CN111383237B - 一种图像分析方法、装置及终端设备 - Google Patents

一种图像分析方法、装置及终端设备 Download PDF

Info

Publication number
CN111383237B
CN111383237B CN201811643062.9A CN201811643062A CN111383237B CN 111383237 B CN111383237 B CN 111383237B CN 201811643062 A CN201811643062 A CN 201811643062A CN 111383237 B CN111383237 B CN 111383237B
Authority
CN
China
Prior art keywords
image
light intensity
value
label
image blocks
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
Application number
CN201811643062.9A
Other languages
English (en)
Other versions
CN111383237A (zh
Inventor
张志豪
李松南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TCL Technology Group Co Ltd
Original Assignee
TCL Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by TCL Technology Group Co Ltd filed Critical TCL Technology Group Co Ltd
Priority to CN201811643062.9A priority Critical patent/CN111383237B/zh
Publication of CN111383237A publication Critical patent/CN111383237A/zh
Application granted granted Critical
Publication of CN111383237B publication Critical patent/CN111383237B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06T5/94—
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明适用于图像分析技术领域，提供了一种图像分析方法、装置及终端设备，通过获取原始图像，并按照预设尺寸将该原始图像分割成不重叠的N个图像区块，N为大于1的正整数，再对该N个图像区块的光强度进行标准化处理，得到与该原始图像对应的光强度标签图，同时对该N个图像区块的物体结构含量进行标准化处理，得到与原始图像对应的结构线标签图，然后对光强度标签图和结构线标签图进行整合，得到与原始图像对应的混合标签图，计算混合标签图的卷积值，根据卷积值与预设阈值的比较结果得到对应的图像分析结果，通过同时确定原始图像的光强度和结构线，得到对应的混合标签图后计算其卷积值，得到原始图像是否需要进行光强度调节的图像分析结果，降低了对所有低亮度的图像都进行光强度调节的盲目性，并节约了处理器资源和时间，使得用户体验更好。

Description

一种图像分析方法、装置及终端设备
技术领域
本发明属于图像分析技术领域，尤其涉及一种图像分析方法、装置及终端设备。
背景技术
随着智能手机的普及，越来越多的人使用手机拍摄、编辑和分享他们的图片、视频内容，因此如何提高手机拍摄图片的画面质量变得越来越重要。尽管现今手机摄像头像素有了很大的改善，但是在弱光和背光的情况下，影像质量仍大为下降。当前一个常用的图像质量改善方法就是后期数码加工，将图像中曝光不足的区域增加光强度。不过，在实际情况中，并不是所有影像都需要光强度调节，如盲目使用，不但浪费处理器资源和时间，而且会降低影像的对比度和真确性。
发明内容
有鉴于此，本发明实施例提供了一种图像分析方法、装置及终端设备，以解决现有光强度调节方法中对所有低亮度的图像都进行光强度调节的盲目性的问题。
本发明实施例的第一方面提供了一种图像分析方法，包括：
获取原始图像，并按照预设尺寸将所述原始图像分割成不重叠的N个图像区块，所述N为大于1的正整数；
对所述N个图像区块的光强度进行标准化处理，得到与所述原始图像对应的光强度标签图；
对所述N个图像区块的物体结构含量进行标准化处理，得到与所述原始图像对应的结构线标签图，所述物体结构含量为图像区块中的物体结构的边界线线的含量，所述结构线标签图为对图像区块中的物体结构含量进行标准化处理得到标签图；
对所述光强度标签图和所述结构线标签图进行整合，得到与所述原始图像对应的混合标签图；
计算所述混合标签图的卷积值；
根据所述卷积值与预设阈值的比较结果得到对应的图像分析结果。
本发明实施例的第二方面提供了一种图像分析装置，包括：
图像分割单元，用于获取原始图像，并按照预设尺寸将所述原始图像分割成不重叠的N个图像区块，所述N为大于1的正整数；
光强度标准化单元，用于对所述N个图像区块的光强度进行标准化处理，得到与所述原始图像对应的光强度标签图；
物体结构含量准化单元，用于对所述N个图像区块的物体结构含量进行标准化处理，得到与所述原始图像对应的结构线标签图；
图像整合单元，用于对所述光强度标签图和所述结构线标签图进行整合，得到与所述原始图像对应的混合标签图；
卷积值计算单元，用于计算所述混合标签图的卷积值；
图像分析单元，用于根据所述卷积值与预设阈值的比较结果得到对应的图像分析结果。
本发明实施例的第三方面提供了一种终端设备，包括：
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现本发明实施例的第一方面提供的图像分析方法的步骤。
其中，所述计算机程序包括：
图像分割单元，用于获取原始图像，并按照预设尺寸将所述原始图像分割成不重叠的N个图像区块，所述N为大于1的正整数；
光强度标准化单元，用于对所述N个图像区块的光强度进行标准化处理，得到与所述原始图像对应的光强度标签图；
物体结构含量准化单元，用于对所述N个图像区块的物体结构含量进行标准化处理，得到与所述原始图像对应的结构线标签图，所述物体结构含量为图像区块中的物体结构的边界线线的含量，所述结构线标签图为对图像区块中的物体结构含量进行标准化处理得到标签图；
图像整合单元，用于对所述光强度标签图和所述结构线标签图进行整合，得到与所述原始图像对应的混合标签图；
卷积值计算单元，用于计算所述混合标签图的卷积值；
图像分析单元，用于根据所述卷积值与预设阈值的比较结果得到对应的图像分析结果。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明实施例的第一方面提供的图像分析方法的步骤。
其中，所述计算机程序包括：
图像分割单元，用于获取原始图像，并按照预设尺寸将所述原始图像分割成不重叠的N个图像区块，所述N为大于1的正整数；
光强度标准化单元，用于对所述N个图像区块的光强度进行标准化处理，得到与所述原始图像对应的光强度标签图；
物体结构含量准化单元，用于对所述N个图像区块的物体结构含量进行标准化处理，得到与所述原始图像对应的结构线标签图；
图像整合单元，用于对所述光强度标签图和所述结构线标签图进行整合，得到与所述原始图像对应的混合标签图；
卷积值计算单元，用于计算所述混合标签图的卷积值；
图像分析单元，用于根据所述卷积值与预设阈值的比较结果得到对应的图像分析结果。
本发明实施例与现有技术相比存在的有益效果是：通过获取原始图像，并按照预设尺寸将该原始图像分割成不重叠的N个图像区块，N为大于1的正整数，再对该N个图像区块的光强度进行标准化处理，得到与该原始图像对应的光强度标签图，同时对该N个图像区块的物体结构含量进行标准化处理，得到与原始图像对应的结构线标签图，然后对光强度标签图和结构线标签图进行整合，得到与原始图像对应的混合标签图，计算混合标签图的卷积值，根据卷积值与预设阈值的比较结果得到对应的图像分析结果，通过同时确定原始图像的光强度和结构线，得到对应的混合标签图后计算其卷积值，得到原始图像是否需要进行光强度调节的图像分析结果，降低了对所有低亮度的图像都进行光强度调节的盲目性，并节约了处理器资源和时间，使得用户体验更好。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种图像分析方法的实现流程图；
图2是本发明实施例提供的一种对图像区块的光强度进行标准化处理的方法的具体实现流程图；
图3是本发明实施例提供的一种对图像区块的物体结构含量进行标准化处理的方法的具体实现流程图；
图4是本发明实施例提供的一种标记图像区块的长直边线所需要分析的5个图像区块的示意图；
图5是本发明实施例提供的一种对光强度标签图和结构线标签图进行整合的方法的具体实现流程图；
图6是本发明实施例提供的一种图像分析装置的示意图；
图7是本发明实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。请参考图1，图1示出了本发明实施例提供的一种图像分析方法的实现流程，详述如下：
在步骤S101中，获取原始图像，并按照预设尺寸将所述原始图像分割成不重叠的N个图像区块，所述N为大于1的正整数。
在本发明实施例中，原始图像为终端设备进行拍摄后所得到的未经处理的原图像，这里所指的终端设备包括但不限于摄像机、智能手机等具备拍照功能的设备。
在这里，预设尺寸为预先设定的图像尺寸，按照该图像尺寸将原始图像(m*n)分割成N个不重叠的图像区块，m*n为原始图像的图像尺寸。
在这里，N个不重叠的图像区块可以用N＝X*Y来所分割成的不重叠的图像区块，其中，X和Y均为大于1的正整数，X小于Y。在这里，当原始图像的图像尺寸为大于或等于768*1024的图像尺寸时，X优选为12，Y优选为16，即N＝12*16；当原始图像的图像尺寸为小于768*1024的图像尺寸时，X优选为8，Y优选为12，即N＝8*12，这时，每个图像区块的图像尺寸为(m/12)*(n/16)或者(m/8)*(n/12)，从而保证每个图像区块包含有足够的本地信息，不会因过分平坦而导致图像分析的误差较大，同时保证了手机终端的处理能力。
在步骤S102中，对所述N个图像区块的光强度进行标准化处理，得到与所述原始图像对应的光强度标签图。
在本发明实施例中，受光不足的图像区域比如背光物体，晚间户外远景上的像素的光强度会整体偏低，将光强度未达到预设光强度阈值的图像区块标记为低亮度图像区块，用第一数值“1”来表示；将光强度达到预设光强度阈值的图像区块标记为高亮度图像区块，用第二数值“0”来表示，即以数值“0”和“1”来对每个图像区块的光强度进行标准化处理，以便于后期的图像分析。
在对每个图像区块进行标准化处理后，得到一张与原始图像对应的光强度标签图，其尺寸为12*16或者8*12。
可选的，请参考图2，图2示出了本发明实施例提供的一种对图像区块的光强度进行标准化处理的方法的具体实现流程，详述如下：
在步骤S201中，检测并获取所述N个图像区块中的像素光强度值。
在本发明实施例中，像素光强度为图像区块中每个像素的光强度，不同的像素所具有的光强度并不完全相同，有多少个像素对应就有多少个光强度，在检测并获取每个图像区块的像素光强度值后，生成N个对应的像素光强度值数据集。
在步骤S202中，分别将每个图像区块中最大的一个像素光强度值与预设光强度阈值进行比较。
在本发明实施例中，每个图像区块中都会有一个最大的像素光强度值，也即每个像素光强度值数据集中数值最大的一个像素光强度值，将该最大的像素光强度值作为该图像区块的光强度代表，与预设光强度阈值进行比较，以判读该图像区块是为低亮度图像区块，还是为高亮度图像区块。
在这里，预设光强度阈值为预先设置的光强度值，以其为判断图像区块是为低亮度图像区块还是为高亮度图像区块的分界点。
可选的，因受噪声影响，像素光强度值数据集中会有像素的光强度大于其本身的真确值，为了避免这一噪声影响，提高图像区块是为低亮度图像区块还是为高亮度图像区块的准确性，在检测并获取所述N个图像区块中的像素光强度值，得到对应的像素光强度值数据集后，按预设比例，从高到低剔除所述像素光强度值数据集中的光强度最高的部分像素，再将剩余像素中的光强度的最高值作为当前图像区块的最高的像素光强度值。
在步骤S203中，根据比较结果对所述N个图像区块进行二值化处理，生成与所述原始图像对应的光强度标签图。
在本发明实施例中，比较结果包括第一比较结果和第二比较结果，其中：
第一比较结果为当前进行比较的图像区块中最大的一个像素光强度值小于预设光强度阈值时，将该图像区块标记为低亮度图像区块；
第二比较结果为当前进行比较的图像区块中最大的一个像素光强度值大于或等于预设光强度阈值时，将该图像区块标记为高亮度图像区块。
可选的，步骤S203具体包括：
步骤S2031，当所述图像区块中最大的一个像素光强度值小于预设光强度阈值时，将第一数值赋予所述图像区块。
步骤S2032，当所述图像区块中最大的一个像素光强度值大于或等于预设光强度阈值时，将第二数值赋予所述图像区块。
步骤S2033，根据赋值后的N个图像区块，生成与所述原始图像对应的光强度标签图。
在本发明实施例中，第一数值和第二数值中的“第一”和“第二”并无特殊含义，仅用来区分不同的数值。为便于后期的图像分析，这里的第一数值和第二数值分别用0或1来表示。在这里，第一数值设定为1，第二数值设定为0，也即将低亮度图像区块的赋值用1来表示，将高亮度图像区块的赋值用0来表示。也就是说，当图像区块的比较结果为第一比较结果时，将第一数值赋予该图像区块；当图像区块的比较结果为第二比较结果时，将第二数值赋予该图像区块。
在对每个图像区块都进行赋值后，生成与原始图像对应的光强度标签图，即每个图像区块的位置并未发生变化，而仅是增加了每个图像区块的赋值，也即光强度标签图可以认为是一个由12*16个或者8*12个0和1所组成的矩阵图。
在步骤S103中，对所述N个图像区块的物体结构含量进行标准化处理，得到与所述原始图像对应的结构线标签图。
在本发明实施例中，每个图像区块中都会包含有不同的物体，而人们所关注的一般是图像中具有结构信息的图像区域，尤其是具有长直结构线的图像区域，因此，统计每个图像区块中的物体的结构含量，也就是统计具有长直结构线的物体的边线，从而确定该图像区块是为多结构线图像区块，还是为少结构线图像区块。
在这里，将物体结构含量的结构性边线的长度总和大于或等于预设长度阈值的图像区块标记为多结构线图像区块，用第一数值“1”来表示；将物体结构含量的结构性边线的长度总量小于预设长度阈值的图像区块标记为少结构线图像区块，用第二数值“0”来表示，即以数值“0”和“1”来对每个图像区块的物体结构含量进行标准化处理，以便于后期的图像分析。
在对每个图像区块进行标准化处理后，得到一张与原始图像对应的结构线标签图，其尺寸为12*16或者8*12。
可选的，请参考图3，图3示出了本发明实施例提供的一种对图像区块的物体结构含量进行标准化处理的方法的具体实现流程，详述如下：
在步骤S301中，对所述N个图像区块的边线进行标记，得到所述N个图像区块的结构性边线。
在本发明实施例中，首先通过边缘检测Canny Edge Detection方法将图像区块的结构性边线检测并标记出来，同时为了避免由于图像的光炫噪声而使得物体表面的细致纹理等效果也被边缘检测方法标记为边线，但实际并非图像观看者所关注的图像区域，而导致后期图像分析过程中占用大量的处理器资源和时间的问题，在通过边缘检测方法将图像区块的结构性边线检测并标记出来后，再使用霍夫Hough变换来统计并标记该图像区块上长直边线，并将该长直边线作为该图像区块的结构性边线，然后计算该长直边线的长度总和。
在这里，当存在长直边线穿过图像区块的边界时，由于图像区块四角上的直线穿过图像区块的边界，会存在重叠的图像方块，也就是说当分析一图像区块时，需要同时分析5个图像区块的长直边线(请参考图4，图4示出了本发明实施例提供的一种标记图像区块的长直边线所需要分析的5个图像区块)，即在标记目标图像区块的长直边线时，需要分析5个图像区块(如图4中的目标图像区块、图像区块1、图像区块2、图像区块3和图像区块4)上的直线，在这里，将目标图像区块的长直边线定义为hf，其中，hf＝max(h1,h2,...,h5)，h1,h2,h3,h4,h5分别对应为目标图像区块、图像区块1、图像区块2、图像区块3和图像区块4中的长直边线的长度之和，比如目标图像区块，经霍夫Hough检查得出三条直线，其长度分别为80/92/77，则其长度之和h1为h1＝80+92+77，同样，可以得出其他4个区块的长度之和h2,h3,h4,h5。
在步骤S302中，分别统计每个图像区块的结构性边线中的第一边线的长度，计算所述第一边线的长度总和。
在本发明实施例中，这里所指的第一边线即为图像区块上的长直边线，在使用霍夫变换得到图像区块的长直边线后，计算该图像区块的所有长直边线的长度总和。
在步骤S303中，将所述图像区块的第一边线的长度总和与预设长度阈值进行比较。
在本发明实施例中，预设长度阈值为预先设定的长度阈值，在这里，优选该预设长度阈值为min(m/12,n/16)*0.75，或者为min(m/8,n/12)*0.75。当统计到图像区块中的第一边线的长度总和大于或等于该预设长度阈值时，将该图像区块标记为多结构线图像区块，并用数值“1”表示；当统计到图像区块中的第一边线的长度总和小于该预设长度阈值时，将该图像区块标记为少结构线图像区块，并用数值“0”表示。
在步骤S304中，根据比较结果对所述N个图像区块进行二值化处理，生成与所述原始图像对应的结构线标签图。
在本发明实施例中，比较结果包括第三比较结果和第四比较结果，其中：
第三比较结果为当前进行比较的图像区块的第一边线的长度总和大于或等于预设长度阈值时，将该图像区块标记为多结构线图像区块；
第四比较结果为当前进行比较的图像区块的第一边线的长度总和小于预设长度阈值时，将该图像区块标记为少结构线图像区块。
可选的，步骤S304具体包括：
步骤S3041，当所述图像区块的第一边线的长度总和大于或等于预设长度阈值时，将第一数值赋予所述图像区块。
步骤S3042，当所述图像区块的第一边线的长度总和小于预设长度阈值时，将第二数值赋予所述图像区块。
步骤S3043，根据赋值后的N个图像区块，生成与所述原始图像对应的结构线标签图。
在本发明实施例中，第一数值设定为1，第二数值设定为0，当图像区块的比较结果为第三比较结果时，将第一数值赋予该图像区块；当图像区块的比较结果为第四比较结果时，将第二数值赋予该图像区块。
在对每个图像区块都进行赋值后，生成与原始图像对应的结构线标签图，即每个图像区块的位置并未发生变化，而仅是增加了每个图像区块的赋值，也即结构线标签图可以认为是一个由12*16个或者8*12个0和1所组成的矩阵图。
在步骤S104中，对所述光强度标签图和所述结构线标签图进行整合，得到与所述原始图像对应的混合标签图。
在本发明实施例中，需要进行光强度调节的图像定义为具有低亮度和多结构线的图像，因此，在得到光强度标签图和结构线标签图后，还需要对这两个标签图进行整合，以得到原始图像对应的混合标签图，该混合标签图也是一个由12*16个或者8*12个0和1所组成的矩阵图。
可选的。请参考图5，图5示出了本发明实施例提供的一种对光强度标签图和结构线标签图进行整合的方法的具体实现流程，详述如下：
在步骤S501中，判断所述光强度标签图和所述结构线标签图中相对应的图像区块的赋值是否相等，且所述赋值为第二数值。
在本发明实施例中，对光强度标签图和结构线标签图进行整合实际上是对图像区块的赋值进行重设，当同一顺序的图像区块在光强度标签图中的赋值为第一数值“1”，并且其在结构线标签图中的赋值也为第一数值“1”，这时，可以不重设该图像区块的赋值，也可以将其赋值重设为1。其他不满足上述条件的图像区块的赋值则全部重设，将其赋值重设为第二数值“0”。
在步骤S502中，当所述光强度标签图和所述结构线标签图中相对应的图像区块的赋值相等，且所述赋值为第二数值时，将所述图像区块的赋值设定为第二数值。
在步骤S503中，当所述光强度标签图和所述结构线标签图中相对应的图像区块的赋值不相等，和/或所述赋值为第二数值时，将所述图像区块的赋值设定为第一数值。
在步骤S504中，根据重新赋值后的N个图像区块，生成与所述原始图像对应的混合标签图。
在本发明实施例中，在对所分割的N个图像区块进行重新赋值后，生成与原始图像对应的混合标签图，该混合标签图中赋值为1的图像区块对应为低亮度多结构线的图像区块，赋值为0的图像区块对应为高亮度多结构线、低亮度少结构线、或者高亮度少结构线的图像区块。
在步骤S105中，计算所述混合标签图的卷积值。
在本发明实施例中，并不是所有标记为低亮度多边线的原始图像都要进行光强度调节，还需要进一步判断该原始图像进行分割后的同时满足低亮度和多边线的图像区块的最大相连数量，也就是我们所要计算的混合标签图的卷积值，如果相连数量未达到预设数量，即卷积值未达到预设阈值，对应的图像区域有可能是影子或者物体本身的构造等，这时并不需要对该原始图像进行光强度调节，以避免过度曝光而降低图像质量的问题，比如降低了图像对比度，增加了图像噪声。如果相连数量达到预设数量，即卷积值达到预设阈值时，需要对该原始图像进行光强度调节，以得到较高图像质量的图像。
可选的，步骤S105具体为：
根据预设卷积公式，计算所述混合标签图的卷积值。
在本发明实施例中，混合标签图的卷积值用S表示，所述预设卷积公式为：
S＝K*H
其中，S为卷积值，表示所述N个图像区块中相连的图像区块总数，K表示由所述混合标签图的赋值所组成的矩阵，H表示预设矩阵，所述预设矩阵为
Figure GDA0004198175270000121
在本发明实施例中，计算图像区块中的相连数量，最快捷的方式是使用卷积，预先定义了以预设矩阵H为所使用的卷积核，经过二维卷积后，得到所要计算的卷积值，即图像区块中的相连数量，如果该卷积值大于预设阈值，优选为大于等于6的任意正整数，即认为需要对该图像区块所属的原始图像进行光度调节，否则不需要进行光度调节。
在步骤S106中，根据所述卷积值与预设阈值的比较结果得到对应的图像分析结果。
在本发明实施例中，上述比较结果包括第五比较结果和第六比较结果，其中：
第五比较结果为卷积值大于或等于预设阈值，这时，确定原始图像为需要进行光度调节的图像；
第六比较结果为卷积值小于预设阈值，这时，确定原始图像为不需要进行光度调节的图像。
即步骤S106具体包括：
当所述卷积值大于或等于预设阈值时，生成第一图像分析结果；
当所述卷积值小于预设阈值时，生成第二图像分析结果。
在本发明实施例中，在确定原始图像为需要进行光度调节的图像后，根据常用的光强度转换方程进行初步调节，然后再通过图像融合处理，得到最终进行光度调节后的图像，在提升光强度的同时，保留了图像颜色的饱和度，提高了图像质量。
在本发明实施例中，通过获取原始图像，并按照预设尺寸将该原始图像分割成不重叠的N个图像区块，N为大于1的正整数，再对该N个图像区块的光强度进行标准化处理，得到与该原始图像对应的光强度标签图，同时对该N个图像区块的物体结构含量进行标准化处理，得到与原始图像对应的结构线标签图，然后对光强度标签图和结构线标签图进行整合，得到与原始图像对应的混合标签图，计算混合标签图的卷积值，根据卷积值与预设阈值的比较结果得到对应的图像分析结果，通过同时确定原始图像的光强度和结构线，得到对应的混合标签图后计算其卷积值，得到原始图像是否需要进行光强度调节的图像分析结果，降低了对所有低亮度的图像都进行光强度调节的盲目性，并节约了处理器资源和时间，使得用户体验更好。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑控制，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种图像分析方法，图7示出了本发明实施例提供的一种图像分析装置的示意图，为了便于说明，仅示出了与本发明实施例相关的部分。
参照图7，该装置包括：
图像分割单元71，用于获取原始图像，并按照预设尺寸将所述原始图像分割成不重叠的N个图像区块，所述N为大于1的正整数；
光强度标准化单元72，用于对所述N个图像区块的光强度进行标准化处理，得到与所述原始图像对应的光强度标签图；
物体结构含量准化单元73，用于对所述N个图像区块的物体结构含量进行标准化处理，得到与所述原始图像对应的结构线标签图；
图像整合单元74，用于对所述光强度标签图和所述结构线标签图进行整合，得到与所述原始图像对应的混合标签图；
卷积值计算单元75，用于计算所述混合标签图的卷积值；
图像分析单元76，用于根据所述卷积值与预设阈值的比较结果得到对应的图像分析结果。
可选的，所述光强度标准化单元72包括：
像素光强度值获取子单元，用于检测并获取所述N个图像区块中的像素光强度值；
光强度比较子单元，用于分别将每个图像区块中最大的一个像素光强度值与预设光强度阈值进行比较；
光强度二值化子单元，用于根据比较结果对所述N个图像区块进行二值化处理，生成与所述原始图像对应的光强度标签图。
可选的，所述光强度二值化子单元包括：
第一赋值子单元，用于当所述图像区块中最大的一个像素光强度值小于预设光强度阈值时，将第一数值赋予所述图像区块；
第二赋值子单元，用于当所述图像区块中最大的一个像素光强度值大于或等于预设光强度阈值时，将第二数值赋予所述图像区块；
光强度标签图生成子单元，用于根据赋值后的N个图像区块，生成与所述原始图像对应的光强度标签图。
可选的，所述物体结构含量准化单元73包括：
边线标记子单元，用于对所述N个图像区块的边线进行标记，得到所述N个图像区块的结构性边线；
长度总和计算子单元，用于分别统计每个图像区块的结构性边线中的第一边线的长度，计算所述第一边线的长度总和；
长度比较子单元，用于将所述图像区块的第一边线的长度总和与预设长度阈值进行比较；
物体结构含量二值化子单元，用于根据比较结果对所述N个图像区块进行二值化处理，生成与所述原始图像对应的结构线标签图。
可选的，所述物体结构含量二值化子单元包括：
第三赋值子单元，用于当所述图像区块的第一边线的长度总和大于或等于预设长度阈值时，将第一数值赋予所述图像区块；
第四赋值子单元，用于当所述图像区块的第一边线的长度总和小于预设长度阈值时，将第二数值赋予所述图像区块；
结构线标签图生成子单元，用于根据赋值后的N个图像区块，生成与所述原始图像对应的结构线标签图。
可选的，所述图像整合单元74包括：
赋值判断子单元，用于判断所述光强度标签图和所述结构线标签图中相对应的图像区块的赋值是否相等，且所述赋值为第二数值；
第一赋值重设子单元，用于当所述光强度标签图和所述结构线标签图中相对应的图像区块的赋值相等，且所述赋值为第二数值时，将所述图像区块的赋值设定为第二数值；
第二赋值重设子单元，用于当所述光强度标签图和所述结构线标签图中相对应的图像区块的赋值不相等，和/或所述赋值为第二数值时，将所述图像区块的赋值设定为第一数值；
混合标签图生成子单元，用于根据重新赋值后的N个图像区块，生成与所述原始图像对应的混合标签图。
可选的，所述预设卷积公式为：
S＝K*H；
其中，S为卷积值，表示所述N个图像区块中相连的图像区块总数，K表示由所述混合标签图的赋值所组成的矩阵，H表示预设矩阵，所述预设矩阵为
Figure GDA0004198175270000161
可选的，所述图像分析单元76包括：
第一图像分析结果生成子单元，用于当所述卷积值大于或等于预设阈值时，生成第一图像分析结果；
第二图像分析结果生成子单元，用于当所述卷积值小于预设阈值时，生成第二图像分析结果。
在本发明实施例中，通过获取原始图像，并按照预设尺寸将该原始图像分割成不重叠的N个图像区块，N为大于1的正整数，再对该N个图像区块的光强度进行标准化处理，得到与该原始图像对应的光强度标签图，同时对该N个图像区块的物体结构含量进行标准化处理，得到与原始图像对应的结构线标签图，然后对光强度标签图和结构线标签图进行整合，得到与原始图像对应的混合标签图，计算混合标签图的卷积值，根据卷积值与预设阈值的比较结果得到对应的图像分析结果，通过同时确定原始图像的光强度和结构线，得到对应的混合标签图后计算其卷积值，得到原始图像是否需要进行光强度调节的图像分析结果，降低了对所有低亮度的图像都进行光强度调节的盲目性，并节约了处理器资源和时间，使得用户体验更好。
图7是本发明一实施例提供的一种终端的示意图。如图7所示，该实施例的终端设备7包括：处理器6、存储器71以及存储在所述存储器71中并可在所述处理器6上运行的计算机程序72。所述处理器6执行所述计算机程序72时实现上述各个图像分析方法实施例中的步骤，例如图1所示的步骤101至106。或者，所述处理器6执行所述计算机程序72时实现上述各系统实施例中各单元的功能，例如图6所示模块61至66的功能。
示例性的，所述计算机程序72可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器71中，并由所述处理器6执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。例如，所述计算机程序72可以被分割成图像分割单元61、光强度标准化单元62、物体结构含量准化单元63、图像整合单元64、图像分析单元66，各单元具体功能如下：
图像分割单元61，用于获取原始图像，并按照预设尺寸将所述原始图像分割成不重叠的N个图像区块，所述N为大于1的正整数；
光强度标准化单元62，用于对所述N个图像区块的光强度进行标准化处理，得到与所述原始图像对应的光强度标签图；
物体结构含量准化单元63，用于对所述N个图像区块的物体结构含量进行标准化处理，得到与所述原始图像对应的结构线标签图；
图像整合单元64，用于对所述光强度标签图和所述结构线标签图进行整合，得到与所述原始图像对应的混合标签图；
卷积值计算单元65，用于计算所述混合标签图的卷积值；
图像分析单元66，用于根据所述卷积值与预设阈值的比较结果得到对应的图像分析结果。
可选的，所述光强度标准化单元62包括：
像素光强度值获取子单元，用于检测并获取所述N个图像区块中的像素光强度值；
光强度比较子单元，用于分别将每个图像区块中最大的一个像素光强度值与预设光强度阈值进行比较；
光强度二值化子单元，用于根据比较结果对所述N个图像区块进行二值化处理，生成与所述原始图像对应的光强度标签图。
可选的，所述光强度二值化子单元包括：
第一赋值子单元，用于当所述图像区块中最大的一个像素光强度值小于预设光强度阈值时，将第一数值赋予所述图像区块；
第二赋值子单元，用于当所述图像区块中最大的一个像素光强度值大于或等于预设光强度阈值时，将第二数值赋予所述图像区块；
光强度标签图生成子单元，用于根据赋值后的N个图像区块，生成与所述原始图像对应的光强度标签图。
可选的，所述物体结构含量准化单元63包括：
边线标记子单元，用于对所述N个图像区块的边线进行标记，得到所述N个图像区块的结构性边线；
长度总和计算子单元，用于分别统计每个图像区块的结构性边线中的第一边线的长度，计算所述第一边线的长度总和；
长度比较子单元，用于将所述图像区块的第一边线的长度总和与预设长度阈值进行比较；
物体结构含量二值化子单元，用于根据比较结果对所述N个图像区块进行二值化处理，生成与所述原始图像对应的结构线标签图。
可选的，所述物体结构含量二值化子单元包括：
第三赋值子单元，用于当所述图像区块的第一边线的长度总和大于或等于预设长度阈值时，将第一数值赋予所述图像区块；
第四赋值子单元，用于当所述图像区块的第一边线的长度总和小于预设长度阈值时，将第二数值赋予所述图像区块；
结构线标签图生成子单元，用于根据赋值后的N个图像区块，生成与所述原始图像对应的结构线标签图。
可选的，所述图像整合单元64包括：
赋值判断子单元，用于判断所述光强度标签图和所述结构线标签图中相对应的图像区块的赋值是否相等，且所述赋值为第二数值；
第一赋值重设子单元，用于当所述光强度标签图和所述结构线标签图中相对应的图像区块的赋值相等，且所述赋值为第二数值时，将所述图像区块的赋值设定为第二数值；
第二赋值重设子单元，用于当所述光强度标签图和所述结构线标签图中相对应的图像区块的赋值不相等，和/或所述赋值为第二数值时，将所述图像区块的赋值设定为第一数值；
混合标签图生成子单元，用于根据重新赋值后的N个图像区块，生成与所述原始图像对应的混合标签图。
可选的，所述预设卷积公式为：
S＝K*H；
其中，S为卷积值，表示所述N个图像区块中相连的图像区块总数，K表示由所述混合标签图的赋值所组成的矩阵，H表示预设矩阵，所述预设矩阵为
Figure GDA0004198175270000191
可选的，所述图像分析单元66包括：
第一图像分析结果生成子单元，用于当所述卷积值大于或等于预设阈值时，生成第一图像分析结果；
第二图像分析结果生成子单元，用于当所述卷积值小于预设阈值时，生成第二图像分析结果。
所述终端设备7包括但不限于摄像机、智能手机、IPad等具备拍照功能的终端设备。所述终端设备7可包括，但不仅限于，处理器6、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器6可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的系统/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，系统或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像分析方法，其特征在于，所述方法包括：
获取原始图像，并按照预设尺寸将所述原始图像分割成不重叠的N个图像区块，所述N为大于1的正整数；
对所述N个图像区块的光强度进行标准化处理，得到与所述原始图像对应的光强度标签图；
对所述N个图像区块的物体结构含量进行标准化处理，得到与所述原始图像对应的结构线标签图，所述物体结构含量为图像区块中的物体结构的边线的含量，所述结构线标签图为对图像区块中的物体结构含量进行标准化处理得到标签图；
对所述光强度标签图和所述结构线标签图进行整合，得到与所述原始图像对应的混合标签图；
计算所述混合标签图的卷积值；
根据所述卷积值与预设阈值的比较结果得到对应的图像分析结果。
2.如权利要求1所述的方法，其特征在于，所述对所述N个图像区块的光强度进行标准化处理，得到对应的光强度标签图的步骤，包括：
检测并获取所述N个图像区块中的像素光强度值；
分别将每个图像区块中最大的一个像素光强度值与预设光强度阈值进行比较；
根据比较结果对所述N个图像区块进行二值化处理，生成与所述原始图像对应的光强度标签图。
3.如权利要求2所述的方法，其特征在于，所述根据比较结果对所述N个图像区块进行二值化处理，生成与所述原始图像对应的光强度标签图的步骤，包括：
当所述图像区块中最大的一个像素光强度值小于预设光强度阈值时，将第一数值赋予所述图像区块；
当所述图像区块中最大的一个像素光强度值大于或等于预设光强度阈值时，将第二数值赋予所述图像区块；
根据赋值后的N个图像区块，生成与所述原始图像对应的光强度标签图。
4.如权利要求1所述的方法，其特征在于，所述对所述N个图像区块的物体结构含量进行标准化处理，得到与所述原始图像对应的结构线标签图的步骤，包括：
对所述N个图像区块的边线进行标记，得到所述N个图像区块的结构性边线；
分别统计每个图像区块的结构性边线中的第一边线的长度，计算所述第一边线的长度总和；
将所述图像区块的第一边线的长度总和与预设长度阈值进行比较；
根据比较结果对所述N个图像区块进行二值化处理，生成与所述原始图像对应的结构线标签图。
5.如权利要求4所述的方法，其特征在于，所述根据比较结果对所述N个图像区块进行二值化处理，生成与所述原始图像对应的结构线标签图的步骤，包括：
当所述图像区块的第一边线的长度总和大于或等于预设长度阈值时，将第一数值赋予所述图像区块；
当所述图像区块的第一边线的长度总和小于预设长度阈值时，将第二数值赋予所述图像区块；
根据赋值后的N个图像区块，生成与所述原始图像对应的结构线标签图。
6.如权利要求1至5任一所述的方法，其特征在于，所述对所述光强度标签图和所述结构线标签图进行整合，得到与所述原始图像对应的混合标签图的步骤，包括：
判断所述光强度标签图和所述结构线标签图中相对应的图像区块的赋值是否相等，且所述赋值为第二数值；
当所述光强度标签图和所述结构线标签图中相对应的图像区块的赋值相等，且所述赋值为第二数值时，将所述图像区块的赋值设定为第二数值；
当所述光强度标签图和所述结构线标签图中相对应的图像区块的赋值不相等，和/或所述赋值为第二数值时，将所述图像区块的赋值设定为第一数值；
根据重新赋值后的N个图像区块，生成与所述原始图像对应的混合标签图。
7.一种图像分析装置，其特征在于，所述装置包括：
图像分割单元，用于获取原始图像，并按照预设尺寸将所述原始图像分割成不重叠的N个图像区块，所述N为大于1的正整数；
光强度标准化单元，用于对所述N个图像区块的光强度进行标准化处理，得到与所述原始图像对应的光强度标签图；
物体结构含量准化单元，用于对所述N个图像区块的物体结构含量进行标准化处理，得到与所述原始图像对应的结构线标签图，所述物体结构含量为图像区块中的物体结构的边线的含量，所述结构线标签图为对图像区块中的物体结构含量进行标准化处理得到标签图；
图像整合单元，用于对所述光强度标签图和所述结构线标签图进行整合，得到与所述原始图像对应的混合标签图；
卷积值计算单元，用于计算所述混合标签图的卷积值；
图像分析单元，用于根据所述卷积值与预设阈值的比较结果得到对应的图像分析结果。
8.如权利要求7所述的装置，其特征在于，所述光强度标准化单元包括：
像素光强度值获取子单元，用于检测并获取所述N个图像区块中的像素光强度值；
光强度比较子单元，用于分别将每个图像区块中最大的一个像素光强度值与预设光强度阈值进行比较；
光强度二值化子单元，用于根据比较结果对所述N个图像区块进行二值化处理，生成与所述原始图像对应的光强度标签图。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至6任一项所述图像分析方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述图像分析方法的步骤。
CN201811643062.9A 2018-12-29 2018-12-29 一种图像分析方法、装置及终端设备 Active CN111383237B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811643062.9A CN111383237B (zh) 2018-12-29 2018-12-29 一种图像分析方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811643062.9A CN111383237B (zh) 2018-12-29 2018-12-29 一种图像分析方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN111383237A CN111383237A (zh) 2020-07-07
CN111383237B true CN111383237B (zh) 2023-06-27

Family

ID=71216732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811643062.9A Active CN111383237B (zh) 2018-12-29 2018-12-29 一种图像分析方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN111383237B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3610234B2 (ja) * 1998-07-17 2005-01-12 株式会社メディア・テクノロジー アイリス情報取得装置およびアイリス識別装置
US7344082B2 (en) * 2002-01-02 2008-03-18 Metrologic Instruments, Inc. Automated method of and system for dimensioning objects over a conveyor belt structure by applying contouring tracing, vertice detection, corner point detection, and corner point reduction methods to two-dimensional range data maps of the space above the conveyor belt captured by an amplitude modulated laser scanning beam
CN104077773A (zh) * 2014-06-23 2014-10-01 北京京东方视讯科技有限公司 图像边缘检测方法、图像目标识别方法及装置
CN106855952B (zh) * 2016-12-29 2020-08-18 北京旷视科技有限公司 基于神经网络的计算方法及装置
CN106611420B (zh) * 2016-12-30 2019-06-18 西安电子科技大学 基于反卷积网络和素描图方向约束的sar图像分割方法

Also Published As

Publication number Publication date
CN111383237A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
CN111028189B (zh) 图像处理方法、装置、存储介质及电子设备
CN107403421B (zh) 一种图像去雾方法、存储介质及终端设备
US10009549B2 (en) Imaging providing ratio pixel intensity
US9451173B2 (en) Electronic device and control method of the same
JP6160004B2 (ja) シーン認識方法および装置
WO2019233264A1 (zh) 图像处理方法、计算机可读存储介质和电子设备
KR101662846B1 (ko) 아웃 포커싱 촬영에서 빛망울 효과를 생성하기 위한 장치 및 방법
CN108171677B (zh) 一种图像处理方法及相关设备
CN111311482B (zh) 背景虚化方法、装置、终端设备及存储介质
CN111368819B (zh) 光斑检测方法和装置
CN111368587B (zh) 场景检测方法、装置、终端设备及计算机可读存储介质
WO2015070723A1 (zh) 眼部图像处理方法和装置
CN109005367B (zh) 一种高动态范围图像的生成方法、移动终端及存储介质
CN106651797B (zh) 一种信号灯有效区域的确定方法和装置
CN109214996B (zh) 一种图像处理方法及装置
CN108764139B (zh) 一种人脸检测方法、移动终端及计算机可读存储介质
CN107105172B (zh) 一种用于对焦的方法和装置
WO2019201184A1 (zh) 一种车牌增强方法、装置及电子设备
CN111311481A (zh) 背景虚化方法、装置、终端设备及存储介质
CN108805838B (zh) 一种图像处理方法、移动终端及计算机可读存储介质
CN109726613B (zh) 一种用于检测的方法和装置
CN109658360B (zh) 图像处理的方法、装置、电子设备和计算机存储介质
CN111383237B (zh) 一种图像分析方法、装置及终端设备
CN108769521B (zh) 一种拍照方法、移动终端及计算机可读存储介质
EP3407252B1 (en) Image processing apparatus, image processing method, and storage medium

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
CB02 Change of applicant information

Address after: 516006 TCL science and technology building, No. 17, Huifeng Third Road, Zhongkai high tech Zone, Huizhou City, Guangdong Province

Applicant after: TCL Technology Group Co.,Ltd.

Address before: 516006 Guangdong province Huizhou Zhongkai hi tech Development Zone No. nineteen District

Applicant before: TCL Corp.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant