CN112991172A - 图像处理方法、装置、电子设备及存储介质 - Google Patents
图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112991172A CN112991172A CN202110252393.5A CN202110252393A CN112991172A CN 112991172 A CN112991172 A CN 112991172A CN 202110252393 A CN202110252393 A CN 202110252393A CN 112991172 A CN112991172 A CN 112991172A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- memory
- chip
- image 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 219
- 238000003672 processing method Methods 0.000 title claims abstract description 37
- 230000015654 memory Effects 0.000 claims abstract description 337
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 162
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 1
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 9
- 238000012805 post-processing Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种图像处理方法、装置、电子设备及存储介质，该图像处理方法应用于电子设备，该电子设备包括人工智能AI芯片，该图像处理方法包括：基于所述AI芯片对应的高速内存的内存大小，将待处理图像分为多块子图像，所述子图像所占内存小于所述内存大小；将每块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的子图像进行指定图像处理；对进行所述指定图像处理后的多块子图像进行合成，得到合成图像。本方法可以实现充分利用AI芯片的高速内存作为处理图像时的内存，提升图像处理速度。
Description
技术领域
本申请涉及图像处理技术领域，更具体地，涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
电子设备，例如智能手机、平板电脑等，已经成为人们日常生活中最常用的消费型电子产品之一。随着科技水平的进步，越来越多的电子设备可以实现人工智能(ArtificialIntelligence，AI)的相关应用，例如对图像的相关处理等。但是，电子设备实现AI应用时的处理效率仍有待提升。
发明内容
鉴于上述问题，本申请提出了一种图像处理方法、装置、电子设备及存储介质。
第一方面，本申请实施例提供了一种图像处理方法，应用于电子设备，所述电子设备包括人工智能AI芯片，所述方法包括：基于所述AI芯片对应的高速内存的内存大小，将待处理图像分为多块子图像，所述子图像所占内存小于所述内存大小；将每块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的子图像进行指定图像处理；对进行所述指定图像处理后的多块子图像进行合成，得到合成图像。
第二方面，本申请实施例提供了一种图像处理装置，应用于电子设备，所述电子设备包括人工智能AI芯片，所述装置包括：图像分割模块、图像写入模块以及图像合成模块，其中，所述图像分割模块用于基于所述AI芯片对应的高速内存的内存大小，将待处理图像分为多块子图像，所述子图像所占内存小于所述内存大小；所述图像写入模块用于将每块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的子图像进行指定图像处理；所述图像合成模块用于对进行所述指定图像处理后的多块子图像进行合成，得到合成图像。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储器；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行上述第一方面提供的图像处理方法。
第四方面，本申请实施例提供了一种计算机可读取存储介质，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行上述第一方面提供的图像处理方法。
本申请提供的方案，通过对待处理图像进行指定图像处理时，基于AI芯片对应的高速内存的内存大小，将待处理图像分为多块子图像，且子图像所占内存小于该高速内存的内存大小，然后将每块子图像对应的图像数据依次写入该高速内存，并基于AI芯片对该高速内存中写入的子图像进行指定图像处理，再对进行指定图像处理后的多块子图像进行合成，得到合成图像。从而可以实现在利用AI芯片对待处理图像进行指定图像处理时，通过对图像进行分割，使得在进行指定图像处理过程中能够利用高速内存作为内存，提升处理时的读写速度，从而提升图像处理效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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示出了根据本申请一个实施例的图像处理方法流程图。
图2示出了根据本申请另一个实施例的图像处理方法的一种流程图。
图3示出了根据本申请另一个实施例的图像处理方法的另一种流程图。
图4示出了根据本申请又一个实施例的图像处理方法的一种流程图。
图5示出了根据本申请又一个实施例的图像处理方法的另一种流程图。
图6示出了根据本申请再一个实施例的图像处理方法流程图。
图7示出了根据本申请一个实施例的图像处理装置的一种框图。
图8是本申请实施例的用于执行根据本申请实施例的图像处理方法的电子设备的框图。
图9是本申请实施例的用于保存或者携带实现根据本申请实施例的图像处理方法的程序代码的存储单元。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
随着电子设备的发展，电子设备的配置越来越高，使得电子设备可以实现的功能也越来越多，目前的电子设备已经能够实现一些对图像进行的AI算法处理，满足用户对所需求的图像效果。例如，在视频播放时，可以对视频图像进行超分辨率重建(superresolution,SR)，使得视频图像的分辨率提升，其中，视频超分辨率处理的方案包括基于AI神经网络的方法，基于AI的神经网络部署包含前后处理和AI推理框架部分。超分辨率重建是指将一幅低分辨率图像(low resolution,LR)或图像序列进行处理，恢复出高分辨率图像(high resolution，HR)的一种图像处理技术。HR意味着图像具有高像素密度，可以提供更多的细节，这些细节往往在应用中起到关键作用
由于AI算法需要进行的处理量较大，因此出现了于电子设备中设置专用的AI芯片，以专门用于处理人工智能应用中的大量计算任务，从而提升处理效率。但是，发明人经过长时间的研究发现，实现AI任务时，虽然可以使用AI芯片，但是由于处理图像较大，通常只能使用通用的DDR(Double Data Rate SDRAM，双倍速率同步动态随机存储器)作为处理时图像数据的读写，导致整体处理的速度不佳。
针对上述问题，发明人提出了本申请实施例提供的图像处理方法、装置、电子设备以及存储介质，可以实现在利用AI芯片对待处理图像进行指定图像处理时，通过对图像进行分割，使得在进行指定图像处理过程中能够利用高速内存作为内存，提升处理时的读写速度，从而提升图像处理效率。其中，具体的图像处理方法在后续的实施例中进行详细的说明。
请参阅图1，图1示出了本申请一个实施例提供的图像处理方法的流程示意图。在具体的实施例中，所述图像处理方法应用于如图7所示的图像处理装置400以及配置有所述图像处理装置400的电子设备100(图8)。该电子设备包括人工智能AI芯片。下面将以电子设备为例，说明本实施例的具体流程，当然，可以理解的，本实施例所应用的电子设备可以为智能手机、平板电脑、智能手表、智能眼镜、笔记本电脑等，在此不做限定。下面将针对图1所示的流程进行详细的阐述，所述图像处理方法具体可以包括以下步骤：
步骤S110：基于所述AI芯片对应的高速内存的内存大小，将待处理图像分为多块子图像，所述子图像所占内存小于所述内存大小。
电子设备在利用AI芯片对待处理图像进行图像处理时，由于通常待处理图像所占空间较大，因此在处理过程往往将图像数据存储于普通内存，例如DDR。而AI芯片往往有其专用的高速内存，例如AI芯片为数字信号处理器(Digital Signal Processor，DSP)时，有DSP的片上专用内存-静态随机存取存储器(Static Random-Access Memory，SRAM)，通常高速内存的数据传输速度(即读取和写入数据的速度)较高，相当于中央处理器的二级缓存，比DDR内存高一个数量级。但是，在利用AI芯片对待处理图像进行处理时，往往没有使用该高速内存。因此，在本申请实施例中，电子设备在利用AI芯片对待处理图像进行图像处理时，可以基于AI芯片对应的高速内存的内存大小，将待处理图像分为多块子图像，并且子图像所占内存(即存储时所占的空间大小)小于所述内存大小，从而可以使得将子图像写入至AI芯片对应的高速内存中，以在对子图像进行指定图像处理时，能够使用高速内存作为处理过程中的数据的存储。
在一些实施方式中，电子设备可以通过多种方式获取待处理图像，其获取待处理图像的方式可以不做限定。
可选的，电子设备为智能手机、平板电脑、智能手表等设置有摄像头的移动终端时，可以通过前置摄像头或者后置摄像头进行图像采集，从而获得待处理图像，例如，电子设备可以通过后置摄像头采集图像，并将获得的图像作为待处理图像。
可选的，电子设备可以从本地获取待处理图像，也就是说，电子设备可以从本地存储的文件中获取待处理图像，例如，电子设备为移动终端时，可以从相册获取待处理图像，即电子设备预先通过摄像头采集图像后存储在本地相册，或者预先从网络下载图像后存储在本地相册等，然后在需要对图像进行阴影图像时，从相册中读取待处理图像。
可选的，电子设备为移动终端或者电脑时，也可以从网络下载待处理图像，例如，电子设备可以通过无线网络、数据网络等从相应的服务器下载需求的待处理图像。
可选的，电子设备也可以通过用户在其他设备的输入操作，对输入的待处理图像进行接收，从而获得待处理图像。
在一些实施方式中，电子设备对待处理图像进行指定图像处理的场景，可以是视频播放场景中对每帧视频图像进行指定图像处理的场景。例如，视频播放时，对视频的每帧图像进行视频增强处理，以提升视频的画质。
在一些实施方式中，电子设备在获取到待处理图像之后，还可以判断待处理图像所占内存是否大于高速内存的内存大小；若待处理图像所占内存大于高速内存的内存大小，则可以基于AI芯片对应的高速内存的内存大小，将待处理图像分为多块子图像，以便可以将子图像写入高速内存，进行指定图像处理；若待处理图像所占内存小于或等于高速内存的内存大小，则可以直接将待处理图像写入至高速内存，并且后续利用AI芯片对高速内存中写入的待处理图像进行指定图像处理。
在一些实施方式中，对待处理图像进行分割时，分割后的多块子图像可以是每块子图像所占内存空间的大小相同，也可以不同。
步骤S120：将每块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的子图像进行指定图像处理。
在本申请实施例中，由于分割后的子图像所占内存小于AI芯片的高速内存的内存大小，因此子图像可以被写入至高速内存，从而在对待处理图像进行分割后，可以将每块子图像对应的图像数据依次写入高速内存，并基于AI芯片对高速内存中写入的子图像进行指定图像处理。
在一些实施方式中，在将每块子图像对应的图像数据依次写入高速内存，并基于AI芯片对高速内存中写入的子图像进行指定图像处理时，可以依据高速内存中可写入的子图像的数量，每次将该数量的子图像写入高速内存，然后对高速内存中的子图像进行指定图像处理，完成指定图像处理后的子图像从高速内存中取出；重复进行将该数量的子图像写入高速内存，然后对高速内存中的子图像进行指定图像处理，直至完成对所有子图像的指定图像处理。完成指定图像处理后的子图像可以存储于不同于高速内存的其他存储空间。
在一些实施方式中，指定图像处理包括以下任意一种或多种：超分辨率重建、对比度提升、饱和度提升、图像去噪、图像去雾以及图像去模糊。其中，超分辨率重建指将一幅低分辨率图像或图像序列进行处理，恢复出高分辨率图像的一种图像处理技术；对比度提升指对图像进行处理，以提升其对比度；饱和度提升指对图像进行处理，以提升其饱和度；图像去噪指对图像中的噪声进行去除；图像去雾指对图像进行去雾处理，以消除粒子散射对图像的影响；图像去模糊，指消除图像的模糊内容。当然，具体的指定图像处理可以不做限定，例如也还可以是视频增强处理。
步骤S130：对进行所述指定图像处理后的多块子图像进行合成，得到合成图像。
在本申请实施例中，在完成对所有子图像的指定图像处理后，则可以对指定图像处理后的多块子图像进行合成，得到合成图像。由于待处理图像中的每块区域都进行了指定图像处理，因此得到的合成图像即相当于对待处理图像进行指定图像处理后的图像。
在一些实施方式中，对于完成指定图像处理后的子图像，可以根据图像分割前各个子图像于待处理图像中的位置，对完成指定图像处理后的子图像进行合成，最终获得合成图像。
本申请实施例提供的图像处理方法，通过对待处理图像进行指定图像处理时，基于AI芯片对应的高速内存的内存大小，将待处理图像分为多块子图像，且子图像所占内存小于该高速内存的内存大小，然后将每块子图像对应的图像数据依次写入该高速内存，并基于AI芯片对该高速内存中写入的子图像进行指定图像处理，再对进行指定图像处理后的多块子图像进行合成，得到合成图像。从而可以实现在利用AI芯片对待处理图像进行指定图像处理时，通过对图像进行分割，使得待处理图像可以分为多个子图像被写入至高速内存中，从而在进行指定图像处理过程中能够利用高速内存作为内存，提升处理时的读写速度，进而提升图像处理效率。
请参阅图2，图2示出了本申请另一个实施例提供的图像处理方法的流程示意图。该图像处理方法应用于上述电子设备，下面将针对图2所示的流程进行详细的阐述，所述图像处理方法具体可以包括以下步骤：
步骤S210：基于所述AI芯片对应的高速内存的内存大小以及所述待处理图像所占内存，确定对所述待处理图像进行分割的分割数量。
在本申请实施例中，电子设备对待处理图像进行分割时，可以分割得到大小一致的子图像。其中，可以基于AI芯片对应的高速内存的内存大小，以及待处理图像所占内存(即存储时所占的空间大小)，确定待处理图像进行分割的分割数量，后续以该分割数量对待处理图像进行分割，以得到所占内存小于高速内存的内存大小的子图像。
作为一种实施方式，电子设备可以获取待处理图像所占内存与高速内存的内存大小之间的比值；若该比值为整数，则可以取该整数与1的和值作为第一数量，并将该第一数量作为分割数量，例如，比值为3，则取3+1作为第一数量，即分割数量为4；若该比值不为整数，则可以取该比值的整数部分与1的和值作为第二数量，并将该第二数量作为分割数量，例如，比值为5.5，则取5+1作为第二数量，即分割数量为6。通过该方式，可以实现对待处理图像进行平均分割，并且后续分割出的子图像所占内存小于高速内存的内存大小。
作为另一种实施方式，为避免在对待处理图像分割后的子图像进行指定图像处理时，占用的高速内存过大，因此，可以取高速内存与预设比例的乘积，该预设比例小于1；然后获取待处理图像所占内存与该乘积的比值；若该比值为整数，则可以取该整数与1的和值作为第三数量，并将该第三数量作为分割数量；若该比值不为整数，则可以取该比值的整数部分与1的和值作为第四数量，并将该第四数量作为分割数量。
在一些实施方式中，考虑到后续对子图像进行指定图像处理的过程中，可能会对子图像进行像素填充(Padding)，而使得所占内存变大，因此在对待处理图像进行分割时，还可以确定指定图像处理是否包括像素填充；若指定图像处理包括像素填充，则可以确定像素填充对应的填充像素所占内存；基于AI芯片对应的高速内存的内存大小、待处理图像所占内存以及像素填充对应的填充像素所占内存，确定对待处理图像进行分割的分割数量。
可选的，基于AI芯片对应的高速内存的内存大小、待处理图像所占内存以及像素填充对应的填充像素所占内存，确定对待处理图像进行分割的分割数量，可以包括：获取高速内存的内存大小与填充像素所占内存的差值作为第一差值；获取待处理图像所占内存与第一差值之间的比值；若该比值为整数，则可以取该整数与1的和值作为第五数量，并将该第五数量作为分割数量；若该比值不为整数，则可以取该比值的整数部分与1的和值作为第六数量，并将该第六数量作为分割数量。通过该方式，可以实现对待处理图像进行平均分割，并且后续分割出的子图像所占内存小于高速内存的内存大小，以及在对子图像进行指定图像处理过程中，也不会超过高速内存的内存大小。
可选的，基于AI芯片对应的高速内存的内存大小、待处理图像所占内存以及像素填充对应的填充像素所占内存，确定对待处理图像进行分割的分割数量，可以包括：获取高速内存与预设比例的乘积，该预设比例小于1；获取该乘积与填充像素所占内存的差值作为第二差值；获取待处理图像所占内存与第二差值之间的比值；若该比值为整数，则可以取该整数与1的和值作为第七数量，并将该第七数量作为分割数量；若该比值不为整数，则可以取该比值的整数部分与1的和值作为第八数量，并将该第八数量作为分割数量。
步骤S220：将所述待处理图像分为所述分割数量对应的多块子图像。
在本申请实施例中，在确定出以上分割数量之后，则可以将待处理图像均匀分割为该分割数量对应的多块子图像，并且获得的子图像所占内存小于高速内存的内存大小，从而后续可以进行指定图像处理时可以以高速内存作为数据存储的内存。
步骤S230：将所述指定内存中存储的每块子图像对应的图像数据依次写入所述高速内存。
在本申请实施例中，电子设备获取的待处理图像可以存储于指定内存，例如，可以存储于DDR；在对待处理图像进行分割后，分割后的子图像也存储于DDR；在对每块子图像进行指定图像处理时，可以将指定内存中的每块子图像对应的图像数据依次写入高速内存。
在一些实施方式中，可以通过DMA(直接内存访问，direc memory access)完成DDR与高速内存之间的数据传输，以在DDR和AI芯片的高速内存之间提供高性能的数据传输。
步骤S240：基于所述AI芯片对所述高速内存中每次写入的子图像进行指定图像处理后，将进行所述指定图像处理后的子图像由所述高速内存写入至所述指定内存。
在本申请实施例中，可以基于AI芯片对高速内存中每次写入的子图像进行指定图像处理后，将进行指定图像处理后的子图像由高速内存写入至指定内存。在不断的将子图像写入高速内存，再进行指定图像处理后，再将指定图像处理后的子图像由高速内存写入指定内存，从而完成对所有子图像的指定图像处理，由于在利用AI芯片对子图像进行指定图像处理时，子图像存储于高速内存，因此可以充分利用AI芯片的性能，提升了处理效率。
在一些实施方式中，对子图像进行指定图像处理可以包括：计算机视觉(CV，Computer vision)前处理、AI处理和CV后处理。请参阅图3，在对待处理图像进行分割后，将子图像从DDR写入到高速内存，然后进行CV前处理、AI处理和CV后处理，再将处理后的子图像由高速内存写入到DDR；在对所有子图像完成指定图像处理后，最后对DDR中的子图像进行合成，获得最终的合成图像。其中，CV前处理可以包括图形格式转换、图像预处理等；CV后处理可以包量化神经网络中最后的反量化操作、图像尺寸的调整等，当然，具体的CV前处理和CV后处理可以不做限定，例如，CV前处理和CV后处理还可以包括其他AI推理框架不支持的操作、或者性能比较慢的操作等。由于在进行指定图像处理的过程中，CV前处理以及CV后处理使用AI芯片进行处理，减轻了中央处理器的负载，也避免了中央处理器的调度导致的性能不稳定、卡顿的问题，同时具有较低的功耗。
步骤S250：对进行所述指定图像处理后的多块子图像进行合成，得到合成图像。
在本申请实施例中，步骤S250可以参阅前述实施例的内容，在此不再赘述。
本申请实施例提供的图像处理方法，通过对待处理图像进行指定图像处理时，基于AI芯片对应的高速内存的内存大小，以及待处理图像所占内存，确定分割数量后，根据分割数量对待处理图像均分为多块子图像，然后将每块子图像对应的图像数据依次写入该高速内存，并基于AI芯片对该高速内存中写入的子图像进行指定图像处理，再对进行指定图像处理后的多块子图像进行合成，得到合成图像。从而可以实现在利用AI芯片对待处理图像进行指定图像处理时，通过对图像进行分割，使得待处理图像可以分为多个子图像被写入至高速内存中，从而在进行指定图像处理过程中能够利用高速内存作为内存，提升处理时的读写速度，进而提升图像处理效率。
请参阅图4，图4示出了本申请又一个实施例提供的图像处理方法的流程示意图。该图像处理方法应用于上述电子设备，下面将针对图4所示的流程进行详细的阐述，所述图像处理方法具体可以包括以下步骤：
步骤S310：基于所述AI芯片对应的高速内存的内存大小，将待处理图像分为多块子图像，所述子图像所占内存小于所述内存大小。
在本申请实施例中，步骤S310可以参阅前述实施例的内容，在此不再赘述。
步骤S320：每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理。
在本申请实施例中，由于AI芯片可能具有多核心，并且在具有多核心时，各个核心都对应有高速内存，即多核之间的本地高速内存相互独立，因此在AI芯片具有多核心时，可以每次将至少两块子图像对应的图像数据写入到高速内存，并基于AI芯片对高速内存中写入的每块子图像并行进行指定图像处理。其中，至少两块子图像中每块子图像可以分别写入至不同的芯片核心对应的高速内存，并利用不同的芯片核心对其对应的高速内存中的子图像进行指定图像处理。
在一些实施方式中，可以基于AI芯片的芯片核心的数量，创建至少两个线程，其中，至少两个线程的数量与芯片核心的数量对应。例如，AI芯片的芯片核心的数量为2时，则创建2个线程；又例如，AI芯片的芯片核心的数量为4时，则创建4个线程。可以利用创建的至少两个线程，每次将至少两块子图像对应的图像数据依次写入高速内存，并基于AI芯片对高速内存中写入的每块子图像并行进行指定图像处理，其中，每个线程对应一个芯片核心。也就是说，每个线程每次将一块子图像写入到该线程对应的芯片核心所对应的高速内存，然后该线程执行对写入到高速内存的子图像的指定图像处理；每个线程都重复上述操作，最终完成对所有子图像的指定图像处理。由于创建了至少两个线程，同时对至少两个子图像进行指定图像处理，因此可以进一步提升处理效率。
可选的，创建的线程数量可以与芯片核心的数量相同，也可以小于芯片核心的数量。当创建的线程数量小于芯片核心的数量时，可以为AI芯片预留资源，以避免对待处理图像进行指定图像处理时，占用过多资源，而导致卡顿。
示例性的，请参阅图5，可以创建线程1～线程n，n的取值与芯片核心的数量对应；线程1～线程n并行将不同的子图像从DDR写入到高速内存，各个线程对子图像进行CV前处理、AI处理和CV后处理后，再从高速内存写入到DDR；在完成对所有子图像的指定图像处理后，再对DDR中的子图像进行合成，获得最终的合成图像。
步骤S330：重复所述每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理，直至对所述多块子图像中每块子图像完成所述指定图像处理。
步骤S340：对进行所述指定图像处理后的多块子图像进行合成，得到合成图像。
在本申请实施例中，步骤S340可以参阅前述实施例的内容，在此不再赘述。
本申请实施例提供的图像处理方法，在利用AI芯片对待处理图像进行指定图像处理时，通过对图像进行分割，使得待处理图像可以分为多个子图像被写入至高速内存中，从而在进行指定图像处理过程中能够利用高速内存作为内存，提升处理时的读写速度，进而提升图像处理效率。并且充分利用AI芯片的多核心的优势，并行对多个子图像进行指定图像处理，进一步提升了处理效率。
请参阅图6，图6示出了本申请再一个实施例提供的图像处理方法的流程示意图。该图像处理方法应用于上述电子设备，该电子设备包括AI芯片。下面将针对图6所示的流程进行详细的阐述，所述图像处理方法具体可以包括以下步骤：
步骤S410：基于所述AI芯片对应的高速内存的内存大小，将待处理图像分为多块子图像，所述子图像所占内存小于所述内存大小。
在本申请实施例中，步骤S410可以参阅其他实施例的内容，在此不再赘述。
步骤S420：判断所述AI芯片的剩余资源量是否大于资源阈值。
在本申请实施例中，由于电子设备在对待处理图像进行指定图像处理时，可能同时存在其他需要AI芯片进行的处理，例如AI芯片可能同时在进行对待处理图像进行识别任务，因此可能存在AI芯片的剩余资源不能满足顺畅对多块子图像并行进行指定图像处理的情况。针对该问题，在完成对待处理图像分为多块子图像之后，可以获取AI芯片的剩余资源量。剩余资源量为，AI芯片的总资源量减去运行中的程序所占用的资源后剩余的资源量。
在检测得到AI芯片的剩余资源量之后，则可以将剩余资源量与资源阈值进行比较，以根据剩余资源量与资源阈值的比较结果，针对性的对子图像进行指定图像处理。其中，资源阈值可以是表示AI芯片的剩余资源量的高低水平的临界值，当AI芯片的剩余资源量小于或等于上述资源阈值时，处理器的剩余资源较少，此时可能不能顺畅的并行进行指定图像处理的情况，当AI芯片的剩余资源量大于上述资源阈值时，AI芯片的剩余资源较多，此时可以顺畅的并行进行多块子图像的指定图像处理的情况。例如，AI芯片的剩余资源量以AI芯片的最大资源的百分比进行表示时，资源阈值可以为60％-80％，当然，以上资源阈值仅为举例，具体的资源阈值在本申请实施例中可以不作为限定，可以根据实际需求以及处理器的性能确定，也就是说，在AI芯片的性能强时，由于其剩余资源量低于一定水平时，其依然可以顺畅的并行进行多块子图像的指定图像处理，因此其对应的资源阈值，可以相对AI芯片性能弱的资源阈值低。例如，两个AI芯片的最大工作频率分别为2GHz和4GHz，如果最大工作频率为2GHz的AI芯片对应的资源阈值为20％，则最大工作频率为4GHz的AI芯片对应的资源阈值可以为30％。
步骤S430：若所述剩余资源量大于资源阈值，每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理。
步骤S440：重复所述每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理，直至对所述多块子图像中每块子图像完成所述指定图像处理。
在本申请实施例中，当比较出AI芯片的剩余资源量大于资源阈值时，由于AI芯片的剩余资源较多，此时可以顺畅的并行进行多块子图像的指定图像处理，因此，可以每次将至少两块子图像对应的图像数据依次写入高速内存，并基于AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理。重复执行步骤S430之后，对分割后的多块子图像中每块子图像完成指定图像处理时，则可以停止对子图像进行指定图像处理。
步骤S450：若所述剩余资源量小于或等于所述资源阈值，每次将单块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的子图像并行进行指定图像处理。
步骤S460：重复所述每次将单块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的子图像并行进行指定图像处理的步骤，直至对所述多块子图像中每块子图像完成所述指定图像处理。
在本申请实施例中，当比较出AI芯片的剩余资源量小于或等于资源阈值时，由于AI芯片的剩余资源较少，此时无法顺畅的并行进行多块子图像的指定图像处理，因此，可以每次将单块子图像对应的图像数据依次写入高速内存，并基于AI芯片对所述高速内存中写入的子图像进行指定图像处理。重复执行步骤S460之后，对分割后的多块子图像中每块子图像完成指定图像处理时，则可以停止对子图像进行指定图像处理。
在一些实施方式中，指定图像处理可能为视频播放场景中对视频图像进行增强处理，例如对视频图像进行曝光度增强、去噪、边缘锐化、对比度增加以及饱和度增加等优化操作。若比较出AI芯片的剩余资源量小于或等于资源阈值时，由于AI芯片的剩余资源较少，此时无法顺畅的并行进行多块子图像的指定图像处理，该情况下，可以通过减少增强处理的优化参数，从而减少指定图像处理的处理量，然后每次将至少两块子图像对应的图像数据依次写入高速内存，并基于AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理。例如，增强处理包括曝光度增强、去噪、边缘锐化、对比度增加以及饱和度增加时，可以仅进行对比度增加和饱和度增加。
步骤S470：对进行所述指定图像处理后的多块子图像进行合成，得到合成图像。
在本申请实施例中，步骤S470可以参阅前述实施例的内容，在此不再赘述。
本申请实施例提供的图像处理方法，在利用AI芯片对待处理图像进行指定图像处理时，通过对图像进行分割，使得待处理图像可以分为多个子图像被写入至高速内存中，从而在进行指定图像处理过程中能够利用高速内存作为内存，提升处理时的读写速度，进而提升图像处理效率。并且，充分利用AI芯片的多核心的优势，并行对多个子图像进行指定图像处理，进一步提升了处理效率。另外，考虑到AI芯片的剩余资源量，针对剩余资源量与资源阈值之间的比较结果，每次对单块子图像进行指定图像处理，或者每次对多块子图像并行进行指定图像处理，避免了对待处理图像进行指定图像处理时的卡顿。
请参阅图7，其示出了本申请实施例提供的一种图像处理装置400的结构框图。该图像处理装置400应用上述的电子设备，该电子设备包括人工智能AI芯片，该图像处理装置400包括：图像分割模块410、图像写入模块420以及图像合成模块430。其中，所述图像分割模块410用于基于所述AI芯片对应的高速内存的内存大小，将待处理图像分为多块子图像，所述子图像所占内存小于所述内存大小；所述图像写入模块420用于将每块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的子图像进行指定图像处理；所述图像合成模块430用于对进行所述指定图像处理后的多块子图像进行合成，得到合成图像。
在一些实施方式中，图像分割模块410可以具体用于：基于所述AI芯片对应的高速内存的内存大小以及所述待处理图像所占内存，确定对所述待处理图像进行分割的分割数量；将所述待处理图像分为所述分割数量对应的多块子图像。。
可选的，图像分割模块410基于所述AI芯片对应的高速内存的内存大小，确定分割后的子图像所占的目标内存，可以包括：若所述指定图像处理包括像素填充，确定所述像素填充对应的填充像素所占内存；基于所述AI芯片对应的高速内存的内存大小、所述待处理图像所占内存以及所述像素填充对应的填充像素所占内存，确定对所述待处理图像进行分割的分割数量，其中，以所述分割数量分割获得的子图像所占内存与所述填充像素所占内存的总和小于所述内存大小。
在一些实施方式中，图像写入模块420可以具体用于：每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理；重复所述每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理，直至对所述多块子图像中每块子图像完成所述指定图像处理。
可选的，该图像处理装置400还可以包括线程创建模块。线程创建模块用于在所述每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理之前，基于所述AI芯片的芯片核心的数量，创建至少两个线程，其中，所述至少两个线程的数量与所述芯片核心的数量对应。图像写入模块420每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理，可以包括：利用所述至少两个线程，每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理，其中，每个线程对应一个芯片核心。
可选的，图像写入模块420可以用于：判断所述AI芯片的剩余资源量是否大于资源阈值；若所述剩余资源量大于资源阈值，执行所述每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理。
可选的，图像写入模块420还可以用于：若所述剩余资源量小于或等于所述资源阈值，每次将单块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的子图像并行进行指定图像处理；重复所述每次将单块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的子图像并行进行指定图像处理的步骤，直至对所述多块子图像中每块子图像完成所述指定图像处理。
在一些实施方式中，所述多块子图像存储于指定内存，所述指定内存对应的传输速度小于所述高速内存的传输速度。图像写入模块420可以具体用于：将所述指定内存中存储的每块子图像对应的图像数据依次写入所述高速内存；基于所述AI芯片对所述高速内存中每次写入的子图像进行指定图像处理后，将进行所述指定图像处理后的子图像由所述高速内存写入至所述指定内存。
在一些实施方式中，所述指定图像处理可以包括以下任意一种或多种：超分辨率重建、对比度提升、饱和度提升、图像去噪、图像去雾以及图像去模糊。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，模块相互之间的耦合可以是电性，机械或其它形式的耦合。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
综上所述，本申请提供的方案，通过对待处理图像进行指定图像处理时，基于AI芯片对应的高速内存的内存大小，将待处理图像分为多块子图像，且子图像所占内存小于该高速内存的内存大小，然后将每块子图像对应的图像数据依次写入该高速内存，并基于AI芯片对该高速内存中写入的子图像进行指定图像处理，再对进行指定图像处理后的多块子图像进行合成，得到合成图像。从而可以实现在利用AI芯片对待处理图像进行指定图像处理时，通过对图像进行分割，使得在进行指定图像处理过程中能够利用高速内存作为内存，提升处理时的读写速度，从而提升图像处理效率。
请参考图8，其示出了本申请实施例提供的一种电子设备的结构框图。该电子设备100可以是智能手机、平板电脑、智能手表、智能眼镜、笔记本电脑等能够运行应用程序的电子设备。本申请中的电子设备100可以包括一个或多个如下部件：处理器110、存储器120以及一个或多个应用程序，其中一个或多个应用程序可以被存储在存储器120中并被配置为由一个或多个处理器110执行，一个或多个程序配置用于执行如前述方法实施例所描述的方法。
处理器110可以包括一个或者多个处理核。处理器110利用各种接口和线路连接整个电子设备100内的各个部分，通过运行或执行存储在存储器120内的指令、程序、代码集或指令集，以及调用存储在存储器120内的数据，执行电子设备100的各种功能和处理数据。可选地，处理器110可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器110可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)、AI芯片和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；AI芯片用于实现处理人工智能应用中的大量计算任务，其他非计算任务仍由CPU负责。调制解调器用于处理无线通信。可以理解的是，上述AI芯片、调制解调器也可以不集成到处理器110中，单独通过一块通信芯片进行实现。
存储器120可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。存储器120可用于存储指令、程序、代码、代码集或指令集。存储器120可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储电子设备100在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
请参考图9，其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读介质800中存储有程序代码，所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质800可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地，计算机可读存储介质800包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质800具有执行上述方法中的任何方法步骤的程序代码810的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码810可以例如以适当形式进行压缩。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (12)
1.一种图像处理方法，其特征在于，应用于电子设备，所述电子设备包括人工智能AI芯片，所述方法包括：
基于所述AI芯片对应的高速内存的内存大小，将待处理图像分为多块子图像，所述子图像所占内存小于所述内存大小；
将每块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的子图像进行指定图像处理；
对进行所述指定图像处理后的多块子图像进行合成，得到合成图像。
2.根据权利要求1所述的方法，其特征在于，所述基于所述AI芯片对应的高速内存的内存大小，将所述待处理图像分为多块子图像，包括：
基于所述AI芯片对应的高速内存的内存大小以及所述待处理图像所占内存，确定对所述待处理图像进行分割的分割数量；
将所述待处理图像分为所述分割数量对应的多块子图像。
3.根据权利要求2所述的方法，其特征在于，所述基于所述AI芯片对应的高速内存的内存大小以及所述待处理图像所占内存，确定对所述待处理图像进行分割的分割数量，包括：
若所述指定图像处理包括像素填充，确定所述像素填充对应的填充像素所占内存；
基于所述AI芯片对应的高速内存的内存大小、所述待处理图像所占内存以及所述像素填充对应的填充像素所占内存，确定对所述待处理图像进行分割的分割数量，其中，以所述分割数量分割获得的子图像所占内存与所述填充像素所占内存的总和小于所述内存大小。
4.根据权利要求1所述的方法，其特征在于，所述将每块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的子图像进行指定图像处理，包括：
每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理；
重复所述每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理，直至对所述多块子图像中每块子图像完成所述指定图像处理。
5.根据权利要求4所述的方法，其特征在于，在所述每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理之前，所述方法还包括：
基于所述AI芯片的芯片核心的数量，创建至少两个线程，其中，所述至少两个线程的数量与所述芯片核心的数量对应；
所述每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理，包括：
利用所述至少两个线程，每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理，其中，每个线程对应一个芯片核心。
6.根据权利要求4所述的方法，其特征在于，在所述每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理之前，所述方法还包括：
判断所述AI芯片的剩余资源量是否大于资源阈值；
若所述剩余资源量大于资源阈值，执行所述每次将至少两块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的每块子图像并行进行指定图像处理。
7.根据权利要求6所述的方法，其特征在于，在所述判断所述AI的剩余资源量是否大于资源阈值之后，所述方法还包括：
若所述剩余资源量小于或等于所述资源阈值，每次将单块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的子图像并行进行指定图像处理；
重复所述每次将单块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的子图像并行进行指定图像处理的步骤，直至对所述多块子图像中每块子图像完成所述指定图像处理。
8.根据权利要求1-7任一项所述的方法，其特征在于，所述多块子图像存储于指定内存，所述指定内存对应的传输速度小于所述高速内存的传输速度，所述将每块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的子图像进行指定图像处理，包括：
将所述指定内存中存储的每块子图像对应的图像数据依次写入所述高速内存；
基于所述AI芯片对所述高速内存中每次写入的子图像进行指定图像处理后，将进行所述指定图像处理后的子图像由所述高速内存写入至所述指定内存。
9.根据权利要求1-7任一项所述的方法，其特征在于，所述指定图像处理包括以下任意一种或多种：超分辨率重建、对比度提升、饱和度提升、图像去噪、图像去雾以及图像去模糊。
10.一种图像处理装置，其特征在于，应用于电子设备，所述电子设备包括人工智能AI芯片，所述装置包括：图像分割模块、图像写入模块以及图像合成模块，其中，
所述图像分割模块用于基于所述AI芯片对应的高速内存的内存大小，将待处理图像分为多块子图像，所述子图像所占内存小于所述内存大小；
所述图像写入模块用于将每块子图像对应的图像数据依次写入所述高速内存，并基于所述AI芯片对所述高速内存中写入的子图像进行指定图像处理；
所述图像合成模块用于对进行所述指定图像处理后的多块子图像进行合成，得到合成图像。
11.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行如权利要求1-9任一项所述的方法。
12.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110252393.5A CN112991172A (zh) | 2021-03-08 | 2021-03-08 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110252393.5A CN112991172A (zh) | 2021-03-08 | 2021-03-08 | 图像处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112991172A true CN112991172A (zh) | 2021-06-18 |
Family
ID=76335458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110252393.5A Pending CN112991172A (zh) | 2021-03-08 | 2021-03-08 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112991172A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117076699A (zh) * | 2023-10-13 | 2023-11-17 | 南京奥看信息科技有限公司 | 一种多图片的加速处理方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073982A (zh) * | 2011-01-10 | 2011-05-25 | 西安电子科技大学 | 用gpu实现超大sar图像各向异性扩散滤波加速方法 |
| CN107945098A (zh) * | 2017-11-24 | 2018-04-20 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| CN110264473A (zh) * | 2019-06-13 | 2019-09-20 | Oppo广东移动通信有限公司 | 基于多帧图像的图像处理方法、装置及电子设备 |
| WO2020037564A1 (zh) * | 2018-08-22 | 2020-02-27 | 深圳市大疆创新科技有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN111681165A (zh) * | 2020-06-02 | 2020-09-18 | 上海闻泰信息技术有限公司 | 图像处理方法、装置、计算机设备和计算机可读存储介质 |
-
2021
- 2021-03-08 CN CN202110252393.5A patent/CN112991172A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073982A (zh) * | 2011-01-10 | 2011-05-25 | 西安电子科技大学 | 用gpu实现超大sar图像各向异性扩散滤波加速方法 |
| CN107945098A (zh) * | 2017-11-24 | 2018-04-20 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
| WO2020037564A1 (zh) * | 2018-08-22 | 2020-02-27 | 深圳市大疆创新科技有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN110264473A (zh) * | 2019-06-13 | 2019-09-20 | Oppo广东移动通信有限公司 | 基于多帧图像的图像处理方法、装置及电子设备 |
| CN111681165A (zh) * | 2020-06-02 | 2020-09-18 | 上海闻泰信息技术有限公司 | 图像处理方法、装置、计算机设备和计算机可读存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117076699A (zh) * | 2023-10-13 | 2023-11-17 | 南京奥看信息科技有限公司 | 一种多图片的加速处理方法、装置及电子设备 |
| CN117076699B (zh) * | 2023-10-13 | 2023-12-12 | 南京奥看信息科技有限公司 | 一种多图片的加速处理方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111681167B (zh) | 画质调整方法和装置、存储介质及电子设备 | |
| EP3614316A1 (en) | Neural network model deployment method, prediction method, and apparatus | |
| US20220139017A1 (en) | Layer composition method, electronic device, and storage medium | |
| CN109151966B (zh) | 终端控制方法、装置、终端设备及存储介质 | |
| CN112529995B (zh) | 图像渲染计算方法、装置、存储介质以及终端 | |
| CN110908762B (zh) | 一种动态壁纸实现方法及设备 | |
| WO2023124428A1 (zh) | 芯片、加速卡以及电子设备、数据处理方法 | |
| CN111709879B (zh) | 图像处理方法、图像处理装置及终端设备 | |
| US20230085718A1 (en) | Neural network scheduling method and apparatus | |
| Wu et al. | Image autoregressive interpolation model using GPU-parallel optimization | |
| WO2017161542A1 (en) | Skin map-aided skin smoothing of images using a bilateral filter | |
| CN115509951A (zh) | 内存回收方法、装置、电子设备及存储介质 | |
| CN112991172A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN112991170B (zh) | 图像超分辨率重建的方法、装置、终端及存储介质 | |
| CN109688462B (zh) | 降低设备功耗的方法、装置、电子设备及存储介质 | |
| WO2024140568A1 (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
| CN112153465A (zh) | 图像加载方法及装置 | |
| CN113506305A (zh) | 三维点云数据的图像增强方法、语义分割方法及装置 | |
| CN116739901A (zh) | 一种视频超分处理方法、装置、电子设备及存储介质 | |
| CN113286174A (zh) | 视频抽帧方法、装置、电子设备、计算机可读存储介质 | |
| CN112068965A (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
| CN115861510A (zh) | 对象渲染方法、装置、电子设备、存储介质及程序产品 | |
| CN117830503A (zh) | 一种人脸建模方法、装置、存储介质及电子设备 | |
| CN112991212A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN112163985B (zh) | 图像处理方法、装置、存储介质及电子设备 |
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 |