CN110189264B - 图像处理方法 - Google Patents

图像处理方法 Download PDF

Info

Publication number
CN110189264B
CN110189264B CN201910368955.5A CN201910368955A CN110189264B CN 110189264 B CN110189264 B CN 110189264B CN 201910368955 A CN201910368955 A CN 201910368955A CN 110189264 B CN110189264 B CN 110189264B
Authority
CN
China
Prior art keywords
image
feature
length
width
sub
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.)
Active
Application number
CN201910368955.5A
Other languages
English (en)
Other versions
CN110189264A (zh
Inventor
董哲炜
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.)
TCL China Star Optoelectronics Technology Co Ltd
Original Assignee
TCL China Star Optoelectronics Technology 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 TCL China Star Optoelectronics Technology Co Ltd filed Critical TCL China Star Optoelectronics Technology Co Ltd
Priority to CN201910368955.5A priority Critical patent/CN110189264B/zh
Publication of CN110189264A publication Critical patent/CN110189264A/zh
Application granted granted Critical
Publication of CN110189264B publication Critical patent/CN110189264B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06T5/70—Denoising; Smoothing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种图像处理方法。本发明的图像处理方法中对输入图像进行尺寸调整处理而后进行卷积处理，对生成的第二图像进行多尺度特征提取处理得到特征图像，而后将第二图像与特征图像叠加处理并继续进行卷积处理、尺寸调整处理，生成第五图像，最后将第五图像与输入图像进行叠加处理而后再次进行卷积处理，从而生成输出图像，运算简单，能够降低运算成本，消除输出图像的条纹网格噪声，提升输出图像的图像质量。

Description

图像处理方法
技术领域
本发明涉及显示技术领域，尤其涉及一种图像处理方法。
背景技术
随着科技的发展，人们对电视的要求越来越高，更轻便、更清晰、更鲜艳成为了电视的发展方向和目标。除了在硬件上提高电视分辨率，增加动态范围和色域范围等方式，电视机中的图像处理引擎，能够指挥和协调电视机各项功能对图像信号逐个优化，从而可在已有硬件的基础上给用户带来更好的画质。而图像色彩引擎重点关注显示画面的色彩，它包括色域映射、色彩增强、高动态范围显示(HDR)等多个处理算法。
传统的色彩引擎由多个算法组合而成，每个算法实现不同的功能，例如色域映射解决不同显示端色域差异的校正问题，色彩增强关注图像色彩的饱和度和对比度等，HDR重点关注对比度和细节等。
许多深度学习架构已被应用于图像的端对端处理和转换领域，并产生了优秀的效果，例如超高分辨率，去噪声和图像风格转换等。然而，大多数深度学习框架都需要较大的计算成本，这对于算法的硬件化实现是致命的问题。
现有技术中，存在一种基于膨胀卷积神经网络的快速图像处理技术(Fast ImageProcessing With Fully-convolutional Network)。该技术此技术通过对原始图像进行处理生成像素级别的特征图，以保存图像的细节，从而提升图像的品质。此种技术利用膨胀卷积的特性，在扩大神经网络视野域的同时，保持了较少的运算次数，在像素级别中的图像处理中大大地降低了计算成本，然而膨胀卷积会使得最终得到的输出图像产生条纹网格噪声，降低了图像的品质。
发明内容
本发明的目的在于提供一种图像处理方法，运算简单，能够消除输出图像的条纹网格噪声，提升输出图像的图像质量。
为实现上述目的，本发明提供一种图像处理方法，包括如下步骤：
步骤S1、提供输入图像；
步骤S2、对输入图像进行尺寸调整处理，生成第一图像；第一图像的长度及宽度均为预设的参考尺寸，深度等于输入图像的深度；
步骤S3、对第一图像进行卷积处理，生成第二图像；第二图像的长度及宽度均为参考尺寸，深度大于第一图像的深度；
步骤S4、对第二图像进行多尺度特征提取处理，得到特征图像；所述特征图像的长度及宽度均为参考尺寸，所述特征图像具有深度；
步骤S5、对第二图像及特征图像进行叠加处理，生成第三图像；第三图像的长度及宽度均为参考尺寸，深度为第二图像与特征图像的深度之和；
步骤S6、对第三图像进行卷积处理，生成第四图像；第四图像的长度及宽度均为参考尺寸，深度小于第三图像的深度；
步骤S7、对第四图像进行尺寸调整处理，生成第五图像；第五图像的长度及宽度分别等于输入图像的长度及宽度，深度等于第四图像的深度；
步骤S8、对第五图像及输入图像进行叠加处理，生成第六图像；第六图像的长度及宽度分别等于输入图像的长度及宽度，深度为第五图像与输入图像的深度之和；
步骤S9、对第六图像进行卷积处理，生成输出图像；输出图像的长度、宽度及深度分别与输入图像的长度、宽度及深度相同。
所述步骤S4具体包括：
步骤S41、分别对第二图像进行多次卷积处理，分别得到多个初始子特征图像，多个初始子特征图像的深度均等于第二图像的深度，每一子特征图像的长度及宽度相等，任意两个子特征图像的长度不同，多个初始子特征图像中的一个的长度及宽度等于参考尺寸；
步骤S42、分别利用除了长度及宽度等于参考尺寸的初始子特征图像外的其他初始子特征图像生成多个放大子特征图像；每一放大子特征图像的长度及宽度均为参考尺寸，深度均等于第二图像的深度；
步骤S43、对长度及宽度等于参考尺寸的初始子特征图像以及多个放大子特征图像进行叠加处理，生成待转换图像；所述待转换图像的长度及宽度均等于参考尺寸，深度为长度及宽度等于参考尺寸的初始子特征图像的深度以及多个放大子特征图像的深度之和；
步骤S44、对待转换图像进行卷积处理，得到特征图像。
所述步骤S41中分别对第二图像进行四次卷积处理，分别得到第一初始子特征图像、第二初始子特征图像、第三初始子特征图像及第四初始子特征图像，第一初始子特征图像的长度及宽度为参考尺寸的八分之一，第二初始子特征图像的长度及宽度为参考尺寸的四分之一，第三初始子特征图像的长度及宽度为参考尺寸的二分之一，第四初始子特征图像的长度及宽度为参考尺寸；
所述步骤S42中分别利用第一初始子特征图像、第二初始子特征图像、第三初始子特征图像生成第一放大子特征图像、第二放大子特征图像、第三放大子特征图像；
所述步骤S43中对第一放大子特征图像、第二放大子特征图像、第三放大子特征图像及第四初始子特征图像进行叠加处理，生成待转换图像。
所述参考尺寸为200像素。
所述步骤S41中，对第二图像进行卷积处理得到第一初始子特征图像的具体过程为：对第二图像依次进行三次步长为2的卷积处理，得到第一初始子特征图像；
所述步骤S41中，对第二图像进行卷积处理得到第二初始子特征图像的具体过程为：对第二图像依次进行两次步长为2的卷积处理，得到第二初始子特征图像；
所述步骤S41中，对第二图像进行卷积处理得到第三初始子特征图像的具体过程为：对第二图像进行一次步长为2的卷积处理，得到第三初始子特征图像；
所述步骤S41中，对第二图像进行卷积处理得到第四初始子特征图像的具体过程为：对第二图像进行一次步长为1的卷积处理，得到第四初始子特征图像。
所述第一初始子特征图像的长度及宽度为25像素，第二初始子特征图像的长度及宽度为50像素，第三初始子特征图像的长度及宽度为100像素，第四初始子特征图像的长度及宽度为200像素。
所述步骤S42中，利用第一初始子特征图像生成第一放大子特征图像的过程为：对第一初始子特征图像依次进行一次卷积核为预设的第一卷积核的卷积处理及一次卷积核为预设的第二卷积核的卷积处理而后进行尺寸调整处理，得到第一放大子特征图像；
所述步骤S42中，利用第二初始子特征图像生成第二放大子特征图像的过程为：对第二初始子特征图像依次进行一次卷积核为预设的第三卷积核的卷积处理、一次卷积核为预设的第四卷积核的卷积处理、一次卷积核为第三卷积核的卷积处理、一次卷积核第四卷积核的卷积处理而后进行尺寸调整处理，得到第二放大子特征图像；
所述步骤S42中，利用第三初始子特征图像生成第三放大子特征图像的过程为：对第三初始子特征图像进行尺寸调整处理，得到第三放大子特征图像。
第一卷积核的长度为1，宽度为9；第二卷积核的长度为9，宽度为1；第三卷积核的长度为1像素，宽度为7像素；第三卷积核的长度为7像素，宽度为1像素。
所述步骤S44中对待转换图像进行卷积核为预设的第五卷积核的卷积处理，得到特征图像；所述第五卷积核的长度及宽度均为1像素。
所述步骤S9中对第六图像依次进行两次卷积处理从而生成输出图像。
本发明的有益效果：本发明的图像处理方法中对输入图像进行尺寸调整处理而后进行卷积处理，对生成的第二图像进行多尺度特征提取处理得到特征图像，而后将第二图像与特征图像叠加处理并继续进行卷积处理、尺寸调整处理，生成第五图像，最后将第五图像与输入图像进行叠加处理而后再次进行卷积处理，从而生成输出图像，运算简单，能够降低运算成本，消除输出图像的条纹网格噪声，提升输出图像的图像质量。
附图说明
为了能更进一步了解本发明的特征以及技术内容，请参阅以下有关本发明的详细说明与附图，然而附图仅提供参考与说明用，并非用来对本发明加以限制。
附图中，
图1为本发明的图像处理方法的流程图；
图2为本发明的图像处理方法的一优选实施例的步骤S4的示意图。
具体实施方式
为更进一步阐述本发明所采取的技术手段及其效果，以下结合本发明的优选实施例及其附图进行详细描述。
请参阅图1，本发明提供一种图像处理方法，包括如下步骤：
步骤S1、提供输入图像。
具体地，该输入图像的深度为3位。
步骤S2、对输入图像进行尺寸调整处理，生成第一图像。第一图像的长度及宽度均为预设的参考尺寸，深度等于输入图像的深度。
优选地，所述参考尺寸为200像素。
步骤S3、对第一图像进行卷积处理，生成第二图像。第二图像的长度及宽度均为参考尺寸，深度大于第一图像的深度。例如，该第二图像的深度可以为8位，或者16位。
步骤S4、对第二图像进行多尺度特征提取处理，得到特征图像。所述特征图像的长度及宽度均为参考尺寸，所述特征图像具有深度。
具体地，请参阅图2，所述步骤S4具体包括：
步骤S41、分别对第二图像进行多次卷积处理，分别得到多个初始子特征图像，多个初始子特征图像的深度均等于第二图像的深度，每一子特征图像的长度及宽度相等，任意两个子特征图像的长度不同，多个初始子特征图像中的一个的长度及宽度等于参考尺寸。
步骤S42、分别利用除了长度及宽度等于参考尺寸的初始子特征图像外的其他初始子特征图像生成多个放大子特征图像。每一放大子特征图像的长度及宽度均为参考尺寸，深度均等于第二图像的深度。
步骤S43、对长度及宽度等于参考尺寸的初始子特征图像以及多个放大子特征图像进行叠加处理，生成待转换图像。所述待转换图像的长度及宽度均等于参考尺寸，深度为长度及宽度等于参考尺寸的初始子特征图像的深度以及多个放大子特征图像的深度之和。
步骤S44、对待转换图像进行卷积处理，得到特征图像。
进一步地，在图2所示的实施例中，所述步骤S41中分别对第二图像进行四次卷积处理，分别得到第一初始子特征图像、第二初始子特征图像、第三初始子特征图像及第四初始子特征图像，第一初始子特征图像的长度及宽度为参考尺寸的八分之一，第二初始子特征图像的长度及宽度为参考尺寸的四分之一，第三初始子特征图像的长度及宽度为参考尺寸的二分之一，第四初始子特征图像的长度及宽度为参考尺寸。
所述步骤S42中分别利用第一初始子特征图像、第二初始子特征图像、第三初始子特征图像生成第一放大子特征图像、第二放大子特征图像、第三放大子特征图像。
所述步骤S43中对第一放大子特征图像、第二放大子特征图像、第三放大子特征图像及第四初始子特征图像进行叠加处理，生成待转换图像。
优选地，请参阅图图2，当所述参考尺寸为200像素，第二图像的深度为16位时，所述步骤S41中，对第二图像进行卷积处理得到第一初始子特征图像的具体过程为：对第二图像依次进行三次步长为2的卷积处理，得到第一初始子特征图像，所述第一初始子特征图像的长度及宽度为25像素，深度为16位。对第二图像进行卷积处理得到第二初始子特征图像的具体过程为：对第二图像依次进行两次步长为2的卷积处理，得到第二初始子特征图像，第二初始子特征图像的长度及宽度为50像素，深度为16位。对第二图像进行卷积处理得到第三初始子特征图像的具体过程为：对第二图像进行一次步长为2的卷积处理，得到第三初始子特征图像，第三初始子特征图像的长度及宽度为100像素，深度为16位。对第二图像进行卷积处理得到第四初始子特征图像的具体过程为：对第二图像进行一次步长为1的卷积处理，得到第四初始子特征图像，第四初始子特征图像的长度及宽度为200像素，深度为16位。所述步骤S42中，利用第一初始子特征图像生成第一放大子特征图像的过程为：对第一初始子特征图像依次进行一次卷积核为预设的第一卷积核的卷积处理及一次卷积核为预设的第二卷积核的卷积处理而后进行尺寸调整处理，得到第一放大子特征图像，第一卷积核的长度为1像素，宽度为9像素，第二卷积核的长度为9像素，宽度为1像素，第一放大子特征图像的长度及宽度为200像素，深度为16位。利用第二初始子特征图像生成第二放大子特征图像的过程为：对第二初始子特征图像依次进行一次卷积核为预设的第三卷积核的卷积处理、一次卷积核为预设的第四卷积核的卷积处理、一次卷积核为第三卷积核的卷积处理、一次卷积核第四卷积核的卷积处理而后进行尺寸调整处理，得到第二放大子特征图像，第三卷积核的长度为1像素，宽度为7像素，第三卷积核的长度为7像素，宽度为1像素，第二放大子特征图像的长度及宽度为200像素，深度为16位。利用第三初始子特征图像生成第三放大子特征图像的过程为：对第三初始子特征图像进行尺寸调整处理，得到第三放大子特征图像，第三放大子特征图像的长度及宽度为200像素，深度为16位。所述步骤S43中对第一放大子特征图像、第二放大子特征图像、第三放大子特征图像及第四初始子特征图像进行叠加处理，生成待转换图像，待转换图像的长度及宽度为200像素，深度为64位。
具体地，请参阅图2，所述步骤S44中对待转换图像进行卷积核为预设的第五卷积核的卷积处理，得到特征图像。所述第五卷积核的长度及宽度均为1像素。
步骤S5、对第二图像及特征图像进行叠加处理，生成第三图像。第三图像的长度及宽度均为参考尺寸，深度为第二图像与特征图像的深度之和。
步骤S6、对第三图像进行卷积处理，生成第四图像。第四图像的长度及宽度均为参考尺寸，深度小于第三图像的深度，例如第四图像的深度可以为8。
步骤S7、对第四图像进行尺寸调整处理，生成第五图像。第五图像的长度及宽度分别等于输入图像的长度及宽度，深度等于第四图像的深度。
步骤S8、对第五图像及输入图像进行叠加处理，生成第六图像。第六图像的长度及宽度分别等于输入图像的长度及宽度，深度为第五图像与输入图像的深度之和。
步骤S9、对第六图像进行卷积处理，生成输出图像。输出图像的长度、宽度及深度分别与输入图像的长度、宽度及深度相同。
具体地，所述步骤S9中对第六图像依次进行两次卷积处理从而生成输出图像。
需要说明的是，本发明的图像处理方法中，对输入图像进行尺寸调整处理而后进行卷积处理，对生成的第二图像进行多尺度特征提取处理得到特征图像，而后将第二图像与特征图像叠加处理并继续进行卷积处理、尺寸调整处理，生成第五图像，最后将第五图像与输入图像进行叠加处理而后再次进行卷积处理，从而生成输出图像，多尺寸的特征提取符合人眼的视觉特性，并且小尺寸的特征图像保证了图像的视野域，同时大量的保留了图像的细节特征，且运算简单，能够降低运算成本，消除输出图像的条纹网格噪声，提升输出图像的图像质量。
综上所述，本发明的图像处理方法中对输入图像进行尺寸调整处理而后进行卷积处理，对生成的第二图像进行多尺度特征提取处理得到特征图像，而后将第二图像与特征图像叠加处理并继续进行卷积处理、尺寸调整处理，生成第五图像，最后将第五图像与输入图像进行叠加处理而后再次进行卷积处理，从而生成输出图像，运算简单，能够降低运算成本，消除输出图像的条纹网格噪声，提升输出图像的图像质量。
以上所述，对于本领域的普通技术人员来说，可以根据本发明的技术方案和技术构思作出其他各种相应的改变和变形，而所有这些改变和变形都应属于本发明权利要求的保护范围。

Claims (10)

1.一种图像处理方法，其特征在于，包括如下步骤：
步骤S1、提供输入图像；
步骤S2、对输入图像进行尺寸调整处理，生成第一图像；第一图像的长度及宽度均为预设的参考尺寸，深度等于输入图像的深度；
步骤S3、对第一图像进行卷积处理，生成第二图像；第二图像的长度及宽度均为参考尺寸，深度大于第一图像的深度；
步骤S4、对第二图像进行多尺度特征提取处理，得到特征图像；所述特征图像的长度及宽度均为参考尺寸，所述特征图像具有深度；
步骤S5、对第二图像及特征图像进行叠加处理，生成第三图像；第三图像的长度及宽度均为参考尺寸，深度为第二图像与特征图像的深度之和；
步骤S6、对第三图像进行卷积处理，生成第四图像；第四图像的长度及宽度均为参考尺寸，深度小于第三图像的深度；
步骤S7、对第四图像进行尺寸调整处理，生成第五图像；第五图像的长度及宽度分别等于输入图像的长度及宽度，深度等于第四图像的深度；
步骤S8、对第五图像及输入图像进行叠加处理，生成第六图像；第六图像的长度及宽度分别等于输入图像的长度及宽度，深度为第五图像与输入图像的深度之和；
步骤S9、对第六图像进行卷积处理，生成输出图像；输出图像的长度、宽度及深度分别与输入图像的长度、宽度及深度相同。
2.如权利要求1所述的图像处理方法，其特征在于，所述步骤S4具体包括：
步骤S41、分别对第二图像进行多次卷积处理，分别得到多个初始子特征图像，多个初始子特征图像的深度均等于第二图像的深度，每一初始子特征图像的长度及宽度相等，任意两个初始子特征图像的长度不同，多个初始子特征图像中的一个的长度及宽度等于参考尺寸；
步骤S42、分别利用除了长度及宽度等于参考尺寸的初始子特征图像外的其他初始子特征图像生成多个放大子特征图像；每一放大子特征图像的长度及宽度均为参考尺寸，深度均等于第二图像的深度；
步骤S43、对长度及宽度等于参考尺寸的初始子特征图像以及多个放大子特征图像进行叠加处理，生成待转换图像；所述待转换图像的长度及宽度均等于参考尺寸，深度为长度及宽度等于参考尺寸的初始子特征图像的深度以及多个放大子特征图像的深度之和；
步骤S44、对待转换图像进行卷积处理，得到特征图像。
3.如权利要求2所述的图像处理方法，其特征在于，所述步骤S41中分别对第二图像进行四次卷积处理，分别得到第一初始子特征图像、第二初始子特征图像、第三初始子特征图像及第四初始子特征图像，第一初始子特征图像的长度及宽度为参考尺寸的八分之一，第二初始子特征图像的长度及宽度为参考尺寸的四分之一，第三初始子特征图像的长度及宽度为参考尺寸的二分之一，第四初始子特征图像的长度及宽度为参考尺寸；
所述步骤S42中分别利用第一初始子特征图像、第二初始子特征图像、第三初始子特征图像生成第一放大子特征图像、第二放大子特征图像、第三放大子特征图像；
所述步骤S43中对第一放大子特征图像、第二放大子特征图像、第三放大子特征图像及第四初始子特征图像进行叠加处理，生成待转换图像。
4.如权利要求3所述的图像处理方法，其特征在于，所述参考尺寸为200像素。
5.如权利要求4所述的图像处理方法，其特征在于，所述步骤S41中，对第二图像进行卷积处理得到第一初始子特征图像的具体过程为：对第二图像依次进行三次步长为2的卷积处理，得到第一初始子特征图像；
所述步骤S41中，对第二图像进行卷积处理得到第二初始子特征图像的具体过程为：对第二图像依次进行两次步长为2的卷积处理，得到第二初始子特征图像；
所述步骤S41中，对第二图像进行卷积处理得到第三初始子特征图像的具体过程为：对第二图像进行一次步长为2的卷积处理，得到第三初始子特征图像；
所述步骤S41中，对第二图像进行卷积处理得到第四初始子特征图像的具体过程为：对第二图像进行一次步长为1的卷积处理，得到第四初始子特征图像。
6.如权利要求4所述的图像处理方法，其特征在于，所述第一初始子特征图像的长度及宽度为25像素，第二初始子特征图像的长度及宽度为50像素，第三初始子特征图像的长度及宽度为100像素，第四初始子特征图像的长度及宽度为200像素。
7.如权利要求5所述的图像处理方法，其特征在于，所述步骤S42中，利用第一初始子特征图像生成第一放大子特征图像的过程为：对第一初始子特征图像依次进行一次卷积核为预设的第一卷积核的卷积处理及一次卷积核为预设的第二卷积核的卷积处理而后进行尺寸调整处理，得到第一放大子特征图像；
所述步骤S42中，利用第二初始子特征图像生成第二放大子特征图像的过程为：对第二初始子特征图像依次进行一次卷积核为预设的第三卷积核的卷积处理、一次卷积核为预设的第四卷积核的卷积处理、一次卷积核为预设的第三卷积核的卷积处理、一次卷积核为预设的第四卷积核的卷积处理而后进行尺寸调整处理，得到第二放大子特征图像；
所述步骤S42中，利用第三初始子特征图像生成第三放大子特征图像的过程为：对第三初始子特征图像进行尺寸调整处理，得到第三放大子特征图像。
8.如权利要求7所述的图像处理方法，其特征在于，第一卷积核的长度为1像素，宽度为9像素；第二卷积核的长度为9像素，宽度为1像素；第三卷积核的长度为1像素，宽度为7像素；第四卷积核的长度为7像素，宽度为1像素。
9.如权利要求2所述的图像处理方法，其特征在于，所述步骤S44中对待转换图像进行卷积核为预设的第五卷积核的卷积处理，得到特征图像；所述第五卷积核的长度及宽度均为1像素。
10.如权利要求1所述的图像处理方法，其特征在于，所述步骤S9中对第六图像依次进行两次卷积处理从而生成输出图像。
CN201910368955.5A 2019-05-05 2019-05-05 图像处理方法 Active CN110189264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910368955.5A CN110189264B (zh) 2019-05-05 2019-05-05 图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910368955.5A CN110189264B (zh) 2019-05-05 2019-05-05 图像处理方法

Publications (2)

Publication Number Publication Date
CN110189264A CN110189264A (zh) 2019-08-30
CN110189264B true CN110189264B (zh) 2021-04-23

Family

ID=67715536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910368955.5A Active CN110189264B (zh) 2019-05-05 2019-05-05 图像处理方法

Country Status (1)

Country Link
CN (1) CN110189264B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110876334A (zh) * 2019-12-23 2020-03-13 湖北省农业科学院中药材研究所 一种防病虫传播的喷灌架、控制系统及控制方法
CN112200795A (zh) * 2020-10-23 2021-01-08 苏州慧维智能医疗科技有限公司 一种基于深度卷积网络的大肠内窥镜息肉检测方法
CN117830123A (zh) * 2024-01-02 2024-04-05 北华航天工业学院 一种基于深度学习的图像融合方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530320A (zh) * 2016-09-30 2017-03-22 深圳大学 一种端到端的图像分割处理方法及系统
CN107392852A (zh) * 2017-07-10 2017-11-24 深圳大学 深度图像的超分辨率重建方法、装置、设备及存储介质
CN108334901A (zh) * 2018-01-30 2018-07-27 福州大学 一种结合显著性区域的卷积神经网络的花卉图像分类方法
CN108830809A (zh) * 2018-06-05 2018-11-16 陕西师范大学 一种基于膨胀卷积图像去噪方法
CN108921105A (zh) * 2018-07-06 2018-11-30 北京京东金融科技控股有限公司 识别目标数量的方法、装置及计算机可读存储介质
KR20180130869A (ko) * 2017-05-30 2018-12-10 주식회사 케이티 손 제스처를 검출하는 컨볼루션 신경망, 그리고 손 제스처에 의한 기기 제어시스템
CN109426825A (zh) * 2017-08-31 2019-03-05 北京图森未来科技有限公司 一种物体封闭轮廓的检测方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106981067A (zh) * 2017-04-05 2017-07-25 深圳市唯特视科技有限公司 一种基于全卷积网络的纹理分割方法
CN109035260A (zh) * 2018-07-27 2018-12-18 京东方科技集团股份有限公司 一种天空区域分割方法、装置和卷积神经网络
CN109242924A (zh) * 2018-08-31 2019-01-18 南方医科大学 一种基于深度学习的核磁共振图像的降采样伪影去除方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530320A (zh) * 2016-09-30 2017-03-22 深圳大学 一种端到端的图像分割处理方法及系统
KR20180130869A (ko) * 2017-05-30 2018-12-10 주식회사 케이티 손 제스처를 검출하는 컨볼루션 신경망, 그리고 손 제스처에 의한 기기 제어시스템
CN107392852A (zh) * 2017-07-10 2017-11-24 深圳大学 深度图像的超分辨率重建方法、装置、设备及存储介质
CN109426825A (zh) * 2017-08-31 2019-03-05 北京图森未来科技有限公司 一种物体封闭轮廓的检测方法和装置
CN108334901A (zh) * 2018-01-30 2018-07-27 福州大学 一种结合显著性区域的卷积神经网络的花卉图像分类方法
CN108830809A (zh) * 2018-06-05 2018-11-16 陕西师范大学 一种基于膨胀卷积图像去噪方法
CN108921105A (zh) * 2018-07-06 2018-11-30 北京京东金融科技控股有限公司 识别目标数量的方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN110189264A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CN108022212B (zh) 高分辨率图片生成方法、生成装置及存储介质
CN110189264B (zh) 图像处理方法
EP3200147B1 (en) Image magnification method, image magnification apparatus and display device
Park et al. A contrast enhancement method using dynamic range separate histogram equalization
EP3113104B1 (en) Method for signal processing
CN112889069B (zh) 用于提高低照度图像质量的方法、系统和计算机可读介质
JP6602789B2 (ja) 局所的なコントラスト強調のためのシステムおよび方法
JP6432214B2 (ja) 画像処理装置、画像処理方法、記憶媒体及びプログラム
CN108022223B (zh) 一种基于对数映射函数分块处理融合的色调映射方法
CN102968769A (zh) 一种图像一致性增强装置
WO2014169579A1 (zh) 一种色彩增强方法及装置
JP5767064B2 (ja) イメージのエッジ向上方法
CN108875751B (zh) 图像处理方法和装置、神经网络的训练方法、存储介质
JP7353803B2 (ja) 画像処理装置、画像処理方法、及びプログラム
US8072472B2 (en) System and method for scaling overlay images
CN113344793A (zh) 图像超分辨率重建方法、装置、设备及存储介质
CN113939845A (zh) 提高图像色彩质量的方法、系统和计算机可读介质
CN113658044A (zh) 提高图像分辨率的方法、系统、装置及存储介质
Mostafavi et al. E2sri: Learning to super-resolve intensity images from events
CN106709888B (zh) 一种基于人眼视觉模型的高动态范围图像产生方法
CN114463207B (zh) 基于全局动态范围压缩与局部亮度估计的色阶映射方法
CN116862812A (zh) 红外图像处理方法、装置、计算机设备、存储介质及产品
CN109102463B (zh) 一种超分辨率图像重建方法及装置
CN107220934A (zh) 图像重建方法及装置
CN115004220A (zh) 用于原始低光图像增强的神经网络

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 9-2 Tangming Avenue, Guangming New District, Shenzhen City, Guangdong Province

Applicant after: TCL China Star Optoelectronics Technology Co.,Ltd.

Address before: 9-2 Tangming Avenue, Guangming New District, Shenzhen City, Guangdong Province

Applicant before: Shenzhen China Star Optoelectronics Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant