CN111179242B - 图像处理方法及其装置 - Google Patents
图像处理方法及其装置 Download PDFInfo
- Publication number
- CN111179242B CN111179242B CN201911357884.5A CN201911357884A CN111179242B CN 111179242 B CN111179242 B CN 111179242B CN 201911357884 A CN201911357884 A CN 201911357884A CN 111179242 B CN111179242 B CN 111179242B
- Authority
- CN
- China
- Prior art keywords
- image
- artificial
- target image
- natural
- acquiring
- 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 26
- 238000013441 quality evaluation Methods 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 49
- 238000010606 normalization Methods 0.000 claims description 25
- 230000004044 response Effects 0.000 claims description 23
- 238000001303 quality assessment method Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 14
- 229910002056 binary alloy Inorganic materials 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 56
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013442 quality metrics Methods 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提出了一种图像处理方法及其装置,该处理方法包括获取目标图像的图像参数;根据该目标图像的图像参数,判断该目标图像是否为自然图像或人工图像;当该目标图像为自然图像时,利用第一函数获取该目标图像的第一质量评分;当该目标图像为人工图像时,利用第二函数获取该目标图像的第二质量评分。本申请通过建立两种图像评价体系,无需获取原始图像的信息即可以对超分辨率自然图像及超分辨率人工图像进行质量评价。
Description
技术领域
本申请涉及显示领域,特别涉及一种图像处理方法及其装置。
背景技术
超分辨图像质量的评价(Super-Resolution Images Quality Assessment,SRIQA)是依据人眼的主观质量评价结果,利用算法模型对重建的超分辨图像进行客观评价,评价结果对分辨超分辨重建图像的质量和不同重建算法的优劣,及进一步改进超分辨重建技术具有重要意义。目前,客观SRIQA方法主要分为全参考型、部分参考型和无参考型三类,其中无参考型方法相比其他两种方法不需要获取原始的高分辨率图像,实用性最好。
现有技术中的无参考型IQA方法主要针对自然图像提出,其包括图像失真类型判断和图像质量评价,而根据上述两个环节所获得的评价结果并不能完全适用于超分辨图像。
因此,亟需一种图像处理方法以解决上述技术问题。
发明内容
本申请提供一种图像处理方法及其装置,以解决现有图像评价体系不适用于超分辨率图像的技术问题。
为解决上述问题,本申请提供的技术方案如下:
本申请提供了一种图像处理方法,其包括:
获取目标图像的图像参数;
根据所述目标图像的图像参数,判断所述目标图像是否为自然图像或人工图像;
当所述目标图像为自然图像时,利用第一函数获取所述目标图像的第一质量评分;
当所述目标图像为人工图像时,利用第二函数获取所述目标图像的第二质量评分。
在本申请的图像处理方法中,
根据所述目标图像的图像参数,判断所述目标图像是否为自然图像或人工图像的步骤包括:
根据所述目标图像的图像参数,获取所述目标图像的平均去对比度归一化系数;
根据所述目标图像的平均去对比度归一化系数,获取所述目标图像的平均去对比度归一化系数曲线;
根据所述目标图像的平均去对比度归一化系数,拟合所述目标图像的平均去对比度归一化系数的广义高斯分布;
根据弗雷歇空间函数F(M,G)计算所述目标图像的平均去对比度归一化系数曲线与所述目标图像的平均去对比度归一化系数的广义高斯分布的相似度的度量,M为所述目标图像的平均去对比度归一化系数曲线,G为所述目标图像的平均去对比度归一化系数的广义高斯分布;
当F(M,G)小于或等于第一阈值时,所述目标图像为自然图像;当F(M,G)大于第一阈值时,所述目标图像为人工图像。
在本申请的图像处理方法中,
当所述目标图像为自然图像时,利用第一函数获取所述目标图像的第一质量评分的步骤包括:
获取多张现有超分辨率自然图像的主观评价差异得分、根据无参考空间质量评估算法B获取的第一现有自然图像质量评分、以及根据无参考图像质量评估算法N获取的第二现有自然图像质量评分;
以多张现有超分辨率自然图像的主观评价差异得分作为自然图像质量客观评价的第一函数f1=a·Bp+b·Nq+λ的函数值,以及根据第一现有自然图像质量评分、第二现有自然图像质量评分、以及所述第一函数f1,获取第一函数f1中a、b、p、q、λ之间的第一关系式;
根据无参考空间质量评估算法B获取所述目标图像的第一自然图像质量评分,以及根据无参考图像质量评估算法N获取所述目标图像的第二自然图像质量评分;
将第一自然图像质量评分、第二自然图像质量评分、第一关系式、以及第一函数f1代入第三函数f3=||f1-D||2,以计算所述目标图像的第一质量评分,其中,当第三函数为最小值时,获取的f1为所述目标图像的第一质量评分。
在本申请的图像处理方法中,
当所述目标图像为人工图像时,利用第二函数获取所述目标图像的第二质量评分的步骤包括:
获取多张人工图像质量评价数据集;
获取多张人工图像以及所述目标图像的信息描述子;
根据多张所述人工图像质量评价数据集及信息描述子、以及所述目标图像的信息描述子,获取所述目标图像的人工图像质量分数。
在本申请的图像处理方法中,
获取多张人工图像质量评价数据集的步骤包括:
选取多张人工图像,以获取第一人工图像集;
根据插值法缩小所述第一人工图像集中任一人工图像的分辨率,以获取低分辨率人工图像集;
利用至少一种图像超分辨率法将所述低分辨率人工图像集中的图像放大至与所述第一人工图像集中的图像相同尺寸,以获取第二人工图像集;
对所述第一人工图像集及所述第二人工图像集中的任一人工图像进行进行测试,以获取任一人工图像的平均主观评分和平均主观差异评分。
在本申请的图像处理方法中,
获取多张人工图像以及所述目标图像的信息描述子的步骤包括:
获取多张人工图像以及所述目标图像的结构特征描述子;
获取多张人工图像以及所述目标图像的纹理特征描述子;
获取多张人工图像以及所述目标图像的结构特征描述子的步骤包括:
第二公式A(w,h)=arctan[Gy(w,h)/Gx(w,h)],
第三公式Gx(w,h)=H(w+1,h)-H(w-1,h),
第四公式Gy(w,h)=H(w,h+1)-H(w,h-1),以获取多张人工图像以及所述目标图像的梯度方向直方图特征,
其中,G(w,h)为多张人工图像以及所述目标图像梯度方向特征,A(w,h)为多张人工图像以及所述目标图像梯度幅值特征,Gx(w,h)为多张人工图像以及所述目标图像水平梯度特征,Gy(w,h)为多张人工图像以及所述目标图像垂直梯度特征;
获取多张人工图像以及所述目标图像的纹理特征描述子的步骤包括:
获取任一人工图像中任一像素点坐标值(w,h),
其中,1≤w≤W,1≤h≤H,w和h为正整数,W为所述目标图像的宽度,H为所述目标图像的高度;
其中,当z≥0时,θi(z)=1,当z<0时,θi(z)=0;
将任一像素点在8个方向上的边缘响应值ei的绝对值|ek|进行随机排序;
选取|ek|中按照从大到小排序的前k个ei为第一特征,以及将所述第一特征对应的边缘响应值标记为二进制中的1,将剩余(8-k)个ei为第二特征,以及将所述第二特征对应的边缘响应值标记为二进制中的0,使得任一像素点对应一八位数的二进制;
将任一像素点对应的八位数的二进制转换成十进制,使得任一像素点对应一十进制数值;
其中,当LDPk=u=τ时,f(u,τ)=1;当LDPk=u≠τ时,f(u,τ)=0;
对所述目标图像进行上述计算。
在本申请的图像处理方法中,
根据多张所述人工图像质量评价数据集及信息描述子、以及所述目标图像的信息描述子,获取所述目标图像的人工图像质量分数的步骤包括:
根据所述第一人工图像集及所述第二人工图像集中的任一人工图像的平均主观评分、平均主观差异评分、梯度方向直方图特征、以及局部方向直方图特征,以获取任一人工图像中梯度方向直方图特征及局部方向直方图特征二者的融合特征与该人工图像对应的平均主观评分及平均主观差异评分的映射模型;
将所述目标图像的梯度方向直方图特征与局部方向直方图特征带入所述映射模型,以获取所述目标图像对应的平均主观评分及平均主观差异评分。
本申请还提出了一种图像处理装置,其中,所述图像处理装置包括获取模块、判定模块、自然图像处理模块、及人工图像处理模块;
所述获取模块用于获取目标图像的图像参数;
所述判定模块用于根据所述目标图像的图像参数,判断所述目标图像是否为自然图像或人工图像;
所述自然图像处理模块用于当所述目标图像为自然图像时,利用第一函数获取所述目标图像的第一质量评分;
所述人工图像处理模块用于当所述目标图像为人工图像时,利用第二函数获取所述目标图像的第二质量评分。
在本申请的图像处理装置中,所述自然图像处理模块包括第一函数单元、现有图像评分单元、第一关系式计算单元、目标图像评分单元、自然图像处理单元;
所述现有图像评分单元用于获取多张现有超分辨率自然图像的主观评价差异得分、根据无参考空间质量评估算法B获取的第一现有自然图像质量评分、以及根据无参考图像质量评估算法N获取的第二现有自然图像质量评分;
所述第一关系式计算单元用于以多张现有超分辨率自然图像的主观评价差异得分作为自然图像质量客观评价的第一函数f1=a·Bp+b·Nq+λ的函数值,以及根据第一现有自然图像质量评分、第二现有自然图像质量评分、以及所述第一函数f1,获取第一函数f1中a、b、p、q、λ之间的第一关系式;
所述目标图像评分单元用于根据无参考空间质量评估算法B获取所述目标图像的第一自然图像质量评分,以及根据无参考图像质量评估算法N获取所述目标图像的第二自然图像质量评分;
所述自然图像处理单元用于将第一自然图像质量评分、第二自然图像质量评分、第一关系式、以及第一函数f1代入第三函数f3=||f1-D||2,以计算所述目标图像的第一质量评分,其中,当第三函数为最小值时,获取的f1为所述目标图像的第一质量评分。
在本申请的图像处理装置中,所述人工图像处理模块包括数据获取单元、信息描述子单元、人工图像处理单元;
所述数据获取单元用于获取多张人工图像质量评价数据集;
所述信息描述子单元用于获取多张人工图像、所述目标图像的信息描述子;
所述人工图像处理单元用于根据多张所述人工图像质量评价数据集及信息描述子、所述目标图像的信息描述子,获取所述目标图像的人工图像质量分数。
有益效果:本申请通过建立两种图像评价体系,无需获取原始图像的信息即可以对超分辨率自然图像及超分辨率人工图像进行质量评价。
附图说明
下面结合附图,通过对本申请的具体实施方式详细描述,将使本申请的技术方案及其它有益效果显而易见。
图1为本申请图像处理方法的步骤图;
图2为本申请图像处理装置的第一种结构图;
图3为本申请图像处理装置的第二种结构图;
图4为本申请图像处理装置的第三种结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接或可以相互通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
在本申请中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本申请。此外,本申请可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本申请提供了的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
现有技术中的无参考型IQA方法主要针对自然图像提出,其包括图像失真类型判断和图像质量评价,而根据上述两个环节所获得的评价结果并不能完全适用于超分辨图像。本申请基于上述技术问题提出了一种图像处理方法及装置。
请参阅图1,所述图像处理方法包括:
S10、获取目标图像的图像参数;
在本步骤中,主要获取所述目标图像中任一像素点坐标值(w,h);
在本实施例中,可以通过扫描装置、读取装置等,本申请不作具体限制。
在本实施例中,1≤w≤W,1≤h≤H,w和h为正整数,W为所述目标图像的宽度,H为所述目标图像的高度。
例如,所述目标图像存在1000*1000个像素点,则任一像素点对应一坐标值。以所述目标图像的从左边至右,从下至上的方向,例如第一排第一个像素的坐标为(1,1),第二像素点的坐标为(1,2),第二排第一个像素点的坐标为(2,1),第二排第二个像素点的做报表为(2,2),以此类推。
S20、根据所述目标图像的图像参数,判断所述目标图像是否为自然图像或人工图像;
在本实施例中,步骤S20具体包括:
S201、根据所述目标图像的图像参数,获取所述目标图像的平均去对比度归一化系数;
在本步骤中,主要通过所述目标图像中任一像素点对应一坐标值(w,h),以及利用去对比度归一化(Mean Subtracted Contrast Normalized,MSCN)系数公式,获取所述目标的平均去对比度归一化系数;
所述对比度归一化系数公式为:
μ(w,h)为所述目标图像的局部平均值,σ(w,h)为所述目标图像的局部方差;
m={mk,ld丨k=-K,…n,K,l=-L,…,L}为高斯滤波的波核,K为常数。
在本实施例中,根据上述公式获取任一像素点对应的MSCN系数,以及获取经标准化后的MSCN经验分布直方图。
S202、根据所述目标图像的平均去对比度归一化系数,获取所述目标图像的平均去对比度归一化系数曲线;
在本步骤中,根据上述标准化后的MSCN经验分布直方图获取所述目标图像的平均去对比度归一化系数曲线。
S203、根据所述目标图像的平均去对比度归一化系数,拟合所述目标图像的平均去对比度归一化系数的广义高斯分布;
在本步骤中,根据广义的高斯分布(Generalized Gaussian distribution,GGD)函数获取MSCN系统的曲线;
所述广义的高斯分布函数为:
g(x;a,σ2)=[a/2βΓ(1/a)]exp(-(x/β)a)
S204、根据弗雷歇空间函数F(M,G)计算所述目标图像的平均去对比度归一化系数曲线与所述目标图像的平均去对比度归一化系数的广义高斯分布的相似度的度量,M为所述目标图像的平均去对比度归一化系数曲线,G为所述目标图像的平均去对比度归一化系数的广义高斯分布;
在本实施例中,弗雷歇空间函数为现有技术,此处不再展开。
S205、当F(M,G)小于或等于第一阈值时,所述目标图像为自然图像;当F(M,G)大于第一阈值时,所述目标图像为人工图像。
在本步骤中,可以设定第一阈值T。例如,F(M,G)≤T时,所述目标图像为自然图像;当F(M,G)>T时,所述目标图像为人工图像。所述第一阈值T的大小可以根据具体情况进行设定。
S30、当所述目标图像为自然图像时,利用第一函数获取所述目标图像的第一质量评分;
在本实施例中,步骤S30具体包括:
S301、获取自然图像质量客观评价的第一函数f1=a·Bp+b·Nq+λ;
在本步骤中,主要建立用于自然图像质量客观评价的第一函数。
其中,B为无参考空间质量评估算法(Blind/Referenceless Image SpatialQUality Evaluator,BRISQUE),N为无参考图像质量评估算法(Natural image qualityevaluator,NIQE),a、b、p、q、λ之为待求参数。
S302、获取多张现有超分辨率自然图像的主观评价差异得分、根据无参考空间质量评估算法B获取的第一现有自然图像质量评分、以及根据无参考图像质量评估算法N获取的第二现有自然图像质量评分;
在本步骤中,以《Learning a no-reference quality metric for single-imagesuper-resolution.Computer Vision and Image Understanding 158,1–16(2017)》这一文献中相关超分辨率自然图像的超分辨率图像数据集为参考对象,获取一系列超分辨率自然图像的超分辨率图像数据集。上述数据集中包括多张现有超分辨率自然图像的主观评价差异得分、第一现有自然图像质量评分、以及第二现有自然图像质量评分。
S303、以多张现有超分辨率自然图像的主观评价差异得分作为自然图像质量客观评价的第一函数f1=a·Bp+b·Nq+λ的函数值,以及根据第一现有自然图像质量评分、第二现有自然图像质量评分、以及所述第一函数f1,获取第一函数f1中a、b、p、q、λ之间的第一关系式;
在本步骤中,主要利用步骤S302中的数据,以及多张现有超分辨率自然图像的主观评价差异得分与f1相等的原理,以获取a、b、p、q、λ之间的第一关系式。
S304、根据无参考空间质量评估算法B获取所述目标图像的第一自然图像质量评分,以及根据无参考图像质量评估算法N获取所述目标图像的第二自然图像质量评分;
在本步骤中,主要获取所述目标图像的第一自然图像质量评分、第二自然图像质量评分。
S305、将第一自然图像质量评分、第二自然图像质量评分、第一关系式、以及第一函数f1代入第三函数f3=||f1-D||2,以计算所述目标图像的第一质量评分,其中,当第三函数为最小值时,获取的f1为所述目标图像的第一质量评分。
在本步骤中,将所述第一关系式、第一自然图像质量评分、第二自然图像质量评分代入第一函数中,可以获取关于第一函数的求解方程。
在本实施例中,所述第三函数中的D为多张现有超分辨率自然图像的主观评价差异得分。因此,可以根据当第三函数为最小值时,获取与之对应的f1值,该获取的f1为本步骤所求的所述目标图像的第一质量评分。
S40、当所述目标图像为人工图像时,利用第二函数获取所述目标图像的第二质量评分;
在本实施例中,步骤S40具体包括:
S41、获取多张人工图像质量评价数据集;
S42、获取多张人工图像以及所述目标图像的信息描述子;
S43、根据多张所述人工图像质量评价数据集及信息描述子、以及所述目标图像的信息描述子,获取所述目标图像的人工图像质量分数。
在本实施例中,步骤S41具体可以包括:
S411、选取多张人工图像,以获取第一人工图像集;
本步骤与步骤S30类似,首先选取现有技术中多张人工图像为参考,以获取人工图像集中的相关参数。
S412、根据插值法缩小所述第一人工图像集中任一人工图像的分辨率,以获取低分辨率人工图像集;
S413、利用至少一种图像超分辨率法将所述低分辨率人工图像集中的图像放大至与所述第一人工图像集中的图像相同尺寸,以获取第二人工图像集;
S414、对所述第一人工图像集及所述第二人工图像集中的任一人工图像进行进行测试,以获取任一人工图像的平均主观评分和平均主观差异评分。
在上述步骤中,主要为获取原始图形、以及经缩放后的图像的平均主观评分(MeanOpinion Score,MOS)和平均主观差异评分(Differential Mean Opinion Score,DMOS),以形成任一张图像的主观评分标签。
在本实施例中,所述图像超分辨率法可以为SRCNN、ESPCN、EDSR等超分辨率算法,本申请不限于上述三种算法。
在本实施例中,步骤S42具体可以包括:
S421、获取多张人工图像以及所述目标图像的结构特征描述子;
在本实施例中,步骤S421具体可以包括:
第二公式A(w,h)=arctan[Gy(w,h)/Gx(w,h)],
第三公式Gx(w,h)=H(w+1,h)-H(w-1,h),
第四公式Gy(w,h)=H(w,h+1)-H(w,h-1),以获取多张人工图像以及所述目标图像的梯度方向直方图特征(Histogram of Gradient,HOG)。
其中,G(w,h)为多张人工图像以及所述目标图像梯度方向特征,A(w,h)为多张人工图像以及所述目标图像梯度幅值特征,Gx(w,h)为多张人工图像以及所述目标图像水平梯度特征,Gy(w,h)为多张人工图像以及所述目标图像垂直梯度特征。
例如,以n*n为统计单元以进行HOG特征向量计算,以及将n*n统计单元划分为不重叠的(n/8)2个8*8的单元格。
在本实施例中,n可以为16。
在本实施例中,可以采用9Bin的直方图以统计8*8单元格的梯度方向的信息,以及通过串联各单元格以获取对应的HOG特征向量。
S422、获取多张人工图像以及所述目标图像的纹理特征描述子;
在本实施例中,本步骤主要利用局部方向模式(Local Directional Pattern,LDP)算子以获取各图像中任一人工图像对应的局部方向直方图特征。
在本实施例中,步骤S422具体可以包括:
S4221、获取任一人工图像中任一像素点坐标值(w,h),
其中,1≤w≤W,1≤h≤H,w和h为正整数,W为所述目标图像的宽度,H为所述目标图像的高度;
其中,当z≥0时,θi(z)=1,当z<0时,θi(z)=0;
S4223、将任一像素点在8个方向上的边缘响应值ei的绝对值|ek|进行随机排序;
S4224、选取|ek|中按照从大到小排序的前k个ei为第一特征,以及将所述第一特征对应的边缘响应值标记为二进制中的1,将剩余(8-k)个ei为第二特征,以及将所述第二特征对应的边缘响应值标记为二进制中的0,使得任一像素点对应一八位数的二进制;
S4225、将任一像素点对应的八位数的二进制转换成十进制,使得任一像素点对应一十进制数值;
其中,当LDPk=u=τ时,f(u,τ)=1;当LDPk=u≠τ时,f(u,τ)=0;
S4227、对所述目标图像进行上述计算。
在上述步骤中,首先获取步骤S41中所有图像集中任一像素对应的8个方向的边缘响应值,以及将其随机进行排序。
例如,取k为4,某一像素点A的e5~e8的绝对值为排序前四的值,则像素点A对应的二进制数值为00001111,该像素点A对应的二进制经十进制转换为数值15。因此,根据上述规律,可以获取任一人工图像中任一像素点所对应的十进制数值。
在步骤S4226中,与步骤S421相似,将任一人工图像划分为n*n个人工图像块,并根据获取的十进制数值,以获取任一图像块的局部方向直方图特征。
其次,根据步骤S4227,重复步骤S4221~步骤S4226,以获取所述目标图像的纹理特征描述子。
在本实施例中,步骤S43具体可以包括:
S431、根据所述第一人工图像集及所述第二人工图像集中的任一人工图像的平均主观评分、平均主观差异评分、梯度方向直方图特征、以及局部方向直方图特征,以获取任一人工图像中梯度方向直方图特征及局部方向直方图特征二者的融合特征与该人工图像对应的平均主观评分及平均主观差异评分的映射模型;
在本步骤中,主要利用步骤S41中获取的所述第一人工图像集及所述第二人工图像集中的任一人工图像的平均主观评分及平均主观差异评分,步骤S421中获取的所述第一人工图像集及所述第二人工图像集中的任一人工图像的梯度方向直方图特征,以及步骤S422中获取的所述第一人工图像集及所述第二人工图像集中的任一人工图像的局部方向直方图特征,从而获取平均主观评分及平均主观差异评分、与梯度方向直方图特征及局部方向直方图特征的一一映射的映射模型。
在本实施例中,上述步骤可以在向量机中进行,通过向量机获取上述的映射额模型。
S432、将所述目标图像的梯度方向直方图特征与局部方向直方图特征带入所述映射模型,以获取所述目标图像对应的平均主观评分及平均主观差异评分。
在本步骤中,由于在步骤S42中获取了所述目标图像的梯度方向直方图特征及局部方向直方图特征,将上述特征代入上述映射模型中,以获取对应的主管评分标签,即所述目标图像的平均主观评分及平均主观差异评分。
因此,在后续操作,只需要将任一张图像输入至本申请的模型中,经鉴定为自然图像或人工图像后,利用上述自然图像评分体系及人工图像评分体系进行评分,解决了现有图像评价体系不适用于超分辨率图像的技术问题。
请参阅图2,本申请还提出了一种图像处理装置100,所述图像处理装置可以包括获取模块10、判定模块20、自然图像处理模块30、及人工图像处理模块40;
所述获取模块10用于获取目标图像的图像参数;
所述判定模块20用于根据所述目标图像的图像参数,判断所述目标图像是否为自然图像或人工图像;
所述自然图像处理模块30用于当所述目标图像为自然图像时,利用第一函数获取所述目标图像的第一质量评分;
所述人工图像处理模块40用于当所述目标图像为人工图像时,利用第二函数获取所述目标图像的第二质量评分。
请参阅图3,在本申请的图像处理装置100中,所述判定模块20包括归一化系数单元21、归一化曲线单元22、拟合单元23、弗雷歇函数计算单元24、判定单元25;
所述归一化系数单元21用于根据所述目标图像的图像参数,获取所述目标图像的平均去对比度归一化系数;
所述归一化曲线单元22用于根据所述目标图像的平均去对比度归一化系数,获取所述目标图像的平均去对比度归一化系数曲线;
所述拟合单元23用于根据所述目标图像的平均去对比度归一化系数,拟合所述目标图像的平均去对比度归一化系数的广义高斯分布;
所述弗雷歇函数计算单元24用于根据弗雷歇空间函数F(M,G)计算所述目标图像的平均去对比度归一化系数曲线与所述目标图像的平均去对比度归一化系数的广义高斯分布的相似度的度量,M为所述目标图像的平均去对比度归一化系数曲线,G为所述目标图像的平均去对比度归一化系数的广义高斯分布;
所述判定单元25用于当F(M,G)小于或等于第一阈值时,所述目标图像为自然图像;当F(M,G)大于第一阈值时,所述目标图像为人工图像。
请参阅图3,在本申请的图像处理装置100中,所述自然图像处理模块30包括现有图像评分单元32、第一关系式计算单元33、目标图像评分单元34、自然图像处理单元35;
所述现有图像评分单元32用于获取多张现有超分辨率自然图像的主观评价差异得分、根据无参考空间质量评估算法B获取的第一现有自然图像质量评分、以及根据无参考图像质量评估算法N获取的第二现有自然图像质量评分;
所述第一关系式计算单元33用于以多张现有超分辨率自然图像的主观评价差异得分作为自然图像质量客观评价的第一函数f1=a·Bp+b·Nq+λ的函数值,以及根据第一现有自然图像质量评分、第二现有自然图像质量评分、以及所述第一函数f1,获取第一函数f1中a、b、p、q、λ之间的第一关系式;
所述目标图像评分单元34用于根据无参考空间质量评估算法B获取所述目标图像的第一自然图像质量评分,以及根据无参考图像质量评估算法N获取所述目标图像的第二自然图像质量评分;
所述自然图像处理单元35用于将第一自然图像质量评分、第二自然图像质量评分、第一关系式、以及第一函数f1代入第三函数f3=||f1-D||2,以计算所述目标图像的第一质量评分,其中,当第三函数为最小值时,获取的f1为所述目标图像的第一质量评分。
在本申请的图像处理装置100中,所述人工图像处理模块40包括数据获取单元41、信息描述子单元42、人工图像处理单元43;
所述数据获取单元41用于获取多张人工图像质量评价数据集;
所述信息描述子单元42用于获取多张人工图像、所述目标图像的信息描述子;
所述人工图像处理单元43用于根据多张所述人工图像质量评价数据集及信息描述子、所述目标图像的信息描述子,获取所述目标图像的人工图像质量分数。
请参阅图4,在本申请的图像处理装置100中,所述数据获取单元10包括第一人工图像获取子单元411、第一人工图像放缩子单元412、第二人工图像获取子单元413、以及数据获取子单元414;
所述第一人工图像获取子单元411用于选取多张人工图像,以获取第一人工图像集;
所述第一人工图像放缩子单元412用于根据插值法缩小所述第一人工图像集中任一人工图像的分辨率,以获取低分辨率人工图像集;
所述第二人工图像获取子单元413用于利用至少一种图像超分辨率法将所述低分辨率人工图像集中的图像放大至与所述第一人工图像集中的图像相同尺寸,以获取第二人工图像集;
所述数据获取子单元414用于对所述第一人工图像集及所述第二人工图像集中的任一人工图像进行进行测试,以获取任一人工图像的平均主观评分和平均主观差异评分。
请参阅图4,在本申请的图像处理装置100中,所述信息描述子单元42包括结构特征描述子单元421和纹理特征描述子单元422;
所述结构特征描述子单元421用于获取多张人工图像以及所述目标图像的结构特征描述子;
所述纹理特征描述子单元422用于获取多张人工图像以及所述目标图像的纹理特征描述子;
其中,所述结构特征描述子单元421用于根据,
第二公式A(w,h)=arctan[Gy(w,h)/Gx(w,h)],
第三公式Gx(w,h)=H(w+1,h)-H(w-1,h),以及
第四公式Gy(w,h)=H(w,h+1)-H(w,h-1),以获取多张人工图像以及所述目标图像的梯度方向直方图特征,
G(w,h)为多张人工图像以及所述目标图像梯度方向特征,A(w,h)为多张人工图像以及所述目标图像梯度幅值特征,Gx(w,h)为多张人工图像以及所述目标图像水平梯度特征,Gy(w,h)为多张人工图像以及所述目标图像垂直梯度特征;
请参阅图4,所述纹理特征描述子单元422包括像素坐标获取子单元4221、边缘响应值获取子单元4222、排序子单元4223、标记子单元4224、编码转换单元4225、局部方向特征获取子单元4226、以及目标图像纹理特征获取单元4227;
所述像素坐标获取子单元4221用于获取任一人工图像中任一像素点坐标值(w,h),其中,1≤w≤W,1≤h≤H,w和h为正整数,W为所述目标图像的宽度,H为所述目标图像的高度;
所述边缘响应值获取子单元4222用于根据第五公式获取任一像素点在8个方向上的边缘响应值ei(i=1,2,…,8),|ek|是|ei|中第k打的边缘响应值,其中,当z≥0时,θi(z)=1,当z<0时,θi(z)=0;
所述排序子单元4223用于将任一像素点在8个方向上的边缘响应值ei的绝对值|ek|进行随机排序;
所述标记子单元4224用于选取|ek|中按照从大到小排序的前k个ei为第一特征,以及将所述第一特征对应的边缘响应值标记为二进制中的1,将剩余(8-k)个ei为第二特征,以及将所述第二特征对应的边缘响应值标记为二进制中的0,使得任一像素点对应一八位数的二进制;
所述编码转换单元4225用于将任一像素点对应的八位数的二进制转换成十进制,使得任一像素点对应一十进制数值;
其中,当LDPk=u=τ时,f(u,τ)=1;当LDPk=u≠τ时,f(u,τ)=0;
所述目标图像纹理特征获取单元4227用于对所述目标图像进行上述计算。
请参阅图4,在本申请的图像处理装置100中,所述人工图像处理单元包括映射模型获取子单元431、目标图像评分获取单元432;
所述映射模型获取子单元431用于根据所述第一人工图像集及所述第二人工图像集中的任一人工图像的平均主观评分、平均主观差异评分、梯度方向直方图特征、以及局部方向直方图特征,以获取任一人工图像中梯度方向直方图特征及局部方向直方图特征二者的融合特征与该人工图像对应的平均主观评分及平均主观差异评分的映射模型;
所述目标图像评分获取单元432用于将所述目标图像的梯度方向直方图特征与局部方向直方图特征带入所述映射模型,以获取所述目标图像对应的平均主观评分及平均主观差异评分。
在本实施例中,所述图像处理装置100相关工作原理可以参阅上述图像处理方法,此处不再详细赘述。
本申请提出了一种图像处理方法及其装置,该处理方法包括获取目标图像的图像参数;根据所述目标图像的图像参数,判断所述目标图像是否为自然图像或人工图像;当所述目标图像为自然图像时,利用第一函数获取所述目标图像的第一质量评分;当所述目标图像为人工图像时,利用第二函数获取所述目标图像的第二质量评分。本申请通过建立两种图像评价体系,无需获取原始图像的信息即可以对超分辨率自然图像及超分辨率人工图像进行质量评价。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上对本申请实施例所提供的一种电子装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想;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申请各实施例的技术方案的范围。
Claims (8)
1.一种图像处理方法,其特征在于,包括:
获取目标图像的图像参数;
根据所述目标图像的图像参数,判断所述目标图像是否为自然图像或人工图像;
当所述目标图像为自然图像时,利用第一函数获取所述目标图像的第一质量评分;
当所述目标图像为人工图像时,利用第二函数获取所述目标图像的第二质量评分;
其中,当所述目标图像为自然图像时,利用第一函数获取所述目标图像的第一质量评分的步骤包括:
获取多张现有超分辨率自然图像的主观评价差异得分、根据无参考空间质量评估算法B获取的第一现有自然图像质量评分、以及根据无参考图像质量评估算法N获取的第二现有自然图像质量评分;
以多张现有超分辨率自然图像的主观评价差异得分作为自然图像质量客观评价的第一函数f1=a·Bp+b·Nq+λ的函数值,以及根据第一现有自然图像质量评分、第二现有自然图像质量评分、以及所述第一函数f1,获取第一函数f1中a、b、p、q、λ之间的第一关系式;
根据无参考空间质量评估算法B获取所述目标图像的第一自然图像质量评分,以及根据无参考图像质量评估算法N获取所述目标图像的第二自然图像质量评分;
将第一自然图像质量评分、第二自然图像质量评分、第一关系式、以及第一函数f1代入第三函数f3=||f1-D||2,以计算所述目标图像的第一质量评分,其中,当第三函数为最小值时,获取的f1为所述目标图像的第一质量评分,D为多张现有超分辨率自然图像的主观评价差异得分。
2.根据权利要求1所述的图像处理方法,其特征在于,
根据所述目标图像的图像参数,判断所述目标图像是否为自然图像或人工图像的步骤包括:
根据所述目标图像的图像参数,获取所述目标图像的平均去对比度归一化系数;
根据所述目标图像的平均去对比度归一化系数,获取所述目标图像的平均去对比度归一化系数曲线;
根据所述目标图像的平均去对比度归一化系数,拟合所述目标图像的平均去对比度归一化系数的广义高斯分布;
根据弗雷歇空间函数F(M,G)计算所述目标图像的平均去对比度归一化系数曲线与所述目标图像的平均去对比度归一化系数的广义高斯分布的相似度的度量,M为所述目标图像的平均去对比度归一化系数曲线,G为所述目标图像的平均去对比度归一化系数的广义高斯分布;
当F(M,G)小于或等于第一阈值时,所述目标图像为自然图像;当F(M,G)大于第一阈值时,所述目标图像为人工图像。
3.根据权利要求1所述的图像处理方法,其特征在于,
当所述目标图像为人工图像时,利用第二函数获取所述目标图像的第二质量评分的步骤包括:
获取多张人工图像质量评价数据集;
获取多张人工图像以及所述目标图像的信息描述子;
根据多张所述人工图像质量评价数据集及信息描述子、以及所述目标图像的信息描述子,获取所述目标图像的人工图像质量分数。
4.根据权利要求3所述的图像处理方法,其特征在于,
获取多张人工图像质量评价数据集的步骤包括:
选取多张人工图像,以获取第一人工图像集;
根据插值法缩小所述第一人工图像集中任一人工图像的分辨率,以获取低分辨率人工图像集;
利用至少一种图像超分辨率法将所述低分辨率人工图像集中的图像放大至与所述第一人工图像集中的图像相同尺寸,以获取第二人工图像集;
对所述第一人工图像集及所述第二人工图像集中的任一人工图像进行测试,以获取任一人工图像的平均主观评分和平均主观差异评分。
5.根据权利要求4所述的图像处理方法,其特征在于,
获取多张人工图像以及所述目标图像的信息描述子的步骤包括:
获取多张人工图像以及所述目标图像的结构特征描述子;
获取多张人工图像以及所述目标图像的纹理特征描述子;
获取多张人工图像以及所述目标图像的结构特征描述子的步骤包括:
第二公式A(w,h)=arctan[Gy(w,h)/Gx(w,h)],
第三公式Gx(w,h)=H(w+1,h)-H(w-1,h),
第四公式Gy(w,h)=H(w,h+1)-H(w,h-1),以获取多张人工图像以及所述目标图像的梯度方向直方图特征,
其中,G(w,h)为多张人工图像以及所述目标图像梯度方向特征,A(w,h)为多张人工图像以及所述目标图像梯度幅值特征,Gx(w,h)为多张人工图像以及所述目标图像水平梯度特征,Gy(w,h)为多张人工图像以及所述目标图像垂直梯度特征,H(w+1,h)、H(w-1,h)、H(w,h+1)、H(w,h-1)为所述目标图像在对应坐标的图像强度;
获取多张人工图像以及所述目标图像的纹理特征描述子的步骤包括:
获取任一人工图像中任一像素点坐标值(w,h),
其中,1≤w≤W,1≤h≤H,w和h为正整数,W为所述目标图像的宽度,H为所述目标图像的高度;
其中,当z≥0时,θi(z)=1,当z<0时,θi(z)=0;
将任一像素点在8个方向上的边缘响应值ei的绝对值|ek|进行随机排序;
选取|ek|中按照从大到小排序的前k个ei为第一特征,以及将所述第一特征对应的边缘响应值标记为二进制中的1,将剩余(8-k)个ei为第二特征,以及将所述第二特征对应的边缘响应值标记为二进制中的0,使得任一像素点对应一八位数的二进制;
将任一像素点对应的八位数的二进制转换成十进制,使得任一像素点对应一十进制数值;
其中,当LDPk=u=τ时,f(u,τ)=1;当LDPk=u≠τ时,f(u,τ)=0;
对所述目标图像进行上述计算。
6.根据权利要求5所述的图像处理方法,其特征在于,
根据多张所述人工图像质量评价数据集及信息描述子、以及所述目标图像的信息描述子,获取所述目标图像的人工图像质量分数的步骤包括:
根据所述第一人工图像集及所述第二人工图像集中的任一人工图像的平均主观评分、平均主观差异评分、梯度方向直方图特征、以及局部方向直方图特征,以获取任一人工图像中梯度方向直方图特征及局部方向直方图特征二者的融合特征与该人工图像对应的平均主观评分及平均主观差异评分的映射模型;
将所述目标图像的梯度方向直方图特征与局部方向直方图特征带入所述映射模型,以获取所述目标图像对应的平均主观评分及平均主观差异评分。
7.一种图像处理装置,其特征在于,所述图像处理装置包括获取模块、判定模块、自然图像处理模块、及人工图像处理模块;
所述获取模块用于获取目标图像的图像参数;
所述判定模块用于根据所述目标图像的图像参数,判断所述目标图像是否为自然图像或人工图像;
所述自然图像处理模块用于当所述目标图像为自然图像时,利用第一函数获取所述目标图像的第一质量评分;
所述人工图像处理模块用于当所述目标图像为人工图像时,利用第二函数获取所述目标图像的第二质量评分;
其中,所述自然图像处理模块包括现有图像评分单元、第一关系式计算单元、目标图像评分单元、自然图像处理单元;
所述现有图像评分单元用于获取多张现有超分辨率自然图像的主观评价差异得分、根据无参考空间质量评估算法B获取的第一现有自然图像质量评分、以及根据无参考图像质量评估算法N获取的第二现有自然图像质量评分;
所述第一关系式计算单元用于以多张现有超分辨率自然图像的主观评价差异得分作为自然图像质量客观评价的第一函数f1=a·Bp+b·Nq+λ的函数值,以及根据第一现有自然图像质量评分、第二现有自然图像质量评分、以及所述第一函数f1,获取第一函数f1中a、b、p、q、λ之间的第一关系式;
所述目标图像评分单元用于根据无参考空间质量评估算法B获取所述目标图像的第一自然图像质量评分,以及根据无参考图像质量评估算法N获取所述目标图像的第二自然图像质量评分;
所述自然图像处理单元用于将第一自然图像质量评分、第二自然图像质量评分、第一关系式、以及第一函数f1代入第三函数f3=||f1-D||2,以计算所述目标图像的第一质量评分,其中,当第三函数为最小值时,获取的f1为所述目标图像的第一质量评分,D为多张现有超分辨率自然图像的主观评价差异得分。
8.根据权利要求7所述的图像处理装置,其特征在于,所述人工图像处理模块包括数据获取单元、信息描述子单元、人工图像处理单元;
所述数据获取单元用于获取多张人工图像质量评价数据集;
所述信息描述子单元用于获取多张人工图像、所述目标图像的信息描述子;
所述人工图像处理单元用于根据多张所述人工图像质量评价数据集及信息描述子、所述目标图像的信息描述子,获取所述目标图像的人工图像质量分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911357884.5A CN111179242B (zh) | 2019-12-25 | 2019-12-25 | 图像处理方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911357884.5A CN111179242B (zh) | 2019-12-25 | 2019-12-25 | 图像处理方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111179242A CN111179242A (zh) | 2020-05-19 |
CN111179242B true CN111179242B (zh) | 2023-06-02 |
Family
ID=70650577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911357884.5A Active CN111179242B (zh) | 2019-12-25 | 2019-12-25 | 图像处理方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111179242B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112532971A (zh) * | 2020-11-25 | 2021-03-19 | 深圳创维-Rgb电子有限公司 | 影像处理方法、装置、显示终端以及计算机可读存储介质 |
CN112750121B (zh) * | 2021-01-20 | 2021-11-26 | 赛维森(广州)医疗科技服务有限公司 | 用于病理玻片数字图像质量检测的系统及其方法 |
CN113158880A (zh) * | 2021-04-19 | 2021-07-23 | 中国海洋大学 | 一种基于深度学习的学生课堂行为识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103475897A (zh) * | 2013-09-09 | 2013-12-25 | 宁波大学 | 一种基于失真类型判断的自适应图像质量评价方法 |
CN106570504A (zh) * | 2016-10-12 | 2017-04-19 | 成都西纬科技有限公司 | 一种图像质量评价系统及方法 |
CN108765414A (zh) * | 2018-06-14 | 2018-11-06 | 上海大学 | 基于小波分解和自然场景统计的无参考立体图像质量评价方法 |
CN109949264A (zh) * | 2017-12-20 | 2019-06-28 | 深圳先进技术研究院 | 一种图像质量评价方法、设备及存储设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012231301A (ja) * | 2011-04-26 | 2012-11-22 | Sony Corp | 係数学習装置および方法、画像処理装置および方法、プログラム、並びに記録媒体 |
-
2019
- 2019-12-25 CN CN201911357884.5A patent/CN111179242B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103475897A (zh) * | 2013-09-09 | 2013-12-25 | 宁波大学 | 一种基于失真类型判断的自适应图像质量评价方法 |
CN106570504A (zh) * | 2016-10-12 | 2017-04-19 | 成都西纬科技有限公司 | 一种图像质量评价系统及方法 |
CN109949264A (zh) * | 2017-12-20 | 2019-06-28 | 深圳先进技术研究院 | 一种图像质量评价方法、设备及存储设备 |
CN108765414A (zh) * | 2018-06-14 | 2018-11-06 | 上海大学 | 基于小波分解和自然场景统计的无参考立体图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111179242A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179242B (zh) | 图像处理方法及其装置 | |
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
JP5984559B2 (ja) | 壊死細胞領域検出装置及びその方法、壊死細胞領域検出プログラム | |
CN106920245B (zh) | 一种边界检测的方法及装置 | |
CN111311543B (zh) | 图像清晰度检测方法、系统、设备及存储介质 | |
CN109584202A (zh) | 图像处理装置、方法和非暂时性计算机可读存储介质 | |
CN108805825B (zh) | 一种重定位图像质量评价方法 | |
CN112132907B (zh) | 一种相机标定方法、装置、电子设备及存储介质 | |
CN111369550A (zh) | 图像配准与缺陷检测方法、模型、训练方法、装置及设备 | |
CN116797590B (zh) | 一种基于机器视觉的Mura缺陷检测方法及系统 | |
CN111641822B (zh) | 一种重定位立体图像质量评价方法 | |
CN110996096A (zh) | 一种基于结构相似性差异度的色调映射图像质量评价方法 | |
CN114444565A (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
CN113592839A (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统 | |
CN108764343B (zh) | 一种跟踪算法中的跟踪目标框的定位方法 | |
CN107578001B (zh) | 测试指纹采集设备的分辨率的方法及装置 | |
JP6405603B2 (ja) | 情報処理装置、情報処理システム及びプログラム | |
US20160078312A1 (en) | Image processing method and apparatus using training dictionary | |
JP2023003763A (ja) | 学習装置、画像処理装置、学習処理方法、及びプログラム | |
CN106447667B (zh) | 基于自学习特征和矩阵低秩复原的视觉显著性检测方法 | |
CN105913427B (zh) | 一种基于机器学习的噪声图像显著性检测方法 | |
JP2012048326A (ja) | 画像処理装置及びプログラム | |
Peres et al. | Automatic segmentation of digital images applied in cardiac medical images | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN115187790A (zh) | 一种基于参考区域二值化结果的图像轮廓提取方法 |
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 |