CN113286142B - 一种基于人工智能的图像成像感光度预测方法及系统 - Google Patents
一种基于人工智能的图像成像感光度预测方法及系统 Download PDFInfo
- Publication number
- CN113286142B CN113286142B CN202110552491.0A CN202110552491A CN113286142B CN 113286142 B CN113286142 B CN 113286142B CN 202110552491 A CN202110552491 A CN 202110552491A CN 113286142 B CN113286142 B CN 113286142B
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- sensitivity
- noise
- acquiring
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,提供一种基于人工智能的图像成像感光度预测方法及系统,该方法包括:获取原始图像,滤除原始图像中的影响像素;对该图像进行分块得到多个图像块,根据每一个图像块的平均信息量和影响像素的数量获取影响值,然后确定优选图像块集合;进行图像相关性分析,得到最大相关性的模板图像块;每个模板图像块对应多种不同感光度的子图像;获取多个优选图像块和子图像的噪声图像差值,选取噪声图像差值最小的对应感光度作为最大概率感光度;选取数量最多的最大概率感光度作为原始图像的感光度。对图像成像感光度进行预测,选择合适的感光度作为图像成像感光度,从而更好的提取PRNU,进而提高源摄像机识别和图像伪造检测的精度。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的图像成像感光度预测方法及系统。
背景技术
当数字图像用于法医调查或作为证据提交给法庭时,对图像进行认证以确保其内容不受操纵是很重要的。因此,图像伪造检测受到了研究者的广泛关注。在各种图像伪造检测技术中,基于光响应非均匀性(PRNU)的方法显示出了其独特的优势。PRNU是图像中固有的传感器模式噪声,这是由于图像传感器中硅片的制造缺陷造成的。因此,传感器上的像素对入射光的响应不均匀,并向图像引入独特的模式噪声,可以视为设备的指纹,进而实现源摄像机识别和图像伪造检测。在大多数工作中,PRNU是通过计算源设备的参考PRNU和测试图像的PRNU之间的图像相关或块相关来使用的。通过将相关性与判决阈值进行比较,可以做出相应的图像(源摄像机识别)或像素(伪造检测)判决。然而相关性不仅依赖于内容,而且还依赖于相机灵敏度设置。相机灵敏度,俗称ISO速度,是数码摄影中的一个重要属性。
目前数码相机的感光度(ISO)是通过调整感光器件的灵敏度或者合并感光点来实现的,即通过提升感光器件的光线敏感度或者合并几个相邻的感光点来达到提升ISO的目的。提取PRNU的传统方法是从原始图像中减去去噪后的图像,从图像中提取噪声残差。
发明人在实践中,发现上述现有技术存在以下缺陷:
现实生活中摄像师对于光圈大小和快门速度的选择有许多物理限制,这种限制要求在感光度(ISO)达到所需的曝光。但是高ISO会给图像带来更多噪声,以图像的噪声残差的形式进行估计得到的PRNU只是近似的结果,对PRNU的相关性造成影响,进一步影响到基于PRNU的源摄像机识别的性能。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的图像成像感光度预测方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种图像成像感光度预测方法,该方法包括获取原始图像,根据图像的饱和度和明度滤除原始图像中的影响像素;对原始图像进行分块得到多个图像块,根据每一个图像块的平均信息量和影响像素的数量获取影响值,根据影响值确定优选图像块集合;根据优选图像块集合和模板图像块集合,进行图像相关性分析,得到每一个优选图像块的最大相关性的模板图像块;每个模板图像块对应多种不同感光度的子图像;获取每个优选图像块的噪声图像,根据噪声图像与每个子图像的模板噪声图像获取多个噪声图像差值;选取噪声图像差值最小的子图像的感光度作为优选图像块的最大概率感光度;统计优选图像块集合对应的每种最大概率感光度的数量,选取数量最多的感光度作为原始图像的感光度。
优选的,获取每个优选图像块的噪声图像的方法,包括消除优选图像块的噪声,得到处理后的优选图像块;获取优选图像块和处理后的优选图像块的差值,确定噪声图像。
优选的,确定优选图像块集合的方法,包括选取影响值最小的K个图像块作为优选图像块集合。
优选的,图像相关性分析的方法为NCC归一化互相关法。
优选的,获取每个子图像的模板噪声图像的方法,包括消除子图像的噪声,得到处理后的子图像;获取子图像和处理后的子图像的差值,确定子图像的模板噪声图像。
第二方面,本发明另一个实施例提供了一种图像成像感光度预测系统,该系统包括过滤模块,用于获取原始图像,根据图像的饱和度和明度滤除原始图像中的影响像素;确定优选图像块集合模块,用于对原始图像进行分块得到多个图像块,根据每一个图像块的平均信息量和影响像素的数量获取影响值,根据影响值确定优选图像块集合;获取最大概率感光度模块,用于根据优选图像块集合和模板图像块集合,进行图像相关性分析,得到每一个优选图像块的最大相关性的模板图像块;每个模板图像块对应多种不同感光度的子图像;获取每个优选图像块的噪声图像,根据噪声图像与每个子图像的模板噪声图像获取多个噪声图像差值;选取噪声图像差值最小的子图像的感光度作为优选图像块的最大概率感光度;原始图像感光度获取模块,用于统计优选图像块集合对应的每种最大概率感光度的数量,选取数量最多的感光度作为原始图像的感光度。
优选的,获取最大概率感光度模块,还包括获取处理后优选图像块单元,用于消除优选图像块的噪声,得到处理后的优选图像块;噪声图像获取单元,用于获取优选图像块和处理后的优选图像块的差值,确定噪声图像。
优选的,确定优选图像块集合模块,还包括优选图像块集合获取单元,用于选取影响值最小的K个图像块作为优选图像块集合。
优选的,获取最大概率感光度模块,还包括获取处理后子图像单元,用于消除子图像的噪声,得到处理后的子图像;模板噪声图像获取单元,用于获取子图像和处理后的子图像的差值,确定子图像的模板噪声图像。
本发明具有如下有益效果:
对图像成像时的感光度进行预测,选择合适的感光度作为图像成像的感光度,从而更好提取的PRNU,进而提高源摄像机识别和图像伪造检测的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的图像成像感光度预测方法的流程图;
图2为本发明一个实施例所提供的一种基于人工智能的图像成像感光度预测系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的图像成像感光度预测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
该基于人工智能的图像成像感光度预测方法及系统可适用需要源相机识别和图像伪造检测的场合,比如摄影比赛、法医调查或作为证据交给法庭等场景。
对图像成像时的感光度进行预测,选择合适的感光度作为图像成像的感光度,从而更好的提取PRNU,进而提高源摄像机识别和图像伪造检测的精度。
下面结合附图具体的说明本发明所提供的一种基于人工智能的图像成像感光度预测方法及系统的具体方案。
请参阅图1,其示出了本发明实施例提供的一种基于人工智能的图像成像感光度预测方法流程图,该预测方法包括以下步骤:
步骤S110,获取原始图像,根据图像的饱和度和明度滤除原始图像中的影响像素。
对于同一摄像机,ISO速度越高,图像内容中引入的噪声水平就越高。因此,利用图像内容中的噪声特性来推断图像的ISO速度是直观的。来自具有相似内容的相同相机的图像块如果具有相同的ISO速度,则应显示相似的噪声特性,反之亦然。
为了更好地表示图像的噪声特性,需要消除图像中的暗调像素和饱和像素,这些像素会对噪声判断造成一定的影响。
本实施例中原始图像为RGB图像。
对原始图像进行HSV颜色空间转换,以下给出具体实现过程:
a)将原始图像进行归一化,即值变为[0,1]之间。
b)V=max(R,G,B)
e)计算结果可能出现H<0,因此进行以下计算:
HSV是一种比较直观的颜色模型,这个模型中颜色参数分别是色调(H,Hue),饱和度(S,Saturation),明度(V,Value),取值范围为:
0≤H≤360,0≤S≤1,0≤V≤1
通过原始图像的饱和度和明度阈值判断暗调像素及饱和像素。
对于每个像素而言,满意下述任一条件,则认定该像素为影响像素:
S(i)>G1
V(i)<G2
其中,S(i)为第i个像素的饱和度,V(i)为第i个像素的明度。G1为饱和度阈值,G2为明度阈值。
本发明实施例饱和度阈值G1的经验值为0.78,明度阈值G2的经验值为0.3。
步骤S120,对原始图像进行分块得到多个图像块,根据每一个图像块的平均信息量和影响像素的数量获取影响值,根据影响值确定优选图像块集合。
对原始图像进行分块,假设图像为512*512大小,分块的大小经验值为32,则该原始图像总共能分出256个图像块。
图像的纹理也会影响图像的噪声特性,纹理较少的图像可以更好地显示图像的噪声特性。
首先将原始图像进行灰度转换,得到灰度图,然后对灰度图像进行纹理特征分析,进行灰度共生矩阵(GLCM的纹理特征分析方法)的提取,然后采用灰度共生矩阵的熵(entropy)表示。
熵(entropy,ENT)表示:
R表示灰度共生矩阵的大小,与灰度级量化相同,G(i,j)则表示第i行、第j列灰度共生矩阵中的像素值,logG(i,j)为G(i,j)的对数。
本实施例中,灰度共生矩阵的大小R的经验值为8
熵是图像所具有的信息量的度量,纹理信息也属于图像的信息,是一个随机性的度量,共生矩阵中元素分散分布时,熵较大。它表示了图像中纹理的非均匀程度或复杂程度。熵越大,纹理越复杂。
最终得到一幅与灰度图像相同大小的熵表示特征图。
求取原始图像中每个图像块的影响值Eff。
其中,F(i)为熵表示特征图中该图像块的第i个像素的信息量,n为图像块的总像素数量。Ne为该图像块里的影响像素的数量。w1为该图像块平均信息量的映射值,w2为图像块影响像素数量的映射值。
本发明实施例中w1取值为2,w2取值为0.2。
然后将图像块按递增规律进行影响值排序,由于影响值由平均信息量及影响像素组成,影响值越大,图像的PRNU噪声特征反映越差,因此选取影响值最小的K个图像块作为优选图像块集合,以代表整幅图像进行ISO的判断。
优选图像块集合过滤了复杂纹理及包含较多饱和像素、暗像素的图像块,可以提高后续感光度预测的精度,并基于图像噪声特性的过滤实现ISO搜索,提取到图像中具有代表性的噪声分布图像块,进一步减少ISO搜索的范围,提高ISO预测的效率。
本发明实施例中K的经验值为16。
步骤S130,根据优选图像块集合和模板图像块集合,进行图像相关性分析,得到每一个优选图像块的最大相关性的模板图像块;每个模板图像块对应多种不同感光度的子图像;获取每个优选图像块的噪声图像,根据噪声图像与每个子图像的模板噪声图像获取多个噪声图像差值;选取噪声图像差值最小的子图像的感光度作为优选图像块的最大概率感光度。
1)构建模板图像,模板图像由每个场景下使用不同感光度相机拍摄的多个图像组成,该图像为RGB图像,然后对该RGB图像进行分块并存储,得到模板图像块集合,每个模板图像块对应多种不同感光度的子图像。
假设图像为512*512大小,分块的大小经验值为32,则该模板图像总共能分出256个模板图像块。ISO常用的数值:ISO100、ISO200、ISO400、ISO800、ISO1600、ISO3200、ISO6400。
2)根据优选图像块集合和模板图像块集合,进行图像相关性分析,得到每一个优选图像块的最大相关性的模板图像块。对于每一个优选图像块都可以得到1个最大相关性模板图像块,该模板图像块与优选图像块内容最相关。
优选的,本发明实施例图像相关性分析法为NCC归一化互相关法。
3)对每个优选图像块和模板图像块中的子图像进行图像噪声的分析。
消除优选图像块的噪声,得到处理后的优选图像块;
获取优选图像块和处理后的优选图像块的差值,确定噪声图像ImageA:
ImageA=image-Function(image)
其中,image表示优选图像块,Function(image)表示处理后的优选图像块。
同理,消除子图像的噪声,得到处理后的子图像;
获取子图像和处理后的子图像的差值,确定子图像的模板图像噪声ImageA′:
优选的,本实施例中采用高斯滤波处理优选图像块。
获取优选图像块与每个子图像的噪声图像差值Noise:
其中,D为图像的通道数,n为图像块的像素数量,ImageAj(i)表示优选图像块的第j个通道图像的第i个像素,ImageAj′(i)表示模板图像块的第j个通道图像的第i个像素,K为优选图像块集合中图像块数量。
优选图像块与模板图像块的每个子图像的模板噪声图像差值越小,表示图像块的噪声分布越接近。
选取噪声图像差值最小的子图像的ISO作为该优选图像块的最大概率ISO,得到优选图像块集合中K个图像块的最大概率ISO。
步骤S140,统计优选图像块集合对应的每种最大概率感光度的数量,选取数量最多的感光度作为原始图像的感光度。
对优选图像块集合中每一个图像块的最大概率ISO种类进行统计,得到每一种ISO的数量,并选最多数量的ISO作为该图像的成像ISO。
其中,N1表示ISO的数量,Noisek为第k个噪声图像差值。
选取最小平均噪声值的ISO当作图像成像时的ISO。
综上,基于人工智能的图像成像感光度预测方法通过获取原始图像,根据饱和度和明度滤除原始图像中的影响像素;对原始图像进行分块得到多个图像块,根据每一个图像块的平均信息量和影响像素的数量获取影响值,然后确定优选图像块集合,过滤掉影响较多的图像块,提高感光度预测的精度;根据优选图像块集合和模板图像块集合,进行图像相关性分析,得到每一个优选图像块的最大相关性的模板图像块;每个模板图像块对应多种不同感光度的子图像;获取每个优选图像块的噪声图像,根据噪声图像与每个子图像的模板噪声图像获取多个噪声图像差值;选取噪声图像差值最小的子图像的感光度作为优选图像块的最大概率感光度;统计优选图像块集合对应的每种最大概率感光度的数量,选取数量最多的感光度作为原始图像的感光度。对图像成像时的感光度进行预测,选择合适的感光度作为图像成像的感光度,从而更好的提取PRNU,进而提高源摄像机识别和图像伪造检测的精度。
基于与上述方法实施例相同的发明构思,本发明还提供了一种基于人工智能的图像成像感光度预测系统。
图2示出了本发明另一个实施例图像成像感光度预测系统框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图2,图像成像感光度预测系统框图200包括过滤模块210、确定优选图像块集合模块220、获取最大概率感光度模块230、原始图像感光度获取模块240。
过滤模块210,用于获取原始图像,根据图像的饱和度和明度滤除原始图像中的影响像素;确定优选图像块集合模块220,用于对原始图像进行分块得到多个图像块,根据每一个图像块的平均信息量和影响像素的数量获取影响值,根据影响值确定优选图像块集合;获取最大概率感光度模块230,用于根据优选图像块集合和模板图像块集合,进行图像相关性分析,得到每一个优选图像块的最大相关性的模板图像块;每个模板图像块对应多种不同感光度的子图像;获取每个优选图像块的噪声图像,根据噪声图像与每个子图像的模板噪声图像获取多个噪声图像差值;选取噪声图像差值最小的子图像的感光度作为优选图像块的最大概率感光度;原始图像感光度获取模块240,用于统计优选图像块集合对应的每种最大概率感光度的数量,选取数量最多的感光度作为原始图像的感光度。
优选的,获取最大概率感光度模块,还包括;
获取处理后优选图像块单元,用于消除优选图像块的噪声,得到处理后的优选图像块;
噪声图像获取单元,用于获取优选图像块和处理后的优选图像块的差值,确定噪声图像。
优选的,确定优选图像块集合模块,还包括:
优选图像块集合获取单元,用于选取影响值最小的K个图像块作为优选图像块集合。
优选的,获取最大概率感光度模块,还包括:
获取处理后子图像单元,用于消除子图像的噪声,得到处理后的子图像;
模板噪声图像获取单元,用于获取子图像和处理后的子图像的差值,确定子图像的模板噪声图像。
综上,基于人工智能的图像成像感光度预测系统,根据过滤模块获取原始图像,根据图像的饱和度和明度滤除原始图像中的影响像素;利用确定优选图像块集合模块对原始图像进行分块得到多个图像块,根据每一个图像块的平均信息量和影响像素的数量获取影响值,根据影响值确定优选图像块集合;利用获取最大概率感光度模块,根据优选图像块集合和模板图像块集合,进行图像相关性分析,得到每一个优选图像块的最大相关性的模板图像块,每个模板图像块对应多种不同感光度的子图像,获取每个优选图像块的噪声图像,根据噪声图像与每个子图像的模板噪声图像获取多个噪声图像差值;选取噪声图像差值最小的子图像的感光度作为优选图像块的最大概率感光度;根据原始图像感光度获取模块统计优选图像块集合对应的每种最大概率感光度的数量,选取数量最多的感光度作为原始图像的感光度。精准预测图像成像时的感光度,从而更好的提取PRNU,进而提高源摄像机识别和图像伪造检测的精度。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于人工智能的图像成像感光度预测方法,其特征在于,该方法包括以下步骤:
获取原始图像,根据图像的饱和度和明度滤除所述原始图像中的影响像素;对于每个像素,满意下述任一条件,则认定该像素为影响像素:
其中,S(i)为第i个像素的饱和度,V(i)为第i个像素的明度,G1为饱和度阈值,G2为明度阈值;
对所述原始图像进行分块得到多个图像块,根据每一个所述图像块的平均信息量和所述影响像素的数量获取影响值,选取影响值最小的K个图像块作为优选图像块集合;所述影响值的获取方法具体为:
其中,F(i)为图像块的第i个像素的信息量,n为图像块的总像素数量,Ne为该图像块里的影响像素的数量,w1为该图像块平均信息量的映射值,w2为图像块影响像素数量的映射值;
根据所述优选图像块集合和模板图像块集合,进行图像相关性分析,得到每一个优选图像块的最大相关性的模板图像块;每个所述模板图像块对应多种不同感光度的子图像;获取每个所述优选图像块的噪声图像,根据所述噪声图像与每个所述子图像的模板噪声图像获取多个噪声图像差值;选取所述噪声图像差值最小的所述子图像的感光度作为所述优选图像块的最大概率感光度;
统计所述优选图像块集合对应的每种最大概率感光度的数量,选取数量最多的感光度作为所述原始图像的感光度。
2.根据权利要求1所述的方法,其特征在于,所述获取每个所述优选图像块的噪声图像的方法,包括以下步骤:
消除所述优选图像块的噪声,得到处理后的优选图像块;
获取所述优选图像块和所述处理后的优选图像块的差值,确定所述噪声图像。
3.根据权利要求1所述的方法,其特征在于,所述图像相关性分析的方法为NCC归一化互相关法。
4.根据权利要求1或2所述的方法,其特征在于,所述获取每个所述子图像的模板噪声图像的方法,包括以下步骤:
消除所述子图像的噪声,得到处理后的子图像;
获取所述子图像和所述处理后的子图像的差值,确定所述子图像的模板噪声图像。
5.一种基于人工智能的图像成像感光度预测系统,其特征在于,包括:
过滤模块,用于获取原始图像,根据图像的饱和度和明度滤除所述原始图像中的影响像素;对于每个像素,满意下述任一条件,则认定该像素为影响像素:
其中,S(i)为第i个像素的饱和度,V(i)为第i个像素的明度,G1为饱和度阈值,G2为明度阈值;
确定优选图像块集合模块,用于对所述原始图像进行分块得到多个图像块,根据每一个所述图像块的平均信息量和所述影响像素的数量获取影响值,选择影响值最小的K个图像块作为优选图像块集合;所述影响值的获取方法具体为:
其中,F(i)为图像块的第i个像素的信息量,n为图像块的总像素数量,Ne为该图像块里的影响像素的数量,w1为该图像块平均信息量的映射值,w2为图像块影响像素数量的映射值;
获取最大概率感光度模块,用于根据所述优选图像块集合和模板图像块集合,进行图像相关性分析,得到每一个优选图像块的最大相关性的模板图像块;每个所述模板图像块对应多种不同感光度的子图像;获取每个所述优选图像块的噪声图像,根据所述噪声图像与每个所述子图像的模板噪声图像获取多个噪声图像差值;选取所述噪声图像差值最小的所述子图像的感光度作为所述优选图像块的最大概率感光度;
原始图像感光度获取模块,用于统计所述优选图像块集合对应的每种最大概率感光度的数量,选取数量最多的感光度作为所述原始图像的感光度。
6.根据权利要求5所述的系统,其特征在于,所述获取最大概率感光度模块,还包括;
获取处理后优选图像块单元,用于消除所述优选图像块的噪声,得到处理后的优选图像块;
噪声图像获取单元,用于获取所述优选图像块和所述处理后的优选图像块的差值,确定所述噪声图像。
7.根据权利要求5所述的系统,其特征在于,所述获取最大概率感光度模块,还包括:
获取处理后子图像单元,用于消除所述子图像的噪声,得到处理后的子图像;
模板噪声图像获取单元,用于获取所述子图像和所述处理后的子图像的差值,确定所述子图像的模板噪声图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110552491.0A CN113286142B (zh) | 2021-05-20 | 2021-05-20 | 一种基于人工智能的图像成像感光度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110552491.0A CN113286142B (zh) | 2021-05-20 | 2021-05-20 | 一种基于人工智能的图像成像感光度预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113286142A CN113286142A (zh) | 2021-08-20 |
CN113286142B true CN113286142B (zh) | 2023-01-24 |
Family
ID=77280389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110552491.0A Active CN113286142B (zh) | 2021-05-20 | 2021-05-20 | 一种基于人工智能的图像成像感光度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113286142B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469297B (zh) * | 2021-09-03 | 2021-12-14 | 深圳市海邻科信息技术有限公司 | 图像篡改检测方法、装置、设备及计算机可读存储介质 |
CN117252886A (zh) * | 2023-09-11 | 2023-12-19 | 广东源恒软件科技有限公司 | 一种基于图像分割的发票识别方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013258444A (ja) * | 2012-06-11 | 2013-12-26 | Olympus Corp | 画像処理装置、画像処理方法及びプログラム |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005303803A (ja) * | 2004-04-14 | 2005-10-27 | Olympus Corp | 撮像装置と画像記録媒体、および画像処理装置ならびに画像処理プログラムとその記録媒体 |
JP5015677B2 (ja) * | 2007-06-29 | 2012-08-29 | 富士フイルム株式会社 | 撮影装置及びその制御方法 |
CN101340516B (zh) * | 2007-07-06 | 2010-06-02 | 鸿富锦精密工业(深圳)有限公司 | 感光度调整装置及调整方法 |
CN104504659B (zh) * | 2014-12-19 | 2017-07-11 | 成都品果科技有限公司 | 一种基于提升小波变换的快速iso去噪方法及系统 |
KR102459221B1 (ko) * | 2018-02-20 | 2022-10-27 | 삼성전자주식회사 | 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체 |
CN108989678B (zh) * | 2018-07-27 | 2021-03-23 | 维沃移动通信有限公司 | 一种图像处理方法、移动终端 |
CN109348212B (zh) * | 2018-09-28 | 2020-07-21 | 维沃移动通信(杭州)有限公司 | 一种图像噪声确定方法及终端设备 |
CN110072051B (zh) * | 2019-04-09 | 2021-09-03 | Oppo广东移动通信有限公司 | 基于多帧图像的图像处理方法和装置 |
CN112669231B (zh) * | 2020-12-23 | 2024-03-05 | 北京小米松果电子有限公司 | 图像处理方法、图像处理模型的训练方法、装置、介质 |
-
2021
- 2021-05-20 CN CN202110552491.0A patent/CN113286142B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013258444A (ja) * | 2012-06-11 | 2013-12-26 | Olympus Corp | 画像処理装置、画像処理方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN113286142A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Real-world noisy image denoising: A new benchmark | |
CN109636754B (zh) | 基于生成对抗网络的极低照度图像增强方法 | |
CN111741211B (zh) | 图像显示方法和设备 | |
US20180241929A1 (en) | Exposure-Related Intensity Transformation | |
KR102449841B1 (ko) | 타겟의 검측 방법 및 장치 | |
US8811733B2 (en) | Method of chromatic classification of pixels and method of adaptive enhancement of a color image | |
CN113286142B (zh) | 一种基于人工智能的图像成像感光度预测方法及系统 | |
US10382712B1 (en) | Automatic removal of lens flares from images | |
CN111292264A (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
CN107395991B (zh) | 图像合成方法、装置、计算机可读存储介质和计算机设备 | |
CN115797225B (zh) | 一种水下地形测量用无人船采集图像增强方法 | |
CN112418087B (zh) | 一种基于神经网络的水下视频鱼类识别方法 | |
US7949182B2 (en) | Combining differently exposed images of the same object | |
CN112384946A (zh) | 一种图像坏点检测方法及装置 | |
CN113052170A (zh) | 一种无约束场景下的小目标车牌识别方法 | |
CN101903893B (zh) | 使用内核融合的数字信号模式检测和分类 | |
US7227991B2 (en) | Method for improving the quality of a digital image | |
CN111080683B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN109191398A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN107454328A (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
CN112348762A (zh) | 一种基于多尺度融合生成对抗网络的单幅图像去雨方法 | |
Zuo | Camera model identification with convolutional neural networks and image noise pattern | |
US11153467B2 (en) | Image processing | |
US11288537B2 (en) | Image forensics using non-standard pixels | |
Baishya et al. | Luminance Channel Based Camera Model Identification |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230105 Address after: Room 426, Floor 4, Building 23, East Yard, No. 10, Northwest Wangdong Road, Haidian District, Beijing 100193 Applicant after: ZHONGXIN HANCHUANG (BEIJING) TECHNOLOGY CO.,LTD. Address before: 450000 No. 5, Zone C, floor 8, building 2, No. 85, Jinshui East Road, Zhengzhou area (Zhengdong), pilot Free Trade Zone, Zhengzhou City, Henan Province Applicant before: Henan Zhongquan Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |