CN110312135B - 一种基于内容识别的微小颗粒图像压缩编码方法 - Google Patents

一种基于内容识别的微小颗粒图像压缩编码方法 Download PDF

Info

Publication number
CN110312135B
CN110312135B CN201910525054.2A CN201910525054A CN110312135B CN 110312135 B CN110312135 B CN 110312135B CN 201910525054 A CN201910525054 A CN 201910525054A CN 110312135 B CN110312135 B CN 110312135B
Authority
CN
China
Prior art keywords
image
value
point
marking
pixel
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
CN201910525054.2A
Other languages
English (en)
Other versions
CN110312135A (zh
Inventor
李俊峰
樊春晓
张津
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.)
Hefei Anjiete Optoelectronic Co ltd
Original Assignee
Hefei Anjiete Optoelectronic 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 Hefei Anjiete Optoelectronic Co ltd filed Critical Hefei Anjiete Optoelectronic Co ltd
Priority to CN201910525054.2A priority Critical patent/CN110312135B/zh
Publication of CN110312135A publication Critical patent/CN110312135A/zh
Application granted granted Critical
Publication of CN110312135B publication Critical patent/CN110312135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/182—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being a pixel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression

Abstract

本发明公开了一种基于内容识别的微小颗粒图像压缩编码方法，逐行逐点读取输入的图像数据；对当前读入数据进行检测，检测目标是否为物体，具体检查方法为分析当前像素值是否大于阈值，若大于阈值，则检测到物体，并记为1，若不大于阈值，则检测不到物体，并记为0；根据求出的结果，对左侧以及上方的数据进行分析，判断当前点是否为物体的结束位置，具体方法为，若左侧以及左上方或上方位置均为1，且所有左侧像素点的下方均为0，而当前点的值为0，则为物体的结束位置。本发明中，采用逐行逐点对待编码图像进行压缩编码，图像信息的缓存只缓存三行，不再需要提前缓存整幅图像，不仅减少了对运行资源空间的占用，同时有利于提升编码效率。

Description

一种基于内容识别的微小颗粒图像压缩编码方法
技术领域
本发明属于图像处理技术领域，具体为一种基于内容识别的微小颗粒图像压缩编码方法。
背景技术
图像处理技术是一个跨学科的领域，随着计算机科学技术的不断发展，图像处理和分析逐渐形成了自己的科学体系，新的处理方法层出不穷，尽管其发展历史不长，但却引起各方面人士的广泛关注。首先，视觉是人类最重要的感知手段，图像又是视觉的基础，因此，数字图像成为心理学、生理学、计算机科学等诸多领域内的学者们研究视觉感知的有效工具。其次，图像处理在军事、遥感、气象等大型应用中有不断增长的需求。
图像压缩编码可分为两类:一类压缩是可逆的,即从压缩后的数据可以完全恢复原来的图像,信息没有损失,称为无损压缩编码；另一类压缩是不可逆的,即从压缩后的数据无法完全恢复原来的图像,信息有一定损失,称为有损压缩编码，现有的针对微小的颗粒图像没有专门压缩编码方法，均采用通用数字图像压缩编码，这种压缩编码方法其算法的运算复杂度高，且没有利用微小颗粒图像的特点，不能很好的进行压缩编码，因此我们提出一种基于内容识别的微小颗粒图像压缩编码方法。
发明内容
本发明的目的在于：为了补充现有针对微小颗粒图像的压缩编码方法，提供一种基于内容识别的微小颗粒图像压缩编码方法。
本发明采用的技术方案如下：
一种基于内容识别的微小颗粒图像压缩编码方法，包括以下具体步骤：
步骤1：逐行逐点读取输入的图像数据，并对数据进行缓存；
步骤2：对当前读入数据进行检测，检测目标是否为物体，具体检查方法为分析当前像素值是否大于阈值，若大于阈值，则检测到物体，并记为1，若不大于阈值，则检测不到物体，并记为0，其中，阈值为经验值，为像素点取值范围的中值；
步骤3：根据求出的结果，对左侧以及上方的数据进行分析，判断当前点是否为物体的结束位置，具体方法为，若左侧以及左上方或上方位置均为1，且所有左侧像素点的下方均为0，而当前点的值为0，则为物体的结束位置，否则不是物体的结束位置；
步骤4：分析找出物体的位置范围，具体方法为向上方和左侧进行扫描，记录所有当前物体的坐标，并选出所有横坐标的最小值，并记为x0，选出所有横坐标的最大值，并记为x1，以及纵坐标的最小值，记为y0，和纵坐标的最大值，记为y1；
步骤5：计算横坐标范围在x0-x1，纵坐标范围在y0-y1之间的矩形像素点的平均值，记为Pv，其计算算式为：
Figure GDA0003147786980000021
其中，P(m，n)为第(m，n)点像素的值；
步骤6：求解预测图像，即将所有检查到物体范围内的像素点，填充为其对应的像素点平均值Pv；
步骤7：获取残差图像，具体方法为逐行逐点求解每一个原图像像素P(m，n)与对应预测图像像素Pv(m，n)之间的差值，结果记为残差图像当前点的像素值，记为Pre(m，n)，其计算算式为：Pre(m，n)＝P(m，n)-Pv(m，n)；
步骤8：将残差图像的像素值依次输入编码器，对其进行编码。
其中，读取的所述图像数据来自拍摄设备实时拍摄到的图像。
其中，读取的所述图像数据还包括识别读取本地储存的图像数据。
其中，所述拍摄设备实时拍摄的图像经过图像消噪处理后再读取。
其中，所述图像消噪处理采用形态学噪声滤除器进行消噪处理。
其中，所述图像消噪处理完成后进行图像增强。
其中，进行编码的所述编码器为算术编码器。
其中，读取所述图像数据，并对数据进行缓存，缓存三行数据。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，通过对待编码图像内容进行分析，识别出微小颗粒，进而再进行运算压缩编码，充分利用了微小颗粒图像的特点，提升了压缩编码的效果。
2、本发明中，在识别出图像中的微小颗粒时，通过分析其角度以及长度等参数，再利用压缩编码相关参数来降低图像的整体数据量，从而提升压缩编码效率。
3、本发明中，由于在对图像进行编码时是逐行逐点进行压缩编码，不需要在缓存整幅图像的基础上进行编码，使得在图像采集过程中同时进行压缩编码处理，因此压缩编码速率更高。
4、本发明中，采用逐行逐点对待编码图像进行压缩编码，图像信息的缓存只缓存三行，不再需要提前缓存整幅图像，不仅减少了对运行资源空间的占用，同时有利于提升编码效率。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例一：一种基于内容识别的微小颗粒图像压缩编码方法，包括以下具体步骤：
步骤1：逐行逐点读取输入的图像数据，并对数据进行缓存；
步骤2：对当前读入数据进行检测，检测目标是否为物体，具体检查方法为分析当前像素值是否大于阈值，若大于阈值，则检测到物体，并记为1，若不大于阈值，则检测不到物体，并记为0，其中，阈值为经验值，为像素点取值范围的中值；
步骤3：根据求出的结果，对左侧以及上方的数据进行分析，判断当前点是否为物体的结束位置，具体方法为，若左侧以及左上方或上方位置均为1，且所有左侧像素点的下方均为0，而当前点的值为0，则为物体的结束位置，否则不是物体的结束位置；
步骤4：分析找出物体的位置范围，具体方法为向上方和左侧进行扫描，记录所有当前物体的坐标，并选出所有横坐标的最小值，并记为x0，选出所有横坐标的最大值，并记为x1，以及纵坐标的最小值，记为y0，和纵坐标的最大值，记为y1；
步骤5：计算横坐标范围在x0-x1，纵坐标范围在y0-y1之间的矩形像素点的平均值，记为Pv，其计算算式为：
Figure GDA0003147786980000051
其中，P(m，n)为第(m，n)点像素的值；
步骤6：求解预测图像，即将所有检查到物体范围内的像素点，填充为其对应的像素点平均值Pv；
步骤7：获取残差图像，具体方法为逐行逐点求解每一个原图像像素P(m，n)与对应预测图像像素Pv(m，n)之间的差值，结果记为残差图像当前点的像素值，记为Pre(m，n)，其计算算式为：Pre(m，n)＝P(m，n)-Pv(m，n)；
步骤8：将残差图像的像素值依次输入编码器，对其进行编码。
所述读取的图像数据来自拍摄设备实时拍摄到的图像，所述读取的图像数据还包括识别读取本地储存的图像数据。
实施例二：一种基于内容识别的微小颗粒图像压缩编码方法，包括以下具体步骤：
步骤1：逐行逐点读取输入的图像数据，并对数据进行缓存；
步骤2：对当前读入数据进行检测，检测目标是否为物体，具体检查方法为分析当前像素值是否大于阈值，若大于阈值，则检测到物体，并记为1，若不大于阈值，则检测不到物体，并记为0，其中，阈值为经验值，为像素点取值范围的中值；
步骤3：根据求出的结果，对左侧以及上方的数据进行分析，判断当前点是否为物体的结束位置，具体方法为，若左侧以及左上方或上方位置均为1，且所有左侧像素点的下方均为0，而当前点的值为0，则为物体的结束位置，否则不是物体的结束位置；
步骤4：分析找出物体的位置范围，具体方法为向上方和左侧进行扫描，记录所有当前物体的坐标，并选出所有横坐标的最小值，并记为x0，选出所有横坐标的最大值，并记为x1，以及纵坐标的最小值，记为y0，和纵坐标的最大值，记为y1；
步骤5：计算横坐标范围在x0-x1，纵坐标范围在y0-y1之间的矩形像素点的平均值，记为Pv，其计算算式为：
Figure GDA0003147786980000061
其中，P(m，n)为第(m，n)点像素的值；
步骤6：求解预测图像，即将所有检查到物体范围内的像素点，填充为其对应的像素点平均值Pv；
步骤7：获取残差图像，具体方法为逐行逐点求解每一个原图像像素P(m，n)与对应预测图像像素Pv(m，n)之间的差值，结果记为残差图像当前点的像素值，记为Pre(m，n)，其计算算式为：Pre(m，n)＝P(m，n)-Pv(m，n)；
步骤8：将残差图像的像素值依次输入编码器，对其进行编码。
所述读取的图像数据来自拍摄设备实时拍摄到的图像，所述读取的图像数据还包括识别读取本地储存的图像数据，所述拍摄设备实时拍摄的图像经过图像消噪处理后再读取，所述图像消噪处理采用形态学噪声滤除器进行消噪处理。
实施例三：一种基于内容识别的微小颗粒图像压缩编码方法，包括以下具体步骤：
步骤1：逐行逐点读取输入的图像数据，并对数据进行缓存；
步骤2：对当前读入数据进行检测，检测目标是否为物体，具体检查方法为分析当前像素值是否大于阈值，若大于阈值，则检测到物体，并记为1，若不大于阈值，则检测不到物体，并记为0，其中，阈值为经验值，为像素点取值范围的中值；
步骤3：根据求出的结果，对左侧以及上方的数据进行分析，判断当前点是否为物体的结束位置，具体方法为，若左侧以及左上方或上方位置均为1，且所有左侧像素点的下方均为0，而当前点的值为0，则为物体的结束位置，否则不是物体的结束位置；
步骤4：分析找出物体的位置范围，具体方法为向上方和左侧进行扫描，记录所有当前物体的坐标，并选出所有横坐标的最小值，并记为x0，选出所有横坐标的最大值，并记为x1，以及纵坐标的最小值，记为y0，和纵坐标的最大值，记为y1；
步骤5：计算横坐标范围在x0-x1，纵坐标范围在y0-y1之间的矩形像素点的平均值，记为Pv，其计算算式为：
Figure GDA0003147786980000071
其中，P(m，n)为第(m，n)点像素的值；
步骤6：求解预测图像，即将所有检查到物体范围内的像素点，填充为其对应的像素点平均值Pv；
步骤7：获取残差图像，具体方法为逐行逐点求解每一个原图像像素P(m，n)与对应预测图像像素Pv(m，n)之间的差值，结果记为残差图像当前点的像素值，记为Pre(m，n)，其计算算式为：Pre(m，n)＝P(m，n)-Pv(m，n)；
步骤8：将残差图像的像素值依次输入编码器，对其进行编码。
所述读取的图像数据来自拍摄设备实时拍摄到的图像，所述读取的图像数据还包括识别读取本地储存的图像数据，所述拍摄设备实时拍摄的图像经过图像消噪处理后再读取，所述图像消噪处理采用形态学噪声滤除器进行消噪处理，所述图像消噪处理完成后进行图像增强。
实施例四：一种基于内容识别的微小颗粒图像压缩编码方法，包括以下具体步骤：
步骤1：逐行逐点读取输入的图像数据，并对数据进行缓存；
步骤2：对当前读入数据进行检测，检测目标是否为物体，具体检查方法为分析当前像素值是否大于阈值，若大于阈值，则检测到物体，并记为1，若不大于阈值，则检测不到物体，并记为0，其中，阈值为经验值，为像素点取值范围的中值；
步骤3：根据求出的结果，对左侧以及上方的数据进行分析，判断当前点是否为物体的结束位置，具体方法为，若左侧以及左上方或上方位置均为1，且所有左侧像素点的下方均为0，而当前点的值为0，则为物体的结束位置，否则不是物体的结束位置；
步骤4：分析找出物体的位置范围，具体方法为向上方和左侧进行扫描，记录所有当前物体的坐标，并选出所有横坐标的最小值，并记为x0，选出所有横坐标的最大值，并记为x1，以及纵坐标的最小值，记为y0，和纵坐标的最大值，记为y1；
步骤5：计算横坐标范围在x0-x1，纵坐标范围在y0-y1之间的矩形像素点的平均值，记为Pv，其计算算式为：
Figure GDA0003147786980000091
其中，P(m，n)为第(m，n)点像素的值；
步骤6：求解预测图像，即将所有检查到物体范围内的像素点，填充为其对应的像素点平均值Pv；
步骤7：获取残差图像，具体方法为逐行逐点求解每一个原图像像素P(m，n)与对应预测图像像素Pv(m，n)之间的差值，结果记为残差图像当前点的像素值，记为Pre(m，n)，其计算算式为：Pre(m，n)＝P(m，n)-Pv(m，n)；
步骤8：将残差图像的像素值依次输入编码器，对其进行编码。
所述读取的图像数据来自拍摄设备实时拍摄到的图像，所述读取的图像数据还包括识别读取本地储存的图像数据，所述拍摄设备实时拍摄的图像经过图像消噪处理后再读取，所述图像消噪处理采用形态学噪声滤除器进行消噪处理，所述图像消噪处理完成后进行图像增强，所述进行编码的编码器为算术编码器。
实施例五：一种基于内容识别的微小颗粒图像压缩编码方法，包括以下具体步骤：
步骤1：逐行逐点读取输入的图像数据，并对数据进行缓存；
步骤2：对当前读入数据进行检测，检测目标是否为物体，具体检查方法为分析当前像素值是否大于阈值，若大于阈值，则检测到物体，并记为1，若不大于阈值，则检测不到物体，并记为0，其中，阈值为经验值，为像素点取值范围的中值；
步骤3：根据求出的结果，对左侧以及上方的数据进行分析，判断当前点是否为物体的结束位置，具体方法为，若左侧以及左上方或上方位置均为1，且所有左侧像素点的下方均为0，而当前点的值为0，则为物体的结束位置，否则不是物体的结束位置；
步骤4：分析找出物体的位置范围，具体方法为向上方和左侧进行扫描，记录所有当前物体的坐标，并选出所有横坐标的最小值，并记为x0，选出所有横坐标的最大值，并记为x1，以及纵坐标的最小值，记为y0，和纵坐标的最大值，记为y1；
步骤5：计算横坐标范围在x0-x1，纵坐标范围在y0-y1之间的矩形像素点的平均值，记为Pv，其计算算式为：
Figure GDA0003147786980000101
其中，P(m，n)为第(m，n)点像素的值；
步骤6：求解预测图像，即将所有检查到物体范围内的像素点，填充为其对应的像素点平均值Pv；
步骤7：获取残差图像，具体方法为逐行逐点求解每一个原图像像素P(m，n)与对应预测图像像素Pv(m，n)之间的差值，结果记为残差图像当前点的像素值，记为Pre(m，n)，其计算算式为：Pre(m，n)＝P(m，n)-Pv(m，n)；
步骤8：将残差图像的像素值依次输入编码器，对其进行编码。
所述读取的图像数据来自拍摄设备实时拍摄到的图像，所述读取的图像数据还包括识别读取本地储存的图像数据，所述拍摄设备实时拍摄的图像经过图像消噪处理后再读取，所述图像消噪处理采用形态学噪声滤除器进行消噪处理，所述图像消噪处理完成后进行图像增强，所述进行编码的编码器为算术编码器，所述在读取图像时，并对数据进行缓存时，缓存三行数据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于内容识别的微小颗粒图像压缩编码方法，其特征在于，包括以下具体步骤：
步骤1：逐行逐点读取输入的图像数据，并对数据进行缓存；
步骤2：对当前读入数据进行检测，检测目标是否为物体，具体检查方法为分析当前像素值是否大于阈值，若大于阈值，则检测到物体，并记为1，若不大于阈值，则检测不到物体，并记为0，其中，阈值为经验值，为像素点取值范围的中值；
步骤3：根据求出的结果，对左侧以及上方的数据进行分析，判断当前点是否为物体的结束位置，具体方法为，若左侧以及左上方或上方位置均为1，且所有左侧像素点的下方均为0，而当前点的值为0，则为物体的结束位置，否则不是物体的结束位置；
步骤4：分析找出物体的位置范围，具体方法为向上方和左侧进行扫描，记录所有当前物体的坐标，并选出所有横坐标的最小值，并记为x0，选出所有横坐标的最大值，并记为x1，以及纵坐标的最小值，记为y0，和纵坐标的最大值，记为y1；
步骤5：计算横坐标范围在x0-x1，纵坐标范围在y0-y1之间的矩形像素点的平均值，记为Pv，其计算算式为：
Figure FDA0003147786970000011
其中，P(m，n)为第(m，n)点像素的值；
步骤6：求解预测图像，即将所有检查到物体范围内的像素点，填充为其对应的像素点平均值Pv；
步骤7：获取残差图像，具体方法为逐行逐点求解每一个原图像像素P(m，n)与对应预测图像像素Pv(m，n)之间的差值，结果记为残差图像当前点的像素值，记为Pre(m，n)，其计算算式为：Pre(m，n)＝P(m，n)-Pv(m，n)；
步骤8：将残差图像的像素值依次输入编码器，对其进行编码。
2.如权利要求1所述的一种基于内容识别的微小颗粒图像压缩编码方法，其特征在于，读取的所述图像数据来自拍摄设备实时拍摄到的图像。
3.如权利要求2所述的一种基于内容识别的微小颗粒图像压缩编码方法，其特征在于，读取的所述图像数据还包括识别读取本地储存的图像数据。
4.如权利要求2所述的一种基于内容识别的微小颗粒图像压缩编码方法，其特征在于，所述拍摄设备实时拍摄的图像经过图像消噪处理后再读取。
5.如权利要求4所述的一种基于内容识别的微小颗粒图像压缩编码方法，其特征在于，所述图像消噪处理采用形态学噪声滤除器进行消噪处理。
6.如权利要求5所述的一种基于内容识别的微小颗粒图像压缩编码方法，其特征在于，所述图像消噪处理完成后进行图像增强。
7.如权利要求1～6任一所述的一种基于内容识别的微小颗粒图像压缩编码方法，其特征在于，进行编码的所述编码器为算术编码器。
8.如权利要求7所述的一种基于内容识别的微小颗粒图像压缩编码方法，其特征在于，读取所述图像数据，并对数据进行缓存时，缓存三行数据。
CN201910525054.2A 2019-06-18 2019-06-18 一种基于内容识别的微小颗粒图像压缩编码方法 Active CN110312135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910525054.2A CN110312135B (zh) 2019-06-18 2019-06-18 一种基于内容识别的微小颗粒图像压缩编码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910525054.2A CN110312135B (zh) 2019-06-18 2019-06-18 一种基于内容识别的微小颗粒图像压缩编码方法

Publications (2)

Publication Number Publication Date
CN110312135A CN110312135A (zh) 2019-10-08
CN110312135B true CN110312135B (zh) 2021-09-07

Family

ID=68077828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910525054.2A Active CN110312135B (zh) 2019-06-18 2019-06-18 一种基于内容识别的微小颗粒图像压缩编码方法

Country Status (1)

Country Link
CN (1) CN110312135B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103067716A (zh) * 2013-01-10 2013-04-24 华为技术有限公司 深度图像的编解码方法和编解码装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090090152A (ko) * 2008-02-20 2009-08-25 삼성전자주식회사 영상의 부호화, 복호화 방법 및 장치
KR101294364B1 (ko) * 2011-01-31 2013-08-06 전자부품연구원 고화질 영상을 위한 무손실 영상 압축방법, 압축 해제방법 및 이를 적용한 전자기기

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103067716A (zh) * 2013-01-10 2013-04-24 华为技术有限公司 深度图像的编解码方法和编解码装置

Also Published As

Publication number Publication date
CN110312135A (zh) 2019-10-08

Similar Documents

Publication Publication Date Title
CN109345547B (zh) 基于深度学习多任务网络的交通车道线检测方法及装置
CN108416355B (zh) 一种基于机器视觉的工业现场生产数据的采集方法
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN110428450B (zh) 应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法
CN110335233B (zh) 基于图像处理技术的高速公路护栏板缺陷检测系统和方法
KR101906796B1 (ko) 딥러닝 기반 영상 분석 장치 및 영상 분석 방법
CN111553247B (zh) 一种基于改进骨干网络的视频结构化系统、方法及介质
CN109325959B (zh) 一种基于Hough变换的提取红外图像细节的方法及其应用
Yan et al. Method to Enhance Degraded Image in Dust Environment.
Cho et al. Semantic segmentation with low light images by modified CycleGAN-based image enhancement
CN106485702A (zh) 基于自然图像特征统计的图像模糊检测方法
CN102457724A (zh) 一种图像运动检测系统及方法
CN111027564A (zh) 基于深度学习一体化的低照度成像车牌识别方法及装置
CN110312135B (zh) 一种基于内容识别的微小颗粒图像压缩编码方法
CN104063682A (zh) 一种基于边缘分级和centrist特征的行人检测方法
CN110490210B (zh) 一种基于紧致通道间t采样差分的彩色纹理分类方法
KR101298937B1 (ko) 표지판 인식장치, 표지판 인식방법, 및 이미지 인식방법
CN116233479A (zh) 基于数据处理的直播信息内容审核系统及方法
CN110969630A (zh) 一种基于RDU-net网络模型的矿石大块率检测方法
CN116403200A (zh) 基于硬件加速的车牌实时识别系统
CN113469087B (zh) 建筑图纸中的图框检测方法、装置、设备及介质
Wei et al. A license plate super-resolution reconstruction algorithm based on manifold learning
CN113542771A (zh) 一种基于内容权重的视频高效压缩处理方法
CN114463379A (zh) 一种视频关键点的动态捕捉方法及装置
CN113449656A (zh) 一种基于改进的卷积神经网络的驾驶员状态识别方法

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