CN113256743B - 一种图像处理方法、装置、电子设备以及可读存储介质 - Google Patents
一种图像处理方法、装置、电子设备以及可读存储介质 Download PDFInfo
- Publication number
- CN113256743B CN113256743B CN202110666645.9A CN202110666645A CN113256743B CN 113256743 B CN113256743 B CN 113256743B CN 202110666645 A CN202110666645 A CN 202110666645A CN 113256743 B CN113256743 B CN 113256743B
- Authority
- CN
- China
- Prior art keywords
- images
- pixel values
- distribution
- uniformly distributed
- cumulative distribution
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
Abstract
本申请实施例提供一种图像处理方法、一种图像处理装置、一种电子设备一种可读存储介质以及一种计算机程序产品。该方法包括：获得待处理图像集中所有图像的像素值整体对应的第一累积分布律；根据所述第一累积分布律，获得所述所有图像的像素点对应的像素值在所述第一累积分布律中对应的累积分布值；将所述所有图像的像素点对应的像素值替换为所述累积分布值，获得所述所有图像各自对应的均匀分布变换图像。本申请实施例提供的图像处理方法，能够使所有均匀分布变换图像的像素值整体对应的频率分布趋近于均匀分布，将该待处理图像集中的图像自对应的均匀分布变换图像作为模型训练的样本数据，能够提升神经网络模型的收敛速度和收敛效果。
Description
技术领域
本申请涉及计算机技术领域，具体涉及一种图像处理方法。本申请还涉及一种图像处理装置、一种电子设备、一种可读存储介质以及一种计算机程序产品。
背景技术
近年来，随着计算机技术的快速发展，机器学习技术也随之不断的发展。机器学习技术可以应用于多种领域，如：图像识别处理领域、音频识别处理领域等。在将机器学习技术图像识别处理领域时，往往需要训练具有特定功能的神经网络模型。在训练神经网络模型的过程中，需要大量图像作为样本数据。为了得到大量的样本数据，往往会对原有图像集中的图像进行数据增强处理，以此来获得新的图像作为样本数据。
现有针对图像集中的图像进行数据增强的常见方法有：翻转、裁剪、旋转、亮度变换、对比度变换以及饱和度变换等。但是，仅仅通过现有针对图像集进行数据增强的常见方法，获得新的样本数据，来训练神经网络模型，不能很好的提升神经网络模型的收敛速度和收敛效果。
发明内容
本申请实施例提供一种图像处理方法、一种图像处理装置、一种电子设备一种可读存储介质以及一种计算机程序产品，以提升神经网络模型的收敛速度和收敛效果。
本申请实施例提供一种图像处理方法，包括：
获得待处理图像集中所有图像的像素值整体对应的第一累积分布律；
根据所述第一累积分布律，获得所述所有图像的像素点对应的像素值在所述第一累积分布律中对应的累积分布值；
将所述所有图像的像素点对应的像素值替换为所述累积分布值，获得所述所有图像各自对应的均匀分布变换图像。
可选的，在获得所述所有图像各自对应的均匀分布变换图像之后，还包括：
根据所述所有图像各自对应的均匀分布变换图像，获得所有均匀分布变换图像的像素点对应的像素值；
将所述所有均匀分布变换图像的像素点对应的像素值进行Box-Muller变换，获得所述所有图像各自对应的高斯分布变换图像。可选的，在获得所述所有图像各自对应的均匀分布变换图像之后，还包括：
获得参考图像集中所有参考图像的像素值整体对应的第二累积分布律；
根据所述所有图像各自对应的均匀分布变换图像，获得所有均匀分布变换图像的像素点对应的像素值；
根据所述第二累积分布律，获得所述所有均匀分布变换图像的像素点对应的像素值在所述第二累积分布律中对应的参考累积分布值；
将所述所有均匀分布变换图像的像素点对应的像素值替换为所述参考累积分布值对应的像素值，获得所述所有图像各自对应的参考分布变换图像。
可选的，所述获得待处理图像集中所有图像的像素值整体对应的第一累积分布律，包括：
获得所述所有图像的像素值对应的分布频率；
针对所述所有图像的像素值对应的分布频率进行频率累积，获得所述第一累积分布律。
可选的，所述所有图像的像素值包括：所述所有图像的红绿蓝三个颜色通道各自的像素值。
本申请另一实施例，还提供一种图像处理装置，包括：
第一累积分布律获得单元，用于获得待处理图像集中所有图像的像素值整体对应的第一累积分布律；
累积分布值获得单元，用于根据所述第一累积分布律，获得所述所有图像的像素点对应的像素值在所述第一累积分布律中对应的累积分布值；
均匀分布变换图像获得单元，用于将所述所有图像的像素点对应的像素值替换为所述累积分布值，获得所述所有图像各自对应的均匀分布变换图像。
可选的，本申请实施例提供的所述图像处理装置，还包括：高斯分布变换图像获得单元，具体用于在所述均匀分布变换图像获得单元获得所述所有图像各自对应的均匀分布变换图像之后，根据所述所有图像各自对应的均匀分布变换图像，获得所有均匀分布变换图像的像素点对应的像素值；将所述所有均匀分布变换图像的像素点对应的像素值进行Box-Muller变换，获得所述所有图像各自对应的高斯分布变换图像。
可选的，本申请实施例提供的所述图像处理装置，还包括：参考分布变换图像获得单元，具体用于在所述均匀分布变换图像获得单元获得所述所有图像各自对应的均匀分布变换图像之后，获得参考图像集中所有参考图像的像素值整体对应的第二累积分布律；根据所述所有图像各自对应的均匀分布变换图像，获得所有均匀分布变换图像的像素点对应的像素值；根据所述第二累积分布律，获得所述所有均匀分布变换图像的像素点对应的像素值在所述第二累积分布律中对应的参考累积分布值；将所述所有均匀分布变换图像的像素点对应的像素值替换为所述参考累积分布值对应的像素值，获得所述所有图像各自对应的参考分布变换图像。
可选的，所述第一累积分布律获得单元具体用于获得所述所有图像的像素值对应的分布频率；针对所述所有图像的像素值对应的分布频率进行频率累积，获得所述第一累积分布律。
可选的，所述所有图像的像素值包括：所述所有图像的红绿蓝三个颜色通道各自的像素值。
本申请另一实施例，还提供一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例提供的图像处理方法。
本申请另一实施例，还提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行本申请实施例提供的图像处理方法。
本申请另一实施例，还提供一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现本申请实施例提供的图像处理方法。
与现有技术相比，本申请具有如下优点：
本申请实施例提供一种图像处理方法、一种图像处理装置、一种电子设备一种可读存储介质以及一种计算机程序产品。该方法包括：获得待处理图像集中所有图像的像素值整体对应的第一累积分布律；根据第一累积分布律，获得所有图像的像素点对应的像素值在第一累积分布律中对应的累积分布值；将所有图像的像素点对应的像素值替换为累积分布值，获得所有图像各自对应的均匀分布变换图像。本申请实施例提供的图像处理方法，能够使所有均匀分布变换图像的像素值整体对应的频率分布得到一个相对均匀的拉伸，使所有均匀分布变换图像的像素值整体对应的频率分布趋近于均匀分布，将该待处理图像集中的图像自对应的均匀分布变换图像作为模型训练的样本数据，能够提升神经网络模型的收敛速度和收敛效果。
附图说明
图1为本申请第一实施例中提供的一种图像处理方法的流程图。
图2为本申请第一实施例中提供的待处理图像集的示意图。
图3为本申请第一实施例中提供的第一累积分布律的示意图。
图4为本申请第一实施例中提供的像素值对应的频率分布的第一示意图。
图5为本申请第一实施例提供的一种像素值频率分布变换过程的示意图。
图6为本申请第一实施例中提供的均匀分布变换图像的示意图。
图7为本申请第一实施例中提供的像素值对应的频率分布的第二示意图。
图8为本申请第一实施例中提供的像素值对应的频率分布的第三示意图。
图9为本申请第一实施例中提供的参考图像集的示意图。
图10本申请第一实施例中提供的另一种像素值频率分布变换过程的示意图。
图11为本申请第一实施例中提供的参考分布变换图像的示意图。
图12为本申请第一实施例中提供的像素值对应的频率分布的第四示意图。
图13为本申请第二实施例中提供的一种图像处理装置的示意图。
图14为本申请实施例中提供的一种电子设备的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
为了更清楚地展示本申请实施例提供的图像处理方法，首先介绍一下本申请实施例提供的图像处理方法的应用场景。本申请实施例提供的图像处理方法一般应用于处理遥感图像的场景。所谓遥感图像，是指通过卫星或航空器进行远程拍摄的地面图像或者视频中的视频帧。
本申请实施例提供的图像处理方法的应用场景不做具体限定，以下具体以将本申请实施例提供的图像处理方法应用于处理遥感图像的场景为例，对本申请实施例提供的图像处理方法进行详细地说明，将本申请实施例提供的图像处理方法应用于其他场景的情况，请参照将本申请实施例提供的图像处理方法应用于处理遥感图像的场景，在此不再进行一一赘述。
遥感图像具有误差小、便于处理、成本相对较低等优势，因此广泛应用在国土资源、农业、城乡建设、林业和水利电网等领域。但是，由于遥感图像在拍摄过程中会受到云层厚度、光照角度、拍摄角度、拍摄高度、采样区域位置、拍摄机器等影响，往往会存在诸多问题。
具体的，针对同一地域，不同时间、受高度、天气、角度等影响多次拍摄取样的同一遥感图像集中的多张遥感图像，图像的像素点的像素值整体对应的频率分布存在明显差异；针对不同地域，受地理环境复杂度的影响，各地获得的同一遥感图像集中的多张遥感图像，图像的像素点的像素值整体对应的频率分布也是显著不同的：沿海湖泊地域多水系，高原植被偏单调，城市环境繁杂多样等等。
在将同一遥感图像集中的多张遥感图像作为图像集去训练神经网络模型时，由于图像的像素点的像素值整体对应的频率分布存在明显差异，会导致在训练神经网络模型过程中，神经网络模型的收敛速度和收敛效果较低。为了提升神经网络模型的收敛速度和收敛效果较低，可以对同一遥感图像集中的多张遥感图像进行如下的图像处理：
首先，获得遥感图像集中所有遥感图像的像素值整体对应的第一累积分布律。然后，根据第一累积分布律，获得所有遥感图像的像素点对应的像素值在第一累积分布律中对应的累积分布值。最后，将所有遥感图像的像素点对应的像素值替换为累积分布值，获得所有遥感图像各自对应的均匀分布变换遥感图像。
本申请实施例提供的图像处理方法的应用场景中，所谓神经网络模型为用于进行图像识别、处理的神经网络模型，该神经网络模型的类型包括但不限于卷积神经网络模型、循环神经网络模型以及长短时记忆网络，该神经网络模型的用途包括但不限于对图像进行分类的神经网络模型、对图像进行识别的神经网络模型以及对图像进行特征提取的神经网络模型。也就是说，本申请实施例提供的图像处理方法的应用场景中，不对神经网络模型的类型和用途做具体限定。
本申请实施例提供的图像处理方法的应用场景中，通过将所有遥感图像的像素点对应的像素值替换为累积分布值，能够使所有均匀分布变换遥感图像的像素值整体对应的频率分布得到一个相对均匀的拉伸，使所有均匀分布变换遥感图像的像素值整体对应的频率分布趋近于均匀分布。将该待处理遥感图像集中的遥感图像自对应的均匀分布变换遥感图像作为模型训练的样本数据，提升了神经网络模型的收敛速度和收敛效果。
本申请实施例中不对本申请实施例中提供的图像处理方法的应用场景做具体的限定，如：本申请提供的图像处理方法还可以应用于处理遥感图像之外其他类型的图像的场景，在此不再一一赘述。提供上述图像处理方法的应用场景对应的实施例，是为了便于理解本申请提供的图像处理方法，而并非用于限定本申请提供的图像处理方法。
第一实施例
本申请第一实施例中提供一种图像处理方法，以下结合图1-图12进行说明。
图1为本申请第一实施例中提供的一种图像处理方法的流程图。
本申请实施例提供的图像处理方法的执行主体，可以为安装有用于实现本申请实施例提供的图像处理方法的程序、软件或者应用的电子设备，也可以为用于为实现本申请实施例提供的图像处理方法的程序、软件或者应用，提供数据处理以及存储等服务的服务端。
所谓电子设备的具体实现方式包括但不限于：手机、笔记本电脑以及平板电脑。所谓服务端的具体实现方式一般为服务器或者服务器集群。
在步骤S101中，获得待处理图像集中所有图像的像素值整体对应的第一累积分布律。
本申请第一实施例中，所谓待处理图像集，是指预先选定的需要进行像素的像素值整体对应的累积分布律变换的图像集。该图像集中至少包括一张图像，但是，由于待处理图像集中的图像在进行像素的像素值整体对应的累积分布律变换后，往往被用作神经网络模型的模型训练的样本数据，因而，一般情况下，待处理图像集中包括多张图像。
所谓第一累积分布律表示所有图像的像素值小于指定像素值的概率，第一累积分布律可采用公式：
表示。其中，为累积分布值，即，所有图像的像素值小于指定像素值的概率，
，
为指定像素值。
待处理图像集中的图像包括但不限于遥感图像、人脸图像、商品图像以及人物图像。另外，本申请第一实施例中，待处理图像集中所有图像都有一个或多个颜色通道，在此不做具体限定，但是，由于具有R(Red，红色)、G(Green，绿色)、B(Blue，蓝色)三个颜色通道的R(Red，红色)、G(Green，绿色)、B(Blue，蓝色)的图像较为常见和为人所熟知，因此，本申请第一实施例中，以处理图像集中所有图像为具有RGB三个颜色通道的图像为例，对本申请第一实施例中提供的图像处理方法进行说明。
当待处理图像集中所有图像为其他数目个颜色通道的图像时，具体的图像处理方法与待处理图像集中所有图像为具有RGB三个颜色通道的图像时的图像处理方法相似，具体请参照待处理图像集中所有图像为具有RGB三个颜色通道的图像时的图像处理方法，在此不再一一赘述。
本申请第一实施例中，所谓第一累积分布律就是累积分布律，由于本申请第一实施例中出现了多个针对不同图像的像素值的累积分布律，为了便于区分不同累积分布律，则将不同的累积分布律分别称为第一累积分布律、第二累积分布律等。但是，需要明白的是，第一累积分布律以及第二累积分布律等都是累积分布律，只是为了便于区分不同累积分布律，给不同的累积分布律冠以不同的名称。
所谓第一累积分布律，是待处理图像集中所有图像的像素点对应的像素值经验分布的累积分布律。所谓经验分布的值用于表示待处理图像集中所有图像的像素点对应的像素值中，小于或者等于某一像素值的占比。所谓获得待处理图像集中所有图像的像素值整体对应的第一累积分布律的具体实现过程为：首先，获得所有图像的像素值对应的分布频率。然后，针对所有图像的像素值对应的分布频率进行频率累积，获得第一累积分布律。以下结合附图2-4对获得第一累积分布律的具体过程进行说明。
请参照图2，图2为本申请第一实施例中提供的待处理图像集的示意图。该待处理图像集中的图像可能具有很多张，但是图2中仅示出了其中的三张图像。
获得所有图像的像素值对应的频率分布的具体步骤为：依次对待处理图像集中的每一张图像分别进行像素值频率分布的统计，获得所有图像的像素值对应的分布频率。
由于所有图像的像素值包括：所有图像的红绿蓝三个颜色通道各自的像素值，因此，本申请第一实施例中，获得第一累积分布律的具体实现方式为：获得所有图像红绿蓝三个颜色通道的像素值各自对应的第一累积分布律。即，此时，第一累积分布律包括：所有图像红绿蓝三个颜色通道的像素值各自对应的第一累积分布律。
此外，当待处理图像集中所有图像为其他数目个颜色通道的图像时，第一分布律为所有图像不同颜色通道的像素值各自对应的第一累积分布律。也就是说，本申请第一实施例中，第一累积分布律为所有图像不同颜色通道的像素值各自对应的第一累积分布律。
由于RGB三个颜色通道各自对应的像素值都均为0-255之间的整数，因此，所有图像红绿蓝三个颜色通道的像素值各自对应的第一累积分布律是累积分布表的形式，具体如图3所示，图3为本申请第一实施例中提供的第一累积分布律的示意图。其中，图3中，0-255代表像素值，
代表R颜色通道的像素值对应的累积分布值，
代表G颜色通道的像素值对应的累积分布值，
代表B颜色通道的像素值对应的累积分布值。
相应的，本申请第一实施例中，获得所有图像的像素值对应的分布频率为：获得所有图像红绿蓝三个颜色通道的像素值对应的分布频率。所谓所有图像红绿蓝三个颜色通道的像素值对应的分布频率如图4所示，图4为本申请第一实施例中提供的像素值对应的频率分布的第一示意图。其中，y代表分布频率。
在获得所有图像的像素值对应的分布频率后，对所有图像的像素值对应的分布频率进行频率累积，即可获得第一累积分布律。
请再参照图1，在步骤S102中，根据第一累积分布律，获得所有图像的像素点对应的像素值在第一累积分布律中对应的累积分布值。
步骤S102的具体实现方式请参照图5，图5为本申请第一实施例提供的一种像素值频率分布变换过程的示意图。图5中左侧为的大方块代表待处理图像集中的图像，右侧的大方块代表均匀分布变换图像，两个小方块代表同一像素点。
根据第一累积分布律，针对所有图像中的每一图像，依次获得每一图像的像素点每一颜色通道对应的像素值在第一累积分布律中对应的累积分布值，例如，图像中某一像素点R颜色通道的像素值为255，那么，该像素点R颜色通道的像素值在第一累积分布律中对应的累积分布值为
，如0.6或0.75等。
此外，对于像素点R颜色通道之外的G、B颜色通道的像素值也执行相应的过程。也就是说，根据第一累积分布律，获得所有图像的像素点对应的像素值在第一累积分布律中对应的累积分布值的具体过程为：根据所有图像红绿蓝三个颜色通道的像素值各自对应的第一累积分布律，获得所有图像的像素点红绿蓝三个颜色通道对应的像素值在各自第一累积分布律中对应的累积分布值。
请再参照图1，在步骤S103中，将所有图像的像素点对应的像素值替换为累积分布值，获得所有图像各自对应的均匀分布变换图像。
步骤S103的具体实现方式请再参照图5，步骤S102中已经获得了每一图像的像素点对应的像素值在第一累积分布律中对应的累积分布值，本步骤S103需要依次将每一图像的像素点对应的像素值替换为各自对应的累积分布值。
具体的，如某一像素点R颜色通道的像素值在第一累积分布律中对应的累积分布值为
，而
对应的累积分布值为0.7，那么，在本步骤S103需要将像素点R颜色通道的像素值替换为0.7。此外，对于G、B通道也需要执行相应的替换步骤。也就是说，将所有图像的像素点对应的像素值替换为累积分布值的具体实现过程为：所有图像的像素点红绿蓝三个颜色通道对应的像素值分别替换为各自对应的累积分布值。
本申请第一实施例中，所有图像各自对应的均匀分布变换图如图6所示，图6为本申请第一实施例中提供的均匀分布变换图像的示意图。图6中仅示出了所有图像各自对应的均匀分布变换图像中的三张。
另外，根据所有图像各自对应的均匀分布变换图像，可以进一步获得所有均匀分布变换图像的像素值对应的分布频率，该所有均匀分布变换图像的像素值对应的分布频率请参照图7，图7为本申请第一实施例中提供的像素值对应的频率分布的第二示意图。其中，y代表分布频率。
对于所有图像各自对应的均匀分布变换图像来说，其所有均匀分布变换图像的像素值整体对应的频率分布趋近于均匀分布。具体可以采用如下方式进行验证：第一累积分布律
，累积分布值（所有均匀分布变换图像的像素点对应的像素值）的分布函数如下：
因此，累积分布值的分布趋于
均匀分布。也就是说，所有均匀分布变换图像的像素点对应的像素值整体对应的频率分布趋于均匀分布。其中，y代表某一累积分布值，X代表像素值频率分布趋于频率分布。
本申请第一实施例提供的图像处理方法，能够使所有均匀分布变换图像的像素值整体对应频率分布得到一个相对均匀的拉伸，使所有均匀分布变换图像的像素值整体对应频率分布趋近于均匀分布，将该待处理图像集中的图像自对应的均匀分布变换图像作为模型训练的样本数据，能够提升神经网络模型的收敛速度和收敛效果。
另外，通过小样本数据，对重型神经网络模型的训练，容易使得神经网络模型过拟合，通过对待处理图像集中的所有图像进行像素值整体对应的累积分布律的变换后，再混合像素值整体对应的累积分布律变换前的所有图像，能够增强图像的复杂性多样性，从而可以有效抑制模型过拟合的现象。
本申请第一实施例中，在获得所有图像各自对应的均匀分布变换图像基础上，还可以进一步使待处理图像集中所有图像的像素值整体对应的频率分布趋于高斯分布。具体过程如下：
首先，根据所有图像各自对应的均匀分布变换图像，获得所有均匀分布变换图像的像素点对应的像素值。
由步骤S103可知，根据待处理图像集中所有图像，获得所有图像各自对应的均匀分布变换图像后，该所有均匀分布变换图像的像素值整体对应的第二频率分布趋于均匀分布。
然后，将所有均匀分布变换图像的像素点对应的像素值进行Box-Muller变换，获得所有图像各自对应的高斯分布变换图像。
由步骤S103可知，所有均匀分布变换图像的像素点对应的像素值Y趋于均匀分布，对于RGB三个颜色通道的均匀分布变换图像而言，可以将R颜色通道的像素值记为
，将G颜色通道的像素值记为
，将B颜色通道的像素值记为
。此时，Box-Muller变换的过程如下：
其中，将
、
以及
两两组合作为变换的输入，每两个不同的输入都会得到高斯分布图像的像素点两个不同颜色通道的像素值。具体的，输入是
以及
，则输出是高斯分布图像的像素点两个不同颜色通道的像素值
以及
；输入是
以及
，则输出是高斯分布图像的像素点另外两个不同颜色通道的像素值
以及
；输入是
以及
，则输出是高斯分布图像的像素点另外两个不同颜色通道的像素值
以及
。
也就是说，对
、
以及
两两组合做三次Box-Muller变换，得到高斯分布图像的像素点六个不同颜色通道的像素值。高斯分布图像的像素点六个不同颜色通道的像素值整体对应的频率分布都各自趋于高斯分布。
所谓高斯分布变换图像为具有六个颜色通道的图像。
需要说明的是，从均匀分布变化图像变换为高斯分布变换图像的过程是可逆的。即，可以将像素值整体对应的频率分布趋于均匀分布的均匀分布变化图像，通过Box-Muller变换为像素值整体对应的频率分布趋于高斯分布的高斯分布变化图像；也可以将像素值整体对应的频率分布趋于高斯分布的高斯分布变化图像，通过Box-Muller逆变换变换为像素值整体对应的频率分布均匀分布变化图像。Box-Muller逆变换的具体过程如下：
其中，
存在重复信息，因而取
或
。
本申请第一实施例中，所有图像各自对应的均匀分布变换图如图6所示，其为本申请第一实施例中提供的均匀分布变换图像的示意图。图6中仅示出了所有图像各自对应的均匀分布变换图像中的三张。
另外，根据所有图像各自对应的高斯分布变换图像，可以进一步获得所有高斯分布变换图像的像素值对应的分布频率，该所有高斯分布变换图像的像素值对应的分布频率请参照图8，图8为本申请第一实施例中提供的像素值对应的频率分布的第三示意图。其中，z代表分布频率。
一般情况下，将图像集中所有图像的像素值整体对应的频率分布趋于高斯分布的图像集作为模型训练的样本数据时，神经网络模型会具有更好收敛速度和收敛效果。
此外，通过对待处理图像集中的所有图像进行像素值整体对应的累积分布律的变换后，再混合像素值整体对应的累积分布律变换前的所有图像，能够增强图像的复杂性多样性。
本申请第一实施例中，在获得所有图像各自对应的均匀分布变换图像基础上，还可以进一步使待处理图像集中所有图像的像素值整体对应的频率分布，趋于参考图像集中所有参考图像的像素值整体对应的累积分布律。具体过程如下：
请参照图9，图9为本申请第一实施例中提供的参考图像集的示意图。该参考图像集中的图像可能具有很多张，但是图9中仅示出了其中的三张图像。
所谓参考图像集为预先获得的、对神经网络模型收敛效果和收敛速度较好的训练数据图像集，该参考图像集中至少包括一张图像，且对于大多数情况而言，参考图像集中至少包括多张图像。
请参照图10，图10为本申请第一实施例中提供的另一种像素值频率分布变换过程的示意图。图10中左侧为的大方块代表待处理图像集中的图像，中间的大方块代表均匀分布变换图像，右侧的大方块代表参考分布变换图像，三个小方块代表同一像素点。另外，图10中的两个分布律：左侧的为第一累积分布律，右侧为第二累积分布律。
首先，获得参考图像集中所有参考图像的像素值整体对应的第二累积分布律。
本申请第一实施例中，获得第二累积分布律的具体执行过程与获得第一累积分布律的过程相同，在此不再一一赘述，具体请参照步骤S101来获得第二累积分布律。
其次，根据所有图像各自对应的均匀分布变换图像，获得所有均匀分布变换图像的像素点对应的像素值。
具体的实现方式为：根据所有图像各自对应的均匀分布变换图像，获得所有均匀分布变换图像的像素点红绿蓝三个颜色通道对应的像素值。
再次，根据第二累积分布律，获得所有均匀分布变换图像的像素点对应的像素值在第二累积分布律中对应的参考累积分布值对应的像素值。
所谓第二累积分布律为：所有参考图像的红绿蓝三个颜色通道像素值整体对应的第二累积分布律。
所谓获得所有均匀分布变换图像的像素点对应的像素值在第二累积分布律中对应的参考累积分布值对应的像素值的具体实现方式为：根据所有参考图像的红绿蓝三个颜色通道像素值整体对应的第二累积分布律，分别获得所有均匀分布变换图像的像素点红绿蓝三个颜色通道对应的像素值。
最后，将所有均匀分布变换图像的像素点对应的像素值替换为参考累积分布值对应的像素值，获得所有图像各自对应的参考分布变换图像。
将所有均匀分布变换图像的像素点对应的像素值替换为参考累积分布值对应的像素值的具体实现过程为：将所有均匀分布变换图像的像素点红绿蓝三个颜色通道对应的像素值分别替换为各自对应的参考累积分布值对应的像素值。
本申请第一实施例中，所有参考分布变换图像各自对应的累积分布变换图如图11所示，图11为本申请第一实施例中提供的参考分布变换图像的示意图。图11中仅示出了所有参考分布变换图像各自对应的参考分布变换图像中的三张。
另外，根据所有参考分布变换图像各自对应的参考分布变换图像，可以进一步获得所有参考分布变换图像的像素值对应的分布频率，该所有参考分布变换图像的像素值对应的分布频率请参照图12，图12为本申请第一实施例中提供的像素值对应的频率分布的第四示意图。其中，y代表分布频率。
本申请第一实施例中，将待处理图像集中所有图像变换为所有图像各自对应的参考分布变换图像后，所有参考分布变换图像的像素值整体对应的累积分布律符合参考图像集中所有参考图像的像素值整体对应的累积分布律。因为参考图像集为预先获得的、对神经网络模型收敛效果和收敛速度较好的训练数据图像集，所以，将待处理图像集中所有图像变换为所有图像各自对应的参考分布变换图像后，将所有参考分布变换图像作为模型训练数据时，提升了神经网络模型收敛效果和收敛速度。
另外，通过对待处理图像集中的所有图像进行像素值整体对应的累积分布律的变换后，再混合像素值整体对应的累积分布律变换前的所有图像，能够增强图像的复杂性多样性。
第二实施例
与本申请实施例提供的图像处理方法的应用场景以及第一实施例提供的图像处理方法相对应的，本申请第二实施例还提供了一种图像处理装置。由于该装置实施例基本相似于本申请第一实施例提供的图像处理方法，所以描述得比较简单，相关之处请参照对本申请实施例提供的图像处理方法的应用场景以及第一实施例提供的图像处理方法的部分说明即可。下述描述的装置实施例仅仅是示意性的。
请参照图13，图13为本申请第二实施例中提供的一种图像处理装置的示意图。
本申请第二实施例提供的图像处理装置，包括：
第一累积分布律获得单元1301，用于获得待处理图像集中所有图像的像素值整体对应的第一累积分布律；
累积分布值获得单元1302，用于根据所述第一累积分布律，获得所述所有图像的像素点对应的像素值在所述第一累积分布律中对应的累积分布值；
均匀分布变换图像获得单元1303，用于将所述所有图像的像素点对应的像素值替换为所述累积分布值，获得所述所有图像各自对应的均匀分布变换图像。
可选的，本申请第二实施例提供的图像处理装置，还包括：高斯分布变换图像获得单元，具体用于在所述均匀分布变换图像获得单元获得所述所有图像各自对应的均匀分布变换图像之后，根据所述所有图像各自对应的均匀分布变换图像，获得所有均匀分布变换图像的像素点对应的像素值；将所述所有均匀分布变换图像的像素点对应的像素值进行Box-Muller变换，获得所述所有图像各自对应的高斯分布变换图像。
可选的，本申请第二实施例提供的图像处理装置，还包括：参考分布变换图像获得单元，具体用于在所述均匀分布变换图像获得单元获得所述所有图像各自对应的均匀分布变换图像之后，获得参考图像集中所有参考图像的像素值整体对应的第二累积分布律；根据所述所有图像各自对应的均匀分布变换图像，获得所有均匀分布变换图像的像素点对应的像素值；根据所述第二累积分布律，获得所述所有均匀分布变换图像的像素点对应的像素值在所述第二累积分布律中对应的参考累积分布值；将所述所有均匀分布变换图像的像素点对应的像素值替换为所述参考累积分布值对应的像素值，获得所述所有图像各自对应的参考分布变换图像。
可选的，所述第一累积分布律获得单元1301具体用于获得所述所有图像的像素值对应的分布频率；针对所述所有图像的像素值对应的分布频率进行频率累积，获得所述第一累积分布律。
可选的，所述所有图像的像素值包括：所述所有图像的红绿蓝三个颜色通道各自的像素值。
本申请第二实施例提供的图像处理装置，能够使所有均匀分布变换图像的像素值整体对应的频率分布得到一个相对均匀的拉伸，使所有均匀分布变换图像的像素值整体对应的频率分布趋近于均匀分布，将该待处理图像集中的图像自对应的均匀分布变换图像作为模型训练的样本数据，能够提升神经网络模型的收敛速度和收敛效果。
第三实施例
与本申请实施例提供的图像处理方法的应用场景、第一实施例提供的图像处理方法相对应的，本申请第三实施例还提供了一种电子设备。由于第三实施例基本相似于本申请实施例提供的图像处理方法的应用场景、第一实施例提供的图像处理方法，所以描述得比较简单，相关之处参见对本申请实施例提供的图像处理方法的应用场景、第一实施例提供的图像处理方法的部分说明即可。下述描述的第三实施例仅仅是示意性的。
请参照图14，图14为本申请实施例中提供的一种电子设备的示意图。
如图14所示，该电子设备包括：存储器1401和处理器1402，存储器1401内存储有可在处理器1402上运行的计算机程序。所述处理器1402执行所述计算机程序时实现上述实施例中的图像处理方法。所述存储器1401和处理器1402的数量可以为一个或多个。
该电子设备还包括：
通信接口1403，用于与外界设备进行通信，进行数据交互传输。
存储器1401可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
如果存储器1401、处理器1402和通信接口1403独立实现，则存储器1401、处理器1402和通信接口1403可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构（ISA，Industry Standard Architecture）总线、外部设备互连（PCI，Peripheral Component Interconnect）总线或扩展工业标准体系结构（EISA，ExtendedIndustry Standard Architecture）总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图14中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器1401、处理器1402及通信接口1403集成在一块芯片上，则存储器1401、处理器1402及通信接口1403可以通过内部接口完成相互间的通信。
需要说明的是，本申请第三实施例提供的电子设备的详细描述，可以参考对本申请实施例提供的直播服务系统的应用场景、第一实施例提供的直播服务系统以及上述方法实施例的相关描述，这里不再赘述。
第四实施例
与本申请实施例提供的图像处理方法的应用场景、第一实施例提供的图像处理方法相对应的，本申请第四实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质。由于第四实施例基本相似于本申请实施例提供的图像处理方法的应用场景、第一实施例提供的图像处理方法，所以描述得比较简单，相关之处参见对本申请实施例提供的图像处理方法的应用场景、第一实施例提供的图像处理方法的部分说明即可。下述描述的装置实施例仅仅是示意性的。
该存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本申请第一实施例中提供的图像处理方法。
需要说明的是，本申请第四实施例提供的存储有计算机指令的非瞬时计算机可读存储介质的详细描述，可以参考对本申请实施例提供的图像处理方法的应用场景、第一实施例提供的图像处理方法的相关描述，这里不再赘述。
第五实施例
与本申请实施例提供的图像处理方法的应用场景、第一实施例提供的图像处理方法相对应的，本申请第五实施例还提供了一种计算机程序产品。由于第五实施例基本相似于本申请实施例提供的图像处理方法的应用场景、第一实施例提供的图像处理方法，所以描述得比较简单，相关之处参见对本申请实施例提供的图像处理方法的应用场景、第一实施例提供的图像处理方法的部分说明即可。下述描述的装置实施例仅仅是示意性的。
该计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现本申请第一实施例中提供的图像处理方法。
需要说明的是，本申请第五实施例提供的存储有计算机指令的非瞬时计算机可读存储介质的详细描述，可以参考对本申请实施例提供的图像处理方法的应用场景、第一实施例提供的图像处理方法的相关描述，这里不再赘述。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。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。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种图像处理方法，其特征在于，包括：
获得待处理图像集中所有图像的像素值整体对应的第一累积分布律；
根据所述第一累积分布律，获得所述所有图像的像素点对应的像素值在所述第一累积分布律中对应的累积分布值；
将所述所有图像的像素点对应的像素值替换为所述累积分布值，获得所述所有图像各自对应的均匀分布变换图像，以使所有所述均匀分布变换图像的像素值整体对应的频率分布得到一个均匀的拉伸，进而使所有所述均匀分布变换图像的像素值整体对应的频率分布趋近于均匀分布；
其中，所述待处理图像集中包括多张图像；
在获得所述所有图像各自对应的均匀分布变换图像之后，所述方法还包括：
根据所述所有图像各自对应的均匀分布变换图像，获得所有均匀分布变换图像的像素点对应的像素值；将所述所有均匀分布变换图像的像素点对应的像素值进行Box-Muller变换，获得所述所有图像各自对应的高斯分布变换图像；将所述高斯分布变换图像作为模型训练的样本数据；所述高斯分布变换图像为具有六个颜色通道的图像，所述高斯分布变换图像的像素点六个不同颜色通道的像素值整体对应的频率分布都各自趋于高斯分布；
获得参考图像集中所有参考图像的像素值整体对应的第二累积分布律；根据所述所有图像各自对应的均匀分布变换图像，获得所有均匀分布变换图像的像素点对应的像素值；根据所述第二累积分布律，获得所述所有均匀分布变换图像的像素点对应的像素值在所述第二累积分布律中对应的参考累积分布值；将所述所有均匀分布变换图像的像素点对应的像素值替换为所述参考累积分布值对应的像素值，获得所述所有图像各自对应的参考分布变换图像；将所述参考分布变换图像作为模型训练的样本数据；所述参考图像集为预先获得的、对神经网络模型收敛效果和收敛速度好的图像集，所述参考图像集中包括多张图像。
2.根据权利要求1所述的方法，其特征在于，所述获得待处理图像集中所有图像的像素值整体对应的第一累积分布律，包括：
获得所述所有图像的像素值对应的分布频率；
针对所述所有图像的像素值对应的分布频率进行频率累积，获得所述第一累积分布律。
3.根据权利要求1或2任意一项所述的方法，其特征在于，所述所有图像的像素值包括：所述所有图像的红绿蓝三个颜色通道各自的像素值。
4.一种图像处理装置，其特征在于，包括：
第一累积分布律获得单元，用于获得待处理图像集中所有图像的像素值整体对应的第一累积分布律；
累积分布值获得单元，用于根据所述第一累积分布律，获得所述所有图像的像素点对应的像素值在所述第一累积分布律中对应的累积分布值；
均匀分布变换图像获得单元，用于将所述所有图像的像素点对应的像素值替换为所述累积分布值，获得所述所有图像各自对应的均匀分布变换图像，以使所有所述均匀分布变换图像的像素值整体对应的频率分布得到一个均匀的拉伸，进而使所有所述均匀分布变换图像的像素值整体对应的频率分布趋近于均匀分布，所述待处理图像集中包括多张图像；
高斯分布变换图像获得单元，具体用于在所述均匀分布变换图像获得单元获得所述所有图像各自对应的均匀分布变换图像之后，根据所述所有图像各自对应的均匀分布变换图像，获得所有均匀分布变换图像的像素点对应的像素值；将所述所有均匀分布变换图像的像素点对应的像素值进行Box-Muller变换，获得所述所有图像各自对应的高斯分布变换图像；将所述高斯分布变换图像作为模型训练的样本数据；所述高斯分布变换图像为具有六个颜色通道的图像，所述高斯分布变换图像的像素点六个不同颜色通道的像素值整体对应的频率分布都各自趋于高斯分布；
参考分布变换图像获得单元，具体用于在所述均匀分布变换图像获得单元获得所述所有图像各自对应的均匀分布变换图像之后，获得参考图像集中所有参考图像的像素值整体对应的第二累积分布律；根据所述所有图像各自对应的均匀分布变换图像，获得所有均匀分布变换图像的像素点对应的像素值；根据所述第二累积分布律，获得所述所有均匀分布变换图像的像素点对应的像素值在所述第二累积分布律中对应的参考累积分布值；将所述所有均匀分布变换图像的像素点对应的像素值替换为所述参考累积分布值对应的像素值，获得所述所有图像各自对应的参考分布变换图像；将所述参考分布变换图像作为模型训练的样本数据；所述参考图像集为预先获得的、对神经网络模型收敛效果和收敛速度好的图像集，所述参考图像集中包括多张图像。
5.根据权利要求4所述的装置，其特征在于，所述第一累积分布律获得单元具体用于获得所述所有图像的像素值对应的分布频率；针对所述所有图像的像素值对应的分布频率进行频率累积，获得所述第一累积分布律。
6.根据权利要求4或5所述的装置，其特征在于，所述所有图像的像素值包括：所述所有图像的红绿蓝三个颜色通道各自的像素值。
7.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至3中任意一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1至3中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110666645.9A CN113256743B (zh) | 2021-06-16 | 2021-06-16 | 一种图像处理方法、装置、电子设备以及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110666645.9A CN113256743B (zh) | 2021-06-16 | 2021-06-16 | 一种图像处理方法、装置、电子设备以及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113256743A CN113256743A (zh) | 2021-08-13 |
| CN113256743B true CN113256743B (zh) | 2022-09-02 |
Family
ID=77188345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110666645.9A Active CN113256743B (zh) | 2021-06-16 | 2021-06-16 | 一种图像处理方法、装置、电子设备以及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113256743B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106131405A (zh) * | 2016-06-30 | 2016-11-16 | 北京旷视科技有限公司 | 图像处理方法和装置及用于其的图像采集系统 |
| CN107203558A (zh) * | 2016-03-17 | 2017-09-26 | 腾讯科技（深圳）有限公司 | 对象推荐方法和装置、推荐信息处理方法和装置 |
| CN107437099A (zh) * | 2017-08-03 | 2017-12-05 | 哈尔滨工业大学 | 一种基于机器学习的特定服饰图像识别与检测方法 |
| CN110188824A (zh) * | 2019-05-31 | 2019-08-30 | 重庆大学 | 一种小样本植物病害识别方法及系统 |
| CN112529915A (zh) * | 2020-12-17 | 2021-03-19 | 山东大学 | 一种脑肿瘤图像分割方法及系统 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103871039B (zh) * | 2014-03-07 | 2017-02-22 | 西安电子科技大学 | 一种sar图像变化检测差异图生成方法 |
| CN105701502B (zh) * | 2016-01-06 | 2020-11-10 | 福州大学 | 一种基于蒙特卡罗数据均衡的图像自动标注方法 |
| CN107202979B (zh) * | 2017-05-19 | 2020-05-12 | 电子科技大学 | 相干对数正态分布雷达杂波实时模拟方法及系统 |
| US20200193223A1 (en) * | 2018-12-13 | 2020-06-18 | Diveplane Corporation | Synthetic Data Generation in Computer-Based Reasoning Systems |
| CN107977963A (zh) * | 2017-11-30 | 2018-05-01 | 北京青燕祥云科技有限公司 | 肺结节的判定方法、装置和实现装置 |
| CN109146811A (zh) * | 2018-08-14 | 2019-01-04 | 长沙全度影像科技有限公司 | 一种彩色图像的自适应对比度增强方法 |
| CN110049242B (zh) * | 2019-04-18 | 2021-08-24 | 腾讯科技（深圳）有限公司 | 一种图像处理方法和装置 |
| CN110703057B (zh) * | 2019-11-04 | 2022-02-25 | 国网山东省电力公司电力科学研究院 | 基于数据增强和神经网络的电力设备局部放电诊断方法 |
| CN111340721B (zh) * | 2020-02-18 | 2021-02-12 | 国网电子商务有限公司 | 一种像素的修正方法、装置、设备及可读存储介质 |
| CN111612130B (zh) * | 2020-05-18 | 2022-12-23 | 吉林大学 | 一种频移键控通信信号调制方式识别方法 |
| CN111931783A (zh) * | 2020-08-18 | 2020-11-13 | 创新奇智(重庆)科技有限公司 | 一种训练样本生成方法、机读码识别方法及装置 |
| CN112085745A (zh) * | 2020-09-07 | 2020-12-15 | 福建农林大学 | 基于均衡采样拼接的多通道u型全卷积神经网络的视网膜血管图像分割方法 |
-
2021
- 2021-06-16 CN CN202110666645.9A patent/CN113256743B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107203558A (zh) * | 2016-03-17 | 2017-09-26 | 腾讯科技（深圳）有限公司 | 对象推荐方法和装置、推荐信息处理方法和装置 |
| CN106131405A (zh) * | 2016-06-30 | 2016-11-16 | 北京旷视科技有限公司 | 图像处理方法和装置及用于其的图像采集系统 |
| CN107437099A (zh) * | 2017-08-03 | 2017-12-05 | 哈尔滨工业大学 | 一种基于机器学习的特定服饰图像识别与检测方法 |
| CN110188824A (zh) * | 2019-05-31 | 2019-08-30 | 重庆大学 | 一种小样本植物病害识别方法及系统 |
| CN112529915A (zh) * | 2020-12-17 | 2021-03-19 | 山东大学 | 一种脑肿瘤图像分割方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113256743A (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10861133B1 (en) | Super-resolution video reconstruction method, device, apparatus and computer-readable storage medium | |
| Zhang et al. | Learning deep CNN denoiser prior for image restoration | |
| Wong et al. | Image contrast enhancement using histogram equalization with maximum intensity coverage | |
| CN109934776B (zh) | 模型生成方法、视频增强方法、装置及计算机可读存储介质 | |
| DE102019213184A1 (de) | Verfahren und system zum automatischen weissabgleich auf basis von tiefem lernen | |
| Lee et al. | Toward a no-reference image quality assessment using statistics of perceptual color descriptors | |
| CN110310229A (zh) | 图像处理方法、图像处理装置、终端设备及可读存储介质 | |
| CN109871845B (zh) | 证件图像提取方法及终端设备 | |
| CN109766925B (zh) | 特征融合方法、装置、电子设备及存储介质 | |
| DE102008059372A1 (de) | Bildverzeichnungskorrektur | |
| WO2021164269A1 (zh) | 基于注意力机制的视差图获取方法和装置 | |
| CN110648284B (zh) | 一种光照不均匀的图像处理方法及装置 | |
| CN110599554A (zh) | 人脸肤色的识别方法和装置、存储介质及电子装置 | |
| CN113052868A (zh) | 一种抠图模型训练、图像抠图的方法及装置 | |
| CN112396558A (zh) | 图像处理方法、装置及计算机可读存储介质 | |
| CN115496668A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN112419179A (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
| CN113516697B (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
| CN113628259A (zh) | 图像的配准处理方法及装置 | |
| CN113256743B (zh) | 一种图像处理方法、装置、电子设备以及可读存储介质 | |
| CN111126501A (zh) | 一种图像识别方法、终端设备及存储介质 | |
| CN115984547A (zh) | 目标检测模型、训练方法及系统、目标检测方法及系统 | |
| KR20140138046A (ko) | 픽처를 처리하기 위한 방법 및 디바이스 | |
| CN115063388A (zh) | 肿瘤超声图像的分割方法、系统、设备及介质 | |
| CN115700785A (zh) | 图像特征提取方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP02 | Change in the address of a patent holder |
Address after: A509-A510, 5th Floor, Training Center, No. 12 Zhongguancun South Street, Haidian District, Beijing 100081 Patentee after: Tuxi digital technology (Beijing) Co.,Ltd. Address before: 100176 1702, floor 14, building 1, yard 8, West Wenhua Park Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Patentee before: Tuxi digital technology (Beijing) Co.,Ltd. |
|
| CP02 | Change in the address of a patent holder |