CN110335215A - 图像反走样方法及图像反走样装置 - Google Patents
图像反走样方法及图像反走样装置 Download PDFInfo
- Publication number
- CN110335215A CN110335215A CN201910615175.6A CN201910615175A CN110335215A CN 110335215 A CN110335215 A CN 110335215A CN 201910615175 A CN201910615175 A CN 201910615175A CN 110335215 A CN110335215 A CN 110335215A
- Authority
- CN
- China
- Prior art keywords
- gray value
- source pixel
- image
- value
- gray
- 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 52
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000013139 quantization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000017105 transposition Effects 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/50—Lighting effects
- G06T15/503—Blending, e.g. for anti-aliasing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/12—Indexing scheme for image data processing or generation, in general involving antialiasing
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
- Image Generation (AREA)
Abstract
本发明公开一种图像反走样方法及图像反走样装置,该方法包含:接收走样图像,其中所述走样图像包括多个源像素;对应所述多个源像素分别产生多个哈希值;以及根据所述多个哈希值对所述走样图像进行滤波处理或滤波器求解;其中,所述多个哈希值中的每一个通过下面的步骤生成:从所述走样图像中选择源像素,并选择包含所述源像素的视窗;根据所述视窗中位于所述源像素所在的行和列上的所有源像素的灰度值确定走样强度;以及根据所述走样强度确定所述源像素的哈希值。
Description
技术领域
本发明涉及一种图像处理的方法及装置,特别涉及一种图像反走样方法及图像反走样装置。
背景技术
一般而言,计算机中所有的视觉元素,都是由一个个的像素所组成,一旦图形本身的解析度不高(组成的像素太少),或是放大显示的时候,像素也会跟着放大,而计算机屏幕的解析度也并不高时,两相影响之下,就会发现无论是字体或图形的边缘在视觉上呈现走样状态,在屏幕上看起来都相当的不美观。
反走样(anti-alias)是一种改进计算机显示质量的方法,这个方法是针对计算机显示图形的天生缺点而产生的补强措施,反走样方法的目的是降低或消除计算机图形的走样。
如何将原始图像处理为反走样图像,已成为本领域需解决的问题之一。
发明内容
根据本发明的一实施方式提出一种图像反走样方法,包含:接收走样图像,其中所述走样图像包括多个源像素;对应所述多个源像素分别产生多个哈希值;以及根据所述多个哈希值对所述走样图像进行滤波处理或滤波器求解;其中,所述多个哈希值中的每一个通过下面的步骤生成:从所述走样图像中选择源像素,并选择包含所述源像素的视窗;根据所述视窗中位于所述源像素所在的行和列上的所有源像素的灰度值确定走样强度;以及根据所述走样强度确定所述源像素的哈希值。
根据本发明的一实施方式提出一种图像反走样装置,包含:存储装置;以及处理装置,耦接于所述存储装置,所述处理装置接收走样图像,对应所述走样图像中的多个源像素分别产生多个哈希值,以及根据所述走样图像中所有源像素的哈希值对所述走样图像进行滤波处理或滤波器求解,其中,所述多个哈希值中的每一个通过下面的步骤生成:从所述走样图像中选择源像素,并选择包含所述源像素的视窗;根据所述视窗中位于所述源像素所在的行和列上的所有源像素的灰度值确定走样强度;以及根据所述走样强度确定所述源像素的哈希值;其中所述存储装置用以存储所述多个哈希值。
综上,本发明所示的图像反走样方法及图像反走样装置,可以将走样图像处理为反走样图像,且相比于走样图像,反走样图像中的图形平滑度具有更佳的效果;另外,本发明所示的图像反走样方法及图像反走样装置,还可以对走样图像进行滤波器求解。
附图说明
图1是依照本发明一实施例绘示一图像反走样装置100的方块图。
图2是依照本发明一实施例绘示一用于生成反走样图像的图像反走样装置100的更详细的方块图。
图3是依照本发明一实施例绘示一用于进行滤波器求解的图像反走样装置100的更详细的方块图。
图4是依照本发明一实施例绘示一图像反走样方法的流程图。
图5是依照本发明一实施例绘示一线上反走样处理的流程图。
图6是依照本发明一实施例绘示一离线生成预训练滤波器组的流程图。
图7是依照本发明一实施例绘示一确定灰度梯度方向和灰度梯度分布的流程图。
图8是依照本发明一实施例绘示一确定走样强度的流程图。
图9是依照本发明一实施例绘示的一走样图像中以源像素Ii,j为中心的7x7的视窗的示意图。
【符号说明】
100:图像反走样装置
10:处理装置
20:存储装置
IMG:走样图像
12:哈希聚类处理器
14:滤波处理器
16:预训练滤波器组
IMG’:反走样图像
18:滤波器求解器
19:反走样图像产生器
S401~S405、S501~S530、S601~S635、S701~S710、S801~S810:步骤
I:源像素
具体实施方式
以下说明为完成发明的较佳实现方式,其目的在于描述本发明的基本精神,但并不用以限定本发明。实际的发明内容必须参考之后的权利要求范围。
必须了解的是,使用于本说明书中的“包含”、“包括”等词,用以表示存在特定的技术特征、数值、方法步骤、作业处理、元件和/或组件,但并不排除可加上更多的技术特征、数值、方法步骤、作业处理、元件、组件,或以上的任意组合。
在权利要求中使用如“第一”、“第二”、“第三”等词用来修饰权利要求中的元件,并非用来表示之间具有优先权顺序,先行关系,或者是一个元件先于另一个元件,或者是执行方法步骤时的时间先后顺序,仅用来区别具有相同名字的元件。
请参照图1,图1是依照本发明一实施例绘示一图像反走样装置100的方块图。图像反走样装置100包含一处理装置10以及一存储装置20,处理装置10耦接于存储装置20。在一实施例中,图像反走样装置100可以实现于一计算机、一平板、一手机或其他具有运算功能的电子装置。处理装置10可以由集成电路如微控制单元(micro controller)、微处理器(microprocessor)、数字信号处理器(digital signal processor)、特殊应用集成电路(application specific integrated circuit,ASIC)或一逻辑电路来实施。存储装置20可被实作为寄存器、快闪存储器、软盘、硬盘、光盘、随身碟、磁带、可由网络存取的数据库或本领域技术人员可轻易思及具有相同功能的存储介质。
在一实施例中,图像反走样装置100的处理装置10用以接收一走样图像IMG,将走样图像IMG进行反走样处理以生成反走样图像。具体来说,处理装置10接收到走样图像IMG后,对应走样图像IMG中的多个源像素分别产生多个哈希(Hash)值,处理装置10再根据生成的多个哈希值和存储装置20中存储的预训练滤波器组对走样图像IMG进行滤波处理,生成反走样图像以输出。在另一实施例中,处理装置10将生成的多个哈希值和/或在进行滤波处理时生成的反走样图像也存储在存储装置20中。处理装置10将生成的反走样图像送到显示装置(未绘示)进行显示,然后删除暂存在存储装置20中的多个哈希值和反走样图像。
在一实施例中,图像反走样装置100是图像处理器(GPU)的一个功能模块。图像处理器将要显示的图像输出到显示装置之前,先将其输出到图像反走样装置100进行反走样处理,然后再将生成的反走样图像输出到显示装置进行显示,以取得更好的图像显示效果。在另一实施例中,图像反走样装置100耦接于中央处理器(CPU)和显示装置之间。中央处理器将要显示的图像先输出到图像反走样装置100进行反走样处理,然后再将生成的反走样图像输出到显示装置进行显示,以取得更好的图像显示效果。
在另一实施例中,图1的图像反走样装置100还可用于对走样图像IMG进行滤波器求解,即以离线训练的方式求解前述图1的第一种实施例所用的预训练滤波器组。具体来说,处理装置10接收走样图像IMG,处理装置10对应走样图像IMG中的多个源像素分别生成多个哈希值。处理装置10使用传统的反走样处理方法,例如使用快速近似反走样方法(FastApproximate Anti-Aliasing,FXAA),对走样图像IMG进行反走样处理,以生成反走样图像。在一实施例中,处理装置10将生成的多个哈希值和/或使用传统的反走样处理方法生成的反走样图像也存储在存储装置20中。处理装置10根据其生成的多个哈希值和反走样图像,为多个哈希值中的每一个哈希值求解得到一个最优滤波器,并将求解得到的最优滤波器和对应的哈希值存入存储装置20中。
请参照图2,图2是依照本发明一实施例绘示一用于生成反走样图像的图像反走样装置100的更详细的方块图。由图2可看出,存储装置20中包含预训练滤波器组16。处理装置10中包含哈希聚类处理器12、滤波处理器14,哈希聚类处理器12耦接于滤波处理器14。哈希聚类处理器12、滤波处理器14可以由软件或硬件实施,例如由程序代码或是由集成电路如微控制单元、微处理器、数字信号处理器、特殊应用集成电路或一逻辑电路来实施。处理装置10接收到走样图像IMG后,哈希聚类处理器12对应走样图像IMG中的多个源像素分别产生多个哈希值。然后,滤波处理器14根据产生的多个哈希值和预训练滤波器组16中的滤波器对走样图像IMG进行反走样处理,生成反走样图像IMG’。
在一实施例中,预训练滤波器组16中包含多个事先训练好的不同的滤波器。预训练滤波器组16中每个滤波器对应一个哈希值,滤波处理器14可根据哈希值从预训练滤波器组16中查找对应的滤波器,然后利用查找到的滤波器对走样图像IMG进行滤波处理并生成反走样图像IMG’。在预训练滤波器组16中,每个哈希值都是唯一的。预训练滤波器组16中包含的滤波器组可以通过进行滤波器求解的方式生成(后面会结合图6详述滤波器求解流程)。通过对走样图像进行滤波器求解的方式生成预训练滤波器组16后,处理装置10就可以使用预训练滤波器组16来对走样图像IMG进行线上反走样处理。
请参阅图3是依照本发明一实施例绘示一用于进行滤波器求解的图像反走样装置100的更详细的方块图。处理装置10包含哈希聚类处理器12、反走样图像生成器19及滤波器求解器18,滤波器求解器18耦接于哈希聚类处理器12和反走样图像生成器19。存储装置20包含预训练滤波器组16。哈希聚类处理器12、反走样图像生成器19及滤波器求解器18可以由软件或硬件实施,例如由程序代码或是由集成电路如微控制单元、微处理器、数字信号处理器、特殊应用集成电路或一逻辑电路来实施。
在进行滤波器求解时,处理装置10接收走样图像IMG,哈希聚类处理器12对应走样图像IMG中的多个源像素分别生成多个哈希值。反走样图像生成器19使用传统的反走样处理方法,例如使用快速近似反走样方法(Fast Approximate Anti-Aliasing,FXAA),对走样图像IMG进行反走样处理,以生成反走样图像IMG’。最后滤波器求解器18根据哈希聚类处理器12生成的多个哈希值和反走样图像生成器19生成的反走样图像IMG’,以最小化滤波图像与反走样图像IMG’之间的误差为目标,为多个哈希值中的每一个哈希值求解得到一个最优滤波器,并将求解得到的最优滤波器和对应的哈希值存入预训练滤波器组16中。其中,滤波器求解器18使用最小二乘法根据走样图像IMG、反走样图像IMG’和对应于多个源像素的多个哈希值为走样图像IMG的多个源像素分别求解多个滤波器(后面会结合图6详述进行滤波器求解流程)。
请参阅图4,图4是依照本发明一实施例绘示一图像反走样方法的流程图。如图4所示的处理流程可以对走样图像IMG进行反走样处理以生成反走样图像IMG’或者对走样图像IMG进行滤波器求解。如图4所示的图像反走样方法包含:步骤S401,接收走样图像IMG,其中走样图像IMG包括多个源像素;接下来执行步骤S403,对应多个源像素分别产生多个哈希值;接下来执行步骤S405,根据这些产生的哈希值对走样图像IMG进行滤波以生成反走样图像IMG’或者对走样图像IMG进行滤波器求解;其中每一个哈希值通过下面的步骤生成:从走样图像IMG中选择一个尚未计算哈希值的源像素,并选择一个包含所述源像素的视窗;根据视窗中位于此源像素所在的行和列上的所有源像素的灰度值确定一个走样强度;以及根据走样强度确定此源像素的哈希值。图4的图像反走样方法适用于在线反走样处理以生成反走样图像IMG’以及离线生成预训练滤波器组(如图2的预训练滤波器组16),后续在图5及图6会分别详述。
请一并参阅图5及图9,图5是依照本发明一实施例绘示一线上反走样处理的流程图。图9是依照本发明一实施例绘示的一走样图像中以源像素Ii,j为中心的7x7的视窗的示意图。图5所示的流程图是图2中所示的用于生成反走样图像的图像反走样装置100的处理流程图。在步骤S501,处理装置10接收走样图像IMG。在一实施例中,处理装置10将接收到的走样图像IMG存储在存储装置20中。步骤S505~S520描述了计算走样图像IMG中的一个源像素的哈希值的过程。下面将结合图9,以计算走样图像IMG中的源像素Ii,j的哈希值为例,来描述计算源像素Ii,j的哈希值的过程。
在步骤S505中,哈希聚类处理器12从走样图像IMG中选择一个尚未计算哈希值的源像素Ii,j,并选择一个包含源像素Ii,j的视窗。如图9所示,哈希聚类处理器12选择一个7x7的包含源像素Ii,j的视窗,但本发明并不限于此,哈希聚类处理器12也可以选择其它大小的视窗,例如选择9x9或5x5的视窗等。
然后,哈希聚类处理器12进入步骤S515和步骤S510。在步骤S510中,哈希聚类处理器12根据视窗中所有源像素的灰度值确定灰度梯度分布和灰度梯度方向(后面将结合图7进行详细描述)。在步骤S515中,哈希聚类处理器12根据视窗中位于源像素Ii,j所在的行和列上的所有源像素的灰度值确定走样强度(后面将结合图8进行详细描述)。值得注意的是,本发明中对步骤S515和步骤S510执行的先后顺序并没有限制,比如,步骤S515和步骤S510可以同时执行,也可以先执行步骤S515再执行步骤S510,或者先执行步骤S510再执行步骤S515。然后,哈希聚类处理器12进入步骤S520。
在步骤S520中,哈希聚类处理器12根据走样强度确定源像素Ii,j的哈希值。在一实施例中,哈希聚类处理器12根据前述步骤S515计算出来的走样强度,并再依据步骤S510确定的灰度梯度分布及灰度梯度方向计算源像素Ii,j的哈希值。详细来说,哈希聚类处理器12计算完走样图像IMG中的源像素Ii,j的走样强度、灰度梯度分布和灰度梯度方向后,再根据走样强度、灰度梯度分布和灰度梯度方向计算反走样图像IMG’中的源像素Ii,j的哈希值Hi,j,源像素Ii,j的哈希值Hi,j的计算公式如下:
Hi,j=(θq-1)x Numμ x Numstrength+(μq-1)x Numstrength+strengthq
其中,Hi,j表示走样图像IMG中位于第i行第j列的源像素Ii,j的哈希值,θq表示走样图像IMG中位于第i行第j列的源像素Ii,j的灰度梯度方向,μq为走样图像IMG中位于第i行第j列的源像素Ii,j的灰度梯度分布,strengthq表示走样图像IMG中位于第i行第j列的源像素Hi,j的走样强度,Numμ表示灰度梯度分布的总类别数目,Numstrength表示走样强度的总类别数目。
走样图像IMG中源像素Ii,j的灰度梯度方向、灰度梯度分布和走样强度,可以很好的反映源像素Ii,j周围的纹理信息。灰度梯度方向反映了走样的方向,走样强度反映了走样的程度,灰度梯度分布反映了走样的结构。低走样强度低灰度梯度分布,表示源像素Ii,j处于多方向结构的纹理区或平坦区域(无图像纹理信息),且走样程度较低。低走样强度高灰度梯度分布,表示源像素Ii,j处于单方向结构的纹理区,且走样程度较低。高走样强度低灰度梯度分布,表示源像素Ii,j处于多方向结构的纹理区,且走样程度较高。高走样强度高灰度梯度分布,表示源像素Ii,j处于单方向结构的纹理区,且走样程度较高。
计算完走样图像IMG中的源像素Ii,j的哈希值Hi,j后,哈希聚类处理器12进入步骤S525。在步骤S525中,哈希聚类处理器12判断是否还有尚未计算哈希值的源像素。详细来说,哈希聚类处理器12判断走样图像IMG中是否还有尚未计算哈希值的源像素。如果是,则哈希聚类处理器12执行步骤S505,如果否,滤波处理器14执行步骤S530。
在步骤S530中,滤波处理器14根据对应于多个源像素的多个哈希值对走样图像IMG进行滤波处理,生成反走样图像IMG’。详细来说,滤波处理器14根据对应于走样图像IMG的多个源像素的多个哈希值和预训练滤波器组16,对走样图像IMG中的多个源像素进行滤波处理后,就可以得到反走样图像IMG’。对源像素Ii,j进行滤波处理详细流程如下:
首先,滤波处理器14从多个哈希值中获取与走样图像IMG中的源像素Ii,j对应的哈希值h。然后,滤波处理器14根据哈希值h从预训练滤波器组16中查找对应的滤波器。最后,滤波处理器14使用查找到的滤波器与走样图像IMG中的源像素Ii,j进行卷积运算,进行卷积运算所得的值就是反走样图像IMG’中与走样图像IMG中的源像素Ii,j对应的目标像素的像素值。
图6是依照本发明一实施例绘示一离线生成预训练滤波器组的流程图。图6所示的流程图是图3中所示的用于进行滤波器求解的图像反走样装置100的处理流程图。为了取得好的训练效果,用于进行滤波器求解的图像反走样装置100需要使用足够多(比如,使用10万张)的走样图像IMG进行训练,以生成较佳的预训练滤波器组16。下面描述对1张走样图像IMG进行训练的流程。
图6中的步骤S601、S605、S610、S615、S620和S625与图5中的步骤S501、S505、S510、S515、S520和S525相同,在此不再赘述。下面对步骤S630和步骤S635进行描述。
在步骤S630中,反走样图像生成器19将走样图像IMG进行反走样处理,生成反走样图像IMG’。详细来说,反走样图像生成器19使用传统的反走样处理方法,例如使用快速近似反走样方法(Fast Approximate Anti-Aliasing,FXAA),将走样图像IMG进行反走样处理,生成反走样图像IMG’。然后,滤波器求解器18执行步骤S635。
在步骤S635中,滤波器求解器18根据走样图像IMG、反走样图像IMG’和对应于多个源像素的多个哈希值进行滤波器求解,生成预训练滤波器组16。详细来说,滤波器求解器18使用最小二乘法根据走样图像IMG、反走样图像IMG’和对应于多个源像素的多个哈希值为走样图像IMG的多个源像素分别求解多个滤波器,其中每个哈希值对应一个滤波器,走样图像IMG中所有源像素的多个哈希值和其各自对应的滤波器的集合就是预训练滤波器组16。
图7是依照本发明一实施例绘示一确定灰度梯度方向和灰度梯度分布的流程图。图7所示的处理流程生成如图9所示的走样图像IMG中的源像素Ii,j的灰度梯度方向和灰度梯度分布。下面将详细描述图7的处理流程。
在步骤S701中,哈希聚类处理器12根据如图9所示的视窗中所有源像素的灰度值确定灰度梯度矩阵。详细来说,哈希聚类处理器12根据如图9所示的7x7的视窗中所有源像素的灰度值确定灰度梯度矩阵。为了计算走样图像IMG中的源像素Ii,j的哈希值Hi,j,哈希聚类处理器12需要先计算走样图像IMG中以源像素Ii,j为中心的5x5的视窗中的所有源像素的灰度梯度值。每个源像素的灰度梯度值包括水平灰度梯度值Gx和垂直灰度梯度值Gy。如图9所示,哈希聚类处理器12需要计算源像素Ii-2,j-2到源像素Ii+2,j+2的共25个源像素的灰度梯度值。以源像素Ii,j为例,计算源像素Ii,j的灰度值时,先取以源像素Ii,j为中心的3x3的视窗,然后以下面的公式计算源像素Ii,j的水平灰度梯度值和垂直灰度梯度值:
其中,Gxi,j表示源像素Ii,j的水平灰度梯度值,Gyi,j表示源像素Ii,j的垂直灰度梯度值,Ii+x,j+y表示源像素Ii+x,j+y的灰度值,Σ表示求和符号。
由以源像素Ii,j为中心的5x5的视窗中的所有源像素的灰度梯度值构成灰度梯度矩阵G:
然后,在步骤S705中,哈希聚类处理器12根据灰度梯度矩阵G确定灰度梯度方向值和灰度梯度分布值。详细来说,首先,哈希聚类处理器12根据灰度梯度矩阵G生成协方差矩阵M。哈希聚类处理器12用下面的公式生成协方差矩阵(Co-variance Matrix)M:
其中,GT为梯度灰度矩阵G的转置,GTWG表示矩阵GT、W和G相乘,A表示生成的协方差矩阵M中第1行第1列的值,B表示生成的协方差矩阵M中第1行第2列及第2行第1列的值,C表示生成的协方差矩阵M中第2行第2列的值,其中W是一个25行25列的权重矩阵,W为:
其中,W1-W25为权重值,矩阵W中没有写数值的位置对应的权重值为0。在一实施例中,W1-W25的值都为1。
然后,哈希聚类处理器12根据协方差矩阵M生成灰度梯度方向值和灰度梯度分布值。详细来说,生成协方差矩阵M后,哈希聚类处理器12对协方差矩阵M进行特征值分解,计算出协方差矩阵M的最大特征值λ1和最小特征值λ2,再计算出与协方差矩阵M的最大特征值λ1对应的特征向量φ1,特征向量φ1是一个矩阵其中,表示垂直于灰度梯度方向的向量大小,表示沿灰度梯度方向的向量大小。哈希聚类处理器12根据特征向量φ1计算灰度梯度方向值,灰度梯度方向值的计算公式如下:
θ=arctan(φ1,y,φ1,x),其中,θ表示源像素Ii,j的灰度梯度方向值,arctan()表示反正切函数。哈希聚类处理器12根据最大特征值λ1和最小特征值λ2计算灰度梯度分布值,灰度梯度分布值的计算公式如下:
其中,μ表示源像素Ii,j的灰度梯度分布值。
生成灰度梯度方向值θ和灰度梯度分布值μ后,哈希聚类处理器12进入步骤S710。在步骤S710中,哈希聚类处理器12根据灰度梯度方向值θ和梯度方向量化因子(factor)确定灰度梯度方向,并根据灰度梯度分布值μ和梯度分布量化因子确定灰度梯度分布。详细来说,为了减少灰度梯度方向和灰度梯度分布的数量,哈希聚类处理器12会使用梯度方向量化因子Qθ将灰度梯度方向值θ进行量化,并使用梯度分布量化因子Qμ将灰度梯度分布值μ进行量化。梯度方向量化因子Qθ和梯度分布量化因子Qμ都是预设值,在一实施例中,梯度方向量化因子Qθ为24,梯度分布量化因子Qμ为3。灰度梯度方向值θ的量化公式如下:
其中,θq为灰度梯度方向,Qθ为梯度方向量化因子,表示向上取整数。
灰度梯度分布值μ的量化公式如下:
其中,μq为灰度梯度分布,Qμ为梯度分布量化因子,表示向上取整数。
图8是依照本发明一实施例绘示一确定走样强度的流程图。图8所示的处理流程生成如图9所示的走样图像IMG中的源像素Ii,j的走样强度。为了方便下面的描述,将图9中所示的7x7视窗中位于源像素Ii,j所在的行和列上的所有源像素中灰度值最大的源像素的灰度值定义为第一灰度值,将位于源像素Ii,j所在的行和列上的所有源像素中灰度值最小的源像素的灰度值定义为第二灰度值。下面详细描述图8所示的处理流程。
在步骤S801中,哈希聚类处理器12根据第一灰度值确定强度量化因子。详细来说,如图9所示,哈希聚类处理器12先获取以源像素Ii,j为中心的7x7的视窗中的位于源像素Ii,j所在的行和列上的所有源像素的中的灰度值最大和最小的源像素的灰度值,并分别记作第一灰度值maxLuma和第二灰度值minLuma。其中,位于源像素Ii,j所在的行上的源像素包括Ii-3,j、Ii-2,j、Ii-1,j、Ii,j、Ii+1,j、Ii+2,j和Ii+3,j,位于源像素Ii,j所在的列上的源像素包括Ii,j-3、Ii,j-2、Ii,j-1、Ii,j、Ii,j+1、Ii,j+2和Ii,j+3。
然后,哈希聚类处理器12再根据第一灰度值maxLuma计算强度量化因子。详细来说,哈希聚类处理器12根据第一灰度值maxLuma的大小来计算强度量化因子,第一灰度值maxLuma越大强度量化因子越大。在一实施例中,计算强度量化因子的公式如下:
Qs=alpha x maxLuma,其中,Qs为强度量化因子,alpha为一预设置。在一实施例中,alpha的值为0.3。
计算完强度量化因子后,哈希聚类处理器12进入步骤S805。在步骤S805中,哈希聚类处理器12根据第一灰度值和第二灰度值确定走样强度值。详细来说,哈希聚类处理器12根据第一灰度值maxLuma和第二灰度值minLuma的差值确定走样强度值,第一灰度值maxLuma和第二灰度值minLuma的差值越大走样强度值越大。在一实施例中,走样强度值的计算公式如下:
strength=maxLuma–minLuma
其中,strength为走样强度值。
计算完走样强度值后,哈希聚类处理器12进入步骤S810。在步骤S810中,哈希聚类处理器12根据强度量化因子Qs和走样强度值strength确定走样强度。详细来说,哈希聚类处理器12使用走样强度量化因子Qs对走样强度值strength进行量化处理,以得到走样强度。走样强度值strength越大走样强度越大,强度量化因子Qs越大走样强度越小。在一实施例中,走样强度的计算公式如下:
其中,strengthq为走样强度,Qs为强度量化因子,表示向上取整数。
在一实施例中,当strengthq大于maxStrengthQ时,strengthq取值为maxStrengthQ,其中maxStrengthQ为一预设值。在另一实施例中,maxStrengthQ的值为3。
综上,本发明所示的图像反走样方法及图像反走样装置,可以将走样图像处理为反走样图像,且的于走样图像,反走样图像中的图形平滑度具有更佳的效果;另外,本发明所示的图像反走样方法及图像反走样装置,还可以对走样图像进行滤波器求解。
Claims (20)
1.一种图像反走样方法,包含:
接收走样图像,其中所述走样图像包括多个源像素;
对应所述多个源像素分别产生多个哈希值;以及
根据所述多个哈希值对所述走样图像进行滤波处理或滤波器求解;
其中,所述多个哈希值中的每一个通过下面的步骤生成:
从所述走样图像中选择源像素,并选择包含所述源像素的视窗;
根据所述视窗中位于所述源像素所在的行和列上的所有源像素的灰度值确定走样强度;以及
根据所述走样强度确定所述源像素的所述哈希值。
2.如权利要求1所述的图像反走样方法,其中,所述根据所述视窗中位于所述源像素所在的行和列上的所有源像素的灰度值确定所述走样强度的步骤还包括:
根据第一灰度值确定强度量化因子,其中,所述第一灰度值为所述视窗中位于所述源像素所在的行和列上的所有源像素中灰度值最大的源像素的灰度值。
3.如权利要求2所述的图像反走样方法,其中,所述第一灰度值越大,所述强度量化因子越大。
4.如权利要求2所述的图像反走样方法,其中确定所述强度量化因子的公式为:
Qs=alpha x maxLuma
其中,Qs为所述强度量化因子,maxLuma为所述第一灰度值,alpha为一预设值。
5.如权利要求1所述的图像反走样方法,其中,所述根据所述视窗中位于所述源像素所在的行和列上的所有源像素的灰度值确定走样强度的步骤还包括:
根据第一灰度值和第二灰度值确定走样强度值;
其中,所述第一灰度值为所述视窗中位于所述源像素所在的行和列上的所有源像素中灰度值最大的源像素的灰度值,所述第二灰度值为所述视窗中位于所述源像素所在的行和列上的所有源像素中灰度值最小的源像素的灰度值。
6.如权利要求5所述的图像反走样方法,其中,所述走样强度值为所述第一灰度值与所述第二灰度值的差。
7.如权利要求1所述的图像反走样方法,其中,所述根据所述视窗中位于所述源像素所在的行和列上的所有源像素的灰度值确定走样强度的步骤还包括:
根据第一灰度值确定强度量化因子;
根据所述第一灰度值和第二灰度值确定走样强度值;以及
根据所述强度量化因子和所述走样强度值确定所述走样强度;
其中,所述第一灰度值为所述视窗中位于所述源像素所在的行和列上的所有源像素中灰度值最大的源像素的灰度值,所述第二灰度值为所述视窗中位于所述源像素所在的行和列上的所有源像素中灰度值最小的源像素的灰度值。
8.如权利要求7所述的图像反走样方法,其中,所述走样强度值越大,所述走样强度越大,所述强度量化因子越大,所述走样强度越小。
9.如权利要求7所述的图像反走样方法,其中,确定所述走样强度的公式为:
其中,strengthq为所述走样强度,strength为所述走样强度值,Qs为所述强度量化因子,表示向上取整数。
10.如权利要求9所述的图像反走样方法,其中当strengthq大于maxStrengthQ时,strengthq取值maxStrengthQ,其中,strengthq为所述走样强度,maxStrengthQ为一预设值。
11.如权利要求1所述的图像反走样方法,其中根据所述走样强度确定所述源像素的所述哈希值的步骤还包括:
根据所述走样强度、灰度梯度方向及灰度梯度分布确定所述源像素的所述哈希值,
其中,所述灰度梯度方向和所述灰度梯度分布根据所述视窗中所述源像素周围的灰度梯度矩阵确定。
12.如权利要求1所述的图像反走样方法,其中,所述源像素的所述哈希值中的计算公式为:
Hi,j=(θq-1)x Numμx Numstrength+(μq-1)x Numstrength+strengthq
其中,Hi,j表示与所述走样图像中位于第i行第j列的源像素对应的哈希值,θq表示所述走样图像中位于第i行第j列的源像素的灰度梯度方向,μq为所述走样图像中位于第i行第j列的源像素的灰度梯度分布,strengthq表示所述走样图像中位于第i行第j列的源像素的所述走样强度,Numμ表示所述灰度梯度分布量化后的总类别数目,Numstrength表示所述走样强度量化后的总类别数目。
13.一种图像反走样装置,包含:
存储装置;以及
处理装置,耦接于所述存储装置,所述处理装置接收走样图像,对应所述走样图像中的多个源像素分别产生多个哈希值,以及根据所述走样图像中所有源像素的哈希值对所述走样图像进行滤波处理或滤波器求解,其中,所述多个哈希值中的每一个通过下面的步骤生成:
从所述走样图像中选择一源像素,并选择包含所述源像素的视窗;
根据所述视窗中位于所述源像素所在的行和列上的所有源像素的灰度值确定走样强度;以及
根据所述走样强度确定所述源像素的所述哈希值;
其中所述存储装置用以存储所述多个哈希值。
14.如权利要求13所述的图像反走样装置,其中,所述处理装置更根据第一灰度值确定强度量化因子,其中,所述第一灰度值为所述视窗中位于所述源像素所在的行和列上的所有源像素中灰度值最大的源像素的灰度值。
15.如权利要求14所述的图像反走样装置,其中,所述第一灰度值越大,所述强度量化因子就越大。
16.如权利要求14所述的图像反走样装置,其中确定所述强度量化因子的公式为:
Qs=alpha x maxLuma
其中,Qs为所述强度量化因子,maxLuma为所述第一灰度值,alpha为一预设值。
17.如权利要求14所述的图像反走样装置,其中,所述处理装置更根据所述第一灰度值和第二灰度值确定走样强度值,其中,所述第二灰度值为所述视窗中位于所述源像素所在的行和列上的所有源像素中灰度值最小的源像素的灰度值。
18.如权利要求17所述的图像反走样装置,其中,所述走样强度值为所述第一灰度值与所述第二灰度值的差。
19.如权利要求17所述的图像反走样装置,其中,所述处理装置更根据所述强度量化因子和所述走样强度值确定所述走样强度。
20.如权利要求19所述的图像反走样装置,其中,确定所述走样强度的公式为:
其中,strengthq为所述走样强度,strength为所述走样强度值,Qs为所述强度量化因子,表示向上取整数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910615175.6A CN110335215B (zh) | 2019-07-09 | 2019-07-09 | 图像反走样方法及图像反走样装置 |
US16/779,877 US10984506B2 (en) | 2019-07-09 | 2020-02-03 | Image anti-aliasing method and image anti-aliasing device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910615175.6A CN110335215B (zh) | 2019-07-09 | 2019-07-09 | 图像反走样方法及图像反走样装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110335215A true CN110335215A (zh) | 2019-10-15 |
CN110335215B CN110335215B (zh) | 2021-07-02 |
Family
ID=68144848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910615175.6A Active CN110335215B (zh) | 2019-07-09 | 2019-07-09 | 图像反走样方法及图像反走样装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10984506B2 (zh) |
CN (1) | CN110335215B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022057249A1 (zh) * | 2020-09-21 | 2022-03-24 | 长沙景嘉微电子股份有限公司 | 图像叠加处理方法及装置、存储介质、电子装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372269B (zh) * | 2023-12-04 | 2024-03-22 | 珠海燧景科技有限公司 | 一种基于学习的拜耳图像去锯齿方法、装置和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060125857A1 (en) * | 2004-05-27 | 2006-06-15 | Silverbrook Research Pty Ltd | Printhead module having a communication input for data and control |
US20080025625A1 (en) * | 2006-07-28 | 2008-01-31 | Fuji Xerox Co., Ltd. | Image processing apparatus, computer readable medium storing program, image processing method, and computer data signal |
CN102682456A (zh) * | 2012-04-25 | 2012-09-19 | 北京航空航天大学 | 一种基于非加权区域采样的反走样直线绘制方法 |
CN103617640A (zh) * | 2013-11-13 | 2014-03-05 | 南京航空航天大学 | 一种线条图形反走样显示方法 |
CN105225258A (zh) * | 2015-09-01 | 2016-01-06 | 南京航空航天大学 | 一种圆反走样显示方法 |
CN105513023A (zh) * | 2015-12-03 | 2016-04-20 | 中国航空工业集团公司洛阳电光设备研究所 | 一种平显字符画面全屏反走样方法及装置 |
CN108121522A (zh) * | 2017-12-19 | 2018-06-05 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于边缘方向相关性的预畸变后平显画面反走样方法 |
CN108416729A (zh) * | 2018-03-27 | 2018-08-17 | 长沙景嘉微电子股份有限公司 | Gpu中一种线段反走样的实现装置和方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6088039A (en) * | 1996-01-04 | 2000-07-11 | Compaq Computer Corporation | Compression of grey scale images of text |
US7010163B1 (en) * | 2001-04-20 | 2006-03-07 | Shell & Slate Software | Method and apparatus for processing image data |
US8150196B2 (en) * | 2007-12-14 | 2012-04-03 | Intel Corporation | Reduction filter based on smart neighbor selection and weighting (NRF-SNSW) |
US8331714B2 (en) * | 2009-02-23 | 2012-12-11 | Sharp Laboratories Of America, Inc. | Methods and systems for image processing |
US8842910B2 (en) * | 2012-08-17 | 2014-09-23 | Tandent Vision Science, Inc. | Spatially varying log-chromaticity normals for use in an image process |
US9251569B2 (en) * | 2013-09-10 | 2016-02-02 | Adobe Systems Incorporated | Removing noise from an image via efficient patch distance computations |
EP3326148A1 (en) * | 2015-07-24 | 2018-05-30 | Öztireli, Ahmet Cengiz | Image processing system for downscaling images using perceptual downscaling method |
CN107645621A (zh) * | 2016-07-20 | 2018-01-30 | 阿里巴巴集团控股有限公司 | 一种视频处理的方法和设备 |
TWI631552B (zh) * | 2017-07-21 | 2018-08-01 | Ili Technology Corp. | 顯示裝置及其影像處理方法 |
-
2019
- 2019-07-09 CN CN201910615175.6A patent/CN110335215B/zh active Active
-
2020
- 2020-02-03 US US16/779,877 patent/US10984506B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060125857A1 (en) * | 2004-05-27 | 2006-06-15 | Silverbrook Research Pty Ltd | Printhead module having a communication input for data and control |
US20080025625A1 (en) * | 2006-07-28 | 2008-01-31 | Fuji Xerox Co., Ltd. | Image processing apparatus, computer readable medium storing program, image processing method, and computer data signal |
CN102682456A (zh) * | 2012-04-25 | 2012-09-19 | 北京航空航天大学 | 一种基于非加权区域采样的反走样直线绘制方法 |
CN103617640A (zh) * | 2013-11-13 | 2014-03-05 | 南京航空航天大学 | 一种线条图形反走样显示方法 |
CN105225258A (zh) * | 2015-09-01 | 2016-01-06 | 南京航空航天大学 | 一种圆反走样显示方法 |
CN105513023A (zh) * | 2015-12-03 | 2016-04-20 | 中国航空工业集团公司洛阳电光设备研究所 | 一种平显字符画面全屏反走样方法及装置 |
CN108121522A (zh) * | 2017-12-19 | 2018-06-05 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于边缘方向相关性的预畸变后平显画面反走样方法 |
CN108416729A (zh) * | 2018-03-27 | 2018-08-17 | 长沙景嘉微电子股份有限公司 | Gpu中一种线段反走样的实现装置和方法 |
Non-Patent Citations (6)
Title |
---|
LYP_1020K: "反走样算法", 《HTTPS://BLOG.CSDN.NET/LYP_1020K/ARTICLE/DETAILS/79100272》 * |
MICHAEL SCHÖBERL等: "Dimensioning of optical birefringent anti-alias filters for digital cameras", 《2010 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
MUZAFFAR RAO等: "FPGA based Real time secure body temperature monitoring suitable for WBSN", 《15TH IEEE INTERNATIONAL CONFERENCE ON COMPUTER AND INFORMATION TECHNOLOGY》 * |
NIKOLAUS BINDER等: "Fast path space filtering by jittered spatial hashing", 《SIGGRAPH 18: SPECIAL INTEREST GROUP ON COMPUTER GRAPHICS AND INTERACTIVE TECHNIQUES CONFERENCE》 * |
RABBIT729: "Anti-alias的前世今生-常用反走样算法总结", 《HTTPS://BLOG.CSDN.NET/RABBIT729/ARTICLE/DETAILS/6742441?UTM_MEDIUM=DISTRIBUTE.PC_RELEVANT.NONE-TASK-BLOG-TITLE-2&SPM=1001.2101.3001.4242》 * |
崔元敏: "基于GPU的自由变形反走样", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022057249A1 (zh) * | 2020-09-21 | 2022-03-24 | 长沙景嘉微电子股份有限公司 | 图像叠加处理方法及装置、存储介质、电子装置 |
Also Published As
Publication number | Publication date |
---|---|
US10984506B2 (en) | 2021-04-20 |
CN110335215B (zh) | 2021-07-02 |
US20210012464A1 (en) | 2021-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11836895B2 (en) | Deep-learning based structure reconstruction method and apparatus | |
US10319076B2 (en) | Producing higher-quality samples of natural images | |
Yu et al. | Mixed pooling for convolutional neural networks | |
CN108875522A (zh) | 人脸聚类方法、装置和系统及存储介质 | |
CN109685152A (zh) | 一种基于dc-spp-yolo的图像目标检测方法 | |
CN106462963B (zh) | 用于自适应放射治疗中自动勾画轮廓的系统和方法 | |
CN108229497A (zh) | 图像处理方法、装置、存储介质、计算机程序和电子设备 | |
CN111127316B (zh) | 一种基于sngan网络的单幅人脸图像超分辨方法及系统 | |
CN108230292A (zh) | 物体检测方法和神经网络的训练方法、装置及电子设备 | |
CN110321872B (zh) | 人脸表情识别方法及装置、计算机设备、可读存储介质 | |
CN110335215A (zh) | 图像反走样方法及图像反走样装置 | |
CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
CN109146000B (zh) | 一种基于冰冻权值改进卷积神经网络的方法及装置 | |
CN107729926A (zh) | 一种基于高维空间变换的数据扩增方法、机器识别系统 | |
CN113269256A (zh) | 一种MiSrc-GAN模型的构建方法及应用 | |
CN111274999A (zh) | 数据处理、图像处理方法、装置及电子设备 | |
CN108038467B (zh) | 一种镜像图与粗细层次结合的稀疏人脸识别方法 | |
CN107358625B (zh) | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 | |
CN116563096B (zh) | 用于图像配准的形变场的确定方法、装置以及电子设备 | |
EP4116927A1 (en) | Feature conversion device, image recognition system, feature conversion method, and non-transitory computer-readable medium | |
CN115861393B (zh) | 图像匹配方法、航天器着陆点定位方法及相关装置 | |
Rashid et al. | Single MR image super-resolution using generative adversarial network | |
CN111192302A (zh) | 一种基于运动平滑性和ransac算法的特征匹配方法 | |
CN108629798A (zh) | 基于gpu的图像快速配准方法 | |
CN114782403A (zh) | 基于混合空间和通道间注意力的肺炎图像检测方法及装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210315 Address after: 201203 3rd floor, building 2, No. 200, zhangheng Road, Pudong New Area pilot Free Trade Zone, Shanghai Applicant after: Gryfield Intelligent Technology Co.,Ltd. Address before: Room 301, 2537 Jinke Road, Zhangjiang hi tech park, Shanghai 201203 Applicant before: Shanghai Zhaoxin Integrated Circuit Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |