CN110706167A - 一种遥感图像待修复区域的精细补全处理方法及装置 - Google Patents
一种遥感图像待修复区域的精细补全处理方法及装置 Download PDFInfo
- Publication number
- CN110706167A CN110706167A CN201910913086.XA CN201910913086A CN110706167A CN 110706167 A CN110706167 A CN 110706167A CN 201910913086 A CN201910913086 A CN 201910913086A CN 110706167 A CN110706167 A CN 110706167A
- Authority
- CN
- China
- Prior art keywords
- area
- repaired
- image
- remote sensing
- sampling
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 84
- 238000005070 sampling Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 description 5
- 239000012634 fragment Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种遥感图像待修复区域的精细补全处理方法及装置，方法包括：获取模糊补全后的遥感图像中的待修复区域；根据预设的若干个分辨率对所述待修复区域进行分层，得到若干个对应的分层图像；依次对每个分层图像进行迭代采样处理，得到所述待修复区域的精细补全结果。本发明实施例通过对模糊补全后的遥感图像中的待修复区域进行分层，并对每个分层图像进行迭代采样处理，得到待修复区域的精细补全结果，使得补全效果更逼真。
Description
技术领域
本发明涉及计算机技术领域，具体涉及一种遥感图像待修复区域的精细补全处理方法及装置。
背景技术
为了提高卫星的使用效益，可利用信息隐藏技术来实现分级授权使用，即根据用户的不同权限进行信息的不同程度的隐藏，藉此来提高卫星的使用效能。信息隐藏技术是利用人类的感觉器官对数字信号的感觉冗余，将秘密信息隐藏于另外一个或者分解隐藏于多个表面普通的信息之中。它与传统密码系统的区别在于不但隐藏了信息的内容而且隐藏了信息的存在，在实际应用中二者可以相互配合，即将信息加密后再隐藏，是一种更为有效的保证信息安全的方法。
遥感图像中的信息隐藏属于信息隐藏学的“隐写术”范畴。隐写术是信息隐藏学的一个重要分支，研究如何隐藏机密信息。鉴于遥感影像与一般图像存在着较大的区别和差异，又具有广泛的应用前景，因此遥感图像的信息隐藏技术具有重要的实用价值和研究意义。在信息隐藏之前，首先需要提取目标区域，然后对目标区域进行补全，恢复图像中缺失的信息。
现有技术通常采用简单模糊、添加马赛克或图像自乱的方式进行区域补全，需要借助大量的人工干预，同时造成了“此地无银三百两”的不良效果，隐蔽性较差，使得遥感图像的区域补全效果与理想效果相差甚远。
发明内容
由于现有方法存在上述问题，本发明实施例提出一种遥感图像待修复区域的精细补全处理方法及装置。
第一方面，本发明实施例提出一种遥感图像待修复区域的精细补全处理方法，包括：
获取模糊补全后的遥感图像中的待修复区域；
根据预设的若干个分辨率对所述待修复区域进行分层，得到若干个对应的分层图像；
依次对每个分层图像进行迭代采样处理，得到所述待修复区域的精细补全结果。
可选地，所述依次对每个分层图像进行迭代采样处理，得到所述待修复区域的精细补全结果，具体包括：
对当前层的分层图像进行下采样和上采样处理，得到处理结果，并将处理结果迭代至下一层的分层图像；
最后一层的分层图像进行下采样和上采样处理后，得到所述待修复区域的精细补全结果。
可选地，所述根据预设的若干个分辨率对所述待修复区域进行分层，得到若干个对应的分层图像之前，还包括：
根据缠结matting算法对所述待修复区域进行处理，得到目标通道，并根据所述目标通道将所述待修复区域分为三个区域；
其中，所述三个区域包括已知区域、未知区域和灰色区域。
可选地，所述依次对每个分层图像进行迭代采样处理，得到所述待修复区域的精细补全结果，具体包括：
根据模糊补全后的遥感图像C和所述目标通道α计算得到迭代参数
当前层l的分层图像的采样处理结果
当l＝L时，第l-1层的分层图像的采样处理结果： 
当l＝1时，第1层的分层图像的采样处理结果：
根据所述第1层的分层图像的采样处理结果得到所述待修复区域的精细补全结果
其中，
为所述已知区域，
为所述未知区域，
为所述灰色区域；t为采样周期，t＝1，…，T(l)；Kε表示邻域为ε的核函数；1表示图像分层的层数，l＝L，…，1，L表示最高层。
第二方面，本发明实施例还提出一种遥感图像待修复区域的精细补全处理装置，包括：
区域获取模块，用于获取模糊补全后的遥感图像中的待修复区域；
区域分层模块，用于根据预设的若干个分辨率对所述待修复区域进行分层，得到若干个对应的分层图像；
精细补全模块，用于依次对每个分层图像进行迭代采样处理，得到所述待修复区域的精细补全结果。
可选地，所述精细补全模块具体用于：
对当前层的分层图像进行下采样和上采样处理，得到处理结果，并将处理结果迭代至下一层的分层图像；
最后一层的分层图像进行下采样和上采样处理后，得到所述待修复区域的精细补全结果。
可选地，所述遥感图像待修复区域的精细补全处理装置还包括：
区域划分模块，用于根据缠结matting算法对所述待修复区域进行处理，得到目标通道，并根据所述目标通道将所述待修复区域分为三个区域；
其中，所述三个区域包括已知区域、未知区域和灰色区域。
可选地，所述精细补全模块具体用于：
根据模糊补全后的遥感图像C和所述目标通道α计算得到迭代参数
当前层l的分层图像的采样处理结果
当l＝L时，第l-1层的分层图像的采样处理结果：
当l＝1时，第1层的分层图像的采样处理结果：
根据所述第1层的分层图像的采样处理结果得到所述待修复区域的精细补全结果
其中，
为所述已知区域，为所述未知区域，
为所述灰色区域；t为采样周期，t＝1，…，T(l)；Kε表示邻域为ε的核函数；1表示图像分层的层数，l＝L，…，1，L表示最高层。
第三方面，本发明实施例还提出一种电子设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述方法。
第四方面，本发明实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述方法。
由上述技术方案可知，本发明实施例通过对模糊补全后的遥感图像中的待修复区域进行分层，并对每个分层图像进行迭代采样处理，得到待修复区域的精细补全结果，使得补全效果更逼真。
附图说明
为了更清楚地说明本发明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例，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，还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的一种遥感图像待修复区域的精细补全处理方法的流程示意图；
图2为本发明一实施例提供的一种遥感图像待修复区域的精细补全处理装置的结构示意图；
图3为本发明一实施例提供的电子设备的逻辑框图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
图1示出了本实施例提供的一种遥感图像待修复区域的精细补全处理方法的流程示意图，包括：
S101、获取模糊补全后的遥感图像中的待修复区域。
其中，模糊补全后的遥感图像是通过获取当前遥感图像中的待修复区域和所述待修复区域的待修复边界、根据待修复边界上任意的目标点的邻近点的像素值确定所述目标点的像素值、将所述待修复边界更新为所述待修复区域内的新的待修复边界，并确定所述新的待修复边界上所有点的像素值后得到的图像。该图像能够对待修复区域进行模糊补全，但补全效果不够理想，因此需要对待修复区域进行进一步的精细补全。
所述待修复区域为对遥感图像中的敏感内容进行提取之后留下的区域。
S102、根据预设的若干个分辨率对所述待修复区域进行分层，得到若干个对应的分层图像。
举例来说，预设三种分辨率，则分别根据三种分辨率将待修复区域分成三层，得到三个分层图像。
S103、依次对每个分层图像进行迭代采样处理，得到所述待修复区域的精细补全结果。
具体地，所述迭代采样处理是对每一层依次进行采样处理，上一层的处理结果作为下一层的输入，继续迭代处理。
精细补全可以细化关键区域，使得补全效果更逼真，本实施例可以使用Fragment-based图像补全技术。Fragment-based图像补全技术是基于碎片的图像补全算法，该算法利用自相似原理，采用一种由粗到精的方法迭代逼近丢失信息的区域，利用图像已知区域的纹理信息去推导待修复区域内的信息，并通过迭代更新补全的信息取得较好的修复效果。
本实施例通过对模糊补全后的遥感图像中的待修复区域进行分层，并对每个分层图像进行迭代采样处理，得到待修复区域的精细补全结果，使得补全效果更逼真。
进一步地，在上述方法实施例的基础上，S103具体包括：
对当前层的分层图像进行下采样和上采样处理，得到处理结果，并将处理结果迭代至下一层的分层图像。
最后一层的分层图像进行下采样和上采样处理后，得到所述待修复区域的精细补全结果。
其中，所述下采样和所述上采样是两种不同的采样方式。
通过采用下采样和上采样，使得采用结果更丰富，从而使得处理结果更为准确。
进一步地，在上述方法实施例的基础上，S102之前，还包括：
S1012、根据缠结matting算法对所述待修复区域进行处理，得到目标通道，并根据所述目标通道将所述待修复区域分为三个区域。
其中，所述三个区域包括已知区域、未知区域和灰色区域。
进一步地，S103具体包括：
根据模糊补全后的遥感图像C和所述目标通道α计算得到迭代参数
当前层l的分层图像的采样处理结果
当l＝L时，第l-1层的分层图像的采样处理结果： 
当l＝1时，第1层的分层图像的采样处理结果：
根据所述第1层的分层图像的采样处理结果得到所述待修复区域的精细补全结果
其中，为所述已知区域，
为所述未知区域，为所述灰色区域；t为采样周期，t＝1，…，T(l)；Kε表示邻域为ε的核函数。1表示图像分层的层数，l＝L，…，1，L表示最高层。
具体来说，模糊补全后的遥感图像的待修复区域可以看作为一个稀疏的数据差值问题，尤其未知的待补全像素值是光滑连续的，很多不同的方法都试图找到一种连续函数能逼近样本点。补全像素点既可以通过用核函数K作用于邻域ε，也可以使用更精细的权重函数。简单的迭代滤波方法为push-pull，在不同分辨率下通过kernel将图像分层进行下采样和上采样。在coarser层，kernel作用在较大的区域，得到平滑的像素值。在finer层，kernel作用的范围小，高频信息可以被近似。
对给定图像C，通过matting算法得到α通道，利用α通道定义inverse matte
将图像分为三个区域，其中为已知区域，
为未知区域，
为灰色区域。首先将C与inverse matte
相乘得到
approximation从
开始。令l＝L，…，1表示图像金字塔的不同层。从图像
开始，对t＝1，…，T(l)，执行以下操作：
其中l次核为Kε的下采样↓，l次核为Kε的下采样↑。
对l＝L重复上述过程得到第一个approximation
对l-1个尺度重复上述过程：
对l＝1，approximation
后续的迭代为：
最后的输出结果为
需要说明的是，本实施例对于初值有一定要求，虽然可以进行较大块区域的填充，但为保证补全效果，若能在大块区域内部保留一些较小的空洞以提示背景图像的大体轮廓，会使补全效果更好。
本实施例通过全搜索过程寻找相似碎片导致处理速度非常慢，修复384×223大小的图像需要大概80～160分钟(视修复区域大小而定)，为提高交互速度，本实施例也可以缩小区块搜索范围，因此适用范围也相应的减小，修复效果会相对有所下降，可以视具体要求选择适当的区块搜索范围。
图2示出了本实施例提供的一种遥感图像待修复区域的精细补全处理装置的结构示意图，所述装置包括：区域获取模块201、区域分层模块202和精细补全模块203，其中：
所述区域获取模块201用于获取模糊补全后的遥感图像中的待修复区域；
所述区域分层模块202用于根据预设的若干个分辨率对所述待修复区域进行分层，得到若干个对应的分层图像；
所述精细补全模块203用于依次对每个分层图像进行迭代采样处理，得到所述待修复区域的精细补全结果。
具体地，所述区域获取模块201获取模糊补全后的遥感图像中的待修复区域；所述区域分层模块202根据预设的若干个分辨率对所述待修复区域进行分层，得到若干个对应的分层图像；所述精细补全模块203依次对每个分层图像进行迭代采样处理，得到所述待修复区域的精细补全结果。
本实施例通过对模糊补全后的遥感图像中的待修复区域进行分层，并对每个分层图像进行迭代采样处理，得到待修复区域的精细补全结果，使得补全效果更逼真。
进一步地，在上述装置实施例的基础上，所述精细补全模块203具体用于：
对当前层的分层图像进行下采样和上采样处理，得到处理结果，并将处理结果迭代至下一层的分层图像；
最后一层的分层图像进行下采样和上采样处理后，得到所述待修复区域的精细补全结果。
进一步地，在上述装置实施例的基础上，所述遥感图像待修复区域的精细补全处理装置还包括：
区域划分模块，用于根据缠结matting算法对所述待修复区域进行处理，得到目标通道，并根据所述目标通道将所述待修复区域分为三个区域；
其中，所述三个区域包括已知区域、未知区域和灰色区域。
进一步地，在上述装置实施例的基础上，所述精细补全模块203具体用于：
根据模糊补全后的遥感图像C和所述目标通道α计算得到迭代参数
当前层l的分层图像的采样处理结果
当l＝L时，第l-1层的分层图像的采样处理结果：
当l＝1时，第1层的分层图像的采样处理结果：
根据所述第1层的分层图像的采样处理结果得到所述待修复区域的精细补全结果
其中，
为所述已知区域，
为所述未知区域，
为所述灰色区域；t为采样周期，t＝1，…，T(l)；Kε表示邻域为ε的核函数；1表示图像分层的层数，l＝L，…，1，L表示最高层。
本实施例所述的遥感图像待修复区域的精细补全处理装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。
参照图3，所述电子设备，包括：处理器(processor)301、存储器(memory)302和总线303；
其中，
所述处理器301和存储器302通过所述总线303完成相互间的通信；
所述处理器301用于调用所述存储器302中的程序指令，以执行上述各方法实施例所提供的方法。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种遥感图像待修复区域的精细补全处理方法，其特征在于，包括：
获取模糊补全后的遥感图像中的待修复区域；
根据预设的若干个分辨率对所述待修复区域进行分层，得到若干个对应的分层图像；
依次对每个分层图像进行迭代采样处理，得到所述待修复区域的精细补全结果。
2.根据权利要求1所述的遥感图像待修复区域的精细补全处理方法，其特征在于，所述依次对每个分层图像进行迭代采样处理，得到所述待修复区域的精细补全结果，具体包括：
对当前层的分层图像进行下采样和上采样处理，得到处理结果，并将处理结果迭代至下一层的分层图像；
最后一层的分层图像进行下采样和上采样处理后，得到所述待修复区域的精细补全结果。
3.根据权利要求1所述的遥感图像待修复区域的精细补全处理方法，其特征在于，所述根据预设的若干个分辨率对所述待修复区域进行分层，得到若干个对应的分层图像之前，还包括：
根据缠结matting算法对所述待修复区域进行处理，得到目标通道，并根据所述目标通道将所述待修复区域分为三个区域；
其中，所述三个区域包括已知区域、未知区域和灰色区域。
4.根据权利要求3所述的遥感图像待修复区域的精细补全处理方法，其特征在于，所述依次对每个分层图像进行迭代采样处理，得到所述待修复区域的精细补全结果，具体包括：
根据模糊补全后的遥感图像C和所述目标通道α计算得到迭代参数
当前层l的分层图像的采样处理结果
当l＝L时，第l-1层的分层图像的采样处理结果：
当l＝1时，第1层的分层图像的采样处理结果：Kε；
根据所述第1层的分层图像的采样处理结果得到所述待修复区域的精细补全结果
其中，
为所述已知区域，
为所述未知区域，
为所述灰色区域；t为采样周期，t＝1，…，T(l)；Kε表示邻域为ε的核函数；1表示图像分层的层数，l＝L，…，1，L表示最高层。
5.一种遥感图像待修复区域的精细补全处理装置，其特征在于，包括：
区域获取模块，用于获取模糊补全后的遥感图像中的待修复区域；
区域分层模块，用于根据预设的若干个分辨率对所述待修复区域进行分层，得到若干个对应的分层图像；
精细补全模块，用于依次对每个分层图像进行迭代采样处理，得到所述待修复区域的精细补全结果。
6.根据权利要求5所述的遥感图像待修复区域的精细补全处理装置，其特征在于，所述精细补全模块具体用于：
对当前层的分层图像进行下采样和上采样处理，得到处理结果，并将处理结果迭代至下一层的分层图像；
最后一层的分层图像进行下采样和上采样处理后，得到所述待修复区域的精细补全结果。
7.根据权利要求5所述的遥感图像待修复区域的精细补全处理装置，其特征在于，所述遥感图像待修复区域的精细补全处理装置还包括：
区域划分模块，用于根据缠结matting算法对所述待修复区域进行处理，得到目标通道，并根据所述目标通道将所述待修复区域分为三个区域；
其中，所述三个区域包括已知区域、未知区域和灰色区域。
8.根据权利要求7所述的遥感图像待修复区域的精细补全处理装置，其特征在于，所述精细补全模块具体用于：
根据模糊补全后的遥感图像C和所述目标通道α计算得到迭代参数
当前层l的分层图像的采样处理结果
当l＝L时，第l-1层的分层图像的采样处理结果：
当l＝1时，第1层的分层图像的采样处理结果：
根据所述第1层的分层图像的采样处理结果得到所述待修复区域的精细补全结果
其中，
为所述已知区域，
为所述未知区域，
为所述灰色区域；t为采样周期，t＝1，…，T(l)；Kε表示邻域为ε的核函数；1表示图像分层的层数，l＝L，…，1，L表示最高层。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一所述的遥感图像待修复区域的精细补全处理方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一所述的遥感图像待修复区域的精细补全处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910913086.XA CN110706167B (zh) | 2019-09-25 | 2019-09-25 | 一种遥感图像待修复区域的精细补全处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910913086.XA CN110706167B (zh) | 2019-09-25 | 2019-09-25 | 一种遥感图像待修复区域的精细补全处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110706167A true CN110706167A (zh) | 2020-01-17 |
| CN110706167B CN110706167B (zh) | 2022-06-10 |
Family
ID=69197024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910913086.XA Active CN110706167B (zh) | 2019-09-25 | 2019-09-25 | 一种遥感图像待修复区域的精细补全处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110706167B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330545A (zh) * | 2020-09-08 | 2021-02-05 | 中兴通讯股份有限公司 | 空洞填充方法、小区域去除方法、装置和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567955A (zh) * | 2010-12-30 | 2012-07-11 | 北京大学 | 图像修复的方法与系统 |
| US20150117779A1 (en) * | 2013-10-30 | 2015-04-30 | Thomson Licensing | Method and apparatus for alpha matting |
| CN106204621A (zh) * | 2016-07-22 | 2016-12-07 | 北京航空航天大学 | 一种自适应分治的高分辨率图像对象精准提取方法 |
| CN106875359A (zh) * | 2017-02-16 | 2017-06-20 | 阜阳师范学院 | 一种基于分层引导策略的样本块图像修复方法 |
| CN107730528A (zh) * | 2017-10-28 | 2018-02-23 | 天津大学 | 一种基于grabcut算法的交互式图像分割与融合方法 |
-
2019
- 2019-09-25 CN CN201910913086.XA patent/CN110706167B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567955A (zh) * | 2010-12-30 | 2012-07-11 | 北京大学 | 图像修复的方法与系统 |
| US20150117779A1 (en) * | 2013-10-30 | 2015-04-30 | Thomson Licensing | Method and apparatus for alpha matting |
| CN106204621A (zh) * | 2016-07-22 | 2016-12-07 | 北京航空航天大学 | 一种自适应分治的高分辨率图像对象精准提取方法 |
| CN106875359A (zh) * | 2017-02-16 | 2017-06-20 | 阜阳师范学院 | 一种基于分层引导策略的样本块图像修复方法 |
| CN107730528A (zh) * | 2017-10-28 | 2018-02-23 | 天津大学 | 一种基于grabcut算法的交互式图像分割与融合方法 |
Non-Patent Citations (1)
| Title |
|---|
| SHAOFAN CAI,ET AL: "《Disentangled Image Matting》", 《ARXIV PREPRINT:ARXIV:1909.04686V1》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330545A (zh) * | 2020-09-08 | 2021-02-05 | 中兴通讯股份有限公司 | 空洞填充方法、小区域去除方法、装置和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110706167B (zh) | 2022-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Scene-adaptive remote sensing image super-resolution using a multiscale attention network | |
| Min et al. | Fast global image smoothing based on weighted least squares | |
| Wang et al. | Robust object removal with an exemplar-based image inpainting approach | |
| Wang et al. | Laplacian pyramid adversarial network for face completion | |
| CN102693527A (zh) | 用于对图像执行模糊渲染处理的方法和装置 | |
| Xiao et al. | Single image dehazing based on learning of haze layers | |
| Guo et al. | Single image dehazing based on fusion strategy | |
| Elad et al. | Reduced complexity retinex algorithm via the variational approach | |
| Cao et al. | New architecture of deep recursive convolution networks for super-resolution | |
| CN113793286B (zh) | 一种基于多阶注意力神经网络的媒体图像水印移除方法 | |
| Ting et al. | Image inpainting by global structure and texture propagation | |
| Lai et al. | Video super-resolution via pre-frame constrained and deep-feature enhanced sparse reconstruction | |
| Zou et al. | Joint wavelet sub-bands guided network for single image super-resolution | |
| Li et al. | Detail-enhanced image inpainting based on discrete wavelet transforms | |
| Zhuang et al. | Multi-level landmark-guided deep network for face super-resolution | |
| CN110675345A (zh) | 一种遥感图像待修复区域的模糊补全处理方法及装置 | |
| CN110706167B (zh) | 一种遥感图像待修复区域的精细补全处理方法及装置 | |
| Ding et al. | An improved image mixed noise removal algorithm based on super-resolution algorithm and CNN | |
| Zhang et al. | Enhanced visual perception for underwater images based on multistage generative adversarial network | |
| Wang | Exploring wavelet transform-based image enhancement algorithm for image restoration of long march national cultural park | |
| Han et al. | MPDNet: An underwater image deblurring framework with stepwise feature refinement module | |
| Zhou et al. | Directional relative total variation for structure–texture decomposition | |
| Wang et al. | New region-based image fusion scheme using the discrete wavelet frame transform | |
| CN113902639A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| San-You et al. | Adaptive diagonal total-variation generative adversarial network for super-resolution imaging |
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 |