CN112672052A - 一种图像数据增强方法、系统、电子设备及存储介质 - Google Patents
一种图像数据增强方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112672052A CN112672052A CN202011553650.0A CN202011553650A CN112672052A CN 112672052 A CN112672052 A CN 112672052A CN 202011553650 A CN202011553650 A CN 202011553650A CN 112672052 A CN112672052 A CN 112672052A
- Authority
- CN
- China
- Prior art keywords
- target image
- image data
- data set
- random number
- gray value
- 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
Images
Abstract
本发明提供一种图像数据增强方法、系统、电子设备及存储介质,方法包括:分别获取实际采集的第一目标图像数据集和从公共数据集中获取第二目标图像数据集;对于所述第二目标图像数据集中的每一张目标图像,通过添加散粒噪声的方式进行增强处理,得到增强处理后的第二目标图像数据集;将第一目标图像数据集和增强处理后的第二目标图像数据集作为最终的目标图像数据集。本发明对于公共数据集中的目标图像,通过添加散粒噪声的方式进行增强加躁处理,消除公共数据集中的目标图像与实际采集的目标图像之间的差异,扩充实际采集的目标图像数据集。
Description
技术领域
本发明涉及图像处理领域,更具体地,涉及一种图像数据增强方法、系统、电子设备及存储介质。
背景技术
当前,深度神经网络在大数据支持下,通过模型的学习和训练,可以构建出一个性能较为出色的模型,在目标检测、识别和跟踪等图像处理应用领域已经取得了巨大的成功。神经网络模型需要在海量数据支持下才能具备较强的泛化性能,适应不同的环境和场景的应用需求。
实际采集的目标图像的数据量有限,需要对目标图像数据进行增强扩充,目前常用的数据增强手段有:对实际采集的目标图像水平或垂直翻转;以图像中心随机角度的图像旋转;随机缩放;随机裁剪;图像水平或垂直方向的移位;以及图像的剪切重组等技术手段,来增加原始数据的数据量。
上述数据增强方法是针对已有的数据(实际采集的目标图像数据)进行数据扩充,其一,在实际的应用中,存在现实应用场景数据不足的问题。其二,进行翻转或缩放等处理的图像来源依然为实际采集的有限的图像数据,这样的数据集不具有泛化性。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种图像数据增强方法、系统、电子设备及存储介质。
根据本发明的第一方面,提供了一种图像数据增强方法,包括:分别获取实际采集的第一目标图像数据集和从公共数据集中获取第二目标图像数据集;对于所述第二目标图像数据集中的每一张目标图像,通过添加散粒噪声的方式进行增强处理,得到增强处理后的第二目标图像数据集;将第一目标图像数据集和增强处理后的第二目标图像数据集作为最终的目标图像数据集。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,所述从公共数据集中获取第二目标图像数据集之后还包括:对于公共数据集中的目标图像数据,选取预设比例的目标图像数据作为第二目标图像数据集。
可选的,所述对于所述第二目标图像数据集中的每一张目标图像,通过添加散粒噪声的方式进行增强处理,得到增强处理后的第二目标图像数据集包括:对于第二目标图像数据集中的任一张目标图像,提取所述任一张目标图像中任一个像素点的原始灰度值;基于所述任一个像素点的原始灰度值,生成满足泊松分布的随机数,并对所述随机数进行截断操作,得到截断操作后的随机数;采用截断后的随机数替换原始灰度值,得到所述任一个像素点替换后的灰度值;遍历所述任一张目标图像中的任一个像素点,得到增强处理后的第二目标图像数据集。
可选的,所述基于所述任一个像素点的原始灰度值,产生满足泊松分布的随机数包括:基于所述任一个像素点的原始灰度值,通过调用python中numpy库中的函数产生对应的随机数:
Gp=np.random.poisson(λp,1);
其中,λp为像素点的灰度值,Gp为产生的随机数。
可选的,所述对所述随机数进行截断操作,得到截断操作后的随机数包括:按照下式对随机数Gp进行截断操作:
其中,Gp'为截断操作后的随机数。
根据本发明的第二方面,提供一种图像数据增强系统,包括:获取模块,用于分别获取实际采集的第一目标图像数据集和从公共数据集中获取第二目标图像数据集;增强处理模块,用于对于所述第二目标图像数据集中的每一张目标图像,通过添加散粒噪声的方式进行增强处理,得到增强处理后的第二目标图像数据集;确定模块,用于将第一目标图像数据集和增强处理后的第二目标图像数据集确定为最终的目标图像数据集。
可选的,所述增强处理模块包括:提取单元,用于对于第二目标图像数据集中的任一张目标图像,提取所述任一张目标图像中任一个像素点的原始灰度值;生成单元,用于基于所述任一个像素点的原始灰度值,生成满足泊松分布的随机数;截断操作单元,用于对所述随机数进行截断操作,得到截断操作后的随机数;替换单元,用于采用截断后的随机数替换原始灰度值,得到所述任一个像素点替换后的灰度值;遍历所述任一张目标图像中的任一个像素点,得到增强处理后的第二目标图像数据集。
根据本发明的第三方面,提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现如图像数据增强方法的步骤。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现图像数据增强方法的步骤。
本发明提供的一种图像数据增强方法、系统、电子设备及存储介质,对于公共数据集中的目标图像,通过添加散粒噪声的方式进行增强加躁处理,消除公共数据集中的目标图像与实际采集的目标图像之间的差异,扩充实际采集的目标图像数据集。
附图说明
图1为本发明提供的一种图像数据增强方法流程图;
图2为本发明提供的一种图像数据增强方法的整体流程图;
图3为本发明实施例提供的一种图像数据增强系统结构图;
图4为图3中增强处理模块的内部结构示意图;
图5为本发明实施例提供的一种可能的电子设备的硬件结构示意图;
图6为本发明实施例提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明提供的一种图像数据增强方法流程图,如图1所示,方法包括:101、分别获取实际采集的第一目标图像数据集和从公共数据集中获取第二目标图像数据集;102、对于所述第二目标图像数据集中的每一张目标图像,通过添加散粒噪声的方式进行增强处理,得到增强处理后的第二目标图像数据集;103、将第一目标图像数据集和增强处理后的第二目标图像数据集作为最终的目标图像数据集。
可以理解的是,基于背景技术中的缺陷,在构建神经网络模型训练的数据集时,通常从公共数据集中选取相似目标的图像来训练模型。公共数据集中的图像来源多种多样,绝大部分与实际应用中传感器采集到的图像存在一定的差异。这也造成了用公共数据集训练的模型在实际应用中检测性能不佳的问题。
通过分析传感器成像机制,发现光源发出的光在CMOS传感器件上成像,每秒发射的光子到达CMOS的越多,像素灰度值越大。由于光源发射和CMOS接收之间有可能存在某些因素导致单个光子并没能被CMOS接收或一段时间内发射的光子特别多的现象,使得灰度值产生波动,造成了实际传感器采集到的图像数据存在较多的散粒噪声。因此,为了解决公共数据集与实际图像存在差异的问题,采用对公共数据集图像随机添加散粒噪声的方法,来扩充神经网络训练的数据集。以该方法增强的数据集训练得到的神经网络模型,在实际应用中并没有降低模型的检测精度,还能很好的适应实际的应用场景,具备了更强的模型泛化性能。在实际的目标检测、识别和跟踪应用中表现出更高的鲁棒性。
在一种可能的实施例方式中,从公共数据集中获取第二目标图像数据集之后还包括:对于公共数据集中的目标图像数据,选取预设比例的目标图像数据作为第二目标图像数据集。
可以理解的是,根据目标对象,从公共数据集中获取大量的目标图像数据,可从所有的目标图像数据中提取一定比例的图像数据作为待加躁的图像数据,比如,随机选取20%图像数据作为待加噪的图像。公共数据集中所包含的图像与实际应用采集到的图像存在差异。从数据集中随机选取一部分图像用作待加噪的图像。经过多次测试,随机选取比例为20%时,不会对模型的精度性能造成影响,同时还能提升模型在实际应用中的泛化性能。
在一种可能的实施例方式中,对于第二目标图像数据集中的每一张目标图像,通过添加散粒噪声的方式进行增强处理,得到增强处理后的第二目标图像数据集包括:对于第二目标图像数据集中的任一张目标图像,提取任一张目标图像中任一个像素点的原始灰度值;基于任一个像素点的原始灰度值,生成满足泊松分布的随机数,并对随机数进行截断操作,得到截断操作后的随机数;采用截断后的随机数替换原始灰度值,得到所述任一个像素点替换后的灰度值;遍历所述任一张目标图像中的任一个像素点,得到增强处理后的第二目标图像数据集。
可以理解的是,对公共数据集中的目标图像数据进行加躁处理的过程为,其中,泊松分布如下定义:
上式表示一个服从泊松分布的随机变量X,事件发生k次的概率,参数λ表示单次观察时事件发生的比率。对待加噪图像数据集中的每一张图像,遍历图像中的每一个像素,每一个点的灰度值λp作为泊松分布的均值λ产生一个满足泊松分布的随机数Gp,Gp通过调用python中numpy库中的函数产生:
Gp=np.random.poisson(λp,1);
其中,λp为像素点的灰度值,Gp为产生的随机数。
对于根据每一个像素点的灰度值生成的对应的随机数进行截断操作,其中,按照下式对随机数Gp进行截断操作:
其中,Gp'为截断操作后的随机数,用G′p值取代λp作为原像素点的灰度值,依次处理完图像中每一个像素点的灰度值即可生成添加散粒噪声的图像。经过上述处理的所有待加噪图像数据,即可获得加噪处理后的图像数据集,加噪处理后的目标图像与实际采集的目标图像之间的差异性比较小。
将加躁后的目标图像数据集添加到实际采集的目标图像数据集中作为最后的目标图像数据集,根据获得的增强数据集,可直接用于神经网络模型的训练。
参见图2,本发明首先从公共数据集中获取大量的目标图像,构成目标图像数据集合,从目标图像数据集合中随机选取20%的目标图像数据作为待加躁图像集。通过添加散粒噪声的方式对待加躁图像集中的每一张目标图像进行加躁处理。将加躁处理后的目标图像数据集和实际采集的目标图像数据集作为最终的目标图像数据集,可用于对神经网络模型进行训练。
图3为本发明实施例提供的一种图像数据增强系统结构图,如图3所示,系统包括获取模块31、增强处理模块32、确定模块33,其中:获取模块31,用于分别获取实际采集的第一目标图像数据集和从公共数据集中获取第二目标图像数据集;增强处理模块32,用于对于所述第二目标图像数据集中的每一张目标图像,通过添加散粒噪声的方式进行增强处理,得到增强处理后的第二目标图像数据集;确定模块33,用于将第一目标图像数据集和增强处理后的第二目标图像数据集确定为最终的目标图像数据集。
其中,参见图4,增强处理模块32包括:提取单元321,用于对于第二目标图像数据集中的任一张目标图像,提取所述任一张目标图像中任一个像素点的原始灰度值;生成单元322,用于基于所述任一个像素点的原始灰度值,生成满足泊松分布的随机数;截断操作单元323,用于对所述随机数进行截断操作,得到截断操作后的随机数;替换单元,324,用于采用截断后的随机数替换原始灰度值,得到所述任一个像素点替换后的灰度值;遍历所述任一张目标图像中的任一个像素点,得到增强处理后的第二目标图像数据集。
可以理解的是,本发明提供的图像数据增强系统与前述各实施例提供的图像数据增强方法相对应,图像数据增强系统的相关技术特征可参考图像数据增强方法的相关技术特征,在此不再重复说明。
请参阅图5,图5为本申请实施例提供的电子设备的实施例示意图。如图5所示,本申请实施例提了一种电子设备,包括存储器510、处理器520及存储在存储器520上并可在处理器520上运行的计算机程序511,处理器520执行计算机程序511时实现以下步骤:分别获取实际采集的第一目标图像数据集和从公共数据集中获取第二目标图像数据集;对于所述第二目标图像数据集中的每一张目标图像,通过添加散粒噪声的方式进行增强处理,得到增强处理后的第二目标图像数据集;将第一目标图像数据集和增强处理后的第二目标图像数据集作为最终的目标图像数据集。
请参阅图6,图6为本申请实施例提供的一种计算机可读存储介质的实施例示意图。如图6所示,本实施例提供了一种计算机可读存储介质600,其上存储有计算机程序611,该计算机程序611被处理器执行时实现如下步骤:分别获取实际采集的第一目标图像数据集和从公共数据集中获取第二目标图像数据集;对于所述第二目标图像数据集中的每一张目标图像,通过添加散粒噪声的方式进行增强处理,得到增强处理后的第二目标图像数据集;将第一目标图像数据集和增强处理后的第二目标图像数据集作为最终的目标图像数据集。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包括这些改动和变型在内。
Claims (9)
1.一种图像数据增强方法,其特征在于,包括:
分别获取实际采集的第一目标图像数据集和从公共数据集中获取第二目标图像数据集;
对于所述第二目标图像数据集中的每一张目标图像,通过添加散粒噪声的方式进行增强处理,得到增强处理后的第二目标图像数据集;
将第一目标图像数据集和增强处理后的第二目标图像数据集作为最终的目标图像数据集。
2.根据权利要求1所述的图像数据增强方法,其特征在于,所述从公共数据集中获取第二目标图像数据集之后还包括:
对于公共数据集中的目标图像数据,选取预设比例的目标图像数据作为第二目标图像数据集。
3.根据权利要求1或2所述的图像数据增强方法,其特征在于,所述对于所述第二目标图像数据集中的每一张目标图像,通过添加散粒噪声的方式进行增强处理,得到增强处理后的第二目标图像数据集包括:
对于第二目标图像数据集中的任一张目标图像,提取所述任一张目标图像中任一个像素点的原始灰度值;
基于所述任一个像素点的原始灰度值,生成满足泊松分布的随机数,并对所述随机数进行截断操作,得到截断操作后的随机数;
采用截断后的随机数替换原始灰度值,得到所述任一个像素点替换后的灰度值;
遍历所述任一张目标图像中的任一个像素点,得到增强处理后的第二目标图像数据集。
4.根据权利要求3所述的图像数据增强方法,其特征在于,所述基于所述任一个像素点的原始灰度值,产生满足泊松分布的随机数包括:
基于所述任一个像素点的原始灰度值,通过调用python中numpy库中的函数产生对应的随机数:
Gp=np.random.poisson(λp,1);
其中,λp为像素点的灰度值,Gp为产生的随机数。
6.一种图像数据增强系统,其特征在于,包括:
获取模块,用于分别获取实际采集的第一目标图像数据集和从公共数据集中获取第二目标图像数据集;
增强处理模块,用于对于所述第二目标图像数据集中的每一张目标图像,通过添加散粒噪声的方式进行增强处理,得到增强处理后的第二目标图像数据集;
确定模块,用于将第一目标图像数据集和增强处理后的第二目标图像数据集确定为最终的目标图像数据集。
7.根据权利要求6所述的图像数据增强系统,其特征在于,所述增强处理模块包括:
提取单元,用于对于第二目标图像数据集中的任一张目标图像,提取所述任一张目标图像中任一个像素点的原始灰度值;
生成单元,用于基于所述任一个像素点的原始灰度值,生成满足泊松分布的随机数;
截断操作单元,用于对所述随机数进行截断操作,得到截断操作后的随机数;
替换单元,用于采用截断后的随机数替换原始灰度值,得到所述任一个像素点替换后的灰度值;遍历所述任一张目标图像中的任一个像素点,得到增强处理后的第二目标图像数据集。
8.一种电子设备,其特征在于,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-5任一项所述的图像数据增强方法的步骤。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现如权利要求1-5任一项所述的图像数据增强方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011553650.0A CN112672052A (zh) | 2020-12-24 | 2020-12-24 | 一种图像数据增强方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011553650.0A CN112672052A (zh) | 2020-12-24 | 2020-12-24 | 一种图像数据增强方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112672052A true CN112672052A (zh) | 2021-04-16 |
Family
ID=75408497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011553650.0A Pending CN112672052A (zh) | 2020-12-24 | 2020-12-24 | 一种图像数据增强方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112672052A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113645419A (zh) * | 2021-08-06 | 2021-11-12 | 商汤集团有限公司 | 图像处理方法及装置、电子设备及计算机可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106877237A (zh) * | 2017-03-16 | 2017-06-20 | 天津大学 | 一种基于航拍图像的检测输电线路中绝缘子缺失的方法 |
CN109145815A (zh) * | 2018-08-21 | 2019-01-04 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
CN109817013A (zh) * | 2018-12-19 | 2019-05-28 | 新大陆数字技术股份有限公司 | 基于视频流的停车位状态识别方法及装置 |
CN110443155A (zh) * | 2019-07-16 | 2019-11-12 | 上海海事大学 | 一种基于卷积神经网络的视觉航标识别与分类方法 |
CN110555390A (zh) * | 2019-08-09 | 2019-12-10 | 厦门市美亚柏科信息股份有限公司 | 基于半监督训练方式的行人重识别方法、装置及介质 |
CN110782391A (zh) * | 2019-09-10 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 驾驶仿真场景中的图像处理方法、装置及存储介质 |
CN111598040A (zh) * | 2020-05-25 | 2020-08-28 | 中建三局第二建设工程有限责任公司 | 一种建筑工人身份识别及安全帽佩戴检测方法及系统 |
CN111754494A (zh) * | 2020-06-28 | 2020-10-09 | 深圳壹账通智能科技有限公司 | 小样本图像扩充方法、电子设备及存储介质 |
CN111968048A (zh) * | 2020-07-30 | 2020-11-20 | 国网智能科技股份有限公司 | 电力巡检少样本图像数据增强方法及系统 |
CN112116573A (zh) * | 2020-09-16 | 2020-12-22 | 四川嘉能佳网创新能源科技有限责任公司 | 一种高精度的红外图像异常检测方法及系统 |
-
2020
- 2020-12-24 CN CN202011553650.0A patent/CN112672052A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106877237A (zh) * | 2017-03-16 | 2017-06-20 | 天津大学 | 一种基于航拍图像的检测输电线路中绝缘子缺失的方法 |
CN109145815A (zh) * | 2018-08-21 | 2019-01-04 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
CN109817013A (zh) * | 2018-12-19 | 2019-05-28 | 新大陆数字技术股份有限公司 | 基于视频流的停车位状态识别方法及装置 |
CN110443155A (zh) * | 2019-07-16 | 2019-11-12 | 上海海事大学 | 一种基于卷积神经网络的视觉航标识别与分类方法 |
CN110555390A (zh) * | 2019-08-09 | 2019-12-10 | 厦门市美亚柏科信息股份有限公司 | 基于半监督训练方式的行人重识别方法、装置及介质 |
CN110782391A (zh) * | 2019-09-10 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 驾驶仿真场景中的图像处理方法、装置及存储介质 |
CN111598040A (zh) * | 2020-05-25 | 2020-08-28 | 中建三局第二建设工程有限责任公司 | 一种建筑工人身份识别及安全帽佩戴检测方法及系统 |
CN111754494A (zh) * | 2020-06-28 | 2020-10-09 | 深圳壹账通智能科技有限公司 | 小样本图像扩充方法、电子设备及存储介质 |
CN111968048A (zh) * | 2020-07-30 | 2020-11-20 | 国网智能科技股份有限公司 | 电力巡检少样本图像数据增强方法及系统 |
CN112116573A (zh) * | 2020-09-16 | 2020-12-22 | 四川嘉能佳网创新能源科技有限责任公司 | 一种高精度的红外图像异常检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
徐守坤等: "一种基于安全帽佩戴检测的图像描述方法研究", 《小型微型计算机系统》 * |
曹凯等: "基于改进的单次多盒检测器室内人数检测", 《科学技术与工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113645419A (zh) * | 2021-08-06 | 2021-11-12 | 商汤集团有限公司 | 图像处理方法及装置、电子设备及计算机可读存储介质 |
CN113645419B (zh) * | 2021-08-06 | 2024-04-19 | 商汤集团有限公司 | 图像处理方法及装置、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767413B (zh) | 一种基于卷积神经网络的图像深度估计方法 | |
US10410397B2 (en) | Picture presentation method and apparatus | |
US20100165152A1 (en) | Processing Images Having Different Focus | |
US20190035090A1 (en) | Determining multiple camera positions from multiple videos | |
CN109300151B (zh) | 图像处理方法和装置、电子设备 | |
CN107767358B (zh) | 一种图像中物体模糊度确定方法和装置 | |
CN108124489B (zh) | 信息处理方法、装置、云处理设备以及计算机程序产品 | |
CN111784564B (zh) | 自动抠图方法及系统 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
KR20150114950A (ko) | 이미지 스트림의 프레임 레이트 증가 | |
CN111340889B (zh) | 基于车载激光扫描自动获取匹配图像块与点云球的方法 | |
CN111489348A (zh) | 一种磁性材料产品表面缺陷模拟方法及装置 | |
CN112672052A (zh) | 一种图像数据增强方法、系统、电子设备及存储介质 | |
Xu et al. | Extended non-local feature for visual saliency detection in low contrast images | |
KR20140109954A (ko) | 타깃 사이즈를 추정하기 위한 시스템 및 방법 | |
CN115630660B (zh) | 基于卷积神经网络的条码定位方法和装置 | |
CN117173232A (zh) | 深度图像的获取方法、装置及设备 | |
CN114511702A (zh) | 一种基于多尺度分权注意力的遥感图像分割方法和系统 | |
CN113034432B (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
CN116883770A (zh) | 深度估计模型的训练方法、装置、电子设备及存储介质 | |
CN114419102A (zh) | 一种基于帧差时序运动信息的多目标跟踪检测方法 | |
JP2018124740A (ja) | 画像検索システム、画像検索方法及び画像検索プログラム | |
CN112991419A (zh) | 视差数据生成方法、装置、计算机设备及存储介质 | |
CN111369612B (zh) | 一种三维点云图像生成方法及设备 | |
CN108062741B (zh) | 双目图像处理方法、成像装置和电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |