CN112037109A - 一种改进的基于显著性目标检测的图像水印添加方法和系统 - Google Patents
一种改进的基于显著性目标检测的图像水印添加方法和系统 Download PDFInfo
- Publication number
- CN112037109A CN112037109A CN202010680110.2A CN202010680110A CN112037109A CN 112037109 A CN112037109 A CN 112037109A CN 202010680110 A CN202010680110 A CN 202010680110A CN 112037109 A CN112037109 A CN 112037109A
- Authority
- CN
- China
- Prior art keywords
- background
- image
- matrix
- super
- sparse
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 71
- 238000011084 recovery Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
- G06T1/0092—Payload characteristic determination in a watermarking scheme, e.g. number of bits to be embedded
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种改进的基于显著性目标检测的图像水印添加方法和系统,采用优化的基于稀疏与低秩矩阵恢复显著性目标检测方法和自适应水印添加算法实现。通过采用背景模板提取和相邻超像素块结构约束方法,提高基于稀疏与低秩矩阵恢复的显著性目标检测方法中背景字典的准确性,改善背景图像预处理效果,同时依据不同图像的显著值信息,设立空间位置约束模型,利用自适应算法进行水印添加,解决水印大小和添加位置在图像中不合规格的问题,改善用户视觉体验。
Description
技术领域
本发明属于互联网信息处理领域,具体地说是一种改进的基于显著性目标检测的图像水印添加方法和系统。
背景技术
对于房地产企业来说,每天会在互联网上发布大量图片、视频、动画等图像信息,为保护图像版权、明确信息来源、扩大公司影响,通常在图像发布前会进行添加水印处理。但常见的水印添加方法存在一个问题,即水印大小和添加位置较为随意,影响用户的视觉体验,甚至造成关键信息模糊不清,降低图像作用效果,所以亟需设计一款新的算法改善水印添加效果。
对于上述问题,有一种解决办法是先采用显著性目标检测进行预处理识别出显著目标,再在显著目标周围添加预设的固定大小的水印,显著性目标检测具体来说是一种模拟人类视觉注意力的方法,通过筛选图像中的重要信息,识别出显著性目标,其作为一种图像预处理方式,已广泛应用于图像编辑、视觉跟踪、目标发现等领域。在众多的显著性目标检测方法中,基于稀疏与低秩矩阵恢复的显著性目标检测方法以其鲁棒性的特点,在相关研究中发展较快,但当面对显著性目标位于图像边缘或者背景复杂的场景时,仍有许多不足,如背景模板提取不理想、邻近超像素块之间相似性判别能力较差等,造成水印添加效果变差,影响受众观感。
发明内容
本发明的目的在于提供一种改进的基于显著性目标检测的图像水印添加方法和系统,优化复杂背景条件下目标检测效果,解决水印大小和添加位置在图像中不合规格的问题,形成高质量的含水印图像,改善用户视觉体验。
本发明针对基于稀疏与低秩矩阵恢复的显著性目标检测方法在添加水印时遇到的上述问题,采用基于语义分割的背景模板提取和相邻超像素块结构约束方法,提升基于稀疏与低秩矩阵恢复的显著性目标检测方法中背景字典的准确性,保证邻近超像素块显著值的一致性,提高复杂背景条件下的目标识别效果,在此基础上根据不同图像的显著值信息,设计自适应水印添加算法,最终生成高质量的、不影响观感的含水印图像。
为了解决背景技术所存在的问题,本发明采取以下技术方案:
一种改进的基于显著性目标检测的图像水印添加方法,包括以下步骤:
步骤(1)图片预处理:先计算图片超像素块之间的对比度与连通度,根据计算结果,去除图片原始背景区域中的前景显著性目标块,再利用语义获得图片的语义信息,将原始前景区域中属于背景模板的超像素块添加至背景模板之中,提取出融合语义信息背景模板;
步骤(2)显著性检测:利用超像素块之间的影响因子矩阵和置信度矩阵构建基于结构约束的稀疏与低秩矩阵恢复模型,并将预处理得到的融合语义信息背景模板作为稀疏与低秩矩阵恢复模型的字典矩阵对模型进行优化,最后利用交替方向乘子法对模型进行求解,实现邻近超像素块之间的显著性检测;
步骤(3)图片水印添加:在显著性检测的基础上获取图片显著性目标与背景区域,比较水印大小与背景区域大小,通过自适应方法完成图片水印添加。
进一步地,在步骤(1)中,通过计算图片中超像素块与图片边界相连通的区域的连通度,利用阈值进行判断,确保将满足空间距离条件和相似特征条件的两个超像素块分配较高连通度,以实现含有前景目标的超像素块的连通,在此基础上,通过欧式距离获取超像素块与相邻区域及整幅图像的对比度值,利用连通度和对比度,通过自适应阈值将原始背景区域中的前景显著性目标块移除,生产初始背景模板。
进一步地,在步骤(1)中,基于语义信息优化初始背景模板,以得到所述融合语义信息背景模板;所述基于语义信息优化初始背景模板,是指借助图像中已知的某物品的语义(如床,沙发,桌子等实物名称)作为先验知识,对每一个超像素块进行预测,推断其语义信息,从而优化背景模板信息,具体过程包括语义背景置信度确定、初始背景模板的背景置信度与语义背景置信度融合和获取融合语义信息背景模板。
进一步地,在步骤(2)中,影响因子矩阵由两超像素块在特征空间中的欧氏距离进行归一化而构建,置信度矩阵与显著值强相关。
进一步地,在步骤(2)中,首先利用步骤(1)构造的融合语义信息背景模板作为字典矩阵,优化稀疏与低秩矩阵恢复模型中的图像约束,最后,通过交替方向乘子法求解稀疏与低秩矩阵恢复模型,获取稀疏部分重构误差矩阵和低秩部分的表示系数矩阵,融合上述两个矩阵获取显著性检测的结果图。
进一步地,在步骤(3)中,设置水印尺寸缩放系数和水印选择添加系数,通过建立约束条件,获取最佳添加水印区域。
基于同一发明构思,本发明还提供一种改进的基于显著性目标检测的图像水印添加系统,其包括:
图片预处理模块,用于计算图片超像素块之间的对比度与连通度,根据计算结果,去除图片原始背景区域中的前景显著性目标块,再利用语义获得图片的语义信息,将原始前景区域中属于背景模板的超像素块添加至背景模板之中,提取出融合语义信息背景模板;
显著性检测模块,用于利用超像素块之间的影响因子矩阵和置信度矩阵构建基于结构约束的稀疏与低秩矩阵恢复模型,并将融合语义信息背景模板作为稀疏与低秩矩阵恢复模型的字典矩阵对模型进行优化,最后利用交替方向乘子法对模型进行求解,实现邻近超像素块之间的显著性检测;
水印添加模块,用于在显著性检测的基础上获取图片显著性目标与背景区域,比较水印大小与背景区域大小,通过自适应方法完成图片水印添加。
本发明相较于现有技术有如下有益效果:
相较于传统的基于稀疏与低秩矩阵恢复的显著性目标检测方法,本发明通过采用背景模板提取和相邻超像素块结构约束方法,提高了基于稀疏与低秩矩阵恢复的显著性目标检测方法中背景字典的准确性,保证邻近超像素块显著值的一致性,改善了预处理效果;相较于传统的水印添加方法,依据不同图像的显著值信息,有针对性地进行水印添加,提高了水印添加质量。
附图说明
图1为本发明流程图。
图2为图像预处理流程图。
图3为显著性检测流程图。
图4为采用交替方向乘子法进行显著性检测流程图。
图5为采用本发明方法和传统基于稀疏与低秩矩阵恢复的显著性目标检测方法条件下水印添加效果对比图。其中(a)为优化前的图,(b)为优化后即采用本发明方法后的图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面通过具体实施例和附图,对本发明做进一步详细说明。
图1为本发明的改进的基于显著性目标检测的图像水印添加方法的流程图,主要包括图片预处理、显著性检测、水印添加三个步骤。
步骤一:图片预处理
图像预处理流程如图2所示,包括以下步骤:
(1)图像超像素块之间的连通度
定义图像超像素块之间的连通度为Con(B),即图像中超像素块B与边界连通区域的连通度。
其中,spi是图像中正在计算的超像素块的特征向量,spbg表示背景区域超像素块的特征向量,由于只是计算原始背景模板中的超像素块连通度,故spi∈{spbg},为图像中超像素块位置。表示超像素块spi和超像素块特征相似性,表示超像素块spi和超像素块空间位置距离。
定义图像前景超像素块之间连通度Con(S),即图像中超像素块C与非边界区域的连通度。
分别计算每个超像素块与背景区域连通度BG_Con(spi)和与前景区域连通度S_Con(spi)。
其中,Nbg是图像原始背景区域中超像素块个数,Ns是原始前景区域超像素块个数。
wcon(i)=exp(1-BG_Con(spi))*exp(S_Con(spi)),i=1,2,...,Nbg (5)
(2)图像超像素块之间的对比度
(3)生产初始背景模板
为了结合两种策略(连通度和对比度)的优势,通过下式将两种策略的权值进行融合。
当图像背景模板超像素块的权值大于该阈值T时,则该超像素块为显著目标,将其移出背景区域,并将其权值设置为前景区域标志权值;当图像背景模板的超像素块权值小于T时,则该超像素块为背景区域。通过计算自适应阈值,移除背景区域中的超像素块,获得初始背景模板。
(4)语义背景置信度确定
将语义分割结果划分成三类,包括背景元素、前景元素和不确定元素,即语义背景置信度K(t),其定义如下。
其中,K(t)表示图像中每个像素点作为背景的权值。通过语义分割,将部分元素直接标记为背景和前景,当语义分割得到的是不确定元素时,依据Pascal VOC数据集中语义信息设置初始背景语义概率p(i)。其中W表示语义信息背景模板,其中元素包括:bed(床),cabinet(橱柜),light(灯),TV(电视机),table(桌子),chair(椅子)等。其中,bed、cabinet、table作为背景元素,TV、light、chair作为前景元素。
(5)初始背景模板的背景置信度与语义背景置信度融合
为将语义信息背景模板和初始背景模板融合,提取图像的超像素块,并定义图像的每个超像素块语义背景置信度为wS_BG(i),如下式所示。
其中,N指该超像素块共包含的像素点个数。通过上述方式可以获得基于语义信息的背景模板(即语义信息背景模板)的置信度,初始背景模板基本上移除了背景模板中的显著目标超像素块,基于语义信息的背景模板获取了原始显著区域中可能是背景的超像素块。为结合两种背景模板的优势,通过下式融合两背景模板的背景置信度,最终得到融合语义信息背景模板。
wBT(i)=exp(-wS_BG(i))*exp(-wBG(i))(11)
其中,wBG(i)是初始背景模板中的权值,即初始背景模板的背景置信度,当wBT(i)大于阈值T的时候,该超像素块即为背景模板,T通常设置为0.4-0.8。
步骤二:显著性检测
显著性检测流程如图3所示,包括以下步骤:
(1)计算影响因子矩阵
构建归一化的影响因子矩阵A。当超像素块spm与超像素块spn相邻时,计算两超像素块之间的影响因子Wm,n,如下所示:
其中,dc(spm,spn)指两超像素块在特征空间的欧氏距离,n∈Ω(m)表示两超像素块相邻,对影响因子矩阵Wm,n进行归一化处理,构建度量矩阵Dm,n。
通过式(12)和式(13)计算归一化影响因子矩阵Am,n,如下所示。
Am,n=Dm,n -1Wm,n (14)
(2)计算置信度矩阵
构建置信度矩阵Cm,n如下:
(3)基于结构约束的稀疏与低秩矩阵恢复模型构建
根据原始稀疏与低秩矩阵恢复模型,结合影响因子矩阵与置信度矩阵,构建基于结构约束的稀疏与低秩矩阵恢复模型,如下所示。
其中,Ω指邻近区域,L为代表背景的低秩矩阵,S为代表目标的稀疏矩阵,F表示输入图像,||L||*是矩阵L的核范数,||S||l表示矩阵S的l1范数,λ表示权重,0≤λ≤1,|Lm,n|表示矩阵Lm,n的秩,β表示权重,0≤β≤1。
(4)低秩字典优化稀疏与低秩矩阵恢复模型构建
利用步骤一获取的背景模板作为字典矩阵优化步骤二(3)中的基于结构约束的稀疏与低秩矩阵恢复模型,构建低秩字典优化稀疏与低秩矩阵恢复模型,如式(17)所示。
其中,D是融合语义信息后提取的背景模板。
(5)稀疏与低秩矩阵恢复模型求解
先将式(17)等效如下:
其中J表示拉格朗日算子。
采用交替方向乘子法(ADMM)按照式(19)对式(18)进行求解:
其中,μ>0为调节参数,tr表示矩阵的迹,表示二范数,式(18)中不含约束条件,可通过固定其他变量,通过更新拉格朗日乘数Y1和Y2,分别求取最小化的J,L和S,完成显著性检测。具体求解流程见附图4。该图中“更新Y”即更新拉格朗日乘数Y1和Y2,ε表示阈值。相关参数更新可以根据现有技术推导确定。根据公式(19),J、L、S的最小化是通过计算这几个参数相关的公式的二范数求解,由于每次求解得到的不一定为最小值,所以通过更新拉格朗日乘数Y1和Y2进行迭代,最终获得最小值或者可接受的最小值。
步骤三:图片水印添加
通过步骤二获取图像的显著性目标图像S和背景模板L,基于空间位置约束模型获取水印添加位置,设aL,bL分别为背景模板L的长度和宽度,初始水印图片Wm的长度和宽度分别为水印尺寸缩放系数为μ,则水印选择添加系数βi如下式所述。
其中,ai,bi分别为可能添加背景区域的长和宽,βi越大,则该区域越易添加水印。故背景区域选择约束构建如下式所示。
通过求解式(20),获得最佳添加水印区域。
图5为采用本发明方法和传统基于稀疏与低秩矩阵恢复的显著性目标检测方法条件下水印添加效果对比图。根据该图可以看出,采用本发明方法首先识别出位于图像边缘和复杂场景下的显著性目标(即:床),在此基础上,将水印智能的添加至了显著性目标附近不影响图片观看的位置,相较于传统方法,本发明方法的水印添加效果更为理想,受众观感更好。
基于同一发明构思,本发明的另一个实施例提供一种改进的基于显著性目标检测的图像水印添加系统,其包括:
图片预处理模块,用于计算图片超像素块之间的对比度与连通度,根据计算结果,去除图片原始背景区域中的前景显著性目标块,再利用语义获得图片的语义信息,将原始前景区域中属于背景模板的超像素块添加至背景模板之中,提取出融合语义信息背景模板;
显著性检测模块,用于利用超像素块之间的影响因子矩阵和置信度矩阵构建基于结构约束的稀疏与低秩矩阵恢复模型,并将融合语义信息背景模板作为稀疏与低秩矩阵恢复模型的字典矩阵对模型进行优化,最后利用交替方向乘子法对模型进行求解,实现邻近超像素块之间的显著性检测;
水印添加模块,用于在显著性检测的基础上获取图片显著性目标与背景区域,比较水印大小与背景区域大小,通过自适应方法完成图片水印添加
基于同一发明构思,本发明的另一个实施例提供一种电子装置(计算机、服务器、智能手机等),其包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行本发明方法中各步骤的指令。
基于同一发明构思,本发明的另一个实施例提供一种计算机可读存储介质(如ROM/RAM、磁盘、光盘),所述计算机可读存储介质存储计算机程序,所述计算机程序被计算机执行时,实现本发明方法的各个步骤。
以上公开的本发明的具体实施例和附图,其目的在于帮助理解本发明的内容并据以实施,本领域的普通技术人员可以理解,在不脱离本发明的精神和范围内,各种替换、变化和修改都是可能的。本发明不应局限于本说明书的实施例和附图所公开的内容,本发明的保护范围以权利要求书界定的范围为准。
Claims (9)
1.一种改进的基于显著性目标检测的图像水印添加方法,其特征在于,包括以下步骤:
计算图片超像素块之间的对比度与连通度,根据计算结果,去除图片原始背景区域中的前景显著性目标块,再利用语义获得图片的语义信息,将原始前景区域中属于背景模板的超像素块添加至背景模板之中,提取出融合语义信息背景模板;
利用超像素块之间的影响因子矩阵和置信度矩阵构建基于结构约束的稀疏与低秩矩阵恢复模型,并将融合语义信息背景模板作为稀疏与低秩矩阵恢复模型的字典矩阵对模型进行优化,最后利用交替方向乘子法对模型进行求解,实现邻近超像素块之间的显著性检测;
在显著性检测的基础上获取图片显著性目标与背景区域,比较水印大小与背景区域大小,通过自适应方法完成图片水印添加。
2.根据权利要求1所述的一种改进的基于显著性目标检测的图像水印添加方法,其特征在于,所述的计算图片超像素块之间的对比度与连通度,根据计算结果,去除图片原始背景区域中的前景显著性目标块,包括:通过计算图片中超像素块与图片边界相连通的区域的连通度,利用阈值进行判断,确保将满足空间距离条件和相似特征条件的两个超像素块分配较高连通度,以实现含有前景目标的超像素块的连通;在此基础上,通过欧式距离获取超像素块与相邻区域及整幅图像的对比度值,利用连通度和对比度,通过自适应阈值将原始背景区域中的前景显著性目标块移除,生产初始背景模板。
3.根据权利要求1所述的一种改进的基于显著性目标检测的图像水印添加方法,其特征在于,基于语义信息优化初始背景模板,以得到所述融合语义信息背景模板;所述基于语义信息优化初始背景模板,包括语义背景置信度确定、初始背景模板的背景置信度与语义背景置信度融合和获取融合语义信息背景模板。
4.根据权利要求1所述的一种改进的基于显著性目标检测的图像水印添加方法,其特征在于,所述影响因子矩阵由两超像素块在特征空间中的欧氏距离进行归一化而构建,所述置信度矩阵与显著值强相关。
5.根据权利要求1所述的一种改进的基于显著性目标检测的图像水印添加方法,其特征在于,利用所述融合语义信息背景模板作为字典矩阵,优化稀疏与低秩矩阵恢复模型中的图像约束,然后通过交替方向乘子法求解稀疏与低秩矩阵恢复模型,获取稀疏部分重构误差矩阵和低秩部分的表示系数矩阵,融合该两个矩阵获取显著性检测的结果图。
6.根据权利要求1所述的一种改进的基于显著性目标检测的图像水印添加方法,其特征在于,设置水印尺寸缩放系数和水印选择添加系数,通过建立约束条件,获取最佳添加水印区域。
7.一种采用权利要求1~6中任一权利要求所述方法的基于显著性目标检测的图像水印添加系统,其特征在于,包括:
图片预处理模块,用于计算图片超像素块之间的对比度与连通度,根据计算结果,去除图片原始背景区域中的前景显著性目标块,再利用语义获得图片的语义信息,将原始前景区域中属于背景模板的超像素块添加至背景模板之中,提取出融合语义信息背景模板;
显著性检测模块,用于利用超像素块之间的影响因子矩阵和置信度矩阵构建基于结构约束的稀疏与低秩矩阵恢复模型,并将融合语义信息背景模板作为稀疏与低秩矩阵恢复模型的字典矩阵对模型进行优化,最后利用交替方向乘子法对模型进行求解,实现邻近超像素块之间的显著性检测;
水印添加模块,用于在显著性检测的基础上获取图片显著性目标与背景区域,比较水印大小与背景区域大小,通过自适应方法完成图片水印添加。
8.一种电子装置,其特征在于,包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行权利要求1~6中任一权利要求所述方法的指令。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机程序,所述计算机程序被计算机执行时,实现权利要求1~6中任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010680110.2A CN112037109A (zh) | 2020-07-15 | 2020-07-15 | 一种改进的基于显著性目标检测的图像水印添加方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010680110.2A CN112037109A (zh) | 2020-07-15 | 2020-07-15 | 一种改进的基于显著性目标检测的图像水印添加方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112037109A true CN112037109A (zh) | 2020-12-04 |
Family
ID=73579831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010680110.2A Pending CN112037109A (zh) | 2020-07-15 | 2020-07-15 | 一种改进的基于显著性目标检测的图像水印添加方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037109A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293949A (zh) * | 2022-07-14 | 2022-11-04 | 河南和畅利信息科技有限公司 | 一种图像加密方法 |
CN116542880A (zh) * | 2023-07-05 | 2023-08-04 | 上海蜜度信息技术有限公司 | 图像自动修复方法、系统、存储介质及电子设备 |
CN116975246A (zh) * | 2023-08-03 | 2023-10-31 | 深圳市博锐高科科技有限公司 | 一种数据采集方法、装置、芯片及终端 |
CN117834788A (zh) * | 2024-03-06 | 2024-04-05 | 北京国隐科技有限公司 | 一种信息处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120063795A (ko) * | 2010-12-08 | 2012-06-18 | 서강대학교산학협력단 | 동영상에 포함된 오브젝트를 처리하는 방법 및 장치 |
CN104463870A (zh) * | 2014-12-05 | 2015-03-25 | 中国科学院大学 | 一种图像显著区域检测方法 |
CN107330897A (zh) * | 2017-06-01 | 2017-11-07 | 福建师范大学 | 图像分割方法及其系统 |
CN107862702A (zh) * | 2017-11-24 | 2018-03-30 | 大连理工大学 | 一种结合边界连通性与局部对比性的显著性检测方法 |
CN110796583A (zh) * | 2019-10-25 | 2020-02-14 | 南京航空航天大学 | 一种风格化可见水印添加方法 |
-
2020
- 2020-07-15 CN CN202010680110.2A patent/CN112037109A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120063795A (ko) * | 2010-12-08 | 2012-06-18 | 서강대학교산학협력단 | 동영상에 포함된 오브젝트를 처리하는 방법 및 장치 |
CN104463870A (zh) * | 2014-12-05 | 2015-03-25 | 中国科学院大学 | 一种图像显著区域检测方法 |
CN107330897A (zh) * | 2017-06-01 | 2017-11-07 | 福建师范大学 | 图像分割方法及其系统 |
CN107862702A (zh) * | 2017-11-24 | 2018-03-30 | 大连理工大学 | 一种结合边界连通性与局部对比性的显著性检测方法 |
CN110796583A (zh) * | 2019-10-25 | 2020-02-14 | 南京航空航天大学 | 一种风格化可见水印添加方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293949A (zh) * | 2022-07-14 | 2022-11-04 | 河南和畅利信息科技有限公司 | 一种图像加密方法 |
CN115293949B (zh) * | 2022-07-14 | 2024-01-02 | 中技安全科技有限公司 | 一种图像加密方法 |
CN116542880A (zh) * | 2023-07-05 | 2023-08-04 | 上海蜜度信息技术有限公司 | 图像自动修复方法、系统、存储介质及电子设备 |
CN116542880B (zh) * | 2023-07-05 | 2023-10-20 | 上海蜜度信息技术有限公司 | 图像自动修复方法、系统、存储介质及电子设备 |
CN116975246A (zh) * | 2023-08-03 | 2023-10-31 | 深圳市博锐高科科技有限公司 | 一种数据采集方法、装置、芯片及终端 |
CN116975246B (zh) * | 2023-08-03 | 2024-04-26 | 深圳市博锐高科科技有限公司 | 一种数据采集方法、装置、芯片及终端 |
CN117834788A (zh) * | 2024-03-06 | 2024-04-05 | 北京国隐科技有限公司 | 一种信息处理方法及装置 |
CN117834788B (zh) * | 2024-03-06 | 2024-06-07 | 北京国隐科技有限公司 | 一种信息处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Low-light image and video enhancement using deep learning: A survey | |
CN112037109A (zh) | 一种改进的基于显著性目标检测的图像水印添加方法和系统 | |
Zhang et al. | Shadow remover: Image shadow removal based on illumination recovering optimization | |
Xiao et al. | Fast image dehazing using guided joint bilateral filter | |
JP5555706B2 (ja) | 高解像度映像獲得装置およびその方法 | |
Johnston et al. | A review of digital video tampering: From simple editing to full synthesis | |
CN109753971B (zh) | 扭曲文字行的矫正方法及装置、字符识别方法及装置 | |
Yuan et al. | Image haze removal via reference retrieval and scene prior | |
Zhang et al. | A coarse-to-fine framework for cloud removal in remote sensing image sequence | |
CN112967341B (zh) | 基于实景图像的室内视觉定位方法、系统、设备及存储介质 | |
WO2019071976A1 (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
US11978216B2 (en) | Patch-based image matting using deep learning | |
CN110570435A (zh) | 用于对车辆损伤图像进行损伤分割的方法及装置 | |
Huang et al. | Towards unsupervised single image dehazing with deep learning | |
Zhu et al. | Enlightening low-light images with dynamic guidance for context enrichment | |
CN115205114A (zh) | 一种基于orb特征的高分辨率图像拼接改进算法 | |
Yu et al. | End-to-end partial convolutions neural networks for Dunhuang grottoes wall-painting restoration | |
CN113436251B (zh) | 一种基于改进的yolo6d算法的位姿估计系统及方法 | |
CN105791795A (zh) | 立体图像处理方法、装置以及立体视频显示设备 | |
Li et al. | Global color consistency correction for large-scale images in 3-D reconstruction | |
Pan et al. | ChebyLighter: Optimal Curve Estimation for Low-light Image Enhancement | |
Jabbar et al. | FD-stackGAN: face de-occlusion using stacked generative adversarial networks | |
CN113792629A (zh) | 一种基于深度神经网络的安全帽佩戴检测方法及系统 | |
Wang et al. | Self-prior guided pixel adversarial networks for blind image inpainting | |
He et al. | Darkfeat: noise-robust feature detector and descriptor for extremely low-light raw images |
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 |