CN112734654A - 一种图像处理方法、装置、设备和存储介质 - Google Patents

一种图像处理方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112734654A
CN112734654A CN202011545627.7A CN202011545627A CN112734654A CN 112734654 A CN112734654 A CN 112734654A CN 202011545627 A CN202011545627 A CN 202011545627A CN 112734654 A CN112734654 A CN 112734654A
Authority
CN
China
Prior art keywords
pixel
image
processed
determining
target pixel
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
Application number
CN202011545627.7A
Other languages
English (en)
Other versions
CN112734654B (zh
Inventor
刘欣
嵇亚飞
程诚
王旭光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Institute of Nano Tech and Nano Bionics of CAS
Original Assignee
Suzhou Institute of Nano Tech and Nano Bionics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Institute of Nano Tech and Nano Bionics of CAS filed Critical Suzhou Institute of Nano Tech and Nano Bionics of CAS
Priority to CN202011545627.7A priority Critical patent/CN112734654B/zh
Publication of CN112734654A publication Critical patent/CN112734654A/zh
Application granted granted Critical
Publication of CN112734654B publication Critical patent/CN112734654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种图像处理方法、装置、设备和存储介质。该方法包括：确定待处理图像的像素属性阈值；在目标像素点所属邻域的第一比值达到像素属性阈值时，确定待处理图像中目标像素点的像素点类型；第一比值为以目标像素点为中心所建立邻域的像素灰度方差与像素灰度均值的比值；根据像素点类型选取对应的图像处理策略，以对待处理图像中的目标像素点进行处理。本发明实施例通过对待处理图像中的目标像素点进行分类，以选取对应的图像处理策略，并按照图像处理策略对待处理图像中的目标像素点进行处理，从而无需对所有像素点重新估算，减少了图像处理的计算量，以及降低了计算复杂度。

Description

一种图像处理方法、装置、设备和存储介质
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种图像处理方法、装置、设备和存储介质。
背景技术
激光主动成像技术具有分辨率高、抗干扰能力强以及能够提供包含目标图像丰富信息等特点，在军事、工业、医学、农业和科研等领域得到了越来越广泛的应用。人工智能技术的快速发展，进一步促进了其在三维成像、自动驾驶等方向的深层次应用。在各种应用中，图像成像质量对应用的效率以及精度有极其重要的影响：高质量的图像使应用获得最佳分辨率和处理效率，低质量的图像往往会降低应用的精确性和稳定性。
在实际场景中由于自然环境、仪器设备以及信号固有属性等因素的影响，获得的图像往往受到噪声的污染，导致图像质量下降，最终影响了应用的效果。为了解决图像中的噪声问题，现有技术中提出了多种去噪滤波方法，例如均值滤波、中值滤波、高斯滤波、双边滤波以及非局域均值滤波等。这些滤波方法各有特点，虽然都能够在一定程度上解决噪声问题，但由于计算复杂度、滤波原理等自身局限性，往往导致其滤波耗时较长、滤波效果不佳等问题。
发明内容
有鉴于此，本发明提供一种图像处理方法、装置、设备和存储介质，有效降低了图像处理的复杂度，减少了图像处理的计算量，以及降低了计算复杂度。
第一方面，本发明实施例提供了一种图像处理方法，包括：
确定待处理图像的像素属性阈值，所述像素属性阈值用于确定所述待处理图像中目标像素点是否属于非平缓变化区域；
在所述目标像素点所属邻域的第一比值达到所述像素属性阈值时，确定待处理图像中目标像素点的像素点类型；所述第一比值为以目标像素点为中心所建立邻域的像素灰度方差与像素灰度均值的比值；
根据所述像素点类型选取对应的图像处理策略，以对所述待处理图像中的目标像素点进行处理。
第二方面，本发明实施例还提供了一种图像处理装置，包括：
第一确定模块，用于确定待处理图像的像素属性阈值，所述像素属性阈值用于确定所述待处理图像中目标像素点是否属于非平缓变化区域；
第二确定模块，用于在目标像素点所属邻域的第一比值达到所述像素属性阈值时，确定待处理图像中目标像素点的像素点类型；所述第一比值为以目标像素点为中心所建立邻域的像素灰度方差与像素灰度均值的比值；
选取处理模块，用于根据所述像素点类型选取对应的图像处理策略，以对所述待处理图像中的目标像素点进行处理。
第三方面，本发明实施例还提供了一种图像处理设备，包括：存储器，以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的图像处理方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的图像处理方法。
本发明实施例通过确定待处理图像的像素属性阈值，像素属性阈值用于确定待处理图像中目标像素点是否属于非平缓变化区域；在目标像素点所属邻域的第一比值达到像素属性阈值时，确定待处理图像中目标像素点的像素点类型；第一比值为以目标像素点为中心所建立邻域的像素灰度方差与像素灰度均值的比值；根据像素点类型选取对应的图像处理策略，以对待处理图像中的目标像素点进行处理。本发明实施例通过对待处理图像中的目标像素点进行分类，以选取对应的图像处理策略，并按照图像处理策略对待处理图像中的目标像素点进行处理，从而无需对所有像素点重新估算，减少了图像处理的计算量，以及降低了计算复杂度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例提供的一种图像处理方法的流程图；
图2是本发明实施例提供的另一种图像处理方法的流程图；
图3是本发明实施例提供的一种在待处理图像中选取第一类型邻域的示意图；
图4是本发明实施例提供的又一种图像处理方法的流程图；
图5是本发明实施例提供的再一种图像处理方法的流程图；
图6是本发明实施例提供的一种利用插值法计算像素灰度值的原理示意图；
图7是本发明实施例提供的一种判断目标像素点是否属于平缓变化区域的流程图；
图8是本发明实施例提供的一种确定目标像素点的像素点类型的流程图；
图9是本发明实施例提供的一种重新估算目标像素点的像素灰度值的流程图；
图10是本发明实施例提供的一种图像处理装置的结构示意图；
图11是本发明实施例提供的一种图像处理设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
传统的图像滤波方法对图像中所有像素点进行滤波处理，一方面增加了计算复杂度，另一方面又往往导致图像受到过度处理使得图像包含的信息受损。常用的滤波方法大致可以分为两类：局域滤波法和非局域滤波法。局域滤波法使用邻域中像素点的像素灰度值估算中心的像素灰度值，例如均值滤波是采用周围邻域中像素点的像素灰度平均值来计算某个中心的像素灰度值；中值滤波采用一定范围内的邻域中像素点的像素灰度值的中间值作为中心的像素灰度值；高斯滤波和双边滤波则根据高斯分布特点通过邻域的像素灰度值计算中心的像素灰度值。非局域滤波则是根据目标像素邻域和搜索范围内对比邻域的相似性估算目标像素点的像素灰度值。但传统滤波方案，由于滤波方法是各向同性，导致图像边缘模糊，整体清晰度下降；部分算法的复杂度较高，降低了图像处理的速度；无法预估像素点的属性，增大了图像处理的计算量。
有鉴于此，本发明实施例提出一种图像处理方法，通过对目标像素点进行分类，选取对应的图像处理策略对待处理图像中的目标像素点进行处理，有效降低激光主动成像系统中滤波算法的复杂度，提高系统图像处理能力，降低图像处理时间，提升图像成像质量，为整个系统的实时性以及精确性提供有力支撑。
在一实施例中，图1是本发明实施例提供的一种图像处理方法的流程图，本实施例可适用于对激光主动成像系统中的待处理图像进行噪声消除的情况，该方法可以由本发明实施例中的图像处理装置来执行，该装置可采用软件和/或硬件的方式实现。其中，图像处理装置可以集成在图像处理设备中。比如，图像处理设备可以为个人计算机、iPad、笔记本电脑、智能手机等终端设备。如图1所示，该方法具体包括如下步骤：
S110、确定待处理图像的像素属性阈值。
其中，像素属性阈值用于确定待处理图像中目标像素点是否属于非平缓变化区域。在实施例中，待处理图像指的是需要进行噪声消除的图像。其中，待处理图像可以为各种类型的图像，比如为彩色图像、灰度图像等，对此并不进行限定。当然，在本发明实施例中，采用待处理图像的邻域像素灰度值进行滤波处理，即为了便于对待处理图像进行噪声消除，待处理图像为灰度图像，即使对彩色图像进行滤波处理的情况下，需将彩色图像转换为灰度图像之后，才可以采用本发明实施例中的图像处理方法进行滤波处理。
在实施例中，像素属性阈值用于确定待处理图像中目标像素点是否在非平缓变化区域。可以理解为，待处理图像可以包括平缓变化区域和非平缓变化区域，其中，平缓变化区域指的是像素点的像素灰度值变化比较平缓的区域；非平缓变化区域指的是像素点的像素灰度值变化比较大的区域。比如，待处理图像为一张人脸时，在眼球和眼白之间的区域则为非平缓变化区域，额头部分的区域则为平缓变化区域。在实施例中，像素属性阈值就是确定待处理图像中目标像素点所处的区域是平缓变化区域，还是非平缓变化区域。
当然，在实际操作过程中，每个待处理图像的像素属性阈值是不同的，即为每个待处理图像确定一个像素属性阈值；也可以多个待处理图像的像素属性阈值是相同的，对此并不进行限定。当然，在为每个待处理图像确定对应的像素属性阈值的方式的情况下，对待处理图像的处理精度更高。
S120、在目标像素点所属邻域的第一比值达到像素属性阈值时，确定待处理图像中目标像素点的像素点类型。
其中，第一比值为以目标像素点为中心所建立邻域的像素灰度方差与像素灰度均值的比值。在实施例中，在确定目标像素点之后，以目标像素点为中心建立邻域，并计算出目标像素点所属邻域的像素灰度方差和像素灰度均值。其中，统计目标像素点所属邻域内的像素点个数，以及确定每个像素点的像素灰度值，利用每个像素点的像素灰度值和像素点个数确定像素灰度均值；然后根据像素灰度均值、每个像素点的像素灰度值和像素点个数确定像素灰度方差；然后将像素灰度方差和像素灰度均值的比值作为第一比值。
在确定第一比值之后，将第一比值和像素属性阈值进行比较，若第一比值大于等于像素属性阈值时，则认为第一比值达到像素属性阈值，即确定目标像素点处于非平缓变化区域。为了便于对目标像素点作进一步处理，需确定目标像素点的像素点类型。在一实施例中，像素点类型可以包括：边界点和噪声点。其中，边界点指的是两个不同部位交接区域所处位置的像素点；噪声点指的是受到自然环境、仪器设备或信号固有属性等干扰因素而形成的像素点。示例性地，假设待处理图像为一张人脸，则眼球和眼白之间交接区域所处位置的像素点均为边界点。
S130、根据像素点类型选取对应的图像处理策略，以对待处理图像中的目标像素点进行处理。
在实施例中，在目标像素点为不同的像素点类型时，所采用的图像处理策略也是不同的，即在目标像素点为边界点时，对应一个图像处理策略；在目标像素点为噪声点时，对应一个图像处理策略。
在实施例中，在目标像素点为边界点时，可以保留目标像素点的当前像素灰度值；在目标像素点为噪声点时，为了便于对目标像素点进行滤波处理，可采用插值法或余弦距离法对目标像素点的像素灰度值进行重新估算，以实现对目标像素点的滤波处理，从而完成了对待处理图像的滤波处理。
本发明实施例通过对待处理图像中的目标像素点进行分类，以选取对应的图像处理策略，并按照图像处理策略对待处理图像中的目标像素点进行处理，从而无需对所有像素点重新估算，减少了图像处理的计算量，以及降低了计算复杂度。
在一实施例中，图2是本发明实施例提供的另一种图像处理方法的流程图。本实施例是在上述实施例的基础上，对图像处理方法作进一步的改进。如图2所示，本实施例包括S210-S250。
S210、在待处理图像的第一目标区域内随机选取至少两个邻域，作为第一类型邻域。
其中，第一目标区域指的是待处理图像中像素点的像素灰度值变化比较平缓的区域，即第一目标区域为平缓变化区域。在实施例中，在待处理图像的平缓变化区域随机选取多个邻域，作为第一类型邻域。图3是本发明实施例提供的一种在待处理图像中选取第一类型邻域的示意图。如图3所示，在待处理图像的平缓变换区域选取五个邻域作为第一类型邻域，即P1、P2、P3、P4和P5作为第一类型邻域。在实际选取过程中，第一类型邻域的数量可以根据实际滤波要求进行确定，即滤波精度越高，所选取的第一类型邻域的数量就越大；相反，滤波精度越低，所选取的第一类型邻域的数量就越小。当然，所选取的第一类型邻域的数量越大，相应的计算量就越大。
S220、确定每个第一类型邻域的像素灰度均值和像素灰度方差。
在实施例中，在确定第一类型邻域的数量和位置之后，计算每个第一类型邻域的像素灰度均值和像素灰度方差。其中，第一类型邻域的像素灰度均值，指的是每个第一类型邻域内所有像素点的像素灰度值的平均值；第一类型邻域的像素灰度方差，指的是每个第一类型邻域内所有像素点的像素灰度值的方差。每个第一类型邻域的像素灰度均值与该邻域内像素点的数量和每个像素点的像素灰度值有关；像素灰度方差与该邻域内像素点的数量、每个像素点的像素灰度值以及像素灰度均值有关。其中，像素灰度均值的计算公式如下：
Figure BDA0002856110500000081
其中，
Figure BDA0002856110500000082
为第一类型邻域的像素灰度均值，xi为第一类型邻域内每个像素点的像素灰度值，N为第一类型邻域内像素点的数量。
在确定像素灰度均值之后，可根据像素灰度方差的计算公式得到每个第一类型邻域的像素灰度方差。其中，像素灰度方差的计算公式如下：
Figure BDA0002856110500000091
其中，σ2为第一类型邻域的像素灰度方差，
Figure BDA0002856110500000092
为第一类型邻域的像素灰度均值，xi为第i个第一类型邻域内每个像素点的像素灰度值，N为第一类型邻域内像素点的数量。
S230、根据第一类型邻域的像素灰度均值和像素灰度方差确定待处理图像的像素属性阈值。
在实施例中，在确定所有第一类型邻域的像素灰度均值和像素灰度方差之后，根据第一类型邻域的像素灰度均值和像素灰度方差确定待处理图像的像素属性阈值。具体过程包括S2301-S2303。
S2301、确定每个第一类型邻域的像素灰度方差与像素灰度均值之间的比值，作为第二比值。
在实施例中，在确定所有第一类型邻域的像素灰度均值和像素灰度方差之后，计算出每个第一类型邻域的像素灰度方差与像素灰度均值之间的比值，作为第二比值。其中，第二比值的计算公式如下：
Figure BDA0002856110500000093
其中，Ai为第i个第一类型邻域的第二比值，
Figure BDA0002856110500000094
为第i个第一类型邻域的像素灰度方差，
Figure BDA0002856110500000095
为第一类型邻域的像素灰度均值。
S2302、根据第二比值和第一类型邻域的数量确定对应的平均比值。
在实施例中，在确定每个第一类型邻域的第二比值之后，根据第二比值和第一类型邻域的数量确定对应的平均比值。其中，平均比值的计算公式如下：
Figure BDA0002856110500000101
其中，A为平均比值，Ai为第i个第一类型邻域的第二比值，n为选取的第一类型邻域的数量。
S2303、根据预设缩放系数和平均比值确定待处理图像的像素属性阈值。
在实施例中，在确定平均比值之后，可直接将平均比值作为待处理图像的像素属性阈值，即预设缩放系数为1。当然，在实际操作过程中，可根据实际需要对像素属性阈值进行重新修正，以得到新的像素属性阈值，即调整预设缩放系数得到新的像素属性阈值。其中，预设缩放系数可以为大于1的数值，也可以为小于1的参数，对此并不进行限定，可根据实际需求进行设定。
S240、在目标像素点所属邻域的第一比值达到像素属性阈值时，确定待处理图像中目标像素点的像素点类型。
S250、根据像素点类型选取对应的图像处理策略，以对待处理图像中的目标像素点进行处理。
本实施例的技术方案，通过根据预先设定的像素属性阈值，对待处理图像分别识别平缓变化区域和非平缓变化区域的像素灰度值，从而减少了图像边缘信息损失，进而提高了图像处理质量。
在一实施例中，图4是本发明实施例提供的又一种图像处理方法的流程图。本实施例是在上述实施例的基础上，对确定待处理图像中目标像素点的像素点类型作进一步的改进。如图4所示，本实施例包括S310-S3100。
S310、在待处理图像的第一目标区域内随机选取至少两个邻域，作为第一类型邻域。
S320、确定每个第一类型邻域的像素灰度均值和像素灰度方差。
S330、确定每个第一类型邻域的像素灰度方差与像素灰度均值之间的比值，作为第二比值。
S340、根据第二比值和第一类型邻域的数量确定对应的平均比值。
S350、根据预设缩放系数和平均比值确定待处理图像的像素属性阈值。
S360、在目标像素点所属邻域的第一比值达到像素属性阈值时，分别选取目标像素点所对应的两个目标位置的邻域，作为第二类型邻域。
其中，在目标像素点所属邻域的第一比值大于等于像素属性阈值的情况下，目标像素点处于非平缓变化区域。为了便于识别出目标像素点的像素点类型，可在目标像素点所对应的两个目标位置选取邻域，作为第二类型邻域。可选地，两个目标位置可以为对称的，比如，目标位置分别为目标像素点的左侧和右侧；也可以为目标像素点的上侧和下侧。可以理解为，在目标像素点的左右两侧或上下两侧分别选取邻域，作为第二类型邻域。
S370、确定每个第二类型邻域的像素灰度均值，分别作为第一像素灰度均值和第二像素灰度均值。
在实施例中，在确定目标像素点的第二类型邻域之后，利用上述实施例中的像素灰度均值的计算方法计算得到每个第二类型邻域的像素灰度均值，并分别作为第一像素灰度均值和第二像素灰度均值。
S380、确定第一像素灰度均值和第二像素灰度均值之间的接近程度值。
在实施例中，对第一像素灰度均值和第二像素灰度均值进行比对分析，确定两者之间的接近程度值。比如，可以通过第一像素灰度均值和第二像素灰度均值之间差值的绝对值确定两者之间的接近程度值，在两者之间差值的绝对值越小的情况下，两者之间的接近程度值就越高。
S390、根据接近程度值和预设接近程度阈值之间的比对结果确定待处理图像中目标像素点的像素点类型。
在实施例中，预设接近程度阈值可以根据实际需求及进行设定，比如，在图像滤波精度要求高的情况下，可对预设接近程度阈值设置的较小一些。其中，根据接近程度值和预设接近程度阈值之间的比对结果确定待处理图像中目标像素点的像素点类型，具体包括S3901-S3902。
S3901、在接近程度值大于预设接近程度阈值时，确定待处理图像中目标像素点为边界点。
在实施例中，在第一像素灰度均值和第二像素灰度均值之间的接近程度大于预设接近程度阈值时，确定待处理图像中目标像素点为边界点。
S3902、在接近程度值小于预设接近程度阈值时，确定待处理图像中目标像素点为噪声点。
在实施例中，在第一像素灰度均值和第二像素灰度均值之间的接近程度小于预设接近程度阈值时，确定待处理图像中目标像素点为噪声点。
S3100、根据像素点类型选取对应的图像处理策略，以对待处理图像中的目标像素点进行处理。
本实施例的技术方案，通过目标像素点所对应邻域的像素灰度均值和像素灰度方法确定目标像素点的类型，从而减少了图像处理的计算量。
在一实施例中，图5是本发明实施例提供的再一种图像处理方法的流程图。本实施例是在上述实施例的基础上，对根据像素点类型选取对应的图像处理策略，以对待处理图像中的目标像素点进行处理作进一步的改进。如图5所示，本实施例包括S410-S4110。
S410、在待处理图像的第一目标区域内随机选取至少两个邻域，作为第一类型邻域。
S420、确定每个第一类型邻域的像素灰度均值和像素灰度方差。
S430、确定每个第一类型邻域的像素灰度方差与像素灰度均值之间的比值，作为第二比值。
S440、根据第二比值和第一类型邻域的数量确定对应的平均比值。
S450、根据预设缩放系数和平均比值确定待处理图像的像素属性阈值。
S460、在目标像素点所属邻域的第一比值达到像素属性阈值时，分别选取目标像素点所对应的两个目标位置的邻域，作为第二类型邻域。
S470、确定每个第二类型邻域的像素灰度均值，分别作为第一像素灰度均值和第二像素灰度均值。
S480、确定第一像素灰度均值和第二像素灰度均值之间的相似度，作为接近程度。
S490、根据接近程度和预设接近程度阈值之间的比对结果确定待处理图像中目标像素点的像素点类型。
S4100、在目标像素点为噪声点时，利用插值法或余弦距离法重新估算目标像素点的像素灰度值。
在实施例中，在目标像素点为噪声点的情况下，为了提高图像质量，对目标像素点进行滤波处理，即利用插值法或余弦距离法重新估算目标像素点的像素灰度值。在一实施例中，在利用余弦距离法重新估算目标像素点的像素灰度值的情况下，包括：S41001-S41003。
S41001、在目标像素点所在邻域对应的第二目标区域内随机选取至少一个邻域，作为第三类型邻域。
其中，第二目标区域指的是与目标像素点所在邻域的图像类型相同的区域。在实施例中，为了提高图像滤波的精确度，可以利用与目标像素点所在邻域相似度较高的邻域的像素灰度值来重新估算目标像素点的像素灰度值。示例性地，假设待处理图像为一张人脸，目标像素点所在邻域对应的图像类型为额头，则第二目标区域优选为额头内除目标像素点所在邻域之外的其它区域。
在实际选取的过程中，对第三类型邻域的数量不作限定，即可以从第二目标区域内随机选取一个邻域，也可以选取多个邻域，作为第三类型邻域。
S41002、确定每个第三类型邻域与目标像素点所在邻域之间的相似度。
在实施例中，在第三类型邻域的数量超过一个的情况下，对每个第三类型邻域与目标像素点所在邻域之间的相似度进行计算。其中，可通过计算每个第三类型邻域对应矩阵与目标像素点所在邻域对应矩阵的余弦距离，来确定两者之间的相似度。两个邻域分别对应的矩阵余弦距离的计算公式如下：
Figure BDA0002856110500000141
其中，Xi,j，Yi,j分别表示两个矩阵中的元素，m，n分别表示矩阵的行数和列数。
S41003、利用相似度低于预设相似度阈值的第三类型邻域重新估算目标像素点的像素灰度值。
需要说明的是，在第三类型邻域的数量大于一个的情况下，才需要设置预设相似度阈值，即对目标像素点所在邻域和每个第三类型邻域之间的相似度进行比较，将利用低于预设相似度阈值的第三类型邻域重选估算目标像素点的像素灰度值；在第三类型邻域只有一个的情况下，可以直接利用该第三类型邻域的像素灰度值和对应相似度重新估算目标像素点的像素灰度值。其中，可以根据实际滤波要求设定预设相似度阈值，比如，滤波精度和预设相似度阈值之间可以成反比，即滤波精度越高，则预设相似度阈值设置稍低一些。其中，目标像素点的像素灰度值的重新估算公式如下：
Yi,j＝cosθ·Xi,j
其中，Yi,j为目标像素点重新估算的像素灰度值，Xi,j为选定的第三类型邻域对应矩阵中对应位置的像素灰度值。
在一实施例中，在第二目标区域内不存在与目标像素点所在邻域相似的第三类型邻域的情况下，可以利用插值法重新估算目标像素点的像素灰度值。其中，利用插值法重新估算目标像素点的像素灰度值，包括：S41004-S41005：
S41004、在目标像素点对应的第三目标区域内随机选取已知像素灰度值的四个像素点。
其中，第三目标区域指的是目标像素点所在邻域的四个方向所处的区域。比如，第三目标区域分别为目标像素点所在邻域的上下左右四个方向的区域。当然，为了能够利用插值法重新估算目标像素点的像素灰度值，在第三目标区域内所选取的像素点的像素灰度值是已知的。示例性地，图6是本发明实施例提供的一种利用插值法计算像素灰度值的原理示意图。如图6所示，假设P点为目标像素点，在P点的四个方向分别选取已知像素灰度值的四个像素点，分别为Q11(x1,f(Q11))、Q12(x1,f(Q12))、Q21(x2,f(Q21))和Q22(x2,f(Q22))。
S41005、根据已知像素灰度值的四个像素点重新估算目标像素点的像素灰度值。
在实施例中，在确定已知像素灰度值的四个像素点之后，利用四个像素点重新估算目标像素点的像素灰度值。其中，目标像素点P点的像素灰度值f(P)的计算公式如下：
Figure BDA0002856110500000161
Figure BDA0002856110500000162
Figure BDA0002856110500000163
其中，x1、x2、y1和y2为已知像素点的横坐标和纵坐标，f(Q11)、f(Q12)、f(Q21)和f(Q22)分别为四个已知像素点(Q11、Q12、Q21和Q22)的像素灰度值，f(R1)和f(R2)分别为像素点R1和R2的像素灰度值。
需要说明的是，S41001-S41003和S41004-S41005的实现过程是独立的，即两者之间并不存在先后顺序，是两个独立的并列的实现方案。
S4110、在目标像素点为边界点时，保留目标像素点的当前像素灰度值。
需要说明的是，S4100和S4110是两个独立的方案，即执行S4100的情况下，不执行S4110；同样地，在执行S4110的情况下，不执行S4100。
本实施例的技术方案，利用插值法或余弦距离法重新估算目标像素点的像素灰度值，降低了计算复杂度。
在一实施例中，图7是本发明实施例提供的一种判断目标像素点是否属于平缓变化区域的流程图。如图7所示，本实施例包括如下步骤：
S510、以目标像素点为中心建立邻域，并计算所属邻域的第一比值。
S520、判断第一比值是否小于像素属性阈值，若是，执行S530；若否，执行S540。
S530、目标像素点处于平缓变化区域，目标像素点的像素灰度值保持不变。
S540、目标像素点处于非平缓变化区域。
在实施例中，以目标像素点为中心建立邻域，并按照上述实施例中的方法计算以目标像素点为中心所建立邻域的像素灰度方差与像素灰度均值的比值，作为第一比值Xi，将第一比值Xi与像素属性阈值mA(其中，m为预设缩放系数，A为上述实施例中的平均比值)进行比较，若Xi＜mA，则认为目标像素点为一个正常的像素点，即处于平缓变化区域；若Xi≥mA，则认为目标像素点处于非平缓变化区域。本实施例的技术方案，自适应区分平缓变化区域和非平缓变化区域的像素点，进一步根据邻域像素均值法判定目标像素点的像素点类型，以区分目标像素点属于边界点或者是噪声点，对图像边缘信息损失较少。
在一实施例中，图8是本发明实施例提供的一种确定目标像素点的像素点类型的流程图。需要说明的是，在目标像素点处于非平缓变化区域的情况下，才需要执行图8中的步骤。如图8所示，本实施例包括如下步骤：
S610、获取目标像素点对应的两侧邻域。
S620、分别计算两侧邻域的像素灰度均值，记为第一像素灰度均值B和第二像素灰度均值C。
S630、判断B和C是否接近，若是，则执行S640；若否，则执行S650。
S640、目标像素点为噪声点，需重新估算像素灰度值。
S650、目标像素点为边界点，当前像素灰度值保持不变。
在实施例中，如果目标像素点处于非平缓变化区域，那么有可能是一个边界点或者噪声点。在该目标像素点左右两侧或者上下两侧分别选取邻域并计算两个邻域的像素灰度均值，记为B和C，如果B和C灰度均值相近则认为目标像素点是噪声点，需进一步估算像素灰度值；否则认为是该目标像素点是边界点，保留当前像素灰度值即可。当然，两个邻域的像素灰度均值的相近程度的阈值可以根据图像处理的实际要求确定。本实施例的技术方案，在目标像素点不是噪声点的情况下，则不需处理，否则需要进一步计算估值。因此，不需对待处理图像中所有像素点重新估值，减小了处理的计算工作量。
在一实施例中，图9是本发明实施例提供的一种重新估算目标像素点的像素灰度值的流程图。需要说明的是，在目标像素点处于非平缓变化区域，并且为噪声点的情况下，才需要执行图9中的步骤。如图9所示，本实施例包括如下步骤：
S710、在第二目标区域内随机选取至少一个邻域，作为第三类型邻域。
S720、计算第三类型邻域与目标像素点所属邻域之间的余弦距离。
S730、根据余弦距离判断目标像素点所在邻域是否存在相似的邻域，若是，则执行S740；若否，则执行S750。
S740、利用相似邻域重新估算目标像素点的像素灰度值。
S750、利用插值法重新估算目标像素点的像素灰度值。
需要说明的是，利用余弦距离法和插值法重新估算噪声点的像素灰度值的过程，可参见上述实施例中的描述，在此不再赘述。本实施例在目标像素点为噪声点的情况下，通过插值法或者余弦距离计算法得到噪声点的像素灰度值，相对于高斯或者非局域滤波而言计算复杂度得到降低。
在一实施例中，图10是本发明实施例提供的一种图像处理装置的结构示意图。如图10所示，该图像处理装置具体包括：第一确定模块810、第二确定模块820和选取处理模块830。
其中，第一确定模块810，用于确定待处理图像的像素属性阈值，像素属性阈值用于确定待处理图像中目标像素点是否属于非平缓变化区域；
第二确定模块820，用于在目标像素点所属邻域的第一比值达到像素属性阈值时，确定待处理图像中目标像素点的像素点类型；第一比值为以目标像素点为中心所建立邻域的像素灰度方差与像素灰度均值的比值；
选取处理模块830，用于根据像素点类型选取对应的图像处理策略，以对待处理图像中的目标像素点进行处理。
本发明实施例，通过对待处理图像中的目标像素点进行分类，以选取对应的图像处理策略，并按照图像处理策略对待处理图像中的目标像素点进行处理，从而无需对所有像素点重新估算，减少了图像处理的计算量，以及降低了计算复杂度。
在上述实施例的基础上，图像处理装置，还包括：
选取模块，用于在确定待处理图像的像素属性阈值之前，在待处理图像的第一目标区域内随机选取至少两个邻域，作为第一类型邻域；
第三确定模块，用于确定每个第一类型邻域的像素灰度均值和像素灰度方差。
在上述实施例的基础上，第一确定模块，具体用于根据第一类型邻域的像素灰度均值和像素灰度方差确定待处理图像的像素属性阈值。
在上述实施例的基础上，第一确定模块，包括：
第一确定单元，用于确定每个第一类型邻域的像素灰度方差与像素灰度均值之间的比值，作为第二比值；
第二确定单元，用于根据第二比值和第一类型邻域的数量确定对应的平均比值；
第三确定单元，用于根据预设缩放系数和平均比值确定待处理图像的像素属性阈值。
在上述实施例的基础上，第二确定模块，包括：
第一选取单元，用于分别选取目标像素点所对应的两个目标位置的邻域，作为第二类型邻域；
第四确定单元，用于确定每个第二类型邻域的像素灰度均值，分别作为第一像素灰度均值和第二像素灰度均值；
第五确定单元，用于确定第一像素灰度均值和第二像素灰度均值之间的相似度，作为接近程度；
第六确定单元，用于根据接近程度和预设接近程度阈值之间的比对结果确定待处理图像中目标像素点的像素点类型。
在上述实施例的基础上，第六确定单元，包括：
第一确定子单元，用于在接近程度大于预设接近程度阈值时，确定待处理图像中目标像素点为边界点；
第二确定子单元，用于在接近程度小于预设接近程度阈值时，确定待处理图像中目标像素点为噪声点。
在上述实施例的基础上，选取处理模块，包括：
估算单元，用于在目标像素点为噪声点时，利用插值法或余弦距离法重新估算目标像素点的像素灰度值；
保留单元，用于在目标像素点为边界点时，保留目标像素点的当前像素灰度值。
在上述实施例的基础上，估算单元，包括：
第一选取子单元，用于在目标像素点所在邻域对应的第二目标区域内随机选取至少一个邻域，作为第三类型邻域；
第三确定子单元，用于确定每个第三类型邻域与目标像素点所在邻域之间的相似度；
第一估算子单元，用于利用相似度低于预设相似度阈值的第三类型邻域重新估算目标像素点的像素灰度值。
在上述实施例的基础上，估算单元，包括：
第二选取子单元，用于在目标像素点对应的第三目标区域内随机选取已知像素灰度值的四个像素点；
第二估算子单元，用于根据已知像素灰度值的四个像素点重新估算目标像素点的像素灰度值。
本实施例所提供的图像处理装置可执行本发明任意实施例所提供的图像处理方法，具备执行图像处理方法相应的功能模块和有益效果。
在一实施例中，图11是本发明实施例提供的一种图像处理设备的结构示意图。如图11所示，该设备包括处理器910、存储器920、输入装置930和输出装置940；设备中处理器910的数量可以是一个或多个，图11中以一个处理器910为例；设备中的处理器910、存储器920、输入装置930和输出装置940可以通过总线或其他方式连接，图11中以通过总线连接为例。其中，图像处理设备可以为个人计算机、iPad、笔记本电脑、智能手机等终端设备。
存储器920作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的图像处理方法对应的程序模块(例如，图像处理装置中的第一确定模块810、第二确定模块820和选取处理模块830)。处理器910通过运行存储在存储器920中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的图像处理方法。
存储器920可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器920可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器920可进一步包括相对于处理器910远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置930可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置940可包括显示屏等显示设备。
本发明实施例还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种图像处理方法，该方法包括：确定待处理图像的像素属性阈值，像素属性阈值用于确定待处理图像中目标像素点是否属于非平缓变化区域；在目标像素点所属邻域的第一比值达到像素属性阈值时，确定待处理图像中目标像素点的像素点类型；第一比值为以目标像素点为中心所建立邻域的像素灰度方差与像素灰度均值的比值；根据像素点类型选取对应的图像处理策略，以对待处理图像中的目标像素点进行处理。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本发明任意实施例所提供的图像处理方法中的相关操作.
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
值得注意的是，上述模型树结构的生成装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (12)

1.一种图像处理方法，其特征在于，包括：
确定待处理图像的像素属性阈值，所述像素属性阈值用于确定所述待处理图像中目标像素点是否属于非平缓变化区域；
在所述目标像素点所属邻域的第一比值达到所述像素属性阈值时，确定待处理图像中目标像素点的像素点类型；所述第一比值为以目标像素点为中心所建立邻域的像素灰度方差与像素灰度均值的比值；
根据所述像素点类型选取对应的图像处理策略，以对所述待处理图像中的目标像素点进行处理。
2.根据权利要求1所述的方法，其特征在于，在所述确定待处理图像的像素属性阈值之前，还包括：
在待处理图像的第一目标区域内随机选取至少两个邻域，作为第一类型邻域；
确定每个第一类型邻域的像素灰度均值和像素灰度方差。
3.根据权利要求2所述的方法，其特征在于，所述确定待处理图像的像素属性阈值，包括：
根据所述第一类型邻域的像素灰度均值和所述像素灰度方差确定待处理图像的像素属性阈值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一类型邻域的像素灰度均值和所述像素灰度方差确定待处理图像的像素属性阈值，包括：
确定每个第一类型邻域的像素灰度方差与像素灰度均值之间的比值，作为第二比值；
根据所述第二比值和所述第一类型邻域的数量确定对应的平均比值；
根据预设缩放系数和所述平均比值确定待处理图像的像素属性阈值。
5.根据权利要求1或2所述的方法，其特征在于，所述确定待处理图像中目标像素点的像素点类型，包括：
分别选取目标像素点所对应的两个目标位置的邻域，作为第二类型邻域；
确定每个所述第二类型邻域的像素灰度均值，分别作为第一像素灰度均值和第二像素灰度均值；
确定所述第一像素灰度均值和所述第二像素灰度均值之间的接近程度值；
根据所述接近程度值和预设接近程度阈值之间的比对结果确定待处理图像中目标像素点的像素点类型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述接近程度值和预设接近程度阈值之间的比对结果确定待处理图像中目标像素点的像素点类型，包括：
在所述接近程度值大于预设接近程度阈值时，确定待处理图像中目标像素点为边界点；
在所述接近程度值小于预设接近程度阈值时，确定待处理图像中目标像素点为噪声点。
7.根据权利要求1或2所述的方法，其特征在于，所述根据所述像素点类型选取对应的图像处理策略，以对所述待处理图像中的目标像素点进行处理，包括：
在所述目标像素点为噪声点时，利用插值法或余弦距离法重新估算目标像素点的像素灰度值；
在所述目标像素点为边界点时，保留目标像素点的当前像素灰度值。
8.根据权利要求7所述的方法，其特征在于，所述利用余弦距离法重新估算目标像素点的像素灰度值，包括：
在所述目标像素点所在邻域对应的第二目标区域内随机选取至少一个邻域，作为第三类型邻域；
确定每个所述第三类型邻域与所述目标像素点所在邻域之间的相似度；
利用所述相似度低于预设相似度阈值的第三类型邻域重新估算目标像素点的像素灰度值。
9.根据权利要求7所述的方法，其特征在于，所述利用插值法重新估算目标像素点的像素灰度值，包括：
在所述目标像素点对应的第三目标区域内随机选取已知像素灰度值的四个像素点；
根据所述已知像素灰度值的四个像素点重新估算目标像素点的像素灰度值。
10.一种图像处理装置，其特征在于，包括：
第一确定模块，用于确定待处理图像的像素属性阈值，所述像素属性阈值用于确定所述待处理图像中目标像素点是否属于非平缓变化区域；
第二确定模块，用于在目标像素点所属邻域的第一比值达到所述像素属性阈值时，确定待处理图像中目标像素点的像素点类型；所述第一比值为以目标像素点为中心所建立邻域的像素灰度方差与像素灰度均值的比值；
选取处理模块，用于根据所述像素点类型选取对应的图像处理策略，以对所述待处理图像中的目标像素点进行处理。
11.一种图像处理设备，其特征在于，包括：存储器，以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的图像处理方法。
12.一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，该程序被处理器执行时实现如权利要求1-9中任一所述的图像处理方法。
CN202011545627.7A 2020-12-23 2020-12-23 一种图像处理方法、装置、设备和存储介质 Active CN112734654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011545627.7A CN112734654B (zh) 2020-12-23 2020-12-23 一种图像处理方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011545627.7A CN112734654B (zh) 2020-12-23 2020-12-23 一种图像处理方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN112734654A true CN112734654A (zh) 2021-04-30
CN112734654B CN112734654B (zh) 2024-02-02

Family

ID=75605095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011545627.7A Active CN112734654B (zh) 2020-12-23 2020-12-23 一种图像处理方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112734654B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592868A (zh) * 2021-09-29 2021-11-02 常州市宏发纵横新材料科技股份有限公司 一种玻纤布面黑灰检测方法
CN114255185A (zh) * 2021-12-16 2022-03-29 武汉高德智感科技有限公司 一种图像处理的方法、装置、终端及存储介质
CN115512231A (zh) * 2022-11-15 2022-12-23 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) 适用于国土空间生态修复的遥感解译方法
CN116091321A (zh) * 2023-04-11 2023-05-09 苏州浪潮智能科技有限公司 图像缩放方法、装置、设备及存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101764908A (zh) * 2008-12-08 2010-06-30 新奥特（北京）视频技术有限公司 一种有效去除灰度图像中噪点的方法
CN102663406A (zh) * 2012-04-12 2012-09-12 中国海洋大学 一种基于显微图像的角毛藻和非角毛藻自动分类方法
CN102676633A (zh) * 2012-03-08 2012-09-19 天津大学 一种菌落自动计数方法
CN102693535A (zh) * 2011-03-24 2012-09-26 深圳市蓝韵实业有限公司 一种检测dr图像中束光器区域的方法
CN106169173A (zh) * 2016-06-30 2016-11-30 北京大学 一种图像插值方法
CN106934775A (zh) * 2017-03-08 2017-07-07 中国海洋大学 一种基于低秩恢复的非局部图像去噪方法
CN107316304A (zh) * 2017-01-15 2017-11-03 四川精目科技有限公司 一种分块rbf插值冲击噪声图像修复方法
CN107357551A (zh) * 2016-05-10 2017-11-17 成都海存艾匹科技有限公司 用于实现至少两类函数的处理器
CN107615761A (zh) * 2015-05-20 2018-01-19 瑞典爱立信有限公司 像素处理和编码
CN107909596A (zh) * 2017-11-14 2018-04-13 江苏大学 一种基于Android的药片计数方法
CN109145913A (zh) * 2018-07-13 2019-01-04 江苏大学 一种非均匀背景离散相灰度图像二值化处理方法
US20190197735A1 (en) * 2017-12-25 2019-06-27 Ubtech Robotics Corp Method and apparatus for image processing, and robot using the same
CN110706262A (zh) * 2019-10-09 2020-01-17 上海思岚科技有限公司 图像处理方法、装置、设备及存储介质
CN111861938A (zh) * 2020-07-30 2020-10-30 展讯通信（上海）有限公司 图像去噪方法、装置、电子设备及可读存储介质
CN111985329A (zh) * 2020-07-16 2020-11-24 浙江工业大学 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101764908A (zh) * 2008-12-08 2010-06-30 新奥特（北京）视频技术有限公司 一种有效去除灰度图像中噪点的方法
CN102693535A (zh) * 2011-03-24 2012-09-26 深圳市蓝韵实业有限公司 一种检测dr图像中束光器区域的方法
CN102676633A (zh) * 2012-03-08 2012-09-19 天津大学 一种菌落自动计数方法
CN102663406A (zh) * 2012-04-12 2012-09-12 中国海洋大学 一种基于显微图像的角毛藻和非角毛藻自动分类方法
CN107615761A (zh) * 2015-05-20 2018-01-19 瑞典爱立信有限公司 像素处理和编码
CN107357551A (zh) * 2016-05-10 2017-11-17 成都海存艾匹科技有限公司 用于实现至少两类函数的处理器
CN106169173A (zh) * 2016-06-30 2016-11-30 北京大学 一种图像插值方法
CN107316304A (zh) * 2017-01-15 2017-11-03 四川精目科技有限公司 一种分块rbf插值冲击噪声图像修复方法
CN106934775A (zh) * 2017-03-08 2017-07-07 中国海洋大学 一种基于低秩恢复的非局部图像去噪方法
CN107909596A (zh) * 2017-11-14 2018-04-13 江苏大学 一种基于Android的药片计数方法
US20190197735A1 (en) * 2017-12-25 2019-06-27 Ubtech Robotics Corp Method and apparatus for image processing, and robot using the same
CN109145913A (zh) * 2018-07-13 2019-01-04 江苏大学 一种非均匀背景离散相灰度图像二值化处理方法
CN110706262A (zh) * 2019-10-09 2020-01-17 上海思岚科技有限公司 图像处理方法、装置、设备及存储介质
CN111985329A (zh) * 2020-07-16 2020-11-24 浙江工业大学 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法
CN111861938A (zh) * 2020-07-30 2020-10-30 展讯通信（上海）有限公司 图像去噪方法、装置、电子设备及可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SADEGH FADAEI; ABDOLREZA RASHNO: "" A Framework for Hexagonal Image Processing Using Hexagonal Pixel-Perfect Approximations in Subpixel Resolution"", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
安新军;刘太安;闫长青;: "改进区域生长的医学超声图像分割方法研究", 计算机工程与设计, no. 06 *
祝世平;夏曦;张庆荣;: "一种基于逐点阈值分割的图像边缘检测方法", 光电子.激光, no. 10 *
许尉滇;徐礼春;胡越黎;: "基于半邻域法的自适应图像边缘提取方法", 上海大学学报(自然科学版), no. 02 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592868A (zh) * 2021-09-29 2021-11-02 常州市宏发纵横新材料科技股份有限公司 一种玻纤布面黑灰检测方法
CN114255185A (zh) * 2021-12-16 2022-03-29 武汉高德智感科技有限公司 一种图像处理的方法、装置、终端及存储介质
CN114255185B (zh) * 2021-12-16 2022-11-25 武汉高德智感科技有限公司 一种图像处理的方法、装置、终端及存储介质
CN115512231A (zh) * 2022-11-15 2022-12-23 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) 适用于国土空间生态修复的遥感解译方法
CN115512231B (zh) * 2022-11-15 2023-02-28 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) 适用于国土空间生态修复的遥感解译方法
CN116091321A (zh) * 2023-04-11 2023-05-09 苏州浪潮智能科技有限公司 图像缩放方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112734654B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN112734654B (zh) 一种图像处理方法、装置、设备和存储介质
WO2022199583A1 (zh) 图像处理方法、装置、计算机设备和存储介质
JP5985622B2 (ja) オプティカルフローを決定するためのコンテンツ適応型システム、方法、及び装置
US20190266747A1 (en) Object detection method, device, system and storage medium
CN106331723B (zh) 一种基于运动区域分割的视频帧率上变换方法及系统
JP2018509678A (ja) ターゲット取得の方法及び装置
WO2021012965A1 (zh) 图像处理和移动终端视频处理方法、装置、设备和介质
CN112509003B (zh) 解决目标跟踪框漂移的方法及系统
WO2020093782A1 (en) Method, system, and computer-readable medium for improving quality of low-light images
CN113112516A (zh) 图像边缘特征库构建方法、装置、计算机设备及存储介质
WO2021068376A1 (zh) 应用于卷积神经网络的卷积处理方法、系统及相关组件
CN112150371A (zh) 图像降噪方法、装置、设备及存储介质
WO2022194079A1 (zh) 天空区域分割方法、装置、计算机设备和存储介质
CN108961268B (zh) 一种显著图计算方法及相关装置
CN113034387B (zh) 一种图像去噪方法、装置、设备及介质
CN111161177A (zh) 图像自适应降噪方法和装置
Feng et al. Low-light image enhancement by refining illumination map with self-guided filtering
CN113011433B (zh) 一种滤波参数调整方法及装置
CN113298723A (zh) 视频处理方法、装置、电子设备及计算机存储介质
CN114255326A (zh) 点云数据的处理方法、装置、电子设备和存储介质
CN114037741A (zh) 一种基于事件相机的自适应目标检测方法及装置
CN113793277A (zh) 一种图像去噪方法、装置和设备
Lee et al. Local stereo matching using motion cue and modified census in video disparity estimation
CN111815658B (zh) 一种图像识别方法及装置
CN112150532A (zh) 图像处理的方法、装置、电子设备和计算机可读介质

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
GR01 Patent grant
GR01 Patent grant