CN113362260A - 图像优化方法及装置、存储介质及电子设备 - Google Patents
图像优化方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113362260A CN113362260A CN202110827176.4A CN202110827176A CN113362260A CN 113362260 A CN113362260 A CN 113362260A CN 202110827176 A CN202110827176 A CN 202110827176A CN 113362260 A CN113362260 A CN 113362260A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- filtering
- pixel point
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001914 filtration Methods 0.000 claims abstract description 103
- 230000004927 fusion Effects 0.000 claims description 29
- 230000000875 corresponding effect Effects 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012805 post-processing Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 8
- 230000003068 static effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010295 mobile communication Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本公开涉及图像处理技术领域，具体涉及一种图像优化方法及装置、计算机可读存储介质及电子设备，方法包括：对第N帧图像进行空域滤波得到第一滤波图像；获取第N‑1帧图像进行空域滤波后的第二滤波图像以及对第N‑1帧图像进行优化后的参考优化图像，其中N为大于等于2的正整数；根据第二滤波图像和第一滤波图像确定差分图像，并根据差分图像确定第一滤波图像中各像素点的状态信息；根据各像素点的状态信息对第一滤波图像和参考优化图像进行融合得到融合图像；根据差分图像确定权重图像，并根据权重图像将第一滤波图像和融合图像进行融合得到目标优化图像。本公开实施例的技术方案提升对图像优化的精度，降低对图像优化时的计算量。
Description
技术领域
本公开涉及图像处理技术领域，具体而言，涉及一种图像优化方法及装置、计算机可读存储介质及电子设备。
背景技术
随着移动技术的发展，相机拍照技术也得到了快速的发展，但是视频和图像在传输过程中，通常会有各种噪声夹杂其中，降低了视频的视觉效果，因此，需要对视频以及图像做降噪等优化处理。
相关技术中的在对图像以及视频进行优化时，计算量较大，且精度较低。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种图像优化方法、图像优化装置、计算机可读介质和电子设备，进而至少在一定程度上提升对图像优化的精度，降低对图像优化时的计算量。
根据本公开的第一方面，提供一种图像优化方法，包括：
对第N帧图像进行空域滤波得到第一滤波图像；
获取第N-1帧图像进行空域滤波后的第二滤波图像以及对所述第N-1帧图像进行优化后的参考优化图像，其中N为大于等于2的正整数；
根据所述第二滤波图像和所述第一滤波图像确定差分图像，并根据所述差分图像确定所述第一滤波图像中各像素点的状态信息；
根据各所述像素点的状态信息对所述第一滤波图像和所述参考优化图像进行融合得到融合图像；
根据所述差分图像确定权重图像，并根据所述权重图像将所述第一滤波图像和所述融合图像进行融合得到目标优化图像。
根据本公开的第二方面，提供一种图像优化装置，包括：
滤波模块，对第N帧图像进行空域滤波得到第一滤波图像；
获取模块，获取第N-1帧图像进行空域滤波后的第二滤波图像以及对所述第N-1帧图像进行优化后的参考优化图像，其中N为大于等于2的正整数；
确定模块，根据所述第二滤波图像和所述第一滤波图像确定差分图像，并根据所述差分图像确定所述第一滤波图像中各像素点的状态信息；
融合模块，用于根据各所述像素点的状态信息对所述第一滤波图像和所述参考优化图像进行融合得到融合图像；
优化模块，用于根据所述差分图像确定权重图像，并根据所述权重图像将所述第一滤波图像和所述融合图像进行融合得到目标优化图像。
根据本公开的第三方面，提供一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法。
根据本公开的第四方面，提供一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述的方法。
本公开的一种实施例所提供的图像优化方法，对第N帧图像进行空域滤波得到第一滤波图像；获取第N-1帧图像进行空域滤波后的第二滤波图像以及对第N-1帧图像进行优化后的参考优化图像，其中N为大于等于2的正整数；根据第二滤波图像和第一滤波图像确定差分图像，并根据差分图像确定第一滤波图像中各像素点的状态信息；根据各像素点的状态信息对第一滤波图像和参考优化图像进行融合得到融合图像；根据差分图像确定权重图像，并根据权重图像将第一滤波图像和融合图像进行融合得到目标优化图像。相较于现有技术，一方面，首先确定了各像素点的状态信息，然后根据状态信息来对所述第一滤波图像和所述参考优化图像进行融合得到融合图像，不同状态的像素点采用不同的融合方式，相较于现有技术中的先做对齐再加权融合的做法能够减小计算量。另一方面，本公开中根据所述差分图像确定权重图像，并根据所述权重图像将所述第一滤波图像和所述融合图像进行融合得到目标优化图像相较于现有技术中的只对静止区域做时域降噪，运动区域使用空域降噪的方案对图像的优化精度更高。
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，并不能限制本公开。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。在附图中：
图1示出了可以应用本公开实施例的一种示例性系统架构的示意图；
图2示出了可以应用本公开实施例的一种电子设备的示意图；
图3示意性示出本公开示例性实施例中一种图像优化方法的流程图；
图4示意性示出本公开示例性实施例中一种对第N帧图像进行空域滤波的流程图；
图5示意性示出本公开示例性实施例中一种对第N帧图像进行空域滤波的数据流向图；
图6示意性示出本公开示例性实施例中一种确定像素点状态信息的流程图；
图7示意性示出本公开示例性实施例中获取融合图像的流程图；
图8示意性示出本公开示例性实施例中图像优化方法的数据流向图；
图9示意性示出本公开示例性实施例中图像优化装置的组成示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本公开实施例的一种图像优化方法及装置的示例性应用环境的系统架构的示意图。
如图1所示，系统架构100可以包括终端设备101、102、103中的一个或多个，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端设备101、102、103可以是各种具有图像处理功能的电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
本公开实施例所提供的图像优化方法一般由终端设备101、102、103中执行，相应地，图像优化装置一般设置于终端设备101、102、103中。但本领域技术人员容易理解的是，本公开实施例所提供的图像优化方法也可以由服务器105执行，相应的，图像优化装置也可以设置于服务器105中，本示例性实施例中对此不做特殊限定。举例而言，在一种示例性实施例中，可以是用户通过终端设备101、102、103包括的用于采集第N帧图像，然后将第N帧图像上传至服务器105，服务器通过本公开实施例所提供的图像优化方法生成目标优化图像后，将目标优化图像传输给终端设备101、102、103等。
本公开的示例性实施方式提供一种用于实现图像优化方法的电子设备，其可以是图1中的终端设备101、102、103或服务器105。该电子设备至少包括处理器和存储器，存储器用于存储处理器的可执行指令，处理器配置为经由执行可执行指令来执行图像优化方法。
下面以图2中的移动终端200为例，对电子设备的构造进行示例性说明。本领域技术人员应当理解，除了特别用于移动目的的部件之外，图2中的构造也能够应用于固定类型的设备。在另一些实施方式中，移动终端200可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或软件和硬件的组合实现。各部件间的接口连接关系只是示意性示出，并不构成对移动终端200的结构限定。在另一些实施方式中，移动终端200也可以采用与图2不同的接口连接方式，或多种接口连接方式的组合。
如图2所示，移动终端200具体可以包括：处理器210、内部存储器221、外部存储器接口222、通用串行总线(Universal Serial Bus，USB)接口230、充电管理模块240、电源管理模块241、电池242、天线1、天线2、移动通信模块250、无线通信模块260、音频模块270、扬声器271、受话器272、麦克风273、耳机接口274、传感器模块280、显示屏290、摄像模组291、指示器292、马达293、按键294以及用户标识模块(subscriber identification module，SIM)卡接口295等。其中传感器模块280可以包括深度传感器2801、压力传感器2802、陀螺仪传感器2803等。
处理器210可以包括一个或多个处理单元，例如：处理器210可以包括应用处理器(Application Processor，AP)、调制解调处理器、图形处理器(Graphics ProcessingUnit，GPU)、图像信号处理器(Image Signal Processor，ISP)、控制器、视频编解码器、数字信号处理器(Digital Signal Processor，DSP)、基带处理器和/或神经网络处理器(Neural-Network Processing Unit，NPU)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。
NPU为神经网络(Neural-Network，NN)计算处理器，通过借鉴生物神经网络结构，例如借鉴人脑神经元之间传递模式，对输入信息快速处理，还可以不断的自学习。通过NPU可以实现移动终端200的智能认知等应用，例如：图像识别，人脸识别，语音识别，文本理解等。
处理器210中设置有存储器。存储器可以存储用于实现六个模块化功能的指令：检测指令、连接指令、信息管理指令、分析指令、数据传输指令和通知指令，并由处理器210来控制执行。
充电管理模块240用于从充电器接收充电输入。电源管理模块241用于连接电池242、充电管理模块240与处理器210。电源管理模块241接收电池242和/或充电管理模块240的输入，为处理器210、内部存储器221、显示屏290、摄像模组291和无线通信模块260等供电。
移动终端200的无线通信功能可以通过天线1、天线2、移动通信模块250、无线通信模块260、调制解调处理器以及基带处理器等实现。其中，天线1和天线2用于发射和接收电磁波信号；移动通信模块250可以提供应用在移动终端200上的包括2G/3G/4G/5G等无线通信的解决方案；调制解调处理器可以包括调制器和解调器；无线通信模块260可以提供应用在移动终端200上的包括无线局域网(Wireless Local Area Networks，WLAN)(如无线保真(Wireless Fidelity，Wi-Fi)网络)、蓝牙(Bluetooth，BT)等无线通信的解决方案。在一些实施例中，移动终端200的天线1和移动通信模块250耦合，天线2和无线通信模块260耦合，使得移动终端200可以通过无线通信技术与网络以及其他设备通信。
移动终端200通过GPU、显示屏290及应用处理器等实现显示功能。GPU为图像处理的微处理器，连接显示屏290和应用处理器。GPU用于执行数学和几何计算，用于图形渲染。处理器210可包括一个或多个GPU，其执行程序指令以生成或改变显示信息。
移动终端200可以通过ISP、摄像模组291、视频编解码器、GPU、显示屏290及应用处理器等实现拍摄功能。其中，ISP用于处理摄像模组291反馈的数据；摄像模组291用于捕获静态图像或视频；数字信号处理器用于处理数字信号，除了可以处理数字图像信号，还可以处理其他数字信号；视频编解码器用于对数字视频压缩或解压缩，移动终端200还可以支持一种或多种视频编解码器。
外部存储器接口222可以用于连接外部存储卡，例如Micro SD卡，实现扩展移动终端200的存储能力。外部存储卡通过外部存储器接口222与处理器210通信，实现数据存储功能。例如将音乐，视频等文件保存在外部存储卡中。
内部存储器221可以用于存储计算机可执行程序代码，可执行程序代码包括指令。内部存储器221可以包括存储程序区和存储数据区。其中，存储程序区可存储操作系统，至少一个功能所需的应用程序(比如声音播放功能，图像播放功能等)等。存储数据区可存储移动终端200使用过程中所创建的数据(比如音频数据，电话本等)等。此外，内部存储器221可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件，闪存器件，通用闪存存储器(Universal Flash Storage，UFS)等。处理器210通过运行存储在内部存储器221的指令和/或存储在设置于处理器中的存储器的指令，执行移动终端200的各种功能应用以及数据处理。
移动终端200可以通过音频模块270、扬声器271、受话器272、麦克风273、耳机接口274及应用处理器等实现音频功能。例如音乐播放、录音等。
深度传感器2801用于获取景物的深度信息。在一些实施例中，深度传感器可以设置于摄像模组291。
压力传感器2802用于感受压力信号，可以将压力信号转换成电信号。在一些实施例中，压力传感器2802可以设置于显示屏290。压力传感器2802的种类很多，如电阻式压力传感器，电感式压力传感器，电容式压力传感器等。
陀螺仪传感器2803可以用于确定移动终端200的运动姿态。在一些实施方式中，可以通过陀螺仪传感器2803确定移动终端200围绕三个轴(即，x，y和z轴)的角速度。陀螺仪传感器2803可以用于拍摄防抖、导航、体感游戏场景等。
此外，还可以根据实际需要在传感器模块280中设置其他功能的传感器，例如气压传感器、磁传感器、加速度传感器、距离传感器、接近光传感器、指纹传感器、温度传感器、触摸传感器、环境光传感器、骨传导传感器等。
移动终端200中还可包括其它提供辅助功能的设备。例如，按键294包括开机键，音量键等，用户可以通过按键输入，产生与移动终端200的用户设置以及功能控制有关的键信号输入。再如，指示器292、马达293、SIM卡接口295等。
在对图像进行优化时，部分优化方法会使用差分图的方式来区分图像中的运动区域和静止区域，只把静止区域的图像与参考帧融合，运动区域的图像不参与融合，就相当于只对静止区域做时域降噪，运动区域使用空域降噪；导致优化精度较差，也有部分优化方法会先做图像对齐，然后对对齐后的图像做加权融合，计算量较大。
下面对本公开示例性实施方式的图像优化方法和图像优化装置进行具体说明。
图3示出了本示例性实施方式中一种图像优化方法的流程，包括以下步骤：
步骤S310，对第N帧图像进行空域滤波得到第一滤波图像；
步骤S320，获取第N-1帧图像进行空域滤波后的第二滤波图像以及对第N-1帧图像进行优化后的参考优化图像，其中N为大于等于2的正整数；
步骤S330，根据第二滤波图像和第一滤波图像确定差分图像，并根据差分图像确定第一滤波图像中各像素点的状态信息；
步骤S340，根据各像素点的状态信息对第一滤波图像和参考优化图像进行融合得到融合图像；
步骤S350，根据差分图像确定权重图像，并根据权重图像将第一滤波图像和融合图像进行融合得到目标优化图像。
相较于现有技术，一方面，首先确定了各像素点的状态信息，然后根据状态信息来对第一滤波图像和参考优化图像进行融合得到融合图像，不同状态的像素点采用不同的融合方式，相较于现有技术中的先做对齐再加权融合的做法能够减小计算量。另一方面，本公开中根据差分图像确定权重图像，并根据权重图像将第一滤波图像和融合图像进行融合得到目标优化图像相较于现有技术中的只对静止区域做时域降噪，运动区域使用空域降噪的方案对图像的优化精度更高。
下面对上述各个步骤做详细介绍。
在步骤S310中，对第N帧图像进行空域滤波得到第一滤波图像；
在一示例性实施例中，在本示例实施方式中，可以首先对上述从当前图像进行空域滤波，得到第一滤波参数下的第一滤波图像以及在第二滤波参数下的第二滤波图像，参照图4所示，具体可以包括步骤S410至步骤S440。
在步骤S410中，对第N帧图像进行下采样得到两个相同的子图像；
在步骤S420中，对子图像在预设窗口下进行均值滤波得到第一均值；
参照图5所示，可以首先对第N帧图像进行下采样，得到两个相同的子图像，即对上述当前图像进行2倍下采样，可以采用下采样模块510对上述当前图像及进行下采样，得到两个相同的子图像。然后可以对上述子图像在预设窗口下进行均值滤波得到第一均值,采用窗口大小为上述预设窗口的盒式滤波器520对上述子图像进行均值滤波得到第一均值。
在本示例实时方式中，上述预设窗口的尺寸小于上述子图像的尺寸，预设窗口的尺寸可以是上述子图像尺寸的0.25倍、0.2倍、0.1倍等，还可以根据用户需求进行自定义，在本示例实施方式中不做具体限定。
步骤S430，对两个子图像的乘积在在预设窗口下进行均值滤波得到第二均值，并根据第一均值和第二均值得到方差；
在本示例实施方式中，可以计算对上述两个子图像的乘积在预设窗口下进行均值滤波，参照图5所示，仍然可以采用窗口大小为上述预设窗口的盒式滤波器对上述子图像的乘积做均值滤波得到上述第二均值。
然后可以采用方差计算模块530根据上述第一均值和上述第二均值计算方差，具体可以为第二均值减去第一均值的平方。
步骤S440，根据第一方差和对第N帧图像进行导向滤波得到第一滤波图像；
在本示例实施方式中，可以首先确定一滤波参数，然后利用导向滤波模块540根据上述滤波参数和方差对上述当前图像及进行导向滤波的得到第一滤波图像，在本示例实施方式中，导向滤波的引导图与输入图像均可以是第N帧图像，可以采用以下公式来确定计算得到上述第一滤波图像：
Q1＝a1I+b1
其中Q1为第一滤波图像，VAR(I)表示方差，I表示第N帧图像，ε1表示滤波参数，p表示引导图，在本示例实时方式中与第N帧图像I相同，cov为协方差计算函数。
在本公开的一种示例实施方式中，上述空域滤波还可以采用如“高斯模糊”“拉普拉斯算子”等其他滤波方式，在本示例实施方式中不做具体限定。
在步骤S320中，获取第N-1帧图像进行空域滤波后的第二滤波图像以及对第N-1帧图像进行优化后的参考优化图像，其中N为大于等于2的正整数。
在本公开的一种示例实施方式中，可以获取第N-1帧图像经过空域滤波后的第二滤波图像，空域滤波的具体过程可以参照第一滤波图像的获取过程，此处不再赘述。
在本示例实施方式中，参考优化图像时采用本申请的优化方法对上述第N-1帧图像进行优化后的图像，其中，N为大于等于2的正整数，在N等于2时，上述参考优化图像就是上述第N-1帧图像，即第1帧图像，也可以是上述第N-1帧图像的空滤滤波结果，即第一帧图形对应的第二滤波图像。
在本示例实施方式中，在对每一帧图像优化时，可以将对该帧图像及进行空域滤波后结果以及最终的优化结果进行保存以作为对下一帧图像及优化的参考。
步骤S330，根据第二滤波图像和第一滤波图像确定差分图像，并根据差分图像确定第一滤波图像各像素点的状态信息；
在本公开的一种示例实施方式中，可以根据上述第二滤波图像和第一滤波图像确定差分图像，具体而言，可以利用第一滤波图像与第二滤波图像的每一个对应的像素点做差得到上述差分图像，在本示例实施方式中不对差分个图像的获取方式做具体限定。
在本示例实施方式中，根据差分图像确定第一滤波图像各像素点的状态信息，参照图6所示，具体可以包括步骤S610和步骤S620。
在步骤S610中，预先配置一像素阈值，确定差分图像中各像素点的像素值；
在本示例实施方式中，可以预设配置一像素阈值，然后确定上述差分图像种各个像素点的像素值，预设阈值可以是0，也可以是0.5、0.6等，还可以根据用户需求进行自定义，在本示例实施方式中不做具体限定。
在步骤S620中，根据像素阈值和各像素点的像素值确定各像素点的状态信息。
在本示例实施方式中，可以将各个像素点的像素值与像素阈值作比较，若像素点的像素值小于像素阈值，则判定像素点为第二状态；若像素点的像素值大于等于像素阈值，则判定像素点为第一状态。
具体而言，可以设定Di表示差分图像中第i个像素点的像素值，T0表示上述像素阈值，则当Di小于T0时，将该像素点的状态信息确定为第二状态，反之，则当Di大于等于T0时，将该像素点的状态信息确定为第一状态。
举例而言，若上述第一滤波图像相对于第二滤波图像包括了运动区域和静止区域，此时，上述第一状态的像素点可以位于上述运动区域，第二状态的像素点可以位于上述静止区域。即，由上述第一状态的像素点构成的区域可以作为上述运动区域，由第二状态的像素点构成的区域可以作为上述静止区域。
步骤S340，根据各像素点的状态信息对第一滤波图像和参考优化图像进行融合得到融合图像；
在本公开的一种示例实施方式中，处理器可以根据各像素点的状态信息对第一滤波图像和参考优化图像进行融合得到融合图像，参照图7所示，可以针对第一滤波图像中的每一个像素点执行步骤S710至步骤S740。
在步骤S710中，确定像素点在融合图像中对应的目标像素点；
在本示例实施方式中，第一滤波图像与融合图像的尺寸相同，像素点个数也相同，因此，第一滤波像素中的每一个像素点与融合图像中的各目标像素点一一对应，则可以确定上述第一滤波像素点在融合图像中对应的目标像素点，其中目标像素点的像素值是未知的，第一滤波图像中的像素点的像素值是已知的。
在步骤S720中，确定像素点对应的参考优化图像中参考像素点的参考像素值；
在本示例实施方式中，第一滤波图像与参考优化图像的尺寸相同，像素点个数也相同，因此，第一滤波像素中的每一个像素点可以与参考优化图像中的各参考像素点一一对应，则可以确定上述第一滤波像素点在融合图像中对应的参考像素点。各参考像素点的像素值是已知的，可以确定上述像素点对应的参考像素点的像素值。
在步骤S730中，若像素点的状态信息为第二状态，则将参考像素值作为目标像素点的像素值。
在本示例实施方式中，若判定上述像素点为第二状态，则可以将该像素点对应的参考像素点的像素值作为该像素点对应的目标像素点的像素值。
在步骤S740中，若像素点的状态信息为第一状态，则确定一包括像素点的参考区域，并确定像素点在参考区域中的参考位置，根据参考区域在参考优化图中获取与参考区域相匹配的目标区域，根据目标区域和参考位置确定目标像素点的像素值。
在本示例实施方式中，若判定上述像素点的状态信息为第一状态，则可以确定一包括该像素点的参考区域，并确定上述像素点在上述参考区域中的参考位置，其中，上述像素点的参考位置可以在上述参考区域的中心点，也可以在上述参考区域的边缘，还可以根据用户需求进行自定义，在本示例实施方式中不做具体限定。
其中参考区域可以包括10个像素点，也可以包括如5个、6个、9个等像素点，还可以根据用户的需求进行自定义，在本示例实施方式中不做具体限定。参考区域可以是正方形，可以是圆形，该可以根据用户需求进行自定义，在本示例实施方式中不做具体限定。
在确定上述参考区域后，可以利用过上述参考区域遍历上述参考优化图像，在参考优化图像中确定与上述参考区域匹配的目标区域，具体而言，可以首先确定一匹配度阈值，然后确定参考优化图像中与上述参考区域匹配度最大的区域作为候选区域，确定上述候选区域的匹配度与上述匹配度阈值的大小，在上述候选区域的匹配度大于等于匹配度阈值时，将上述候选区域作为目标区域，若候选区域的匹配度阈值小于上述匹配度阈值，则判断无法在参考优化图像中匹配到目标区域。
在能够匹配到上述目标区域时，确定目标区域中与参考位置对应的目标位置的像素点的像素值，并将其作为上述像素点对应的目标像素点的像素值，若无法在参考优化图像中匹配到目标区域，则直接将该像素点的像素值作为目标像素点的像素值。
在针对每一个像素点都执行上述步骤之后，即可得到融合图像。
在本公开另一种示例实施方式中，在上述像素点的状态信息为第二状态，或者上述像素点为第一状态，且能够匹配到对应的目标区域时，可以采用加权融合的方式将上述该像素点的像素值以及该像素点对应的参考像素点的像素值进行融合得到上述目标像素点的像素值。
具体而言，可以根据该像素点在差分图像中对应的差分像素点的像素值来确定该像素点和参考像素点的权重，其中，差分像素点的像素值与参考像素点的权重负相关，具体的相关系数可以根据用户需求及进行自定义，在本示例实施方式中不做具体限定。
在本示例实施方式中，在计算上述目标像素点的像素值时，可以首先确定该像素点的权重a以及参考像素点的权重b，确定该像素点的像素值A以及参考像素点的像素值B,可以设定目标像素点的像素值为S，则可以通过以下公式来计算上述目标像素点的像素值：
S＝(aA+bB)/(a+b)
在本示例实施方式中，针对无法匹配到目标区域的像素点可以直接将该像素点的像素值作为上述目标像素点的像素值。
针对上述第一滤波图像中的每一个像素点均执行上述步骤既可以得到上述融合图像。
步骤S350，根据差分图像确定权重图像，并根据权重图像将第一滤波图像和融合图像进行融合得到目标优化图像。
在本公开的一种示例实施方式中，在得到上述融合图像之后，可以根据上述差分图像确定权重图像，具体而言，可以首先确定上述差分图像中个像素点与参考优化图形的权重的映射关系，然后根据上述映射关系确定上述权重图像，其中，上述映射关系可以根据用户对图像融合精度的需求进行自定义，在本示例实施方式中不做具体限定。其中上述差分图像的像素值与上述参考优化图像的权重负相关。
在本示例实施方式中，确定的权重图像权重值对应的所参考优化图像的权重值，需要说明的是，上述权重图像中的权重值也可以是上述第一滤波图像的权重值，此时，权重值与上述差分图像的像素值正相关，在本示例实施方式中不做具体限定。
在本示例实施方式中，在确定上述权重图图像之后，可以根据上述权重对上述第一滤波图像融合图像进行融合得到目标优化图像。
具体而言，可以利用像素融合公式将上述第一滤波图像与融合图像进行融合得到目标优化图像，其中，像素融合公式为：
Ti＝Mi*Wi+Ii*(1-Wi)
其中，Ti表示目标优化图像，Mi融合图像，Ii表示第一滤波图像，Wi表示权重图像，i表示像素坐标，其中i为正整数。
在本公开的一种示例实施方式中，上述图像优化方法该可以包括利用第N帧图像对上述目标与优化图像进行后处理，以更新上述目标优化图像。
具体而言，在后处理过程中可以以上述第N帧图像未参考对上述目标优化图像进行去除鬼影，恢复纹理，细节增强等操作，以提升对上述第N帧图像的优化效果。
在本示例实施方式中，参照图8所示，对本方案中的图像优化方案做总体的说明，首先，对第N帧图像801及进行空域滤波802得到第一滤波图像803，然后可以获取第N-1帧图像对应的第二滤波图像804以及参考优化图像808，第二滤波图像804以及参考优化图像808的获取上述已经进行了详细说明，因此，此处不再赘述。之后对上述第一滤波803图像和第二滤波图像804做差分处理805得到差分图像806，然后根据上述差分图像806对第一滤波图像803以及参考优化图像808进行融合处理809得到融合图像810，之后可以利用差分图像806确定权重图像807，根据上述权重图像807对上述第一滤波图像803和融合图像810及进行加权融合811，并利用第N帧图像801作为参考进行后处理812，得到目标优化图像813。上述各个步骤的具体细节上述已经进行了详细说明，因此，此处不再赘述。
综上，本示例性实施方式中，首先确定了各像素点的状态信息，若像素点的状态信息为第二状态，则将参考像素值作为目标像素点的像素值；若像素点的状态信息为第一状态，则以像素点为中心确定一参考区域，根据参考区域在参考优化图中获取与参考区域相匹配的目标区域，将目标区域中心点的像素值的作为目标像素点的像素值，不同状态的像素点采用不同的融合方式，相较于现有技术中的先做对齐再加权融合的做法能够减小计算量。另一方面，本公开中根据差分图像确定权重图像，并根据权重图像将第一滤波图像和融合图像进行再次融合得到目标优化图像相较于现有技术中的只对静止区域做时域降噪，运动区域使用空域降噪的方案对图像的优化精度更高。
需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
进一步的，参考图9所示，本示例的实施方式中还提供一种图像优化装置900，包括滤波模块910、获取模块920、确定模块930、融合模块940和优化模块950。其中：
滤波模块910可以用于对第N帧图像进行空域滤波得到第一滤波图像，具体可以对第N帧图像进行下采样得到两个相同的子图像；对子图像在预设窗口下进行均值滤波得到第一均值；对两个子图像的乘积在在预设窗口下进行均值滤波得到第二均值，并根据第一均值和第二均值得到方差；根据第一方差和对第N帧图像进行导向滤波得到第一滤波图像。
获取模块920可以用于获取第N-1帧图像进行空域滤波后的第二滤波图像以及对第N-1帧图像进行优化后的参考优化图像，其中N为大于等于2的正整数。
确定模块930可以用于根据第二滤波图像和第一滤波图像确定差分图像，并根据差分图像确定第一滤波图像各像素点的状态信息。
在本示例实施方式中，确定模块930可以预先配置一像素阈值，确定差分图像中各像素点的像素值；根据像素阈值和各像素点的像素值确定各像素点的状态信息。若像素点的像素值小于像素阈值，则判定像素点为第二状态；若像素点的像素值大于等于像素阈值，则判定像素点为第一状态。
融合模块940可以用于根据各像素点的状态信息对第一滤波图像和参考优化图像进行融合得到融合图像。
在一种示例实施方式中，融合模块940可以针对第一滤波图像中的每一个像素点执行如下步骤：确定像素点在融合图像中对应的目标像素点；确定像素点对应的参考优化图像中参考像素点的参考像素值；若像素点的状态信息为第二状态，则将参考像素值作为目标像素点的像素值；若像素点的状态信息为第一状态，则确定一包括像素点的参考区域，并确定像素点在参考区域中的参考位置，根据参考区域在参考优化图中获取与参考区域相匹配的目标区域，根据目标区域和参考位置确定目标像素点的像素值。在根据参考区域在参考优化图中获取与参考区域相匹配的目标区域时，可以确定参考优化图像中与上述参考区域匹配度最大的候选区域；配置一匹配度阈值，在候选区域的匹配度大于等于匹配度阈值时，将候选区域确定为目标区域。
优化模块950可以用于根据差分图像确定权重图像，并根据权重图像将第一滤波图像和融合图像进行融合得到目标优化图像，具体而言，可以首先确定差分图像像素值与参考优化图像权重的映射关系；根据映射关系和差分图像获取权重图像
在一示例性实施例中，优化模块950可以利用像素融合公式将上述第一滤波图像与融合图像进行融合，其中，像素融合公式为：
Ti＝Mi*Wi+Ii*(1-Wi)
其中，Ti表示目标优化图像，Mi融合图像，Ii表示第一滤波图像，Wi表示权重图像，i表示像素坐标，其中i为正整数。
上述装置中各模块的具体细节在方法部分实施方式中已经详细说明，未披露的细节内容可以参见方法部分的实施方式内容，因而不再赘述。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
本公开的示例性实施方式还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
此外，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (14)
1.一种图像优化方法，其特征在于，包括：
对第N帧图像进行空域滤波得到第一滤波图像；
获取第N-1帧图像进行空域滤波后的第二滤波图像以及对所述第N-1帧图像进行优化后的参考优化图像，其中N为大于等于2的正整数；
根据所述第二滤波图像和所述第一滤波图像确定差分图像，并根据所述差分图像确定所述第一滤波图像中各像素点的状态信息；
根据各所述像素点的状态信息对所述第一滤波图像和所述参考优化图像进行融合得到融合图像；
根据所述差分图像确定权重图像，并根据所述权重图像将所述第一滤波图像和所述融合图像进行融合得到目标优化图像。
2.根据权利要求1所述的方法，其特征在于，根据所述差分图像确定所述第一滤波图像中各像素点的状态信息，包括：
预先配置一像素阈值，确定差分图像中各所述像素点的像素值；
根据所述像素阈值和各所述像素点的像素值确定各所述像素点的状态信息。
3.根据权利要求2所述的方法，其特征在于，所述状态信息包括第一状态以及第二状态，所述根据所述像素阈值和各所述像素点的像素值确定各所述像素点的状态信息，包括：
若所述像素点的像素值小于所述像素阈值，则判定所述像素点为第二状态；
若所述像素点的像素值大于等于所述像素阈值，则判定所述像素点为第一状态。
4.根据权利要求1所述的方法，其特征在于，所述状态信息包括第一状态以及第二状态，所述根据各所述像素点的状态信息对所述第一滤波图像和所述参考优化图像进行融合得到融合图像，包括：
针对所述第一滤波图像中的每一个像素点执行如下步骤：
确定所述像素点在所述融合图像中对应的目标像素点；
确定所述像素点对应的参考优化图像中参考像素点的参考像素值；
若所述像素点的状态信息为第二状态，则将所述参考像素值作为所述目标像素点的像素值；
若所述像素点的状态信息为第一状态，则确定一包括所述像素点的参考区域，并确定所述像素点在所述参考区域中的参考位置，根据所述参考区域在所述参考优化图中获取与所述参考区域相匹配的目标区域，根据所述目标区域和所述参考位置确定所述目标像素点的像素值。
5.根据权利要求4所述的方法，其特征在于，所述根据所述参考区域在所述参考优化图中获取与所述参考区域相匹配的目标区域，包括：
确定参考优化图像中与上述参考区域匹配度最大的候选区域；
配置一匹配度阈值，在所述候选区域的匹配度大于等于所述匹配度阈值时，将所述候选区域确定为所述目标区域。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
在所述候选区域的匹配度小于所述匹配度阈值时，则将所述像素点的像素值作为所述目标像素点的像素值。
7.根据权利要求1所述的方法，其特征在于，所述根据所述差分图像确定权重图像，包括：
确定所述差分图像像素值与所述参考优化图像权重的映射关系；
根据所述映射关系和所述差分图像获取所述权重图像；
其中，差分图像的像素值与所述参考优化图像权重的负相关。
8.根据权利要求1所述的方法，其特征在于，根据所述差分图像确定权重图像，并根据所述权重图像将所述第一滤波图像和所述融合图像进行融合得到目标优化图像，包括：
利用像素融合公式将上述第一滤波图像与所述融合图像进行融合得到所述目标优化图像，其中，所述像素融合公式为：
Ti＝Mi*Wi+Ii*(1-Wi)
其中，Ti表示目标优化图像，Mi融合图像，Ii表示第一滤波图像，Wi表示权重图像，i表示像素坐标，其中i为正整数。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述第N帧图像对所述目标优化图像进行后处理，以更新所述目标优化图像。
10.根据权利要求1所述的方法，其特征在于，对第N帧图像进行空域滤波得到第一滤波图像，包括：
对所述第N帧图像进行下采样得到两个相同的子图像；
对所述子图像在预设窗口下进行均值滤波得到第一均值；
对两个所述子图像的乘积在所述在预设窗口下进行均值滤波得到第二均值，并根据所述第一均值和所述第二均值得到方差；
根据所述第一方差和对所述第N帧图像进行导向滤波得到第一滤波图像。
11.根据权利要求1所述的方法，其特征在于，在N等于2时，所述参考优化图像与所述第N-1帧图像相同。
12.一种图像优化装置，其特征在于，包括：
滤波模块，对第N帧图像进行空域滤波得到第一滤波图像；
获取模块，获取第N-1帧图像进行空域滤波后的第二滤波图像以及对所述第N-1帧图像进行优化后的参考优化图像，其中N为大于等于2的正整数；
确定模块，根据所述第二滤波图像和所述第一滤波图像确定差分图像，并根据所述差分图像确定所述第一滤波图像中各像素点的状态信息；
融合模块，用于根据各所述像素点的状态信息对所述第一滤波图像和所述参考优化图像进行融合得到融合图像；
优化模块，用于根据所述差分图像确定权重图像，并根据所述权重图像将所述第一滤波图像和所述融合图像进行融合得到目标优化图像。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至11中任一项所述的图像优化方法。
14.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至11中任一项所述的图像优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110827176.4A CN113362260A (zh) | 2021-07-21 | 2021-07-21 | 图像优化方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110827176.4A CN113362260A (zh) | 2021-07-21 | 2021-07-21 | 图像优化方法及装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113362260A true CN113362260A (zh) | 2021-09-07 |
Family
ID=77540162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110827176.4A Pending CN113362260A (zh) | 2021-07-21 | 2021-07-21 | 图像优化方法及装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113362260A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113689362A (zh) * | 2021-10-27 | 2021-11-23 | 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 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104735301A (zh) * | 2015-04-01 | 2015-06-24 | 中国科学院自动化研究所 | 视频时域去噪装置及方法 |
-
2021
- 2021-07-21 CN CN202110827176.4A patent/CN113362260A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104735301A (zh) * | 2015-04-01 | 2015-06-24 | 中国科学院自动化研究所 | 视频时域去噪装置及方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113689362A (zh) * | 2021-10-27 | 2021-11-23 | 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11055866B2 (en) | System and method for disparity estimation using cameras with different fields of view | |
| CN111091166B (zh) | 图像处理模型训练方法、图像处理方法、设备及存储介质 | |
| KR20190053074A (ko) | 2-단계 모션 보상을 가진 콘볼루션 뉴럴 네트워크를 사용하는 비디오 슈퍼 해상도를 위한 방법 및 장치 | |
| CN112562019A (zh) | 图像色彩调整方法及装置、计算机可读介质和电子设备 | |
| CN111866483B (zh) | 颜色还原方法及装置、计算机可读介质和电子设备 | |
| CN111641835A (zh) | 视频处理方法、视频处理装置和电子设备 | |
| KR102557561B1 (ko) | 이미지의 깊이 정보를 결정하는 방법 및 시스템 | |
| CN111062981A (zh) | 图像处理方法、装置及存储介质 | |
| CN111950570B (zh) | 目标图像提取方法、神经网络训练方法及装置 | |
| CN113658065B (zh) | 图像降噪方法及装置、计算机可读介质和电子设备 | |
| CN111432245A (zh) | 多媒体信息的播放控制方法、装置、设备及存储介质 | |
| CN111753498A (zh) | 文本处理方法、装置、设备及存储介质 | |
| CN111589138B (zh) | 动作预测方法、装置、设备及存储介质 | |
| CN113283319A (zh) | 人脸模糊度的评价方法及装置、介质和电子设备 | |
| CN112818979A (zh) | 文本识别方法、装置、设备及存储介质 | |
| CN113920023B (zh) | 图像处理方法及装置、计算机可读介质和电子设备 | |
| CN113409204A (zh) | 待处理图像的优化方法及装置、存储介质及电子设备 | |
| CN113902636A (zh) | 图像去模糊方法及装置、计算机可读介质和电子设备 | |
| CN112508959B (zh) | 视频目标分割方法、装置、电子设备及存储介质 | |
| CN116757970B (zh) | 视频重建模型的训练方法、视频重建方法、装置及设备 | |
| CN113284206A (zh) | 信息获取方法及装置、计算机可读存储介质、电子设备 | |
| CN113362260A (zh) | 图像优化方法及装置、存储介质及电子设备 | |
| CN116134476A (zh) | 平面矫正方法及装置、计算机可读介质和电子设备 | |
| CN113610724A (zh) | 图像优化方法及装置、存储介质及电子设备 | |
| CN112950516B (zh) | 图像局部对比度增强的方法及装置、存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |