CN111105349A - 一种图像处理方法 - Google Patents
一种图像处理方法 Download PDFInfo
- Publication number
- CN111105349A CN111105349A CN201811259310.XA CN201811259310A CN111105349A CN 111105349 A CN111105349 A CN 111105349A CN 201811259310 A CN201811259310 A CN 201811259310A CN 111105349 A CN111105349 A CN 111105349A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- image processing
- countermeasure network
- generating
- 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 21
- 238000012545 processing Methods 0.000 claims abstract description 96
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000013526 transfer learning Methods 0.000 claims abstract description 10
- 230000003042 antagnostic effect Effects 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 230000003321 amplification Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本领域涉及图像处理领域,特别是涉及一种图像处理方法。所述方法包括:通过迁移学习方式训练编码器、生成对抗网络A、生成对抗网络B、图像处理生成对抗网络;依据处理任务有不同的生成对抗网络的接口;生成原始图像,依据处理任务,通过调整接口、调整网络参数来达到间接调整网络输出的目的,生成原始图像;图像处理生成对抗网络接收原始图像,经过图像处理生成对抗网络处理后,输出处理图像。图像在产生和传输过程中因为外部环境、拍摄条件、多次有损转换、信道传输等原因导致图像分辨率降低或者语义信息的缺失时,能够实现对低分辨率图像的质量进行显著地提升及复原,满足用户的不同处理需求。
Description
技术领域
本发明涉及一种图像处理领域,特别是涉及一种图像处理方法。
背景技术
图像包含了丰富且直观的信息,当前在互联网的社交、购物和旅游等领域,都需要大量的图像来给用户传递信息。由于互联网图像的来源很多,导致图像质量参差不齐,存在着不少低分辨率图像,这部分图像在展示的过程中会由于尺寸放大而出现图像模糊的问题,同时尺寸放大也会使图像的块效应现象更加严重,这些低质量的图像严重影响了用户体验。近年来,随着社会的发展,人们对照片质量的要求也越来越高,人们提出了当图像放大之后,仍然能够使图像保持清晰等需求。然而图像在产生和传输过程中可能因为外部环境、拍摄条件、多次有损转换、信道传输等原因导致图像分辨率降低或者语义信息的缺失,这就对图像的分辨率造成了很大影响。
随着互联网的飞速发展,图像提供方每天都会利用诸多途径获取大量图像,采用人工处理低分辨率图像的方式特别耗时,需要花费大量的人力成本。因此,利用机器自动对低分辨率图像进行质量提升成为了迫切的需求。传统的基于插值的一系列图像质量提升方法,一方面较难消除由于图像尺寸变大(超分辨率)引入冗余信息带来的图像模糊问题,另外一方面无法解决图像块效应加深问题。现阶段,基于深度学习的图像质量提升方法相继被提出,但是同时考虑解决图像模糊问题和图像块效应问题的方法较少,实现低分辨率图像质量的显著提升仍然是一项具有挑战性的任务。
发明内容
为了解决上述图像在产生和传输过程中可能因为外部环境、拍摄条件、多次有损转换、信道传输等原因导致图像分辨率降低或者语义信息的缺失,无法显著地对低分辨率图像进行质量提升及复原的问题,本发明提供了一种图像处理方法,
为了解决上述技术问题,本发明实施例提供了一种图像处理方法,所述方法包括:
通过迁移学习方式训练编码器、生成对抗网络A、生成对抗网络B、图像处理生成对抗网络;
设定学习到编码器的参数是Wva、生成对抗网络A的参数是Wga、生成对抗网络B的参数是Wgb、图像生成对抗网络的参数是Wsr,依据处理任务,编码器、生成对抗网络A、生成对抗网络B、图像生成对抗网络的接口,分别记为Wva_Interface、Wga_Interface、Wgb_Interface、Wsr_Interface;
生成原始图像,依据处理任务,训练编码器输入低分辨率图像、生成对抗网络A输入待复原图像、生成对抗网络B输入是白噪声,通过调整接口、调整网络参数来达到间接调整网络输出的目的,生成原始图像;
图像处理生成对抗网络接收原始图像,作为图像处理生成对抗网络的输入,经过图像处理生成对抗网络处理后,输出处理图像。
进一步的,所述训练编码器、生成对抗网络A时,Loss优化目标要求保留源输入图像的语义信息,生成对抗网络B用于随机生成。
进一步的,所述在调整接口、调整网络参数时,可视化观察编码器、生成对抗网络A、生成对抗网络B网络的输出以及图像处理生成对抗网络的最终输出。
进一步的,所述图像处理包括将低分辨率图像处理为高分辨率图像,调用Wva_Interface去调整编码器网络参数以及图像处理生成对抗网络输出。
进一步的,所述图像处理包括将低分辨率图像复原,调用Wga_Interface去调整抗网络A的参数以及图像处理生成对抗网络输出。
进一步的,所述图像处理包括将低分辨率图像处理为艺术图像:调用Wgb_interface去调整生成对抗网络B的参数以及图像处理生成对抗网络输出。
进一步的,所述生成对抗网络A、生成对抗网络B为一类基于零和博弈原理建模的深度学习生成模型,包括生成器Generator以及判别器Discriminator。
进一步的,所述编码器为类基于概率图模型的深度学习生成模型,包括编码器Encoder以及解码器Decoder。
进一步的,所述图像处理生成对抗网络采用Super-Resolution GAN或pix2pixGAN模型。
进一步的,所述编码器、生成对抗网络A、生成对抗网络B采用autoencoder或wsgan或lsgan生成模型。
本发明的图像处理方法具有以下有益效果:通过迁移学习方式训练编码器、生成对抗网络A、生成对抗网络B、图像处理生成对抗网络;依据处理任务,编码器、生成对抗网络A、生成对抗网络B、图像生成对抗网络的接口;生成原始图像,依据处理任务,训练编码器输入低分辨率图像、生成对抗网络A输入待复原图像、生成对抗网络B输入是白噪声,通过调整接口、调整网络参数来达到间接调整网络输出的目的,生成原始图像;图像处理生成对抗网络接收原始图像,作为图像处理生成对抗网络的输入,经过图像处理生成对抗网络处理后,输出处理图像。图像在产生和传输过程中因为外部环境、拍摄条件、多次有损转换、信道传输等原因导致图像分辨率降低或者语义信息的缺失时,能够实现对低分辨率图像的质量进行显著地提升及复原,满足用户的不同处理需求,提升用户体验。
附图说明
图1为本发明实施例中图像处理方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。
具体实施例一
本发明实施例公开了一种图像处理方法,该方法的流程图如图1所示,包括:
S1:通过迁移学习方式训练编码器、生成对抗网络A、生成对抗网络B、图像处理生成对抗网络;
通过迁移学习方式训练编码器、生成对抗网络A、生成对抗网络B、图像处理生成对抗网络,其中,编码器、生成对抗网络A的Loss优化目标要求保留源输入图像的语义信息,生成对抗网络B用于随机生成;
S2:设学习到编码器的参数是Wva、生成对抗网络A的参数是Wga、生成对抗网络B的参数是Wgb、图像生成对抗网络的参数是Wsr,依据处理任务,编码器、生成对抗网络A、生成对抗网络B、图像生成对抗网络的接口,分别记为Wva_Interface、Wga_Interface、Wgb_Interface、Wsr_Interface;
其中,生成对抗网络A、生成对抗网络B为一类基于零和博弈原理建模的深度学习生成模型,包括生成器Generator以及判别器Discriminator;编码器为类基于概率图模型的深度学习生成模型,包括编码器Encoder以及解码器Decoder;
S3:生成原始图像,依据处理任务,训练编码器输入低分辨率图像、生成对抗网络A输入待复原图像、生成对抗网络B输入是白噪声,通过调整接口、调整网络参数来达到间接调整网络输出的目的,生成原始图像;
当图像处理任务为将低分辨率图像处理为高分辨率图像时,调用Wva_Interface去调整编码器网络参数以及图像处理生成对抗网络输出;
在调整接口、调整网络参数时,可视化观察编码器、生成对抗网络A、生成对抗网络B网络的输出,可随时停止调整参数,此时中间网络输出可作为图像处理生成对抗网络的最终输出;
S4:图像处理生成对抗网络接收原始图像,作为图像处理生成对抗网络的输入,经过图像处理生成对抗网络处理后,输出处理图像;
接收S3中原始图像,作为图像处理生成对抗网络的输入,其中,图像处理生成对抗网络采用Super-Resolution GAN或pix2pix GAN模型,经过图像处理生成对抗网络处理后,输出处理图像;
本发明实施例中的编码器、生成对抗网络A、生成对抗网络B可以采用autoencoder或wsgan或lsgan生成模型替换。
具体实施例二
本发明实施例公开了一种图像处理方法,该方法的流程图如图1所示,包括:
S1:通过迁移学习方式训练编码器、生成对抗网络A、生成对抗网络B、图像处理生成对抗网络;
通过迁移学习方式训练编码器、生成对抗网络A、生成对抗网络B、图像处理生成对抗网络,其中,编码器、生成对抗网络A的Loss优化目标要求保留源输入图像的语义信息,生成对抗网络B用于随机生成;
S2:设学习到编码器的参数是Wva、生成对抗网络A的参数是Wga、生成对抗网络B的参数是Wgb、图像生成对抗网络的参数是Wsr,依据处理任务,编码器、生成对抗网络A、生成对抗网络B、图像生成对抗网络的接口,分别记为Wva_Interface、Wga_Interface、Wgb_Interface、Wsr_Interface;
其中,生成对抗网络A、生成对抗网络B为一类基于零和博弈原理建模的深度学习生成模型,包括生成器Generator以及判别器Discriminator;编码器为类基于概率图模型的深度学习生成模型,包括编码器Encoder以及解码器Decoder;
S3:生成原始图像,依据处理任务,训练编码器输入低分辨率图像、生成对抗网络A输入待复原图像、生成对抗网络B输入是白噪声,通过调整接口、调整网络参数来达到间接调整网络输出的目的,生成原始图像;
当图像处理任务为将低分辨率图像复原时,调用Wga_Interface去调整抗网络A的参数以及图像处理生成对抗网络输出;
在调整接口、调整网络参数时,可视化观察编码器、生成对抗网络A、生成对抗网络B网络的输出,可随时停止调整参数,此时中间网络输出可作为图像处理生成对抗网络的最终输出;
S4:图像处理生成对抗网络接收原始图像,作为图像处理生成对抗网络的输入,经过图像处理生成对抗网络处理后,输出处理图像;
接收S3中原始图像,作为图像处理生成对抗网络的输入,其中,图像处理生成对抗网络采用Super-Resolution GAN或pix2pix GAN模型,经过图像处理生成对抗网络处理后,输出处理图像;
本发明实施例中的编码器、生成对抗网络A、生成对抗网络B可以采用autoencoder或wsgan或lsgan生成模型替换。
具体实施例三
本发明实施例公开了一种图像处理方法,该方法的流程图如图1所示,包括:
S1:通过迁移学习方式训练编码器、生成对抗网络A、生成对抗网络B、图像处理生成对抗网络;
通过迁移学习方式训练编码器、生成对抗网络A、生成对抗网络B、图像处理生成对抗网络,其中,编码器、生成对抗网络A的Loss优化目标要求保留源输入图像的语义信息,生成对抗网络B用于随机生成;
S2:设学习到编码器的参数是Wva、生成对抗网络A的参数是Wga、生成对抗网络B的参数是Wgb、图像生成对抗网络的参数是Wsr,依据处理任务,编码器、生成对抗网络A、生成对抗网络B、图像生成对抗网络的接口,分别记为Wva_Interface、Wga_Interface、Wgb_Interface、Wsr_Interface;
其中,生成对抗网络A、生成对抗网络B为一类基于零和博弈原理建模的深度学习生成模型,包括生成器Generator以及判别器Discriminator;编码器为类基于概率图模型的深度学习生成模型,包括编码器Encoder以及解码器Decoder;
S3:生成原始图像,依据处理任务,训练编码器输入低分辨率图像、生成对抗网络A输入待复原图像、生成对抗网络B输入是白噪声,通过调整接口、调整网络参数来达到间接调整网络输出的目的,生成原始图像;
当图像处理任务为将低分辨率图像处理为艺术图像时,调用Wgb_interface去调整生成对抗网络B的参数以及图像处理生成对抗网络输出;
在调整接口、调整网络参数时,可视化观察编码器、生成对抗网络A、生成对抗网络B网络的输出,可随时停止调整参数,此时中间网络输出可作为图像处理生成对抗网络的最终输出;
S4:图像处理生成对抗网络接收原始图像,作为图像处理生成对抗网络的输入,经过图像处理生成对抗网络处理后,输出处理图像;
接收S3中原始图像,作为图像处理生成对抗网络的输入,其中,图像处理生成对抗网络采用Super-Resolution GAN或pix2pix GAN模型,经过图像处理生成对抗网络处理后,输出处理图像;
本发明实施例中的编码器、生成对抗网络A、生成对抗网络B可以采用autoencoder或wsgan或lsgan生成模型替换。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
通过迁移学习方式训练编码器、生成对抗网络A、生成对抗网络B、图像处理生成对抗网络;
设定学习到编码器的参数是Wva、生成对抗网络A的参数是Wga、生成对抗网络B的参数是Wgb、图像生成对抗网络的参数是Wsr,依据处理任务,编码器、生成对抗网络A、生成对抗网络B、图像生成对抗网络的接口,分别记为Wva_Interface、Wga_Interface、Wgb_Interface、Wsr_Interface;
生成原始图像,依据处理任务,训练编码器输入低分辨率图像、生成对抗网络A输入待复原图像、生成对抗网络B输入是白噪声,通过调整接口、调整网络参数来达到间接调整网络输出的目的,生成原始图像;
图像处理生成对抗网络接收原始图像,作为图像处理生成对抗网络的输入,经过图像处理生成对抗网络处理后,输出处理图像。
2.根据权利要求1所述的图像处理方法,其特征在于:所述训练编码器、生成对抗网络A时,Loss优化目标要求保留源输入图像的语义信息,生成对抗网络B用于随机生成。
3.根据权利要求1所述的图像处理方法,其特征在于:所述在调整接口、调整网络参数时,可视化观察编码器、生成对抗网络A、生成对抗网络B网络的输出以及图像处理生成对抗网络的最终输出。
4.根据权利要求1或3所述的图像处理方法,其特征在于:所述图像处理包括将低分辨率图像处理为高分辨率图像,调用Wva_Interface去调整编码器网络参数以及图像处理生成对抗网络输出。
5.根据权利要求1或3所述的图像处理方法,其特征在于:所述图像处理包括将低分辨率图像复原,调用Wga_Interface去调整抗网络A的参数以及图像处理生成对抗网络输出。
6.根据权利要求1或3所述的图像处理方法,其特征在于:所述图像处理包括将低分辨率图像处理为艺术图像:调用Wgb_interface去调整生成对抗网络B的参数以及图像处理生成对抗网络输出。
7.根据权利要求1所述的图像处理方法,其特征在于:所述生成对抗网络A、生成对抗网络B为一类基于零和博弈原理建模的深度学习生成模型,包括生成器Generator以及判别器Discriminator。
8.根据权利要求1或7所述的图像处理方法,其特征在于:所述编码器为类基于概率图模型的深度学习生成模型,包括编码器Encoder以及解码器Decoder。
9.根据权利要求1或7所述的图像处理方法,其特征在于:所述图像处理生成对抗网络采用Super-Resolution GAN或pix2pix GAN模型。
10.根据权利要求1所述的图像处理方法,其特征在于:所述编码器、生成对抗网络A、生成对抗网络B采用autoencoder或wsgan或lsgan生成模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811259310.XA CN111105349B (zh) | 2018-10-26 | 2018-10-26 | 一种图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811259310.XA CN111105349B (zh) | 2018-10-26 | 2018-10-26 | 一种图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111105349A true CN111105349A (zh) | 2020-05-05 |
CN111105349B CN111105349B (zh) | 2022-02-11 |
Family
ID=70417669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811259310.XA Active CN111105349B (zh) | 2018-10-26 | 2018-10-26 | 一种图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105349B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5634092A (en) * | 1994-09-30 | 1997-05-27 | Apple Computer, Inc. | Color image processing system which provides multiple image processing operations through a single interface |
US20140093184A1 (en) * | 2012-07-11 | 2014-04-03 | Tencent Technology (Shenzhen) Company Limited | Image processing method, client, and image processing system |
CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
CN107292841A (zh) * | 2017-06-16 | 2017-10-24 | 石福荣 | 模式化图像处理技术 |
US20170365038A1 (en) * | 2016-06-16 | 2017-12-21 | Facebook, Inc. | Producing Higher-Quality Samples Of Natural Images |
CN107590531A (zh) * | 2017-08-14 | 2018-01-16 | 华南理工大学 | 一种基于文本生成的wgan方法 |
US20180075581A1 (en) * | 2016-09-15 | 2018-03-15 | Twitter, Inc. | Super resolution using a generative adversarial network |
CN108268638A (zh) * | 2018-01-18 | 2018-07-10 | 浙江工业大学 | 一种基于Spark框架的生成对抗网络分布式实现方法 |
CN108520504A (zh) * | 2018-04-16 | 2018-09-11 | 湘潭大学 | 一种基于生成对抗网络端到端的模糊图像盲复原方法 |
CN108520503A (zh) * | 2018-04-13 | 2018-09-11 | 湘潭大学 | 一种基于自编码器和生成对抗网络修复人脸缺损图像的方法 |
-
2018
- 2018-10-26 CN CN201811259310.XA patent/CN111105349B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5634092A (en) * | 1994-09-30 | 1997-05-27 | Apple Computer, Inc. | Color image processing system which provides multiple image processing operations through a single interface |
US20140093184A1 (en) * | 2012-07-11 | 2014-04-03 | Tencent Technology (Shenzhen) Company Limited | Image processing method, client, and image processing system |
US20170365038A1 (en) * | 2016-06-16 | 2017-12-21 | Facebook, Inc. | Producing Higher-Quality Samples Of Natural Images |
US20180075581A1 (en) * | 2016-09-15 | 2018-03-15 | Twitter, Inc. | Super resolution using a generative adversarial network |
CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
CN107292841A (zh) * | 2017-06-16 | 2017-10-24 | 石福荣 | 模式化图像处理技术 |
CN107590531A (zh) * | 2017-08-14 | 2018-01-16 | 华南理工大学 | 一种基于文本生成的wgan方法 |
CN108268638A (zh) * | 2018-01-18 | 2018-07-10 | 浙江工业大学 | 一种基于Spark框架的生成对抗网络分布式实现方法 |
CN108520503A (zh) * | 2018-04-13 | 2018-09-11 | 湘潭大学 | 一种基于自编码器和生成对抗网络修复人脸缺损图像的方法 |
CN108520504A (zh) * | 2018-04-16 | 2018-09-11 | 湘潭大学 | 一种基于生成对抗网络端到端的模糊图像盲复原方法 |
Non-Patent Citations (7)
Title |
---|
ANTONIA CRESWELL等: "Generative Adversarial Networks: An Overview", 《IEEE SIGNAL PROCESSING MAGAZINE》 * |
CHRISTIAN LEDIG等: "Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial", 《CVPR2017》 * |
MARTIN ARJOVSKY等: "Wasserstein GAN", 《ARXIV》 * |
PHILLIP ISOLA等: "Image-to-Image Translation with Conditional Adversarial Networks", 《CVPR2017》 * |
周见智: "[AI开发]Python+Tensorflow打造自己的计算机视觉API服务", 《HTTPS://WWW.CNBLOGS.COM/XIAOZHI_5638/P/9268715.HTML》 * |
机器之心: "综述论文:四大类深度迁移学习", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/44654536》 * |
胡智豪: "SRGAN With WGAN:让超分辨率算法训练更稳定|附开源代码", 《HTTPS://BLOG.CSDN.NET/C9YV2CF9I06K2A9E/ARTICLE/DETAILS/80416693》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111105349B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288658B (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
WO2017185412A1 (zh) | 一种支持较少位数定点数的神经网络运算的装置和方法 | |
US20180204562A1 (en) | Method and device for image recognition | |
JP5197683B2 (ja) | 奥行き信号生成装置及び方法 | |
JPWO2014064916A1 (ja) | 画像処理装置及び画像処理方法 | |
CN110992365B (zh) | 一种基于图像语义分割的损失函数及其设计方法 | |
WO2020207203A1 (zh) | 一种前景数据生成及其应用方法、相关装置和系统 | |
JP2018526755A (ja) | 画像コントラストの増強方法 | |
CN101917633A (zh) | 图像的白平衡处理方法、装置及摄像机 | |
CN101448120A (zh) | 一种图表视频的动态生成系统 | |
CN108346133A (zh) | 一种面向视频卫星超分辨率重建的深度学习网络训练方法 | |
EP3629240A3 (en) | Generative adversarial networks for local noise removal from an image | |
CN105574896A (zh) | 一种面向高分辨率视频的高效背景建模方法 | |
CN112714356A (zh) | 图像亮度校正方法、装置、设备以及存储介质 | |
CN111105349B (zh) | 一种图像处理方法 | |
CN107729885B (zh) | 一种基于多重残差学习的人脸增强方法 | |
CN113487512A (zh) | 一种基于边缘信息指导的数字图像修复方法及装置 | |
CN111724306B (zh) | 一种基于卷积神经网络的图像缩小方法及系统 | |
CN108632138A (zh) | 一种基于图像隐写术的日常网络安全通信方法 | |
CN116471262A (zh) | 视频质量评估方法、装置、设备、存储介质及程序产品 | |
CN113052768A (zh) | 一种处理图像的方法、终端及计算机可读存储介质 | |
CN111028167A (zh) | 一种基于深度学习的图像修复方法 | |
CN107221019B (zh) | 图表转换方法及装置 | |
CN110322407A (zh) | 基于深度残差网络的图像椒盐噪声去除方法 | |
CN101764914B (zh) | 一种阿尔法通道边界腐蚀的方法 |
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 |