CN111445414B - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111445414B CN111445414B CN202010232152.XA CN202010232152A CN111445414B CN 111445414 B CN111445414 B CN 111445414B CN 202010232152 A CN202010232152 A CN 202010232152A CN 111445414 B CN111445414 B CN 111445414B
- Authority
- CN
- China
- Prior art keywords
- image
- ith
- target time
- blurred image
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 27
- 230000033001 locomotion Effects 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 24
- 230000003287 optical effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Studio Devices (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,所述方法包括:获取在曝光时间内曝光得到的模糊图像,以及在所述曝光时间内采样得到的事件数据,其中,所述事件数据用于反映所述模糊图像中的像素点的亮度变化;根据所述事件数据,确定所述曝光时间内的全局事件特征;根据所述模糊图像、所述事件数据和所述全局事件特征,确定所述模糊图像对应的清晰图像。本公开实施例可以得到模糊图像对应的图像质量较高的清晰图像,从而有效提高图像去模糊的效果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
在图像采集过程中,图像采集设备与被拍摄物体之间往往存在相对运动,因而造成了图像的运动模糊。图像去模糊是计算机视觉以及计算摄影学的重要研究问题,是图像画质增强,图像修复不可或缺的重要步骤。该技术广泛应用在摄影,娱乐,视频监控等多种场景。有鉴于此,如何提高图像去模糊的质量成为亟待解决的问题。
发明内容
本公开提出了一种图像处理方法及装置、电子设备和存储介质的技术方案。
根据本公开的一方面,提供了一种图像处理方法,包括:获取在曝光时间内曝光得到的模糊图像,以及在所述曝光时间内采样得到的事件数据,其中,所述事件数据用于反映所述模糊图像中的像素点的亮度变化;根据所述事件数据,确定所述曝光时间内的全局事件特征;根据所述模糊图像、所述事件数据和所述全局事件特征,确定所述模糊图像对应的清晰图像。
在一种可能的实现方式中,所述曝光时间内包括多个目标时刻;所述根据所述事件数据,确定所述曝光时间内的全局事件特征,包括:根据第i目标时刻和第i+1目标时刻之间的局部事件数据,确定所述第i目标时刻对应的局部事件特征,其中,i=1,2,...,T-1;根据各目标时刻对应的局部事件特征,确定所述全局事件特征。
在一种可能的实现方式中,所述根据所述模糊图像、所述事件数据和所述全局事件特征,确定所述模糊图像对应的清晰图像,包括:根据所述模糊图像、所述事件数据和所述全局事件特征,确定所述模糊图像在第T目标时刻对应的清晰图像。
在一种可能的实现方式中,所述根据所述模糊图像、所述事件数据和所述全局事件特征,确定所述模糊图像在第T目标时刻对应的清晰图像,包括:基于运动模糊物理模型,根据所述模糊图像和所述事件数据,确定所述模糊图像在所述第T目标时刻对应的初始清晰图像;根据所述模糊图像在所述第T目标时刻对应的初始清晰图像和所述全局事件特征,确定所述模糊图像在所述第T时刻对应的清晰图像。
在一种可能的实现方式中,所述方法还包括:根据所述模糊图像在所述第T目标时刻对应的清晰图像,确定所述模糊图像对应的清晰图像序列。
在一种可能的实现方式中,所述根据所述模糊图像在所述第T目标时刻对应的清晰图像,确定所述模糊图像对应的清晰图像序列,包括:根据所述模糊图像在所述第i+1目标时刻对应的清晰图像、所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据,以及所述第i目标时刻对应的局部事件特征,确定所述模糊图像在所述第i目标时刻对应的清晰图像,其中,i=1,2,...,T-1;根据所述模糊图像在第1至T目标时刻对应的清晰图像,得到所述清晰图像序列。
在一种可能的实现方式中,所述根据所述模糊图像在所述第i+1目标时刻对应的清晰图像、所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据,以及所述第i目标时刻对应的局部事件特征,确定所述模糊图像在所述第i目标时刻对应的清晰图像,包括:根据所述模糊图像在所述第i+1目标时刻对应的清晰图像,以及所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据,确定所述模糊图像在所述第i目标时刻对应的初始清晰图像;对所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据进行滤波处理,确定所述第i目标时刻对应的边界特征图;根据所述模糊图像在所述第i目标时刻对应的初始清晰图像,以及所述第i目标时刻对应的边界特征图和局部事件特征,确定所述模糊图像在所述第i目标时刻对应的清晰图像。
在一种可能的实现方式中,所述根据所述模糊图像在所述第i+1目标时刻对应的清晰图像,以及所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据,确定所述模糊图像在所述第i目标时刻对应的初始清晰图像,包括:基于运动模糊物理模型,根据所述模糊图像在所述第i+1目标时刻对应的清晰图像,以及所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据,确定所述模糊图像在所述第i目标时刻对应的初始清晰图像。
在一种可能的实现方式中,所述根据所述模糊图像在所述第i+1目标时刻对应的清晰图像,以及所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据,确定所述模糊图像在所述第i目标时刻对应的初始清晰图像,包括:根据所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据,确定所述第i+1目标时刻到所述第i目标时刻的前向光流;根据所述模糊图像在所述第i+1目标时刻对应的清晰图像和所述前向光流,确定所述模糊图像在所述第i目标时刻对应的初始清晰图像。
根据本公开的一方面,提供了一种图像处理装置,包括:第一确定模块,用于获取在曝光时间内曝光得到的模糊图像,以及在所述曝光时间内采样得到的事件数据,其中,所述事件数据用于反映所述模糊图像中的像素点的亮度变化;第二确定模块,用于根据所述事件数据,确定所述曝光时间内的全局事件特征;第三确定模块,用于根据所述模糊图像、所述事件数据和所述全局事件特征,确定所述模糊图像对应的清晰图像。
根据本公开的一方面,提供了一种电子设备,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调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,根据模糊图像的曝光时间内采样得到的事件数据,可以确定用于反映曝光时间内场景运动信息的全局事件特征,使得基于事件数据和全局事件特征对模糊图像进行去模糊处理后,可以得到模糊图像对应的图像质量较高的清晰图像,从而有效提高图像去模糊的效果。
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,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
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,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图;
图2示出根据本公开实施例的图像去模糊神经网络的示意图;
图3示出根据本公开实施例的图像处理装置的框图;
图4示出本公开实施例的一种电子设备的框图;
图5示出本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像处理方法的流程图。如图1所示的图像处理方法可以由终端设备或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal DigitalAssistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中,该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示,该方法可以包括:
在步骤S11中,获取在曝光时间内得到的模糊图像,以及在曝光时间内采样得到的事件数据,其中,事件数据用于反映模糊图像中的像素点的亮度变化。
在步骤S12中,根据事件数据,确定曝光时间内的全局事件特征。
在步骤S13中,根据模糊图像、事件数据和全局事件特征,确定模糊图像对应的清晰图像。
模糊图像可以是图像采集设备(例如,摄像头)在曝光时间内采集得到的,具有较低的清晰度,存在图像模糊、动态范围较小等情况,其中,曝光时间指的是图像采集设备采集模糊图像的一个时间段,例如,曝光时间为90ms指的是0-90ms的一个时间段。图像采集设备在曝光时间内采集模糊图像时,可通过事件采集设备(例如,事件相机,Event-BasedCamera)在曝光时间内进行采样得到事件数据,其中,事件数据可以反映模糊图像中的像素点在曝光时间内的亮度变化,进而利用该事件数据对模糊图像进行去模糊处理。
其中,事件数据的格式可以为px,y,t,其中,(x,y)表示亮度变化超过亮度阈值的像素点的位置,t表示像素点(x,y)亮度变化超过亮度阈值的时刻。通过px,y,t的取值来表示像素点当像素点(x,y)在t时刻的亮度变化,例如,当像素点(x,y)在t时刻亮度增加超过亮度阈值时,px,y,t的取值为正数(例如,+1);当像素点(x,y)在t时刻亮度减小超过亮度阈值时,px,y,t的取值为负数(例如,-1);当像素点(x,y)在t时刻亮度的亮度变化未达到亮度阈值时,px,y,t的取值为0。亮度阈值的具体取值可以根据实际情况确定,本公开对此不做具体限定。
在一种可能的实现方式中,曝光时间内包括多个目标时刻;根据事件数据,确定曝光时间内的全局事件特征,包括:根据第i目标时刻和第i+1目标时刻之间的局部事件数据,确定第i目标时刻对应的局部事件特征;根据各目标时刻对应的局部事件特征,确定全局事件特征。
通过在模糊图像的曝光时间内确定多个目标时刻,可以将在曝光时间内采样得到的事件数据划分为等时间间隔的多组,使得可以利用多组事件数据得到用于反映曝光时间内的场景运动信息的全局事件特征和局部事件特征。在一示例中,在曝光时间内确定多个目标时刻,相邻目标时刻之间对应的事件数据为一组,进而根据多组事件数据可以得到用于反映场景运动信息的各目标时刻对应的局部事件特征,以及根据各目标时刻对应的局部事件特征,得到用于反映场景运动信息的全局事件特征。
例如,模糊图像的曝光时间为90ms,事件采集设备在曝光时间内采样得到事件数据,在曝光时间内确定四个目标时刻:第一目标时刻(0ms)、第二目标时刻(30ms)、第三目标时刻(60ms)和第四目标时刻(90ms),则可以实现将事件数据划分为3组:第一目标时刻和第二目标时刻之间(0~30ms)的局部事件数据、第二目标时刻和第三目标时刻之间(30~60ms)的局部事件数据,以及第三目标时刻和第四目标时刻之间(60~90ms)的局部事件数据。根据第一目标时刻和第二目标时刻之间(0~30ms)的局部事件数据可以确定第一目标时刻对应的局部事件特征;根据第二目标时刻和第三目标时刻之间(30~60ms)的事件数据可以确定第二目标时刻对应的局部事件特征;根据第三目标时刻和第四目标时刻之间(60~90ms)的事件数据可以确定第三目标时刻对应的局部事件特征;根据第一目标时刻对应的局部事件特征、第二目标时刻对应的局部事件特征,以及第三目标时刻对应的局部事件特征,可以确定曝光时间内(0~90ms)的全局事件特征。曝光时间内目标时刻的个数可以根据实际情况确定,本公开对此不做具体限定。
在一种可能的实时方式中,可以根据模糊图像的曝光时间内采样得到的事件数据,利用图像去模糊神经网络中的读取子网络,确定曝光时间内的全局事件特征和各目标时刻对应的局部事件特征。图2示出根据本公开实施例的图像去模糊神经网络的示意图。读取子网络可以由一系列卷积网络和卷积长短时记忆网络组成。图2中包括四个目标时刻,将模糊图像的曝光时间内采样得到的事件数据输入图2中的读取子网络后,等时间间隔分为多个相邻目标时刻之间的局部事件数据,由卷积网络构成的编码器对相邻目标时刻之间的局部事件数据进行特征提取,得到各目标时刻对应的局部事件特征,再通过长短时记忆网络对各目标时刻对应的局部事件特征进行时序特征提取,得到曝光时间内的全局事件特征。读取子网络除了可以由一系列卷积网络和卷积长短时记忆网络组成,还可以有其它网络构成形式,本公开对此不做具体限定。
在一种可能的实现方式中,根据模糊图像、事件数据和全局事件特征,确定模糊图像对应的清晰图像,包括:根据模糊图像、事件数据和全局事件特征,确定模糊图像在第T目标时刻对应的清晰图像。
在一种可能的实现方式中,根据模糊图像、曝光时间内的事件数据和全局事件特征,确定模糊图像在第T目标时刻对应的清晰图像,包括:基于运动模糊物理模型,根据模糊图像和事件数据,确定模糊图像在第T目标时刻对应的初始清晰图像;根据模糊图像在第T目标时刻对应的初始清晰图像和全局事件特征,确定模糊图像在第T时刻对应的清晰图像。
在本公开实施例中,根据模糊图像的曝光时间内采样得到的事件数据,可以确定用于反映曝光时间内场景运动信息的全局事件特征,使得基于事件数据和全局事件特征对模糊图像进行去模糊处理后,可以得到模糊图像对应的图像质量较高的清晰图像,从而有效提高图像去模糊的效果。
假设模糊图像经过图像去模糊后可以得到曝光时间内的第1至T目标时刻对应的T帧清晰图像,则根据运动模糊物理模型,模糊图像为T帧清晰图像的图像平均值。因此,基于模糊图像I和模糊图像I曝时间内的事件数据,利用运动模糊物理模型,通过下述公式(一)初步确定模糊图像在第T目标时刻对应的初始清晰图像IT':
其中,T为目标时刻的个数,Ii为模糊图像在第i目标时刻对应的清晰图像,τ为事件采集设备的亮度阈值,当像素点(x,y)在t时刻触发了事件εx,y,t时,δ(εx,y,t)=1,未触发事件εx,y,t时,δ(εx,y,t)=0。进而根据模糊图像在第T目标时刻对应的初始清晰图像和全局事件特征,确定模糊图像在第T时刻对应的清晰图像。
在一种可能的实现方式中,可以根据模糊图像、事件数据和全局事件特征,利用图像去模糊神经网络中的初始化子网络,确定模糊图像在第T时刻对应的清晰图像。仍以上述图2为例,将模糊图像I和模糊图像经过上述公式(一)得到的模糊图像在第四目标时刻对应的初始清晰图像I4'输入初始化子网络的编码器进行编码,得到第四目标时刻对应的特征图I4”,进而将第四目标时刻对应的特征图和读取网络输出的全局事件特征进行级联,将级联后特征经过初始化子网络的解码器进行解码,得到模糊图像在第四目标时刻对应的清晰图像(I4)。
在一种可能的实现方式中,该方法还包括:根据模糊图像在第T目标时刻对应的清晰图像,确定模糊图像对应的清晰图像序列
在一种可能的实现方式中,根据模糊图像在第T目标时刻对应的清晰图像,确定模糊图像对应的清晰图像序列,包括:根据模糊图像在第i+1目标时刻对应的清晰图像、第i目标时刻和第i+1目标时刻之间的局部事件数据,以及第i目标时刻对应的局部事件特征,确定模糊图像在第i目标时刻对应的清晰图像,其中,i=1,2,...,T-1;根据模糊图像在第1至T目标时刻对应的清晰图像,得到清晰图像序列。
在一种可能的实现方式中,根据模糊图像在第i+1目标时刻对应的清晰图像、第i目标时刻和第i+1目标时刻之间的局部事件数据,以及第i目标时刻对应的局部事件特征,确定模糊图像在第i目标时刻对应的清晰图像,包括:根据模糊图像在第i+1目标时刻对应的清晰图像,以及第i目标时刻和第i+1目标时刻之间的局部事件数据,确定模糊图像在第i目标时刻对应的初始清晰图像;对第i目标时刻和第i+1目标时刻之间的局部事件数据进行滤波处理,确定第i目标时刻对应的边界特征图;根据模糊图像在第i目标时刻对应的初始清晰图像,以及第i目标时刻对应的边界特征图和局部事件特征,确定模糊图像在第i目标时刻对应的清晰图像。
与图像采集设备采集模糊图像的过程相同,事件采集设备对模糊图像的曝光时间内的事件数据进行采集时,事件采集设备与被拍摄物体之间同样存在相对运动,导致事件采集设备采集到的不同时刻的事件数据之间存在对不齐的现象。因此,针对相邻目标时刻之间的局部事件数据进行滤波对齐,例如,第i目标时刻和第i+1目标时刻之间的局部事件数据,通过对第i目标时刻和第i+1目标时刻之间的局部事件数据进行滤波处理,可以实现将第i目标时刻和第i+1目标时刻之间的局部事件数据进行对齐,进而得到第i目标时刻对应的更加清晰的边界特征图,从而根据模糊图像在第i目标时刻对应的初始清晰图像,以及第i目标时刻对应的边界特征图和局部事件特征,可以最终得到边缘更加清晰的模糊图像在第i目标时刻对应的清晰图像。
确定模糊图像在第i目标时刻对应的初始清晰图像的方式至少包括下述两种:
第一种:基于运动模糊物理模型的确定方式
在一种可能的实现方式中,根据模糊图像在第i+1目标时刻对应的清晰图像,以及第i目标时刻和第i+1目标时刻之间的局部事件数据,确定模糊图像在第i目标时刻对应的初始清晰图像,包括:基于运动模糊物理模型,根据模糊图像在第i+1目标时刻对应的清晰图像,以及第i目标时刻和第i+1目标时刻之间的局部事件数据,确定模糊图像在第i目标时刻对应的初始清晰图像。
在一示例中,基于模糊图像在第i+1目标时刻对应的清晰图像Ii+1和第i目标时刻和第i+1目标时刻之间的局部事件数据,利用运动模糊物理模型,通过下述公式(二)确定模糊图像在第T目标时刻对应的初始清晰图像Ii':
第二种:基于光流的确定方式
在一种可能的实现方式中,根据模糊图像在第i+1目标时刻对应的清晰图像,以及第i目标时刻和所述第i+1目标时刻之间的局部事件数据,确定模糊图像在第i目标时刻对应的初始清晰图像,包括:根据第i目标时刻和第i+1目标时刻之间的局部事件数据,确定第i+1目标时刻到所述第i目标时刻的前向光流;根据第i+1目标时刻对应的目标清晰图像和前向光流,确模糊图像在第i目标时刻对应的初始清晰图像。
根据第i目标时刻和第i+1目标时刻之间的局部事件数据,确定相同像素点在第i目标时刻和第i+1目标时刻之间的空间位置变化,从而得到第i+1目标时刻到所述第i目标时刻的前向光流,进而根据第i+1目标时刻到第i目标时刻的前向光流对模糊图像在第i+1目标时刻对应的清晰图像进行运动补偿处理,从而得到模糊图像在第i目标时刻对应的初始清晰图像。
在一种可能的实现方式中,可以根据模糊图像在第T目标时刻对应的清晰图像,利用图像去模糊神经网络中的处理子网络,确定模糊图像对应的清晰图像序列。仍以上述图2为例,将基于运动模糊模型(即公式(二))对第四目标时刻对应的清晰图像(I4)进行处理得到的第三目标时刻对应的初始清晰图像、利用运动补偿模块(MC,Motion Compensation)得到的第四目标时刻到第三目标时刻之间的前向光流对第四目标时刻对应的清晰图像(I4)进行处理得到的初始清晰图像,以及利用定向事件滤波模块(DEF,Direction EventFiltering)对第三目标时刻和第四目标时刻之间的局部事件数据进行滤波处理得到的第三目标时刻对应的边界特征图中的至少一个输入处理子网络中的编码器进行编码,得到第三目标时刻对应的特征图,进而第三目标时刻对应的特征图和读取网络输出的第三目标时刻对应的局部事件特征进行级联,将级联后的特征输入处理子网络的解码器进行解码,得到模糊图像在第三目标时刻对应的清晰图像(I3)。确定模糊图像在第二目标时刻对应的清晰图像(I2)和模糊图像在第一目标时刻对应的清晰图像(I1)的方式,与确定模糊图像在第三目标时刻对应的清晰图像(I3)相类似,这里不再赘述。
在本公开实施例中,根据单张模糊图像的曝光时间内采样得到的事件数据,可以确定用于反映曝光时间内场景运动信息的全局事件特征和局部事件特征,进而基于事件数据、全局事件特征和局部事件特征,可以从单张模糊图像中恢复得到曝光时间内模糊图像对应的图像质量较高的清晰图像序列,从而有效提高动态场景下图像去模糊的效果。例如,本公开实施例的图像处理方法可以应用于移动终端设备的摄像系统,利用该方法不仅可以去除由相机抖动或者场景移动产生的图像模糊,得到拍摄时的清晰图像序列,实现动态场景记录,使得用户得到更好的拍照体验。例如,本公开实施例的图像处理方法可以应用在飞行器、机器人或自动驾驶的视觉系统上,不仅可以解决由快速运动产生的图像模糊,得到的清晰图像序列还有助于其他视觉系统发挥更好的性能,如SLAM系统等。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图3示出根据本公开实施例的图像处理装置的框图。如图3所示,装置30包括:
第一确定模块31,用于获取在曝光时间内曝光得到的模糊图像,以及在曝光时间内采样得到的事件数据,其中,事件数据用于反映模糊图像中的像素点的亮度变化;
第二确定模块32,用于根据事件数据,确定曝光时间内的全局事件特征;
第三确定模块33,用于根据模糊图像、事件数据和全局事件特征,确定模糊图像对应的清晰图像。
在一种可能的实现方式中,曝光时间内包括多个目标时刻;
第二确定模块32,包括:
第一确定子模块,用于根据第i目标时刻和第i+1目标时刻之间的局部事件数据,确定第i目标时刻对应的局部事件特征,其中,i=1,2,...,T-1;
第二确定子模块,用于根据各目标时刻对应的局部事件特征,确定全局事件特征。
在一种可能的实现方式中,第三确定模块33,包括:
第三确定子模块,用于根据模糊图像、事件数据和全局事件特征,确定模糊图像在第T目标时刻对应的清晰图像。
在一种可能的实现方式中,第三确定子模块,包括:
第一确定单元,用于基于运动模糊物理模型,根据模糊图像和事件数据,确定模糊图像在第T目标时刻对应的初始清晰图像;
第二确定单元,用于根据模糊图像在第T目标时刻对应的初始清晰图像和全局事件特征,确定模糊图像在第T时刻对应的清晰图像。
在一种可能的实现方式中,第三确定模块33还包括:
第四确定子模块,用于根据模糊图像在第T目标时刻对应的清晰图像,确定模糊图像对应的清晰图像序列。
在一种可能的实现方式中,第四确定子模块,包括:
第三确定单元,用于根据模糊图像在第i+1目标时刻对应的清晰图像、第i目标时刻和第i+1目标时刻之间的局部事件数据,以及第i目标时刻对应的局部事件特征,确定模糊图像在第i目标时刻对应的清晰图像,其中,i=1,2,...,T-1;
第四确定单元,用于根据模糊图像在第1至T目标时刻对应的清晰图像,得到清晰图像序列。
在一种可能的实现方式中,第三确定单元,包括:
第一确定子单元,用于根据模糊图像在第i+1目标时刻对应的清晰图像,以及第i目标时刻和第i+1目标时刻之间的局部事件数据,确定模糊图像在第i目标时刻对应的初始清晰图像;
第二确定子单元,用于对第i目标时刻和第i+1目标时刻之间的局部事件数据进行滤波处理,确定第i目标时刻对应的边界特征图;
第三确定子单元,用于根据模糊图像在第i目标时刻对应的初始清晰图像,以及第i目标时刻对应的边界特征图和局部事件特征,确定模糊图像在第i目标时刻对应的清晰图像。
在一种可能的实现方式中,第一确定子单元具体用于:
基于运动模糊物理模型,根据模糊图像在第i+1目标时刻对应的清晰图像,以及第i目标时刻和第i+1目标时刻之间的局部事件数据,确定模糊图像在第i目标时刻对应的初始清晰图像。
在一种可能的实现方式中,第一确定子单元具体用于:
根据第i目标时刻和第i+1目标时刻之间的局部事件数据,确定第i+1目标时刻到第i目标时刻的前向光流;
根据模糊图像在第i+1目标时刻对应的清晰图像和前向光流,确定模糊图像在第i目标时刻对应的初始清晰图像。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,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调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的图像处理方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的图像处理方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备的框图。如图4所示,电子设备800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,个人数字助理等终端。
参照图4,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800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802可以包括一个或多个处理器820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802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800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804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806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800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808包括一个前置摄像头和/或后置摄像头。当电子设备800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810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800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804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802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814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814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814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814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816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816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816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,电子设备800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,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5示出根据本公开实施例的一种电子设备的框图。如图5所示,电子设备1900可以被提供为一服务器。参照图5,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种图像处理方法,其特征在于,包括:
获取在曝光时间内曝光得到的模糊图像,以及在所述曝光时间内采样得到的事件数据,其中,所述事件数据用于反映所述模糊图像中的像素点的亮度变化;
根据所述事件数据,确定所述曝光时间内的全局事件特征;
根据所述模糊图像、所述事件数据和所述全局事件特征,确定所述模糊图像对应的清晰图像。
2.根据权利要求1所述的方法,其特征在于,所述曝光时间内包括多个目标时刻;
所述根据所述事件数据,确定所述曝光时间内的全局事件特征,包括:
根据第i目标时刻和第i+1目标时刻之间的局部事件数据,确定所述第i目标时刻对应的局部事件特征,其中,i=1,2,...,T-1;
根据各目标时刻对应的局部事件特征,确定所述全局事件特征。
3.根据权利要求2所述的方法,其特征在于,所述根据所述模糊图像、所述事件数据和所述全局事件特征,确定所述模糊图像对应的清晰图像,包括:
根据所述模糊图像、所述事件数据和所述全局事件特征,确定所述模糊图像在第T目标时刻对应的清晰图像。
4.根据权利要求3所述的方法,其特征在于,所述根据所述模糊图像、所述事件数据和所述全局事件特征,确定所述模糊图像在第T目标时刻对应的清晰图像,包括:
基于运动模糊物理模型,根据所述模糊图像和所述事件数据,确定所述模糊图像在所述第T目标时刻对应的初始清晰图像;
根据所述模糊图像在所述第T目标时刻对应的初始清晰图像和所述全局事件特征,确定所述模糊图像在所述第T时刻对应的清晰图像。
5.根据权利要求3或4所述的方法,其特征在于,所述方法还包括:
根据所述模糊图像在所述第T目标时刻对应的清晰图像,确定所述模糊图像对应的清晰图像序列。
6.根据权利要求5所述的方法,其特征在于,所述根据所述模糊图像在所述第T目标时刻对应的清晰图像,确定所述模糊图像对应的清晰图像序列,包括:
根据所述模糊图像在所述第i+1目标时刻对应的清晰图像、所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据,以及所述第i目标时刻对应的局部事件特征,确定所述模糊图像在所述第i目标时刻对应的清晰图像,其中,i=1,2,...,T-1;
根据所述模糊图像在第1至T目标时刻对应的清晰图像,得到所述清晰图像序列。
7.根据权利要求6所述的方法,其特征在于,所述根据所述模糊图像在所述第i+1目标时刻对应的清晰图像、所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据,以及所述第i目标时刻对应的局部事件特征,确定所述模糊图像在所述第i目标时刻对应的清晰图像,包括:
根据所述模糊图像在所述第i+1目标时刻对应的清晰图像,以及所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据,确定所述模糊图像在所述第i目标时刻对应的初始清晰图像;
对所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据进行滤波处理,确定所述第i目标时刻对应的边界特征图;
根据所述模糊图像在所述第i目标时刻对应的初始清晰图像,以及所述第i目标时刻对应的边界特征图和局部事件特征,确定所述模糊图像在所述第i目标时刻对应的清晰图像。
8.根据权利要求7所述的方法,其特征在于,所述根据所述模糊图像在所述第i+1目标时刻对应的清晰图像,以及所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据,确定所述模糊图像在所述第i目标时刻对应的初始清晰图像,包括:
基于运动模糊物理模型,根据所述模糊图像在所述第i+1目标时刻对应的清晰图像,以及所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据,确定所述模糊图像在所述第i目标时刻对应的初始清晰图像。
9.根据权利要求7所述的方法,其特征在于,所述根据所述模糊图像在所述第i+1目标时刻对应的清晰图像,以及所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据,确定所述模糊图像在所述第i目标时刻对应的初始清晰图像,包括:
根据所述第i目标时刻和所述第i+1目标时刻之间的局部事件数据,确定所述第i+1目标时刻到所述第i目标时刻的前向光流;
根据所述模糊图像在所述第i+1目标时刻对应的清晰图像和所述前向光流,确定所述模糊图像在所述第i目标时刻对应的初始清晰图像。
10.一种图像处理装置,其特征在于,包括:
第一确定模块,用于获取在曝光时间内曝光得到的模糊图像,以及在所述曝光时间内采样得到的事件数据,其中,所述事件数据用于反映所述模糊图像中的像素点的亮度变化;
第二确定模块,用于根据所述事件数据,确定所述曝光时间内的全局事件特征;
第三确定模块,用于根据所述模糊图像、所述事件数据和所述全局事件特征,确定所述模糊图像对应的清晰图像。
11.一种电子设备,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调用所述存储器存储的指令,以执行权利要求1至9中任意一项所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010232152.XA CN111445414B (zh) | 2020-03-27 | 2020-03-27 | 图像处理方法及装置、电子设备和存储介质 |
SG11202110306WA SG11202110306WA (en) | 2020-03-27 | 2020-07-03 | Image processing method and apparatus, electronic device, and storage medium |
PCT/CN2020/100236 WO2021189704A1 (zh) | 2020-03-27 | 2020-07-03 | 图像处理方法及装置、电子设备和存储介质 |
TW109130877A TWI769523B (zh) | 2020-03-27 | 2020-09-09 | 圖像處理方法、電子設備和電腦可讀儲存介質 |
US17/489,636 US20220020124A1 (en) | 2020-03-27 | 2021-09-29 | Image processing method, image processing device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010232152.XA CN111445414B (zh) | 2020-03-27 | 2020-03-27 | 图像处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445414A CN111445414A (zh) | 2020-07-24 |
CN111445414B true CN111445414B (zh) | 2023-04-14 |
Family
ID=71651348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010232152.XA Active CN111445414B (zh) | 2020-03-27 | 2020-03-27 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220020124A1 (zh) |
CN (1) | CN111445414B (zh) |
SG (1) | SG11202110306WA (zh) |
TW (1) | TWI769523B (zh) |
WO (1) | WO2021189704A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131991B (zh) * | 2020-09-15 | 2024-01-23 | 厦门大学 | 一种基于事件相机的数据关联方法 |
CN113177890B (zh) * | 2021-04-27 | 2023-04-18 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113537071B (zh) * | 2021-07-19 | 2023-08-11 | 深圳龙岗智能视听研究院 | 一种基于事件相机的静态和动态目标检测方法及设备 |
CN114841870A (zh) * | 2022-03-31 | 2022-08-02 | 华为技术有限公司 | 图像处理方法、相关装置和系统 |
CN117880645A (zh) * | 2022-10-10 | 2024-04-12 | 华为技术有限公司 | 一种图像处理的方法、装置、电子设备及存储介质 |
CN116012675B (zh) * | 2023-02-14 | 2023-08-11 | 荣耀终端有限公司 | 一种模型训练方法、图像处理方法及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101102408A (zh) * | 2006-07-07 | 2008-01-09 | 奥林巴斯映像株式会社 | 照相机、照相机的图像处理方法 |
CN102509281A (zh) * | 2011-11-24 | 2012-06-20 | 浙江大学 | 基于透明度的双图像去平面运动模糊方法 |
CN102663718A (zh) * | 2012-03-19 | 2012-09-12 | 清华大学 | 一种全局不一致图像去模糊的方法及系统 |
CN106791273A (zh) * | 2016-12-07 | 2017-05-31 | 重庆大学 | 一种结合帧间信息的视频盲复原方法 |
CN108074222A (zh) * | 2017-12-25 | 2018-05-25 | 清华大学 | 基于混合相机系统的高速运动物体去模糊方法及装置 |
CN109922372A (zh) * | 2019-02-26 | 2019-06-21 | 深圳市商汤科技有限公司 | 视频数据处理方法及装置、电子设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9749532B1 (en) * | 2014-08-12 | 2017-08-29 | Amazon Technologies, Inc. | Pixel readout of a charge coupled device having a variable aperture |
US9743024B2 (en) * | 2015-07-01 | 2017-08-22 | Massachusetts Institute Of Technology | Method and apparatus for on-chip per-pixel pseudo-random time coded exposure |
CN107610059B (zh) * | 2017-08-28 | 2020-10-16 | 维沃移动通信有限公司 | 一种图像处理方法及移动终端 |
CN108764078B (zh) * | 2018-05-15 | 2019-08-02 | 上海芯仑光电科技有限公司 | 一种事件数据流的处理方法及计算设备 |
-
2020
- 2020-03-27 CN CN202010232152.XA patent/CN111445414B/zh active Active
- 2020-07-03 SG SG11202110306WA patent/SG11202110306WA/en unknown
- 2020-07-03 WO PCT/CN2020/100236 patent/WO2021189704A1/zh active Application Filing
- 2020-09-09 TW TW109130877A patent/TWI769523B/zh active
-
2021
- 2021-09-29 US US17/489,636 patent/US20220020124A1/en not_active Abandoned
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101102408A (zh) * | 2006-07-07 | 2008-01-09 | 奥林巴斯映像株式会社 | 照相机、照相机的图像处理方法 |
CN102509281A (zh) * | 2011-11-24 | 2012-06-20 | 浙江大学 | 基于透明度的双图像去平面运动模糊方法 |
CN102663718A (zh) * | 2012-03-19 | 2012-09-12 | 清华大学 | 一种全局不一致图像去模糊的方法及系统 |
CN106791273A (zh) * | 2016-12-07 | 2017-05-31 | 重庆大学 | 一种结合帧间信息的视频盲复原方法 |
CN108074222A (zh) * | 2017-12-25 | 2018-05-25 | 清华大学 | 基于混合相机系统的高速运动物体去模糊方法及装置 |
CN109922372A (zh) * | 2019-02-26 | 2019-06-21 | 深圳市商汤科技有限公司 | 视频数据处理方法及装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
PAN, Liyuan等.Bringing a Blurry Frame Alive at High Frame-Rate With an Event Camera.2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
TWI769523B (zh) | 2022-07-01 |
TW202137767A (zh) | 2021-10-01 |
SG11202110306WA (en) | 2021-10-28 |
US20220020124A1 (en) | 2022-01-20 |
CN111445414A (zh) | 2020-07-24 |
WO2021189704A1 (zh) | 2021-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445414B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110060215B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109118430B (zh) | 超分辨率图像重建方法及装置、电子设备及存储介质 | |
CN109829863B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110798630B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109819229B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111340733B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111553864A (zh) | 图像修复方法及装置、电子设备和存储介质 | |
CN111523346B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN109840890B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111369482A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113660531A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN110675355B (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN111861942A (zh) | 一种降噪方法及装置、电子设备和存储介质 | |
CN111461950B (zh) | 图像处理方法及装置 | |
CN109068138B (zh) | 视频图像的处理方法及装置、电子设备和存储介质 | |
CN110121115B (zh) | 精彩视频片段的确定方法及装置 | |
CN113506324B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112651880B (zh) | 视频数据处理方法及装置、电子设备和存储介质 | |
CN110858921A (zh) | 节目视频的处理方法及装置 | |
CN113506325B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113506321A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110896492B (zh) | 图像处理方法、装置及存储介质 | |
CN113326938A (zh) | 网络训练、行人重识别方法及装置、电子设备和存储介质 | |
CN112200745A (zh) | 遥感影像的处理方法及装置、电子设备和存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40024744 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |