CN110428382B - 一种用于移动终端的高效视频增强方法、装置和存储介质 - Google Patents
一种用于移动终端的高效视频增强方法、装置和存储介质 Download PDFInfo
- Publication number
- CN110428382B CN110428382B CN201910720203.0A CN201910720203A CN110428382B CN 110428382 B CN110428382 B CN 110428382B CN 201910720203 A CN201910720203 A CN 201910720203A CN 110428382 B CN110428382 B CN 110428382B
- Authority
- CN
- China
- Prior art keywords
- image
- data
- channel
- resolution
- cnn
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 35
- 230000006870 function Effects 0.000 description 9
- 238000010606 normalization Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种应用于移动端的高效视频增强方法、装置和存储介质,通过优化的CNN去噪模型和CNN超分辨率模型两部分,使用把图像拆分为多个子图作为CNN去噪模型的输入,以及CNN去噪模型和CNN超分辨率模型只针对图像的Y通道信息进行处理,U、V通道信息使用简单超分辨率方法得到大尺寸图像的U、V通道信息,通过上述优化方法来降低模型的复杂,有效地结合去噪模型和超分辨率的模型来达到整体增强效果的提升。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种应用于移动终端的高效视频增强方法。
背景技术
随着视频技术和网络技术的发展,高质量的视频已成为人们重要的需求。现实中依然存在很多低质量的视频资源,包括使用低质量设备拍摄的老旧影片、非专业人员拍摄的一些UGC(User Generated Content,用户生成内容)视频等,视频的低质量问题包括低分辨率、压缩噪声大、背景噪声大等。
视频增强旨在将已有的低质量视频通过一系列的增强技术将视频转换为高质量的视频。通用的视频增强技术包括超分辨率、去噪等。超分辨率是计算机视觉领域的一个经典问题,旨在从低分辨率图像(或视频)中恢复高分辨率图像(或视频),它在监测设备、卫星图像、医学成像等方面具有重要的应用价值。超分辨率问题中,对于任何给定的低分辨率图像,都存在多个解。通过使用强先验信息约束解决方案空间,通常可以缓解此类问题。在传统方法中,这些先验信息可以通过出现的几对低分辨率图像来学习。基于深度学习的超分辨率方法通过神经网络直接学习分辨率图像到高分辨率图像的端到端映射函数。视频中存在的一些噪声比如胶片数字化引入的噪声以及视频压缩带来的块效应需要通过去噪的技术来解决。
目前使用深度学习的方法来实现视频增强成为了业界研究的热点,然而实际应用中存在着很多的问题,尤其在移动端,深度学习网络模型的高计算复杂度与移动端有限的计算能力突出的矛盾成为了技术落地中重要的待解决问题。虽然在移动端可以利用GPU进行算法加速,例如IOS的metal框架,可以快速方便地实现CNN(Convolutional NeuralNetwork,卷积神经网络)算法并调用GPU资源进行加速,但是移动端的计算资源仍然是有限的,因此高效的算法设计变得尤为重要。
发明内容
本发明提出一种应用于移动端的高效视频增强方法,通过优化的CNN去噪模型和CNN超分辨率模型两部分,使用把图像拆分为多个子图作为CNN去噪模型的输入,以及CNN去噪模型和CNN超分辨率模型只针对图像的Y通道信息进行处理,U、V通道信息使用简单超分辨率方法得到大尺寸图像的U、V通道信息,通过上述优化方法来降低模型的复杂,有效地结合去噪模型和超分辨率的模型来达到整体增强效果的提升。
本发明提供了一种基于应用于移动端的高效视频增强方法,包括以下步骤:
步骤1,Y、U、V通道数据分离:所述Y、U、V通道数据分离包括如下子步骤:
步骤1.1,对于输入视频的每一帧图像P,假设宽高分别为w、h,图像在YUV格式下进行处理;
步骤1.2,对图像的Y、U、V通道数据分离,3个通道的数据分别表示为PY、PU和PV。
步骤3,对图像P的Y通道数据PY使用优化的CNN去噪模型和CNN超分模型来进行图像增强处理。具体包括如下子步骤:
其中i为像素行位置坐标,j为像素列位置坐标;
步骤3.3,建立CNN去噪模型对图像进行去噪,其中建立CNN去噪模型对图像进行去噪的步骤具体包括:
步骤3.3.1,CNN去噪模型的网络共5层,最后一层通道数为r2,其余层通道数为2r2,采用3x3的卷积核,通过CNN去噪模型输出r2个通道的Y数据。
步骤3.3.3,对所述输出r2个通道的Y数据进行r倍的子图合并操作得到原始分辨率大小的单通道Y值。子图合并操作是子图拆分的逆操作,把多个小图合成一个大图。
步骤3.3.4,使用训练数据对CNN去噪模型进行训练。训练数据的生成方式为将噪声小的高质量图像样本数据集PH使用jpeg进行压缩生成噪声大的图像样本数据集PL。去噪模型的损失函数使用L2:
其中Y表示PH中图像样本的Y通道值,表示去噪模型的输出,m表示训练样本图像的个数,w、h表示输入样本图像的宽高,Y(i,j)(k)表示样本图像k的第i行第j列像素的Y通道值,表示对PL中图像样本k经过去噪模型后输出的图像的第i行第j列的值。利用损失函数L2对所述CNN去噪模型网络中各层的参数进行调整。
步骤3.4,建立CNN超分辨率模型对图像进行超分辨率重建:
步骤3.4.1,使用去噪模型网络的最后一层,即r2个通道的Y数据作为CNN超分辨率模型的输入;
步骤3.4.2,超分辨率模型的网络共三层,通道数依次为r2R、r2R、r2R2,即最后一层通道数为r2R2。使用3x3的卷积核;
步骤3.4.4,使用训练数据对超分辨率模型进行训练,损失函数使用绝对误差值。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的一种基于应用于移动端的高效视频增强方法流程图;
图2是本说明书实施例提供的2倍子图拆分示例;
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,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,都应当属于本说明书保护的范围。
以下结合附图,详细说明本说明书实施例提供的技术方案。
本发明提供了一种基于应用于移动端的高效视频增强方法,包括以下步骤:
步骤1,Y、U、V通道数据分离:所述Y、U、V通道数据分离包括如下子步骤:
步骤1.1,对于输入视频的每一帧图像P,假设宽高分别为w、h,图像在YUV格式下进行处理;
步骤1.2,对图像的Y、U、V通道数据分离,3个通道的数据分别表示为PY、PU和PV。
步骤2,对图像P的U、V通道数据,使用简单的超分辨率方法将宽高各放大R倍,其中R表示超分辨率的倍数,得到图像P的U、V通道放大R倍后的图和所述超分辨率方法包括线性插值的方法。因为人眼对Y通道信息(亮度分量)相比U、V通道信息(色度分量)更加敏感,对U、V通道的数据使用简单的超分辨率方法能减少计算的复杂度并达到较好的效果。
步骤3,对图像P的Y通道数据PY使用优化的CNN去噪模型和CNN超分模型来进行图像增强处理。具体包括如下子步骤:
其中i为像素行位置坐标,j为像素列位置坐标;
步骤3.2,子图拆分:对进行r倍的子图拆分得到宽高分别为w/r、h/r的r2个通道的数据r是w和h的公约数,r的取值根据输入图像的大小进行自适应的选择,r2个通道的数据作为后面CNN去噪模型的输入,由于宽高都变为了原始分辨率的1/r,CNN去噪模型和CNN超分辨率模型的计算量更小、速度更快。子图拆分操作如图2所示,A~P分别表示4x4大小的图像中的各像素点,选取r=2对该图像的子图拆分操作,将4x4大小的图像划分为4个2x2的图像块。把待子图拆分的图像划分为2x2的图像块,图像块的序号记为i,图像块中的像素序号记为j,图像块i中的像素j作为通道j即(像素j=0,1,2,3)的像素i。r倍的子图拆分的操作与此类似。
步骤3.3,建立CNN去噪模型对图像进行去噪,其中建立CNN去噪模型对图像进行去噪的步骤具体包括:
步骤3.3.1,使用训练数据对CNN去噪模型进行训练。训练数据的生成方式为将噪声小的高质量图像样本数据集PH使用jpeg进行压缩生成噪声大的图像样本数据集PL。去噪模型的损失函数使用L2:
其中Y表示PH中图像样本的Y通道值,表示去噪模型的输出,m表示训练样本图像的个数,w、h表示输入样本图像的宽高,Y(i,j)(k)表示样本图像k的第i行第j列像素的Y通道值,表示对PL中图像样本k经过去噪模型后输出的图像的第i行第j列的值。利用损失函数L2对所述CNN去噪模型网络中各层的参数进行调整。
步骤3.3.2,CNN去噪模型的网络共5层,最后一层通道数为r2,其余层通道数为2r2,采用3x3的卷积核,通过CNN去噪模型输出r2个通道的Y数据。5层网络和3x3的卷积核的选择是基于移动端的处理性能和去噪效果的综合考虑。
步骤3.3.3,对所述输出r2个通道的Y数据进行r倍的子图合并操作得到原始分辨率大小的单通道Y值。子图合并操作是子图拆分的逆操作,把多个小图合成一个大图。
步骤3.4,建立CNN超分辨率模型对图像进行超分辨率重建:
步骤3.4.1,使用训练数据对超分辨率模型进行训练,损失函数使用绝对误差值,训练集使用通用的超分辨率训练集DIV2K。
步骤3.4.2,使用去噪模型网络的最后一层,即r2个通道的Y数据作为CNN超分辨率模型的输入;
步骤3.4.3,超分辨率模型的网络共三层,通道数依次为r2R、r2R、r2R2,即最后一层通道数为r2R2。使用3x3的卷积核;
其中i为像素行位置坐标,j为像素列位置坐标,round表示四舍五入的取整函数;
本专利对视频进行增强,包括去噪和超分辨率两部分,增强之后的视频噪声更少,清晰度更高。同时实现了超分辨率和视频去噪的功能,使图像增强的效果达到更佳。针对方法的计算复杂度在多处采用了优化的方法来提高系统处理的实时性,可以在iphone6s上对540p视频实时超分增强到1080p分辨率,并且达到与非实时方案相当的效果。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (5)
1.一种应用于移动终端的高效视频增强方法,其特征在于,包括以下步骤:
步骤1,Y、U、V通道数据分离:所述Y、U、V通道数据分离包括如下子步骤:
步骤1.1,对于输入视频的每一帧图像P,其中,w、h表示图像的宽高,图像在YUV格式下进行处理;
步骤1.2,对所述图像P的Y、U、V通道数据分离,所述Y、U、V通道的数据分别表示为PY、PU和PV;
步骤3,对所述图像P的Y通道数据PY使用优化的CNN去噪模型和CNN超分模型来进行图像增强处理;具体包括如下子步骤:
其中i为像素行位置坐标,j为像素列位置坐标;
步骤3.3,建立所述优化的CNN去噪模型对所述图像P进行去噪,具体包括:
步骤3.3.1,使用训练数据对所述CNN去噪模型进行训练,训练数据的生成方式为将噪声小的高质量图像样本数据集PH使用jpeg进行压缩生成噪声大的图像样本数据集PL,去噪模型的损失函数使用L2:
其中Y表示PH中图像样本的Y通道值,表示去噪模型的输出,m表示训练样本图像的个数,Y(i,j)(k)表示样本图像k的第i行第j列像素的Y通道值,表示对PL中图像样本k经过去噪模型后输出的图像的第i行第j列的值;利用损失函数L2对所述CNN去噪模型网络中各层的参数进行调整;
步骤3.3.3,所述CNN去噪模型的网络共5层,最后一层通道数为r2,其余层通道数为2r2,采用3x3的卷积核,通过CNN去噪模型输出r2个通道的Y数据;
步骤3.3.3,对所述输出r2个通道的Y数据进行r倍的子图合并操作得到原始分辨率大小的单通道Y值,子图合并操作是子图拆分的逆操作,把多个小图合成一个大图;
步骤3.4,建立CNN超分辨率模型对所述图像P进行超分辨率重建:
步骤3.4.1,使用训练数据对所述CNN超分辨率模型进行训练,损失函数使用绝对误差值,训练集使用通用的超分辨率训练集DIV2K;
步骤3.4.2,使用所述CNN去噪模型的网络的最后一层的r2个通道的Y数据,输入至所述CNN超分辨率模型;
步骤3.4.3,所述CNN超分辨率模型的网络共三层,所述CNN超分辨率模型的通道数依次为r2R、r2R、r2R2,即最后一层通道数为r2R2;使用3x3的卷积核;
其中i为像素行位置坐标,j为像素列位置坐标,round表示四舍五入的取整函数;
2.根据权利要求1所述的应用于移动终端的高效视频增强方法,其特征在于,所述简单的超分辨率方法为线性插值方法。
3.根据权利要求1所述的应用于移动终端的高效视频增强方法,其特征在于,所述r的取值根据输入图像的大小进行自适应的选择。
4.一种应用于移动终端的高效视频增强的装置,其包括处理器和可读存储介质,所述可读存储介质上存储计算机程序,所述计算机程序被所述处理器执行以实现如权利要求1-3所述的步骤。
5.一种存储介质,所述存储介质上存储计算机程序,所述计算机程序被所述处理器执行以实现如权利要求1-3所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910720203.0A CN110428382B (zh) | 2019-08-07 | 2019-08-07 | 一种用于移动终端的高效视频增强方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910720203.0A CN110428382B (zh) | 2019-08-07 | 2019-08-07 | 一种用于移动终端的高效视频增强方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110428382A CN110428382A (zh) | 2019-11-08 |
CN110428382B true CN110428382B (zh) | 2023-04-18 |
Family
ID=68414342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910720203.0A Active CN110428382B (zh) | 2019-08-07 | 2019-08-07 | 一种用于移动终端的高效视频增强方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428382B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369475B (zh) * | 2020-03-26 | 2023-06-23 | 北京百度网讯科技有限公司 | 用于处理视频的方法和装置 |
CN113643186A (zh) * | 2020-04-27 | 2021-11-12 | 华为技术有限公司 | 一种图像增强方法及电子设备 |
CN111667410B (zh) * | 2020-06-10 | 2021-09-14 | 腾讯科技(深圳)有限公司 | 图像分辨率提升方法、装置及电子设备 |
CN112991203B (zh) * | 2021-03-08 | 2024-05-07 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN115643407A (zh) * | 2022-12-08 | 2023-01-24 | 荣耀终端有限公司 | 视频处理方法及其相关设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
CN108961186A (zh) * | 2018-06-29 | 2018-12-07 | 赵岩 | 一种基于深度学习的老旧影片修复重制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767343B (zh) * | 2017-11-09 | 2021-08-31 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
-
2019
- 2019-08-07 CN CN201910720203.0A patent/CN110428382B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
CN108961186A (zh) * | 2018-06-29 | 2018-12-07 | 赵岩 | 一种基于深度学习的老旧影片修复重制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110428382A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428382B (zh) | 一种用于移动终端的高效视频增强方法、装置和存储介质 | |
Wang et al. | Real-esrgan: Training real-world blind super-resolution with pure synthetic data | |
US10861133B1 (en) | Super-resolution video reconstruction method, device, apparatus and computer-readable storage medium | |
CN108022212B (zh) | 高分辨率图片生成方法、生成装置及存储介质 | |
WO2020087607A1 (zh) | 一种基于Bi-Skip-Net的图像去模糊方法 | |
US11151361B2 (en) | Dynamic emotion recognition in unconstrained scenarios | |
Yu et al. | Towards efficient and scale-robust ultra-high-definition image demoiréing | |
TWI759668B (zh) | 視頻圖像處理方法、電子設備和電腦可讀儲存介質 | |
US20190138816A1 (en) | Method and apparatus for segmenting video object, electronic device, and storage medium | |
CN109978788B (zh) | 卷积神经网络生成方法、图像去马赛克方法及相关装置 | |
WO2021163844A1 (en) | Super resolution using convolutional neural network | |
CN113034358A (zh) | 一种超分辨率图像处理方法以及相关装置 | |
Diana Andrushia et al. | Saliency-based image compression using Walsh–Hadamard transform (WHT) | |
US9240038B2 (en) | Method and apparatus for acquiring weight coefficient of digital filter | |
WO2020062191A1 (zh) | 图像处理方法、装置及设备 | |
CN113724136B (zh) | 一种视频修复方法、设备及介质 | |
CN105023241A (zh) | 一种移动终端快速图像插值方法 | |
CN109949234A (zh) | 基于深度网络的视频复原模型训练方法及视频复原方法 | |
CN115471413A (zh) | 图像处理方法及装置、计算机可读存储介质和电子设备 | |
CN115294055A (zh) | 图像处理方法、装置、电子设备和可读存储介质 | |
US20240202886A1 (en) | Video processing method and apparatus, device, storage medium, and program product | |
CN113506305A (zh) | 三维点云数据的图像增强方法、语义分割方法及装置 | |
CN110415175B (zh) | 一种快速去除平坦区域编码马赛克的方法 | |
CN105069764B (zh) | 一种基于边缘跟踪的图像去噪方法及系统 | |
US20230060988A1 (en) | Image processing device and method |
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 |