CN110298810A - 图像处理方法及图像处理系统 - Google Patents
图像处理方法及图像处理系统 Download PDFInfo
- Publication number
- CN110298810A CN110298810A CN201910673681.0A CN201910673681A CN110298810A CN 110298810 A CN110298810 A CN 110298810A CN 201910673681 A CN201910673681 A CN 201910673681A CN 110298810 A CN110298810 A CN 110298810A
- Authority
- CN
- China
- Prior art keywords
- image
- image processing
- processing module
- processed
- original
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 107
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 230000002708 enhancing effect Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 21
- 230000003362 replicative effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 23
- 238000000034 method Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 28
- 238000005070 sampling Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/14—Picture signal circuitry for video frequency region
- H04N5/142—Edging; Contouring
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像处理方法及图像处理系统。该方法包括如下步骤：获取图像集，所述图像集包括多个图像对，每一个图像对包括一原始图像和一与所述原始图像相对应的目标图像，所述原始图像与目标图像的尺寸相同；提供一图像处理模块，利用所述图像集对所述图像处理模块进行训练，使得所述图像处理模块在接收到原始图像时，其处理输出的结果图像与其接收到的原始图像的目标图像的差异最小；所述图像处理模块具有多层膨胀卷积结构，其损失函数为RGB‑SSIM函数；提供待处理图像，利用图像处理模块对待处理图像进行处理，得到该待处理图像对应的增强图像，能够消除图像处理中的网格效应，提升图像处理效果。
Description
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及图像处理系统。
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。现有的图像色彩引擎若要实现好的画质，内含的算法往往是繁多和复杂的，需要更长的处理时间和更大的存储空间，这导致算法在硬件化实现过程中存在很多限制。
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。
从深度学习算法硬件化角度出发，现有技术提出了一种基于双边网格和局部仿射颜色转换的网络模型，能够在质量和速度之间取得平衡，实现实时处理图像，但是这种方法需要下采样-上采样，在下采样过程中原始图像的信息会被部分丢失，这影响了最终的输出图像效果。此外，现有技术还提出采用膨胀卷积方法可以实现多种常见的图像算子操作，这种方法不需要下采样-上采样，因此保留了原图的所有信息，而膨胀卷积既扩大了感受野，又不会增加计算量和参数量。由于其紧凑性和高效性，该模型在未来硬件化中具有非常大的潜力。
但是传统的膨胀卷积用于图像转换时，采用L2函数即均方误差函数(mean-squareerror，MSE)作为损失函数，这样会导致网络在稀疏采样后出现网格现象，这对图像质量产生了严重的影响。
发明内容
本发明的目的在于提供一种图像处理方法，能够消除图像处理中的网格效应，提升图像处理效果。
本发明的目的还在于提供一种图像处理系统，能够消除图像处理中的网格效应，提升图像处理效果。
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、获取图像集，所述图像集包括多个图像对，每一个图像对包括一原始图像和一与所述原始图像相对应的目标图像，所述原始图像与目标图像的尺寸相同；
步骤S2、提供一图像处理模块，利用所述图像集对所述图像处理模块进行训练，使得所述图像处理模块在接收到原始图像时，其处理输出的结果图像与其接收到的原始图像的目标图像的差异最小；
所述图像处理模块具有多层膨胀卷积结构，其损失函数为：
其中，SSIM为结构相似性计算函数，networkR和outputR分别对应同一原始图像的结果图像和目标图像中对应的两个像素的红色灰度值，networkG和outputG分别对应同一原始图像的结果图像和目标图像中对应的两个像素的绿色灰度值，networkB和outputB分别对应同一原始图像的结果图像和目标图像中对应的两个像素的蓝色灰度值，L为该结果图像和目标图像的差异程度；
步骤S3、提供待处理图像，利用图像处理模块对待处理图像进行处理，得到该待处理图像对应的增强图像。
所述图像处理模块的卷积核的膨胀系数每层递增。
所述步骤S3具体包括：
步骤S31、将待处理图像进行边缘填充并对填充部分进行模糊，得到填充后的待处理图像；
步骤S32、将填充后的待处理图像输入训练后的图像处理模块；
步骤S33、截去图像处理模块输出的图像中的填充部分，得到该待处理图像对应的增强图像。
所述步骤S31中，对所述待处理图像进行边缘填充的填充宽度等于卷积核视野半径，并采用复制边缘像素的方式进行边缘填充。
所述步骤S31中，对填充部分进行高斯模糊。
本发明还提供一种图像处理系统，包括：样本获取模块、与所述样本获取模块相连的训练模块及与所述训练模块相连的图像处理模块；
所述样本获取模块用于获取图像集，所述图像集包括多个图像对，每一个图像对包括一原始图像和一与所述原始图像相对应的目标图像，所述原始图像与目标图像的尺寸相同；
所述训练模块用于利用所述图像集对所述图像处理模块进行训练，使得所述图像处理模块在接收到原始图像时，其处理输出的结果图像与其接收到的原始图像的目标图像的差异最小；
所述图像处理模块用于在经过训练模块的训练后对待处理图像进行处理，产生增强图像；
所述图像处理模块具有多层膨胀卷积结构，其损失函数为：
其中，SSIM为结构相似性计算函数，networkR和outputR分别对应同一原始图像的结果图像和目标图像中对应的两个像素的红色灰度值，networkG和outputG分别对应同一原始图像的结果图像和目标图像中对应的两个像素的绿色灰度值，networkB和outputB分别对应同一原始图像的结果图像和目标图像中对应的两个像素的蓝色灰度值，L为该结果图像和目标图像的差异程度。
所述图像处理模块的卷积核的膨胀系数每层递增。
所述图像处理系统还包括与所述图像处理模块相连的填充模块；
所述填充模块用于将待处理图像进行边缘填充并对填充部分进行模糊，得到填充后的待处理图像，并将填充后的待处理图像输入训练后的图像处理模块，以及截去图像处理模块输出的图像中的填充部分，得到增强图像。
对所述待处理图像进行边缘填充的填充宽度等于卷积核视野半径，并采用复制边缘像素的方式进行边缘填充。
对填充部分进行高斯模糊。
本发明的有益效果：本发明提供一种图像处理方法，包括如下步骤：步骤S1、获取图像集，所述图像集包括多个图像对，每一个图像对包括一原始图像和一与所述原始图像相对应的目标图像，所述原始图像与目标图像的尺寸相同；步骤S2、提供一图像处理模块，利用所述图像集对所述图像处理模块进行训练，使得所述图像处理模块在接收到原始图像时，其处理输出的结果图像与其接收到的原始图像的目标图像的差异最小；所述图像处理模块具有多层膨胀卷积结构，其损失函数为RGB-SSIM函数；步骤S3、提供待处理图像，利用图像处理模块对待处理图像进行处理，得到该待处理图像对应的增强图像，使用RGB-SSIM函数作为图像处理模块的损失函数，能够消除图像处理中的网格效应，提升图像处理效果。本发明还提供一种图像处理系统，能够消除图像处理中的网格效应，提升图像处理效果。
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系统的示意图。
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、获取图像集，所述图像集包括多个图像对，每一个图像对包括一原始图像和一与所述原始图像相对应的目标图像，所述原始图像与目标图像的尺寸相同。
具体地，所述图像集的来源可以是现有的图像库，或由传统算法生成，或由修图师加工完成
步骤S2、提供一图像处理模块10，利用所述图像集对所述图像处理模块10进行训练，使得所述图像处理模块10在接收到原始图像时，其处理输出的结果图像与其接收到的原始图像的目标图像的差异最小；
所述图像处理模块10具有多层膨胀卷积结构，其损失函数为RGB-SSIM函数，即：
其中，SSIM为结构相似性计算函数，networkR和outputR分别对应同一原始图像的结果图像和目标图像中对应的两个像素的红色灰度值，networkG和outputG分别对应同一原始图像的结果图像和目标图像中对应的两个像素的绿色灰度值，networkB和outputB分别对应同一原始图像的结果图像和目标图像中对应的两个像素的蓝色灰度值，L为该结果图像和目标图像的差异程度。
具体地，所述图像处理模块10的每层卷积核尺寸为3×3，深度为9，宽度为24，卷积核的膨胀系数每层递增，使用自适应归一化，图像处理模块10的输入图像具有rgb三个通道，每一层的激活函数采用LReLU函数进行激活，优选的网络参数架构的实施例如表1所示，当然本发明对此并不限制，必要时也可以采用表1以外的其他实施方式；
| 层 | 卷积核 | 膨胀系数 | 卷积核深度 |
| 1 | 3*3 | 1 | 24 |
| 2 | 3*3 | 2 | 24 |
| 3 | 3*3 | 4 | 24 |
| 4 | 3*3 | 8 | 24 |
| 5 | 3*3 | 16 | 24 |
| 6 | 3*3 | 32 | 24 |
| 7 | 3*3 | 64 | 24 |
| 8 | 3*3 | 128 | 24 |
| 9 | 3*3 | 1 | 3 |
表1
进一步地，将图像集的原始图像输入图像处理模块10，将图像集的目标图像作为图像处理模块10的目标图像，采用RGB-SSIM函数作为网络的损失函数，网络优化设置为反向梯度传播优化，对图像处理模块10的参数进行训练，使网络结果图像与目标图像的差异最小。
步骤S3、提供待处理图像，利用图像处理模块10对待处理图像进行处理，得到该待处理图像对应的增强图像。
所述步骤S3具体包括：
步骤S31、将待处理图像进行边缘填充并对填充部分进行模糊，得到填充后的待处理图像；
步骤S32、将填充后的待处理图像输入训练后的图像处理模块10；
步骤S33、截去图像处理模块10输出的图像中的填充部分，得到该待处理图像对应的增强图像。
进一步地，所述步骤S31中，对所述待处理图像进行边缘填充的填充宽度等于卷积核视野半径，以上述表1的实施例为例，对所述待处理图像进行边缘填充的填充宽度为1+2+4+8+16+32+64+128+1＝256。
进一步地，所述步骤S31中，并采用复制边缘像素的方式进行边缘填充。
进一步地，所述步骤S31中，对填充部分进行高斯模糊，以通过模糊避免产生明显的条状图案。
从而，本发明采用膨胀卷积方法实现图像色彩处理，并采用边缘填充和RGB-SSIM的方法解决网格效应，能够完全消除图像处理中的网格效应，提升图像处理效果，且实现快速、空间占用小。
请参阅图2，本发明还提供一种图像处理系统，包括：样本获取模块30、与所述样本获取模块30相连的训练模块20及与所述训练模块20相连的图像处理模块10；
所述样本获取模块30用于获取图像集，所述图像集包括多个图像对，每一个图像对包括一原始图像和一与所述原始图像相对应的目标图像，所述原始图像与目标图像的尺寸相同；
所述训练模块20用于利用所述图像集对所述图像处理模块10进行训练，使得所述图像处理模块10在接收到原始图像时，其处理输出的结果图像与其接收到的原始图像的目标图像的差异最小；
所述图像处理模块10用于在经过训练模块20的训练后对待处理图像进行处理，产生增强图像；
所述图像处理模块10具有多层膨胀卷积结构，其损失函数为：
其中，SSIM为结构相似性计算函数，networkR和outputR分别对应同一原始图像的结果图像和目标图像中对应的两个像素的红色灰度值，networkG和outputG分别对应同一原始图像的结果图像和目标图像中对应的两个像素的绿色灰度值，networkB和outputB分别对应同一原始图像的结果图像和目标图像中对应的两个像素的蓝色灰度值，L为该结果图像和目标图像的差异程度。
具体地，所述图像集的来源可以是现有的图像库，或由传统算法生成，或由修图师加工完成。
具体地，所述图像处理模块10的每层卷积核尺寸为3×3，深度为9，宽度为24，卷积核的膨胀系数每层递增，使用自适应归一化，图像处理模块10的输入图像具有rgb三个通道，每一层的激活函数采用LReLU函数进行激活，优选的网络参数架构的实施例如表1所示，当然本发明对此并不限制，必要时也可以采用表1以外其他实施方式。
进一步地，将图像集的原始图像输入图像处理模块10，将图像集的目标图像作为图像处理模块10的目标图像，采用RGB-SSIM函数作为网络的损失函数，网络优化设置为反向梯度传播优化，对图像处理模块10的参数进行训练，使网络结果图像与目标图像的差异最小。
具体地，所述图像处理系统还包括与所述图像处理模块10相连的填充模块40；
所述填充模块40用于将待处理图像进行边缘填充并对填充部分进行模糊，得到填充后的待处理图像，并将填充后的待处理图像输入训练后的图像处理模块10，以及截去图像处理模块10输出的图像中的填充部分，得到增强图像。
进一步地，对所述待处理图像进行边缘填充的填充宽度等于卷积核视野半径，并采用复制边缘像素的方式进行边缘填充，以上述表1的实施例为例，对所述待处理图像进行边缘填充的填充宽度为1+2+4+8+16+32+64+128+1＝256。
进一步地，对填充部分进行高斯模糊，以通过模糊避免产生明显的条状图案。
从而，本发明采用膨胀卷积方法实现图像色彩处理，并采用边缘填充和RGB-SSIM的方法解决网格效应，能够完全消除图像处理中的网格效应，提升图像处理效果，且实现快速、空间占用小。
综上所述，本发明提供一种图像处理方法，包括如下步骤：步骤S1、获取图像集，所述图像集包括多个图像对，每一个图像对包括一原始图像和一与所述原始图像相对应的目标图像，所述原始图像与目标图像的尺寸相同；步骤S2、提供一图像处理模块，利用所述图像集对所述图像处理模块进行训练，使得所述图像处理模块在接收到原始图像时，其处理输出的结果图像与其接收到的原始图像的目标图像的差异最小；所述图像处理模块具有多层膨胀卷积结构，其损失函数为RGB-SSIM函数；步骤S3、提供待处理图像，利用图像处理模块对待处理图像进行处理，得到该待处理图像对应的增强图像，使用RGB-SSIM函数作为图像处理模块的损失函数，能够消除图像处理中的网格效应，提升图像处理效果。本发明还提供一种图像处理系统，能够消除图像处理中的网格效应，提升图像处理效果。
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、获取图像集，所述图像集包括多个图像对，每一个图像对包括一原始图像和一与所述原始图像相对应的目标图像，所述原始图像与目标图像的尺寸相同；
步骤S2、提供一图像处理模块(10)，利用所述图像集对所述图像处理模块(10)进行训练，使得所述图像处理模块(10)在接收到原始图像时，其处理输出的结果图像与其接收到的原始图像的目标图像的差异最小；
所述图像处理模块(10)具有多层膨胀卷积结构，其损失函数为：
其中，SSIM为结构相似性计算函数，networkR和outputR分别对应同一原始图像的结果图像和目标图像中对应的两个像素的红色灰度值，networkG和outputG分别对应同一原始图像的结果图像和目标图像中对应的两个像素的绿色灰度值，networkB和outputB分别对应同一原始图像的结果图像和目标图像中对应的两个像素的蓝色灰度值，L为该结果图像和目标图像的差异程度；
步骤S3、提供待处理图像，利用图像处理模块(10)对待处理图像进行处理，得到该待处理图像对应的增强图像。
2.如权利要求1所述的图像处理方法，其特征在于，所述图像处理模块(10)的卷积核的膨胀系数每层递增。
3.如权利要求1所述的图像处理方法，其特征在于，所述步骤S3具体包括：
步骤S31、将待处理图像进行边缘填充并对填充部分进行模糊，得到填充后的待处理图像；
步骤S32、将填充后的待处理图像输入训练后的图像处理模块(10)；
步骤S33、截去图像处理模块(10)输出的图像中的填充部分，得到该待处理图像对应的增强图像。
4.如权利要求3所述的图像处理方法，其特征在于，所述步骤S31中，对所述待处理图像进行边缘填充的填充宽度等于卷积核视野半径，并采用复制边缘像素的方式进行边缘填充。
5.如权利要求3所述的图像处理方法，其特征在于，所述步骤S31中，对填充部分进行高斯模糊。
6.一种图像处理系统，其特征在于，包括：样本获取模块(30)、与所述样本获取模块(30)相连的训练模块(20)及与所述训练模块(20)相连的图像处理模块(10)；
所述样本获取模块(30)用于获取图像集，所述图像集包括多个图像对，每一个图像对包括一原始图像和一与所述原始图像相对应的目标图像，所述原始图像与目标图像的尺寸相同；
所述训练模块(20)用于利用所述图像集对所述图像处理模块(10)进行训练，使得所述图像处理模块(10)在接收到原始图像时，其处理输出的结果图像与其接收到的原始图像的目标图像的差异最小；
所述图像处理模块(10)用于在经过训练模块(20)的训练后对待处理图像进行处理，产生增强图像；
所述图像处理模块(10)具有多层膨胀卷积结构，其损失函数为：
其中，SSIM为结构相似性计算函数，networkR和outputR分别对应同一原始图像的结果图像和目标图像中对应的两个像素的红色灰度值，networkG和outputG分别对应同一原始图像的结果图像和目标图像中对应的两个像素的绿色灰度值，networkB和outputB分别对应同一原始图像的结果图像和目标图像中对应的两个像素的蓝色灰度值，L为该结果图像和目标图像的差异程度。
7.如权利要求6所述的图像处理系统，其特征在于，所述图像处理模块(10)的卷积核的膨胀系数每层递增。
8.如权利要求6所述的图像处理系统，其特征在于，还包括与所述图像处理模块(10)相连的填充模块(40)；
所述填充模块(40)用于将待处理图像进行边缘填充并对填充部分进行模糊，得到填充后的待处理图像，并将填充后的待处理图像输入训练后的图像处理模块(10)，以及截去图像处理模块(10)输出的图像中的填充部分，得到增强图像。
9.如权利要求8所述的图像处理系统，其特征在于，对所述待处理图像进行边缘填充的填充宽度等于卷积核视野半径，并采用复制边缘像素的方式进行边缘填充。
10.如权利要求8所述的图像处理系统，其特征在于，对填充部分进行高斯模糊。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910673681.0A CN110298810A (zh) | 2019-07-24 | 2019-07-24 | 图像处理方法及图像处理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910673681.0A CN110298810A (zh) | 2019-07-24 | 2019-07-24 | 图像处理方法及图像处理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110298810A true CN110298810A (zh) | 2019-10-01 |
Family
ID=68031813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910673681.0A Pending CN110298810A (zh) | 2019-07-24 | 2019-07-24 | 图像处理方法及图像处理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110298810A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101763627A (zh) * | 2008-12-12 | 2010-06-30 | 新奥特（北京）视频技术有限公司 | 一种高斯模糊的实现方法和装置 |
| CN105787891A (zh) * | 2016-01-31 | 2016-07-20 | 厦门美图之家科技有限公司 | 一种优化边缘锯齿的图像处理方法、系统及拍摄终端 |
| CN107169927A (zh) * | 2017-05-08 | 2017-09-15 | 京东方科技集团股份有限公司 | 一种图像处理系统、方法及显示装置 |
| CN107809593A (zh) * | 2017-11-13 | 2018-03-16 | 广东欧珀移动通信有限公司 | 拍摄图像的方法、装置、终端和存储介质 |
| US20180165798A1 (en) * | 2016-12-14 | 2018-06-14 | Adobe Systems Incorporated | Image hole filling that accounts for global structure and local texture |
| CN108513672A (zh) * | 2017-07-27 | 2018-09-07 | 深圳市大疆创新科技有限公司 | 增强图像对比度的方法、设备及存储介质 |
| CN108986050A (zh) * | 2018-07-20 | 2018-12-11 | 北京航空航天大学 | 一种基于多分支卷积神经网络的图像和视频增强方法 |
| CN109618094A (zh) * | 2018-12-14 | 2019-04-12 | 深圳市华星光电半导体显示技术有限公司 | 图像处理方法及图像处理系统 |
| CN109800754A (zh) * | 2018-12-06 | 2019-05-24 | 杭州电子科技大学 | 一种基于卷积神经网络的古字体分类方法 |
-
2019
- 2019-07-24 CN CN201910673681.0A patent/CN110298810A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101763627A (zh) * | 2008-12-12 | 2010-06-30 | 新奥特（北京）视频技术有限公司 | 一种高斯模糊的实现方法和装置 |
| CN105787891A (zh) * | 2016-01-31 | 2016-07-20 | 厦门美图之家科技有限公司 | 一种优化边缘锯齿的图像处理方法、系统及拍摄终端 |
| US20180165798A1 (en) * | 2016-12-14 | 2018-06-14 | Adobe Systems Incorporated | Image hole filling that accounts for global structure and local texture |
| CN107169927A (zh) * | 2017-05-08 | 2017-09-15 | 京东方科技集团股份有限公司 | 一种图像处理系统、方法及显示装置 |
| CN108513672A (zh) * | 2017-07-27 | 2018-09-07 | 深圳市大疆创新科技有限公司 | 增强图像对比度的方法、设备及存储介质 |
| CN107809593A (zh) * | 2017-11-13 | 2018-03-16 | 广东欧珀移动通信有限公司 | 拍摄图像的方法、装置、终端和存储介质 |
| CN108986050A (zh) * | 2018-07-20 | 2018-12-11 | 北京航空航天大学 | 一种基于多分支卷积神经网络的图像和视频增强方法 |
| CN109800754A (zh) * | 2018-12-06 | 2019-05-24 | 杭州电子科技大学 | 一种基于卷积神经网络的古字体分类方法 |
| CN109618094A (zh) * | 2018-12-14 | 2019-04-12 | 深圳市华星光电半导体显示技术有限公司 | 图像处理方法及图像处理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112288658B (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
| CN108961186B (zh) | 一种基于深度学习的老旧影片修复重制方法 | |
| US20210248715A1 (en) | Method and system for end-to-end image processing | |
| CN107403415B (zh) | 基于全卷积神经网络的压缩深度图质量增强方法及装置 | |
| CN100389597C (zh) | 用于局部适配图像处理滤波器的方法及系统 | |
| WO2023010754A1 (zh) | 一种图像处理方法、装置、终端设备及存储介质 | |
| CN113454680A (zh) | 图像处理器 | |
| CN110544213A (zh) | 一种基于全局和局部特征融合的图像去雾方法 | |
| CN112435191B (zh) | 一种基于多个神经网络结构融合的低照度图像增强方法 | |
| CN104574328A (zh) | 一种基于直方图分割的彩色图像增强方法 | |
| CN110610467B (zh) | 一种基于深度学习的多帧视频去压缩噪声方法 | |
| Wang et al. | A graph-based joint bilateral approach for depth enhancement | |
| Faramarzi et al. | Blind super resolution of real-life video sequences | |
| CN108665415B (zh) | 基于深度学习的图像质量提升方法及其装置 | |
| CN112215767B (zh) | 一种抗块效应的图像视频增强方法 | |
| CN109618094A (zh) | 图像处理方法及图像处理系统 | |
| CN111462022A (zh) | 一种水下图像清晰化增强方法 | |
| JPWO2008102898A1 (ja) | 画質改善処理装置、画質改善処理方法及び画質改善処理プログラム | |
| CN107330856B (zh) | 一种基于投影变换和薄板样条的全景成像方法 | |
| CN116681627B (zh) | 一种跨尺度融合的自适应水下图像生成对抗增强方法 | |
| Hanumantharaju et al. | A novel FPGA implementation of adaptive color image enhancement based on HSV color space | |
| CN110189264B (zh) | 图像处理方法 | |
| CN110298810A (zh) | 图像处理方法及图像处理系统 | |
| CN111861940A (zh) | 一种基于条件连续调节的图像调色增强方法 | |
| CN116433525A (zh) | 一种基于边缘检测函数变分模型的水下图像去雾方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: 9-2 Tangming Avenue, Guangming New District, Shenzhen City, Guangdong Province Applicant after: TCL Huaxing Photoelectric 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. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191001 |
|
| RJ01 | Rejection of invention patent application after publication |