CN110570441B - 一种超高清低延时视频控制方法及系统 - Google Patents
一种超高清低延时视频控制方法及系统 Download PDFInfo
- Publication number
- CN110570441B CN110570441B CN201910868687.3A CN201910868687A CN110570441B CN 110570441 B CN110570441 B CN 110570441B CN 201910868687 A CN201910868687 A CN 201910868687A CN 110570441 B CN110570441 B CN 110570441B
- Authority
- CN
- China
- Prior art keywords
- image
- enhanced
- rgb
- value
- obtaining
- 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 108
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明首先由第一进程获得第一前景目标轮廓,然后由第二进程采用分水岭模型获得第二前景目标轮廓,两个进程同步并发运行,为后续的融合计算节省了时间,降低了视频对象获取的延时。现有技术中,要不就是视频对象获取的过程算法单一,准确性差;要不就是各进程之间的并发性差,导致算法延时较高。而本申请的优势在于:第一进程与第二进程本身的创新性算法都具有较低的时延,其次,由于二者并发运行,互不依赖,因此进一步降低了视频图像处理的时延。
Description
技术领域
本发明涉及超高清视频处理技术领域,具体而言,涉及一种超高清低延时视频控制方法及系统。
背景技术
随着科学技术的发展,大屏时代的到来,传统高清分辨率的图像已经不能满足民众日益增高的视觉需求。超高清视频与高清视频相比有很多的优势,它的分辨率更高,数据量更大,能够更好的还原画面的真实情况,给观众提供更加丰富的纹理细节、广阔的视角和多变的色彩,使观众能够获得更加身临其境的感受。
然而,现有的摄像及监控系统装置大多是标清格式及较低分辨率格式的视频清晰度低、对比度差、图像缺乏细节等情况,画质效果依然比较差。本公司已经研制成功了一种超高清视频的处理方法,可参考后续实施例中的描述。超高清视频相对于标清格式及低分辨率格式的视频对象具有更加丰富的特征,从超高清视频中获得的对象更鲜明、色彩更丰富、细节更有层次,具有更好的视觉体验。然而,对超高清视频的进一步处理遭遇了新的挑战,由于其分辨率更高、数据量更大,因此,对超高清视频的处理需要更先进的软硬件资源支持。在超高清视频中,如何在所获得的视频对象准确的前提下获得低延时的视频对象成为亟待解决的问题。
发明内容
针对现有技术中存在的技术问题,本发明的目的在于提供一种超高清低延时视频控制方法,所述方法包括以下步骤:
A.第一进程采用HIS图像分割方法,获得当前视频帧的第一前景目标轮廓;
B.第二进程采用分水岭模型提取当前视频帧的第二前景目标轮廓,所述第一进程和第二进程并发运行,通过设置帧编号同步两个进程,使用时较短的当前帧处理进程可以等待用时较长的当前帧处理进程;
C.利用所述第一前景目标轮廓和所述第二前景目标轮廓进行融合,得到最终提取的视频对象轮廓。
本发明的目的还在于提供一种超高清低延时视频控制系统,所述系统包括以下处理单元:
第一前景目标轮廓获取单元,其中,第一进程采用HIS图像分割方法,获得当前视频帧的第一前景目标轮廓;
第二前景目标轮廓获取单元,其中,第二进程采用分水岭模型提取当前视频帧的第二前景目标轮廓,所述第一进程和第二进程并发运行,通过设置帧编号同步两个进程,使用时较短的当前帧处理进程可以等待用时较长的当前帧处理进程;
高清视频前景获取单元,其中,利用所述第一前景目标轮廓和所述第二前景目标轮廓进行融合,得到最终提取的视频对象轮廓。
本发明相对于现有技术,具有以下优点和技术效果:
本发明首先由第一进程获得第一前景目标轮廓,然后由第二进程采用分水岭模型获得第二前景目标轮廓,两个进程同步并发运行,为后续的融合计算节省了时间,降低了视频对象获取的延时。现有技术中,要不就是视频对象获取的过程算法单一,准确性差;要不就是各进程之间的并发性差,导致算法延时较高。而本申请的优势在于:第一进程与第二进程本身的创新性算法都具有较低的时延,其次,由于二者并发运行,互不依赖,因此进一步降低了视频图像处理的时延。
附图说明
图1为本发明第一实施例的处理流程示意图;
图2为本发明第三实施例的处理流程示意图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明:
实施例1与实施例2分别记载了本公司研制成功的一种超高清视频的处理方法及系统。后续实施例3、4都可基于实时例1、2进行高清视频前景对象的获取。
实施例1
根据图1所示,提供一种超高清视频的处理方法,所述方法包括以下步骤:
A.接收各标清视频帧,增强处理后获得第一增强图像IRGB;
B.获得所述增强处理后的每帧图像的相对亮度值;根据所述相对亮度值,获得增强调节系数;
C.根据所述第一增强图像IRGB和所述增强调节系数,获得各个像素点的第二增强图像IFINAL;
D.将所述第二增强图像IFINAL经过两级或多级的转换处理后,获得放大的超高清视频信号。
具体的,所述增强处理后获得第一增强图像IRGB,包括:将所述标清视频帧转换到HIS空间,先对I分量图像进行图像增强,得到IE(x,y);再对H、S分量进行增强;将增强后的HIS色彩空间图像转到RGB色彩空间图像,获得第一增强图像IRGB;
所述IE(x,y)计算方法如下:
所述对H、S分量增强的方法如下:
其中,D表示以像素点(x,y)为中心的窗口内像素点的集合,窗口大小选择5*5或3*3;m,n分别代表坐标值;I(x,y)、H(x,y)、S(x,y)分别是图像中I、H、S分量,IE(x,y)、HE(x,y)、SE(x,y)分别为处理后的图像分量;Imax表示D窗口集合内的最大亮度值;Imin表示D窗口集合内的最小亮度值;
所述相对亮度值的计算方法如下:
所述增强调节系数计算方法如下:
所述根据所述第一增强图像IRGB和所述增强调节系数,获得各个像素点的第二增强图像IFINAL的计算方法如下;
其中,IFINAL(x,y)为输出图像中像素点(x,y)的RGB值。
所述标清信号包括TV信号、CVBS信号、DTMB信号、HDMI信号、USB信号;
所述转换处理包括:对步骤C得到的图像信号进行scaling方法处理以及peaking处理。
实施例2
本发明还提供一种超高清视频的处理系统,所述系统包括以下处理单元:
第一增强单元,用于接收各标清视频帧,增强处理后获得第一增强图像IRGB;
调节系数获得单元,用于获得所述增强处理后的每帧图像的相对亮度值;根据所述相对亮度值,获得增强调节系数;
第二增强单元,用于根据所述第一增强图像IRGB和所述增强调节系数,获得各个像素点的第二增强图像IFINAL;
转换单元,用于将所述第二增强图像IFINAL经过两级或多级的转换处理后,获得放大的超高清视频信号。
具体的,所述增强处理后获得第一增强图像IRGB,包括:将所述标清视频帧转换到HIS空间,先对I分量图像进行图像增强,得到IE(x,y);再对H、S分量进行增强;将增强后的HIS色彩空间图像转到RGB色彩空间图像,获得第一增强图像IRGB;
所述IE(x,y)计算方法如下:
所述对H、S分量增强的方法如下:
其中,D表示以像素点(x,y)为中心的窗口内像素点的集合,窗口大小选择5*5或3*3;m,n分别代表坐标值;I(x,y)、H(x,y)、S(x,y)分别是图像中I、H、S分量,IE(x,y)、HE(x,y)、SE(x,y)分别为处理后的图像分量;Imax表示D窗口集合内的最大亮度值;Imin表示D窗口集合内的最小亮度值;
所述相对亮度值的计算方法如下:
所述增强调节系数计算方法如下:
所述根据所述第一增强图像IRGB和所述增强调节系数,获得各个像素点的第二增强图像IFINAL的计算方法如下;
其中,IFINAL(x,y)为输出图像中像素点(x,y)的RGB值。
所述标清信号包括TV信号、CVBS信号、DTMB信号、HDMI信号、USB信号;
所述转换处理包括:对步骤C得到的图像信号进行scaling方法处理以及peaking处理。
实施例3
本发明的目的在于还提供一种超高清低延时视频控制方法,所述方法包括以下步骤:
A.第一进程采用HIS图像分割方法,获得当前视频帧的第一前景目标轮廓;
B.第二进程采用分水岭模型提取当前视频帧的第二前景目标轮廓,所述第一进程和第二进程并发运行,通过设置帧编号同步两个进程,使用时较短的当前帧处理进程可以等待用时较长的当前帧处理进程;
C.利用所述第一前景目标轮廓和所述第二前景目标轮廓进行融合,得到最终提取的视频对象轮廓。
所述第一进程采用HIS图像分割方法,获得当前视频帧的第一前景目标轮廓包括:将当前帧视频图像由RGB转换到HIS颜色空间;
提取HIS图像的I、H、S分量,基于H、S分量将当前帧视频图像和背景图像进行差分运算,得到背景差分图像的灰度图;将所述灰度图像进行最大类间阈值分割,得到最佳分割阈值;利用最佳分割阈值对所述灰度图进行二值化处理;最后用形态学方法获得当前帧图像的第一前景目标轮廓S1;
所述第二进程采用分水岭模型提取每一帧视频图像的第二前景目标轮廓包括:创建新的第二进程,对当前帧图像进行边缘检测,对获得的边缘梯度值进行分水岭分割,获得所述第二前景目标轮廓;为防止欠分割,本发明增强了边缘梯度值,增强梯度值的算法如下:
S2=watershed(G) (公式2)
所述边缘检测的算子包括:Robert算子或Prewitt算子或Sobel算子。
所述利用所述第一前景目标轮廓和所述第二前景目标轮廓进行融合,包括:
S_final表示最终提取的视频对象轮廓。
实施例4
本发明的目的在于还提供一种超高清低延时视频控制系统,所述系统包括以下处理单元:
第一前景目标轮廓获取单元,其中,第一进程采用HIS图像分割方法,获得当前视频帧的第一前景目标轮廓;
第二前景目标轮廓获取单元,其中,第二进程采用分水岭模型提取当前视频帧的第二前景目标轮廓,所述第一进程和第二进程并发运行,通过设置帧编号同步两个进程,使用时较短的当前帧处理进程可以等待用时较长的当前帧处理进程;
高清视频前景获取单元,其中,利用所述第一前景目标轮廓和所述第二前景目标轮廓进行融合,得到最终提取的视频对象轮廓。
所述第一进程采用HIS图像分割方法,获得当前视频帧的第一前景目标轮廓包括:将当前帧视频图像由RGB转换到HIS颜色空间;
提取HIS图像的I、H、S分量,基于H、S分量将当前帧视频图像和背景图像进行差分运算,得到背景差分图像的灰度图;将所述灰度图像进行最大类间阈值分割,得到最佳分割阈值;利用最佳分割阈值对所述灰度图进行二值化处理;最后用形态学方法获得当前帧图像的第一前景目标轮廓S1;
所述第二进程采用分水岭模型提取每一帧视频图像的第二前景目标轮廓包括:创建新的第二进程,对当前帧图像进行边缘检测,对获得的边缘梯度值进行分水岭分割,获得所述第二前景目标轮廓;为防止欠分割,本发明增强了边缘梯度值,增强梯度值的算法如下:
S2=watershed(G) (公式2)
所述边缘检测的算子包括:Robert算子或Prewitt算子或Sobel算子。
所述利用所述第一前景目标轮廓和所述第二前景目标轮廓进行融合,包括:
S_final表示最终提取的视频对象轮廓。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
一种包含上述各实施例的基于物联网的运输数据采集方法的计算机可执行指令的存储介质,所述存储介质上存储有能实现上述方法的程序指令。上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.一种超高清低延时视频控制方法,所述方法包括以下步骤:
A.第一进程采用HIS图像分割方法,获得当前视频帧的第一前景目标轮廓;
B.第二进程采用分水岭模型提取当前视频帧的第二前景目标轮廓;为防止欠分割,增强了边缘梯度值,增强梯度值的算法如下:
C.利用所述第一前景目标轮廓和所述第二前景目标轮廓进行融合,得到最终提取的视频对象轮廓;
所述获得当前视频帧通过以下方式得到:
1)接收各标清视频帧,增强处理后获得第一增强图像IRGB;
2)获得所述增强处理后的每帧图像的相对亮度值;根据所述相对亮度值,获得增强调节系数;
3)根据所述第一增强图像IRGB和所述增强调节系数,获得各个像素点的第二增强图像IFINAL;
4)将所述第二增强图像IFINAL经过两级或多级的转换处理后,获得放大的超高清视频信号;
具体的,所述增强处理后获得第一增强图像IRGB,包括:将所述标清视频帧转换到HIS空间,先对I分量图像进行图像增强,得到IE(x,y);再对H、S分量进行增强;将增强后的HIS色彩空间图像转到RGB色彩空间图像,获得第一增强图像IRGB;
所述IE(x,y)计算方法如下:
其中,D表示以像素点(x,y)为中心的窗口内像素点的集合,窗口大小选择5*5或3*3;m,n分别代表坐标值;I(x,y)是图像中I分量,IE(x,y)为处理后的图像分量;Imax表示D窗口集合内的最大亮度值;Imin表示D窗口集合内的最小亮度值;
所述相对亮度值的计算方法如下:
所述增强调节系数计算方法如下:
所述根据所述第一增强图像IRGB和所述增强调节系数,获得各个像素点的第二增强图像IFINAL的计算方法如下;
其中,IFINAL(x,y)为输出图像中像素点(x,y)的RGB值。
3.一种超高清低延时视频控制系统,所述系统包括以下处理单元:
第一前景目标轮廓获取单元,其中,第一进程采用HIS图像分割方法,获得当前视频帧的第一前景目标轮廓;
第二前景目标轮廓获取单元,其中,第二进程采用分水岭模型提取当前视频帧的第二前景目标轮廓,所述第一进程和第二进程并发运行,通过设置帧编号同步两个进程,使用时间较短的当前帧处理进程可以等待使用时间较长的当前帧处理进程;
高清视频前景获取单元,其中,利用所述第一前景目标轮廓和所述第二前景目标轮廓进行融合,得到最终提取的视频对象轮廓;
所述获得当前视频帧通过以下方式得到:
1)接收各标清视频帧,增强处理后获得第一增强图像IRGB;
2)获得所述增强处理后的每帧图像的相对亮度值;根据所述相对亮度值,获得增强调节系数;
3)根据所述第一增强图像IRGB和所述增强调节系数,获得各个像素点的第二增强图像IFINAL;
4)将所述第二增强图像IFINAL经过两级或多级的转换处理后,获得放大的超高清视频信号;
具体的,所述增强处理后获得第一增强图像IRGB,包括:将所述标清视频帧转换到HIS空间,先对I分量图像进行图像增强,得到IE(x,y);再对H、S分量进行增强;将增强后的HIS色彩空间图像转到RGB色彩空间图像,获得第一增强图像IRGB;
所述IE(x,y)计算方法如下:
所述对H、S分量增强的方法如下:
其中,D表示以像素点(x,y)为中心的窗口内像素点的集合,窗口大小选择5*5或3*3;m,n分别代表坐标值;I(x,y)、H(x,y)、S(x,y)分别是图像中I、H、S分量,IE(x,y)、HE(x,y)、SE(x,y)分别为处理后的图像分量;Imax表示D窗口集合内的最大亮度值;Imin表示D窗口集合内的最小亮度值;
所述相对亮度值的计算方法如下:
所述增强调节系数计算方法如下:
所述根据所述第一增强图像IRGB和所述增强调节系数,获得各个像素点的第二增强图像IFINAL的计算方法如下;
其中,IFINAL(x,y)为输出图像中像素点(x,y)的RGB值。
4.根据权利要求3所述的系统,所述系统进一步包括:所述第一进程采用HIS图像分割方法,获得当前视频帧的第一前景目标轮廓包括:将当前帧视频图像由RGB转换到HIS颜色空间;提取HIS图像的I、H、S分量,基于H、S分量将当前帧视频图像和背景图像进行差分运算,得到背景差分图像的灰度图;将所述灰度图像进行最大类间阈值分割,得到最佳分割阈值;利用最佳分割阈值对所述灰度图进行二值化处理;最后用形态学方法获得当前帧图像的第一前景目标轮廓S1。
7.根据权利要求6所述的系统,所述系统进一步包括:所述边缘检测的算子包括:Robert算子或Prewitt算子或Sobel算子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910868687.3A CN110570441B (zh) | 2019-09-16 | 2019-09-16 | 一种超高清低延时视频控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910868687.3A CN110570441B (zh) | 2019-09-16 | 2019-09-16 | 一种超高清低延时视频控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570441A CN110570441A (zh) | 2019-12-13 |
CN110570441B true CN110570441B (zh) | 2020-07-24 |
Family
ID=68779921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910868687.3A Active CN110570441B (zh) | 2019-09-16 | 2019-09-16 | 一种超高清低延时视频控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570441B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348085B (zh) * | 2020-11-06 | 2024-04-09 | 广西电网有限责任公司钦州供电局 | 一种电力数据监测系统与方法 |
CN115471473A (zh) * | 2022-09-15 | 2022-12-13 | 广东艾依格家居有限公司 | 一种家具板材瑕疵检测系统及方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8638395B2 (en) * | 2009-06-05 | 2014-01-28 | Cisco Technology, Inc. | Consolidating prior temporally-matched frames in 3D-based video denoising |
CN104427218B (zh) * | 2013-09-02 | 2017-11-21 | 北京计算机技术及应用研究所 | 超高清ccd图像多通道采集与实时传输系统及方法 |
CN104268872B (zh) * | 2014-09-25 | 2017-05-17 | 北京航空航天大学 | 基于一致性的边缘检测方法 |
US9558561B2 (en) * | 2015-01-06 | 2017-01-31 | Varian Medical Systems International Ag | Semiautomatic drawing tool for image segmentation |
CN104751422B (zh) * | 2015-03-12 | 2016-04-06 | 中南大学 | 一种影印文档图像增强及二值化方法 |
CN104658003A (zh) * | 2015-03-16 | 2015-05-27 | 北京理工大学 | 舌体图像的分割方法和装置 |
JP6754993B2 (ja) * | 2016-09-28 | 2020-09-16 | パナソニックIpマネジメント株式会社 | 車載映像表示装置、車載映像表示方法、およびプログラム |
US10382680B2 (en) * | 2016-10-31 | 2019-08-13 | Verizon Patent And Licensing Inc. | Methods and systems for generating stitched video content from multiple overlapping and concurrently-generated video instances |
CN107292830B (zh) * | 2016-12-28 | 2020-09-25 | 首都师范大学 | 低照度图像增强及评价方法 |
CN107948546B (zh) * | 2017-11-09 | 2020-07-31 | 中国航空无线电电子研究所 | 一种低延迟视频混合装置 |
CN108154523B (zh) * | 2017-12-25 | 2018-12-18 | 北京航空航天大学 | 一种机载光电平台中的实时目标跟踪系统及方法 |
CN109996013B (zh) * | 2019-05-31 | 2019-08-16 | 南京巨鲨显示科技有限公司 | 一种低延时视频拼接方法、装置和系统 |
-
2019
- 2019-09-16 CN CN201910868687.3A patent/CN110570441B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110570441A (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9661239B2 (en) | System and method for online processing of video images in real time | |
US9652829B2 (en) | Video super-resolution by fast video segmentation for boundary accuracy control | |
US10979622B2 (en) | Method and system for performing object detection using a convolutional neural network | |
WO2020003037A1 (en) | Motion compensation of geometry information | |
CN112308095A (zh) | 图片预处理及模型训练方法、装置、服务器及存储介质 | |
US8718356B2 (en) | Method and apparatus for 2D to 3D conversion using scene classification and face detection | |
US20170280073A1 (en) | Systems and Methods for Reducing Noise in Video Streams | |
WO2019057041A1 (zh) | 用于实现图像增强的方法、装置和电子设备 | |
WO2020207203A1 (zh) | 一种前景数据生成及其应用方法、相关装置和系统 | |
KR20180087918A (ko) | 실감형 인터랙티브 증강현실 가상체험 학습 서비스 방법 | |
KR20150031241A (ko) | 이미지의 색 조화를 위한 장치 및 방법 | |
CN110570441B (zh) | 一种超高清低延时视频控制方法及系统 | |
WO2023284401A1 (zh) | 图像美颜处理方法、装置、存储介质与电子设备 | |
WO2020108060A1 (zh) | 视频处理方法、装置、电子设备以及存储介质 | |
CN112016469A (zh) | 图像处理方法及装置、终端及可读存储介质 | |
WO2012163743A1 (en) | Method and device for retargeting a 3d content | |
US11127111B2 (en) | Selective allocation of processing resources for processing image data | |
US8600157B2 (en) | Method, system and computer program product for object color correction | |
WO2020108010A1 (zh) | 视频处理方法、装置、电子设备以及存储介质 | |
WO2019037471A1 (zh) | 视频处理方法、视频处理装置以及终端 | |
US20200074722A1 (en) | Systems and methods for image style transfer utilizing image mask pre-processing | |
CN108961182B (zh) | 针对视频图像的竖直方向灭点检测方法及视频扭正方法 | |
WO2020087434A1 (zh) | 一种人脸图像清晰度评价方法及装置 | |
CN106303366B (zh) | 一种基于区域分类编码的视频编码的方法及装置 | |
US11627278B2 (en) | High dynamic range video format detection |
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 |