CN110807745A - 图像处理方法及装置、电子设备 - Google Patents
图像处理方法及装置、电子设备 Download PDFInfo
- Publication number
- CN110807745A CN110807745A CN201911026060.XA CN201911026060A CN110807745A CN 110807745 A CN110807745 A CN 110807745A CN 201911026060 A CN201911026060 A CN 201911026060A CN 110807745 A CN110807745 A CN 110807745A
- Authority
- CN
- China
- Prior art keywords
- image
- original
- standard deviation
- pixel
- determining
- 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 17
- 230000002708 enhancing effect Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 60
- 238000000034 method Methods 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000003623 enhancer Substances 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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 using two or more images, e.g. averaging or subtraction
-
- 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
- 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 Processing (AREA)
- Studio Devices (AREA)
Abstract
本公开是关于一种图像处理方法及装置、电子设备。图像处理方法包括:获取至少局部失焦的原始图像;根据所述原始图像确定每一像素的失焦度;根据所述每一像素的失焦度对所述原始图像上的对应区域进行增强,得到增强后的清晰图像。
Description
技术领域
本公开涉及图像处理领域,尤其涉及一种图像处理方法及装置、电子设备。
背景技术
当前,电子设备所配置的摄像头通常都是固定变焦,因此拍照时通常是局部区域进行对焦,而在该局部区域的图像则会失焦,从而未被对焦的区域图像会相对模糊,在未执行对焦操作的情况下甚至出现全图失焦,从而获取到的图像效果不佳。
发明内容
本公开提供一种图像处理方法及装置、电子设备,以解决相关技术中的不足。
根据本公开实施例的第一方面,提供一种图像处理方法,包括:
获取至少局部失焦的原始图像;
根据所述原始图像,确定每一像素的失焦度;
根据所述每一像素的失焦度对所述原始图像上的对应区域进行增强,得到增强后的清晰图像。
可选的,所述根据所述原始图像确定每一像素的失焦度,包括:
根据所述原始图像获取原始灰阶图像;
根据所述原始灰阶图像确定边缘像素对应的离散失焦度图;
根据所述离散失焦度图像确定所述原始图像的全部像素对应的连续失焦度图。
可选的,所述根据所述原始灰阶图像确定边缘像素对应的离散失焦度图,包括:
根据边缘检测算法,确定多个边缘像素;
根据预设模糊核模型,估计每一边缘像素对应的标准差;
根据每一所述边缘像素对应的标准差,获取所述离散失焦度图。
可选的,所述根据高斯模糊核模型,估计每一边缘像素对应的标准差,包括:
根据高斯核模糊模型和第一预设标准差对所述原始图像进行高斯模糊,得到第一模糊图像;
根据高斯核模糊模型和第二预设标准差对所述原始图像进行高斯模糊,得到第二模糊图像,所述第二预设标准差大于所述第一预设标准差;
获取所述第一模糊图像和所述第二模糊图像在边缘像素点处的梯度比;
在所述梯度比大于1且小于第二预设标准差与第一预设标准差之比时,根据所述梯度比和边缘像素点的坐标,估计对应边缘像素的标准差。
可选的,所述根据每一所述边缘像素对应的标准差获取所述离散失焦度图,包括:
针对获取到的所述标准差进行归一化处理;
将归一化处理后大于或者等于预设阈值的数值设置为预设值,以得到所述离散失焦度图。
可选的,根据所述离散失焦度图像确定所述原始图像的全部像素对应的连续失焦度图,包括:
根据导向滤波算法计算获得所述连续失焦度图,其中,所述原始灰阶图像作为所述导向滤波算法中的引导图、所述离散失焦度图作为所述导向滤波算法中的输入图像。
可选的,所述根据所述每一像素的失焦度对所述原始图像上的对应区域进行增强,得到增强后的清晰图像,包括:
通过图像增强算法对所述原始图像对应的原始灰阶图像进行增强,得到增强灰阶图像;
根据所述连续失焦度图、所述原始灰阶图像和所述增强灰阶图像得到融合灰阶图像;
根据所述融合灰阶图像获取所述清晰图像。
可选的,根据所述连续失焦度图、所述原始灰阶图像和所述增强灰阶图像得到融合灰阶图像,包括:
基于下述算法获得所述融合灰阶图像:
Y_C(i,j)=M(i,j)*Y_B(i,j)+(1-M(i,j))*Y_A(i,j);
其中,Y_C(i,j)为位于(i,j)处像素的融合灰阶图像,M(i,j)为根据所述连续失焦度图获取的位于(i,j)处像素的失焦权重,Y_B(i,j)为位于(i,j)处像素的增强灰阶图像,Y_A(i,j)为位于(i,j)处像素的原始灰阶图像。
根据本公开实施例的第二方面,提供一种图像处理装置,包括:
获取模块,获取原始图像;
确定模块,根据所述原始图像确定每一像素的失焦度;
增强模块,根据所述每一像素的失焦度对所述原始图像上的对应区域进行增强,得到增强后的清晰图像。
可选的,所述确定模块包括:
获取子模块,根据所述原始图像获取原始灰阶图像;
第一确定子模块,根据所述原始灰阶图像确定边缘像素对应的离散失焦度图;
第二确定子模块,根据所述离散失焦度图像确定所述原始图像的全部像素对应的连续失焦度图。
可选的,所述第一确定子模块包括:
第一确定单元,根据边缘检测算法确定边缘像素;
第二确定单元,根据预设算法确定每一边缘像素对应的模糊核;
获取单元,根据每一所述边缘像素对应的模糊核获取所述离散失焦度图。
可选的,所述第二确定单元,包括:
第一获取子单元,根据高斯核模糊模型和第一预设标准差对所述原始图像进行高斯模糊,得到第一模糊图像;
第二获取子单元,根据高斯核模糊模型和第二预设标准差对所述原始图像进行高斯模糊,得到第二模糊图像,所述第二预设标准差大于所述第一预设标准差;
第三获取子单元,获取所述第一模糊图像和所述第二模糊图像在边缘像素点处的梯度比;
估计子单元,在所述梯度比大于1且小于第二预设标准差与第一预设标准差之比时,根据所述梯度比和边缘像素点的坐标,估计对应边缘像素的标准差。
可选的,所述获取单元,包括:
第四获取子单元,针对获取到的所述标准差进行归一化处理;
计算子单元,将归一化处理后大于或者等于预设阈值的数值设置为预设值,以得到所述离散失焦度图。
可选的,第二确定子模块,包括:
第一计算单元,根据导向滤波算法计算获得所述连续失焦度图,其中,所述原始灰阶图像作为所述导向滤波算法中的引导图、所述离散失焦度图作为所述导向滤波算法中的输入图像。
可选的,所述增强模块,包括:
增强子模块,通过图像增强算法对所述原始图像对应的原始灰阶图像进行增强,得到增强灰阶图像;
融合子模块,根据所述连续失焦度图、所述原始灰阶图像和所述增强灰阶图像得到融合灰阶图像;
获取子模块,根据所述融合灰阶图像获取所述清晰图像。
可选的,融合子模块,包括:
第二计算单元,基于下述算法获得所述融合灰阶图像:
Y_C(i,j)=M(i,j)*Y_B(i,j)+(1-M(i,j))*Y_A(i,j);
其中,Y_C(i,j)为位于(i,j)处像素的融合灰阶图像,M(i,j)为根据所述连续失焦度图获取的位于(i,j)处像素的失焦权重,Y_B(i,j)为位于(i,j)处像素的增强灰阶图像,Y_A(i,j)为位于(i,j)处像素的原始灰阶图像。
根据本公开实施例第三方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如上述中任一项实施例所述方法的步骤。
根据本公开实施例第四方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行时实现如上述中任一项实施例所述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
由上述实施例可知,本公开中可以确定原始图像确定出每一像素的失焦度,了解原始图像上对应于每一像素的各个区域的失焦程度,从而可以根据不同程度的失焦进行不同程度的增强,避免对原始图像中原本已经足够清晰的位置进行过度增强,有利于防止未失焦的区域过度锐化。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种图像处理方法的流程图。
图2是根据一示例性实施例示出的另一种图像处理方法的流程图。
图3是根据一示例性实施例示出的一种边缘像素图。
图4是根据一示例性实施例示出的一种离散失焦度图。
图5是根据一示例性实施例示出的一种连续失焦度图。
图6是根据一示例性实施例示出的一种图像处理效果对比图。
图7是根据一示例性实施例示出的一种图像处理装置框图之一。
图8是根据一示例性实施例示出的一种图像处理装置框图之二。
图9是根据一示例性实施例示出的一种图像处理装置框图之三。
图10是根据一示例性实施例示出的一种图像处理装置框图之四。
图11是根据一示例性实施例示出的一种图像处理装置框图之五。
图12是根据一示例性实施例示出的一种图像处理装置框图之六。
图13是根据一示例性实施例示出的一种图像处理装置框图之七。
图14是根据一示例性实施例示出的一种图像处理装置框图之八。
图15是根据一示例性实施例示出的一种用图像处理装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图1是根据一示例性实施例示出的一种图像处理方法的流程图,如图1所示,该方法应用于终端中,可以包括以下步骤:
在步骤101中,获取至少局部失焦的原始图像。
在本实施例中,该原始图像可以是通过终端所配置的前置摄像头或者后置摄像头拍摄获得的图像。并且,由于用户执行的聚焦操作,使得该原始图像上的聚焦区域成像清晰,而远离对焦区域的位置成像会比较模糊,从而得到局部失焦的图像。当然,在其他实施例中,用户未执行聚焦操作或者拍摄快的情况下,也可能得到完全失焦的原始图像,本公开对原始图像中失焦区域的面积并不限制。
在步骤102中,根据原始图像确定每一像素的失焦度。
在本实施例中,首先可以根据RGB色彩空间内的原始图像获得该原始图像对应的原始灰阶图像,然后根据该原始灰阶图像确定出边缘像素,进一步确定出该多个边缘像素对应的离散失焦度图,根据基于边缘像素的离散失焦度图可以确定对应于原始图像全部像素的连续失焦度图。而为了提升离散失焦度图扩散至全部像素的连续失焦度图时的扩散效果,可以适当增加边缘像素的权重。具体,可以针对获取到的标准差进行归一化处理,并将归一化处理后大于或者等于预设阈值的数值设置为预设值,以得到所述离散失焦度图。其中,该预设阈值可以为0.0001或者0.0002,该预设值可以为1或者0.9、或者0.8,具体可以按需设计,本公开并不进行限制。
其中,可以通过边缘检测算法确定出原始灰阶图像中的多个边缘像素,进一步根据高斯模糊核模型,估计出每一边缘像素对应的标准差,该标准差可以用于表征每一像素的失焦度,从而根据每一边缘像素对应的标准差即可以获取上述实施例中所述的离散失焦度图。其中,该边缘检测算法可以包括Sobel算子、Laplacian算子或者Canny算子,本公开并不限制。其中,针对标准差的估计可以采用下述算法:根据高斯模糊核模型和第一预设标准差对原始图像进行高斯模糊,得到第一模糊图像,根据高斯模糊核模型和第二预设标准差对原始图像进行高斯模糊,得到第二模糊图像,该第二预设标准差大于第一预设标准差,当边缘像素点处的梯度比大于1且小于第二预设标准差与第一预设标准差的比值时,估计边缘像素点处的标准差。
进一步地,可以通过导向滤波算法针对离散失焦度图进行计算,以获得针对全部像素的连续失焦度图。其中,原始灰阶图像可以作为导向滤波算法中的引导图、离散失焦度图可以作为导向滤波算法中的输入图像,经导向滤波算法基于离散失焦度图和原始灰阶计算后可以得到连续失焦度图。
在步骤103中,根据每一像素的失焦度对原始图像上的对应区域进行增强,得到增强后的清晰图像。
在本实施例中,可以通过图像增强算法对原始灰阶图像进行增强,得到增强灰阶图像,而根据连续失焦度图、原始灰阶图像和增强灰阶图像可以得到融合灰阶图像,进一步将该融合灰阶图像转换至RGB的色彩空间内,即可有得到进行增强处理后的清晰图像。其中,由于是根据每一像素的权重来融合增强灰阶图像和原始灰阶图像,从而可以避免对原始图像中的平滑区域进行过度增强,避免平滑区域的杂质被过度放大。
其中,该图像增强算法可以包括高反差保留算法、对数图像增强算法、指数图像增强算法、拉普拉斯算子图像增强算法和伽马变换算法中的一种或者多种,本公开并不限制。可以通过下述算法基于连续失焦度图、原始灰阶图像和所述增强灰阶图像得到融合灰阶图像:
Y_C(i,j)=M(i,j)*Y_B(i,j)+(1-M(i,j))*Y_A(i,j);
其中,Y_C(i,j)为位于(i,j)处像素的融合灰阶图像,M(i,j)为根据所述连续失焦度图获取的位于(i,j)处像素的失焦权重,Y_B(i,j)为位于(i,j)处像素的增强灰阶图像,Y_A(i,j)为位于(i,j)处像素的原始灰阶图像。
由上述实施例可知,本公开中可以确定原始图像确定出每一像素的失焦度,了解原始图像上对应于每一像素的各个区域的失焦程度,从而可以根据不同程度的失焦进行不同程度的增强,避免对原始图像中原本已经足够清晰的位置进行过度增强,有利于防止未失焦的区域过度锐化。
为对上述实施例中所述的图像处理方法进行详细说明,下述将基于一具体实施例进行阐述。如图2所示,该图像处理方法可以包括:
在步骤201中,获取原始图像。
在本实施例中,当用户触发终端的摄像头模组时可以在终端上进行成像。该原始图像为未进行处理之前的图像,即该原始图像的质量是由摄像头模组的配置所决定。而由于在成像时通常都会执行对焦操作,从而使得原始图像上的对焦区域相对更加清晰,而失焦区域则表现的较为模糊,因而可以通过本公开中的图像处理方法对原始图像进行图像处理,提升原始图像的整体清晰度。
在步骤202中,基于原始图像获取原始灰阶图像。
在本实施例中,通过摄像头模组获取到的原始图像通常为彩色图像,所以需要通过算法将RGB彩色空间内的原始图像转换为原始灰阶图像。具体可以采用下述功时进行转换:
Y_A(m,n)=0.299*R(m,n)+0.587*G(m,n)+0.114*B(m,n);
其中,Y_A(m,n)为图像在(m,n)位置处的灰度值、R(m,n)为图像在(m,n)位置处R分量的亮度、G(m,n)为图像在(m,n)位置处G分量的亮度、B(m,n)为图像在(m,n)位置处B分量的亮度。当然,其中,每一原色的权重可以进行调整,本公开并不限制。而且,在此仅以像素包括红绿蓝三原色的情况为例进行示例性说明,在其他实施例中原始图像中还可能包括黄色或者白色等原色,因而也需要相应的转换呈灰阶图像。此外,除了上述转换方法外,还可以采用亮度优先转换方法、平均亮度转换、权重亮度转换、最大亮度转换和最小亮度转换方法中的一种或者多种方式,将原始图像转换为原始灰阶图像。
在步骤203中,根据原始灰阶图像确定边缘像素的位置。
在本实施例中,可以通过边缘检测算法确定出边缘像素的位置。其中,该边缘检测算法可以包括Sobel算子、Laplacian算子或者Canny算子。下述以Canny算子为例进行详细说明:
首先可以针对原始灰阶图像进行高斯滤波,以平滑图像、滤除噪声。高斯滤波的实现可以用两个一维高斯核分别两次加权实现,也就是先一维X方向卷积,得到的结果再一维Y方向卷积。当然也可以直接通过一个二维高斯核一次卷积实现,本公开不限制;然后计算图像中每个像素点的梯度强度和方向,在应用非极大值抑制,以消除边缘检测带来的杂散相应,然后应用双阈值检测来确定真实的边缘和潜在的边缘,具体双阈值可以包括一个高阈值和一个低阈值来区分边缘像素。如果边缘像素点梯度值大于高阈值,则被认为是强边缘点。如果边缘梯度值小于高阈值,大于低阈值,则标记为弱边缘点。小于低阈值的点则被抑制掉。最后通过抑制孤立的弱边缘完成最终的边缘检测,得到如图3所示的边缘像素图。
在步骤204中,根据高斯模糊核模型,估计每一边缘像素的标准差σ。
在本实施例中,假定标准差为σ的高斯模糊核模型G(x,σ)对理想图像F(x)进行高斯模糊后得到本公开中的原始图像M(x),即理想图像F(x)与高斯模糊核模型G(x,σ)进行卷积得到原始图像M(x),即满足:
进一步地,假定对原始图像M(x)通过第一预设标准差为p1的高斯模糊核模型进行模糊后的第一模糊图像p1(x),那么可以得到:
相类似的,假定对原始图像M(x)通过第二标准差为p2的高斯模糊核模型进行模糊后的第二模糊图像p2(x),那么可以得到:
然后对M(x)、p1(x)和p2(x)分别进行求导,可以得到:
当x=0时,梯度比值:
其中,σ即为本公开中所要估计的每一边缘像素的标准差。
实际上,从理想图像至模糊后的原始图像,不仅仅是受到高斯模糊核模型的模糊,其还可能受到噪声干扰或者其他退化干扰,所以求得到的标准差也实际标准差之间存在误差。所以本公开中为了减小误差,可以对第一模糊图像和第二模糊图像的梯度之比进行约束。具体,由于标准差越大,对边缘像素处的梯度影响越大,从而边缘处的退化会越明显。而本公开中由于第一模糊图像和第二模糊图像的梯度之比与第一预设标准差和第二预设标准差相关,而第一模糊图像和第二模糊图像的梯度之比与原始图像的标准差相关,所以,可以通过第一预设标准差和第二预设标准差对梯度比进行约束,从而约束原始图像的标准差,使得估计得到的原始图像的标准差与实际标准差之间的误差。
具体,可以在判定梯度比r大于1小于第二预设标准差与第一预设标准差之比时,第二预设标准差大于第一预设标准差,即当:
1<r<p2/p1,p2>p1
时,进一步可以计算:
基于此,可以得到x=0点处边缘像素的标准差,相类似的,可以根据每一边缘像素点的坐标,以及第一预设标准差p1、第二预设标准差p2,可以估计每一边缘像素点处的标准差。
在此,仅以x方向上的梯度为例计算求标准差为例进行说明,在其他实施例中,也可以是以y方向上的梯度为例计算求标准差,或者在其他实施例中,可以获取x方向上的梯度并获取y方向上的梯度,通过x方向上与y方向上梯度的平方和再开方的值来求标准差,本公开并不限制。
当梯度比不满足上述条件时可以认为该边缘像素点的标准差为0。
在步骤205中,针对确定出的标准差进行归一化处理。
在步骤206中,判断归一化处理后的数值是否大于等于预设阈值。
在步骤207中,当归一化计算后的数值是否大于等于预设阈值设置为1。
在步骤208中,当归一化计算后的取值是否大于等于预设阈值可以将模糊核保留原值。
在步骤209中,获得离散失焦度图。
在本实施例中,根据步骤205可以求得每一边缘像素的标准差σ,进一步可以将非边缘处像素的高速核σ设置为0,基于该求得的边缘像素的标准差σ以及非边缘处像素的高速核σ进行归一化计算,并将归一化计算后大于预设阈值的标准差设置为1,其他保留原来的标准差的值,因而可以获得如图4所示的离散失焦度图。
在步骤210中,基于导向滤波算法和离散失焦度图获得连续失焦度图M。
在本实施例中,可以通过导向滤波算法将离散失焦度图扩散为连续的失焦度图,其中,可以以原始灰阶图像Y_A作为引导图、离散失焦度图作为输入图像,从而计算得到基本上与离散失焦度图相似、纹理与原始灰阶图像Y_A相当的如图5所示的连续失焦度图M。
在步骤211中,基于原始灰阶图像Y_A获得增强灰阶图像。
在本实施例中,可以通过图像增强算法对原始灰阶图像Y_A进行增强,从而得到增强灰阶图像Y_B,图像增强算法可以包括高反差保留算法、对数图像增强算法、指数图像增强算法、拉普拉斯算子图像增强算法和伽马变换算法中的一种或者多种,本公开并不限制。以高反差保留算法为例,可以采用任意高斯核对原始灰阶图像Y_A进行模糊得到模糊图像Y_A1,然后基于原始灰阶图像Y_A和模糊图像Y_A1获得高频细节图Y_A2,将该高频细节图Y_A2按照预设缩放量进行缩放后累加至原始灰阶图像Y_A中,即可获得增强灰阶图像Y_B。其中,该预设缩放量可以位1.5、2或者2.5等,本公开并不限制。
在步骤212中,基于原始灰阶图像、增强灰阶图像和连续失焦度图获得融合灰阶图像。
在本实施例中,可以通过下述算法基于连续失焦度图、原始灰阶图像和所述增强灰阶图像得到融合灰阶图像:
Y_C(i,j)=M(i,j)*Y_B(i,j)+(1-M(i,j))*Y_A(i,j);
其中,Y_C(i,j)为位于(i,j)处像素的融合灰阶图像,M(i,j)为根据所述连续失焦度图获取的位于(i,j)处像素的失焦权重,Y_B(i,j)为位于(i,j)处像素的增强灰阶图像,Y_A(i,j)为位于(i,j)处像素的原始灰阶图像。
在步骤212中,基于融合灰阶图像获得图像处理后的清晰图像。
在本实施例中,如图6所示,左侧位原始图像、右侧为连续失焦度图,中间为基于连续失焦度图对原始图像进行增强后获得清晰图像。显然,相对于原始图像,中间的清晰图像处远离焦点的位置被增强,而且整体图像未过度锐化,清晰度增加。
与前述的图像处理方法的实施例相对应,本公开还提供了图像处理装置的实施例。
图7是根据一示例性实施例示出的一种图像处理装置框图之一。参照图7,该装置包括获取模块71,确定模块72和增强模块73,其中:
获取模块71,获取至少局部失焦的原始图像;
确定模块72,根据所述原始图像,确定每一像素的失焦度;
增强模块73,根据所述每一像素的失焦度,对所述原始图像上的对应区域进行增强,得到增强后的清晰图像。
图8是根据一示例性实施例示出的一种图像处理装置框图之二。该实施例在前述图7所示实施例的基础上,确定模块72可以包括获取子模块721、第一确定子模块722和第二确定子模块723,其中:
获取子模块721,根据所述原始图像获取原始灰阶图像;
第一确定子模块722,根据所述原始灰阶图像确定边缘像素对应的离散失焦度图;
第二确定子模块723,根据所述离散失焦度图像确定所述原始图像的全部像素对应的连续失焦度图。
图9是根据一示例性实施例示出的一种图像处理装置框图之三。该实施例在前述图8所示实施例的基础上,第一确定子模块722包括第一确定单元7221、第二确定单元7222和获取单元7223,其中:
第一确定单元7221,根据边缘检测算法,确定多个边缘像素;
第二确定单元7222,根据高斯模糊核模型,估计每一边缘像素对应的标准差;
获取单元7223,根据每一所述边缘像素对应的标准差,获取所述离散失焦度图。
图10是根据一示例性实施例示出的一种图像处理装置框图之四。该实施例在前述图9所示实施例的基础上,第二确定单元7222包括第一获取子单元72221、第二获取子单元72222、第三获取子单元72223和估计子单元72224,其中:
第一获取子单元72221,根据高斯核模糊模型和第一预设标准差对所述原始图像进行高斯模糊,得到第一模糊图像;
第二获取子单元72222,根据高斯核模糊模型和第二预设标准差对所述原始图像进行高斯模糊,得到第二模糊图像,所述第二预设标准差大于所述第一预设标准差;
第三获取子单元72223,获取所述第一模糊图像和所述第二模糊图像在边缘像素点处的梯度比;
估计子单元72224,在所述梯度比大于1且小于第二预设标准差与第一预设标准差之比时,根据所述梯度比和边缘像素点的坐标,估计对应边缘像素的标准差。
图11是根据一示例性实施例示出的一种图像处理装置框图之五。该实施例在前述图9所示实施例的基础上,获取单元7223包括第四获取子单元72231和计算子单元72231,其中:
第四获取子单元72231,针对获取到的所述标准差进行归一化处理。
计算子单元72231,将归一化处理后大于或者等于预设阈值的数值设置为预设值,以得到所述离散失焦度图。
需要说明的是,上述图11所示的装置实施例中的第四获取子单元72231和计算子单元72231的结构也可以包含在前述图10的装置实施例中,对此本公开不进行限制。
图12是根据一示例性实施例示出的一种图像处理装置框图之六。该实施例在前述图8所示实施例的基础上,第二确定子模块723,包括:
第一计算单元7231,根据导向滤波算法,确定所述连续失焦度图,其中,所述原始灰阶图像作为所述导向滤波算法中的引导图、所述离散失焦度图作为所述导向滤波算法中的输入图像。
需要说明的是,上述图12所示的装置实施例中的第一计算单元7231的结构也可以包含在前述图9-图11中的装置实施例中,对此本公开不进行限制。
图13是根据一示例性实施例示出的一种图像处理装置框图之七。该实施例在前述图7所示实施例的基础上,所述增强模块73,包括增强子模块731、融合子模块732和获取子模块733,其中:
增强子模块731,通过图像增强算法对所述原始图像对应的原始灰阶图像进行增强,得到增强灰阶图像;
融合子模块732,根据所述连续失焦度图、所述原始灰阶图像和所述增强灰阶图像得到融合灰阶图像;
获取子模块733,根据所述融合灰阶图像,获取所述清晰图像。
需要说明的是,上述图13所示的装置实施例中的增强子模块731、融合子模块732和获取子模块733的结构也可以包含在前述图8-图12中任一项装置实施例中,对此本公开不进行限制。
图14是根据一示例性实施例示出的一种图像处理装置框图之八。该实施例在前述图12所示实施例的基础上,融合子模块732,包括:
第二计算单元7321,基于下述算法获得所述融合灰阶图像:
Y_C(i,j)=M(i,j)*Y_B(i,j)+(1-M(i,j))*Y_A(i,j);
其中,Y_C(i,j)为位于(i,j)处像素的融合灰阶图像,M(i,j)为根据所述连续失焦度图获取的位于(i,j)处像素的失焦权重,Y_B(i,j)为位于(i,j)处像素的增强灰阶图像,Y_A(i,j)为位于(i,j)处像素的原始灰阶图像。
需要说明的是,上述图14所示的装置实施例中的第二计算单元7321的结构也可以包含在前述图13中的装置实施例中,对此本公开不进行限制。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。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公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
相应的,本公开还提供一种图像处理装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:获取至少局部失焦的原始图像;根据所述原始图像确定每一像素的失焦度;根据所述每一像素的失焦度对所述原始图像上的对应区域进行增强,得到增强后的清晰图像。
相应的,本公开还提供一种终端,所述终端包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:获取至少局部失焦的原始图像;根据所述原始图像确定每一像素的失焦度;根据所述每一像素的失焦度对所述原始图像上的对应区域进行增强,得到增强后的清晰图像。
图15是根据一示例性实施例示出的一种用图像处理装置1500的框图。例如,装置1500可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图15,装置1500可以包括以下一个或多个组件:处理组件1502,存储器1504,电源组件1506,多媒体组件1508,音频组件1510,输入/输出(I/O)的接口1512,传感器组件1514,以及通信组件1516。
处理组件1502通常控制装置1500的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件1502可以包括一个或多个处理器1520来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件1502可以包括一个或多个模块,便于处理组件1502和其他组件之间的交互。例如,处理组件1502可以包括多媒体模块,以方便多媒体组件1508和处理组件1502之间的交互。
存储器1504被配置为存储各种类型的数据以支持在装置1500的操作。这些数据的示例包括用于在装置1500上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器1504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件1506为装置1500的各种组件提供电力。电源组件1506可以包括电源管理系统,一个或多个电源,及其他与为装置1500生成、管理和分配电力相关联的组件。
多媒体组件1508包括在所述装置1500和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件1508包括一个前置摄像头和/或后置摄像头。当装置1500处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1510被配置为输出和/或输入音频信号。例如,音频组件1510包括一个麦克风(MIC),当装置1500处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1504或经由通信组件1516发送。在一些实施例中,音频组件1510还包括一个扬声器,用于输出音频信号。
I/O接口1512为处理组件1502和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1514包括一个或多个传感器,用于为装置1500提供各个方面的状态评估。例如,传感器组件1514可以检测到装置1500的打开/关闭状态,组件的相对定位,例如所述组件为装置1500的显示器和小键盘,传感器组件1514还可以检测装置1500或装置1500一个组件的位置改变,用户与装置1500接触的存在或不存在,装置1500方位或加速/减速和装置1500的温度变化。传感器组件1514可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1514还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件1514还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件1516被配置为便于装置1500和其他设备之间有线或无线方式的通信。装置1500可以接入基于通信标准的无线网络,如WiFi,2G或3G,4G LTE、5G NR或它们的组合。在一个示例性实施例中,通信组件1516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件1516还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置1500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器1504,上述指令可由装置1500的处理器1520执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (18)
1.一种图像处理方法,其特征在于,包括:
获取至少局部失焦的原始图像;
根据所述原始图像,确定每一像素的失焦度;
根据所述每一像素的失焦度,对所述原始图像上的对应区域进行增强,得到增强图像。
2.根据权利要求1所述的图像处理方法,其特征在于,所述根据所述原始图像确定每一像素的失焦度,包括:
根据所述原始图像获取原始灰阶图像;
根据所述原始灰阶图像,确定边缘像素对应的离散失焦度图;
根据所述离散失焦度图像,确定所述原始图像的全部像素对应的连续失焦度图。
3.根据权利要求2所述的图像处理方法,其特征在于,所述根据所述原始灰阶图像确定边缘像素对应的离散失焦度图,包括:
根据边缘检测算法,确定多个边缘像素;
根据高斯模糊核模型,估计每一边缘像素对应的标准差;
根据每一所述边缘像素对应的标准差,获取所述离散失焦度图。
4.根据权利要求3所述的图像处理方法,其特征在于,所述根据高斯模糊核模型,估计每一边缘像素对应的标准差,包括:
根据高斯核模糊模型和第一预设标准差对所述原始图像进行高斯模糊,得到第一模糊图像;
根据高斯核模糊模型和第二预设标准差对所述原始图像进行高斯模糊,得到第二模糊图像,所述第二预设标准差大于所述第一预设标准差;
获取所述第一模糊图像和所述第二模糊图像在边缘像素点处的梯度比;
在所述梯度比大于1且小于第二预设标准差与第一预设标准差之比时,根据所述梯度比和边缘像素点的坐标,估计对应边缘像素的标准差。
5.根据权利要求3所述的图像处理方法,其特征在于,所述根据每一所述边缘像素对应的标准差获取所述离散失焦度图,包括:
针对获取到的所述标准差进行归一化处理;
将归一化处理后大于或者等于预设阈值的数值设置为预设值,以得到所述离散失焦度图。
6.根据权利要求2所述的图像处理方法,其特征在于,根据所述离散失焦度图像确定所述原始图像的全部像素对应的连续失焦度图,包括:
根据导向滤波算法计算获得所述连续失焦度图,其中,所述原始灰阶图像作为所述导向滤波算法中的引导图、所述离散失焦度图作为所述导向滤波算法中的输入图像。
7.根据权利要求2所述的图像处理方法,其特征在于,所述根据所述每一像素的失焦度对所述原始图像上的对应区域进行增强,得到增强后的清晰图像,包括:
通过图像增强算法对所述原始图像对应的原始灰阶图像进行增强,得到增强灰阶图像;
根据所述连续失焦度图、所述原始灰阶图像和所述增强灰阶图像得到融合灰阶图像;
根据所述融合灰阶图像获取所述清晰图像。
8.根据权利要求7所述的图像处理方法,其特征在于,根据所述连续失焦度图、所述原始灰阶图像和所述增强灰阶图像得到融合灰阶图像,包括:
基于下述算法获得所述融合灰阶图像:
Y_C(i,j)=M(i,j)*Y_B(i,j)+(1-M(i,j))*Y_A(i,j);
其中,Y_C(i,j)为位于(i,j)处像素的融合灰阶图像,M(i,j)为根据所述连续失焦度图获取的位于(i,j)处像素的失焦权重,Y_B(i,j)为位于(i,j)处像素的增强灰阶图像,Y_A(i,j)为位于(i,j)处像素的原始灰阶图像。
9.一种图像处理装置,其特征在于,包括:
获取模块,获取至少局部失焦的原始图像;
确定模块,根据所述原始图像确定每一像素的失焦度;
增强模块,根据所述每一像素的失焦度对所述原始图像上的对应区域进行增强,得到增强后的清晰图像。
10.根据权利要求9所述的图像处理装置,其特征在于,所述确定模块包括:
获取子模块,根据所述原始图像获取原始灰阶图像;
第一确定子模块,根据所述原始灰阶图像确定边缘像素对应的离散失焦度图;
第二确定子模块,根据所述离散失焦度图像确定所述原始图像的全部像素对应的连续失焦度图。
11.根据权利要求10所述的图像处理装置,其特征在于,所述第一确定子模块包括:
第一确定单元,根据边缘检测算法,确定多个边缘像素;
第二确定单元,根据预设模糊核模型,估计每一边缘像素对应的标准差;
获取单元,根据每一所述边缘像素对应的标准差,获取所述离散失焦度图。
12.根据权利要求11所述的图像处理装置,其特征在于,所述第二确定单元,包括:
第一获取子单元,根据高斯核模糊模型和第一预设标准差对所述原始图像进行高斯模糊,得到第一模糊图像;
第二获取子单元,根据高斯核模糊模型和第二预设标准差对所述原始图像进行高斯模糊,得到第二模糊图像,所述第二预设标准差大于所述第一预设标准差;
第三获取子单元,获取所述第一模糊图像和所述第二模糊图像在边缘像素点处的梯度比;
估计子单元,在所述梯度比大于1且小于第二预设标准差与第一预设标准差之比时,根据所述梯度比和边缘像素点的坐标,估计对应边缘像素的标准差。
13.根据权利要求11所述的图像处理装置,其特征在于,所述获取单元,包括:
第四获取子单元,针对获取到的标准差,进行归一化处理;
计算子单元,将归一化处理后大于或者等于预设阈值的数值设置为预设值,以得到所述离散失焦度图。
14.根据权利要求10所述的图像处理装置,其特征在于,第二确定子模块,包括:
第一计算单元,根据导向滤波算法计算获得所述连续失焦度图,其中,所述原始灰阶图像作为所述导向滤波算法中的引导图、所述离散失焦度图作为所述导向滤波算法中的输入图像。
15.根据权利要求10所述的图像处理装置,其特征在于,所述增强模块,包括:
增强子模块,通过图像增强算法对所述原始图像对应的原始灰阶图像进行增强,得到增强灰阶图像;
融合子模块,根据所述连续失焦度图、所述原始灰阶图像和所述增强灰阶图像得到融合灰阶图像;
获取子模块,根据所述融合灰阶图像获取所述清晰图像。
16.根据权利要求15所述的图像处理装置,其特征在于,融合子模块,包括:
第二计算单元,基于下述算法获得所述融合灰阶图像:
Y_C(i,j)=M(i,j)*Y_B(i,j)+(1-M(i,j))*Y_A(i,j);
其中,Y_C(i,j)为位于(i,j)处像素的融合灰阶图像,M(i,j)为根据所述连续失焦度图获取的位于(i,j)处像素的失焦权重,Y_B(i,j)为位于(i,j)处像素的增强灰阶图像,Y_A(i,j)为位于(i,j)处像素的原始灰阶图像。
17.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现如权利要求1-8中任一项所述方法的步骤。
18.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行时实现如权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911026060.XA CN110807745B (zh) | 2019-10-25 | 2019-10-25 | 图像处理方法及装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911026060.XA CN110807745B (zh) | 2019-10-25 | 2019-10-25 | 图像处理方法及装置、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807745A true CN110807745A (zh) | 2020-02-18 |
CN110807745B CN110807745B (zh) | 2022-09-16 |
Family
ID=69489275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911026060.XA Active CN110807745B (zh) | 2019-10-25 | 2019-10-25 | 图像处理方法及装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807745B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628192A (zh) * | 2021-08-12 | 2021-11-09 | 北京百度网讯科技有限公司 | 图像模糊检测方法、装置、设备、存储介质及程序产品 |
CN113744145A (zh) * | 2021-08-20 | 2021-12-03 | 武汉瓯越网视有限公司 | 提升图像清晰度的方法、存储介质、电子设备及系统 |
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006113658A (ja) * | 2004-10-12 | 2006-04-27 | Canon Inc | 画像処理装置及び方法、及びプログラムを記録した記憶媒体 |
CN101930601A (zh) * | 2010-09-01 | 2010-12-29 | 浙江大学 | 一种基于边缘信息的多尺度模糊图像盲复原方法 |
CN102404602A (zh) * | 2011-09-23 | 2012-04-04 | 浙江工业大学 | 一种基于清晰度测试卡的摄像机清晰度检测方法 |
CN102844705A (zh) * | 2010-02-15 | 2012-12-26 | 株式会社尼康 | 焦点调节装置和焦点调节程序 |
US20130147977A1 (en) * | 2009-02-06 | 2013-06-13 | Robert Bosch Gmbh | Iris deblurring method based on global and local iris image statistics |
US20140029000A1 (en) * | 2012-07-25 | 2014-01-30 | Ningbo University | Method for detecting parfocality of zoom-stereo microscope |
CN103985145A (zh) * | 2014-03-04 | 2014-08-13 | 西安电子科技大学 | 一种基于联合稀疏和先验约束的压缩感知图像重构方法 |
CN104299202A (zh) * | 2014-10-25 | 2015-01-21 | 中国科学院光电技术研究所 | 一种基于中频的离焦模糊图像盲复原方法 |
CN104637064A (zh) * | 2015-02-28 | 2015-05-20 | 中国科学院光电技术研究所 | 一种基于边缘强度权重的离焦模糊图像清晰度检测方法 |
CN105046665A (zh) * | 2015-07-22 | 2015-11-11 | 哈尔滨工业大学深圳研究生院 | 一种针对高通量基因测序图像的小波去噪方法 |
CN105335968A (zh) * | 2015-10-13 | 2016-02-17 | 南京邮电大学 | 一种基于置信度传播算法的深度图提取方法及装置 |
CN105574823A (zh) * | 2015-12-14 | 2016-05-11 | 北京大学深圳研究生院 | 一种失焦模糊图像的去模糊方法和装置 |
CN105631890A (zh) * | 2016-02-04 | 2016-06-01 | 上海文广科技(集团)有限公司 | 基于图像梯度和相位一致性的失焦图片质量评价方法 |
CN105654470A (zh) * | 2015-12-24 | 2016-06-08 | 小米科技有限责任公司 | 图像选取方法、装置及系统 |
CN105678761A (zh) * | 2016-01-05 | 2016-06-15 | 中国航空无线电电子研究所 | 一种基于方向极值的噪声图像的散焦图估计方法 |
CN106651870A (zh) * | 2016-11-17 | 2017-05-10 | 山东大学 | 多视角三维重建中图像失焦模糊区域的分割方法 |
CN106709877A (zh) * | 2016-11-11 | 2017-05-24 | 天津大学 | 一种基于多参数正则优化模型的图像去模糊方法 |
CN107767332A (zh) * | 2017-10-23 | 2018-03-06 | 合肥师范学院 | 一种实时单幅图像深度恢复方法和系统 |
WO2018076935A1 (zh) * | 2016-10-31 | 2018-05-03 | 努比亚技术有限公司 | 图像虚化处理方法、装置、移动终端和计算机存储介质 |
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
CN108416337A (zh) * | 2018-04-28 | 2018-08-17 | 北京小米移动软件有限公司 | 提醒用户清洁镜头的方法及装置 |
US20180276796A1 (en) * | 2015-12-14 | 2018-09-27 | Peking University Shenzhen Graduate School | Method and device for deblurring out-of-focus blurred images |
CN108830804A (zh) * | 2018-05-23 | 2018-11-16 | 长春理工大学 | 基于线扩展函数标准差的虚实融合模糊一致性处理方法 |
CN109767449A (zh) * | 2018-12-03 | 2019-05-17 | 浙江工业大学 | 一种基于强边缘检测的图像清晰度评价方法 |
US20190278986A1 (en) * | 2008-01-18 | 2019-09-12 | Mitek Systems, Inc. | Systems and methods for mobile image capture and content processing of driver's licenses |
CN110321753A (zh) * | 2018-03-28 | 2019-10-11 | 浙江中正智能科技有限公司 | 一种基于人脸几何特征的人脸图像质量评价方法 |
-
2019
- 2019-10-25 CN CN201911026060.XA patent/CN110807745B/zh active Active
Patent Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006113658A (ja) * | 2004-10-12 | 2006-04-27 | Canon Inc | 画像処理装置及び方法、及びプログラムを記録した記憶媒体 |
US20190278986A1 (en) * | 2008-01-18 | 2019-09-12 | Mitek Systems, Inc. | Systems and methods for mobile image capture and content processing of driver's licenses |
US20130147977A1 (en) * | 2009-02-06 | 2013-06-13 | Robert Bosch Gmbh | Iris deblurring method based on global and local iris image statistics |
CN102844705A (zh) * | 2010-02-15 | 2012-12-26 | 株式会社尼康 | 焦点调节装置和焦点调节程序 |
CN101930601A (zh) * | 2010-09-01 | 2010-12-29 | 浙江大学 | 一种基于边缘信息的多尺度模糊图像盲复原方法 |
CN102404602A (zh) * | 2011-09-23 | 2012-04-04 | 浙江工业大学 | 一种基于清晰度测试卡的摄像机清晰度检测方法 |
US20140029000A1 (en) * | 2012-07-25 | 2014-01-30 | Ningbo University | Method for detecting parfocality of zoom-stereo microscope |
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
CN103985145A (zh) * | 2014-03-04 | 2014-08-13 | 西安电子科技大学 | 一种基于联合稀疏和先验约束的压缩感知图像重构方法 |
CN104299202A (zh) * | 2014-10-25 | 2015-01-21 | 中国科学院光电技术研究所 | 一种基于中频的离焦模糊图像盲复原方法 |
CN104637064A (zh) * | 2015-02-28 | 2015-05-20 | 中国科学院光电技术研究所 | 一种基于边缘强度权重的离焦模糊图像清晰度检测方法 |
CN105046665A (zh) * | 2015-07-22 | 2015-11-11 | 哈尔滨工业大学深圳研究生院 | 一种针对高通量基因测序图像的小波去噪方法 |
CN105335968A (zh) * | 2015-10-13 | 2016-02-17 | 南京邮电大学 | 一种基于置信度传播算法的深度图提取方法及装置 |
CN105574823A (zh) * | 2015-12-14 | 2016-05-11 | 北京大学深圳研究生院 | 一种失焦模糊图像的去模糊方法和装置 |
US20180276796A1 (en) * | 2015-12-14 | 2018-09-27 | Peking University Shenzhen Graduate School | Method and device for deblurring out-of-focus blurred images |
CN105654470A (zh) * | 2015-12-24 | 2016-06-08 | 小米科技有限责任公司 | 图像选取方法、装置及系统 |
CN105678761A (zh) * | 2016-01-05 | 2016-06-15 | 中国航空无线电电子研究所 | 一种基于方向极值的噪声图像的散焦图估计方法 |
CN105631890A (zh) * | 2016-02-04 | 2016-06-01 | 上海文广科技(集团)有限公司 | 基于图像梯度和相位一致性的失焦图片质量评价方法 |
WO2018076935A1 (zh) * | 2016-10-31 | 2018-05-03 | 努比亚技术有限公司 | 图像虚化处理方法、装置、移动终端和计算机存储介质 |
CN106709877A (zh) * | 2016-11-11 | 2017-05-24 | 天津大学 | 一种基于多参数正则优化模型的图像去模糊方法 |
CN106651870A (zh) * | 2016-11-17 | 2017-05-10 | 山东大学 | 多视角三维重建中图像失焦模糊区域的分割方法 |
CN107767332A (zh) * | 2017-10-23 | 2018-03-06 | 合肥师范学院 | 一种实时单幅图像深度恢复方法和系统 |
CN110321753A (zh) * | 2018-03-28 | 2019-10-11 | 浙江中正智能科技有限公司 | 一种基于人脸几何特征的人脸图像质量评价方法 |
CN108416337A (zh) * | 2018-04-28 | 2018-08-17 | 北京小米移动软件有限公司 | 提醒用户清洁镜头的方法及装置 |
CN108830804A (zh) * | 2018-05-23 | 2018-11-16 | 长春理工大学 | 基于线扩展函数标准差的虚实融合模糊一致性处理方法 |
CN109767449A (zh) * | 2018-12-03 | 2019-05-17 | 浙江工业大学 | 一种基于强边缘检测的图像清晰度评价方法 |
Non-Patent Citations (5)
Title |
---|
ALI KARAALI等: ""Edge-Based Defocus Blur Estimation With Adaptive Scale Selection"", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
SHAOJIE ZHUO等: ""Defocus map estimation from a single image"", 《PATTERN RECOGNITION》 * |
SHAOJUN等: ""Defocus Map Estimation From a Single Image Based on Two-Parameter Defocus Model"", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
杨亚威等: ""传统相机的空间变化离焦去模糊"", 《电光与控制》 * |
黄剑航等: ""基于Abdou算子的空间自适应图像去模糊算法"", 《计算机工程与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628192A (zh) * | 2021-08-12 | 2021-11-09 | 北京百度网讯科技有限公司 | 图像模糊检测方法、装置、设备、存储介质及程序产品 |
CN113628192B (zh) * | 2021-08-12 | 2023-07-11 | 北京百度网讯科技有限公司 | 图像模糊检测方法、装置、设备、存储介质及程序产品 |
CN113744145A (zh) * | 2021-08-20 | 2021-12-03 | 武汉瓯越网视有限公司 | 提升图像清晰度的方法、存储介质、电子设备及系统 |
CN113744145B (zh) * | 2021-08-20 | 2024-05-10 | 武汉瓯越网视有限公司 | 提升图像清晰度的方法、存储介质、电子设备及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110807745B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11580327B2 (en) | Image denoising model training method, imaging denoising method, devices and storage medium | |
CN108154465B (zh) | 图像处理方法及装置 | |
CN109345485B (zh) | 一种图像增强方法、装置、电子设备及存储介质 | |
KR101662846B1 (ko) | 아웃 포커싱 촬영에서 빛망울 효과를 생성하기 위한 장치 및 방법 | |
CN111709890B (zh) | 一种图像增强模型的训练方法、装置及存储介质 | |
CN107798654B (zh) | 图像磨皮方法及装置、存储介质 | |
CN108154466B (zh) | 图像处理方法及装置 | |
CN109784164B (zh) | 前景识别方法、装置、电子设备及存储介质 | |
CN105528765B (zh) | 处理图像的方法及装置 | |
CN112614064B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111968052B (zh) | 图像处理方法、图像处理装置及存储介质 | |
CN110728180B (zh) | 图像处理方法、装置及存储介质 | |
CN109784327B (zh) | 边界框确定方法、装置、电子设备及存储介质 | |
CN110796617B (zh) | 面部图像的增强方法及装置、电子设备 | |
CN111741187B (zh) | 图像处理方法、装置及存储介质 | |
CN112634160A (zh) | 拍照方法及装置、终端、存储介质 | |
EP3816927B1 (en) | Method and apparatus for training image processing models, and storage medium | |
CN110807745B (zh) | 图像处理方法及装置、电子设备 | |
CN107730443B (zh) | 图像处理方法、装置及用户设备 | |
CN106469446B (zh) | 深度图像的分割方法和分割装置 | |
CN113592733A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN116866495A (zh) | 图像获取方法、装置、终端设备及存储介质 | |
CN107025638B (zh) | 图像处理的方法及装置 | |
CN117455782A (zh) | 图像增强方法、图像增强装置及存储介质 | |
CN118214950A (zh) | 一种图像拼接方法、装置及存储介质 |
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 |