CN111598806A - 图像滤波方法和装置、电子设备及存储介质 - Google Patents
图像滤波方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111598806A CN111598806A CN202010412726.1A CN202010412726A CN111598806A CN 111598806 A CN111598806 A CN 111598806A CN 202010412726 A CN202010412726 A CN 202010412726A CN 111598806 A CN111598806 A CN 111598806A
- Authority
- CN
- China
- Prior art keywords
- image
- filtering
- processed
- target
- sub
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 304
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 88
- 238000012545 processing Methods 0.000 claims description 45
- 238000009499 grossing Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 230000001965 increasing effect Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000003706 image smoothing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping 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
- 238000004321 preservation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种图像滤波方法，包括：获取待处理图像和参考图像；将待处理图像在当前方向以预设宽度遍历，分为与预设宽度对应的各个子图像块；选择目标滤波算法对各个子图像块进行滤波，得到与预设宽度对应的各个已滤波子图像块；分别对各个已滤波子图像块构造滤波参数项，基于滤波参数项和参考图像对各个已滤波子图像块进行滤波，采用最小二乘滤波求解得到对应的当前滤波图像，将当前滤波图像作为更新的待处理图像；将与当前方向成预设角度的方向作为更新的当前方向，返回将所述待处理图像在当前方向以预设宽度遍历，分为与预设宽度对应的各个子图像块的步骤，直到达到预设迭代次数，得到目标滤波图像，在保证全局平滑的同时保留了图像细节。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种图像滤波方法和装置、电子设备以及计算机可读存储介质。
背景技术
近年来，用户对高品质影像的追求，以及飞速增长的硬件计算资源，促进了图像算法的蓬勃发展。在HDR(High-Dynamic Range，高动态范围图像)、Tone mapping色调映射、图像分割、颜色填充等图像处理任务中，对图像中的不同目标存在不同的处理需求，如对于图像中的主体目标，希望保留主要结构信息，而对于细节信息需要增强提升。基于该类应用需要，提出不同的图像滤波算法。
传统的图像滤波方法往往对图像进行整体性平滑，会导致图像细节丢失。
发明内容
本申请实施例提供一种图像滤波方法和装置、电子设备以及计算机可读存储介质，通过更换不同的滤波方向对图像进行迭代滤波，且在最小二乘滤波前先通过目标滤波算法对各个子图像块进行滤波，结合了目标滤波算法的局部去噪以及基于最小二乘框架的滤波算法的全局平滑的优势，在保证全局平滑的同时保留了图像细节。
一种图像滤波方法，包括：
获取待处理图像和参考图像；
将所述待处理图像在当前方向以预设宽度遍历，分为与所述预设宽度对应的各个子图像块；
选择目标滤波算法对所述各个子图像块进行滤波，得到与预设宽度对应的各个已滤波子图像块；
分别对所述各个已滤波子图像块构造滤波参数项，基于所述滤波参数项和所述参考图像对所述各个已滤波子图像块进行滤波，采用最小二乘滤波求解得到对应的当前滤波图像，将所述当前滤波图像作为更新的待处理图像；
将与所述当前方向成预设角度的方向作为更新的当前方向，返回所述将所述待处理图像在当前方向以预设宽度遍历，分为与所述预设宽度对应的各个子图像块的步骤，直到达到预设迭代次数，得到目标滤波图像。
一种图像滤波装置，包括：
获取模块，用于获取待处理图像和参考图像；
子图像块分割模块，用于将所述待处理图像在当前方向以预设宽度遍历，分为与所述预设宽度对应的各个子图像块；
第一滤波模块，用于选择目标滤波算法对所述各个子图像块进行滤波，得到与预设宽度对应的各个已滤波子图像块；
最小二乘滤波模块，用于分别对所述各个已滤波子图像块构造滤波参数项，基于所述滤波参数项和所述参考图像对所述各个已滤波子图像块进行滤波，采用最小二乘滤波求解得到对应的当前滤波图像，将所述当前滤波图像作为更新的待处理图像；
滤波方向更新模块，用于将与所述当前方向成预设角度的方向作为更新的当前方向，返回所述子图像块分割模块；
目标滤波图像确定模块，用于直到达到预设迭代次数，得到目标滤波图像。
一种电子设备，包括存储器以及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
获取待处理图像和参考图像；
将所述待处理图像在当前方向以预设宽度遍历，分为与所述预设宽度对应的各个子图像块；
选择目标滤波算法对所述各个子图像块进行滤波，得到与预设宽度对应的各个已滤波子图像块；
分别对所述各个已滤波子图像块构造滤波参数项，基于所述滤波参数项和所述参考图像对所述各个已滤波子图像块进行滤波，采用最小二乘滤波求解得到对应的当前滤波图像，将所述当前滤波图像作为更新的待处理图像；
将与所述当前方向成预设角度的方向作为更新的当前方向，返回所述将所述待处理图像在当前方向以预设宽度遍历，分为与所述预设宽度对应的各个子图像块的步骤，直到达到预设迭代次数，得到目标滤波图像。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
获取待处理图像和参考图像；
将所述待处理图像在当前方向以预设宽度遍历，分为与所述预设宽度对应的各个子图像块；
选择目标滤波算法对所述各个子图像块进行滤波，得到与预设宽度对应的各个已滤波子图像块；
分别对所述各个已滤波子图像块构造滤波参数项，基于所述滤波参数项和所述参考图像对所述各个已滤波子图像块进行滤波，采用最小二乘滤波求解得到对应的当前滤波图像，将所述当前滤波图像作为更新的待处理图像；
将与所述当前方向成预设角度的方向作为更新的当前方向，返回所述将所述待处理图像在当前方向以预设宽度遍历，分为与所述预设宽度对应的各个子图像块的步骤，直到达到预设迭代次数，得到目标滤波图像。
上述图像滤波方法、装置、电子设备以及计算机可读存储介质，通过将待处理图像在第一方向以预设宽度遍历，分为与第一方向对应的各个子图像块；选择目标滤波算法对第一方向对应的各个子图像块进行滤波，构造滤波参数项，基于滤波参数项和参考图像对各个已滤波子图像块进行滤波，采用最小二乘滤波求解得到对应的当前滤波图像，再对当前滤波图像在第二方向以预设宽度遍历，分为与第二方向对应的各个子图像块，重复执行上述步骤得到更新的滤波图像，并迭代多次最终得到目标滤波图像，通过更换不同的滤波方向对图像进行迭代滤波，且在最小二乘滤波前先通过目标滤波算法对各个子图像块进行滤波，结合了目标滤波算法的局部去噪以及基于最小二乘框架的滤波算法的全局平滑的优势，在保证全局平滑的同时保留了图像细节。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中图像滤波方法的应用环境图；
图2为一个实施例中图像滤波方法的流程示意图；
图3为一个实施例中分不同的方向得到子图像块进行滤波的示意图；
图4为一个实施例中图像滤波装置的结构框图；
图5为一个实施例中电子设备的内部结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
图1为一个实施例中图像滤波方法的应用环境图。如图1所示，该应用环境包括终端110和服务器120，终端110获取待处理图像和参考图像，将包括待处理图像和参考图像的视频处理请求发送至服务器120，服务器120将待处理图像在当前方向以预设宽度遍历，分为与预设宽度对应的各个子图像块；选择目标滤波算法对所述各个子图像块进行滤波，得到与预设宽度对应的各个已滤波子图像块；分别对各个已滤波子图像块构造滤波参数项，基于滤波参数项和所述参考图像对各个已滤波子图像块进行滤波，采用最小二乘滤波求解得到对应的当前滤波图像，将当前滤波图像作为更新的待处理图像；将与当前方向成预设角度的方向作为更新的当前方向，返回将待处理图像在当前方向以预设宽度遍历，分为与预设宽度对应的各个子图像块的步骤，直到达到预设迭代次数，得到目标滤波图像，服务器120将目标滤波图像返回终端110。其中终端110可以为包括手机、平板电脑、PDA(PersonalDigital Assistant，个人数字助理)、车载电脑、穿戴式设备等终端设备。终端设备可以从服务器下载、应用各类型的图像资源作为待处理图像。其中服务器120可以为一个服务器或服务器集群。
在一些实施例中，图像滤波方法可以应用于终端110，由终端110直接执行上述步骤生成目标滤波图像。
图2为一个实施例中图像滤波方法的流程图。图2所示的图像滤波方法可应用于上述终端110或服务器120中，包括：
步骤202，获取待处理图像和参考图像。
其中，待处理图像是需要进行平滑滤波的图像，可以是终端实时拍摄的图像，也可以是预先配置的图像，如网络中下载的图像，直播视频中的图像，社交应用中好友发送的图像等。待处理图像可以为一个或多个。参考图像是在滤波过程中供待处理图像使用参考信息的图像，参考图像可以认为是一种标准图像，相对于被滤波的待处理图像，一般噪声更少，或者有颜色、边缘等信息。如在滤波过程中可以加入引导图像中的信息，使得最后的输出图像在纹理部分与引导图像相似。参考图像可以为与待处理图像相同类型或不同类型的图像，可以通过多种不同的方式获取与待处理图像对应的参考图像。如通过深度摄相头采集得到待处理图像，通过彩色摄相头采集得到参考图像。还可以通过预设的图像处理模型生成待处理图像对应的参考图像。
对于不同的应用场景，参考图像可以存在不同的作用，可用于保边图像平滑、进行图像增强等。可根据图像处理需求和应用场景确定待处理图像对应的参考图像数量、类型和图像内容。参考图像可以为一个或多个。参考图像的大小可以与待处理图像相同或不同，可在参考图像中确定与待处理图像中的像素点匹配的像素点。
步骤204，将待处理图像在当前方向以预设宽度遍历，分为与预设宽度对应的各个子图像块。
其中，当前方向可以是预设的方向，如水平方向或垂直方向，也可以是通过提取待处理图像的特征，根据图像特征确定的方向，如检测到待处理图像是45°方向的纹理特征，则确定当前方向为45°方向。预设宽度可以是预先设置的宽度，如预设宽度为一个像素行宽度，也可以是根据待处理图像的特征自适应确定的宽度，如检测到待处理图像的统理是宽度为2个像素行的条形图案，则将预设宽度设置为二个像素行宽度。
具体地，在当前方向以预设宽度对待处理图像进行遍历，当当前方向为水平进行遍历后得到的各个子图像块的宽度相同，为待处理图像的宽，当当前方向为垂直进行遍历后得到的各个子图像块的高度相同，为待处理图像的高。如果当前方向为一定角度的倾斜方向，则以预设宽度遍历后得到的各个图像块为宽度不同的梯形图像块，可在过界处进行像素填充使得梯形图像块成为规则长方形图像块。进行填充的方式可自定义，如使用预设像素填充，或使用待处理图像边界附近的原始像素值进行填充，可为对称填充等方式。
在一个实施例中，待处理图像为分辨率为W*H的图像，当当前方向为水平方向，以一个像素行为预设宽度进行遍历时，分割得到H个子图像块，每个子图像块的大小是1*W。当当前方向为垂直方向，以一个像素列为预设宽度进行遍历时，分割得到W个子图像块，每个子图像块的大小是H*1。
步骤206，选择目标滤波算法对各个子图像块进行滤波，得到与预设宽度对应的各个已滤波子图像块。
其中，目标滤波算法可以为传统的滤波算法，可以为一种或多种。可根据当前运行终端的性能、当前资源、应用场景或预设需求，如运算复杂度需求、运行时间需求、图像质量需求选择目标滤波算法。
具体地，在实时性要求高、图像质量要求不高的场景选择运算复杂度小，速度快的滤波算法，在实时性要求低、图像质量要求高，如需要具备高质量保边缘能力的场景，选择运算复杂度高，速度较慢的滤波算法。目标滤波算法可以为盒子滤波算法、引导滤波算法、双边滤波算法中的一种或多种。当目标滤波算法包括多种时，可按预设顺序先后对各个子图像块进行滤波。
步骤208，分别对各个已滤波子图像块构造滤波参数项，基于滤波参数项和参考图像对各个已滤波子图像块进行滤波，采用最小二乘滤波求解得到对应的当前滤波图像，将当前滤波图像作为更新的待处理图像。
其中，滤波参数项包括平滑因子和数据项，其中平滑因子用于控制图像的平滑度，在其他参数不变时，随着平滑因子的增大，图像平滑越强，图像越来越模糊。数据项用于控制滤波图像与原始图像之间差异，可通过预设滤波图像与待处理图像进行构建。
滤波图像为原始图像经过本申请的图像滤波方法进行平滑滤波处理后，得到的图像。由于滤波图像是未知的，而采用最小二乘法构造的模型可实现对未知数据的求解，故可假设滤波图像为预设滤波图像，作为未知数据带入最小二乘模型中，经过最小二乘滤波求解得到对应的当前滤波图像。其中最小二乘法构造的模型还包括控制预设滤波图像中一个区域范围内各个像素点差异的数据项，可通过预设滤波图像与参考图像进行构建，构建时通过预设滤波图像中的当前像素点与邻域区域的像素点之间的差异计算得到此数据项，计算时可为各个像素点之间的差异分配不同的权重，各个权重的确定需要用到参考图像计算像素点之间的相关性。采用最小二乘滤波求解得到对应的当前滤波图像后，将当前滤波图像作为更新的待处理图像，对更新的待处理图像进行下一个方向的滤波。
步骤210，将与当前方向成预设角度的方向作为更新的当前方向，返回将待处理图像在当前方向以预设宽度遍历，分为与预设宽度对应的各个子图像块的步骤，直到达到预设迭代次数，得到目标滤波图像。
具体地，预设角度可以自定义，如根据图像的特征自适应的确定。更新当前方向后，在新的方向以预设宽度遍历步骤208得到的更新的待处理图像，分为与预设宽度对应的各个子图像块，再次执行步骤206-步骤208，执行完毕则完成一次完整的滤波步骤，一次完整的滤波步骤包括两个不同方向上的滤波，将迭代次数增加一次，然后判断当前迭代次数是否达到预设迭代次数，如果没有达到则确定当前方向后，继续返回步骤204执行，直到达到预设迭代次数，得到目标滤波图像。
本实施例中的图像滤波方法，通过将待处理图像在第一方向以预设宽度遍历，分为与第一方向对应的各个子图像块；选择目标滤波算法对第一方向对应的各个子图像块进行滤波，构造滤波参数项，基于滤波参数项和参考图像对各个已滤波子图像块进行滤波，采用最小二乘滤波求解得到对应的当前滤波图像，再对当前滤波图像在第二方向以预设宽度遍历，分为与第二方向对应的各个子图像块，重复执行上述步骤得到更新的滤波图像，并迭代多次最终得到目标滤波图像，通过更换不同的滤波方向对图像进行迭代滤波，且在最小二乘滤波前先通过目标滤波算法对各个子图像块进行滤波，结合了目标滤波算法的局部去噪以及基于最小二乘框架的滤波算法的全局平滑的优势，在保证全局平滑的同时保留了图像细节。
在一个实施例中，待处理图像和参考图像包括以下方式中的至少一种：待处理图像和参考图像为相同的图像；待处理图像为深度图像，参考图像为与深度图像匹配的彩色图像；待处理图像为深度图像，参考图像为与深度图像匹配的彩色图像与强度图像。
具体地，待处理图像和参考图像为相同的图像，可以用于图像平滑去噪。待处理图像为深度图像，参考图像为高质量的彩色图像或灰度图像，高质量的彩色图像或灰度图像具有边缘信息，可用于深度图的边缘滤波。如果是HDR或多帧降噪，可以选择最清晰，噪声最小的图像作为参考图像。待处理图像为深度图像，参考图像为彩色图像和强度图像，可用于TOF(Time of flight，飞行时间)深度图增强，以彩色图和强度图彩色图像和强度图像为参考，共同构建最小二乘模型求解系统，得到目标滤波图像。
本实施例中，对于不同的需求和应用场景，可为待处理图像选择一个或多个参考图像，实现在不同应用场景下的滤波，当有多个参考图像时，参考多个图像的信息，提高滤波后的图像质量。
在一个实施例中，步骤204之前还包括：检测待处理图像的目标纹理方向，将目标纹理方向确定为当前方向，步骤210中将与当前方向成预设角度的方向作为更新的当前方向包括：将与当前方向成垂直角度的方向作为更新的当前方向。
其中，图像的纹理方向是其灰度在各个方向上的变化所呈现的一致性、均匀性，从视觉上看则近似为条纹状。如一个图像在垂直方向上具有一定的方向性,也即沿纵向呈现条纹状或近似条纹状,那么这个图像的纹理在垂直方向上相邻像素间的灰度变化从平均统计上要比其它方向上小，据此统计一个图像的纹理的像素灰度在各个方向上的变化规律，从而得到这个图像的纹理方向特征。
具体地，检测待处理图像的目标纹理方向，将目标纹理方向确定为当前方向，如待处理图像为水平方向纹理，则将水平方向作为当前方向，将待处理图像的目标纹理方向确定为当前方向，便于滤波时确定的各个子图像块的纹理方向具有较好的一致性，提高滤波图像质量。滤波时，先在第一方向上对各个子图像块进行滤波，再在第二方向上对已滤波的各个子图像块进行滤波，其中第二方向与第一方向成垂直角度，成垂直角度便于尽可能多的在不同方向上进行滤波，且不需要对整个图像进行滤波，只需要在不同的方向上进行分解，求解滤波解结果时不需要对整个图像对应的稀疏矩阵进行运算，只需要对不同方向上的子图像块对应的稀疏矩阵进行运算，大大降低了运算复杂度。
本实施例中，通过检测待处理图像的目标纹理方向，自适应的为待处理图像确定适合的当前方向，且通过与当前方向成垂直角度的方向更新滤波方向，提高了滤波图像质量。
在一个实施例中，步骤206包括：获取待处理图像对应的处理场景，获取待处理图像对应的处理规模，根据处理场景和/或处理规模确定待处理图像的目标运算复杂度；根据目标运算复杂度选择目标滤波算法。
具体地，待处理图像对应的处理场景可以通过待处理图像所在的处理环境信息，应用场景信息确定。处理环境信息包括设备环境信息和网络环境信息，如手机的处理器的性能、存储器的大小等，网络环境信息包括网络带宽等。应用场景信息包括实时性要求高的应用场景，如实时会议、实时监控、游戏应用等，或实时性要求低的应用场景，如美颜图像应用等。不同的处理场景对图像质量和图像处理效率有不同的需求，从而需要不同运算复杂度的滤波算法进行处理。可通过多个不同的参数综合确定，可建立模型，将不同的场景参数输入模型，由模型通过综合判断输出目标运算复杂度。如处理场景对应的实时性要求高，则需要低运算复杂度的滤波算法才能快速滤波得到滤波图像满足实时性的要求。
处理规模可以与待处理图像的分辨率相关，如待处理图像的分辨率较大，则可能需要较长的运算时间，再结合当前的实时性要求等条件确定目标运算复杂度，如图像本身纹理较复杂，则需要分配相对较高的目标运算复杂度，以免处理结果图像质量差。根据处理场景和/或处理规模确定待处理图像的目标运算复杂度，从而选择目标滤波算法，使得经过目标滤波算法处理得到的滤波图像能满足处理场景的需求，与处理规模相适应。
本实施例中，通过处理场景、处理规模自适应的确定目标滤波算法，使得目标超分辨率图像与处理场景、处理规模相适应。
在一个实施例中，根据目标运算复杂度选择目标滤波算法包括：当目标运算复杂度小于或等于第一阈值时，选择盒子滤波算法作为所述目标滤波算法；当目标运算复杂度大于所述第一阈值，且小于第二阈值时，选择引导滤波算法作为目标滤波算法；当目标运算复杂度大于或等于第二阈值时选择双边滤波算法作为目标滤波算法，其中第一阈值、第二阈值为依次增大的阈值。
具体地，盒子滤波实现简单，是一种线性滤波，在给定的滑动窗口大小下，如r*r窗口内，其中r可自定义，对每个窗口内的像素值进行快速相加求和，并进行平均运算。当目标运算复杂度小于或等于第一阈值时，可选择盒子滤波算法作为目标滤波算法，因为其算法简单，运算复杂度低，速度快，不过不具备保护边缘能力。双边滤波是一种非线性滤波器，它可以达到保持边缘、降噪平滑的效果。双边滤波采用加权平均的方法，用周边像素亮度值的加权平均代表某个像素的强度，所用的加权平均基于高斯分布。最重要的是，双边滤波的权重不仅考虑了像素的欧氏距离，还考虑了像素范围域中的辐射差异，例如卷积核中像素与中心像素之间相似程度、颜色强度，深度距离等，双边滤波具备一定保持边缘的能力，但是运算速度较慢，运算复杂度与窗口大小有关，窗口越大运算速度越慢，运算复杂度越高。引导滤波，引导图滤波是一种自适应权重滤波，能够在平滑图像的同时起到保持边界的作用，运算复杂度与窗口大小无关，运算复杂度介于盒子滤波和双边滤波之间，具备一定保边能力。根据各个滤波算法的特点，当目标运算复杂度在第一阈值和第二阈值之间时，选择引导滤波算法作为目标滤波算法，当目标运算复杂度大于或等于第二阈值时，选择双边滤波算法作为目标滤波算法。
本实施例中，通过比较目标运算复杂度与阈值之间的关系，选择与目标运算复杂度匹配的目标滤波算法，满足运算需求。
在一个实施例中，步骤208包括：对各个已滤波子图像块构造平滑因子；基于待处理图像和预设滤波图像，为各个已滤波子图像块构造对应的数据项；根据参考图像计算得到待处理像素点与对应邻域区域的像素点之间的像素相关性；基于待处理图像、参考图像和预设滤波图像，根据平滑因子、数据项和像素相关性构造得到最小二乘能量函数；求解最小二乘能量函数得到当前滤波图像。
具体地，平滑因子λ一般取0-1之间的值，可根据实验调整。各个已滤波子图像块对应的数据项构造表示为：(up-fp)2，其中待处理图像为f，参考图像为g，预设滤波图像为u，p，q表示不同像素点，N(p)表示像素p的4邻域或8邻域区域。根据参考图像g计算得到待处理像素点p与对应邻域区域的像素点q之间的像素相关性wp，q，计算公式如下：
wp，q(g)＝exp(-||gp-gq||/σc).
其中，σc是范围参数，通过像素点之间的颜色相似度，控制像素点的相似程度，颜色越接近，2个像素点联系越紧密。
根据所述平滑因子、数据项和像素相关性构造得到最小二乘能量函数为：
对最小二乘能量函数求导，并令导数为0可得线性方程系统如下：
(I+λA)u＝f.
其中，u和f表示S×1的列向量，包含了图像的像素值，S为图像像素点个数。I为单位矩阵，A为空间变化的拉普拉斯矩阵，大小为S×S。
其中，m，n表示像素p对应的索引，m，n∈{0，1，...S-1}，A是一个稀疏矩阵。
求解所述最小二乘能量函数得到所述当前滤波图像，则最终滤波结果为：
u(m)＝((I+λA)-1f)(m).
对各个已滤波子图像块构造平滑因子和对应的数据项，并基于最小二乘滤波求解得到对应的二次滤波子图像块，各个二次滤波子图像块组成当前滤波图像。在一个实施例中，可通过并行实现各个已滤波子图像块的最小二乘滤波，加快滤波速度。
本实施例中，对各个已滤波子图像块构造平滑因子和对应的数据项，并基于最小二乘滤波求解得到对应的当前滤波图像，基于最小二乘框架的滤波算法的全局平滑的优势，得到高质量的滤波图像。
在一个实例中，对各个已滤波子图像块构造平滑因子包括：获取当前迭代次数；根据当前迭代次数确定平滑因子，平滑因子的大小与当前迭代次数成反比关系。
具体地，λ越大，图像平滑越强，迭代的过程中逐渐减小λ的值，减小图像平滑的强度，在保证全局平滑的同时保留了图像细节。
本实施例中，根据迭代次数自适应的调整λ的值，调整的幅度可自定义，提高了图像滤波的灵活性，使得平滑因子与滤波效果相适应。
在一个实施例中当参考图像包括至少2个时，根据参考图像计算得到待处理像素点与对应邻域区域的像素点之间的像素相关性包括：基于各个参考图像计算得到待处理像素点与对应邻域区域的像素点之间的子像素相关性；将各个子像素相关性进行预设运算得到目标像素相关性。
具体地，当参考图像存在2个或2个以上时，分别根据各个参考图像计算待处理像素点与对应邻域区域的像素点之间的子像素相关性，然后将各个子像素相关性进行预设运算得到目标像素相关性，其中预设运算可自定义，在一个实施例中预设运算为乘法运算。在一个实施例中，参考图像包括彩图图像g1和强度图像g2，根据彩图图像g1，代入公式wp，q(g)＝exp(-||gp-gq||/σc)计算得到wp，q(g)1，根据强度图像g2，计算得到wp，q(g)2，然后根据公式wp，q(g)t＝wp，q(g)1*wp，q(g)2计算得到目标像素相关性wp，q(g)t。
本实施例中，当参考图像包括至少2个时，在计算像素相关性时综合考虑各个参考图像对应的子像素相关性，使得像素相关性的计算综合各个参考图像的像素特征，使得滤波图像结合各个参考图像的参考信息，提高滤波图像的质量。
在一个具体的实施例中，提供一种图像滤波方法，具体过程如下：
1、获取待处理图像分辨率为W*H，和参考图像，设置初始平滑因子λ为0.5，σc为0.1，迭代次数为10。根据处理场景和处理规模确定目标运算复杂度，根据目标运算复杂度从盒子滤波、引导滤波和双边滤波中选择目标滤波算法。
2、进行水平方向滤波，根据目标滤波算法对待处理图像的每一行进行滤波，得到1*W维已滤波子图像块，如图3所示；
3、分别对每一行的1*W维已滤波子图像块构造数据项，根据当前迭代次数构造平滑因子，并利用最小二乘滤波求解，得到当前滤波图像。
5、进行垂直方向滤波，根据目标滤波算法对当前滤波图像的每一列进行滤波，得到H*1维已滤波子图像块；
6、分别对每一列的H*1维已滤波子图像块构造数据项，根据当前迭代次数构造平滑因子，并利用最小二乘滤波求解，得到当前滤波图像，将当前滤波图像作为更新的待处理图像。
7、将当前迭代次数增加一次，并判断是否达到预设迭代次数，如果没有达到预设迭代次数则返回步骤2，如果达到预设迭代次数，则得到目标滤波图像。
本实施例中，不需要整幅图像同时建模，可以将整幅图从水平，垂直两个方向分解，对于水平方向，图像块大小是1*W，对1*W维图像块用最小二乘滤波做滤波，水平方向并行做H次，每次稀疏矩阵大小为(W*W)。对于垂直方向同理，并行做W次，每次稀疏矩阵大小(H*H)；交替来做，先水平方向做一次，然后垂直方向做一次，总共迭代10次，迭代的过程中逐渐减小λ的值，结合了目标滤波算法的局部去噪、速度快的优势，以及FGS(fast globalsmoother，快速全局平滑)滤波算法的全局平滑的优势，保证滤波全局平滑的同时保留了图像局部细节。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图4为一个实施例的图像滤波装置300的结构框图。如图4所示，一种图像滤波装置300，包括：获取模块302、子图像块分割模块304、第一滤波模块306、最小二乘滤波模块308、滤波方向更新模块310和目标滤波图像确定模块312。其中：
获取模块302，用于获取待处理图像和参考图像。
子图像块分割模块304，用于将待处理图像在当前方向以预设宽度遍历，分为与所述预设宽度对应的各个子图像块。
第一滤波模块306，用于选择目标滤波算法对所述各个子图像块进行滤波，得到与预设宽度对应的各个已滤波子图像块。
最小二乘滤波模块308，用于分别对各个已滤波子图像块构造滤波参数项，基于滤波参数项和参考图像对各个已滤波子图像块进行滤波，采用最小二乘滤波求解得到对应的当前滤波图像，将当前滤波图像作为更新的待处理图像。
滤波方向更新模块310，用于将与当前方向成预设角度的方向作为更新的当前方向，返回子图像块分割模块304。
目标滤波图像确定模块312，用于直到达到预设迭代次数，得到目标滤波图像。
本实施中的图像滤波装置300，通过更换不同的滤波方向对图像进行迭代滤波，且在最小二乘滤波前先通过目标滤波算法对各个子图像块进行滤波，结合了目标滤波算法的局部去噪以及基于最小二乘框架的滤波算法的全局平滑的优势，在保证全局平滑的同时保留了图像细节。
在一个实施例中，待处理图像和参考图像包括以下方式中的至少一种：待处理图像和参考图像为相同的图像；待处理图像为深度图像，参考图像为与深度图像匹配的彩色图像；待处理图像为深度图像，参考图像为与深度图像匹配的彩色图像与强度图像。
本实施中的图像滤波装置300，对于不同的需求和应用场景，可为待处理图像选择一个或多个参考图像，实现在不同应用场景下的滤波，当有多个参考图像时，参考多个图像的信息，提高滤波后的图像质量。
在一个实施例中，装置还包括：当前方向确定模块，用于检测待处理图像的目标纹理方向，将目标纹理方向确定为当前方向，滤波方向更新模块310还用于将与当前方向成垂直角度的方向作为更新的当前方向。
本实施中的图像滤波装置300，通过检测待处理图像的目标纹理方向，自适应的为待处理图像确定适合的当前方向，且通过与当前方向成垂直角度的方向更新滤波方向，提高了滤波图像质量。
在一个实施例中，第一滤波模块还用于获取待处理图像对应的处理场景，获取待处理图像对应的处理规模，根据处理场景和/或处理规模确定待处理图像的目标运算复杂度，根据目标运算复杂度选择目标滤波算法。
本实施例中，通过处理场景、处理规模自适应的确定目标滤波算法，使得目标超分辨率图像与处理场景、处理规模相适应。
在一个实施例中，第一滤波模块还用于当所述目标运算复杂度小于或等于第一阈值时，选择盒子滤波算法作为所述目标滤波算法；当所述目标运算复杂度大于所述第一阈值，且小于第二阈值时，选择引导滤波算法作为所述目标滤波算法；当所述目标运算复杂度大于或等于第三阈值时选择双边滤波作为所述目标滤波算法，其中所述第一阈值、所述第二阈值，所述第三阈值为依次增大的阈值。
本实施中的图像滤波装置300，通过比较目标运算复杂度与阈值之间的关系，选择与目标运算复杂度匹配的目标滤波算法，满足运算需求。
在一个实施例中，最小二乘滤波模块308还用于对各个已滤波子图像块构造平滑因子；基于待处理图像和预设滤波图像，为各个已滤波子图像块构造对应的数据项；根据参考图像计算得到待处理像素点与对应邻域区域的像素点之间的像素相关性；基于待处理图像、参考图像和预设滤波图像，根据平滑因子、数据项和像素相关性构造得到最小二乘能量函数；求解最小二乘能量函数得到当前滤波图像。
本实施例中，对各个已滤波子图像块构造平滑因子和对应的数据项，并基于最小二乘滤波求解得到对应的当前滤波图像，基于最小二乘框架的滤波算法的全局平滑的优势，得到高质量的滤波图像。
在一个实施例中，最小二乘滤波模块308还用于获取当前迭代次数；根据当前迭代次数确定平滑因子，平滑因子的大小与当前迭代次数成反比关系。
本实施例中，根据迭代次数自适应的调整λ的值，调整的幅度可自定义，提高了图像滤波的灵活性，使得平滑因子与滤波效果相适应。
在一个实施例中，当所述参考图像包括至少2个时，最小二乘滤波模块308还用于基于各个参考图像计算得到待处理像素点与对应邻域区域的像素点之间的子像素相关性，将各个子像素相关性进行预设运算得到目标像素相关性。
本实施例中，当参考图像包括至少2个时，在计算像素相关性时综合考虑各个参考图像对应的子像素相关性，使得像素相关性的计算综合各个参考图像的像素特征，使得滤波图像结合各个参考图像的参考信息，提高滤波图像的质量。
关于图像滤波装置的具体限定可以参见上文中对于图像滤波方法的限定，在此不再赘述。上述图像滤波装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图5为一个实施例中电子设备的内部结构示意图。如图5所示，该电子设备包括通过系统总线连接的处理器、存储器。其中，该处理器用于提供计算和控制能力，支撑整个电子设备的运行。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以上各个实施例所提供的图像滤波方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。该电子设备可以是手机、服务器等。
本申请实施例中提供的图像滤波装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时，实现本申请实施例中所描述的图像滤波方法。
本申请实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行本申请实施例中所描述的图像滤波方法。
一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本申请实施例中所描述的图像滤波方法。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)，它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种图像滤波方法，其特征在于，包括：
获取待处理图像和参考图像；
将所述待处理图像在当前方向以预设宽度遍历，分为与所述预设宽度对应的各个子图像块；
选择目标滤波算法对所述各个子图像块进行滤波，得到与预设宽度对应的各个已滤波子图像块；
分别对所述各个已滤波子图像块构造滤波参数项，基于所述滤波参数项和所述参考图像对所述各个已滤波子图像块进行滤波，采用最小二乘滤波求解得到对应的当前滤波图像，将所述当前滤波图像作为更新的待处理图像；
将与所述当前方向成预设角度的方向作为更新的当前方向，返回所述将所述待处理图像在当前方向以预设宽度遍历，分为与所述预设宽度对应的各个子图像块的步骤，直到达到预设迭代次数，得到目标滤波图像。
2.根据权利要求1所述的方法，其特征在于，所述待处理图像和参考图像包括以下方式中的至少一种：
所述待处理图像和参考图像为相同的图像；
所述待处理图像为深度图像，所述参考图像为与所述深度图像匹配的彩色图像；
所述待处理图像为深度图像，所述参考图像为与所述深度图像匹配的彩色图像与强度图像。
3.根据权利要求1所述的方法，其特征在于，所述将所述待处理图像在当前方向以预设宽度遍历，分为与所述预设宽度对应的各个子图像块之前，还包括：
检测所述待处理图像的目标纹理方向，将所述目标纹理方向确定为当前方向；
所述将与所述当前方向成预设角度的方向作为更新的当前方向包括：
将与所述当前方向成垂直角度的方向作为更新的当前方向。
4.根据权利要求1所述的方法，其特征在于，所述选择目标滤波算法对所述各个子图像块进行滤波，得到与预设宽度对应的各个已滤波子图像块包括：
获取所述待处理图像对应的处理场景；
获取所述待处理图像对应的处理规模；
根据所述处理场景和/或处理规模确定所述待处理图像的目标运算复杂度；
根据所述目标运算复杂度选择目标滤波算法。
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标运算复杂度选择目标滤波算法包括：
当所述目标运算复杂度小于或等于第一阈值时，选择盒子滤波算法作为所述目标滤波算法；
当所述目标运算复杂度大于所述第一阈值，且小于第二阈值时，选择引导滤波算法作为所述目标滤波算法；
当所述目标运算复杂度大于或等于第二阈值时选择双边滤波算法作为所述目标滤波算法，其中所述第一阈值、所述第二阈值为依次增大的阈值。
6.根据权利要求1所述的方法，其特征在于，所述分别对所述各个已滤波子图像块构造滤波参数项，基于所述滤波参数项和所述参考图像对所述各个已滤波子图像块进行滤波，采用最小二乘滤波求解得到对应的当前滤波图像包括：
对所述各个已滤波子图像块构造平滑因子；
基于待处理图像和预设滤波图像，为所述各个已滤波子图像块构造对应的数据项；
根据所述参考图像计算得到待处理像素点与对应邻域区域的像素点之间的像素相关性；
基于待处理图像、参考图像和预设滤波图像，根据所述平滑因子、数据项和像素相关性构造得到最小二乘能量函数；
求解所述最小二乘能量函数得到所述当前滤波图像。
7.根据权利要求6所述的方法，其特征在于，所述对所述各个已滤波子图像块构造平滑因子包括：
获取当前迭代次数；
根据所述当前迭代次数确定所述平滑因子，所述平滑因子的大小与当前迭代次数成反比关系。
8.根据权利要求6所述的方法，其特征在于，当所述参考图像包括至少2个时，所述根据所述参考图像计算得到待处理像素点与对应邻域区域的像素点之间的像素相关性包括：
基于各个参考图像计算得到待处理像素点与对应邻域区域的像素点之间的子像素相关性；
将所述各个子像素相关性进行预设运算得到目标像素相关性。
9.一种图像滤波装置，其特征在于，包括：
获取模块，用于获取待处理图像和参考图像；
子图像块分割模块，用于将所述待处理图像在当前方向以预设宽度遍历，分为与所述预设宽度对应的各个子图像块；
第一滤波模块，用于选择目标滤波算法对所述各个子图像块进行滤波，得到与预设宽度对应的各个已滤波子图像块；
最小二乘滤波模块，用于分别对所述各个已滤波子图像块构造滤波参数项，基于所述滤波参数项和所述参考图像对所述各个已滤波子图像块进行滤波，采用最小二乘滤波求解得到对应的当前滤波图像，将所述当前滤波图像作为更新的待处理图像；
滤波方向更新模块，用于将与所述当前方向成预设角度的方向作为更新的当前方向，返回所述子图像块分割模块；
目标滤波图像确定模块，用于直到达到预设迭代次数，得到目标滤波图像。
10.根据权利要求9所述的装置，其特征在于，所述待处理图像和参考图像包括以下方式中的至少一种：
所述待处理图像和参考图像为相同的图像；
所述待处理图像为深度图像，所述参考图像为与所述深度图像匹配的彩色图像；
所述待处理图像为深度图像，所述参考图像为与所述深度图像匹配的彩色图像与强度图像。
11.根据权利要求9所述的装置，其特征在于，所述装置还包括：
当前方向确定模块，用于检测所述待处理图像的目标纹理方向，将所述目标纹理方向确定为当前方向；
所述滤波方向更新模块还用于将与所述当前方向成垂直角度的方向作为更新的当前方向。
12.根据权利要求9所述的装置，其特征在于，所述第一滤波模块还用于获取所述待处理图像对应的处理场景，获取所述待处理图像对应的处理规模，根据所述处理场景和/或处理规模确定所述待处理图像的目标运算复杂度，根据所述目标运算复杂度选择目标滤波算法。
13.根据权利要求12所述的装置，其特征在于，所述第一滤波模块还用于当所述目标运算复杂度小于或等于第一阈值时，选择盒子滤波算法作为所述目标滤波算法；当所述目标运算复杂度大于所述第一阈值，且小于第二阈值时，选择引导滤波算法作为所述目标滤波算法；当所述目标运算复杂度大于或等于第三阈值时选择双边滤波作为所述目标滤波算法，其中所述第一阈值、所述第二阈值，所述第三阈值为依次增大的阈值。
14.一种电子设备，包括存储器以及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述的图像滤波方法。
15.一种计算机可读存储介质，其上存储有计算机程序，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8中任一项所述的图像滤波方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010412726.1A CN111598806B (zh) | 2020-05-15 | 2020-05-15 | 图像滤波方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010412726.1A CN111598806B (zh) | 2020-05-15 | 2020-05-15 | 图像滤波方法和装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111598806A true CN111598806A (zh) | 2020-08-28 |
| CN111598806B CN111598806B (zh) | 2023-06-13 |
Family
ID=72191067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010412726.1A Active CN111598806B (zh) | 2020-05-15 | 2020-05-15 | 图像滤波方法和装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598806B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112810753A (zh) * | 2020-11-17 | 2021-05-18 | 泰州程顺制冷设备有限公司 | 自适应水下场景应对系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105872538A (zh) * | 2016-04-18 | 2016-08-17 | 广东中星电子有限公司 | 时域滤波方法和时域滤波装置 |
| US20170140538A1 (en) * | 2015-11-16 | 2017-05-18 | Le Holdings (Beijing) Co., Ltd. | Image preprocessing method and electronic device for image registration |
| WO2017119637A1 (ko) * | 2016-01-05 | 2017-07-13 | 삼성전자주식회사 | 무선 통신 시스템에서 간섭 제어를 위한 방법 및 장치 |
| CN106952314A (zh) * | 2017-03-01 | 2017-07-14 | 西安电子科技大学 | 基于频域方向滤波器的递归预测图像压缩方法 |
| CN107278314A (zh) * | 2015-03-24 | 2017-10-20 | 英特尔公司 | 具有自适应有向空间滤波器的非局部均值图像去噪 |
| CN109447935A (zh) * | 2018-11-16 | 2019-03-08 | 哈工大机器人（山东）智能装备研究院 | 红外图像处理方法、装置、计算机设备和可读存储介质 |
| US20190082184A1 (en) * | 2016-03-24 | 2019-03-14 | Nokia Technologies Oy | An Apparatus, a Method and a Computer Program for Video Coding and Decoding |
| CN109767408A (zh) * | 2018-12-29 | 2019-05-17 | 广州华多网络科技有限公司 | 图像处理方法、装置、存储介质及计算机设备 |
| WO2019124652A1 (en) * | 2017-12-18 | 2019-06-27 | Samsung Electronics Co., Ltd. | Electronic apparatus and control method thereof |
| US20190273936A1 (en) * | 2016-10-16 | 2019-09-05 | Huawei Technologies Co., Ltd. | Motion Compensating Prediction Method and Apparatus |
| CN110289009A (zh) * | 2019-07-09 | 2019-09-27 | 广州视源电子科技股份有限公司 | 声音信号的处理方法、装置和交互智能设备 |
| CN111080534A (zh) * | 2019-10-31 | 2020-04-28 | 北京迈格威科技有限公司 | 图像滤波方法、装置及电子设备 |
-
2020
- 2020-05-15 CN CN202010412726.1A patent/CN111598806B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107278314A (zh) * | 2015-03-24 | 2017-10-20 | 英特尔公司 | 具有自适应有向空间滤波器的非局部均值图像去噪 |
| US20170140538A1 (en) * | 2015-11-16 | 2017-05-18 | Le Holdings (Beijing) Co., Ltd. | Image preprocessing method and electronic device for image registration |
| WO2017119637A1 (ko) * | 2016-01-05 | 2017-07-13 | 삼성전자주식회사 | 무선 통신 시스템에서 간섭 제어를 위한 방법 및 장치 |
| US20190082184A1 (en) * | 2016-03-24 | 2019-03-14 | Nokia Technologies Oy | An Apparatus, a Method and a Computer Program for Video Coding and Decoding |
| CN105872538A (zh) * | 2016-04-18 | 2016-08-17 | 广东中星电子有限公司 | 时域滤波方法和时域滤波装置 |
| US20190273936A1 (en) * | 2016-10-16 | 2019-09-05 | Huawei Technologies Co., Ltd. | Motion Compensating Prediction Method and Apparatus |
| CN106952314A (zh) * | 2017-03-01 | 2017-07-14 | 西安电子科技大学 | 基于频域方向滤波器的递归预测图像压缩方法 |
| WO2019124652A1 (en) * | 2017-12-18 | 2019-06-27 | Samsung Electronics Co., Ltd. | Electronic apparatus and control method thereof |
| CN109447935A (zh) * | 2018-11-16 | 2019-03-08 | 哈工大机器人（山东）智能装备研究院 | 红外图像处理方法、装置、计算机设备和可读存储介质 |
| CN109767408A (zh) * | 2018-12-29 | 2019-05-17 | 广州华多网络科技有限公司 | 图像处理方法、装置、存储介质及计算机设备 |
| CN110289009A (zh) * | 2019-07-09 | 2019-09-27 | 广州视源电子科技股份有限公司 | 声音信号的处理方法、装置和交互智能设备 |
| CN111080534A (zh) * | 2019-10-31 | 2020-04-28 | 北京迈格威科技有限公司 | 图像滤波方法、装置及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| LI BI等: "Learning to update for object tracking with recurrent meta-learner", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| 邱敏卿等: "一种基于核相关滤波追踪算法的无人机电视制导技术", 《现代信息科技》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112810753A (zh) * | 2020-11-17 | 2021-05-18 | 泰州程顺制冷设备有限公司 | 自适应水下场景应对系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111598806B (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111629262B (zh) | 视频图像处理方法和装置、电子设备及存储介质 | |
| CN111598779B (zh) | 图像超分辨率处理方法和装置、电子设备及存储介质 | |
| CN112258528B (zh) | 图像处理方法和装置、电子设备 | |
| Rabin et al. | Adaptive color transfer with relaxed optimal transport | |
| US9196021B2 (en) | Video enhancement using related content | |
| JP6239153B2 (ja) | 雑音を有する画像の雑音を除去する方法 | |
| Xu et al. | Learning spatial and spatio-temporal pixel aggregations for image and video denoising | |
| CN109978774B (zh) | 多帧连续等曝光图像的去噪融合方法及装置 | |
| Micheli et al. | A linear systems approach to imaging through turbulence | |
| CN111754429B (zh) | 运动矢量后处理方法和装置、电子设备及存储介质 | |
| Gu et al. | Example-based color transfer with Gaussian mixture modeling | |
| WO2023109008A1 (zh) | 气动光学效应空变模糊图像复原方法及系统 | |
| CN113724155A (zh) | 用于自监督单目深度估计的自提升学习方法、装置及设备 | |
| Puthussery et al. | Wdrn: A wavelet decomposed relightnet for image relighting | |
| CN110472588B (zh) | 锚点框确定方法、装置、计算机设备和存储介质 | |
| WO2022233252A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN111445487A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| CN111598806B (zh) | 图像滤波方法和装置、电子设备及存储介质 | |
| CN112801890B (zh) | 一种视频处理方法、装置及设备 | |
| US20140355959A1 (en) | Multi-frame patch correspondence identification in video | |
| CN110930331B (zh) | 一种噪声模糊图像非盲复原方法、系统及存储介质 | |
| CN111415317B (zh) | 图像处理方法及装置、电子设备、计算机可读存储介质 | |
| CN110717913B (zh) | 一种图像分割方法及装置 | |
| CN111932472A (zh) | 一种基于软聚类的图像保边滤波方法 | |
| CN108347549B (zh) | 一种基于视频帧的时间一致性来改善视频抖动的方法 |
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 |