CN112991381B - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112991381B CN112991381B CN202110276844.9A CN202110276844A CN112991381B CN 112991381 B CN112991381 B CN 112991381B CN 202110276844 A CN202110276844 A CN 202110276844A CN 112991381 B CN112991381 B CN 112991381B
- Authority
- CN
- China
- Prior art keywords
- image
- color block
- optical flow
- segmentation result
- block segmentation
- 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.)
- Active
Links
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 230000003287 optical effect Effects 0.000 claims abstract description 385
- 230000011218 segmentation Effects 0.000 claims abstract description 284
- 238000000034 method Methods 0.000 claims abstract description 64
- 239000011159 matrix material Substances 0.000 claims description 78
- 238000000605 extraction Methods 0.000 claims description 67
- 238000013507 mapping Methods 0.000 claims description 58
- 238000005457 optimization Methods 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 16
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 22
- 230000033001 locomotion Effects 0.000 description 18
- 230000004907 flux Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000003786 synthesis reaction Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质。所述方法包括：对第一图像和第二图像分别进行色块分割，得到所述第一图像对应的第一色块分割结果和所述第二图像对应的第二色块分割结果，其中，对于所述第一色块分割结果和所述第二色块分割结果中的任意一个色块，所述色块中的任意两个像素的像素值的差值的绝对值小于或等于第一预设阈值；对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果；根据所述色块匹配结果，确定所述第一图像与所述第二图像之间的第一光流。
Description
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
光流(optical flow)法是图像分析的重要方法，是利用图像序列中相邻帧之间的相关性来找到上一帧与当前帧之间存在的对应关系，从而计算出相邻帧之间目标对象的运动信息的一种方法。光流表达了图像在时域上的变化。由于光流包含了图像中的目标对象的运动信息，因此可以被观察者用来确定目标对象的运动情况。对光流的研究成为计算机视觉及有关研究领域中的一个重要部分。准确地确定图像序列中相邻帧之间的光流，在视频插帧、视频压缩等方面具有重要意义。
发明内容
本公开提供了一种图像处理技术方案。
根据本公开的一方面，提供了一种图像处理方法，包括：
对第一图像和第二图像分别进行色块分割，得到所述第一图像对应的第一色块分割结果和所述第二图像对应的第二色块分割结果，其中，对于所述第一色块分割结果和所述第二色块分割结果中的任意一个色块，所述色块中的任意两个像素的像素值的差值的绝对值小于或等于第一预设阈值；
对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果；
根据所述色块匹配结果，确定所述第一图像与所述第二图像之间的第一光流。
通过对第一图像和第二图像分别进行色块分割，得到所述第一图像对应的第一色块分割结果和所述第二图像对应的第二色块分割结果，其中，对于所述第一色块分割结果和所述第二色块分割结果中的任意一个色块，所述色块中的任意两个像素的像素值的差值的绝对值小于或等于第一预设阈值，对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果，并根据所述色块匹配结果，确定所述第一图像与所述第二图像之间的第一光流，由此能够准确地确定所述第一图像与所述第二图像之间的光流。
在一种可能的实现方式中，在所述确定所述第一图像与所述第二图像之间的第一光流之后，所述方法还包括：
根据所述第一图像对应的第一图像特征和所述第二图像对应的第二图像特征，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流。
在该实现方式中，通过在所述确定所述第一图像与所述第二图像之间的第一光流之后，根据所述第一图像对应的第一图像特征和所述第二图像对应的第二图像特征，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流，由此提高所确定的光流的准确性。对于非线性、运动幅度较大的应用场景，通过采用该实现方式，能够较大幅度地提高所确定的光流的准确性。
在一种可能的实现方式中，
所述第一图像和所述第二图像是目标视频中的相邻帧；
在所述得到所述第一图像与所述第二图像之间的第二光流之后，所述方法还包括：根据所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，以及所述第一图像与所述第二图像之间的第二光流，确定所述第一图像和所述第二图像的中间帧。
在该实现方式中，通过在所述得到所述第一图像与所述第二图像之间的第二光流之后，根据所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，以及所述第一图像与所述第二图像之间的第二光流，确定所述第一图像和所述第二图像的中间帧，由此基于较准确的第二光流，能够得到较高质量的中间帧，能够获得较平滑流畅的插帧效果。
在一种可能的实现方式中，所述对第一图像和第二图像分别进行色块分割，得到所述第一图像对应的第一色块分割结果和所述第二图像对应的第二色块分割结果，包括：
对第一图像和第二图像分别进行边缘提取，得到所述第一图像对应的第一边缘提取结果和所述第二图像对应的第二边缘提取结果；
根据所述第一边缘提取结果，对所述第一图像进行色块分割，得到所述第一图像对应的第一色块分割结果；
根据所述第二边缘提取结果，对所述第二图像进行色块分割，得到所述第二图像对应的第二色块分割结果。
在该实现方式中，通过对第一图像和第二图像分别进行边缘提取，得到所述第一图像对应的第一边缘提取结果和所述第二图像对应的第二边缘提取结果，根据所述第一边缘提取结果，对所述第一图像进行色块分割，得到所述第一图像对应的第一色块分割结果，并根据所述第二边缘提取结果，对所述第二图像进行色块分割，得到所述第二图像对应的第二色块分割结果，由此能够利用所述第一图像中的边缘信息，较准确地确定所述第一图像的色块分割结果，能够利用所述第二图像中的边缘信息，较准确地确定所述第二图像的色块分割结果。
在一种可能的实现方式中，所述对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果，包括：
对所述第一图像和所述第二图像分别进行特征提取，得到所述第一图像对应的第五图像特征和所述第二图像对应的第六图像特征；
根据所述第一色块分割结果和所述第五图像特征，得到所述第一图像对应的第一色块特征矩阵；
根据所述第二色块分割结果和所述第六图像特征，得到所述第二图像对应的第二色块特征矩阵；
根据所述第一色块特征矩阵和所述第二色块特征矩阵，对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果。
根据该实现方式，能够基于所述第一图像和所述第二图像中的色块的视觉特征进行色块匹配，能够得到准确的色块匹配结果。
在一种可能的实现方式中，
所述根据所述第一色块分割结果和所述第五图像特征，得到所述第一图像对应的第一色块特征矩阵，包括：根据所述第一色块分割结果，对所述第五图像特征进行超像素池化，得到所述第一图像对应的第一色块特征矩阵；
所述根据所述第二色块分割结果和所述第六图像特征，得到所述第二图像对应的第二色块特征矩阵，包括：根据所述第二色块分割结果，对所述第六图像特征进行超像素池化，得到所述第二图像对应的第二色块特征矩阵。
通过根据所述第一色块分割结果，对所述第五图像特征进行超像素池化，得到所述第一图像对应的第一色块特征矩阵，并根据所述第二色块分割结果，对所述第六图像特征进行超像素池化，得到所述第二图像对应的第二色块特征矩阵，由此能够得到较高精度的色块特征矩阵。
在一种可能的实现方式中，所述根据所述第一色块特征矩阵和所述第二色块特征矩阵，对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果，包括：
根据所述第一色块特征矩阵和所述第二色块特征矩阵，确定所述第一色块分割结果中的第一色块的特征与所述第二色块分割结果中的第二色块的特征之间的相似度，其中，所述第一色块为所述第一色块分割结果中的任意一个色块，所述第二色块为所述第二色块分割结果中的任意一个色块；
根据所述第一色块的特征与所述第二色块的特征之间的相似度，确定所述第一色块与所述第二色块之间的匹配度；
根据所述第一色块分割结果中的色块与所述第二色块分割结果中的色块之间的匹配度，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果。
根据该实现方式，能够利用所述第一图像的色块与所述第二图像的色块在视觉特征上的相似度准确地确定所述第一图像与所述第二图像之间的色块匹配结果。
在一种可能的实现方式中，所述根据所述第一色块的特征与所述第二色块的特征之间的相似度，确定所述第一色块与所述第二色块之间的匹配度，包括：
根据所述第一色块与所述第二色块之间的尺寸差异和位置差异中的一项或两项，以及所述第一色块的特征与所述第二色块的特征之间的相似度，确定所述第一色块与所述第二色块之间的匹配度。
在该实现方式中，通过利用尺寸差异和位置差异中的一项或两项，能够在视觉特征的基础上，调整所述第一图像的色块与所述第二图像的色块之间的匹配度，从而能够进一步提高所确定的色块匹配结果的准确性。
在一种可能的实现方式中，所述第一图像与所述第二图像之间的第一光流包括从所述第一图像至所述第二图像的第一光流和/或从所述第二图像至所述第一图像的第一光流。
在该实现方式中，通过确定双向的光流，能够提供更丰富的运动信息。
在一种可能的实现方式中，所述根据所述第一图像对应的第一图像特征和所述第二图像对应的第二图像特征，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流，包括：
根据所述第一图像与所述第二图像之间的第一光流，确定所述第一图像对应的第一图像特征与所述第二图像对应的第二图像特征之间的相关性；
根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流。
在该实现方式中，通过根据所述第一图像与所述第二图像之间的第一光流，确定所述第一图像对应的第一图像特征与所述第二图像对应的第二图像特征之间的相关性，并根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流，由此利用根据第一光流确定的第一图像特征与第二图像特征之间的相关性，来优化所述第一光流，从而能够提高优化得到的第二光流的准确性。
在一种可能的实现方式中，所述根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流，包括：
根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行多次迭代优化，得到所述第一图像与所述第二图像之间的第二光流。
在该实现方式中，通过对第一图像与第二图像之间的光流进行多次迭代优化，能够进一步提高优化得到的光流的准确性，能够更准确地确定非线性、运动幅度较大的图像之间的光流。
在一种可能的实现方式中，所述根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行多次迭代优化，得到所述第一图像与所述第二图像之间的第二光流，包括：
根据所述第一图像与所述第二图像之间的第一光流，以及所述第一图像的像素值和所述第二图像的像素值，得到所述第一光流对应的置信度图；
根据所述置信度图对所述第一光流进行加权，得到所述第一光流对应的第1次优化的待优化光流；
在第t次优化中，根据所述第t次优化的待优化光流、所述相关性以及所述第一图像特征，确定第t次优化的优化光流，并在t小于T的情况下，将第t次优化的优化光流作为第t+1次优化的待优化光流，其中，1≤t≤T，T表示预设的迭代优化次数，T大于或等于2；
将第T次优化的优化光流确定为所述第一图像与所述第二图像之间的第二光流。
在该实现方式中，基于根据第一光流、第一图像的像素值和第二图像的像素值确定的置信度图，对第一光流进行多次迭代优化，从而能够使迭代优化得到的第二光流更能够准确地反映第一图像与第二图像之间的运动信息。
在一种可能的实现方式中，所述第一图像与所述第二图像之间的第二光流包括从所述第一图像至所述第二图像的第二光流和从所述第二图像至所述第一图像的第二光流；
所述根据所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，以及所述第一图像与所述第二图像之间的第二光流，确定所述第一图像和所述第二图像的中间帧，包括：
根据从所述第一图像至所述第二图像的第二光流，确定从所述第一图像至所述中间帧的第三光流；
根据从所述第二图像至所述第一图像的第二光流，确定从所述第二图像至所述中间帧的第四光流；
根据所述第三光流和所述第四光流，以及所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，确定所述中间帧。
在该实现方式中，利用第一图像与第二图像之间的双向的第二光流，能够准确地确定从所述第一图像至所述中间帧的第三光流和从所述第二图像至所述中间帧的第四光流，基于由此确定的第三光流和第四光流，以及第三图像特征和第四图像特征，能够准确地确定第一图像和第二图像的中间帧。
在一种可能的实现方式中，
所述根据从所述第一图像至所述第二图像的第二光流，确定从所述第一图像至所述中间帧的第三光流，包括：根据从所述第一图像至所述第二图像的第二光流，以及第一参数，确定从所述第一图像至所述中间帧的第三光流，其中，所述第一参数为第一时间间隔与第二时间间隔的比值，所述第一时间间隔为所述第一图像与所述中间帧之间的时间间隔，所述第二时间间隔为所述第一图像与所述第二图像之间的时间间隔；
所述根据从所述第二图像至所述第一图像的第二光流，确定从所述第二图像至所述中间帧的第四光流，包括：根据从所述第二图像至所述第一图像的第二光流，以及所述第一参数，确定从所述第二图像至所述中间帧的第四光流。
根据该实现方式，能够准确地确定所要求的时刻对应的中间帧。根据这个例子，还能够确定第一图像与第二图像之间的多个时刻的中间帧，从而能够在第一图像与第二图像之间插多个帧，得到更平滑流畅的视频。
在一种可能的实现方式中，所述根据所述第三光流和所述第四光流，以及所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，确定所述中间帧，包括：
根据所述第三光流和所述第一图像，确定所述中间帧对应的第一前向映射结果；
根据所述第三光流和所述第三图像特征，确定所述中间帧的图像特征对应的第二前向映射结果；
根据所述第四光流和所述第二图像，确定所述中间帧对应的第三前向映射结果；
根据所述第四光流和所述第四图像特征，确定所述中间帧的图像特征对应的第四前向映射结果；
根据所述第一前向映射结果、所述第二前向映射结果、所述第三前向映射结果和所述第四前向映射结果，确定所述中间帧。
根据该实现方式，能够利用中间帧的图像的前向映射结果和图像特征的前向映射结果，准确地确定中间帧。
在一种可能的实现方式中，所述第一图像和所述第二图像为动画视频的视频帧。
由于所述图像处理方法在确定图像之间的光流的过程中对像素之间的纹理匹配的依赖度较低，因此对于缺乏纹理的动画视频中的第一图像和第二图像进行处理，能够准确地确定第一图像与第二图像之间的光流。
根据本公开的一方面，提供了一种图像处理装置，包括：
色块分割模块，用于对第一图像和第二图像分别进行色块分割，得到所述第一图像对应的第一色块分割结果和所述第二图像对应的第二色块分割结果，其中，对于所述第一色块分割结果和所述第二色块分割结果中的任意一个色块，所述色块中的任意两个像素的像素值的差值的绝对值小于或等于第一预设阈值；
匹配模块，用于对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果；
第一确定模块，用于根据所述色块匹配结果，确定所述第一图像与所述第二图像之间的第一光流。
在一种可能的实现方式中，所述装置还包括：
优化模块，用于根据所述第一图像对应的第一图像特征和所述第二图像对应的第二图像特征，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流。
在一种可能的实现方式中，
所述第一图像和所述第二图像是目标视频中的相邻帧；
所述装置还包括：第二确定模块，用于根据所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，以及所述第一图像与所述第二图像之间的第二光流，确定所述第一图像和所述第二图像的中间帧。
在一种可能的实现方式中，所述色块分割模块用于：
对第一图像和第二图像分别进行边缘提取，得到所述第一图像对应的第一边缘提取结果和所述第二图像对应的第二边缘提取结果；
根据所述第一边缘提取结果，对所述第一图像进行色块分割，得到所述第一图像对应的第一色块分割结果；
根据所述第二边缘提取结果，对所述第二图像进行色块分割，得到所述第二图像对应的第二色块分割结果。
在一种可能的实现方式中，所述匹配模块用于：
对所述第一图像和所述第二图像分别进行特征提取，得到所述第一图像对应的第五图像特征和所述第二图像对应的第六图像特征；
根据所述第一色块分割结果和所述第五图像特征，得到所述第一图像对应的第一色块特征矩阵；
根据所述第二色块分割结果和所述第六图像特征，得到所述第二图像对应的第二色块特征矩阵；
根据所述第一色块特征矩阵和所述第二色块特征矩阵，对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果。
在一种可能的实现方式中，所述匹配模块用于：
根据所述第一色块分割结果，对所述第五图像特征进行超像素池化，得到所述第一图像对应的第一色块特征矩阵；
根据所述第二色块分割结果，对所述第六图像特征进行超像素池化，得到所述第二图像对应的第二色块特征矩阵。
在一种可能的实现方式中，所述匹配模块用于：
根据所述第一色块特征矩阵和所述第二色块特征矩阵，确定所述第一色块分割结果中的第一色块的特征与所述第二色块分割结果中的第二色块的特征之间的相似度，其中，所述第一色块为所述第一色块分割结果中的任意一个色块，所述第二色块为所述第二色块分割结果中的任意一个色块；
根据所述第一色块的特征与所述第二色块的特征之间的相似度，确定所述第一色块与所述第二色块之间的匹配度；
根据所述第一色块分割结果中的色块与所述第二色块分割结果中的色块之间的匹配度，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果。
在一种可能的实现方式中，所述匹配模块用于：
根据所述第一色块与所述第二色块之间的尺寸差异和位置差异中的一项或两项，以及所述第一色块的特征与所述第二色块的特征之间的相似度，确定所述第一色块与所述第二色块之间的匹配度。
在一种可能的实现方式中，所述第一图像与所述第二图像之间的第一光流包括从所述第一图像至所述第二图像的第一光流和/或从所述第二图像至所述第一图像的第一光流。
在一种可能的实现方式中，所述优化模块用于：
根据所述第一图像与所述第二图像之间的第一光流，确定所述第一图像对应的第一图像特征与所述第二图像对应的第二图像特征之间的相关性；
根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流。
在一种可能的实现方式中，所述优化模块用于：
根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行多次迭代优化，得到所述第一图像与所述第二图像之间的第二光流。
在一种可能的实现方式中，所述优化模块用于：
根据所述第一图像与所述第二图像之间的第一光流，以及所述第一图像的像素值和所述第二图像的像素值，得到所述第一光流对应的置信度图；
根据所述置信度图对所述第一光流进行加权，得到所述第一光流对应的第1次优化的待优化光流；
在第t次优化中，根据所述第t次优化的待优化光流、所述相关性以及所述第一图像特征，确定第t次优化的优化光流，并在t小于T的情况下，将第t次优化的优化光流作为第t+1次优化的待优化光流，其中，1≤t≤T，T表示预设的迭代优化次数，T大于或等于2；
将第T次优化的优化光流确定为所述第一图像与所述第二图像之间的第二光流。
在一种可能的实现方式中，所述第一图像与所述第二图像之间的第二光流包括从所述第一图像至所述第二图像的第二光流和从所述第二图像至所述第一图像的第二光流；
所述第二确定模块用于：
根据从所述第一图像至所述第二图像的第二光流，确定从所述第一图像至所述中间帧的第三光流；
根据从所述第二图像至所述第一图像的第二光流，确定从所述第二图像至所述中间帧的第四光流；
根据所述第三光流和所述第四光流，以及所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，确定所述中间帧。
在一种可能的实现方式中，所述第二确定模块用于：
根据从所述第一图像至所述第二图像的第二光流，以及第一参数，确定从所述第一图像至所述中间帧的第三光流，其中，所述第一参数为第一时间间隔与第二时间间隔的比值，所述第一时间间隔为所述第一图像与所述中间帧之间的时间间隔，所述第二时间间隔为所述第一图像与所述第二图像之间的时间间隔；
根据从所述第二图像至所述第一图像的第二光流，以及所述第一参数，确定从所述第二图像至所述中间帧的第四光流。
在一种可能的实现方式中，所述第二确定模块用于：
根据所述第三光流和所述第一图像，确定所述中间帧对应的第一前向映射结果；
根据所述第三光流和所述第三图像特征，确定所述中间帧的图像特征对应的第二前向映射结果；
根据所述第四光流和所述第二图像，确定所述中间帧对应的第三前向映射结果；
根据所述第四光流和所述第四图像特征，确定所述中间帧的图像特征对应的第四前向映射结果；
根据所述第一前向映射结果、所述第二前向映射结果、所述第三前向映射结果和所述第四前向映射结果，确定所述中间帧。
在一种可能的实现方式中，所述第一图像和所述第二图像为动画视频的视频帧。
根据本公开的一方面，提供了一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，通过对第一图像和第二图像分别进行色块分割，得到所述第一图像对应的第一色块分割结果和所述第二图像对应的第二色块分割结果，其中，对于所述第一色块分割结果和所述第二色块分割结果中的任意一个色块，所述色块中的任意两个像素的像素值的差值的绝对值小于或等于第一预设阈值，对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果，并根据所述色块匹配结果，确定所述第一图像与所述第二图像之间的第一光流，由此能够准确地确定所述第一图像与所述第二图像之间的光流。由于本公开实施例提供的图像处理方法在确定图像之间的光流的过程中对像素之间的纹理匹配的依赖度较低，因此本公开实施例提供的图像处理方法也能够准确地确定缺少纹理的图像之间的光流。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的图像处理方法的流程图。
图2示出本公开实施例提供的一种应用场景的示意图。
图3示出本公开实施例提供的色块匹配模块的示意图。
图4示出本公开实施例提供的光流优化模块的示意图。
图5示出本公开实施例提供的图像处理装置的框图。
图6示出本公开实施例提供的一种电子设备800的框图。
图7示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
本公开实施例提供了一种图像处理方法及装置、电子设备和存储介质，通过对第一图像和第二图像分别进行色块分割，得到所述第一图像对应的第一色块分割结果和所述第二图像对应的第二色块分割结果，其中，对于所述第一色块分割结果和所述第二色块分割结果中的任意一个色块，所述色块中的任意两个像素的像素值的差值的绝对值小于或等于第一预设阈值，对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果，并根据所述色块匹配结果，确定所述第一图像与所述第二图像之间的第一光流，由此能够准确地确定所述第一图像与所述第二图像之间的光流。由于本公开实施例提供的图像处理方法在确定图像之间的光流的过程中对像素之间的纹理匹配的依赖度较低，因此本公开实施例提供的图像处理方法也能够准确地确定缺少纹理的图像之间的光流。
下面结合附图对本公开实施例提供的图像处理方法进行详细的说明。
图1示出本公开实施例提供的图像处理方法的流程图。在一种可能的实现方式中，所述图像处理方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，所述图像处理方法包括步骤S11至步骤S13。
在步骤S11中，对第一图像和第二图像分别进行色块分割，得到所述第一图像对应的第一色块分割结果和所述第二图像对应的第二色块分割结果，其中，对于所述第一色块分割结果和所述第二色块分割结果中的任意一个色块，所述色块中的任意两个像素的像素值的差值的绝对值小于或等于第一预设阈值。
在步骤S12中，对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果。
在步骤S13中，根据所述色块匹配结果，确定所述第一图像与所述第二图像之间的第一光流。
在本公开实施例中，所述第一图像和所述第二图像可以是两个相关的图像。例如，所述第一图像和所述第二图像可以是属于同一个图像序列的两个图像，又如，所述第一图像和所述第二图像可以是在邻近的时间对相同的地点或者相同的对象采集得到的两个图像。例如，所述第一图像和所述第二图像可以是目标视频中的两个视频帧。其中，所述目标视频可以是动画视频或者游戏视频，还可以是缺乏纹理的实景视频，也可以是其他任意类型的视频，在此不作限定。其中，实景视频指的是对真实世界进行视频采集得到的视频。
在一种可能的实现方式中，所述第一图像和所述第二图像为动画视频的视频帧。由于本公开实施例提供的图像处理方法在确定图像之间的光流的过程中对像素之间的纹理匹配的依赖度较低，因此对于缺乏纹理的动画视频中的第一图像和第二图像进行光流估计，能够准确地确定第一图像与第二图像之间的光流。
在本公开实施例中，第一色块分割结果可以表示第一图像的色块分割结果，第二色块分割结果可以表示第二图像的色块分割结果。例如，第一图像可以记为I0，第二图像可以记为I1，第一图像I0中像素x的像素值可以用I0(x)来表示，第二图像I1中像素x的像素值可以用I1(x)来表示。第一色块分割结果和第二色块分割结果可以采用图、矩阵、数组等数据形式来表示，在此不作限定。例如，第一色块分割结果可以是与第一图像尺寸相同的图。在第一色块分割结果中，属于不同色块的像素的标签值可以不同，属于同一色块的像素的标签值可以相同。例如，第一色块分割结果包括K0个色块，即，第一图像包括K0个色块，其中，K0≥2。在第一色块分割结果中，属于第1个色块的各个像素的标签值均为1，属于第2个色块的各个像素的标签值均为2，……，属于第K0个色块的各个像素的标签值均为K0。第二色块分割结果与第一色块分割结果类似，在此不再赘述。在一个例子中，S0(i)可以表示第一图像中的第i个色块，S1(j)可以表示第二图像中的第j个色块。
在本公开实施例中，经过色块分割得到的任意一个色块中，任意两个像素的像素值的差值的绝对值小于或等于第一预设阈值，即，同一色块中的不同像素的像素值较接近。在一种可能的实现方式中，任一色块中的不同像素具有相同的语义信息，即，同一色块中的各个像素均具有相同的语义信息。例如，色块1中的各像素的语义信息均为手臂，色块2中的各像素的语义信息均为头部，色块3中的各像素的语义信息均为帽子，色块4中的各像素的语义信息均为雨伞，等等。在另一种可能的实现方式中，同一色块中的不同像素也可以具有不同的语义信息，只要同一色块中的任意两个像素的像素值的差值的绝对值小于或等于第一预设阈值即可。在一种可能的实现方式中，所述第一色块分割结果和所述第二色块分割结果中的任意一个色块的尺寸大于或等于第二预设阈值。例如，第二预设阈值可以为50像素。在该实现方式中，可以忽略尺寸小于第二预设阈值的色块，即，第一色块分割结果和第二色块分割结果中可以不包括尺寸小于第二预设阈值的色块。在另一种可能的实现方式中，可以不对色块的尺寸进行限定。在一种可能的实现方式中，任意一个色块中的各个像素属于同一个连通域。在另一种可能的实现方式中，任意一个色块可以包括一个或多个连通域。
在一种可能的实现方式中，所述对第一图像和第二图像分别进行色块分割，得到所述第一图像对应的第一色块分割结果和所述第二图像对应的第二色块分割结果，包括：对第一图像和第二图像分别进行边缘提取，得到所述第一图像对应的第一边缘提取结果和所述第二图像对应的第二边缘提取结果；根据所述第一边缘提取结果，对所述第一图像进行色块分割，得到所述第一图像对应的第一色块分割结果；根据所述第二边缘提取结果，对所述第二图像进行色块分割，得到所述第二图像对应的第二色块分割结果。在该实现方式中，第一边缘提取结果表示第一图像的边缘提取结果，第二边缘提取结果表示第二图像的边缘提取结果。第一边缘提取结果可以包括第一图像中的边缘所在的像素的位置信息，第二边缘提取结果可以包括第二图像中的边缘所在的像素的位置信息。
作为该实现方式的一个示例，可以使用5×5的拉普拉斯高斯算子(Laplacian ofGaussian,LoG)分别对第一图像和第二图像进行边缘提取，得到所述第一图像对应的第一边缘提取结果和所述第二图像对应的第二边缘提取结果。在其他示例中，也可以采用Sobel算子、Roberts算子等对第一图像和第二图像进行边缘提取，在此不作限定。
作为该实现方式的一个示例，根据所述第一边缘提取结果，可以采用Trapped-ball算法对所述第一图像进行色块分割，得到所述第一图像对应的第一色块分割结果；根据所述第二边缘提取结果，可以采用Trapped-ball算法对所述第二图像进行色块分割，得到所述第二图像对应的第二色块分割结果。在其他示例中，还可以超像素分割的方法等方法对第一图像和第二图像进行色块分割，在此不作限定。
在该实现方式中，通过对第一图像和第二图像分别进行边缘提取，得到所述第一图像对应的第一边缘提取结果和所述第二图像对应的第二边缘提取结果，根据所述第一边缘提取结果，对所述第一图像进行色块分割，得到所述第一图像对应的第一色块分割结果，并根据所述第二边缘提取结果，对所述第二图像进行色块分割，得到所述第二图像对应的第二色块分割结果，由此能够利用所述第一图像中的边缘信息，较准确地确定所述第一图像的色块分割结果，能够利用所述第二图像中的边缘信息，较准确地确定所述第二图像的色块分割结果。
在其他可能的实现方式中，还可以不利用边缘信息，而基于像素的像素值以及像素之间的位置关系进行色块分割。
在本公开实施例中，所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果，可以表示第一图像与第二图像中相匹配的色块的信息。即，根据所述色块匹配结果，可以确定第一图像的某一色块与第二图像的哪个色块相匹配。
在一种可能的实现方式中，所述对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果，包括：对所述第一图像和所述第二图像分别进行特征提取，得到所述第一图像对应的第五图像特征和所述第二图像对应的第六图像特征；根据所述第一色块分割结果和所述第五图像特征，得到所述第一图像对应的第一色块特征矩阵；根据所述第二色块分割结果和所述第六图像特征，得到所述第二图像对应的第二色块特征矩阵；根据所述第一色块特征矩阵和所述第二色块特征矩阵，对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果。
在该实现方式中，可以采用预先训练的VGGNet对所述第一图像和所述第二图像分别进行特征提取，得到所述第一图像对应的第五图像特征和所述第二图像对应的第六图像特征。其中，所述第五图像特征和所述第六图像特征可以分别包括N级，其中，N大于或等于1。例如，所述预先训练的VGGNet可以包括19层，即，所述预先训练的VGGNet可以可以是VGG-19；将第一图像输入所述预先训练的VGGNet后，可以将relu1_2、relu2_2、relu3_4和relu4_4这四层的输出分别作为所述第一图像对应的第五图像特征，即，第五图像特征可以包括4级图像特征；将第二图像输入所述预先训练的VGGNet后，可以将relu1_2、relu2_2、relu3_4和relu4_4这四层的输出分别作为所述第二图像对应的第六图像特征，即，第六图像特征可以包括4级图像特征。其中，relu1_2输出的图像特征可以包括64个通道，relu2_2输出的图像特征可以包括128个通道，relu3_4输出的图像特征可以包括256个通道，relu4_4输出的图像特征可以包括512个通道。
例如，若第一图像I0对应的第五图像特征包括N级图像特征，第一色块分割结果S0包括K0个色块，那么，第一色块特征矩阵F0可以是K0×N的矩阵，其中，第一色块特征矩阵F0的第i行对应第一色块分割结果S0中的第i个色块的特征，即，第一图像I0中的每个色块可以包括N维特征。相应地，若第二图像I1对应的第六图像特征包括N级图像特征，第二色块分割结果S1包括K1个色块，那么，第二色块特征矩阵F1可以是K1×N的矩阵，其中，第二色块特征矩阵F1的第j行对应第二色块分割结果S1中的第j个色块的特征，即，第二图像I1中的每个色块可以包括N维特征。
在该实现方式中，通过对所述第一图像和所述第二图像分别进行特征提取，得到所述第一图像对应的第五图像特征和所述第二图像对应的第六图像特征，根据所述第一色块分割结果和所述第五图像特征，得到所述第一图像对应的第一色块特征矩阵，根据所述第二色块分割结果和所述第六图像特征，得到所述第二图像对应的第二色块特征矩阵，根据所述第一色块特征矩阵和所述第二色块特征矩阵，对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果，由此能够基于所述第一图像和所述第二图像中的色块的视觉特征进行色块匹配，从而能够得到准确的色块匹配结果。
作为该实现方式的一个示例，所述根据所述第一色块分割结果和所述第五图像特征，得到所述第一图像对应的第一色块特征矩阵，包括：根据所述第一色块分割结果，对所述第五图像特征进行超像素池化(Super-pixel pooling)，得到所述第一图像对应的第一色块特征矩阵；所述根据所述第二色块分割结果和所述第六图像特征，得到所述第二图像对应的第二色块特征矩阵，包括：根据所述第二色块分割结果，对所述第六图像特征进行超像素池化，得到所述第二图像对应的第二色块特征矩阵。在该示例中，通过根据所述第一色块分割结果，对所述第五图像特征进行超像素池化，得到所述第一图像对应的第一色块特征矩阵，并根据所述第二色块分割结果，对所述第六图像特征进行超像素池化，得到所述第二图像对应的第二色块特征矩阵，由此能够得到较高精度的色块特征矩阵。
在其他示例中，还可以采用平均池化、全连接等方式得到第一色块特征矩阵和第二色块特征矩阵，在此不作限定。
作为该实现方式的一个示例，所述根据所述第一色块特征矩阵和所述第二色块特征矩阵，对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果，包括：根据所述第一色块特征矩阵和所述第二色块特征矩阵，确定所述第一色块分割结果中的第一色块的特征与所述第二色块分割结果中的第二色块的特征之间的相似度，其中，所述第一色块为所述第一色块分割结果中的任意一个色块，所述第二色块为所述第二色块分割结果中的任意一个色块；根据所述第一色块的特征与所述第二色块的特征之间的相似度，确定所述第一色块与所述第二色块之间的匹配度；根据所述第一色块分割结果中的色块与所述第二色块分割结果中的色块之间的匹配度，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果。根据该示例，能够利用所述第一图像的色块与所述第二图像的色块在视觉特征上的相似度准确地确定所述第一图像与所述第二图像之间的色块匹配结果。
例如，第一色块分割结果S0中的第i个色块的第n个特征的正则化结果
第二色块分割结果S1的第j个色块的第n个特征的正则化结果
则色块i与色块j的特征之间的相似度A(i,j)可以采用式1确定：
在一个例子中，可以采用
记录与第一图像中的各个色块匹配的第二图像中的色块的信息，例如，
可以表示与第一图像中的色块i匹配的第二图像的色块。可以采用
记录与第二图像中的各个色块匹配的第一图像中的色块的信息，例如，
可以表示与第二图像中的色块j匹配的第一图像的色块。
在一个例子中，所述根据所述第一色块的特征与所述第二色块的特征之间的相似度，确定所述第一色块与所述第二色块之间的匹配度，包括：根据所述第一色块与所述第二色块之间的尺寸差异和位置差异中的一项或两项，以及所述第一色块的特征与所述第二色块的特征之间的相似度，确定所述第一色块与所述第二色块之间的匹配度。在这个例子中，通过利用尺寸差异和位置差异中的一项或两项，能够在视觉特征的基础上，调整所述第一图像的色块与所述第二图像的色块之间的匹配度，从而能够进一步提高所确定的色块匹配结果的准确性。在这个例子中，所述尺寸差异表示第一色块与第二色块之间的尺寸的差异。例如，所述尺寸差异可以为第一色块与第二色块之间的像素数的差值的绝对值。又如，所述尺寸差异可以为第一色块与第二色块之间的面积的差值的绝对值。所述位置差异表示第一色块与第二色块之间的位置的差异。所述位置差异可以是第一色块与第二色块之间相应的像素的坐标的差值的绝对值。例如，所述位置差异可以是第一色块与第二色块的矩形包围盒的重心的坐标的差值的绝对值。又如，所述位置差异可以是第一色块与第二色块的几何中心的坐标的差值的绝对值。在这个例子中，所述匹配度与所述尺寸差异负相关。即，所述尺寸差异越大，则所述匹配度越小；所述尺寸差异越小，则所述匹配度越大。所述匹配度与所述位置差异负相关。即，所述位置差异越大，则所述匹配度越小；所述位置差异越小，则所述匹配度越大。
在一个例子中，可以根据第一色块与第二色块之间的尺寸差异，构建第一色块与第二色块之间的尺寸惩罚项；根据第一色块与第二色块之间的位置差异，构建第一色块与第二色块之间的距离惩罚项。通过引入尺寸惩罚项和距离惩罚项，能够较准确地调整色块之间的匹配度。
例如，可以采用式2确定色块i与色块j之间的距离惩罚项Ldist(i,j)：
其中，P0(i)表示色块i的矩形包围盒的重心的坐标，P1(j)表示色块j的矩形包围盒的重心的坐标；H表示第一图像的高度，第一图像的高度等于第二图像的高度；W表示第一图像的宽度，第一图像的宽度等于第二图像的宽度。
例如，可以采用式3确定色块i与色块j之间的尺寸惩罚项Lsize(i,j)：
其中，|S0(i)|表示第一图像的色块i中的像素数，|S1(j)|表示第二图像的色块j中的像素数。
在一个例子中，可以采用式4确定色块i与色块j之间的匹配度C(i,j)：
C(i,j)＝A(i,j)-λdistLdist(i,j)-λsizeLsize(i,j) 式4，
其中，λdist表示距离惩罚项对应的系数，λsize表示尺寸惩罚项对应的系数。例如，λdist＝0.2，λsize＝0.5。当然，本领域技术人员可以根据实际应用场景需求和/或经验灵活设置λdist和λsize，在此不作限定。
在一个例子中，可以仅在第一图像与第二图像之间的位移大于预设长度的情况下，采用所述距离惩罚项，其中，所述预设长度等于第一图像的对角线长度与预设系数的乘积。例如，预设系数可以是0.15。在其他例子中，也可以不考虑第一图像与第二图像之间的位移是否大于预设长度。
在一个例子中，可以根据式5确定与第一图像中的色块i匹配的第二图像中的色块
以及与第二图像中的色块j匹配的第一图像中的色块
即，
表示第二图像中与色块i匹配度最高的色块，
表示第一图像中与色块j匹配度最高的色块。
在本公开实施例中，根据所述色块匹配结果，可以确定第一图像和第二图像中相互匹配的色块对。例如，匹配的色块对可以记为(i,j)，其中，
对于每一个匹配的色块对(i,j)，可以计算块间光流。首先，可以确定色块j的矩形包围盒的重心相对于色块i的矩形包围盒的重心的位移
接着，可以计算在像素x处的光流
其中，x∈S0(i)，u()表示在x轴方向上的位移量，v()表示在y轴方向上的位移量。然后，可以采用变分精化(Variational refinement)的方法求出
其能量函数采用式6表示：
其中，当
时，
对于非相互匹配的两个色块，可以将这两个色块之间的光流确定为0。
其中，
即，
在一个例子中，可以采用式7确定从第一图像至第二图像的第一光流：
在本公开实施例中，基于所述色块匹配结果，可以确定第一图像与第二图像之间、匹配的色块之间的光流。将匹配的色块之间的光流拼接在一起，可以得到所述第一光流。
在一种可能的实现方式中，所述第一图像与所述第二图像之间的第一光流包括从所述第一图像至所述第二图像的第一光流和/或从所述第二图像至所述第一图像的第一光流。在该实现方式中，通过确定双向的光流，能够提供更丰富的运动信息。
在一种可能的实现方式中，在所述确定所述第一图像与所述第二图像之间的第一光流之后，所述方法还包括：根据所述第一图像对应的第一图像特征和所述第二图像对应的第二图像特征，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流。在该实现方式中，可以采用深度学习等方法，对所述第一图像与所述第二图像之间的第一光流进行优化。例如，可以采用Transformer式的神经网络迭代优化所述第一图像与所述第二图像之间的光流，得到所述第二光流。作为该实现方式的一个示例，所述第一图像特征可以是残差网络(ResNet)对第一图像提取的图像特征，所述第二图像特征可以是残差网络对第二图像提取的图像特征。当然，在其他示例中，也可以通过其他特征提取网络提取第一图像对应的第一图像特征和第二图像对应的第二图像特征，在此不作限定。在该实现方式中，通过在所述确定所述第一图像与所述第二图像之间的第一光流之后，根据所述第一图像对应的第一图像特征和所述第二图像对应的第二图像特征，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流，由此提高所确定的光流的准确性。对于非线性、运动幅度较大的应用场景，通过采用该实现方式，能够较大幅度地提高所确定的光流的准确性。
作为该实现方式的一个示例，所述根据所述第一图像对应的第一图像特征和所述第二图像对应的第二图像特征，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流，包括：根据所述第一图像与所述第二图像之间的第一光流，确定所述第一图像对应的第一图像特征与所述第二图像对应的第二图像特征之间的相关性；根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流。
例如，第一图像特征可以记为
第二图像特征可以记为
可以采用式8确定第一图像特征
与第二图像特征
之间的相关性
其中，Ω(x)表示以像素x为几何中心的方形区域，p表示属于Ω(x)的像素，
表示第一图像特征
中像素p处的特征，
表示第二图像特征
中在像素
处的特征。例如，Ω(x)的尺寸可以为3×3或者5×5等。
在该示例中，通过根据所述第一图像与所述第二图像之间的第一光流，确定所述第一图像对应的第一图像特征与所述第二图像对应的第二图像特征之间的相关性，并根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流，由此利用根据第一光流确定的第一图像特征与第二图像特征之间的相关性，来优化所述第一光流，从而能够提高优化得到的第二光流的准确性。
在一个示例中，所述根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流，包括：根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行多次迭代优化，得到所述第一图像与所述第二图像之间的第二光流。在该示例中，通过对第一图像与第二图像之间的光流进行多次迭代优化，能够进一步提高优化得到的光流的准确性，能够更准确地确定非线性、运动幅度较大的图像之间的光流。
例如，从第一图像至第二图像的第一光流可以记为f0→1，从第二图像至第一图像的第一光流可以记为f1→0，从第一图像至第二图像的第二光流可以记为f′0→1，从第二图像至第一图像的第二光流可以记为f′1→0。
在一个例子中，所述根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行多次迭代优化，得到所述第一图像与所述第二图像之间的第二光流，包括：根据所述第一图像与所述第二图像之间的第一光流，以及所述第一图像的像素值和所述第二图像的像素值，得到所述第一光流对应的置信度图；根据所述置信度图对所述第一光流进行加权，得到所述第一光流对应的第1次优化的待优化光流；在第t次优化中，根据所述第t次优化的待优化光流、所述相关性以及所述第一图像特征，确定第t次优化的优化光流，并在t小于T的情况下，将第t次优化的优化光流作为第t+1次优化的待优化光流，其中，1≤t≤T，T表示预设的迭代优化次数，T大于或等于2；将第T次优化的优化光流确定为所述第一图像与所述第二图像之间的第二光流。在这个例子中，基于根据第一光流、第一图像的像素值和第二图像的像素值确定的置信度图，对第一光流进行多次迭代优化，从而能够使迭代优化得到的第二光流更能够准确地反映第一图像与第二图像之间的运动信息。
以从第一图像至第二图像的光流为例，例如，第1次优化的待优化光流可以记为
第1次优化的优化光流(即经过第1次优化得到的光流)可以记为
第t次优化的待优化光流可以记为
第t次优化的优化光流可以记为
第T次优化的优化光流(即第二光流)可以记为
即f′0→1。
例如，可以将|I1(x+f0→1(x))–I0(x)|、I0和f0→1合并(concatenate)后输入至一个预先训练的3层的卷积神经网络(Convolutional neural network,CNN)，经由该卷积神经网络输出第一光流对应的错误度g(x)，其中，g(x)的尺度可以与f0→1相同。根据第一光流对应的错误度g(x)，可以得到第一光流对应的置信度图，例如，第一光流对应的置信度图可以为
其中，第一光流对应的置信度图
包括第一光流在各个像素的置信度。第一光流对应的置信度图
可以将权重归一化至[0,1]。在一个例子中，第一光流对应的第1次优化的待优化光流
可以为可以采用式9确定：
例如，
表示第t(t>0)次优化的待优化光流，即第t-1次优化的优化光流，
表示第一图像特征，
表示第一图像特征
与第二图像特征
之间的相关性，那么，可以将
和
输入ConvGRU，得到第t次优化的光流增量
例如，可以采用式10得到第t次优化的光流增量
经过T次优化得到的第二光流可以采用式11来确定：
本公开实施例得到的第二光流或者第一光流可以用于视频插帧、视频压缩、视频编码、目标检测、目标跟踪或者对象分割等，在此不作限定。
在一种可能的实现方式中，所述第一图像和所述第二图像是目标视频中的相邻帧；在所述得到所述第一图像与所述第二图像之间的第二光流之后，所述方法还包括：根据所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，以及所述第一图像与所述第二图像之间的第二光流，确定所述第一图像和所述第二图像的中间帧。作为该实现方式的一个示例，可以采用卷积神经网络对第一图像和第二图像分别进行特征提取，得到所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征。在该实现方式中，通过在所述得到所述第一图像与所述第二图像之间的第二光流之后，根据所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，以及所述第一图像与所述第二图像之间的第二光流，确定所述第一图像和所述第二图像的中间帧，由此基于较准确的第二光流，能够得到较高质量的中间帧，能够获得较平滑流畅的插帧效果。
作为该实现方式的一个示例，所述第一图像与所述第二图像之间的第二光流包括从所述第一图像至所述第二图像的第二光流和从所述第二图像至所述第一图像的第二光流；所述根据所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，以及所述第一图像与所述第二图像之间的第二光流，确定所述第一图像和所述第二图像的中间帧，包括：根据从所述第一图像至所述第二图像的第二光流，确定从所述第一图像至所述中间帧的第三光流；根据从所述第二图像至所述第一图像的第二光流，确定从所述第二图像至所述中间帧的第四光流；根据所述第三光流和所述第四光流，以及所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，确定所述中间帧。在这个示例中，利用第一图像与第二图像之间的双向的第二光流，能够准确地确定从所述第一图像至所述中间帧的第三光流和从所述第二图像至所述中间帧的第四光流，基于由此确定的第三光流和第四光流，以及第三图像特征和第四图像特征，能够准确地确定第一图像和第二图像的中间帧。
在一个例子中，所述根据从所述第一图像至所述第二图像的第二光流，确定从所述第一图像至所述中间帧的第三光流，包括：根据从所述第一图像至所述第二图像的第二光流，以及第一参数，确定从所述第一图像至所述中间帧的第三光流，其中，所述第一参数为第一时间间隔与第二时间间隔的比值，所述第一时间间隔为所述第一图像与所述中间帧之间的时间间隔，所述第二时间间隔为所述第一图像与所述第二图像之间的时间间隔；所述根据从所述第二图像至所述第一图像的第二光流，确定从所述第二图像至所述中间帧的第四光流，包括：根据从所述第二图像至所述第一图像的第二光流，以及所述第一参数，确定从所述第二图像至所述中间帧的第四光流。根据这个例子，能够准确地确定所要求的时刻对应的中间帧。根据这个例子，还能够确定第一图像与第二图像之间的多个时刻的中间帧，从而能够在第一图像与第二图像之间插多个帧，得到更平滑流畅的视频。
例如，可以采用式12确定从所述第一图像至所述中间帧的第三光流f0→r和从所述第二图像至所述中间帧的第四光流f1→r：
其中，r表示第一参数，0＜r＜1。
在一个例子中，所述根据所述第三光流和所述第四光流，以及所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，确定所述中间帧，包括：根据所述第三光流和所述第一图像，确定所述中间帧对应的第一前向映射结果；根据所述第三光流和所述第三图像特征，确定所述中间帧的图像特征对应的第二前向映射结果；根据所述第四光流和所述第二图像，确定所述中间帧对应的第三前向映射结果；根据所述第四光流和所述第四图像特征，确定所述中间帧的图像特征对应的第四前向映射结果；根据所述第一前向映射结果、所述第二前向映射结果、所述第三前向映射结果和所述第四前向映射结果，确定所述中间帧。根据这个例子，能够利用中间帧的图像的前向映射(Forward warp)结果和图像特征的前向映射结果，准确地确定中间帧。
例如，可以采用式13，得到第一前向映射结果
第二前向映射结果
第三前向映射结果
和第四前向映射结果
其中，F0′表示第三图像特征，F1′表示第四图像特征。
在一个例子中，可以将所述第一前向映射结果、所述第二前向映射结果、所述第三前向映射结果和所述第四前向映射结果输入预先训练的融合网络，经由所述融合网络输出所述中间帧。
在一种可能的实现方式中，所述第一图像特征与所述第二图像特征是第一特征提取网络提取的图像特征，所述第三图像特征与所述第四图像特征是第二特征提取网络提取的图像特征，所述第五图像特征与所述第六图像特征是第三特征提取网络提取的图像特征。所述第一特征提取网络、所述第二特征提取网络和所述第三特征提取网络可以是不同的特征提取网络，也可以是相同的特征提取网络。
下面通过一个具体的应用场景说明本公开实施例提供的图像处理方法。
为了降低手工绘制成本，2D(2Dimensions，二维)动画制作公司经常在动画中重复同一帧若干次来达到影视作品需要的帧率。这导致了动画的实际帧率较低，从而影响了用户的观看体检。如果我们能使用视频插帧技术生成动画视频中每两帧间的中间帧，我们便可以节省制作成本、提高帧率和用户观看体验。相关技术中，大多数的视频插帧技术是基于“运动估计-运动补偿”，即光流来实现，在实景视频的插帧任务上已经取得了不错的成果。但不同于实景视频，动画视频插帧有以下两个难点：第一，动画视频中的对象(例如人物、物体)缺乏纹理，导致相关技术中的视频插帧技术所依赖的运动估计方法难以进行纹理匹配，因此难以估计出准确的光流。第二，动画视频经常使用一些夸张的运动来实现一定的艺术效果，这些运动通常是非线性的，并且运动幅度很大，这导致一般的光流估计算法难以处理这些夸张的运动。相关技术中的视频插帧方法没有专门处理动画视频插帧的难点，因此难以生成高质量、帧率满足要求的动画视频。
为了解决类似上文所述的技术问题，在该应用场景中，我们将动画视频中的相邻的两帧分别作为第一图像I0和第二图像I1，其中，第一图像I0为第二图像I1的上一帧。
图2示出本公开实施例提供的一种应用场景的示意图。如图2所示，可以采用色块匹配模块、光流优化模块和图像合成模块，完成动画视频的插帧，即，确定第一图像I0与第二图像I1的中间帧
下面分别对色块匹配模块、光流优化模块和图像合成模块进行介绍。
一、色块匹配模块
如图2所示，色块匹配模块的输入包括第一图像I0和第二图像I1，输出包括从第一图像I0至第二图像I1的第一光流f0→1以及从第二图像I1至第一图像I0的第一光流f1→0。
图3示出本公开实施例提供的色块匹配模块的示意图。
参考图3，色块匹配模块可以使用5×5的拉普拉斯高斯算子对第一图像I0进行边缘提取，得到第一图像I0对应的第一边缘提取结果；使用5×5的拉普拉斯高斯算子对第二图像I1进行边缘提取，得到第二图像I1对应的第二边缘提取结果。色块匹配模块可以根据第一边缘提取结果，采用Trapped-ball算法对第一图像I0进行色块分割，得到第一图像I0对应的第一色块分割结果S0；根据第二边缘提取结果，采用Trapped-ball算法对第二图像I1进行色块分割，得到第二图像I1对应的第二色块分割结果S1。
色块匹配模块可以通过预先训练的VGGNet对第一图像I0进行特征提取，得到第一图像I0对应的第五图像特征；通过该VGGNet对第二图像I1进行特征提取，得到第二图像I1对应的第六图像特征。
色块匹配模块可以根据第一色块分割结果S0和第五图像特征，得到第一图像对应的第一色块特征矩阵F0；根据第二色块分割结果S1和第六图像特征，得到第二图像对应的第二色块特征矩阵F1。其中，第一色块特征矩阵F0可以是K0×N的矩阵，第二色块特征矩阵F1可以是K1×N的矩阵。
色块匹配模块可以采用上文中的式4，根据第一图像I0中的色块i的特征与第二图像I1中的色块j的特征之间的相似度A(i,j)，以及第一图像I0的色块i与第二图像I1的色块j的之间的距离惩罚项Ldist(i,j)和尺寸惩罚项Lsize(i,j)，确定第一图像I0的色块i与第二图像I1的色块j之间的匹配度C(i,j)。
根据第一图像I0与第二图像I1中的各个色块之间的匹配度，可以形成第一图像I0与第二图像I1之间的匹配度矩阵。根据该匹配度矩阵，采用上文中的式5，可以确定第一图像I0与第二图像I1之间的色块匹配结果。
基于色块匹配结果，采用上文中的式6，可以确定第一图像I0与第二图像I1之间、匹配的色块之间的光流。采用上文中的式7，将匹配的色块之间的光流拼接在一起，可以得到从第一图像I0至第二图像I1的第一光流f0→1和从第二图像I1至第一图像I0的第一光流f1→0。
二、光流优化模块
如图2所示，光流优化模块的输入包括从第一图像I0至第二图像I1的第一光流f0→1、从第二图像I1至第一图像I0的第一光流f1→0、第一图像I0和第二图像I1，输出包括从第一图像I0至第二图像I1的第二光流f0′→1和从第二图像I1至第一图像I0的第二光流f1′→0。光流优化模块可以采用Transformer式的神经网络对光流进行迭代优化。
图4示出本公开实施例提供的光流优化模块的示意图。
光流优化模块可以通过特征网络(例如残差网络)对第一图像I0和第二图像I1分别进行特征提取，得到第一图像特征
和第二图像特征
光流优化模块可以根据上文中的式8，确定第一图像特征
与第二图像特征
之间的相关积
以从第一图像I0至第二图像I1的光流优化为例，光流优化模块可以将|I1(x+f0→1(x))–I0(x)|、I0和f0→1合并(concatenate)后输入至一个预先训练的3层的CNN，经由该卷积神经网络输出f0→1对应的错误度g(x)。根据g(x)，可以得到f0→1对应的置信度图
采用上文中的式9，可以基于置信度图
和f0→1，得到第1次优化的待优化光流
类似地，可以得到从第二图像I1至第一图像I0的第二光流f′1→0。
三、图像合成模块
如图2所示，图像合成模块的输入包括从第一图像I0至第二图像I1的第二光流f′0→1、从第二图像I1至第一图像I0的第二光流f′1→0、第一图像I0和第二图像I1，输出为第一图像I0与第二图像I1的中间帧
图像合成模块可以通过CNN分别对第一图像I0和第二图像I1进行特征提取，得到第一图像I0对应的第三图像特征F0′和第二图像I1对应的第四图像特征F1′。采用上文中的式12，图像合成模块可以确定从第一图像I0至中间帧
的第三光流f0→r和从第二图像I1至中间帧
的第四光流f1→r。采用上文中的式13，图像合成模块可以根据第一图像I0、第二图像I1、第三图像特征F0′和第四图像特征F1′，确定第一前向映射结果
第二前向映射结果
第三前向映射结果
和第四前向映射结果
将第一前向映射结果
第二前向映射结果
第三前向映射结果
第四前向映射结果
输入预先训练的融合网络，可以得到第一图像I0与第二图像I1的中间帧
该应用场景能够准确地估计出均匀色块的光流，并能够准确地描述夸张的运动，从而能够产生合理自然的、较高帧率的动画视频。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和技术效果可参见方法部分的相应记载，不再赘述。
图5示出本公开实施例提供的图像处理装置的框图。如图5所示，所述图像处理装置包括：
色块分割模块51，用于对第一图像和第二图像分别进行色块分割，得到所述第一图像对应的第一色块分割结果和所述第二图像对应的第二色块分割结果，其中，对于所述第一色块分割结果和所述第二色块分割结果中的任意一个色块，所述色块中的任意两个像素的像素值的差值的绝对值小于或等于第一预设阈值；
匹配模块52，用于对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果；
第一确定模块53，用于根据所述色块匹配结果，确定所述第一图像与所述第二图像之间的第一光流。
在一种可能的实现方式中，所述装置还包括：
优化模块，用于根据所述第一图像对应的第一图像特征和所述第二图像对应的第二图像特征，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流。
在一种可能的实现方式中，
所述第一图像和所述第二图像是目标视频中的相邻帧；
所述装置还包括：第二确定模块，用于根据所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，以及所述第一图像与所述第二图像之间的第二光流，确定所述第一图像和所述第二图像的中间帧。
在一种可能的实现方式中，所述色块分割模块51用于：
对第一图像和第二图像分别进行边缘提取，得到所述第一图像对应的第一边缘提取结果和所述第二图像对应的第二边缘提取结果；
根据所述第一边缘提取结果，对所述第一图像进行色块分割，得到所述第一图像对应的第一色块分割结果；
根据所述第二边缘提取结果，对所述第二图像进行色块分割，得到所述第二图像对应的第二色块分割结果。
在一种可能的实现方式中，所述匹配模块52用于：
对所述第一图像和所述第二图像分别进行特征提取，得到所述第一图像对应的第五图像特征和所述第二图像对应的第六图像特征；
根据所述第一色块分割结果和所述第五图像特征，得到所述第一图像对应的第一色块特征矩阵；
根据所述第二色块分割结果和所述第六图像特征，得到所述第二图像对应的第二色块特征矩阵；
根据所述第一色块特征矩阵和所述第二色块特征矩阵，对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果。
在一种可能的实现方式中，所述匹配模块52用于：
根据所述第一色块分割结果，对所述第五图像特征进行超像素池化，得到所述第一图像对应的第一色块特征矩阵；
根据所述第二色块分割结果，对所述第六图像特征进行超像素池化，得到所述第二图像对应的第二色块特征矩阵。
在一种可能的实现方式中，所述匹配模块52用于：
根据所述第一色块特征矩阵和所述第二色块特征矩阵，确定所述第一色块分割结果中的第一色块的特征与所述第二色块分割结果中的第二色块的特征之间的相似度，其中，所述第一色块为所述第一色块分割结果中的任意一个色块，所述第二色块为所述第二色块分割结果中的任意一个色块；
根据所述第一色块的特征与所述第二色块的特征之间的相似度，确定所述第一色块与所述第二色块之间的匹配度；
根据所述第一色块分割结果中的色块与所述第二色块分割结果中的色块之间的匹配度，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果。
在一种可能的实现方式中，所述匹配模块52用于：
根据所述第一色块与所述第二色块之间的尺寸差异和位置差异中的一项或两项，以及所述第一色块的特征与所述第二色块的特征之间的相似度，确定所述第一色块与所述第二色块之间的匹配度。
在一种可能的实现方式中，所述第一图像与所述第二图像之间的第一光流包括从所述第一图像至所述第二图像的第一光流和/或从所述第二图像至所述第一图像的第一光流。
在一种可能的实现方式中，所述优化模块用于：
根据所述第一图像与所述第二图像之间的第一光流，确定所述第一图像对应的第一图像特征与所述第二图像对应的第二图像特征之间的相关性；
根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流。
在一种可能的实现方式中，所述优化模块用于：
根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行多次迭代优化，得到所述第一图像与所述第二图像之间的第二光流。
在一种可能的实现方式中，所述优化模块用于：
根据所述第一图像与所述第二图像之间的第一光流，以及所述第一图像的像素值和所述第二图像的像素值，得到所述第一光流对应的置信度图；
根据所述置信度图对所述第一光流进行加权，得到所述第一光流对应的第1次优化的待优化光流；
在第t次优化中，根据所述第t次优化的待优化光流、所述相关性以及所述第一图像特征，确定第t次优化的优化光流，并在t小于T的情况下，将第t次优化的优化光流作为第t+1次优化的待优化光流，其中，1≤t≤T，T表示预设的迭代优化次数，T大于或等于2；
将第T次优化的优化光流确定为所述第一图像与所述第二图像之间的第二光流。
在一种可能的实现方式中，所述第一图像与所述第二图像之间的第二光流包括从所述第一图像至所述第二图像的第二光流和从所述第二图像至所述第一图像的第二光流；
所述第二确定模块用于：
根据从所述第一图像至所述第二图像的第二光流，确定从所述第一图像至所述中间帧的第三光流；
根据从所述第二图像至所述第一图像的第二光流，确定从所述第二图像至所述中间帧的第四光流；
根据所述第三光流和所述第四光流，以及所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，确定所述中间帧。
在一种可能的实现方式中，所述第二确定模块用于：
根据从所述第一图像至所述第二图像的第二光流，以及第一参数，确定从所述第一图像至所述中间帧的第三光流，其中，所述第一参数为第一时间间隔与第二时间间隔的比值，所述第一时间间隔为所述第一图像与所述中间帧之间的时间间隔，所述第二时间间隔为所述第一图像与所述第二图像之间的时间间隔；
根据从所述第二图像至所述第一图像的第二光流，以及所述第一参数，确定从所述第二图像至所述中间帧的第四光流。
在一种可能的实现方式中，所述第二确定模块用于：
根据所述第三光流和所述第一图像，确定所述中间帧对应的第一前向映射结果；
根据所述第三光流和所述第三图像特征，确定所述中间帧的图像特征对应的第二前向映射结果；
根据所述第四光流和所述第二图像，确定所述中间帧对应的第三前向映射结果；
根据所述第四光流和所述第四图像特征，确定所述中间帧的图像特征对应的第四前向映射结果；
根据所述第一前向映射结果、所述第二前向映射结果、所述第三前向映射结果和所述第四前向映射结果，确定所述中间帧。
在一种可能的实现方式中，所述第一图像和所述第二图像为动画视频的视频帧。
在本公开实施例中，通过对第一图像和第二图像分别进行色块分割，得到所述第一图像对应的第一色块分割结果和所述第二图像对应的第二色块分割结果，其中，对于所述第一色块分割结果和所述第二色块分割结果中的任意一个色块，所述色块中的任意两个像素的像素值的差值的绝对值小于或等于第一预设阈值，对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果，并根据所述色块匹配结果，确定所述第一图像与所述第二图像之间的第一光流，由此能够准确地确定所述第一图像与所述第二图像之间的光流。由于本公开实施例提供的图像处理装置对像素之间的纹理匹配的依赖度较低，因此本公开实施例提供的图像处理装置也能够准确地确定缺少纹理的图像之间的光流。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现和技术效果可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。其中，所述计算机可读存储介质可以是非易失性计算机可读存储介质，或者可以是易失性计算机可读存储介质。
本公开实施例还提出一种计算机程序，包括计算机可读代码，当所述计算机可读代码在电子设备中运行时，所述电子设备中的处理器执行用于实现上述方法。
本公开实施例还提供了一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像处理方法的操作。
本公开实施例还提供一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出本公开实施例提供的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(Wi-Fi)、第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通信技术(4G)/通用移动通信技术的长期演进(LTE)、第五代移动通信技术(5G)或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出本公开实施例提供的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (17)
1.一种图像处理方法，其特征在于，包括：
对第一图像和第二图像分别进行色块分割，得到所述第一图像对应的第一色块分割结果和所述第二图像对应的第二色块分割结果，其中，对于所述第一色块分割结果和所述第二色块分割结果中的任意一个色块，所述色块中的任意两个像素的像素值的差值的绝对值小于或等于第一预设阈值；
对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果；
根据所述色块匹配结果，确定所述第一图像与所述第二图像之间的第一光流；
根据所述第一图像与所述第二图像之间的第一光流，确定所述第一图像对应的第一图像特征与所述第二图像对应的第二图像特征之间的相关性；
根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流。
2.根据权利要求1所述的方法，其特征在于，
所述第一图像和所述第二图像是目标视频中的相邻帧；
在所述得到所述第一图像与所述第二图像之间的第二光流之后，所述方法还包括：根据所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，以及所述第一图像与所述第二图像之间的第二光流，确定所述第一图像和所述第二图像的中间帧。
3.根据权利要求1或2所述的方法，其特征在于，所述对第一图像和第二图像分别进行色块分割，得到所述第一图像对应的第一色块分割结果和所述第二图像对应的第二色块分割结果，包括：
对第一图像和第二图像分别进行边缘提取，得到所述第一图像对应的第一边缘提取结果和所述第二图像对应的第二边缘提取结果；
根据所述第一边缘提取结果，对所述第一图像进行色块分割，得到所述第一图像对应的第一色块分割结果；
根据所述第二边缘提取结果，对所述第二图像进行色块分割，得到所述第二图像对应的第二色块分割结果。
4.根据权利要求1或2所述的方法，其特征在于，所述对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果，包括：
对所述第一图像和所述第二图像分别进行特征提取，得到所述第一图像对应的第五图像特征和所述第二图像对应的第六图像特征；
根据所述第一色块分割结果和所述第五图像特征，得到所述第一图像对应的第一色块特征矩阵；
根据所述第二色块分割结果和所述第六图像特征，得到所述第二图像对应的第二色块特征矩阵；
根据所述第一色块特征矩阵和所述第二色块特征矩阵，对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果。
5.根据权利要求4所述的方法，其特征在于，
所述根据所述第一色块分割结果和所述第五图像特征，得到所述第一图像对应的第一色块特征矩阵，包括：根据所述第一色块分割结果，对所述第五图像特征进行超像素池化，得到所述第一图像对应的第一色块特征矩阵；
所述根据所述第二色块分割结果和所述第六图像特征，得到所述第二图像对应的第二色块特征矩阵，包括：根据所述第二色块分割结果，对所述第六图像特征进行超像素池化，得到所述第二图像对应的第二色块特征矩阵。
6.根据权利要求4所述的方法，其特征在于，所述根据所述第一色块特征矩阵和所述第二色块特征矩阵，对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果，包括：
根据所述第一色块特征矩阵和所述第二色块特征矩阵，确定所述第一色块分割结果中的第一色块的特征与所述第二色块分割结果中的第二色块的特征之间的相似度，其中，所述第一色块为所述第一色块分割结果中的任意一个色块，所述第二色块为所述第二色块分割结果中的任意一个色块；
根据所述第一色块的特征与所述第二色块的特征之间的相似度，确定所述第一色块与所述第二色块之间的匹配度；
根据所述第一色块分割结果中的色块与所述第二色块分割结果中的色块之间的匹配度，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第一色块的特征与所述第二色块的特征之间的相似度，确定所述第一色块与所述第二色块之间的匹配度，包括：
根据所述第一色块与所述第二色块之间的尺寸差异和位置差异中的一项或两项，以及所述第一色块的特征与所述第二色块的特征之间的相似度，确定所述第一色块与所述第二色块之间的匹配度。
8.根据权利要求1或2所述的方法，其特征在于，所述第一图像与所述第二图像之间的第一光流包括从所述第一图像至所述第二图像的第一光流和/或从所述第二图像至所述第一图像的第一光流。
9.根据权利要求1或2所述的方法，其特征在于，所述根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流，包括：
根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行多次迭代优化，得到所述第一图像与所述第二图像之间的第二光流。
10.根据权利要求9所述的方法，其特征在于，所述根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行多次迭代优化，得到所述第一图像与所述第二图像之间的第二光流，包括：
根据所述第一图像与所述第二图像之间的第一光流，以及所述第一图像的像素值和所述第二图像的像素值，得到所述第一光流对应的置信度图；
根据所述置信度图对所述第一光流进行加权，得到所述第一光流对应的第1次优化的待优化光流；
在第t次优化中，根据所述第t次优化的待优化光流、所述相关性以及所述第一图像特征，确定第t次优化的优化光流，并在t小于T的情况下，将第t次优化的优化光流作为第t+1次优化的待优化光流，其中，1≤t≤T，T表示预设的迭代优化次数，T大于或等于2；
将第T次优化的优化光流确定为所述第一图像与所述第二图像之间的第二光流。
11.根据权利要求2所述的方法，其特征在于，所述第一图像与所述第二图像之间的第二光流包括从所述第一图像至所述第二图像的第二光流和从所述第二图像至所述第一图像的第二光流；
所述根据所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，以及所述第一图像与所述第二图像之间的第二光流，确定所述第一图像和所述第二图像的中间帧，包括：
根据从所述第一图像至所述第二图像的第二光流，确定从所述第一图像至所述中间帧的第三光流；
根据从所述第二图像至所述第一图像的第二光流，确定从所述第二图像至所述中间帧的第四光流；
根据所述第三光流和所述第四光流，以及所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，确定所述中间帧。
12.根据权利要求11所述的方法，其特征在于，
所述根据从所述第一图像至所述第二图像的第二光流，确定从所述第一图像至所述中间帧的第三光流，包括：根据从所述第一图像至所述第二图像的第二光流，以及第一参数，确定从所述第一图像至所述中间帧的第三光流，其中，所述第一参数为第一时间间隔与第二时间间隔的比值，所述第一时间间隔为所述第一图像与所述中间帧之间的时间间隔，所述第二时间间隔为所述第一图像与所述第二图像之间的时间间隔；
所述根据从所述第二图像至所述第一图像的第二光流，确定从所述第二图像至所述中间帧的第四光流，包括：根据从所述第二图像至所述第一图像的第二光流，以及所述第一参数，确定从所述第二图像至所述中间帧的第四光流。
13.根据权利要求11或12所述的方法，其特征在于，所述根据所述第三光流和所述第四光流，以及所述第一图像对应的第三图像特征和所述第二图像对应的第四图像特征，确定所述中间帧，包括：
根据所述第三光流和所述第一图像，确定所述中间帧对应的第一前向映射结果；
根据所述第三光流和所述第三图像特征，确定所述中间帧的图像特征对应的第二前向映射结果；
根据所述第四光流和所述第二图像，确定所述中间帧对应的第三前向映射结果；
根据所述第四光流和所述第四图像特征，确定所述中间帧的图像特征对应的第四前向映射结果；
根据所述第一前向映射结果、所述第二前向映射结果、所述第三前向映射结果和所述第四前向映射结果，确定所述中间帧。
14.根据权利要求1或2所述的方法，其特征在于，所述第一图像和所述第二图像为动画视频的视频帧。
15.一种图像处理装置，其特征在于，包括：
色块分割模块，用于对第一图像和第二图像分别进行色块分割，得到所述第一图像对应的第一色块分割结果和所述第二图像对应的第二色块分割结果，其中，对于所述第一色块分割结果和所述第二色块分割结果中的任意一个色块，所述色块中的任意两个像素的像素值的差值的绝对值小于或等于第一预设阈值；
匹配模块，用于对所述第一色块分割结果中的色块与所述第二色块分割结果中的色块进行匹配，得到所述第一色块分割结果与所述第二色块分割结果之间的色块匹配结果；
第一确定模块，用于根据所述色块匹配结果，确定所述第一图像与所述第二图像之间的第一光流；
优化模块，用于根据所述第一图像与所述第二图像之间的第一光流，确定所述第一图像对应的第一图像特征与所述第二图像对应的第二图像特征之间的相关性，根据所述相关性，对所述第一图像与所述第二图像之间的第一光流进行优化，得到所述第一图像与所述第二图像之间的第二光流。
16.一种电子设备，其特征在于，包括：
一个或多个处理器；
用于存储可执行指令的存储器；
其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行权利要求1至14中任意一项所述的方法。
17.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至14中任意一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110276844.9A CN112991381B (zh) | 2021-03-15 | 2021-03-15 | 图像处理方法及装置、电子设备和存储介质 |
| PCT/CN2021/106895 WO2022193507A1 (zh) | 2021-03-15 | 2021-07-16 | 图像处理方法及装置、设备、存储介质、程序和程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110276844.9A CN112991381B (zh) | 2021-03-15 | 2021-03-15 | 图像处理方法及装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112991381A CN112991381A (zh) | 2021-06-18 |
| CN112991381B true CN112991381B (zh) | 2022-08-02 |
Family
ID=76336476
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110276844.9A Active CN112991381B (zh) | 2021-03-15 | 2021-03-15 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112991381B (zh) |
| WO (1) | WO2022193507A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991381B (zh) * | 2021-03-15 | 2022-08-02 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN114943736B (zh) * | 2022-07-21 | 2022-10-25 | 山东嘉翔汽车散热器有限公司 | 一种汽车散热翅片生产质量检测方法及系统 |
| CN116758045B (zh) * | 2023-07-05 | 2024-01-23 | 日照鲁光电子科技有限公司 | 一种半导体发光二极管的表面缺陷检测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087347A (zh) * | 2018-08-15 | 2018-12-25 | 杭州光珀智能科技有限公司 | 一种图像处理方法及装置 |
| CN109584353A (zh) * | 2018-10-22 | 2019-04-05 | 北京航空航天大学 | 一种基于单目视频重建三维人脸表情模型的方法 |
| CN109741387A (zh) * | 2018-12-29 | 2019-05-10 | 北京旷视科技有限公司 | 立体匹配方法、装置、电子设备及存储介质 |
| CN110335216A (zh) * | 2019-07-09 | 2019-10-15 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、终端设备及可读存储介质 |
| CN110827323A (zh) * | 2019-10-31 | 2020-02-21 | 博雅工道（北京）机器人科技有限公司 | 一种用于水下装置定点悬停的方法和装置 |
| WO2020262012A1 (ja) * | 2019-06-24 | 2020-12-30 | Kddi株式会社 | 画像復号装置、画像復号方法及びプログラム |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7447337B2 (en) * | 2004-10-25 | 2008-11-04 | Hewlett-Packard Development Company, L.P. | Video content understanding through real time video motion analysis |
| CN101765022B (zh) * | 2010-01-22 | 2011-08-24 | 浙江大学 | 一种基于光流与图像分割的深度表示方法 |
| CN102509071B (zh) * | 2011-10-14 | 2016-04-13 | 江南大学 | 光流计算系统和方法 |
| CN106097353B (zh) * | 2016-06-15 | 2018-06-22 | 北京市商汤科技开发有限公司 | 基于多层次局部区域融合的物体分割方法及装置、计算设备 |
| CN108509834B (zh) * | 2018-01-18 | 2022-05-31 | 杭州电子科技大学 | 基于多元对数高斯分布下视频特征的图结构规约方法 |
| CN109433641B (zh) * | 2018-09-30 | 2021-03-16 | 南通大学 | 基于机器视觉的片剂胶囊灌装遗漏智能检测方法 |
| CN111862152B (zh) * | 2020-06-30 | 2024-04-05 | 西安工程大学 | 一种基于帧间差分与超像素分割的动目标检测方法 |
| CN112991381B (zh) * | 2021-03-15 | 2022-08-02 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
-
2021
- 2021-03-15 CN CN202110276844.9A patent/CN112991381B/zh active Active
- 2021-07-16 WO PCT/CN2021/106895 patent/WO2022193507A1/zh unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087347A (zh) * | 2018-08-15 | 2018-12-25 | 杭州光珀智能科技有限公司 | 一种图像处理方法及装置 |
| CN109584353A (zh) * | 2018-10-22 | 2019-04-05 | 北京航空航天大学 | 一种基于单目视频重建三维人脸表情模型的方法 |
| CN109741387A (zh) * | 2018-12-29 | 2019-05-10 | 北京旷视科技有限公司 | 立体匹配方法、装置、电子设备及存储介质 |
| WO2020262012A1 (ja) * | 2019-06-24 | 2020-12-30 | Kddi株式会社 | 画像復号装置、画像復号方法及びプログラム |
| CN110335216A (zh) * | 2019-07-09 | 2019-10-15 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、终端设备及可读存储介质 |
| CN110827323A (zh) * | 2019-10-31 | 2020-02-21 | 博雅工道（北京）机器人科技有限公司 | 一种用于水下装置定点悬停的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112991381A (zh) | 2021-06-18 |
| WO2022193507A1 (zh) | 2022-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084775B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN112991381B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN109977847B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
| CN111783986B (zh) | 网络训练方法及装置、姿态预测方法及装置 | |
| CN109889724B (zh) | 图像虚化方法、装置、电子设备及可读存储介质 | |
| CN111540000B (zh) | 场景深度和相机运动预测方法及装置、电子设备和介质 | |
| CN109584362B (zh) | 三维模型构建方法及装置、电子设备和存储介质 | |
| CN112001321A (zh) | 网络训练、行人重识别方法及装置、电子设备和存储介质 | |
| CN109840917B (zh) | 图像处理方法及装置、网络训练方法及装置 | |
| CN112991553B (zh) | 信息展示方法及装置、电子设备和存储介质 | |
| CN111401230B (zh) | 姿态估计方法及装置、电子设备和存储介质 | |
| CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
| CN109325908B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN114445562A (zh) | 三维重建方法及装置、电子设备和存储介质 | |
| CN110706339A (zh) | 三维人脸重建方法及装置、电子设备和存储介质 | |
| CN108171222B (zh) | 一种基于多流神经网络的实时视频分类方法及装置 | |
| CN111680646B (zh) | 动作检测方法及装置、电子设备和存储介质 | |
| CN112184787A (zh) | 图像配准方法及装置、电子设备和存储介质 | |
| CN114581525A (zh) | 姿态确定方法及装置、电子设备和存储介质 | |
| CN105574834A (zh) | 图像处理方法及装置 | |
| CN113052874B (zh) | 目标跟踪方法及装置、电子设备和存储介质 | |
| CN113283343A (zh) | 人群定位方法及装置、电子设备和存储介质 | |
| CN111311588B (zh) | 重定位方法及装置、电子设备和存储介质 | |
| CN113538310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN113012052B (zh) | 图像处理方法及装置、电子设备和存储介质 |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40045881 Country of ref document: HK |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |