CN110363212A - 基于边界扫描的多wedgelet图像近似方法 - Google Patents

基于边界扫描的多wedgelet图像近似方法 Download PDF

Info

Publication number
CN110363212A
CN110363212A CN201910244127.0A CN201910244127A CN110363212A CN 110363212 A CN110363212 A CN 110363212A CN 201910244127 A CN201910244127 A CN 201910244127A CN 110363212 A CN110363212 A CN 110363212A
Authority
CN
China
Prior art keywords
boundary
block
image block
image
sep
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
CN201910244127.0A
Other languages
English (en)
Other versions
CN110363212B (zh
Inventor
段昶
罗兴奕
杨卓
蒋琳娜
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.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN201910244127.0A priority Critical patent/CN110363212B/zh
Publication of CN110363212A publication Critical patent/CN110363212A/zh
Application granted granted Critical
Publication of CN110363212B publication Critical patent/CN110363212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于边界扫描的多wedgelet图像近似方法,涉及图像处理技术领域。该方法可应用于视频编码时对编码单元的灵活划分中,在基于多Wedgelet对图像块进行划分和块内预测,是对现有图像块预测的补充,该方法包括:Step1.图像分块。Step2.统计图像块边界点信息。Step3.多边缘多线型拟合。Step4.求图像块的近似块。Step5.求近似图像。本发明公开的方法利用多种形状对图像进行拟合从而快速获得其逼近图像的功能,能够提高图像拟合精度。

Description

基于边界扫描的多wedgelet图像近似方法
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种基于边界扫描的多wedgelet图像近似方法。
背景技术
目前对于图像的拟合,常采用的传统的Wedgelet变换算法,传统的Wedgelet变换是在一个图像子块用一条线段把它分成两个楔块,每一个楔块用唯一的灰度值表示。线的位置,两个灰度值,就近似刻画了这个子块的性质。
但是仅仅用直线去划分图像子块,在对近似图像进行编码时,虽然可以用很小的bit 就代表整个图像的近似,但误差很大,或者说峰值信噪比(Peak Signal to NoiseRatio, PSNR)很大。
为了减小近似误差,采用传统的Wedgelet变换算法已经不能满足高精度图像近似的要求,因此如何提供一种有效的方案以增强近似程度,减小误差,获得更高的拟合精度,是现有技术中一亟待解决的问题。
发明内容
为了解决上述问题,本发明提出了一种基于边界扫描的多wedgelet图像近似方法,以改善上述问题。
为了实现上述目的,本发明采用如下技术方案:
本发明实施例提供了一种基于边界扫描的多wedgelet图像近似方法,所述方法包括:
Step1.图像分块:
将原图像f分割为N个图像块Bi,0≤i≤N,图像块为边长为b的矩形;
Step2.统计图像块边界点信息:
Step2.1.二值化图像:
逐个对所述N个图像块Bi进行二值化操作,得到N个二值化图像块B’i
Step2.2.尺度滤波:
通过膨胀和腐蚀对所述N个二值化图像块B’i进行尺度滤波,得到N个二值化图像块B”i
Step2.3.扫描边界点:
扫描每个二值化图像块B”i的边界点,统计每个二值化图像块B”i的边界点信息,所述边界点信息包括边界点个数M、每个像素值从0到1的边界起点S(Start Point)和每个像素值从1到0的边界终点E(End Point);
Step3.多边缘多线型拟合:
Step3.1.直线拟合局部边缘:
按照对应的边界点将存在边界的二值化图像块B”i划分为多个区域,取每个区域的起点S对应的位置记为IS、终点E对应的位置记为IE,取值范围为[0,4b-1];根据每个区域对应的边界起点区域IS和边界终点区域IE进行直线线型拟合,得到每个目标区域所对应的直线线段集LSE,其中IS∈[IS-ΔS,IS+ΔS],IE∈[IE-ΔE,IE+ΔE],ΔS和ΔE分别为经验常数;
Step3.2.多类型曲线拟合局部边缘:
通过腐蚀和膨胀后得到每个目标区域对应的边缘邻域IP,IP中的每个点为顶点P(Peak Point)的候选点;根据每个目标区域对应的边界起点区域IS、边界终点区域IE和边缘相邻区域IP进行曲线线型拟合和折线线型拟合,分别得到每个目标区域所对应的曲线线段集CSEP和折线线段集BSEP
Step3.3.获取最佳局部边缘拟合线型组合:
分别计算目标线段ln将对应的目标区域划分成的两个子区域rn1和rn2所对应的原始图像块的像素均值un1和un2,得到与每个目标区域对应的近似块,其中ln∈LSE∪BSEP∪CSEP, n=[0,#(LSE∪BSEP∪CSEP)-1],#(LSE∪BSEP∪CSEP)为集合(LSE∪BSEP∪CSEP)的势,区域近似块 表示个子区域rn1的指示函数,表示子区域rn2的指示函数,其指示函数为选取每个区域对应的近似块Rni与对应的原始的图像块Bi的峰值信噪比最大时所对应的线段作为每个区域的最佳拟合线段;每个图像块 Bi中,共有M条最佳拟合线段;
Step4.求图像块的近似块:
M条最佳拟合线段将图像块Bi划分成的M+1个区域记为rm,0≤m≤M,计算每个区域rm像素均值计算图像近似块
Step5.求近似图像:
将N个图像块Bi的近似图像块Ri拼接起来,得到与源图像对应的近似图像R。可选的,近似块的计算公式为 表示个子区域rn1的指示函数,表示子区域rn2的指示函数,其指示函数为
可选的,所述根据每个目标区域对应的边界起点区域IS、边界终点区域IE和边缘邻域IP进行曲线线型拟合和折线线型拟合,分别得到每个目标区域所对应的曲线线段集 CSEP和折线线段集BSEP包括:
遍历每个目标区域对应的边界起点区域IS、边界终点区域IE和边缘邻域IP中所有经过起点S、终点E和顶点P的组合;
根据所述所有经过起点S、终点E和顶点P的组合进行曲线和折线的线型边缘形状拟合,分别得到每个目标区域所对应的曲线线段集CSEP和折线线段集BSEP
与现有技术相比,本发明的有益效果在于:
本发明提供的基于边界扫描的多wedgelet图像近似方法利用多种形状对图像进行拟合从而快速获得其逼近图像的功能,增强了变换效果,减少了运算量,减小了误差,获得了更高的拟合精度和拟合速度。
附图说明
图1示出了本发明较佳实施例提供的基于边界扫描的多wedgelet图像近似方法的流程图。
图2示出了本发明较佳实施例提供的一个二值化图像块的边界点个数的示意图。
图3示出了本发明较佳实施例提供的两个边界起点和两个边界终点将二值化图像块分为三个区域的示意图。
图4示出了本发明较佳实施例提供的一个二值化图像块的示意图。
图5示出了图3划分为多个区域中包含边界起始点和边界终点的三个区域的示意图。
图6示出了本发明较佳实施例提供的求取边缘相邻区域过程中目标区域的原图、膨胀后图像、腐蚀后图像和边缘相邻区域图像。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参阅图1,是本发明较佳实施例提供的基于边界扫描的多wedgelet图像近似方法的流程图,该方法可应用于视频编码时对编码单元的灵活划分中,在基于多Wedgelet对图像块进行划分和块内预测,是对现有图像块预测的补充。基于边界扫描的多wedgelet 图像近似方法可应用于终端设备,所述终端设备可以是,但不限于服务器、个人电平、平板电脑、智能手机等。下面将对图1所示的具体流程进行详细阐述。
步骤S101,图像分块。
本发明实施例中,当需要对图像始进行拟合时,输入一分辨率为m×n的图像,并对图像进行分块操作,将图像分割为N个固定尺寸的图像块Bi,N个图像块Bi的尺寸可以全部相同、部分相同或全部不同,通常为边长为2的整数次方的矩形块,i为图像块序号, 0≤i≤N。
步骤S102,判断是否存在下一图像块,若是,执行步骤S103;若否,执行步骤S112。
将目标图像进行分块后,判断是否存在下一个像块Bi,若是则执行步骤S102,否则执行步骤S112。由于将目标图像分割为多个图像块Bi,因此在首次判断时,必然会存在有下一个图像块Bi(即第一个图像块)。
步骤S103,二值化图像。
若存在下一个图像块Bi,则对该下一个图像块Bi进行二值化处理,得到与该下一个图像块Bi对应的二值化图像块B’i
步骤S104,尺度滤波。
将对图像块Bi进行二值化处理后,运用膨胀和腐蚀操作进行尺度滤波,去掉二值化图像块B’i中面积极小的区域和与其边界无交集的区域,二值化图像块B’i尺度滤波后记为二值化图像块B”i
步骤S105,扫描边界点。
对二值化图像块B’i进行尺度滤波,得到二值化图像块B”i后,按照顺时针方向扫描二值化图像块B”i以统计每个二值化图像块B”i的边界点信息,该边界点信息包括二值化图像块B”中像素值从0到1变换的边界起点S(Start)、像素值从1到0变换的边界终点E(End)和边界点个数M。如图2所示,是一二值化图像块的边界点编号的示意图,如图2所示,该二值化图像块为一8×8像素的图像块,该二值化图像块的边界点个数M 为28个,序号依次为0-27。
本发明实施例中,在统计边界点信息时,以按照顺时针方向进行扫描。可以理解的,在其他的一些实施了中也可以以逆时针方向进行扫描。
步骤S106,判断是否存在待拟合的边,若是,执行步骤S107;若否,执行步骤S111。
统计二值化图像块B”i的边界点信息后,根据M判断二值化图像块B”i是否存在待拟合的边。若M不等于0,则说明二值化图像块B”i中有边缘,即存在待拟合的边,执行步骤S107。若果M=0,则说明二值化图像块B”i中无边缘,即不存在待拟合的边,执行步骤S111。
步骤S107,扫描区域的边界点。
若M不等于0,M对S和E点将二值化图像块B”i分为M+1个区域,该M+1个区域用rm表示,0≤m≤M。如图3所示,当S和E点为3对时,将二值化图像块B”i分为4 个区域r0、r1、r2和r33个区域的示意图。
m初始值为0,扫描图像块中第m个区域的边界点,取二值化图像块B”i的第m个区域的起点S对应的位置IS、终点E对应的位置IE,完成这一操作后,令m=m+1,即对下一区域重复上述操作。其中0≤m≤M。如图4和图5所示,二值化图像块B”i包括3 个像素值从0到1的边界起始点S和3个像素值从1到0的边界终点E,即边界点个数 M为3,3个边界点的S和E点将图像块划分为4个区域,此时m的取值为0、1、2、3。如图5a、5b和5c所示,是其中包含边界起始点S和边界终点E的3个区域的示意图。图中,黑色区域表示二值图像像素值为0的区域,白色区域表示像素值为1的区域。
步骤S108,直线拟合。
扫描第m个区域的边界点后,根据每个目标区域对应的边界起点区域IS和边界终点区域IE进行直线线型拟合得到每个目标区域所对应的直线线段集LSE。本发明实施例中,是通过遍历每个目标区域对应的边界起点区域IS和边界终点区域IE中所有连成线段的可能,得到每个目标区域所对应的直线线段集LSE,其中,边界起点区域IS为[IS-ΔS,IS+ΔS],边界终点区域IE为[IE-ΔE,IE+ΔE],ΔS和ΔE分别为经验常数。
同时,通过腐蚀和膨胀得到每个目标区域对应的边缘邻域IP,边缘邻域IP中的每个点为顶点P(Peak)的可能取值。
如图6中所示,图6a为一目标区域的原图,图6b为该目标区域膨胀后的图像,图 6c该目标区域进行腐蚀后的图像,图6d为该目标区域膨胀和腐蚀后得到的边缘相邻区域 IP的图像。
本发明实施例中,直线线段集LSE是根据遍历每个目标区域对应的边界起点区域IS和边界终点区域IE中所有连成线段的可能得到的,采用遍历的方式可以得到边界起点区域IS和边界终点区域IE中所有连成的线段,即一定能够找到一条最优的线段。但是,这样的方式会很费时。因此,在其他的一些实施例中,也可以只选择边界起点区域IS和边界终点区域IE中部分连成线段的可能,即减少了候选线段的数量,这样虽然做不到100%的保证得到最优的线段,所以性能会略有丢失,即得到的线段不是最优的线段,但接近最优的线段,采用这样的方式能够在较低性能损失的基础上减少大量的运算量,其不失为一种更综合合理的考量。
步骤S109,多类型曲线拟合。
得到边界起点区域IS、边界终点区域IE和边缘邻域IP后,根据每个目标区域对应的边界起点区域IS、边界终点区域IE和边缘邻域IP进行曲线线型拟合和折线线型拟合,分别得到每个目标区域所对应的曲线线段集CSEP和折线线段集BSEP。本发明实施例中,是通过遍历每个目标区域对应的边界起点区域IS、边界终点区域IE和边缘邻域IP中所有经过起点S、终点E和顶点P的组合,根据所有经过起点S、终点E和顶点P的组合进行曲线和折线的线型边缘形状拟合,分别得到每个目标区域所对应的曲线线段集CSEP和折线线段集BSEP
本发明实施例中,线型拟合是根据所有经过起点S、终点E和顶点P的组合进行曲线和折线的线型边缘形状拟合,可以理解的,在其他的一些实施例中,也可以采用其他的线型拟合方法,而不用遍历每个目标区域对应的边界起点区域IS、边界终点区域IE和边缘邻域IP中所有经过起点S、终点E和顶点P的组合,例如样条拟合或贝塞尔曲线拟合等。如此,同样能够在较低性能损失的基础上减少大量的运算量。
步骤S110,最佳拟合线型。
在得到每个目标区域所对应的直线线段集LSE、曲线线段集CSEP和折线线段集BSEP之后,依次选取直线线段集LSE、曲线线段集CSEP和折线线段集BSEP中的一个线段作为目标线段ln,并分别计算目标线段ln将对应的目标区域划分成的两个子区域rn1和rn2所对应的原始图像块的像素均值un1和un2,得到与每个目标区域对应的近似块, ln∈LSE∪BSEP∪CSEP,n=[0,#(LSE∪BSEP∪CSEP)-1],#(LSE∪BSEP∪CSEP)为集合 (LSE∪BSEP∪CSEP)的势。其中,子区域rn1对应的指示函数为子区域 rn2对应的指示函数为x表示像素点的横坐标值,y表示像素点的纵坐标值。近似块的表达式为 表示子区域rn1的指示函数 表示子区域rn2的指示函数
然后,选取每个目标区域对应的近似块与对应的原始图像块的峰值信噪比(PSNR)最大时,所对应的线段作为二值化图像块B”i的每个目标区域的最佳拟合线段,得到二值化图像块B”所对应的多个最佳拟合线段,即图像块Bi对应的多个最佳拟合线段。
得到第一个二值化图像块B”i的每个目标区域的最佳拟合线段后,重复上述步骤S106以得到下一个二值化图像块B”i的每个目标区域的最佳拟合线段(共重复M次),直到对M条线段将二值化图像块B”i分成的M+1个区域拟合完毕,执行步骤S111。
步骤S111,求近似块。
具体的,计算每个图像块Bi对应的所有最佳拟合线段将每个图像块Bi划分成的多个区域rm的像素均值,记为
定义区域rm指示函数为则图像块Bi的近似图像块的计算公式为若M等于0,则令i=i+1,判断是否遍历完所有的图像块 Bi(即计算完所有图像块Bi的近似图像块Ri),若遍历完,则执行步骤S112,直到计算完所有图像块Bi的近似图像块Ri,否则返回步骤S102。
步骤S112,求近似图像。
计算完所有图像块Bi的近似图像块Ri后,将所有图像块Bi对应的近似图像块Ri按照其对应的原始图像的顺序依序将所有的近似图像块Ri进行拼接,即可得到目标图像的近似图像R。
综上所述,本发明实施例提供的基于边界扫描的多wedgelet图像近似方法通过对图像分块、图像块边界点信息统计、多边缘多线型拟合、图像块近似块求取以及依据近似块拼接,从而得到原图像的最佳近似图像,本发明实施例提供的基于边界扫描的多 wedgelet图像近似方法利用多种形状对图像进行拟合快速获得其逼近图像的功能,增强了变换效果,减少了运算量,减小了图像拟合误差,获得了更高的图像拟合精度和拟合速度。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。

Claims (3)

1.一种基于边界扫描的多wedgelet图像近似方法,其特征在于,所述方法包括:
Step1.图像分块:
将原图像f分割为N个图像块Bi,0≤i≤N,图像块为边长为b的矩形;
Step2.统计图像块边界点信息:
Step2.1.二值化图像:
逐个对所述N个图像块Bi进行二值化操作,得到N个二值化图像块B’i
Step2.2.尺度滤波:
通过膨胀和腐蚀对所述N个二值化图像块B’i进行尺度滤波,得到N个二值化图像块B”i
Step2.3.扫描边界点:
扫描每个二值化图像块B”i的边界点,统计每个二值化图像块B”i的边界点信息,所述边界点信息包括边界点个数M、每个像素值从0到1的边界起点S(Start Point)和每个像素值从1到0的边界终点E(End Point);
Step3.多边缘多线型拟合:
Step3.1.直线拟合局部边缘:
按照对应的边界点将存在边界的二值化图像块B”i划分为多个区域,取每个区域的起点S对应的位置记为IS、终点E对应的位置记为IE,取值范围为[0,4b-1],根据每个区域对应的边界起点区域IS和边界终点区域IE进行直线线型拟合,得到每个目标区域所对应的直线线段集LSE,其中IS∈[IS-△S,IS+△S],IE∈[IE-△E,IE+△E],△S和△E分别为经验常数;
Step3.2.多类型曲线拟合局部边缘:
通过腐蚀和膨胀后得到每个目标区域对应的边缘邻域IP,IP中的每个点为顶点P(PeakPoint)的候选点;根据每个目标区域对应的边界起点区域IS、边界终点区域IE和边缘相邻区域IP进行曲线线型拟合和折线线型拟合,分别得到每个目标区域所对应的曲线线段集CSEP和折线线段集BSEP
Step3.3.获取最佳局部边缘拟合线型组合:
分别计算目标线段ln将对应的目标区域划分成的两个子区域rn1和rn2所对应的原始图像块的像素均值un1和un2,得到与每个目标区域对应的近似块,其中ln∈LSE∪BSEP∪CSEP,n=[0,#(LSE∪BSEP∪CSEP)-1],#(LSE∪BSEP∪CSEP)为集合(LSE∪BSEP∪CSEP)的势,区域近似块 表示个子区域rn1的指示函数,表示子区域rn2的指示函数,其指示函数为选取每个区域对应的近似块Rni与对应的原始的图像块Bi的峰值信噪比最大时所对应的线段作为每个区域的最佳拟合线段;每个图像块Bi中,共有M条最佳拟合线段;
Step4.求图像块的近似块:
M条最佳拟合线段将图像块Bi划分成的M+1个区域记为rm,0≤m≤M,计算每个区域rm像素均值计算图像近似块
Step5.求近似图像:
将N个图像块Bi的近似图像块Ri拼接起来,得到与源图像对应的近似图像R。
2.根据权利要求1所述的方法,其特征在于,近似块的计算公式为 表示个子区域rn1的指示函数,表示子区域rn2的指示函数,其指示函数为
3.根据权利要求1所述的方法,其特征在于,所述根据每个目标区域对应的边界起点区域IS、边界终点区域IE和边缘邻域IP进行曲线线型拟合和折线线型拟合,分别得到每个目标区域所对应的曲线线段集CSEP、折线线段集BSEP等,包括:
遍历每个目标区域对应的边界起点区域IS、边界终点区域IE和边缘邻域IP中所有经过起点S、终点E和顶点P的组合;
根据所述所有经过起点S、终点E和顶点P的组合进行曲线和折线的线型边缘形状拟合,分别得到每个目标区域所对应的曲线线段集CSEP和折线线段集BSEP
CN201910244127.0A 2019-03-28 2019-03-28 基于边界扫描的多wedgelet图像近似方法 Active CN110363212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910244127.0A CN110363212B (zh) 2019-03-28 2019-03-28 基于边界扫描的多wedgelet图像近似方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910244127.0A CN110363212B (zh) 2019-03-28 2019-03-28 基于边界扫描的多wedgelet图像近似方法

Publications (2)

Publication Number Publication Date
CN110363212A true CN110363212A (zh) 2019-10-22
CN110363212B CN110363212B (zh) 2022-02-15

Family

ID=68215519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910244127.0A Active CN110363212B (zh) 2019-03-28 2019-03-28 基于边界扫描的多wedgelet图像近似方法

Country Status (1)

Country Link
CN (1) CN110363212B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101329402A (zh) * 2008-06-20 2008-12-24 西安电子科技大学 基于改进Wedgelet的多尺度SAR图像边缘检测方法
CN104038760A (zh) * 2014-06-13 2014-09-10 南京理工大学 一种3d视频深度图像帧内楔形分割模式选择方法及系统
CN104079943A (zh) * 2014-06-26 2014-10-01 华为技术有限公司 一种帧内深度图像块编码、解码的方法及装置
US20140294061A1 (en) * 2013-03-27 2014-10-02 Qualcomm Incorporated Depth coding modes signaling of depth data for 3d-hevc
CN104125473A (zh) * 2014-07-31 2014-10-29 南京理工大学 一种3d视频深度图像帧内预测模式选择方法及系统
CN104221379A (zh) * 2011-11-11 2014-12-17 弗兰霍菲尔运输应用研究公司 自适应分区编码
CN104247427A (zh) * 2011-11-11 2014-12-24 弗兰霍菲尔运输应用研究公司 使用分区编码的有效预测
US20150103906A1 (en) * 2013-10-15 2015-04-16 Qualcomm Incorporated Wedgelet pattern extension for depth intra coding
US20160057417A1 (en) * 2013-03-29 2016-02-25 Kddi Corporation Video encoding device and video decoding device
WO2016049913A1 (en) * 2014-09-30 2016-04-07 Mediatek Singapore Pte. Ltd. A simplified method for the depth modeling modes
CN106664423A (zh) * 2014-10-08 2017-05-10 Lg电子株式会社 视频编译中的深度图片编译方法和设备
CN107071478A (zh) * 2017-03-30 2017-08-18 成都图必优科技有限公司 基于双抛物线分区模板的深度图编码方法
JP2017216487A (ja) * 2014-10-08 2017-12-07 シャープ株式会社 Dmm予測装置、画像復号装置、および画像符号化装置
US20180027233A1 (en) * 2011-11-11 2018-01-25 Ge Video Compression, Llc Effective wedgelet partition coding

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101329402A (zh) * 2008-06-20 2008-12-24 西安电子科技大学 基于改进Wedgelet的多尺度SAR图像边缘检测方法
CN104221379A (zh) * 2011-11-11 2014-12-17 弗兰霍菲尔运输应用研究公司 自适应分区编码
US20180027233A1 (en) * 2011-11-11 2018-01-25 Ge Video Compression, Llc Effective wedgelet partition coding
CN104247427A (zh) * 2011-11-11 2014-12-24 弗兰霍菲尔运输应用研究公司 使用分区编码的有效预测
US20140294061A1 (en) * 2013-03-27 2014-10-02 Qualcomm Incorporated Depth coding modes signaling of depth data for 3d-hevc
US20160057417A1 (en) * 2013-03-29 2016-02-25 Kddi Corporation Video encoding device and video decoding device
US20150103906A1 (en) * 2013-10-15 2015-04-16 Qualcomm Incorporated Wedgelet pattern extension for depth intra coding
CN104038760A (zh) * 2014-06-13 2014-09-10 南京理工大学 一种3d视频深度图像帧内楔形分割模式选择方法及系统
CN104079943A (zh) * 2014-06-26 2014-10-01 华为技术有限公司 一种帧内深度图像块编码、解码的方法及装置
CN104125473A (zh) * 2014-07-31 2014-10-29 南京理工大学 一种3d视频深度图像帧内预测模式选择方法及系统
WO2016049913A1 (en) * 2014-09-30 2016-04-07 Mediatek Singapore Pte. Ltd. A simplified method for the depth modeling modes
CN106664423A (zh) * 2014-10-08 2017-05-10 Lg电子株式会社 视频编译中的深度图片编译方法和设备
JP2017216487A (ja) * 2014-10-08 2017-12-07 シャープ株式会社 Dmm予測装置、画像復号装置、および画像符号化装置
CN107071478A (zh) * 2017-03-30 2017-08-18 成都图必优科技有限公司 基于双抛物线分区模板的深度图编码方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHANG DUAN等: "Enhancing wedgelet-based depth modeling in 3D-HEVC", 《2017 ASIA-PACIFIC SIGNAL AND INFORMATION PROCESSING ASSOCIATION ANNUAL SUMMIT AND CONFERENCE (APSIPA ASC)》 *
CHANG-HONG FU等: "Fast wedgelet pattern decision for DMM in 3D-HEVC", 《2015 IEEE INTERNATIONAL CONFERENCE ON DIGITAL SIGNAL PROCESSING (DSP)》 *
谢芳: "基于改进Smoothlet的图像编码研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
谢芳等: "一种针对wedgelet重建图像的空域自适应去块效应算法", 《微电子学与计算机》 *

Also Published As

Publication number Publication date
CN110363212B (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN106709924B (zh) 基于深度卷积神经网络和超像素的图像语义分割方法
CN101965733B (zh) 用于编码或解码视频信号的方法和设备
JP5490404B2 (ja) 画像復号装置
CN102800051B (zh) 一种基于分数阶微分的自适应浮选泡沫图像增强方法
CN102682446A (zh) 使用自适应联合双边滤波器生成稠密深度图的设备和方法
US20080031549A1 (en) Image processing apparatus, image reading apparatus, image forming apparatus, image processing method, and recording medium
CN104899830A (zh) 一种图像超分辨方法
CN102523364A (zh) 一种文档图像透印清除方法及系统
CN110223273B (zh) 一种结合离散余弦变换与神经网络的图像修复取证方法
CN110324617A (zh) 图像处理方法及装置
WO2004079660A1 (ja) 画像処理装置
CN104602025B (zh) 处理图像的方法和装置
CN103957420A (zh) 一种h.264运动估计编码的全面运动估计改进算法
CN110363212A (zh) 基于边界扫描的多wedgelet图像近似方法
CN110310223B (zh) 一种紫外光与可见光图像的融合方法
CN109472221A (zh) 一种基于笔画宽度变换的图像文本检测方法
CN110072106B (zh) 视频编解码中像素处理的方法和装置
CN105469358A (zh) 一种图像处理方法
CN114071140B (zh) 解码方法、编码方法、装置、设备及机器可读存储介质
EP2309452A1 (en) Method and arrangement for distance parameter calculation between images
JP5072915B2 (ja) 画像処理装置及び画像処理方法
Aghito et al. Context-based coding of bilevel images enhanced by digital straight line analysis
JP5376049B2 (ja) イントラ予測処理方法、及びイントラ予測処理プログラム
KR101702937B1 (ko) 해상도 스케일링 방법 및 그 장치
CN114926394A (zh) 一种基于像素对比学习的直肠癌病理图像分割方法

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