CN110706351A - 一种三角网格模型生成方法及装置 - Google Patents
一种三角网格模型生成方法及装置 Download PDFInfo
- Publication number
- CN110706351A CN110706351A CN201910938285.6A CN201910938285A CN110706351A CN 110706351 A CN110706351 A CN 110706351A CN 201910938285 A CN201910938285 A CN 201910938285A CN 110706351 A CN110706351 A CN 110706351A
- Authority
- CN
- China
- Prior art keywords
- contour
- mesh model
- triangular mesh
- image
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种三角网格模型生成方法及装置,其中三角网格模型生成方法包括:对原始图片进行处理,得到轮廓数据;计算疏密度值,根据疏密度值对轮廓数据进行处理,获得轮廓点集;根据疏密度值对由轮廓点集构成的轮廓的内部区域进行处理,获得轮廓内部点集;利用轮廓点集和轮廓内部点集获取三角网格模型数据,完成三角网格模型的生成。本申请具有能够自动生成均匀的三角网格模型,有效避免图片处理过程中产生的拉伸效果不自然等问题的技术效果。
Description
技术领域
本申请涉及计算机图形技术领域,尤其涉及一种三角网格模型生成方法及装置。
背景技术
目前,在虚拟试衣类产品中,将各种衣服服饰拍照产生图片后,需要将衣服图片进行变换处理,再贴合到模特身上,以实现试穿衣服的效果。为达到此目的,通常使用人工调节的方法,即人工利用图像处理软件对图片进行修整变形,但人力操作的效率过低,效果难以保障,亦无法达到自动处理的要求。又现有的通过仿射变换、线性变换等算法自动将图片进行拉伸变形的方法又难以达到试衣目的。而在服饰图片进行三角网格覆盖的时候,受轮廓曲线的弯曲幅度影响,常用的三角网格生成覆盖服饰图片的方法会出现疏密不均的情况,最终导致在拉伸三角顶点的时候不能对轮廓内的衣服区域产生自然均匀的拉伸效果。
发明内容
本申请的目的在于提供一种三角网格模型生成方法及装置,具有能够自动生成均匀的三角网格模型,有效避免图片处理过程中产生的拉伸效果不自然等问题的技术效果。
为达到上述目的,本申请提供一种三角网格模型生成方法,包括:对原始图片进行处理,得到轮廓数据;计算疏密度值,根据疏密度值对轮廓数据进行处理,获得轮廓点集;根据疏密度值对由轮廓点集构成的轮廓的内部区域进行处理,获得轮廓内部点集;利用轮廓点集和轮廓内部点集获取三角网格模型数据,完成三角网格模型的生成。
优选的,对原始图片进行处理,并获取轮廓数据的子步骤如下:获取灰度图像;对灰度图像进行膨胀处理,得到膨胀灰度图;对膨胀灰度图进行处理,获得轮廓数据。
优选的,获取灰度图像的子步骤如下:对原始图片进行抠取,将原始图片抠取为主体区域和非主体区域,将非主体区域处理为透明,并将处理后的原始图片存储为抠取后图片;通过读取通道数据对抠取后图片中的阿尔法通道数据进行提取;对提取的阿尔法通道数据进行二值化处理,转化为灰度图像。
优选的,基于开源计算机视觉库对灰度图像做膨胀处理。
优选的,基于开源计算机视觉库对灰度图像做膨胀处理的子步骤如下:构建一个3×3的kernel操作矩阵;用kernel操作矩阵扫描灰度图像的每一个像素;完成扫描后,用kernel操作矩阵与其覆盖的灰度图像做“与”操作,如果都为0,得到膨胀灰度图像的该像素为0,否则为1。
优选的,计算疏密度值的子步骤如下:获取原始图片的四条边长;计算四条边长的边长和,并预设阀值,该边长和与该阀值的乘积即为疏密度值。
优选的,根据疏密度值对由轮廓点集构成的轮廓的内部区域进行处理,获得轮廓内部点集的子步骤如下:在膨胀灰度图像上设置一个起始点m,从起始点m开始,横向设置多条横向线条以及纵向设置多条纵向线条,其中,相邻的两条横向线条之间的间隔距离等于疏密度值,相邻的两条纵向线条之间的间隔距离等于疏密度值,每条横向线条分别与每条纵向线条垂直相交,相交处的交叉点为添加坐标点;获取整个图片上的所有坐标点作为检测坐标点,检测坐标点包括所有的添加坐标点以及轮廓点集中的所有像素点;对所有的添加坐标点逐一进行检查,判断检查的检测坐标点是否落在轮廓点集所构成的轮廓的内部区域,若检查的检测坐标点落在轮廓的外部区域,则将该检测坐标点丢弃;若检查的检测坐标点落在轮廓的内部区域,则将该检测坐标点保留,所有保留的检测坐标点属于轮廓内部点集。
优选的,通过Bowyer-Watson算法进行Delaunay三角剖分,得到均匀分布的三角网格模型数据,完成三角网格模型的生成。
本申请还提供一种三角网格模型生成装置,包括图片处理模块、存储模块以及获取模块,图片处理模块分别与存储模块和获取模块连接,获取模块与存储模块连接;其中,图片处理模块:用于接收获取模块发送的需要进行处理的原始图片,执行上述的三角网格模型生成方法对该原始图片进行处理,并将生成后的三角网格模型存储于存储模块;存储模块:用于接收并存储获取模块发送的原始图片和图片处理模块发送的三角网格模型;获取模块:用于获取原始图片,并将该原始图片发送至存储模块和图像处理模块。
优选的,图片处理模块内设置有开源计算机视觉库。
本申请的三角网格模型生成方法及装置能够自动生成均匀的三角网格模型,有效的避免了图片处理过程中产生的拉伸效果不自然等问题。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为三角网格模型生成装置一种实施例的结构示意图;
图2为三角网格模型生成方法一种实施例的流程示意图。
具体实施方式
下面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。基于本发明中的实施例,本领域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例,都属于本发明保护的范围。
如图1所示,本申请提供一种三角网格模型生成装置,包括:图片处理模块1、存储模块2以及获取模块3,图片处理模块1分别与存储模块2和获取模块连3接,获取模块3与存储模块2连接。
其中,图片处理模块1:用于接收获取模块发送的需要进行处理的原始图片,执行下述三角网格模型生成方法对该原始图片进行处理,并将生成后的三角网格模型存储于存储模块。
其中,存储模块2:用于接收并存储获取模块发送的原始图片和图片处理模块发送的三角网格模型。
其中,获取模块3:用于获取原始图片,并将该原始图片发送至存储模块和图像处理模块。
进一步的,图片处理模块1内设置有opencv(开源计算机视觉库)。
如图2所示,本申请提供一种三角网格模型生成方法,包括:
S1:对原始图片进行处理,得到轮廓数据。
具体的,对原始图片进行处理,并获取轮廓数据的子步骤如下:
S110:获取灰度图像。
进一步的,获取灰度图像的子步骤如下:
T1:对原始图片进行抠取,将原始图片抠取为主体区域和非主体区域,将非主体区域处理为透明,并将处理后的原始图片存储为抠取后图片。
具体的,作为一个实施例,原始图片为衣服图片,其中,主体区域为衣服。通过图片处理模块1对原始图片进行抠取,抠取原始图片中的衣服作为主体区域,抠取原始图片中除去主体区域的部分为非主体区域,将非主体区域处理为透明,并将处理后的抠取后图片保存为png格式,png格式的图片包括RGBA 四个通道,四个通道分别为red通道、green通道、blue通道以及alpha通道,其中,alpha通道描述了相应像素点的透明情况。
T2:通过读取通道数据对抠取后图片中的阿尔法通道数据进行提取。
具体的,图片处理模块1通过cv2.imread读取抠取后图片(抠取后图片带有alpha通道),并通过cv2.split对读取的抠取后图片进行处理,从抠取后图片中提取alpha通道数据。
T3:对提取的阿尔法通道数据进行二值化处理,转化为灰度图像。
具体的,利用cv2.threshold对阿尔法通道数据进行二值化处理,将抠取后图片转化为灰度图像。
S120:对灰度图像进行膨胀处理,得到膨胀灰度图。
具体的,膨胀处理是将于主体区域接触的非主体区域的点合并到该主体区域中,使得主体区域的边界向外部扩张的过程。通过膨胀处理扩大主体区域(衣服),有效的保证了在后续构建衣服轮廓时能够充分包裹衣服部分。作为一个实施例,基于opencv(开源计算机视觉库)的cv2.dilate函数对灰度图像做膨胀处理,子步骤如下:
U1:构建一个3×3的kernel操作矩阵。
具体的,通过openvc构建一个3×3的kernel操作矩阵,该kernel操作矩阵的矩形结构元素为[111][111][111]。
进一步的,作为一个实施例,利用cv2.getStructuringElement函数构建kernel操作矩阵。
进一步,作为另一个实施例,利用Numpy的array自定义kernel操作矩阵。
U2:用kernel操作矩阵扫描灰度图像的每一个像素。
U3:完成扫描后,用kernel操作矩阵与其覆盖的灰度图像做“与”操作,如果都为0,得到膨胀灰度图像的该像素为0,否则为1。
S130:对膨胀灰度图进行处理,获得轮廓数据。
具体的,使用cv2.findContours对膨胀灰度图进行处理,获取该膨胀灰度图的轮廓数据,即通过cv2.findContours将主体区域的轮廓用一系列的坐标点进行描述。该轮廓数据为膨胀灰度图中主体区域轮廓上若干像素点坐标数据,这些像素点坐标数据有序排列,但疏密不均,其中,像素点坐标数据的疏密程度与主体区域的轮廓平滑程度相关,轮廓弯曲变化较大的部分,会产生密集的像素点坐标数据,轮廓平滑的部分,会产生稀疏的像素点坐标数据。
S2:计算疏密度值,根据疏密度值对轮廓数据进行处理,获得轮廓点集。
进一步的,计算疏密度值的子步骤如下:
S210:获取原始图片的四条边长。
具体的,原始图片包括四条边,四条边分别为边A、边B、边C和边D;通过图片处理软件获取该四条边的边长,其中,边A的边长为a、边B的边长为b、边C的边长为c以及边D的边长为d。
S220:计算四条边长的边长和,并预设阀值,该边长和与该阀值的乘积即为疏密度值。
进一步的,预设阀值为三十分之一。具体的,疏密度值=(a+b+c+d)/30。但该阀值不仅限于三十分之一,还可以为三十分之二、三十一分之一等,该阀值的具体值可根据实际情况而定。
具体的,作为一个实施例,假设计算的疏密度值为x,从轮廓数据中任意选取一个点作为基准点O,并任意选择一个方向作为筛选方向,依据疏密度值x 从基准点O开始按照筛选方向进行计算,例如:若干个点组成轮廓,按照筛选方向依次为像素点O、像素点P、像素点Q、像素点R、像素点S……像素点N,从像素点O开始,利用像素点坐标数据计算像素点O到像素点P的距离值,如果像素点O到像素点P的距离值小于疏密度值x,则继续计算像素点O到像素点Q之间的距离值,依次类推,假设在计算的距离值中找到了一个与疏密度值 x相近的像素点R,那么将像素点P和像素点Q从轮廓中移除,保留像素点R。继续从像素点R开始按照筛选方向继续计算,如果计算的像素点R到像素点S 的距离值大于疏密度值x,则在像素点R与像素点S之间,添加一个像素点S’,其中,像素点R到像素点S’的距离值为疏密度值x。假设像素点N为轮廓中的最后一个像素点,计算完像素点N与像素点O,则完成了对轮廓数据的处理,此时,完成像素点移除和像素点添加后的所有像素点的像素点坐标数据属于轮廓点集。
S3:根据疏密度值对由轮廓点集构成的轮廓的内部区域进行处理,获得轮廓内部点集。
具体的,根据疏密度值对由轮廓点集构成的轮廓的内部区域进行处理,获得轮廓内部点集的子步骤如下:
L1:在膨胀灰度图像上设置一个起始点m,从起始点m开始,横向设置多条横向线条以及纵向设置多条纵向线条,其中,相邻的两条横向线条之间的间隔距离等于疏密度值,相邻的两条纵向线条之间的间隔距离等于疏密度值,每条横向线条分别与每条纵向线条垂直相交,相交处的交叉点为添加坐标点。
具体的,膨胀灰度图像的图片尺寸(长度和宽度)与原始图片的图片尺寸(长度和宽度)相等。起始点m设置于非主体区域,可以设置与膨胀灰度图像的四个顶点之一的位置,也可以设置于距离膨胀灰度图像四条边长任意一边一定距离的非主体区域,且保证从起始点m开始设置的横向线条与纵向线条交叉构成的网格区域能够将主体区域完全覆盖。
L2:获取整个图片上的所有坐标点作为检测坐标点,检测坐标点包括所有的添加坐标点以及轮廓点集中的所有像素点。
L3:对所有的添加坐标点逐一进行检查,判断检查的检测坐标点是否落在轮廓点集所构成的轮廓的内部区域,若检查的检测坐标点落在轮廓的外部区域,则将该检测坐标点丢弃;若检查的检测坐标点落在轮廓的内部区域,则将该检测坐标点保留,所有保留的检测坐标点属于轮廓内部点集。
具体的,使用cv2.pointPolygonTest对检测坐标点进行逐一检查。
S4:利用轮廓点集和轮廓内部点集获取三角网格模型数据,完成三角网格模型的生成。
具体的,利用轮廓点集和轮廓内部点集,通过Bowyer-Watson算法进行 Delaunay三角剖分,得到均匀分布的三角网格模型数据,完成三角网格模型的生成。
本申请的三角网格模型生成方法及装置能够自动生成均匀的三角网格模型,有效的避免了图片处理过程中产生的拉伸效果不自然等问题。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,本申请的保护范围意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请保护范围及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种三角网格模型生成方法,其特征在于,包括:
对原始图片进行处理,得到轮廓数据;
计算疏密度值,根据疏密度值对轮廓数据进行处理,获得轮廓点集;
根据疏密度值对由轮廓点集构成的轮廓的内部区域进行处理,获得轮廓内部点集;
利用轮廓点集和轮廓内部点集获取三角网格模型数据,完成三角网格模型的生成。
2.根据权利要求1所述的三角网格模型生成方法,其特征在于,对原始图片进行处理,并获取轮廓数据的子步骤如下:
获取灰度图像;
对灰度图像进行膨胀处理,得到膨胀灰度图;
对膨胀灰度图进行处理,获得轮廓数据。
3.根据权利要求2所述的三角网格模型生成方法,其特征在于,获取灰度图像的子步骤如下:
对原始图片进行抠取,将原始图片抠取为主体区域和非主体区域,将非主体区域处理为透明,并将处理后的原始图片存储为抠取后图片;
通过读取通道数据对抠取后图片中的阿尔法通道数据进行提取;
对提取的阿尔法通道数据进行二值化处理,转化为灰度图像。
4.根据权利要求1所述的三角网格模型生成方法,其特征在于,基于开源计算机视觉库对灰度图像做膨胀处理。
5.根据权利要求4所述的三角网格模型生成方法,其特征在于,基于开源计算机视觉库对灰度图像做膨胀处理的子步骤如下:
构建一个3×3的kernel操作矩阵;
用kernel操作矩阵扫描灰度图像的每一个像素;
完成扫描后,用kernel操作矩阵与其覆盖的灰度图像做“与”操作,如果都为0,得到膨胀灰度图像的该像素为0,否则为1。
6.根据权利要求1所述的三角网格模型生成方法,其特征在于,计算疏密度值的子步骤如下:
获取原始图片的四条边长;
计算四条边长的边长和,并预设阀值,该边长和与该阀值的乘积即为疏密度值。
7.根据权利要求1所述的三角网格模型生成方法,其特征在于,根据疏密度值对由轮廓点集构成的轮廓的内部区域进行处理,获得轮廓内部点集的子步骤如下:
在膨胀灰度图像上设置一个起始点m,从起始点m开始,横向设置多条横向线条以及纵向设置多条纵向线条,其中,相邻的两条横向线条之间的间隔距离等于疏密度值,相邻的两条纵向线条之间的间隔距离等于疏密度值,每条横向线条分别与每条纵向线条垂直相交,相交处的交叉点为添加坐标点;
获取整个图片上的所有坐标点作为检测坐标点,检测坐标点包括所有的添加坐标点以及轮廓点集中的所有像素点;
对所有的添加坐标点逐一进行检查,判断检查的检测坐标点是否落在轮廓点集所构成的轮廓的内部区域,若检查的检测坐标点落在轮廓的外部区域,则将该检测坐标点丢弃;若检查的检测坐标点落在轮廓的内部区域,则将该检测坐标点保留,所有保留的检测坐标点属于轮廓内部点集。
8.根据权利要求7所述的三角网格模型生成方法,其特征在于,通过Bowyer-Watson算法进行Delaunay三角剖分,得到均匀分布的三角网格模型数据,完成三角网格模型的生成。
9.一种三角网格模型生成装置,其特征在于,包括图片处理模块、存储模块以及获取模块,图片处理模块分别与存储模块和获取模块连接,获取模块与存储模块连接;
其中,图片处理模块:用于接收获取模块发送的需要进行处理的原始图片,执行权利要求1-8中任意一项所述的三角网格模型生成方法对该原始图片进行处理,并将生成后的三角网格模型存储于存储模块;
存储模块:用于接收并存储获取模块发送的原始图片和图片处理模块发送的三角网格模型;
获取模块:用于获取原始图片,并将该原始图片发送至存储模块和图像处理模块。
10.根据权利要求9所述的三角网格模型生成装置,其特征在于,所述图片处理模块内设置有开源计算机视觉库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910938285.6A CN110706351B (zh) | 2019-09-30 | 2019-09-30 | 一种三角网格模型生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910938285.6A CN110706351B (zh) | 2019-09-30 | 2019-09-30 | 一种三角网格模型生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110706351A true CN110706351A (zh) | 2020-01-17 |
CN110706351B CN110706351B (zh) | 2023-01-24 |
Family
ID=69198094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910938285.6A Active CN110706351B (zh) | 2019-09-30 | 2019-09-30 | 一种三角网格模型生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110706351B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111580902A (zh) * | 2020-04-20 | 2020-08-25 | 微梦创科网络科技(中国)有限公司 | 一种基于图片分析的移动端元素定位方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278276A1 (en) * | 2013-03-12 | 2014-09-18 | Sumitomo Rubber Industries, Ltd. | Method for generating mesh model |
CN108364328A (zh) * | 2018-01-18 | 2018-08-03 | 北京白鹭时代信息技术有限公司 | 一种生成二维三角形网格的方法及装置 |
CN110009721A (zh) * | 2018-01-04 | 2019-07-12 | 奥多比公司 | 生成由曲线表示的图像的三角网格 |
-
2019
- 2019-09-30 CN CN201910938285.6A patent/CN110706351B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278276A1 (en) * | 2013-03-12 | 2014-09-18 | Sumitomo Rubber Industries, Ltd. | Method for generating mesh model |
CN110009721A (zh) * | 2018-01-04 | 2019-07-12 | 奥多比公司 | 生成由曲线表示的图像的三角网格 |
CN108364328A (zh) * | 2018-01-18 | 2018-08-03 | 北京白鹭时代信息技术有限公司 | 一种生成二维三角形网格的方法及装置 |
Non-Patent Citations (1)
Title |
---|
马良等: "服装衣片三角形网格自动剖分", 《东华大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111580902A (zh) * | 2020-04-20 | 2020-08-25 | 微梦创科网络科技(中国)有限公司 | 一种基于图片分析的移动端元素定位方法及系统 |
CN111580902B (zh) * | 2020-04-20 | 2024-01-26 | 微梦创科网络科技(中国)有限公司 | 一种基于图片分析的移动端元素定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110706351B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101617059B1 (ko) | 보간을 강화한 심 연산 기반의 화상 리사이징 방법 및 시스템 | |
CN109584327B (zh) | 人脸老化模拟方法、装置以及设备 | |
US8384716B2 (en) | Image processing method | |
CN110533594B (zh) | 模型训练方法、图像重建方法、存储介质及相关设备 | |
CN114241070B (zh) | Ct图像去金属伪影以及模型训练的方法和装置 | |
CN111383232A (zh) | 抠图方法、装置、终端设备及计算机可读存储介质 | |
CN110910308B (zh) | 图像处理方法、装置、设备和介质 | |
CN109978964B (zh) | 一种图像制作方法、装置、存储介质及终端设备 | |
CN111382618B (zh) | 一种人脸图像的光照检测方法、装置、设备和存储介质 | |
CN110706351B (zh) | 一种三角网格模型生成方法及装置 | |
CN109671042A (zh) | 基于fpga形态学算子的灰度图像处理系统及方法 | |
CN115294126A (zh) | 一种病理图像的癌细胞智能识别方法 | |
CN114782645B (zh) | 虚拟数字人制作方法、相关设备及可读存储介质 | |
CN110046623B (zh) | 一种图像特征点提取方法和相机 | |
CN113077477B (zh) | 图像矢量化方法、装置及终端设备 | |
CN113158970B (zh) | 一种基于快慢双流图卷积神经网络的动作识别方法与系统 | |
CN108596840B (zh) | 一种用于深度学习评定血管网络发育水平的数据集增强方法 | |
CN115937690B (zh) | 一种槽线生成方法、装置、存储介质及终端 | |
CN104239874B (zh) | 一种器官血管识别方法及装置 | |
CN108876704A (zh) | 人脸图像变形的方法、装置及计算机存储介质 | |
CN113378864B (zh) | 一种锚框参数的确定方法、装置、设备及可读存储介质 | |
CN113496468B (zh) | 深度图像的修复方法、装置和存储介质 | |
CN112749713B (zh) | 一种基于人工智能的大数据图像识别系统及方法 | |
CN115082592A (zh) | 一种曲线生成方法、系统、计算机设备、及存储介质 | |
CN111861943B (zh) | 一种多尺度像素级深度优化的图像修复方法 |
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 |