于，基于所述目标变量对应的最优解，生成所述目标图像，包括：
基于所述目标变量对应的最优解，计算所述目标图像中的各个像素点的像素值；
根据所述目标图像中的各个像素点的像素值，生成所述目标图像。
12.根据权利要求11所述的图像处理方法，其特征在于，基于所述目标变量对应的最优解，计算所述目标图像中的各个像素点的像素值，包括：
基于所述目标变量对应的最优解，分别计算所述目标图像中的各个像素点对应的各个颜色通道的颜色值；
根据所述目标图像中的各个像素点对应的各个颜色通道的颜色值，确定所述目标图像中的各个像素点的像素值。
13.一种图像处理装置，其特征在于，包括：
获取单元，用于获取包含有反射重影的待处理图像；
梯度计算单元，用于计算所述待处理图像的图像梯度；
第一处理单元，用于根据所述图像梯度确定所述待处理图像去除所述反射重影之后的目标图像的梯度；
第二处理单元，用于基于所述目标图像的梯度，生成所述目标图像。
14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至12中任一项所述的图像处理方法。
15.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至12中任一项所述的图像处理方法。
CN201810693249.3A 2018-06-29 2018-06-29 图像处理方法、装置、计算机可读介质及电子设备 Active CN110166684B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201810693249.3A CN110166684B (zh) 2018-06-29 2018-06-29 图像处理方法、装置、计算机可读介质及电子设备
PCT/CN2019/088973 WO2020001222A1 (zh) 2018-06-29 2019-05-29 图像处理方法、装置、计算机可读介质及电子设备
EP19824450.1A EP3817361A4 (en) 2018-06-29 2019-05-29 IMAGE PROCESSING METHOD, COMPUTER READABLE MEDIUM, AND ELECTRONIC DEVICE
US16/921,813 US11348207B2 (en) 2018-06-29 2020-07-06 Image processing method and apparatus, computer-readable medium, and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810693249.3A CN110166684B (zh) 2018-06-29 2018-06-29 图像处理方法、装置、计算机可读介质及电子设备

Publications (2)

Publication Number Publication Date
CN110166684A true CN110166684A (zh) 2019-08-23
CN110166684B CN110166684B (zh) 2021-09-17

Family

ID=67645043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810693249.3A Active CN110166684B (zh) 2018-06-29 2018-06-29 图像处理方法、装置、计算机可读介质及电子设备

Country Status (4)

Country Link
US (1) US11348207B2 (zh)
EP (1) EP3817361A4 (zh)
CN (1) CN110166684B (zh)
WO (1) WO2020001222A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738677A (zh) * 2019-09-20 2020-01-31 清华大学 相机全清晰成像方法、装置与电子设备
CN111782219A (zh) * 2020-07-16 2020-10-16 矩阵元技术（深圳）有限公司 基于TensorFlow的自定义类型实现方法和装置
CN113379610A (zh) * 2020-03-10 2021-09-10 Tcl科技集团股份有限公司 图像处理模型的训练方法、图像处理方法、介质及终端

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111292268B (zh) * 2020-02-07 2023-07-25 抖音视界有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN113395436A (zh) * 2020-03-12 2021-09-14 杭州海康威视数字技术股份有限公司 图像处理方法、图像处理装置及图像处理系统
CN114037643A (zh) * 2021-11-12 2022-02-11 成都微光集电科技有限公司 图像处理方法、装置、介质和设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011029710A (ja) * 2009-07-21 2011-02-10 Nikon Corp 画像処理装置、画像処理プログラムおよび撮像装置
CN102905058A (zh) * 2011-07-28 2013-01-30 三星电子株式会社 产生去除了重影模糊的高动态范围图像的设备和方法
CN105959543A (zh) * 2016-05-19 2016-09-21 努比亚技术有限公司 一种去除反光的拍摄装置和方法
US20160371820A1 (en) * 2015-06-17 2016-12-22 Canon Kabushiki Kaisha Image processing apparatus, image pickup apparatus, image processing method, and non-transitory computer-readable storage medium for estimating blur
AU2016225778A1 (en) * 2015-11-06 2017-05-25 Adobe Inc. Dehazing photos and videos using visual artifact suppression
JP2017157043A (ja) * 2016-03-02 2017-09-07 キヤノン株式会社 画像処理装置、撮像装置、及び、画像処理方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7616826B2 (en) * 2006-07-28 2009-11-10 Massachusetts Institute Of Technology Removing camera shake from a single photograph using statistics of a natural image
US8891896B2 (en) * 2009-01-22 2014-11-18 Hewlett-Packard Development Company, L.P. Estimating blur degradation of an image using specular highlights
US8705881B2 (en) * 2011-09-02 2014-04-22 Adobe Systems Incorporated Motion deblurring for text images
CN103247036B (zh) * 2012-02-10 2016-05-18 株式会社理光 多曝光图像融合方法和装置
US8687913B2 (en) * 2012-07-17 2014-04-01 Adobe Systems Incorporated Methods and apparatus for image deblurring and sharpening using local patch self-similarity
US10063829B2 (en) * 2014-04-18 2018-08-28 Canon Kabushiki Kaisha Image processing method, image processing apparatus, image pickup apparatus, and non-transitory computer-readable storage medium
CN105976332B (zh) * 2016-05-03 2019-03-01 北京大学深圳研究生院 基于图像中亮条纹信息的图像去模糊方法
JP6988819B2 (ja) * 2016-11-15 2022-01-05 ソニーグループ株式会社 画像処理装置、および画像処理方法、並びにプログラム
CN106650794B (zh) * 2016-11-24 2019-10-01 北京理工大学 一种受物体表面高光反射影响的图像高光消除方法及系统
KR102614906B1 (ko) * 2016-12-05 2023-12-18 삼성전자주식회사 영상 처리 방법 및 장치
CN106651798B (zh) * 2016-12-16 2020-04-28 四川长虹电器股份有限公司 一种有效的图像镜面反射移除方法
CN107610059B (zh) * 2017-08-28 2020-10-16 维沃移动通信有限公司 一种图像处理方法及移动终端

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011029710A (ja) * 2009-07-21 2011-02-10 Nikon Corp 画像処理装置、画像処理プログラムおよび撮像装置
CN102905058A (zh) * 2011-07-28 2013-01-30 三星电子株式会社 产生去除了重影模糊的高动态范围图像的设备和方法
US20160371820A1 (en) * 2015-06-17 2016-12-22 Canon Kabushiki Kaisha Image processing apparatus, image pickup apparatus, image processing method, and non-transitory computer-readable storage medium for estimating blur
AU2016225778A1 (en) * 2015-11-06 2017-05-25 Adobe Inc. Dehazing photos and videos using visual artifact suppression
JP2017157043A (ja) * 2016-03-02 2017-09-07 キヤノン株式会社 画像処理装置、撮像装置、及び、画像処理方法
CN105959543A (zh) * 2016-05-19 2016-09-21 努比亚技术有限公司 一种去除反光的拍摄装置和方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738677A (zh) * 2019-09-20 2020-01-31 清华大学 相机全清晰成像方法、装置与电子设备
CN113379610A (zh) * 2020-03-10 2021-09-10 Tcl科技集团股份有限公司 图像处理模型的训练方法、图像处理方法、介质及终端
CN113379610B (zh) * 2020-03-10 2024-03-15 Tcl科技集团股份有限公司 图像处理模型的训练方法、图像处理方法、介质及终端
CN111782219A (zh) * 2020-07-16 2020-10-16 矩阵元技术（深圳）有限公司 基于TensorFlow的自定义类型实现方法和装置
CN111782219B (zh) * 2020-07-16 2024-03-22 矩阵元技术（深圳）有限公司 基于TensorFlow的自定义类型实现方法和装置

Also Published As

Publication number Publication date
US20200334794A1 (en) 2020-10-22
EP3817361A4 (en) 2021-08-25
US11348207B2 (en) 2022-05-31
EP3817361A1 (en) 2021-05-05
CN110166684B (zh) 2021-09-17
WO2020001222A1 (zh) 2020-01-02

Similar Documents

Publication Publication Date Title
CN110166684A (zh) 图像处理方法、装置、计算机可读介质及电子设备
US9866748B2 (en) System and method for controlling a camera based on processing an image captured by other camera
US10452905B2 (en) System and method for detecting objects in an image
CN108062780B (zh) 图像压缩方法和装置
Yu et al. Deepexposure: Learning to expose photos with asynchronously reinforced adversarial learning
CN107529098A (zh) 实时视频摘要
US10991111B2 (en) Method and apparatus for refining depth image
CN110889851B (zh) 针对深度和视差估计的语义分割的稳健用途
WO2017197959A1 (zh) 一种图片处理方法、装置及设备
US20190347847A1 (en) View generation from a single image using fully convolutional neural networks
CN109783432A (zh) 用于进行路径平滑的低复杂度优化求解器的装置及方法
CN108416323A (zh) 用于识别人脸的方法和装置
US9401026B2 (en) Method and apparatus for image segmentation algorithm
CN110047122A (zh) 渲染图像的方法、装置、电子设备和计算机可读存储介质
EP3779891A1 (en) Method and device for training neural network model, and method and device for generating time-lapse photography video
WO2023174036A1 (zh) 联邦学习模型训练方法、电子设备及存储介质
CN110062157A (zh) 渲染图像的方法、装置、电子设备和计算机可读存储介质
CN109510943A (zh) 用于拍摄图像的方法和装置
CN108259767A (zh) 图像处理方法、装置、存储介质及电子设备
WO2022178975A1 (zh) 基于噪声场的图像降噪方法、装置、设备及存储介质
CN109636711A (zh) 漫画册生成方法、装置及计算机可读存储介质
CN112508801A (zh) 图像处理方法及计算设备
US20230281757A1 (en) Techniques for processing videos using temporally-consistent transformer model
Babbar et al. Alternate Least Square and Root Polynomial Based Colour-Correction Method for High Dimensional Environment
CN117275075A (zh) 一种人脸遮挡检测方法、系统、装置和存储介质

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
GR01 Patent grant
GR01 Patent grant