CN112419200A - 一种图像质量优化方法及显示方法 - Google Patents
一种图像质量优化方法及显示方法 Download PDFInfo
- Publication number
- CN112419200A CN112419200A CN202011410388.4A CN202011410388A CN112419200A CN 112419200 A CN112419200 A CN 112419200A CN 202011410388 A CN202011410388 A CN 202011410388A CN 112419200 A CN112419200 A CN 112419200A
- Authority
- CN
- China
- Prior art keywords
- image
- processing model
- feature
- optimization method
- processing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 238000003384 imaging method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013138 pruning Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001000 micrograph Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013041 optical simulation Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种图像质量优化方法及显示方法，图像质量优化方法，包括：S1.获取输入图像，对所述输入图像进行预处理并输入至第一处理模型；S2.基于所述第一处理模型对所述输入图像进行去模糊处理获得第一图像；S3.将所述第一图像输入至第二处理模型进行超分辨率处理，并输出第二图像。本发明的方法在应用于显微成像时，能显著提高显微图像的质量，还原清晰真实的图像。
Description
技术领域
本发明涉及软件技术领域，尤其涉及一种图像质量优化方法及显示方法。
背景技术
显微镜为微观成像领域必不可少的设备。而现有的低倍率显微图像成像颗粒感强，细节感弱，高倍率显微物镜景深范围小，使用相机数码成像后的图像会出现局部失焦。
进而，针对现有显微镜所存在的问题也出现了相应的显微图像质量优化技术。目前，显微图像质量优化技术一般采用图像增强算法，这种图像增强算法在图像清晰度提升上通过景深扩展方式实现，需要采集不同焦面图像，将各焦面清晰部分融合。现有的这种方法需要移动显微镜上Z轴获取多个焦面来获得。而这种方式增加了对焦的时间，降低了成像的效率。
同时，目前的景深扩展方式，当待融合焦面中某区域均模糊时，其更是无法提升该区域清晰度。
此外，目前的这种图像质量优化算法对于运动失焦导致的模糊效果差，也难以起到优化作用。
发明内容
本发明的目的在于提供一种图像质量优化方法及显示方法，实现对图像质量的优化。
为实现上述发明目的，本发明提供一种图像质量优化方法，包括：
S1.获取输入图像，对所述输入图像进行预处理并输入至第一处理模型；
S2.基于所述第一处理模型对所述输入图像进行去模糊处理获得第一图像；
S3.将所述第一图像输入至第二处理模型进行超分辨率处理，并输出第二图像。
根据本发明的一个方面，所述输入图像为图像质量低于预设条件的模糊图像。
根据本发明的一个方面，所述第一处理模型采用图像去模糊网络训练生成，其网络构建为尺度循环网络。
根据本发明的一个方面，所述第一处理模型具有三个尺度网络层，其中，上一尺度网络层的输出为下一尺度网络层的输入进行循环。
根据本发明的一个方面，所述第一处理模型的任一所述尺度网络层包含7个特征提取模块，2个降采样模块，2个上采样模块；
所述特征提取模块由2个卷积层，1个批归一化层，一个ReLu层以及残差连接结构组成。
根据本发明的一个方面，步骤S2中，基于所述第一处理模型对所述输入图像进行去模糊处理获得第一图像的步骤中，包括：
S21.基于所述第一处理模型对所述输入图像进行特征提取；
S22.将提取的特征进行特征重构，得到特定尺寸的第一特征图像；
S23.调整所述输入图像的尺寸，与所述第一特征图像的尺寸一致后进行通道结合重新作为输入进行特征提取；
S24.将提取的特征进行特征重构，得到特定尺寸的第二特征图像；
S25.调整所述第一特征图像的尺寸，与所述第二特征图像的尺寸一致后进行通道结合重新作为输入进行特征提取；
S26.将提取的特征进行特征重构，得到特定尺寸的第三特征图像；
S27.将所述第一特征图像、所述第二特征图像和所述第三特征图像进行特征融合重构，得到去模糊后的所述第一图像。
根据本发明的一个方面，步骤S3中，将所述第一图像输入至第二处理模型进行超分辨率处理，并输出第二图像的步骤中，包括：
S31.基于所述第二处理模块中的级联残差模块对所述第二图像进行特征提取获得多个尺度的特征图像；
S32.对多个尺度的所述特征图像进行融合重建，并生成与所述输入图像尺寸相同的所述第二图像。
根据本发明的一个方面，所述第二处理模型采用图像超分辨率网络训练生成。
根据本发明的一个方面，所述第二处理模型包括级联残差模块和分别与所述级联残差模块相连接的3个上采样模块；
所述级联残差模块包括3个级联的残差模块，其中，一个残差模块由2个卷积层，2个ReLu层以及残差连接结构组成。
根据本发明的一个方面，其特征在于，步骤S1之前，还包括：
S0.构建训练数据集，以及基于图像去模糊网络训练生成所述第一处理模型，和基于图像超分辨率网络生成所述第二处理模型。
根据本发明的一个方面，步骤S0中，构建训练数据集的步骤中，所述训练数据集包括真实图像数据集和仿真图像数据集。
根据本发明的一个方面，步骤S0中，构建训练数据集的步骤中，所述真实图像数据集包括：包含低质量图像和高质量图像的第一真实图像集和包含低倍率图像和高倍率图像的第二真实图像集；包括：
S01.采用相同倍率的低性能图像摄取装置和高性能图像摄取装置对同一物体成像获取所述第一真实图像集；
S02.采用不同倍率的图像摄取装置对同一所述物体成像获取所述第二真实图像集。
根据本发明的一个方面，步骤S0中，构建训练数据集的步骤中，所述仿真图像数据集包括：低质量仿真图像和低倍率仿真图像；其中，所述低质量仿真图像基于所述高质量图像进行模糊处理生成，所述低倍率仿真图像基于所述高倍率图像进行低倍率降采样处理生成。
根据本发明的一个方面，步骤S0中，将所述第一图像输入至第二处理模型进行超分辨率处理的步骤中，采用分组卷积对所述第二处理模型中的同一个卷积层中的参数进行共享；以及，对所述第二处理模型进行剪枝处理。
为实现上述发明目的，本发明提供一种显示方法，基于MFC对话框和视图类进行图片显示；包括：
A1.基于所述MFC对话框选取图像优化区域，提取所述图像优化区域并作为所述输入图像
A2.执行步骤S1至S3；
A3.接收所述第二图像并显示。
根据本发明的一个方面，步骤A1包括：
A11.重写所述MFC对话框的OnMouseMove函数，捕获鼠标移动坐标；
A12.以鼠标坐标(x，y)为中心，a为宽，绘制目标矩形区域；
A13.读取所述目标矩形区域对应的图片数据进行所述图像优化区域的提取。
根据本发明的一种方案，发明的图像增强技术，有效消除了像差、运动导致的模糊、细节丢失等问题，有效改善显微图像清晰度及成像细节，提升成像质量。
根据本发明的一种方案，本发明的方法在应用于显微成像时，能显著提高显微图像的质量，还原清晰真实的图像。
根据本发明的一种方案，本发明的方法通过软件算法对图像进行处理，使低成本的显微成像效系统果接近于高质量的显微成像系统，有效解决了购置高质量显微成像系统所带来的成本负担。
根据本发明的一种方案，本发明的方法能够提供更友好的人机交互显示，通过对优化图像的及时显示，实现了观察者能实时对高质量图像进行观察。
附图说明
图1是示意性表示根据本发明的一种实施方式的图像质量优化方法的步骤框图；
图2是示意性表示根据本发明的一种实施方式的第一处理模型的结构图；
图3是示意性表示根据本发明的一种实施方式的第二处理模型的结构图。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式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方式，对于本领域普通技术人员而言，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。
在针对本发明的实施方式进行描述时，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”所表达的方位或位置关系是基于相关附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
如图1所示，根据本发明的一种实施方式，本发明的一种图像质量优化方法，包括：
S1.获取输入图像，对输入图像进行预处理并输入至第一处理模型；
S2.基于第一处理模型对输入图像进行去模糊处理获得第一图像；
S3.将第一图像输入至第二处理模型进行超分辨率处理，并输出第二图像。
根据本发明的一种实施方式，本发明的图像质量优化方法中，在步骤S1之前，还包括：
S0.构建训练数据集，以及基于图像去模糊网络训练生成第一处理模型，和基于图像超分辨率网络生成第二处理模型。
根据本发明的一种实施方式，步骤S0中，构建训练数据集的步骤中，训练数据集包括真实图像数据集和仿真图像数据集。
在本实施方式中，真实图像数据集包括：包含低质量图像和高质量图像的第一真实图像集和包含低倍率图像和高倍率图像的第二真实图像集；包括：
S01.采用相同倍率的低性能图像摄取装置和高性能图像摄取装置对同一物体成像获取第一真实图像集；在本实施方式中，低性能图像摄取装置和高性能图像摄取装置均为显微镜，其区别在于，低性能图像摄取装置对微观物体所成的像的质量要低于高性能图像摄取装置对微观物体所成的像的质量。
S02.采用不同倍率的图像摄取装置对同一物体成像获取第二真实图像集。在本实施方式中，图像摄取装置为显微镜，其区别在于，各显微镜之间的倍率不同，即可出现倍率的高低之分。
如图1所示，根据本发明的一种实施方式，步骤S0中，构建训练数据集的步骤中，仿真图像数据集包括：低质量仿真图像和低倍率仿真图像；其中，低质量仿真图像基于高质量图像进行模糊处理生成，低倍率仿真图像基于高倍率图像进行低倍率降采样处理生成。在本实施方式中，低质量仿真图像基于高质量图像通过光学模拟算法，随机加入运动、离焦等模糊处理手段实现对高质量图像的模糊处理，以达到生成低质量的仿真图像。同样的，高倍率图像则通过低倍率降采样的手段进行处理，以达到生成低倍率的仿真图像。
根据本发明的一种实施方式，在步骤S0中，基于图像去模糊网络训练生成第一处理模型，和基于图像超分辨率网络生成第二处理模型的步骤中，包括：
获取若干组的“低质量-高质量”和“低倍率-高倍率”真实显微镜图像对及仿真图像对组成图像数据集。其中，“低质量-高质量”的真实显微镜图像对即为第一真实图像集，而“低质量-高质量”的仿真图像对则可采用真实的高质量图像与低质量仿真图像所构成。同样的，“低倍率-高倍率”真实显微镜图像对即为第二真实图像集，而“低倍率-高倍率”仿真图像对则可采用真实的高倍率图像与低倍率仿真图像所构成；
获取预先搭建的图像去模糊网络(SunnyDeblurNet)和图像超分辨率网络(SunnySRNet)；
将“低质量-高质量”图像数据集投入图像去模糊网络进行训练得到第一处理模型(DeblurModel模型)；
将“低倍率-高倍率”图像数据集投入图像超分辨率网络进行训练得到第二处理模型(SRModel模型)。
通过上述设置，通过采用图像摄取装置获取真实图像，以及基于真实图像获取仿真图像的方式，有效的增大了用于训练生成的模型的数据量，且有效节约了获取较多数据量的时间。此外，通过真实图像数据和仿真图像数据进行网络训练的方式还有效提高了训练效率和训练精度，对本发明后续输出最优化的图像数据有利。
根据本发明的一种实施方式，步骤S1中，输入图像为图像质量低于预设条件的模糊图像。
如图2所示，根据本发明的一种实施方式，第一处理模型采用图像去模糊网络训练生成，其网络构建为尺度循环网络。在本实施方式中，输入的图像通过第一处理模型提升清晰度。
如图2所示，根据本发明的一种实施方式，第一处理模型具有三个尺度网络层，其中，上一尺度网络层的输出为下一尺度网络层的输入进行循环。在本实施方式中，第一处理模型的任一尺度网络层包含7个特征提取模块，2个降采样模块，2个上采样模块。在本实施方式中，特征提取模块由2个卷积层，1个批归一化(batch normalization)层，一个ReLu层以及残差连接结构组成。在本实施方式中，特征提取模块中的2个卷积层的卷积核分别为3*3和5*5。在本实施方式中，两个降采样模块中的降采样倍率均为0.5。在本实施方式中，两个上采样模块中的上采样幅度均为0.5。
如图2所示，根据本发明的一种实施方式，步骤S2中，基于第一处理模型对输入图像进行去模糊处理获得第一图像的步骤中，包括：
S21.基于第一处理模型对输入图像进行特征提取；
S22.将提取的特征进行特征重构，得到特定尺寸的第一特征图像；
S23.调整输入图像的尺寸，与第一特征图像的尺寸一致后进行通道结合重新作为输入进行特征提取；
S24.将提取的特征进行特征重构，得到特定尺寸的第二特征图像；
S25.调整第一特征图像的尺寸，与第二特征图像的尺寸一致后进行通道结合重新作为输入进行特征提取；
S26.将提取的特征进行特征重构，得到特定尺寸的第三特征图像；
S27.将第一特征图像、第二特征图像和第三特征图像进行特征融合重构，得到去模糊后的第一图像。
如图3所示，根据本发明的一种实施方式，步骤S3中，将第一图像输入至第二处理模型进行超分辨率处理，并输出第二图像的步骤中，包括：
S31.基于第二处理模块中的级联残差模块对第二图像进行特征提取获得多个尺度的特征图像；
S32.对多个尺度的特征图像进行融合重建，并生成与输入图像尺寸相同的第二图像。
根据本发明的一种实施方式，将所述第一图像输入至第二处理模型进行超分辨率处理的步骤中，采用分组卷积对所述第二处理模型中的同一个卷积层中的参数进行共享，降低参数量；以及，对所述第二处理模型进行剪枝处理，降低参数量。
通过上述设置，在基本不对模型处理效果产生影响的前提下对参数量进行削减，对模型进行了轻量化，达到对处理模型优化压缩优化的效果，以起到使用时提速的目的。
如图3所示，根据本发明的一种实施方式，第二处理模型采用图像超分辨率网络训练生成。在本实施方式中，图像通过第二处理模型提升分辨率，其网络采用多尺度高分辨率重建。
如图3所示，根据本发明的一种实施方式，第二处理模型包括级联残差模块和分别与级联残差模块相连接的3个上采样模块；在本实施方式中，级联残差模块包括3个级联的残差模块，其为short-connect结构，将两个相同高宽大小的特征直接进行相加，级联后的特征通道数不发生变化；其中，一个残差模块由2个卷积层，2个ReLu层以及残差连接结构组成。在本实施方式中，3个上采样模块的上采样倍率分别为2,3,4。
在本实施方式中，第二处理模型对多个不同尺度上采样模块输出进行融合，采用多尺度融合，将不同尺度特征采样到某一高宽大小然后使用concat的方式将通道数进行连接，融合后通道数等于待融合前特征的通道之和，完成超分辨率重建。在本实施方式中，其所采用的concat方式把前述步骤中不同倍率的超分辨输出图(2x，3x，4x)进行concat(即粘到一块)，输出结果是原图放大2x的图像，这样使得输出图像的数据损失更小，成像质量更优。
根据本发明的一种实施方式，本发明的一种用于采用前述的图像质量优化方法的显示方法，在本实施方式中，基于MFC对话框和视图类进行图片显示；包括：
A1.基于MFC对话框选取图像优化区域，提取图像优化区域并作为输入图像
A2.执行步骤S1至S3；
A3.接收第二图像并显示。
根据本发明的一种实施方式，步骤A1包括：
A11.重写MFC对话框的OnMouseMove函数，捕获鼠标移动坐标；
A12.以鼠标坐标(x，y)为中心，a为宽，绘制目标矩形区域；
A13.读取目标矩形区域对应的图片数据进行图像优化区域的提取。
上述内容仅为本发明的具体方案的例子，对于其中未详尽描述的设备和结构，应当理解为采取本领域已有的通用设备及通用方法来予以实施。
以上所述仅为本发明的一个方案而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (16)
1.一种图像质量优化方法，包括：
S1.获取输入图像，对所述输入图像进行预处理并输入至第一处理模型；
S2.基于所述第一处理模型对所述输入图像进行去模糊处理获得第一图像；
S3.将所述第一图像输入至第二处理模型进行超分辨率处理，并输出第二图像。
2.根据权利要求1所述的图像质量优化方法，其特征在于，所述输入图像为图像质量低于预设条件的模糊图像。
3.根据权利要求2所述的图像质量优化方法，其特征在于，所述第一处理模型采用图像去模糊网络训练生成，其网络构建为尺度循环网络。
4.根据权利要求3所述的图像质量优化方法，其特征在于，所述第一处理模型具有三个尺度网络层，其中，上一尺度网络层的输出为下一尺度网络层的输入进行循环。
5.根据权利要求4所述的图像质量优化方法，其特征在于，所述第一处理模型的任一所述尺度网络层包含7个特征提取模块，2个降采样模块，2个上采样模块；
所述特征提取模块由2个卷积层，1个批归一化层，一个ReLu层以及残差连接结构组成。
6.根据权利要求1至5任一项所述的图像质量优化方法，其特征在于，步骤S2中，基于所述第一处理模型对所述输入图像进行去模糊处理获得第一图像的步骤中，包括：
S21.基于所述第一处理模型对所述输入图像进行特征提取；
S22.将提取的特征进行特征重构，得到特定尺寸的第一特征图像；
S23.调整所述输入图像的尺寸，与所述第一特征图像的尺寸一致后进行通道结合重新作为输入进行特征提取；
S24.将提取的特征进行特征重构，得到特定尺寸的第二特征图像；
S25.调整所述第一特征图像的尺寸，与所述第二特征图像的尺寸一致后进行通道结合重新作为输入进行特征提取；
S26.将提取的特征进行特征重构，得到特定尺寸的第三特征图像；
S27.将所述第一特征图像、所述第二特征图像和所述第三特征图像进行特征融合重构，得到去模糊后的所述第一图像。
7.根据权利要求1至5任一项所述的图像质量优化方法，其特征在于，步骤S3中，将所述第一图像输入至第二处理模型进行超分辨率处理，并输出第二图像的步骤中，包括：
S31.基于所述第二处理模块中的级联残差模块对所述第二图像进行特征提取获得多个尺度的特征图像；
S32.对多个尺度的所述特征图像进行融合重建，并生成与所述输入图像尺寸相同的所述第二图像。
8.根据权利要求7所述的图像质量优化方法，其特征在于，所述第二处理模型采用图像超分辨率网络训练生成。
9.根据权利要求8所述的图像质量优化方法，其特征在于，所述第二处理模型包括级联残差模块和分别与所述级联残差模块相连接的3个上采样模块；
所述级联残差模块包括3个级联的残差模块，其中，一个残差模块由2个卷积层，2个ReLu层以及残差连接结构组成。
10.根据权利要求8所述的图像质量优化方法，其特征在于，步骤S1之前，还包括：
S0.构建训练数据集，以及基于图像去模糊网络训练生成所述第一处理模型，和基于图像超分辨率网络生成所述第二处理模型。
11.根据权利要求10所述的图像质量优化方法，步骤S0中，构建训练数据集的步骤中，所述训练数据集包括真实图像数据集和仿真图像数据集。
12.根据权利要求11所述的图像质量优化方法，步骤S0中，构建训练数据集的步骤中，所述真实图像数据集包括：包含低质量图像和高质量图像的第一真实图像集和包含低倍率图像和高倍率图像的第二真实图像集；包括：
S01.采用相同倍率的低性能图像摄取装置和高性能图像摄取装置对同一物体成像获取所述第一真实图像集；
S02.采用不同倍率的图像摄取装置对同一所述物体成像获取所述第二真实图像集。
13.根据权利要求12所述的图像质量优化方法，步骤S0中，构建训练数据集的步骤中，所述仿真图像数据集包括：低质量仿真图像和低倍率仿真图像；其中，所述低质量仿真图像基于所述高质量图像进行模糊处理生成，所述低倍率仿真图像基于所述高倍率图像进行低倍率降采样处理生成。
14.根据权利要求7所述的图像质量优化方法，其特征在于，步骤S3中，将所述第一图像输入至第二处理模型进行超分辨率处理的步骤中，采用分组卷积对所述第二处理模型中的同一个卷积层中的参数进行共享；以及，对所述第二处理模型进行剪枝处理。
15.一种用于采用权利要求1至14任一项所述的图像质量优化方法的显示方法，其特征在于，基于MFC对话框和视图类进行图片显示；包括：
A1.基于所述MFC对话框选取图像优化区域，提取所述图像优化区域并作为所述输入图像
A2.执行步骤S1至S3；
A3.接收所述第二图像并显示。
16.根据权利要求11所述的显示方法，其特征在于，步骤A1包括：
A11.重写所述MFC对话框的OnMouseMove函数，捕获鼠标移动坐标；
A12.以鼠标坐标(x，y)为中心，a为宽，绘制目标矩形区域；
A13.读取所述目标矩形区域对应的图片数据进行所述图像优化区域的提取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011410388.4A CN112419200B (zh) | 2020-12-04 | 2020-12-04 | 一种图像质量优化方法及显示方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011410388.4A CN112419200B (zh) | 2020-12-04 | 2020-12-04 | 一种图像质量优化方法及显示方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112419200A true CN112419200A (zh) | 2021-02-26 |
| CN112419200B CN112419200B (zh) | 2024-01-19 |
Family
ID=74829191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011410388.4A Active CN112419200B (zh) | 2020-12-04 | 2020-12-04 | 一种图像质量优化方法及显示方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112419200B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101976435A (zh) * | 2010-10-07 | 2011-02-16 | 西安电子科技大学 | 基于对偶约束的联合学习超分辨方法 |
| JP2014023121A (ja) * | 2012-07-23 | 2014-02-03 | Nikon Corp | 画像処理装置およびプログラム |
| US20140354886A1 (en) * | 2013-05-29 | 2014-12-04 | Yeda Research & Development Co. Ltd. | Device, system, and method of blind deblurring and blind super-resolution utilizing internal patch recurrence |
| KR20150116711A (ko) * | 2014-04-08 | 2015-10-16 | 한국과학기술원 | 상호보완 이진 수열을 이용한 영상 디블러링 방법 |
| KR20190114340A (ko) * | 2018-03-29 | 2019-10-10 | 한국과학기술원 | 이미지 디블러링(Deblurring) 네트워크 처리방법 및 시스템 |
| US20200285959A1 (en) * | 2018-09-30 | 2020-09-10 | Boe Technology Group Co., Ltd. | Training method for generative adversarial network, image processing method, device and storage medium |
| CN111681188A (zh) * | 2020-06-15 | 2020-09-18 | 青海民族大学 | 基于结合图像像素先验和图像梯度先验的图像去模糊方法 |
-
2020
- 2020-12-04 CN CN202011410388.4A patent/CN112419200B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101976435A (zh) * | 2010-10-07 | 2011-02-16 | 西安电子科技大学 | 基于对偶约束的联合学习超分辨方法 |
| JP2014023121A (ja) * | 2012-07-23 | 2014-02-03 | Nikon Corp | 画像処理装置およびプログラム |
| US20140354886A1 (en) * | 2013-05-29 | 2014-12-04 | Yeda Research & Development Co. Ltd. | Device, system, and method of blind deblurring and blind super-resolution utilizing internal patch recurrence |
| KR20150116711A (ko) * | 2014-04-08 | 2015-10-16 | 한국과학기술원 | 상호보완 이진 수열을 이용한 영상 디블러링 방법 |
| KR20190114340A (ko) * | 2018-03-29 | 2019-10-10 | 한국과학기술원 | 이미지 디블러링(Deblurring) 네트워크 처리방법 및 시스템 |
| US20200285959A1 (en) * | 2018-09-30 | 2020-09-10 | Boe Technology Group Co., Ltd. | Training method for generative adversarial network, image processing method, device and storage medium |
| CN111681188A (zh) * | 2020-06-15 | 2020-09-18 | 青海民族大学 | 基于结合图像像素先验和图像梯度先验的图像去模糊方法 |
Non-Patent Citations (2)
| Title |
|---|
| DONGYANG ZHANG ETAL.: "Joint image deblurring and super-resolution with attention dual supervised network", NEUROCOMPUTING, vol. 412, pages 187 - 196 * |
| 陈赛健等: "基于生成对抗网络的文本图像联合超分辨率与去模糊方法", 《计算机应用》, vol. 40, no. 3, pages 859 - 864 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112419200B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | Crossnet: An end-to-end reference-based super resolution network using cross-scale warping | |
| Haris et al. | Recurrent back-projection network for video super-resolution | |
| CN111007661B (zh) | 一种基于深度学习的显微图像自动聚焦方法及装置 | |
| CN108337434B (zh) | 一种针对光场阵列相机的焦外虚化重聚焦方法 | |
| Abuolaim et al. | Improving single-image defocus deblurring: How dual-pixel images help through multi-task learning | |
| Ruan et al. | Aifnet: All-in-focus image restoration network using a light field-based dataset | |
| WO2012001568A1 (en) | Method and system for producing a virtual output image from data obtained by an array of image capturing devices | |
| CN102057397A (zh) | 使用结构和均匀照明产生光学截面图像的系统和方法 | |
| US11282176B2 (en) | Image refocusing | |
| CN111476745A (zh) | 一种进行运动模糊超分辨的多分支网络及方法 | |
| JP2013026844A (ja) | 画像生成方法及び装置、プログラム、記録媒体、並びに電子カメラ | |
| CN107084923A (zh) | 细胞观察装置以及细胞观察方法 | |
| CN112986260A (zh) | 基于相机矩阵的检测系统、控制系统、终端、介质及应用 | |
| CN112419191A (zh) | 基于卷积神经网络的图像运动模糊去除方法 | |
| JP2014021487A (ja) | 顕微鏡法における被写界深度（ｄｏｆ）をシミュレートするための方法及び装置 | |
| Fan et al. | An empirical investigation of efficient spatio-temporal modeling in video restoration | |
| CN118134788A (zh) | 图像融合方法、装置、存储介质以及终端 | |
| Shroff et al. | High resolution image reconstruction for plenoptic imaging systems using system response | |
| CN105450943B (zh) | 产生图像散景效果的方法及图像获取装置 | |
| Zhang et al. | Computational Super-Resolution Imaging With a Sparse Rotational Camera Array | |
| CN117911263A (zh) | 基于cuda快速导向滤波加速多焦点图像融合的方法 | |
| CN112419200B (zh) | 一种图像质量优化方法及显示方法 | |
| Zhou et al. | Parameter-free Gaussian PSF model for extended depth of field in brightfield microscopy | |
| US10965861B2 (en) | Image processing device, image processing method, and program | |
| CN115514877B (zh) | 图像处理装置和降低噪声的方法 |
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 |