CN113362252B - 智能画幅重构方法、装置、计算机设备及存储介质 - Google Patents
智能画幅重构方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113362252B CN113362252B CN202110733823.5A CN202110733823A CN113362252B CN 113362252 B CN113362252 B CN 113362252B CN 202110733823 A CN202110733823 A CN 202110733823A CN 113362252 B CN113362252 B CN 113362252B
- Authority
- CN
- China
- Prior art keywords
- array
- value
- saliency map
- frame
- central
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000009499 grossing Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000003491 array Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种智能画幅重构方法、装置、计算机设备及存储介质,方法包括:获取输入视频的帧集合A,并按照预设间隔对所述帧集合A中的帧画面进行处理以生成相对应的显著图集合B;根据所述显著图Bi的中心值生成数值Ci,并根据所述数值Ci生成第一数组C,其中,所述第一数组C={C1,C2,…,Ci},且若Bi=0,则Ci=0;对所述第一数组C中的零值进行赋值并对赋值后的所述第一数组C进行平滑处理以获得中心值数组F;根据所述中心值数组F输出所有所述帧画面的显著中心区域。本发明能够提高智能画幅重构的效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种智能画幅重构方法、装置、计算机设备及存储介质。
背景技术
通过利用深度学习网络对图像进行处理,可以获得该图像的显著图,而一般一个视频可以包含多帧画面,每一帧画面均可以视为一个图像,智能画幅重构技术则是通过深度学习网络对一个视频的每一帧画面均进行处理以获得每一帧画面的显著图从而实现重构画幅的目的。而现有的方法在进行画幅重构时,需要对每一帧画面进行处理从而获得对应画面的显著图,导致整个画幅重构的过程较长。
发明内容
本发明实施例提供了一种智能画幅重构方法、装置、计算机设备及存储介质,可以提高画幅重构的效率。
第一方面,本发明实施例提供了一种智能画幅重构方法,该方法包括:获取输入视频的帧集合A,并按照预设间隔对所述帧集合A中的帧画面进行处理以生成相对应的显著图集合B,其中,所述帧集合A={A1、A2,…,Ai},所述显著图集合B={B1、B2,…,Bi},若所述帧集合A中的帧画面Ai尚未生成显著图Bi,则将所述显著图Bi记为0;
根据所述显著图Bi的中心值生成数值Ci,并根据所述数值Ci生成第一数组C,其中,所述第一数组C={C1,C2,…,Ci},且若Bi=0,则Ci=0;
对所述第一数组C中的零值进行赋值并对赋值后的所述第一数组C进行平滑处理以获得中心值数组F,其中,所述中心值数组F={F1,F2,F3,…,Fi},Fi为对应显著图Bi的模拟中心值;
根据所述中心值数组F输出所有所述帧画面的显著中心区域。
第二方面,本发明实施例还提供了一种智能画幅重构装置,该装置包括:第一生成单元,用于获取输入视频的帧集合A,并按照预设间隔对所述帧集合A中的帧画面进行处理以生成相对应的显著图集合B,其中,所述帧集合A={A1、A2,…,Ai},所述显著图集合B={B1、B2,…,Bi},若所述帧集合A中的帧画面Ai尚未生成显著图Bi,则将所述显著图Bi记为0;
第二生成单元,用于根据所述显著图Bi的中心值生成数值Ci,并根据所述数值Ci生成第一数组C,其中,所述第一数组C={C1,C2,…,Ci},且若Bi=0,则Ci=0;
第一赋值单元,用于对所述第一数组C中的零值进行赋值并对赋值后的所述第一数组C进行平滑处理以获得中心值数组F,其中,所述中心值数组F={F1,F2,F3,…,Fi},Fi为对应显著图Bi的模拟中心值;
第一输出单元,用于根据所述中心值数组F输出所有所述帧画面的显著中心区域。
第三方面,本发明实施例还提供了一种计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时可实现上述方法。
本发明实施例提供了一种智能画幅重构方法、装置、计算机设备及存储介质。其中,所述方法包括:获取输入视频的帧集合A,并按照预设间隔对所述帧集合A中的帧画面进行处理以生成相对应的显著图集合B,其中,所述帧集合A={A1、A2,…,Ai},所述显著图集合B={B1、B2,…,Bi},若所述帧集合A中的帧画面Ai尚未生成显著图Bi,则将所述显著图Bi记为0;根据所述显著图Bi的中心值生成数值Ci,并根据所述数值Ci生成第一数组C,其中,所述第一数组C={C1,C2,…,Ci},且若Bi=0,则Ci=0;对所述第一数组C中的零值进行赋值并对赋值后的所述第一数组C进行平滑处理以获得中心值数组F,其中,所述中心值数组F={F1,F2,F3,…,Fi},Fi为对应显著图Bi的模拟中心值;根据所述中心值数组F输出所有所述帧画面的显著中心区域。本发明实施例通过间隔获取输入视频的帧画面的显著图,使得不需要对输入视频的全部帧画面生成显著图,因而大幅提高了深度学习网络生成显著图的效率,同时,对已经生成的显著图获取其相对应的中心值,并且通过已经生成的显著图的中心值推理出其它尚未生成显著图的中心值,从而可以获得所有显著图的中心值,再根据上述显著图的中心值确认相对应的帧画面的显著中心区域,并输出所有帧画面的显著中心区域从而完成画幅重构,且由于无需生成所有帧画面的显著图,大幅提高了画幅重构的效率。
附图说明
为了更清楚地说明本发明实施例技术方案,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他的附图。
图1是本发明实施例提供的智能画幅重构方法的流程示意图;
图2是本发明实施例提供的智能画幅重构方法的子流程示意图;
图3是本发明实施例提供的智能画幅重构方法的子流程示意图;
图4是本发明实施例提供的智能画幅重构方法的子流程示意图;
图5是本发明实施例提供的智能画幅重构方法的子流程示意图;
图6是本发明实施例提供的智能画幅重构方法的子流程示意图;
图7是本发明实施例提供的智能画幅重构方法的子流程示意图;
图8是本发明实施例提供的智能画幅重构装置的示意性框图;
图9是本发明实施例提供的智能画幅重构装置的第一生成单元的示意性框图;
图10是本发明实施例提供的智能画幅重构装置的第二生成单元的示意性框图;
图11是本发明实施例提供的智能画幅重构装置的第一赋值单元的示意性框图;
图12是本发明实施例提供的智能画幅重构装置的第四赋值单元的示意性框图;
图13是本发明实施例提供的智能画幅重构装置的第一处理单元的示意性框图;
图14是本发明实施例提供的智能画幅重构装置的第二处理单元的示意性框图;
图15是本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1是本发明实施例提供的智能画幅重构方法的流程示意图。本发明实施例的智能画幅重构方法可以提高画幅重构的效率。如图1所示,该方法包括步骤S110~S140。
S110,获取输入视频的帧集合A,并按照预设间隔对所述帧集合A中的帧画面进行处理以生成相对应的显著图集合B,其中,所述帧集合A={A1、A2,…,Ai},所述显著图集合B={B1、B2,…,Bi},若所述帧集合A中的帧画面Ai尚未生成显著图Bi,则将所述显著图Bi记为0。
在本发明实施例中,视频通常由多个帧画面组成,以一个视频包含10帧画面为例,则i=10,输入视频的帧集合A={A0,A1,A2,…,A9},按照预设间隔对上述帧集合A中的帧画面Ai通过深度学习网络进行训练以获取上述10个帧画面的显著图,其中,该深度学习网络模型可以是本领域技术人员所熟知的任一用于获取显著图的深度学习网络模型,间隔获取显著图是指每间隔n个帧画面获取一个帧画面的显著图,也可以是以某一个数为参考值,从第一帧画面A1开始,对该参考值的倍数所对应的帧画面进行显著图的生成,例如参考值为5,则需要生成显著图的帧画面为A1、A5和A10,且相对应的显著图为B1、B5和B10,对于未获取显著图的帧画面,则该帧画面所对应的显著图可以记为0,用以表示相对应的帧画面没有生成显著图,则显著图集合B={B1、0、0、0、B5、0、0、0、0、B10}。另外,通过深度学习网络模型获取帧画面所对应的显著图通常是较为耗费时间的,而本申请通过间隔获取帧画面的显著图,从而可以根据不同的需求提高获取显著图的效率,从而提高了画幅重构的效率。
在某些实施例,例如本实施例中,如图2所示,所述步骤S110可以包括步骤S111-S113。
S111,获取所述输入视频的所有帧画面,并根据所述帧画面生成所述帧集合A。
在本发明实施例中,通过解析输入视频以获取该输入视频的所有帧画面从而获得包含所有帧画面的帧集合A。
S112,通过深度学习网络模型按照所述预设间隔对所述帧集合A中的帧画面Ai进行训练以生成相对应的显著图Bi。
在本发明实施例中,深度学习网络模型为本领域技术人员所熟知的任一个用于获取显著图的模型,预设间隔距离可以是每间隔n个帧画面获取一次帧画面所对应的显著图,例如,每间隔3个帧画面生成一次显著图,则从第一个帧画面A0开始,需要生成显著图的帧画面为A1、A5、A9,……,则对应的显著图为B1、B5、B9,……。
S113,将尚未生成所述显著图的帧画面Ai所对应的显著图Bi记为0,并根据所述显著图Bi生成所述显著图集合B。
在本发明实施例中,对于其中尚未生成显著图的帧画面Ai可以记为0,例如,若A2尚未生存显著图,则将B2记为0,则显著图集合B={B1,0,B3,B4,…}。
S120,根据所述显著图Bi的中心值生成数值Ci,并根据所述数值Ci生成第一数组C,其中,所述第一数组C={C1,C2,…,Ci},且若Bi=0,则Ci=0。
在本发明实施例中,显著图Bi的中心值可以通过显著侦测后获得,其为本领域技术人员所熟知的技术,在这里不进行说明。对于显著图集合B={B1、0、0、0、B5、0、0、0、0、B10},B1、B5和B10为所对应的帧画面A1、A5和A10的显著图,故可以通过显著侦测获得上述显著图相对应的中心值,以显著图B1的中心值为30,B5的中心值为32,B10的中心值为43为例进行说明,则第一数组C={30、0、0、0、32、0、0、0、0、43}。
在某些实施例,例如本实施例中,如图3所示,所述步骤S120可以包括步骤S121-S122。
S121,获取所述显著图Bi所对应的中心值,并将所述中心值赋值给所述数值Ci。
在本发明实施例中,若显著图集合B={B1、0、0、0、B5、0、0、0、0、B10},则可以分别获取显著图B1、显著图B5和显著图B10的中心值,并根据上述中心值生成相对应的数值Ci,例如,显著图B1的中心值为30,则数值C1的值也为30。
S122,若所述显著图Bi的值为0,则将所述数值Ci设为0,并根据所述数值C1至数值Ci生成所述第一数组C。
在本发明实施例中,在显著图集合B={B1、0、0、0、B5、0、0、0、0、B10}中存在有零值,而零值无法获取相对应的中心值,因此可以将相对应的数值Ci的值也设为0,例如,B2的值为0,则C2的值也为0,确认所有的数值Ci的值之后,可以生成第一数组C。
S130,对所述第一数组C中的零值进行赋值并对赋值后的所述第一数组C进行平滑处理以获得中心值数组F,其中,所述中心值数组F={F1,F2,F3,…,Fi},Fi为对应显著图Bi的模拟中心值。
在本发明实施例中,第一数组C有零值和非零值组成,且零值所表示的是对应的帧画面尚未生成显著图,非零值表示的是对应的帧画面已经生成显著图且获取了该显著图的中心值。故可以通过对第一数组C中的所有零值进行赋值以获得赋值后的第一数组C,再对赋值后的第一数组C进行平滑处理,使得第一数组C中的各个数值Ci相对平滑,从而获得中心值数组F,在中心值数组F中,每一个数值Fi表示的是对应帧画面的显著图的模拟中心值,通过模拟帧画面的显著图的中心值,使得无需获取每一个帧画面的显著图,即可以达到获取所有帧画面的显著图的中心值的目的。
在某些实施例,例如本实施例中,如图4所示,所述步骤S130可包括步骤S131-S133。
S131,生成第二数组D,其中,D={D1,D2,…,Di}。
在本发明实施例中,第二数组D作为中间数组用于调整第一数组C的各项值,其在生成时可以是一组空的数组,通过对第二数组D中的各个数值进行赋值以便于调整第一数组C中的数值。其中,第二数组D中的每一项Di与第一数组Ci的位置关系相对应。
S132,根据所述第一数组C中的数值Ci对所述第二数组D中的数值Di进行赋值。
在本发明实施例中,以第一数组C={30、0、0、0、32、0、0、0、0、43}为例进行说明,则第二数组D={D1、0、0、0、D5、0、0、0、0、D10},由于数值C1=30是确定的,可以将C1=30直接赋值给D1以减小计算的复杂度,而对于数值D5和数值D10则可以通过计算在第一数组C中与数值D10和D5位置相对应的项的相邻项的平均数进行计算,例如,D5=(30+32+43)/3=35,对于D10,可以将C10的值赋值给D10,则D={30、0、0、0、35、0、0、0、0、43},若D10后存在D15,则D10=(C5+C10+C15)/3。通过上述方法调整第一数组Ci的非零值的值,也即调整已经生成显著图的中心值,从而使得最终获得的中心值数组F较为平滑。
S133,对所述第二数组D中的零值进行赋值并对赋值后的所述第二数组D进行平滑处理以获得所述中心值数组F。
在本发明实施例中,第二数组D中的非零值为取平均之后获得的项,相较于第一数组C较为平滑,则之后可以对第二数组D中的零值进行赋值以便于模拟尚未生成显著图的显著图的中心值。
在某些实施例,例如本实施例中,如图5所示,所述步骤S133可包括步骤S1331-S1334。
S1331,根据所述第二数组D生成第三数组E,其中,所述第三数组E={E1,E2,…,Ei}。
在本发明实施例中,第三数组E的生成方式可以是通过对第二数组D进行复制得到的,故第三数组E中的数值Ei与第二数组D中的数值Di相同。
S1332,确认所述第二数组D中的零值Dn和与所述零值相邻的非零值,将与所述零值Dn相邻的非零值分别设为第一参考值和第二参考值,其中,n∈i。
在本发明实施例中,第二数组D包含零值和非零值,以D={30、0、0、0、32、0、0、0、0、43}为例进行说明,在第二数组D中,D2为零值,则与D2相邻的非零值分别是D1和D5。其中,Dn表示在第二数组D中数值为0的项,则相对应的,En表示的为数值为0的项,可以将D1设置为第一参考值,将D5设置为第二参考值。
S1333,根据所述零值Dn在所述第二数组D中与所述第一参考值的距离确认第一权重以及与所述第二参考值的距离确认第二权重。
在本发明实施例中,在第二数组D={30、0、0、0、32、0、0、0、0、43}中,第一参考值D1和第二参考值D5之间包含有三个零值,分别是D2、D3和D4,且在第二数组D中,D2、D3和D4与D1和D5均间隔有一定距离,以D2为例,则D2与第一参考值D1的距离为0,D2与第二参考值D5的距离为2,其它零值与第一参考值和第二参考值的距离的确认方式以此类推。故可以根据D2与第一参考值D1的距离和与第二参考值D5的距离确定第一权重和第二权重,具体来说,距离越小,权重越大。
S1334,根据所述第一参考值和所述第一权重以及所述第二参考值和所述第二权重对数值En进行赋值,并对所述第三数组E进行平滑处理以获得所述中心值数组F。
在本发明实施例中,以D2与第一参考值D1的第一权重为0.8,与第二参考值D5的第二权重为0.2为例,则E2=30*0.8+35*0.2=31,而对于E3,D3与第一参考值D1的距离和与第二参考值D5的距离一样,故第一权重和第二权重均可以是0.5,则E3=30*0.5+35*0.5=32.5,对于E4,D4其与D1的距离较远,与D5的距离较近,则E4=30*0.2+35*0.8=34,对于其它的零值,赋值方法相同,则可以推出第三数组E={30、31、32.5、34、35、36.6、38.2、39.8、41.4、43}。需要注意的是,第一权重和第二权重并不限定0.8或者0.2,而是根据距离关系,可以灵活调整,合理即可,且当对一个数值En完成赋值之后,继续对下一个数值En+1进行赋值,直到完成对所有的零值的赋值。在完成对第三数组E中所以的零值En的赋值之后,则第三数组E中包含有各个帧画面的显著图的初步模拟中心值,为了使得显著图的中心值更贴合采用深度神经网络模型所得出来的中心值,可以进一步地对第三数组E进行平滑处理以获得中心值数组F。
在某些实施例,例如本实施例中,如图6所示,所述步骤S1334可包括步骤S13341-S13342。
S13341,确认平滑距离。
在本发明实施例中,平滑距离可以是任意自然数,通过确认平滑距离以便于后续计算。
S13342,根据所述平滑距离对所述第三数组E中的数值Ei进行平滑处理以获得中心值数组F。
在本发明实施例中,平滑距离是指对于第三数组E中的每一个数值Ei均根据平滑距离进行处理,例如以第三数组E={30、31、32.5、34、35、36.6、38.2、39.8、41.4、43},平滑距离为3为例进行说明,则可以将E1的值直接赋值给F1,E2=(E1+E2+E3)/3=(30+31+32.5)/3≈31.2。若平滑距离为5,则可以将E1和E2的值对应赋值给F1和F2,F3=(E1+E2+E3+E4+E5)/5=(30+31+32.5+34+35)/5=32.5,则中心值数组F={30、31、32.5、33.9、35.2、36.7、38.2、39.8、41.4、43},其中,对于F9和F10,二者的数值E9和E10相等。需要注意的是,是否将第三数组E中的前几项的值直接赋值给中心值数组F相对应的项,取决于平滑距离的大小,另外,一般情况下,平滑距离为奇数,若平滑距离为偶数,则可以取中间两项的平均数进行计算,例如,平滑距离为4,则F2=【E1+(E2+E3)/2+E4)】/3=31.9,即在计算的时候,将平均距离减1作为分母,以便于求相对应项的平均数。
在某些实施例,例如本实施例中,如图7所示,所述步骤S13342可包括步骤S133421-S133422。
S133421,将所述第三数组E中的前(m-1)/2项所对应的数值赋值给所述中心值数组F中的相对应的项,其中,m为平滑距离,m为奇数。
在本发明实施例中,一般情况下,平滑距离m为奇数能够简化计算,因此,将平滑距离m设为奇数,且将前(m-1)/2项所对应的数值赋值给中心值数组F中的前(m-1)/2项,例如,E={30、31、32.5、34、35、36.6、38.2、39.8、41.4、43},平滑距离m=5,则将第三数组E中的前两项的数值赋值给中心值数组F的前两项,即F1=E1,F2=E2。
S133422,根据所述平滑距离m对所述第三数组E中的剩余项进行平滑处理以获得所述中心值数组F,其中,且/>
在本发明实施例中,F3=(E1+E2+E3+E4+E5)/5=32.5,当平滑距离为5时,剩余项的计算方法为在第三数组E中取相对应位置处的相邻五项的数值的和的平均值,以便于增加平滑程度,使得在输出帧画面的显著中心区域时,较为连贯。
S140,根据所述中心值数组F输出所有所述帧画面的显著中心区域。
在本发明实施例中,中心值数组F中的Fi为显著图的模拟中心值,可以根据模拟中心值确定相对应的显著图的中心区域,并且根据显著图的中心区域确认相对应的帧画面的显著中心区域,从而将所有帧画面的显著中心区域输出以完成对输入视频的重构,并且由于无需生成每一帧画面的显著图,大大提高了画幅重构的效率。
图8是本发明实施例提供的一种智能画幅重构装置100的示意性框图。如图8所示,对应于以上智能画幅重构方法,本发明还提供一种智能画幅重构装置100。该智能画幅重构装置100包括用于执行上述智能画幅重构方法的单元。具体地,请参阅图8,该智能画幅重构装置100包括第一生成单元110、第二生成单元120、第一赋值单元130和第一输出单元140。
其中,第一生成单元110用于获取输入视频的帧集合A,并按照预设间隔对所述帧集合A中的帧画面进行处理以生成相对应的显著图集合B,其中,所述帧集合A={A1、A2,…,Ai},所述显著图集合B={B1、B2,…,Bi},若所述帧集合A中的帧画面Ai尚未生成显著图Bi,则将所述显著图Bi记为0;第二生成单元120用于根据所述显著图Bi的中心值生成数值Ci,并根据所述数值Ci生成第一数组C,其中,所述第一数组C={C1,C2,…,Ci},且若Bi=0,则Ci=0;第一赋值单元130用于对所述第一数组C中的零值进行赋值并对赋值后的所述第一数组C进行平滑处理以获得中心值数组F,其中,所述中心值数组F={F1,F2,F3,…,Fi},Fi为对应显著图Bi的模拟中心值;第一输出单元140用于根据所述中心值数组F输出所有所述帧画面的显著中心区域。
在某些实施例,例如本实施例中,参见图9,第一生成单元110包括第一获取单元111、第三生成单元112和第四生成单元113。
其中,第一获取单元111用于获取所述输入视频的所有帧画面,并根据所述帧画面生成所述帧集合A;第三生成单元112用于通过深度学习网络模型按照所述预设间隔对所述帧集合A中的帧画面Ai进行训练以生成相对应的显著图Bi;第四生成单元113用于将尚未生成所述显著图的帧画面Ai所对应的显著图Bi记为0,并根据所述显著图Bi生成所述显著图集合B。
在某些实施例,例如本实施例中,参见图10,所述第二生成单元120包括第二赋值单元121和第五生成单元122。
其中,第二赋值单元121用于获取所述显著图Bi所对应的中心值,并将所述中心值赋值给所述数值Ci;第五生成单元122用于若所述显著图Bi的值为0,则将所述数值Ci设为0,并根据所述数值C1至数值Ci生成所述第一数组C。
在某些实施例,例如本实施例中,参见图11,所述第一赋值单元130包括第六生成单元131、第三赋值单元132和第四赋值单元133。
其中,第六生成单元131用于生成第二数组D,其中,D={D1,D2,…,Di};第三赋值单元132用于根据所述第一数组C中的数值Ci对所述第二数组D中的数值Di进行赋值;第四赋值单元133用于对所述第二数组D中的零值进行赋值并对赋值后的所述第二数组D进行平滑处理以获得所述中心值数组F。
在某些实施例,例如本实施例中,参见图12,所述第四赋值单元133包括第七生成单元1331、第一确认单元1332、第一计算单元1333和第一处理单元1334。
其中,第七生成单元1331用于根据所述第二数组D生成第三数组E,其中,所述第三数组E={E1,E2,…,Ei};第一确认单元1332用于确认所述第二数组D中的零值Dn和与所述零值相邻的非零值,将与所述零值Dn相邻的非零值分别设为第一参考值和第二参考值,其中,n∈i;第一计算单元1333用于根据所述零值Dn在所述第二数组D中与所述第一参考值的距离确认第一权重以及与所述第二参考值的距离确认第二权重;第一处理单元1334用于根据所述第一参考值和所述第一权重以及所述第二参考值和所述第二权重对数值En进行赋值,并对所述第三数组E进行平滑处理以获得所述中心值数组F。
在某些实施例,例如本实施例中,参见图13,所述第一处理单元1334包括第二确认单元13341和第二处理单元13342。
其中,第二确认单元13341用于确认平滑距离;第二处理单元13342用于根据所述平滑距离对所述第三数组E中的数值Ei进行平滑以获得中心值数组F。
在某些实施例,例如本实施例中,参见图14,所述第二处理单元13342包括第五赋值单元133421和第三处理单元133422。
其中,第五赋值单元133421用于将所述第三数组E中的前(m-1)/2项所对应的数值赋值给所述中心值数组F中的相对应的项,其中,m为平滑距离,m为奇数;第三处理单元133422用于根据所述平滑距离m对所述第三数组E中的剩余项进行平滑处理以获得所述中心值数组F,其中,且/>
需要说明的是,所属领域的技术人员可以清楚地了解到,上述智能画幅重构装置和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述智能画幅重构装置可以实现为一种计算机程序的形式,该计算机程序可以在如图15所示的计算机设备上运行。
请参阅图15,图15是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500为带有感量值反馈的可触控的计算机设备,例如带有电容屏的平板电脑、电子书写板以及带有感量值反馈的笔记本等。
参阅图15,该计算机设备500包括通过系统总线501连接的处理器502、存储器和接口507,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行一种智能画幅重构方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种智能画幅重构方法。
该接口505用于与其它设备进行通信。本领域技术人员可以理解,图15中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取输入视频的帧集合A,并按照预设间隔对所述帧集合A中的帧画面进行处理以生成相对应的显著图集合B,其中,所述帧集合A={A1、A2,…,Ai},所述显著图集合B={B1、B2,…,Bi},若所述帧集合A中的帧画面Ai尚未生成显著图Bi,则将所述显著图Bi记为0;
根据所述显著图Bi的中心值生成数值Ci,并根据所述数值Ci生成第一数组C,其中,所述第一数组C={C1,C2,…,Ci},且若Bi=0,则Ci=0;
对所述第一数组C中的零值进行赋值并对赋值后的所述第一数组C进行平滑处理以获得中心值数组F,其中,所述中心值数组F={F1,F2,F3,…,Fi},Fi为对应显著图Bi的模拟中心值;
根据所述中心值数组F输出所有所述帧画面的显著中心区域。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(FigitalSignal Processor,FSP)、专用集成电路(Application Specific IntegrateF Circuit,ASIC)、现成可编程门阵列(FielF-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序。该计算机程序被处理器执行时使处理器执行如下步骤:
获取输入视频的帧集合A,并按照预设间隔对所述帧集合A中的帧画面进行处理以生成相对应的显著图集合B,其中,所述帧集合A={A1、A2,…,Ai},所述显著图集合B={B1、B2,…,Bi},若所述帧集合A中的帧画面Ai尚未生成显著图Bi,则将所述显著图Bi记为0;
根据所述显著图Bi的中心值生成数值Ci,并根据所述数值Ci生成第一数组C,其中,所述第一数组C={C1,C2,…,Ci},且若Bi=0,则Ci=0;
对所述第一数组C中的零值进行赋值并对赋值后的所述第一数组C进行平滑处理以获得中心值数组F,其中,所述中心值数组F={F1,F2,F3,…,Fi},Fi为对应显著图Bi的模拟中心值;
根据所述中心值数组F输出所有所述帧画面的显著中心区域。
所述存储介质可以是U盘、移动硬盘、只读存储器(ReaF-OnlyMemory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备执行本发明各个实施例所述方法的全部或部分步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,尚且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种智能画幅重构方法,其特征在于,所述方法包括:
获取输入视频的帧集合A,并按照预设间隔对所述帧集合A中的帧画面进行处理以生成相对应的显著图集合B,其中,所述帧集合A={A1、A2,…,Ai},所述显著图集合B={B1、B2,…,Bi},若所述帧集合A中的帧画面Ai尚未生成显著图Bi,则将所述显著图Bi记为0;
根据所述显著图Bi的中心值生成数值Ci,并根据所述数值Ci生成第一数组C,其中,所述第一数组C={C1,C2,…,Ci},且若Bi=0,则Ci=0;
对所述第一数组C中的零值进行赋值并对赋值后的所述第一数组C进行平滑处理以获得中心值数组F,其中,所述中心值数组F={F1,F2,F3,…,Fi},Fi为对应显著图Bi的模拟中心值;
根据所述中心值数组F输出所有所述帧画面的显著中心区域;
其中,所述对所述第一数组C中的零值进行赋值并对赋值后的所述第一数组C进行平滑处理以获得中心值数组F的步骤,包括:
生成第二数组D,其中,D={D1,D2,…,Di};
根据所述第一数组C中的数值Ci对所述第二数组D中的数值Di进行赋值;
对所述第二数组D中的零值进行赋值并对赋值后的所述第二数组D进行平滑处理以获得所述中心值数组F;
所述对所述第二数组D中的零值进行赋值并对赋值后的所述第二数组D进行平滑处理以获得所述中心值数组F的步骤,包括:
根据所述第二数组D生成第三数组E,其中,所述第三数组E={E1,E2,…,Ei};
确认所述第二数组D中的零值Dn和与所述零值相邻的非零值,将与所述零值Dn相邻的非零值分别设为第一参考值和第二参考值,其中,n∈i;
根据所述零值Dn在所述第二数组D中与所述第一参考值的距离确认第一权重以及与所述第二参考值的距离确认第二权重;
根据所述第一参考值和所述第一权重以及所述第二参考值和所述第二权重对数值En进行赋值,并对所述第三数组E进行平滑处理以获得所述中心值数组F;
所述并对所述第三数组E进行平滑处理以获得所述中心值数组F的步骤,具体包括:
确认平滑距离;
根据所述平滑距离对所述第三数组E中的数值Ei进行平滑处理以获得中心值数组F;
所述根据所述平滑距离对所述第三数组E中的数值Ei进行平滑处理以获得中心值数组F的步骤,包括:
将所述第三数组E中的前(m-1)/2项所对应的数值赋值给所述中心值数组F中的相对应的项,其中,m为平滑距离,m为奇数;
根据所述平滑距离m对所述第三数组E中的剩余项进行平滑处理以获得所述中心值数组F,其中,且/>
2.如权利要求1所述的智能画幅重构方法,其特征在于,所述获取输入视频的帧集合A,并按照预设间隔对所述帧集合A中的帧画面进行处理以生成相对应的显著图集合B的步骤,包括:
获取所述输入视频的所有帧画面,并根据所述帧画面生成所述帧集合A;
通过深度学习网络模型按照所述预设间隔对所述帧集合A中的帧画面Ai进行训练以生成相对应的显著图Bi;
将尚未生成所述显著图的帧画面Ai所对应的显著图Bi记为0,并根据所述显著图Bi生成所述显著图集合B。
3.如权利要求1所述的智能画幅重构方法,其特征在于,所述根据所述显著图Bi的中心值生成数值Ci,并根据所述数值Ci生成第一数组C的步骤,包括:
获取所述显著图Bi所对应的中心值,并将所述中心值赋值给所述数值Ci;
若所述显著图Bi的值为0,则将所述数值Ci设为0,并根据所述数值C1至数值Ci生成所述第一数组C。
4.一种智能画幅重构装置,其特征在于,所述装置包括:
第一生成单元,用于获取输入视频的帧集合A,并按照预设间隔对所述帧集合A中的帧画面进行处理以生成相对应的显著图集合B,其中,所述帧集合A={A1、A2,…,Ai},所述显著图集合B={B1、B2,…,Bi},若所述帧集合A中的帧画面Ai尚未生成显著图Bi,则将所述显著图Bi记为0;
第二生成单元,用于根据所述显著图Bi的中心值生成数值Ci,并根据所述数值Ci生成第一数组C,其中,所述第一数组C={C1,C2,…,Ci},且若Bi=0,则Ci=0;
第一赋值单元,用于对所述第一数组C中的零值进行赋值并对赋值后的所述第一数组C进行平滑处理以获得中心值数组F,其中,所述中心值数组F={F1,F2,F3,…,Fi},Fi为对应显著图Bi的模拟中心值;
第一输出单元,用于根据所述中心值数组F输出所有所述帧画面的显著中心区域;
其中,所述第一赋值单元包括:
第六生成单元,用于生成第二数组D,其中,D={D1,D2,…,Di};
第三赋值单元,用于根据所述第一数组C中的数值Ci对所述第二数组D中的数值Di进行赋值;
第四赋值单元,用于对所述第二数组D中的零值进行赋值并对赋值后的所述第二数组D进行平滑处理以获得所述中心值数组F;
所述第四赋值单元包括:
第七生成单元,用于根据所述第二数组D生成第三数组E,其中,所述第三数组E={E1,E2,…,Ei};
第一确认单元,确认所述第二数组D中的零值Dn和与所述零值相邻的非零值,将与所述零值Dn相邻的非零值分别设为第一参考值和第二参考值,其中,n∈i;
第一计算单元,用于根据所述零值Dn在所述第二数组D中与所述第一参考值的距离确认第一权重以及与所述第二参考值的距离确认第二权重;
第一处理单元,用于根据所述第一参考值和所述第一权重以及所述第二参考值和所述第二权重对数值En进行赋值,并对所述第三数组E进行平滑处理以获得所述中心值数组F;
所述第一处理单元包括:
第二确认单元,用于确认平滑距离;
第二处理单元,用于根据所述平滑距离对所述第三数组E中的数值Ei进行平滑以获得中心值数组F;
所述第二处理单元包括:
第五赋值单元,用于将所述第三数组E中的前(m-1)/2项所对应的数值赋值给所述中心值数组F中的相对应的项,其中,m为平滑距离,m为奇数;
第三处理单元,用于根据所述平滑距离m对所述第三数组E中的剩余项进行平滑处理以获得所述中心值数组F,其中,且/>
5.一种计算机设备,其特征在于,所述计算机设备包括存储器以及与所述存储器相连的处理器;所述存储器用于存储计算机程序;所述处理器用于运行所述存储器中存储的计算机程序,以执行如权利要求1-3任一项所述方法的步骤。
6.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可于具有电容触摸屏的计算机设备上实现如权利要求1-3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110733823.5A CN113362252B (zh) | 2021-06-30 | 2021-06-30 | 智能画幅重构方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110733823.5A CN113362252B (zh) | 2021-06-30 | 2021-06-30 | 智能画幅重构方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113362252A CN113362252A (zh) | 2021-09-07 |
CN113362252B true CN113362252B (zh) | 2024-02-02 |
Family
ID=77537366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110733823.5A Active CN113362252B (zh) | 2021-06-30 | 2021-06-30 | 智能画幅重构方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362252B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104094607A (zh) * | 2011-05-04 | 2014-10-08 | 武筱林 | 图像/视频的变换域中基于上下文的建模方法及其系统 |
CN104751466A (zh) * | 2015-04-01 | 2015-07-01 | 电子科技大学 | 一种基于视觉显著性的形变物体跟踪算法及其系统 |
CN107360426A (zh) * | 2017-07-13 | 2017-11-17 | 福州大学 | 一种基于压缩感知的视频序列重构方法 |
CN108521573A (zh) * | 2018-04-16 | 2018-09-11 | 广东技术师范学院 | 一种分布式视频压缩感知编解码方法 |
CN108650510A (zh) * | 2018-05-10 | 2018-10-12 | 中南大学 | 视频的编码方法和装置、存储介质、电子装置 |
CN108805904A (zh) * | 2018-05-25 | 2018-11-13 | 中国空间技术研究院 | 一种基于卫星序列图像的运动舰船检测与跟踪方法 |
CN110827200A (zh) * | 2019-11-04 | 2020-02-21 | Oppo广东移动通信有限公司 | 一种图像超分重建方法、图像超分重建装置及移动终端 |
CN111753801A (zh) * | 2020-07-02 | 2020-10-09 | 上海万面智能科技有限公司 | 人体姿态跟踪与动画生成方法及装置 |
CN112235582A (zh) * | 2020-12-18 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种视频数据处理方法、装置、计算机设备及存储介质 |
CN112675545A (zh) * | 2021-01-07 | 2021-04-20 | 腾讯科技(深圳)有限公司 | 地表仿真画面的显示方法和装置、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10909845B2 (en) * | 2013-07-01 | 2021-02-02 | Conduent Business Services, Llc | System and method for enhancing images and video frames |
-
2021
- 2021-06-30 CN CN202110733823.5A patent/CN113362252B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104094607A (zh) * | 2011-05-04 | 2014-10-08 | 武筱林 | 图像/视频的变换域中基于上下文的建模方法及其系统 |
CN104751466A (zh) * | 2015-04-01 | 2015-07-01 | 电子科技大学 | 一种基于视觉显著性的形变物体跟踪算法及其系统 |
CN107360426A (zh) * | 2017-07-13 | 2017-11-17 | 福州大学 | 一种基于压缩感知的视频序列重构方法 |
CN108521573A (zh) * | 2018-04-16 | 2018-09-11 | 广东技术师范学院 | 一种分布式视频压缩感知编解码方法 |
CN108650510A (zh) * | 2018-05-10 | 2018-10-12 | 中南大学 | 视频的编码方法和装置、存储介质、电子装置 |
CN108805904A (zh) * | 2018-05-25 | 2018-11-13 | 中国空间技术研究院 | 一种基于卫星序列图像的运动舰船检测与跟踪方法 |
CN110827200A (zh) * | 2019-11-04 | 2020-02-21 | Oppo广东移动通信有限公司 | 一种图像超分重建方法、图像超分重建装置及移动终端 |
CN111753801A (zh) * | 2020-07-02 | 2020-10-09 | 上海万面智能科技有限公司 | 人体姿态跟踪与动画生成方法及装置 |
CN112235582A (zh) * | 2020-12-18 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种视频数据处理方法、装置、计算机设备及存储介质 |
CN112675545A (zh) * | 2021-01-07 | 2021-04-20 | 腾讯科技(深圳)有限公司 | 地表仿真画面的显示方法和装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
"Stereoscopic video saliency detection based on spatiotemporal correlation and depth confidence optimization";Ping Zhang, Jingwen Liu, Xiaoyang Wang and et al;《Neurocomputing》;第377卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113362252A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210073982A1 (en) | Medical image processing method and apparatus, electronic device, and storage medium | |
CN110782421B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
US11080833B2 (en) | Image manipulation using deep learning techniques in a patch matching operation | |
CN111881926A (zh) | 图像生成、图像生成模型的训练方法、装置、设备及介质 | |
JP7030493B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
WO2013116865A1 (en) | Systems, methods, and media for updating a classifier | |
CN103026379A (zh) | 推算图像噪音水平的方法 | |
EP3555850A1 (en) | System and method for image segmentation using a joint deep learning model | |
GB2587833A (en) | Image modification styles learned from a limited set of modified images | |
CN109961435B (zh) | 脑图像获取方法、装置、设备及存储介质 | |
CN113362252B (zh) | 智能画幅重构方法、装置、计算机设备及存储介质 | |
CN112541900A (zh) | 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 | |
CN114638921B (zh) | 动作捕捉方法、终端设备及存储介质 | |
CN118541728A (zh) | 图像生成装置、方法及程序、以及学习装置及学习数据 | |
CN106897975B (zh) | 一种超立方体粒计算的图像去噪方法 | |
CN110232401B (zh) | 基于图片转换的病灶判断方法、装置、计算机设备 | |
JPWO2019065784A1 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
JP6962450B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN111383199B (zh) | 图像处理方法、装置、计算机可读存储介质及电子设备 | |
JP2011221840A (ja) | 画像処理装置 | |
CN110830848B (zh) | 图像插值方法、装置、计算机设备和存储介质 | |
CN116547698A (zh) | 对图像执行降噪 | |
CN110288543B (zh) | 一种深度图像保边处理方法和装置 | |
JP7169768B2 (ja) | 画像処理装置、画像処理方法 | |
Li et al. | Deblurring traffic sign images based on exemplars |
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: 20211123 Address after: 518000 1001, block D, building 5, software industry base, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Wanxing Software Co.,Ltd. Address before: 518000 1002, block D, building 5, software industry base, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN SIBO TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |