CN110648278B - 一种图像的超分辨率处理方法、系统及设备 - Google Patents
一种图像的超分辨率处理方法、系统及设备 Download PDFInfo
- Publication number
- CN110648278B CN110648278B CN201910852583.3A CN201910852583A CN110648278B CN 110648278 B CN110648278 B CN 110648278B CN 201910852583 A CN201910852583 A CN 201910852583A CN 110648278 B CN110648278 B CN 110648278B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- engine
- target
- processing
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 214
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000015654 memory Effects 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 16
- 238000003860 storage Methods 0.000 description 8
- 239000000872 buffer Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06T3/4053—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
- G06T3/4076—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 using the original low-resolution images to iteratively correct the high-resolution images
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/387—Composing, repositioning or otherwise geometrically modifying originals
- H04N1/3876—Recombination of partial images to recreate the original image
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/387—Composing, repositioning or otherwise geometrically modifying originals
- H04N1/393—Enlarging or reducing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/95—Computational photography systems, e.g. light-field imaging systems
- H04N23/951—Computational photography systems, e.g. light-field imaging systems by using two or more images to influence resolution, frame rate or aspect ratio
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像的超分辨率处理方法、系统及设备,其中,提供有多个不同分辨率的图像处理引擎,所述图像处理引擎中包括常规引擎和特殊引擎,所述方法包括:获取待处理的目标图像,并根据所述目标图像的分辨率,判断所述常规引擎中是否存在与所述目标图像相匹配的目标引擎;若存在所述目标引擎,选用所述目标引擎对所述目标图像进行超分辨率处理;若不存在所述目标引擎,将所述目标图像的分辨率预处理为所述特殊引擎限定的输入分辨率,并选用所述特殊引擎对预处理后的目标图像进行超分辨率处理。本申请提供的技术方案,能够有效地对大多数的图像进行超分辨率处理。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种图像的超分辨率处理方法、系统及设备。
背景技术
伴随着人工智能的快速发展,超分辨率(Super-Resolution,SR)重建的需求也大幅提升。比如一些年代久远的视频,分辨率较低,为了满足大屏高清播放的需求,就需要对这些视频进行SR重建。另外,一些高清图片传输过程中会受网速或者带宽的限制而被降低分辨率,当传输至终端设备时,也需要还原出分辨率较高的原始图片进行查看。还有一些监控领域,对于比较模糊的监控画面,急需还原出高清画质。
目前,可以采用超分辨模型对图像进行超分辨率处理。为了提高超分辨模型的处理速度,可以利用TensorRT对超分辨模型进行分解和融合,从而得到处理速度较快的图像处理引擎(engine)。然而,当前的图像处理引擎,往往会限定输入的图像分辨率,这样会导致图像处理引擎的适用面较窄,无法应对实际场景中各式各样的图像。
发明内容
本申请的目的在于提供一种图像的超分辨率处理方法、系统及设备,能够有效地对大多数的图像进行超分辨率处理。
为实现上述目的,本申请一方面提供一种图像的超分辨率处理方法,提供有多个不同分辨率的图像处理引擎,所述图像处理引擎中包括常规引擎和特殊引擎,所述方法包括:获取待处理的目标图像,并根据所述目标图像的分辨率,判断所述常规引擎中是否存在与所述目标图像相匹配的目标引擎;若存在所述目标引擎,选用所述目标引擎对所述目标图像进行超分辨率处理;若不存在所述目标引擎,将所述目标图像的分辨率预处理为所述特殊引擎限定的输入分辨率,并选用所述特殊引擎对预处理后的目标图像进行超分辨率处理。
为实现上述目的,本申请另一方面还提供一种图像的超分辨率处理系统,所述系统提供有多个不同分辨率的图像处理引擎,所述图像处理引擎中包括常规引擎和特殊引擎,所述系统包括:引擎匹配单元,用于获取待处理的目标图像,并根据所述目标图像的分辨率,判断所述常规引擎中是否存在与所述目标图像相匹配的目标引擎;超分辨率处理单元,用于若存在所述目标引擎,选用所述目标引擎对所述目标图像进行超分辨率处理;若不存在所述目标引擎,将所述目标图像的分辨率预处理为所述特殊引擎限定的输入分辨率,并选用所述特殊引擎对预处理后的目标图像进行超分辨率处理。
为实现上述目的,本申请另一方面还提供一种图像的超分辨率处理设备,所述设备包括处理器和存储器,所述存储器用于存储计算机程序,所述计算机程序被所述处理器执行时,实现上述的图像的超分辨率处理方法。
由上可见,本申请一个或者多个实施方式提供的技术方案,可以预先提供多个不同分辨率的图像处理引擎。在这些不同的图像处理引擎中可以包括常规引擎和特殊引擎。其中,常规引擎对应的分辨率,可以是比较常见的图像分辨率。例如480*640、640*480、1080*1920这些图像分辨率。而特殊引擎对应的分辨率,则可以是较大的、不太常见的图像分辨率。例如特殊引擎可以对应2000*2000这样的分辨率。当获取到待处理的目标图像后,可以识别目标图像的分辨率,并可以根据识别得到的分辨率,尝试从常规引擎中查询到相匹配的目标引擎。如果能够查询到目标引擎,则可以选用该目标引擎对目标图像进行超分辨率处理。而如果常规引擎无法满足目标图像的分辨率,则可以选用特殊引擎对目标图像进行超分辨率处理。由于特殊引擎的输入分辨率并不常见,因此需要将目标图像的分辨率预处理为特殊引擎的输入分辨率。这样,特殊引擎便可以正常对预处理后的目标图像进行超分辨率处理。由上可见,本申请提供的技术方案,通过提供常规引擎和特殊引擎的组合,可以对大多数的图像进行超分辨率处理,从而提高了超分辨率处理的适用面。
附图说明
为了更清楚地说明本发明实施方式中的技术方案,下面将对实施方式描述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发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施方式中图像处理引擎的创建步骤示意图;
图2是本发明实施方式中图像处理模型的示意图;
图3是本发明实施方式中经过合并和删除的图像处理模型的示意图;
图4是本发明实施方式中经过进一步合并的图像处理模型的示意图;
图5是本发明实施方式中图像的超分辨率处理方法的示意图;
图6是本发明实施方式中对目标图像的裁剪示意图;
图7是本发明实施方式中对目标图像的超分辨率处理的示意图;
图8是本发明实施方式中图像的超分辨率处理设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施方式及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施方式仅是本申请一部分实施方式,而不是全部的实施方式。基于本申请中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本申请保护的范围。
本申请提供一种图像的超分辨率处理方法,该方法可以预先提供多个不同分辨率的图像处理引擎。请参阅图1,在实际应用中,图像处理引擎可以按照以下步骤方式得到。
S01:获取输入的图像处理模型,并解析所述图像处理模型中的各个网络层以及所述各个网络层之间的连接关系。
在本实施方式中,图像处理模型可以是通过机器学习算法,基于大量的图像训练样本训练得到的模型。在实际应用中,图像处理模型例如可以包括SRCNN(Super-Resolution Convolutional Neural Network,超分辨率卷积神经网络)、FSRCNN(FastSRCNN,快速SRCNN)、ESPCN(Efficient Sub-Pixel Convolutional Network,亚像素卷积神经网络)、DRCN(Deeply-Recursive Convolutional Network,深度递归卷积神经网络)等模型。在这些图像处理模型中,通常可以包括卷积层、激活层、偏置层、池化层、全连接层、归一化层等网络层。不同的网络层可以通过串联或者并联的方式进行连接。例如在图2所述的一个图像处理模型中,输入的数据通过不同的支路,经过卷积层、偏置层、激活层、池化层等网络层后,得到的结果被连接拼接(concat)到一起,作为下一级的输入。
在本实施方式中,可以借助于TensorRT对上述的图像处理模型进行解析。具体地,可以将上述的图像处理模型输入TensorRT中。针对输入的图像处理模型,可以解析出其中的各个网络层,以及各个网络之间的连接关系。例如,图2中的可以包括并联的四条支路,在每条支路中,网络层之间都是串联的连接关系。
需要说明的是,TensorRT往往具备自身支持的格式,为了使得TensoRT能够正常对输入的图像处理模型进行解析,可以将输入的图像处理模型,转换为TensorRT支持的数据格式。例如,可以将图像处理模型转换为uff、caffe或者onnx的格式。
S03:根据解析得到的所述网络层的类型,对所述各个网络层进行合并和/或删除,得到精简的图像处理模型。
在本实施方式中,图像处理模型中的网络层在工作时,通常都会进行接口调用。例如,图像处理模型在GPU(Graphics Processing Unit,图形处理器)上运行时,卷积层、偏置层和激活层这三层需要调用三次cuDNN(cuda CNN)的接口。但实际上,这三层是完全可以合并到一起,从而只调用一次接口。此外,对于concat这一层,在实际应用中也是没有必要的,因此这一层其实可以取消掉。鉴于此,在解析得到各个网络层的类型后,为了进一步地精简图像处理模型,提高图像处理的速度,可以对各个网络层进行合并和/或删除。具体地,可以将卷积层、偏置层以及激活层合并为一个网络层,并可以删除concat层。这样,经过上述的处理,可以得到如图3所示的网络结构。进一步地,还可以将三个1*1合并层合并为一个更大的1*1合并层,从而得到如图4所示的网络结构。
S05:根据所述各个网络层之间的连接关系,对所述精简的图像处理模型中的网络层进行并发处理,以得到所述图像处理模型对应的图像处理引擎。
在本实施方式中,为了进一步提高图像处理的速度,在完成了网络层的合并和/或删除后,还可以根据网络层之间的连接关系,对精简后的图像处理引擎进行并发处理。例如,在图4中,可以将虚线框内的两条支路进行并发处理。这两个虚线框内的处理流程可以并发进行,从而节省了图像处理的时间,提高了图像处理的速度。
在本实施方式中,在经过网络层的解析、合并、删除,以及并发处理的步骤后,便可以得到图像处理模型对应的图像处理引擎。当然,在实际应用中,为了存储图像处理引擎,需要对图像处理引擎进行序列化处理。在序列化处理的过程中,通常需要指定图像处理引擎的输入分辨率。这样,在序列化处理后,图像处理引擎便只能处理符合输入分辨率的图像。具体地,可以确定图像处理引擎适用的分辨率,该分辨率通常是由人工根据实际需求来确定的。后续,可以按照确定的分辨率,将图像处理引擎序列化至内存(buffer)或者文件(file)中。当需要使用图像处理引擎时,可以从内存文件中将图像处理引擎的数据反序列化为图像处理引擎,从而通过反序列化得到的图像处理引擎进行超分辨率处理。
在一个实施方式中,在针对同一个图像处理模型解析得到图像处理引擎后,可以在序列化操作时,通过输入不同的分辨率,从而可以基于同一个图像处理模型,序列化多个不同分辨率的图像处理引擎。这些基于同一个图像处理模型得到的多个不同分辨率的图像处理引擎,可以作为常规引擎。常规引擎对应的分辨率,都可以是常见的图像分辨率。例如,可以是480*640、640*480、1080*1920这些图像分辨率。这样,基于相同的图像处理模型解析得到各个常规引擎,可以简化常规引擎的创建过程,从而提高常规引擎的创建效率。而针对不太常见的图像分辨率,一方面也可以基于同一个图像处理模型解析得到。例如,可以在序列化时,将分辨率设定为2000*2000,从而序列化得到一个特殊引擎。只不过,在训练图像处理模型时,采用的图像训练样本往往是大量的常规图像,因此基于同一个图像处理模型解析得到多个不同的常规引擎时,能够保证不同的常规引擎能够正常地对常规图像进行处理。但是,由于特殊引擎的输入分辨率不太常见,因此图像处理模型对这种不太常见的图像可能无法高效地进行处理,进而导致基于同一个图像处理模型解析得到的特殊引擎可能会具备较低的图像处理速度。鉴于此,若基于相同的图像处理模型解析得到的特殊引擎在进行超分辨率处理时,处理速度小于指定速度阈值,那么可以舍弃该相同的图像处理模型,并针对特殊引擎,单独进行图像处理模型的训练过程,得到另一个图像处理模型。其中,上述的指定速度阈值,可以根据历史经验灵活设定,例如可以是50ms。
在本实施方式中,在针对特殊引擎单独进行图像处理模型的训练过程时,可以获取与所述特殊引擎限定的输入分辨率相匹配的图像训练样本,并按照机器学习算法,根据获取到的图像训练样本训练得到新的图像处理模型。后续,便可以根据所述新的图像处理模型解析得到所述特殊引擎。这样,由于图像训练样本发生了改变,从而可以使得特殊引擎能够高效地处理不太常见的图像。
在一个实施方式中,如果需要选用其中的一个或者多个引擎进行图像处理,可以针对每个引擎,创建实例化对象(context),该实例化对象可以为引擎分配图像处理过程中所需的资源,例如所需的GPU比例,所占用的内存大小等,从而保证引擎能够正常完成超分辨率处理的过程。
在实际应用中,各个图像处理引擎在进行超分辨率处理时,都需要占用临时缓存。通常而言,系统的总缓存是固定的,图像处理引擎占用的临时缓存越多,那么同一时间并行操作的图像处理引擎的数量变越少。鉴于此,在一个实施方式中,在为各个图像处理引擎分配临时显存时,可以将临时显存设定为满足图像处理引擎工作需求的最小显存。这样,可以保证同一时间并行操作的图像处理引擎的数量最大化,进而能够提高超分辨率处理的整体效率。
在本申请中,上述的常规引擎和特殊引擎,可以在超分辨率处理过程之前都完成创建。在具备了这些图像处理引擎后,请参阅图5,图像的超分辨率处理方法可以包括以下步骤。
S11:获取待处理的目标图像,并根据所述目标图像的分辨率,判断所述常规引擎中是否存在与所述目标图像相匹配的目标引擎。
在本实施方式中,在获取到待处理的目标图像时,可以识别该目标图像的分辨率。通常而言,该分辨率可以对应目标图像的长和宽(长和宽均为分辨率的单位)。例如,对于分辨率为480*640的目标图像而言,长可以是480,宽可以是640。在识别了目标图像的分辨率之后,便可以将该分辨率与各个常规引擎对应的分辨率进行比较,以确定是否存在与目标图像相匹配的目标引擎。
在实际应用中,可以将目标图像的长和宽,依次与各个常规引擎的分辨率的长和宽进行比较。当然,在比较过程中,只将目标图像的长和常规引擎的分辨率的长进行比较,以及将目标图像的宽和常规引擎的分辨率的宽进行比较。若目标图像的长和宽,分别小于或者等于某个常规引擎的分辨率的长和宽,便可以视为该常规引擎的分辨率覆盖了目标图像的分辨率。而如果目标图像的长和宽中,只要有一个大于常规引擎的分辨率的长或者宽,那么便判定该常规引擎的分辨率没有覆盖目标图像的分辨率。举例说明,目标图像的分辨率为480*640,那么对于分辨率为1080*1920的常规引擎而言,该常规引擎的分辨率便覆盖了目标引擎的分辨率;而对于分辨率为640*480的常规引擎而言,尽管常规引擎的分辨率的长大于目标图像的长,但是常规引擎的分辨率的宽却小于目标图像的宽,因此该常规引擎的分辨率便没有覆盖目标引擎的分辨率。
在一个实施方式中,可以识别各个常规引擎对应的分辨率,并判断在各个常规引擎中,是否存在分辨率覆盖目标图像的分辨率的候选引擎。若存在,可以将分辨率最小的候选引擎作为与目标图像相匹配的目标引擎。这样处理的目的在于,使得目标引擎对应的分辨率,最贴合目标图像的分辨率,从而便于后续的超分辨率处理过程。而若在常规引擎中不存在上述的候选引擎,则可以判定所述常规引擎中不存在与所述目标图像相匹配的目标引擎。
S13:若存在所述目标引擎,选用所述目标引擎对所述目标图像进行超分辨率处理;若不存在所述目标引擎,将所述目标图像的分辨率预处理为所述特殊引擎限定的输入分辨率,并选用所述特殊引擎对预处理后的目标图像进行超分辨率处理。
在本实施方式中,若存在与目标图像相匹配的目标引擎,可以选用该目标引擎对目标图像进行超分辨率处理。在实际应用中,如果目标图像的分辨率与目标引擎的输入分辨率一致,那么可以直接将目标图像输入目标引擎进行处理。然而,如果目标图像的分辨率小于目标引擎的输入分辨率,那么可以对目标图像进行预处理,将目标图像转换为符合目标引擎的输入分辨率的图像。具体地,可以构建包含目标图像的重构图像。该重构图像的分辨率可以与目标引擎对应的分辨率保持一致。在所述重构图像中可以包括两部分区域,一部分是由目标图像占据的区域,另一部分是由指定像素值的像素点填充的区域。这样,在重构图像中,除目标图像以外的区域都可以用上述的指定像素值的像素点填充。在实际应用中,为了后续能够将两部分区域的图像进行区分,上述的指定像素值可以是0,当然,随着应用场景的变化,指定像素值也可以发生变化。例如,指定像素值可以是表征绿色的数值,这样,后续可以通过抠图技术,将绿色区域抠除,从而得到需要的目标图像对应的区域。
在本实施方式中,可以将得到的重构图像直接输入目标引擎中,以进行超分辨率处理。处理得到的超分辨率图像中,可以包括目标图像对应的区域,同时也会包括由指定像素值的像素点填充的区域。后续,可以在超分辨率图像中提取出目标图像对应的有效区域,并将该有效区域作为目标图像经过超分辨率处理后得到的图像。具体地,在提取有效区域时,可以在超分辨率图像中识别出指定像素值构成的区域,并将这部分区域滤除,从而可以提取出目标图像对应的有效区域。此外,还可以通过边缘识别技术,在超分辨率图像中识别出明显的边缘,从而可以将边缘划分的两部分区域割裂开,并将其中非单色填充的区域作为目标图像对应的有效区域。
在一个实施方式中,如果常规引擎中没有与目标图像相匹配的目标引擎,那么可以选用特殊引擎对目标图形进行超分辨率处理。由于特殊引擎的输入分辨率比较罕见,目标图像的分辨率通常与特殊引擎的输入分辨率不一致,此时需要将目标图像的分辨率预处理为特殊引擎限定的输入分辨率,这样便可以选用特殊引擎对预处理后的目标图像进行超分辨率处理。
在实际应用中,对目标图像的预处理可以包括多种方式。例如在一个实施方式中,可以采用图像插值技术,对目标图像进行插值运算,从而将目标图像转换为与特殊引擎的输入分辨率保持一致的插值图像。具体地,可以按照最邻近插值法、双线性内插值法或者三次卷积法来实现目标图像的插值运算。得到插值图像后,可以利用所述特殊引擎对所述插值图像进行超分辨率处理,从而得到所述插值图像对应的超分辨率图像。由于该超分辨率图像其实是与插值图像相对应的,而不是与目标图像相对应,因此,在得到插值图像对应的超分辨率图像后,还需要对该超分辨率图像进行还原,才能得到目标图像对应的超分辨率图像。具体地,对超分辨率图像进行还原的过程,可以与插值运算的过程相反,参考插值运算过程中的插值系数,可以对插值图像对应的超分辨率图像进行还原处理,以得到目标图像对应的超分辨率图像。例如,在最邻近插值法中,可以确定出目标图像与插值图像之间的变换矩阵,该变换矩阵便可以作为插值系数。在得到插值图像对应的超分辨率图像后,可以将该超分辨率图像与变换矩阵的逆矩阵进行运算,从而还原出目标图像对应的超分辨率图像。当然,随着插值运算时采用的算法不同,插值系数也可以不同,这里便不再一一例举。
在另一个实施方式中,若所述特殊引擎的输入分辨率覆盖所述目标图像的分辨率,那么可以参考常规引擎的方法,构建包含所述目标图像的重构图像,其中,所述重构图像的分辨率与所述特殊引擎的输入分辨率保持一致,并且在所述重构图像中除所述目标图像以外的区域,用指定像素值的像素点填充。后续,可以利用所述特殊引擎对所述重构图像进行超分辨率处理后,从处理得到的超分辨率图像中提取出所述目标图像对应的有效区域,并将所述有效区域作为所述目标图像经过超分辨率处理后得到的图像。
其中,关于重构图像的构建过程,以及有效区域的提取过程,均可以参考常规引擎的步骤,这里便不再一一赘述。
在另一个实施方式中,如果所述目标图像的分辨率覆盖所述特殊引擎的输入分辨率,那么可以对目标图像进行裁剪,从而得到与特殊引擎的输入分辨率一致的裁剪图像。在实际应用中,在对目标图像进行裁剪时,为了不遗漏目标图像中的主要内容,可以识别所述目标图像中的特征目标,并将所述目标图像裁剪为包含所述特征目标的裁剪图像。这样,裁剪得到的裁剪图像中,便不会遗漏目标图像中原始的主要内容。裁剪得到的裁剪图像的分辨率也可以与所述特殊引擎的输入分辨率保持一致,从而可以直接利用特殊引擎对裁剪图像进行超分辨率处理。
在实际应用中,在识别目标图像中的特征目标时,可以按照人眼视觉原理,从目标图像中将人眼关注的对象作为目标图像中的特征目标。后续,可以将该特征目标为中心进行裁剪。具体地,请参阅图6,目标图像按照特征目标的识别和裁剪后,可以得到裁剪图像(阴影标注的部分)和剩余图像(空白部分)。对于裁剪图像,可以输入特殊引擎中进行超分辨率处理,从而得到裁剪图像对应的超分辨率图像。为了还原出原始的目标图像的内容,可以确定该超分辨率图像与输入的裁剪图像之间的分辨率比例,并按照该分辨率比例对所述目标图像中除所述裁剪图像以外的区域(也就是剩余图像)进行缩放。这样,缩放后的剩余图像的区域从而可以在尺寸上与裁剪图像对应的超分辨率图像保持一致。通过将缩放后的区域与裁剪图像对应的超分辨率图像进行拼接,从而可以还原出目标图像中的全部内容,这样,便可以得到目标图像经过超分辨率处理后得到的图像。只不过在该图像中,只有裁剪图像对应的区域是经过超分辨率处理的,而其它区域只是进行了缩放,并没有进行超分辨率处理。这样处理的益处在于,针对人眼关注的区域,可以具备较高的分辨率,而对于人眼不关注的区域,则无需具备较高的分辨率,既达到了超分辨率处理的效果,又减少了超分辨率处理的数据量,提高了超分辨率处理的效率。
当然,在实际应用中,针对特殊引擎的处理过程,上述的插值运算、指定像素值填充以及裁剪的三种方式,可以组合使用。例如,在图7中,实线限定的区域为目标图像,虚线限定的区域是特殊引擎的输入分辨率。可见,目标图像有一部分超出了特殊引擎限定的范围,但剩余的部分也无法填满特殊引擎限定的范围。在这种情况下,可以将对目标图像进行裁剪,得到如阴影所示的裁剪图像,然后针对该裁剪图像,一方面可以采用插值运算,另一方面可以采用指定像素值填充,从而将裁剪图像的分辨率转换为特殊引擎的输入分辨率。后续,经过特殊引擎进行超分辨率处理后,可以对得到的超分辨率图像进行有效区域的提取(或者按照插值系数进行还原),再进行剩余区域的拼接,从而可以得到目标图像对应的超分辨率图像。
本申请还提供一种图像的超分辨率处理系统,所述系统提供有多个不同分辨率的图像处理引擎,所述图像处理引擎中包括常规引擎和特殊引擎,所述系统包括:
引擎匹配单元,用于获取待处理的目标图像,并根据所述目标图像的分辨率,判断所述常规引擎中是否存在与所述目标图像相匹配的目标引擎;
超分辨率处理单元,用于若存在所述目标引擎,选用所述目标引擎对所述目标图像进行超分辨率处理;若不存在所述目标引擎,将所述目标图像的分辨率预处理为所述特殊引擎限定的输入分辨率,并选用所述特殊引擎对预处理后的目标图像进行超分辨率处理。
请参阅图8,本申请还提供一种图像的超分辨率处理设备,所述设备包括处理器和存储器,所述存储器用于存储计算机程序,所述计算机程序被所述处理器执行时,可以实现上述的图像的超分辨率处理方法。
在本实施方式中,所述存储器可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方法的媒体加以存储。本实施方式所述的存储器又可以包括:利用电能方式存储信息的装置,如RAM或ROM等;利用磁能方式存储信息的装置,如硬盘、软盘、磁带、磁芯存储器、磁泡存储器或U盘;利用光学方式存储信息的装置,如CD或DVD。当然,还有其他方式的存储器,例如量子存储器或石墨烯存储器等等。
在本实施方式中,所述处理器可以按任何适当的方式实现。例如,所述处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。
由上可见,本申请一个或者多个实施方式提供的技术方案,可以预先提供多个不同分辨率的图像处理引擎。在这些不同的图像处理引擎中可以包括常规引擎和特殊引擎。其中,常规引擎对应的分辨率,可以是比较常见的图像分辨率。例如480*640、640*480、1080*1920这些图像分辨率。而特殊引擎对应的分辨率,则可以是较大的、不太常见的图像分辨率。例如特殊引擎可以对应2000*2000这样的分辨率。当获取到待处理的目标图像后,可以识别目标图像的分辨率,并可以根据识别得到的分辨率,尝试从常规引擎中查询到相匹配的目标引擎。如果能够查询到目标引擎,则可以选用该目标引擎对目标图像进行超分辨率处理。而如果常规引擎无法满足目标图像的分辨率,则可以选用特殊引擎对目标图像进行超分辨率处理。由于特殊引擎的输入分辨率并不常见,因此需要将目标图像的分辨率预处理为特殊引擎的输入分辨率。这样,特殊引擎便可以正常对预处理后的目标图像进行超分辨率处理。由上可见,本申请提供的技术方案,通过提供常规引擎和特殊引擎的组合,可以对大多数的图像进行超分辨率处理,从而提高了超分辨率处理的适用面。
本说明书中的各个实施方式均采用递进的方式描述,各个实施方式之间相同相似的部分互相参见即可,每个实施方式重点说明的都是与其他实施方式的不同之处。尤其,针对系统和设备的实施方式来说,均可以参照前述方法的实施方式的介绍对照解释。
本领域内的技术人员应明白,本发明的实施方式可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施方式、完全软件实施方式、或结合软件和硬件方面的实施方式的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施方式的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施方式而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种图像的超分辨率处理方法,其特征在于,提供有多个不同分辨率的图像处理引擎,所述图像处理引擎中包括常规引擎和特殊引擎,所述方法包括:
获取待处理的目标图像,并根据所述目标图像的分辨率,判断所述常规引擎中是否存在与所述目标图像相匹配的目标引擎;
若存在所述目标引擎,选用所述目标引擎对所述目标图像进行超分辨率处理;若不存在所述目标引擎,将所述目标图像的分辨率预处理为所述特殊引擎限定的输入分辨率,并选用所述特殊引擎对预处理后的目标图像进行超分辨率处理;
其中,各个所述常规引擎基于相同的图像处理模型解析得到;若基于所述相同的图像处理模型解析得到的特殊引擎在进行超分辨率处理时,处理速度小于指定速度阈值,获取与所述特殊引擎限定的输入分辨率相匹配的图像训练样本,并根据所述图像训练样本训练得到新的图像处理模型后,根据所述新的图像处理模型解析得到所述特殊引擎;
所述判断所述常规引擎中是否存在与所述目标图像相匹配的目标引擎包括:识别各个所述常规引擎对应的分辨率,并判断在所述常规引擎中,是否存在分辨率覆盖所述目标图像的分辨率的候选引擎;若存在,将分辨率最小的候选引擎作为与所述目标图像相匹配的目标引擎;若不存在,判定所述常规引擎中不存在与所述目标图像相匹配的目标引擎。
2.根据权利要求1所述的方法,其特征在于,所述图像处理引擎按照以下方式得到:
获取输入的图像处理模型,并解析所述图像处理模型中的各个网络层以及所述各个网络层之间的连接关系;
根据解析得到的所述网络层的类型,对所述各个网络层进行合并和/或删除,得到精简的图像处理模型;
根据所述各个网络层之间的连接关系,对所述精简的图像处理模型中的网络层进行并发处理,以得到所述图像处理模型对应的图像处理引擎。
3.根据权利要求2所述的方法,其特征在于,在得到所述图像处理模型对应的图像处理引擎之后,所述方法还包括:
确定所述图像处理引擎适用的分辨率,并按照确定的所述分辨率,将所述图像处理引擎序列化至内存或者文件中;其中,当需要使用所述图像处理引擎时,从所述内存或者文件中将所述图像处理引擎的数据反序列化为所述图像处理引擎。
4.根据权利要求1所述的方法,其特征在于,各个所述图像处理引擎在工作过程中被分配临时显存,其中,所述临时显存为满足所述图像处理引擎工作需求的最小显存。
5.根据权利要求1所述的方法,其特征在于,选用所述目标引擎对所述目标图像进行超分辨率处理包括:
若所述目标引擎对应的分辨率高于所述目标图像的分辨率,构建包含所述目标图像的重构图像,其中,所述重构图像的分辨率与所述目标引擎对应的分辨率保持一致,并且在所述重构图像中除所述目标图像以外的区域,用指定像素值的像素点填充;
利用所述目标引擎对所述重构图像进行超分辨率处理后,从处理得到的超分辨率图像中提取出所述目标图像对应的有效区域,并将所述有效区域作为所述目标图像经过超分辨率处理后得到的图像。
6.根据权利要求1所述的方法,其特征在于,所述将所述目标图像的分辨率预处理为所述特殊引擎限定的输入分辨率包括:
若所述特殊引擎的输入分辨率覆盖所述目标图像的分辨率,构建包含所述目标图像的重构图像,其中,所述重构图像的分辨率与所述特殊引擎的输入分辨率保持一致,并且在所述重构图像中除所述目标图像以外的区域,用指定像素值的像素点填充。
7.根据权利要求6所述的方法,其特征在于,选用所述特殊引擎对预处理后的目标图像进行超分辨率处理包括:
利用所述特殊引擎对所述重构图像进行超分辨率处理后,从处理得到的超分辨率图像中提取出所述目标图像对应的有效区域,并将所述有效区域作为所述目标图像经过超分辨率处理后得到的图像。
8.根据权利要求1所述的方法,其特征在于,所述将所述目标图像的分辨率预处理为所述特殊引擎限定的输入分辨率包括:
若所述目标图像的分辨率覆盖所述特殊引擎的输入分辨率,识别所述目标图像中的特征目标,并将所述目标图像裁剪为包含所述特征目标的裁剪图像;其中,所述裁剪图像的分辨率与所述特殊引擎的输入分辨率保持一致。
9.根据权利要求8所述的方法,其特征在于,选用所述特殊引擎对预处理后的目标图像进行超分辨率处理包括:
利用所述特殊引擎对所述裁剪图像进行超分辨率处理,得到所述裁剪图像对应的超分辨率图像;
确定所述超分辨率图像与所述裁剪图像之间的分辨率比例,并按照所述分辨率比例对所述目标图像中除所述裁剪图像以外的区域进行缩放;
将缩放后的区域与所述超分辨率图像进行拼接,得到所述目标图像经过超分辨率处理后得到的图像。
10.根据权利要求1所述的方法,其特征在于,所述将所述目标图像的分辨率预处理为所述特殊引擎限定的输入分辨率包括:
对所述目标图像进行插值运算,以将所述目标图像转换为与所述特殊引擎的输入分辨率保持一致的插值图像;
选用所述特殊引擎对预处理后的目标图像进行超分辨率处理包括:
利用所述特殊引擎对所述插值图像进行超分辨率处理,得到所述插值图像对应的超分辨率图像;
按照插值运算过程中的插值系数,对所述插值图像对应的超分辨率图像进行还原处理,以得到所述目标图像对应的超分辨率图像。
11.一种图像的超分辨率处理系统,其特征在于,所述系统提供有多个不同分辨率的图像处理引擎,所述图像处理引擎中包括常规引擎和特殊引擎,所述系统包括:
引擎匹配单元,用于获取待处理的目标图像,并根据所述目标图像的分辨率,判断所述常规引擎中是否存在与所述目标图像相匹配的目标引擎;
超分辨率处理单元,用于若存在所述目标引擎,选用所述目标引擎对所述目标图像进行超分辨率处理;若不存在所述目标引擎,将所述目标图像的分辨率预处理为所述特殊引擎限定的输入分辨率,并选用所述特殊引擎对预处理后的目标图像进行超分辨率处理;
其中,各个所述常规引擎基于相同的图像处理模型解析得到;若基于所述相同的图像处理模型解析得到的特殊引擎在进行超分辨率处理时,处理速度小于指定速度阈值,获取与所述特殊引擎限定的输入分辨率相匹配的图像训练样本,并根据所述图像训练样本训练得到新的图像处理模型后,根据所述新的图像处理模型解析得到所述特殊引擎;
所述判断所述常规引擎中是否存在与所述目标图像相匹配的目标引擎包括:识别各个所述常规引擎对应的分辨率,并判断在所述常规引擎中,是否存在分辨率覆盖所述目标图像的分辨率的候选引擎;若存在,将分辨率最小的候选引擎作为与所述目标图像相匹配的目标引擎;若不存在,判定所述常规引擎中不存在与所述目标图像相匹配的目标引擎。
12.一种图像的超分辨率处理设备,其特征在于,所述设备包括处理器和存储器,所述存储器用于存储计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1至10中任一所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910852583.3A CN110648278B (zh) | 2019-09-10 | 2019-09-10 | 一种图像的超分辨率处理方法、系统及设备 |
EP19944759.0A EP4016443A1 (en) | 2019-09-10 | 2019-10-09 | Super-resolution processing method for image, system and device |
US17/641,811 US20220327661A1 (en) | 2019-09-10 | 2019-10-09 | Image super-resolution processing method, system, and device |
PCT/CN2019/110157 WO2021046953A1 (zh) | 2019-09-10 | 2019-10-09 | 一种图像的超分辨率处理方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910852583.3A CN110648278B (zh) | 2019-09-10 | 2019-09-10 | 一种图像的超分辨率处理方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110648278A CN110648278A (zh) | 2020-01-03 |
CN110648278B true CN110648278B (zh) | 2021-06-22 |
Family
ID=68991712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910852583.3A Active CN110648278B (zh) | 2019-09-10 | 2019-09-10 | 一种图像的超分辨率处理方法、系统及设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220327661A1 (zh) |
EP (1) | EP4016443A1 (zh) |
CN (1) | CN110648278B (zh) |
WO (1) | WO2021046953A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210312607A1 (en) * | 2018-11-02 | 2021-10-07 | Hewlett-Packard Development Company, L.P. | Print quality assessments |
US12062151B2 (en) * | 2020-03-11 | 2024-08-13 | Mediatek Inc. | Image-guided adjustment to super-resolution operations |
CN114868390A (zh) * | 2020-12-04 | 2022-08-05 | 深圳市大疆创新科技有限公司 | 视频编码方法、解码方法、编码器、解码器以及ai加速器 |
CN112991170B (zh) * | 2021-03-05 | 2024-07-02 | Oppo广东移动通信有限公司 | 图像超分辨率重建的方法、装置、终端及存储介质 |
CN113038267A (zh) * | 2021-03-09 | 2021-06-25 | Oppo广东移动通信有限公司 | 视频处理方法及装置、计算机可读存储介质和电子设备 |
CN116761019A (zh) * | 2023-08-24 | 2023-09-15 | 瀚博半导体(上海)有限公司 | 视频处理方法、系统、计算机设备及计算机可读存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5751038B2 (ja) * | 2010-12-20 | 2015-07-22 | 株式会社リコー | 画像形成装置、画像形成方法、及び集積回路 |
CN103578077B (zh) * | 2013-12-02 | 2016-09-28 | 广东威创视讯科技股份有限公司 | 一种图像缩放处理方法和相关装置 |
CA2969253A1 (en) * | 2015-01-05 | 2016-07-14 | Innomind Technology Corporation | Systems and methods for super-resolution compact ultrasound imaging |
US10504206B2 (en) * | 2016-07-06 | 2019-12-10 | Micro Biz Ventures LLC | Method and system for processing images from a remote image detector |
CN108259997B (zh) * | 2018-04-02 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 图像相关处理方法及装置、智能终端、服务器、存储介质 |
CN109242796A (zh) * | 2018-09-05 | 2019-01-18 | 北京旷视科技有限公司 | 文字图像处理方法、装置、电子设备和计算机存储介质 |
CN114359051A (zh) * | 2022-01-05 | 2022-04-15 | 京东方科技集团股份有限公司 | 图像处理方法及装置和系统、存储介质 |
-
2019
- 2019-09-10 CN CN201910852583.3A patent/CN110648278B/zh active Active
- 2019-10-09 US US17/641,811 patent/US20220327661A1/en active Pending
- 2019-10-09 WO PCT/CN2019/110157 patent/WO2021046953A1/zh unknown
- 2019-10-09 EP EP19944759.0A patent/EP4016443A1/en not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
EP4016443A1 (en) | 2022-06-22 |
US20220327661A1 (en) | 2022-10-13 |
CN110648278A (zh) | 2020-01-03 |
WO2021046953A1 (zh) | 2021-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110648278B (zh) | 一种图像的超分辨率处理方法、系统及设备 | |
CN112330574A (zh) | 人像修复方法、装置、电子设备及计算机存储介质 | |
WO2022133627A1 (zh) | 图像分割方法、装置、设备及存储介质 | |
CN114238904B (zh) | 身份识别方法、双通道超分模型的训练方法及装置 | |
CN110738611A (zh) | 一种视频画质增强方法、系统及设备 | |
US11849242B2 (en) | Dynamically configured processing of a region of interest dependent upon published video data selected by a runtime configuration file | |
CN112184587B (zh) | 一种边缘数据增强模型、以及基于所述模型的高效边缘数据增强方法及系统 | |
CN113221925A (zh) | 一种基于多尺度图像的目标检测方法及装置 | |
CN114375460A (zh) | 实例分割模型的数据增强方法、训练方法和相关装置 | |
CN115270184A (zh) | 视频脱敏、车辆的视频脱敏方法、车载处理系统 | |
CN112489103B (zh) | 一种高分辨率深度图获取方法及系统 | |
US20240040108A1 (en) | Method and system for preprocessing optimization of streaming video data | |
KR102296644B1 (ko) | 단일 이미지 상에서 기 설정된 속성을 제거하여 무잡음 영상을 생성하기 위한 장치 및 이를 위한 방법 | |
CN114494302A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN114663937A (zh) | 模型训练及图像处理方法、介质、装置和计算设备 | |
CN113284074B (zh) | 全景图像的目标对象去除方法、装置、服务器及存储介质 | |
CN112598579B (zh) | 面向监控场景的图像超分辨率方法、装置及存储介质 | |
CN116912345B (zh) | 一种人像动漫化处理方法、装置、设备和存储介质 | |
US11961273B2 (en) | Dynamically configured extraction, preprocessing, and publishing of a region of interest that is a subset of streaming video data | |
KR102684693B1 (ko) | 그래프 기반의 패치 재배열을 통한 적응형 이미지 외삽 방법 및 장치, 컴퓨터 프로그램 | |
CN117994261A (zh) | 图像分割方法、模型训练方法及装置、设备、存储介质 | |
CN116843575A (zh) | 图像降噪方法、芯片和电子设备 | |
KR100966494B1 (ko) | 적응적 대표값을 이용한 영상 데이터 감축 방법 및 장치, 그 기록매체 | |
CN118154425A (zh) | 图像处理方法、装置、设备、介质和程序产品 | |
CN117830078A (zh) | 图像生成方法、装置、设备及存储介质 |
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 |