CN113392801A - 图像处理方法、系统、设备及存储介质 - Google Patents
图像处理方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113392801A CN113392801A CN202110740168.6A CN202110740168A CN113392801A CN 113392801 A CN113392801 A CN 113392801A CN 202110740168 A CN202110740168 A CN 202110740168A CN 113392801 A CN113392801 A CN 113392801A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- prediction
- pixel point
- prediction pixel
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了图像处理方法、系统、设备及存储介质,方法包括获取位于目标预测图像中第一位置的目标预测像素点;获取若干张参考预测图像,并获取每一张参考预测图像中与第一位置相对应位置的参考预测像素点;参考预测图像是目标预测图像前后帧的预测图像;选取一个参考预测像素点修正目标预测图像中的目标预测像素点。本方法通过在位于目标预测图像前后帧的参考预测图像中选取参考预测像素点修正目标预测像素点,能够消除模糊像素点,提高抠图的精确度,提升用户体验。而且本方法不用太多的CPU运算,所以在手机端这样的低运算装置上,可以有效的提升抠图的精确度。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种图像处理方法、系统、设备及存储介质。
背景技术
视频抠图是一个常用于视频特效上的应用,主要是从视频图像中移除背景将前景给显现出来,所谓的前景可以是人,动物,天空,汽车,或是画面中的显著物体,并没有一定的规定。而目前此技术的产品很多可以从云端的服务到移动端的app上都可以看到,过去因为算力差异一般来说在移动端的效果无法让用户接受,但是在近年深度学习在移动端的进展和移动端的运算能力增加,在移动端的效果已经越来越好,已经有很多移动端的抠图相关应用。
在视频的抠图过程中,一连串的图像经过抠图的深度模型算法,因为模型是单张输入,因为动作快速移动或是光源影响造成抠图结果不稳定,出现画面中的人在某一帧身体某一部分突然抠不好,或是背景被误认为前景,用户会看到某一帧突然缺一块的样子,或是结果闪烁的状况,影响用户体验。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此,本发明提出一种图像处理方法、系统、设备及存储介质。能够消除模糊像素点,提高抠图的精确度,提升用户体验。
第一方面,提供了一种图像处理方法,所述方法包括:
获取位于目标预测图像中第一位置的目标预测像素点;
获取若干张参考预测图像,并获取每一张所述参考预测图像中与所述第一位置相对应位置的参考预测像素点;所述参考预测图像是所述目标预测图像前后帧的预测图像;
选取一个所述参考预测像素点修正所述目标预测图像中的所述目标预测像素点。
在一些实施例中,所述获取位于目标预测图像中第一位置的目标预测像素点之前,所述方法还包括:
将目标原始图像输入至深度学习抠图模型中,得到所述深度学习抠图模型输出的目标预测图像。
在一些实施例中,所述获取若干张参考预测图像,包括:
获取所述目标预测图像前后帧的若干张预测图像以及所述若干张预测图像对应的若干张原始图像;
获取所述原始图像中与所述第一位置相对应位置的原始像素点以及所述目标原始图像中与所述第一位置相对应位置的目标原始像素点;
选取所述原始像素点与所述目标原始像素点的颜色相似度在预设范围内的所有所述原始图像;
将所述所有所述原始图像对应的所有所述预测图像作为所述参考预测图像。
在一些实施例中,所述选取一个所述参考预测像素点修正所述目标预测图像中的所述目标预测像素点,包括:
获取所述深度学习抠图模型输出每一个所述参考预测像素点的预测值;
选取预测值最大的一个所述参考预测像素点替换所述目标预测图像中的所述目标预测像素点。
在一些实施例中,所述选取一个所述参考预测像素点修正所述目标预测图像中的所述目标预测像素点,包括:
获取所述深度学习抠图模型输出每一个所述参考预测像素点的预测值;
获取与所述目标预测像素点的预测值最接近的若干个所述参考预测像素点;
将所述与所述目标预测像素点的预测值最接近的若干个所述参考预测像素点进行求和平均,得到参考预测值;
将所述参考预测值替换所述目标预测像素点的预测值。
在一些实施例中,所述参考预测图像是所述目标预测图像前后三帧内的预测图像。
第二方面,提供了一种图像处理系统,所述系统包括:
目标预测像素点获取单元,用于获取位于目标预测图像中第一位置的目标预测像素点;
参考预测图像获取单元,用于获取若干张参考预测图像,并获取每一张所述参考预测图像中与所述第一位置相对应位置的参考预测像素点;所述参考预测图像是所述目标预测图像前后帧的预测图像;
像素点修正单元,用于选取一个所述参考预测像素点修正所述目标预测图像中的所述目标预测像素点。
在一些实施例中,所述系统还包括:
目标预测图像获取单元,用于将目标原始图像输入至深度学习抠图模型中,得到所述深度学习抠图模型输出的目标预测图像。
第三方面,提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现:
如第一方面所述的图像处理方法。
第四方面,提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行:
如第一方面所述的图像处理方法。
在视频的抠图过程中,某一帧的预测图像中会出现模糊像素点,但出现模糊像素点的目标预测图像的前后帧预测图像的相同位置上的像素点却不一定出现模糊,于是本方法通过在位于目标预测图像前后帧的参考预测图像中选取参考预测像素点修正目标预测像素点,能够消除模糊像素点,提高抠图的精确度,提升用户体验。而且本方法不用太多的CPU运算,所以在手机端这样的低运算装置上,可以有效的提升抠图的精确度。
可以理解的是,上述第二至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同,可以参见上述第一方面中的相关描述,在此不再赘述。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例提供的原始图像与对应预测图像的示意图;
图2为本发明实施例提供的原始图像输入至深度学习抠图模型输出预测图像的逻辑流程示意图;
图3为本发明实施例提供的一种图像处理方法的流程示意图;
图4为本发明实施例提供的一种图像处理系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在视频的抠图过程中,某一帧的预测图像中可能会出现模糊像素点,这是因为在视频的抠图过程中,一连串的图像经过抠图的深度模型算法,因为模型是单张输入,因为动作快速移动或是光源影响造成抠图结果不稳定,出现画面中的人在某一帧身体某一部分突然抠不好,或是背景被误认为前景,用户会看到某一帧突然缺一块的样子,或是结果闪烁的状况。
如图1所示,图1中上排为原始图,下排为经过抠图模型计算之后的预测图,白色(255)表示前景,黑色(0)表示背景。結果图越亮表示前景的预测几率越高,如果预测值为1.0(100%)则值为255,如果预测值为0.5(50%),则值为127.5,表现在图像上则为灰色。从第三個的左边框部分可以明显看出预测模糊灰色的結果,表示这是一個预测不稳定的状况,即出现了不稳定的像素点。而本方法实施例是通过前后帧上同一位置的像素点来补齐出现不稳定的像素点。
本方法实施例中的抠图模型是一个深度学习抠图模型,如图2所示,输入为一个彩色的原始图像(RGB图像),原始图像经过深度学习抠图模型运算,此模型最后经过softmax(归一化指数函数)运算输出为前景的预测几率分布,为了用图像表示将预测值乘上255,最后得到最右边的灰阶图像,如果预测值为1.0,则图像上的值为255,如果预测值为0.5,则图像上的值为127.5。其中softmax详细解释可参见https://blog.csdn.net/bitcarmanlee/article/details/82320853。
基于上述缺陷,出现模糊像素点的预测图像的前后帧预测图像的相同位置上的像素点却不一定出现模糊。于是本发明实施例通过在位于目标预测图像前后帧的参考预测图像中选取参考预测像素点修正目标预测像素点,能够消除模糊像素点,提高抠图的精确度。
本发明的一个实施例,提供了一种图像处理设备,本设备以手机为例,在手机内构建有深度学习抠图模型,将原始图像输入至该深度学习抠图模型中就能输出预测图像,此处不再细述深度学习抠图模型的构建训练过程,本设备能够执行一种图像处理方法,参照图3,图像处理方法包括以下步骤:
步骤S101、获取位于目标预测图像中第一位置的目标预测像素点。
在步骤S101中,目标预测图像是将目标原始图像输入至深度学习抠图模型中,得到深度学习抠图模型输出的结果。其中目标预测像素点是指的目标预测图像中出现的模糊像素点。例如:目标原始图像为IN,目标预测图像为PN,出现模糊像素点的位置在第一位置(x,y),目标预测像素点为PN(x,y)。
步骤S102、获取若干张参考预测图像,并获取每一张参考预测图像中与第一位置相对应位置的参考预测像素点;参考预测图像是目标预测图像前后帧的预测图像。
在本实施例中,获取参考预测图像中与第一位置相对应位置的参考预测像素点是指的:参考预测像素点位于参考预测图像中的位置与目标预测像素点位于目标预测图像中的位置相同。例如:目标预测图像PN中出现标预测像素点的位置在第一位置(x,y),那么参考预测像素点在参考预测图像中的坐标也为(x,y)。后文也是同理,不再赘述。
在一些实施例中,步骤S102的获取若干张参考预测图像,具体包括以下步骤:
步骤S1021、获取目标预测图像前后帧的若干张预测图像以及若干张预测图像对应的若干张原始图像。
步骤S1022、获取原始图像中与第一位置相对应位置的原始像素点以及目标原始图像中与第一位置相对应位置的目标原始像素点。
步骤S1023、选取原始像素点与目标原始像素点的颜色相似度在预设范围内的所有原始图像。
步骤S1024、将所有原始图像对应的所有预测图像作为参考预测图像。
在一些实施例中,可以选择目标预测图像PN的前后三帧的预测图像PN±3,相较于选择前后五帧或者五帧以上的预测图像,选择前后三帧能够在保证精确度的前提下,减少运算量。
以目标原始图像为IN,目标预测图像为PN,出现模糊像素点的位置在第一位置(x,y),目标预测像素点为PN(x,y)为例,步骤S1021至步骤S1024的实施过程如下所示:
首先,获取目标预测图像PN的前后三帧的预测图像PN±i,i=1,2,3,获取前后三帧原始图像IN±i,i=1,2,3。定位前后三帧原始图像IN±i,i=1,2,3对应的原始像素点IN±i(x,y),i=1,2,3。定位目标原始图像IN中与第一位置相对应位置的目标原始像素点IN(x,y)。
然后,以下列举一个在本领域中计算颜色相似度的常规公式:
IN(x,y)→(RN,GN,BN)
IN±i(x,y)→(RN±i,GN±i,BN±i)
Distance=(RN-RN±i,GN-GN±i,GN-BN±i),=-3~3
通过以上公式可以计算出原始像素点IN±i(x,y),i=1,2,3与目标原始像素点IN(x,y)之间的颜色相似度,然后可人为的设定阈值,保留颜色相似度在预设范围内所有原始图像,将这些原始图像对应的预测图像作为参考预测图像。此处不限制具体的预设范围,可根据实际情况进行设定。
最后,假设前后三帧原始图像的原始像素点IN±i(x,y),i=1,2,3与目标原始像素点IN(x,y)之间的颜色相似度均满足条件,则将原始图像IN±i,i=1,2,3对应的预测图像PN±i,i=1,2,3作为参考预测图像。
步骤S103、选取一个参考预测像素点修正目标预测图像中的目标预测像素点。
在一些实施例中,步骤S103的选取一个参考预测像素点修正目标预测图像中的目标预测像素点,具体包括:
步骤S1031、获取深度学习抠图模型输出每一个参考预测像素点的预测值。
步骤S1032、选取预测值最大的一个参考预测像素点替换目标预测图像中的目标预测像素点。
通常情况下,预测值越大,深度学习抠图模型输出图像的像素点越精确,此时从多个参考预测像素点之中选取预测值最大的一个参考预测像素点替换目标预测像素点,能够消除模糊点,提高抠图的精确度。
在一些实施例中,步骤S103的选取一个参考预测像素点修正目标预测图像中的目标预测像素点,具体包括:
步骤S1033、获取深度学习抠图模型输出每一个参考预测像素点的预测值。
步骤S1034、获取与目标预测像素点的预测值最接近的若干个参考预测像素点。
步骤S1035、将与目标预测像素点的预测值最接近的若干个参考预测像素点进行求和平均,得到参考预测值。
步骤S1036、将参考预测值替换目标预测像素点的预测值。
与上述步骤S1031至步骤S1032不同的是,步骤S1033至步骤S1036是利用与目标预测像素点的预测值最相似多个目标预测像素点的预测值来做投票取平均,同样也能消除模糊点,提高抠图的精确度。
需要注意的是,通常像素点的预测值都会存在手机的记忆体中,经过本方法所描述的流程,最后将直接更改像素点上的预测值,用户看到的是最后修改完的值。
本实施例提供的一种图像处理方法,具有以下有益效果:
在视频的抠图过程中,一连串的图像经过抠图的深度模型算法,因为模型是单张输入,因为动作快速移动或是光源影响造成抠图结果不稳定,出现画面中的人在某一帧身体某一部分突然抠不好,或是背景被误认为前景,用户会看到某一帧突然缺一块的样子,或是结果闪烁的状况,影响用户体验。当某一帧的预测图像中会出现模糊像素点,但出现模糊像素点的预测图像的前后帧预测图像的相同位置上的像素点却不一定出现模糊,于是本方法通过在位于目标预测图像前后帧的参考预测图像中选取一个最合适的参考预测像素点修正目标预测像素点,能够消除模糊像素点,提高抠图的精确度,提升用户体验。本方法实施例主要是用在非实时的抠图应用,目的是用來提供更优化的抠图效果,尤其是在抠图结果的细节上呈现,且本方法不用太多的CPU运算,所以在手机端这样的低运算装置上,可以有效的提升抠图的精确度。
参照图1和图2,本发明的一个实施例,提供了一种图像处理方法,本方法包括以下步骤:
步骤S201、先定义原始图为I,预测图P在视频中第N张原始图为IN,其预测图为PN。
步骤S202、在第N张预测图像PN中,找到特定预测值的像素,本方法实施例的预测值是设为0.3至0.6,在此范围的预测值像素,称为模糊像素点。当在预测图P中发现模糊像数点PN(x,y),其对应在在原始图的同一个位置点(x,y)的像素上为IN(x,y)。此像素点前后帧的预测图像素点为PN-1(x,y)和PN+1(x,y)。
步骤S203、在本方法实施例中,找前后三张来当作参考点,则为N-3至N+3。在第N-3至N+3张的原始图I和预测图像P中,同一个位置点的模糊像素点(x,y)上,分别得到原始图像数IN±3(x,y)和预测图像素点PN±3(x,y)。
本方法实施例是以前后三帧图像作为参考,但是不一定限定于前后三帧图像,也可以是5帧或是更多帧图像。
步骤S204、接著利用投票的机制,来决定这个模糊像素点的实际值。
步骤S2041、加入投票的像素点则在原始图中IN±3(x,y)必须要和IN(x,y)顏色相似:
IN(x,y)→(RN,GN,BN)
IN±i(x,y)→(RN±i,GN±i,BN±i)
Distance=(RN-RN±i,GN-GN±i,BN-BN±i),=-3~3
在步骤S2041中,上述上式是本领域中一个计算颜色相似度的常规公式,本发明不作具体的限制。
需要注意的是,本方法实施例是以取最大的预测值来当结果,也可以利用最相似三点来做投票取平均。
参照图4,发明的一个实施例,提供了一种图像处理系统,系统包括:目标预测像素点获取单元100、参考预测图像获取单元200和像素点修正单元300,其中:
目标预测像素点获取单元100用于获取位于目标预测图像中第一位置的目标预测像素点。
参考预测图像获取单元200用于获取若干张参考预测图像,并获取每一张参考预测图像中与第一位置相对应位置的的参考预测像素点;参考预测图像是目标预测图像前后帧的预测图像。
像素点修正单元300用于选取一个参考预测像素点修正目标预测图像中的目标预测像素点。
在一些实施例中,系统还包括:目标预测图像获取单元,目标预测图像获取单元,用于将目标原始图像输入至深度学习抠图模型中,得到深度学习抠图模型输出的目标预测图像。
需要注意的是,本系统实施例与上述方法实施例是基于相同的发明构思,因此上述方法实施例的相同内容同样适用于本系统实施例,此处不再赘述。
另外,本申请还提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现:
如上述的图像处理方法。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的图像处理方法所需的非暂态软件程序以及指令存储在存储器中,当被处理器执行时,执行上述实施例中的图像处理方法,例如,执行以上描述的图3中的方法步骤S101至步骤S103。
另外,本申请还提供一种计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令用于执行:
如上述的图像处理方法。
该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个处理器或控制器执行,例如,被上述电子设备实施例中的一个处理器执行,可使得上述处理器执行上述实施例中的图像处理方法,例如,执行以上描述的图3中的方法步骤S101至步骤S103
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
获取位于目标预测图像中第一位置的目标预测像素点;
获取若干张参考预测图像,并获取每一张所述参考预测图像中与所述第一位置相对应位置的参考预测像素点;所述参考预测图像是所述目标预测图像前后帧的预测图像;
选取一个所述参考预测像素点修正所述目标预测图像中的所述目标预测像素点。
2.根据权利要求1所述的图像处理方法,其特征在于,所述获取位于目标预测图像中第一位置的目标预测像素点之前,所述方法还包括:
将目标原始图像输入至深度学习抠图模型中,得到所述深度学习抠图模型输出的目标预测图像。
3.根据权利要求2所述的图像处理方法,其特征在于,所述获取若干张参考预测图像,包括:
获取所述目标预测图像前后帧的若干张预测图像以及所述若干张预测图像对应的若干张原始图像;
获取所述原始图像中与所述第一位置相对应位置的原始像素点以及所述目标原始图像中与所述第一位置相对应位置的目标原始像素点;
选取所述原始像素点与所述目标原始像素点的颜色相似度在预设范围内的所有所述原始图像;
将所述所有所述原始图像对应的所有所述预测图像作为所述参考预测图像。
4.根据权利要求3所述的图像处理方法,其特征在于,所述选取一个所述参考预测像素点修正所述目标预测图像中的所述目标预测像素点,包括:
获取所述深度学习抠图模型输出每一个所述参考预测像素点的预测值;
选取预测值最大的一个所述参考预测像素点替换所述目标预测图像中的所述目标预测像素点。
5.根据权利要求3所述的图像处理方法,其特征在于,所述选取一个所述参考预测像素点修正所述目标预测图像中的所述目标预测像素点,包括:
获取所述深度学习抠图模型输出每一个所述参考预测像素点的预测值;
获取与所述目标预测像素点的预测值最接近的若干个所述参考预测像素点;
将所述与所述目标预测像素点的预测值最接近的若干个所述参考预测像素点进行求和平均,得到参考预测值;
将所述参考预测值替换所述目标预测像素点的预测值。
6.根据权利要求2所述的图像处理方法,其特征在于,所述参考预测图像是所述目标预测图像前后三帧内的预测图像。
7.一种图像处理系统,其特征在于,所述系统包括:
目标预测像素点获取单元,用于获取位于目标预测图像中第一位置的目标预测像素点;
参考预测图像获取单元,用于获取若干张参考预测图像,并获取每一张所述参考预测图像中与所述第一位置相对应位置的参考预测像素点;所述参考预测图像是所述目标预测图像前后帧的预测图像;
像素点修正单元,用于选取一个所述参考预测像素点修正所述目标预测图像中的所述目标预测像素点。
8.根据权利要求7所述的图像处理系统,其特征在于,所述系统还包括:
目标预测图像获取单元,用于将目标原始图像输入至深度学习抠图模型中,得到所述深度学习抠图模型输出的目标预测图像。
9.一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现:
如权利要求1至6任意一项所述的图像处理方法。
10.一种计算机可读存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于执行:
如权利要求1至6任意一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740168.6A CN113392801A (zh) | 2021-06-30 | 2021-06-30 | 图像处理方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740168.6A CN113392801A (zh) | 2021-06-30 | 2021-06-30 | 图像处理方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113392801A true CN113392801A (zh) | 2021-09-14 |
Family
ID=77624758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110740168.6A Pending CN113392801A (zh) | 2021-06-30 | 2021-06-30 | 图像处理方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392801A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101588459A (zh) * | 2009-06-26 | 2009-11-25 | 北京交通大学 | 一种视频抠像处理方法 |
CN101699512A (zh) * | 2009-10-30 | 2010-04-28 | 无锡景象数字技术有限公司 | 一种基于背景差异抠图和稀疏光流法的深度的生成方法 |
CN102170574A (zh) * | 2011-05-23 | 2011-08-31 | 北京工业大学 | 一种实时视频去雾处理系统 |
CN102651135A (zh) * | 2012-04-10 | 2012-08-29 | 电子科技大学 | 一种基于优化方向采样的自然图像抠图方法 |
CN106874949A (zh) * | 2017-02-10 | 2017-06-20 | 华中科技大学 | 一种基于红外图像的动平台运动目标检测方法及系统 |
CN110335219A (zh) * | 2019-07-17 | 2019-10-15 | 中国电子科技集团公司第十三研究所 | 一种像素畸变的校正方法、校正装置及终端 |
CN112819848A (zh) * | 2021-02-04 | 2021-05-18 | Oppo广东移动通信有限公司 | 抠图方法、抠图装置和电子设备 |
WO2021092883A1 (zh) * | 2019-11-15 | 2021-05-20 | 深圳市微蓝智能科技有限公司 | 物品管理方法、终端装置和物品管理设备及存储介质 |
-
2021
- 2021-06-30 CN CN202110740168.6A patent/CN113392801A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101588459A (zh) * | 2009-06-26 | 2009-11-25 | 北京交通大学 | 一种视频抠像处理方法 |
CN101699512A (zh) * | 2009-10-30 | 2010-04-28 | 无锡景象数字技术有限公司 | 一种基于背景差异抠图和稀疏光流法的深度的生成方法 |
CN102170574A (zh) * | 2011-05-23 | 2011-08-31 | 北京工业大学 | 一种实时视频去雾处理系统 |
CN102651135A (zh) * | 2012-04-10 | 2012-08-29 | 电子科技大学 | 一种基于优化方向采样的自然图像抠图方法 |
CN106874949A (zh) * | 2017-02-10 | 2017-06-20 | 华中科技大学 | 一种基于红外图像的动平台运动目标检测方法及系统 |
CN110335219A (zh) * | 2019-07-17 | 2019-10-15 | 中国电子科技集团公司第十三研究所 | 一种像素畸变的校正方法、校正装置及终端 |
WO2021092883A1 (zh) * | 2019-11-15 | 2021-05-20 | 深圳市微蓝智能科技有限公司 | 物品管理方法、终端装置和物品管理设备及存储介质 |
CN112819848A (zh) * | 2021-02-04 | 2021-05-18 | Oppo广东移动通信有限公司 | 抠图方法、抠图装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11113795B2 (en) | Image edge processing method, electronic device, and computer readable storage medium | |
CN108492287B (zh) | 一种视频抖动检测方法、终端设备及存储介质 | |
CN107872644A (zh) | 视频监控方法及装置 | |
CN111489401A (zh) | 一种图像颜色恒常性处理方法、系统、设备和存储介质 | |
CN110049242B (zh) | 一种图像处理方法和装置 | |
CN108205671A (zh) | 图像处理方法及装置 | |
CN110648284B (zh) | 一种光照不均匀的图像处理方法及装置 | |
CN111383250A (zh) | 基于改进混合高斯模型的运动目标检测方法及装置 | |
CN110809126A (zh) | 一种基于自适应可变形卷积的视频帧插值方法及系统 | |
CN112800850A (zh) | 一种视频处理方法、装置、电子设备及存储介质 | |
US20150187051A1 (en) | Method and apparatus for estimating image noise | |
CN115984570A (zh) | 一种视频去噪方法、装置、存储介质和电子装置 | |
US11625816B2 (en) | Learning device, image generation device, learning method, image generation method, and program | |
CN109040579B (zh) | 一种拍摄控制方法、终端及计算机可读介质 | |
US20200184606A1 (en) | Processing video frames via convolutional neural network using previous frame statistics | |
CN113052768A (zh) | 一种处理图像的方法、终端及计算机可读存储介质 | |
CN114550173A (zh) | 图像预处理方法、装置、电子设备以及可读存储介质 | |
CN113392801A (zh) | 图像处理方法、系统、设备及存储介质 | |
CN109145918B (zh) | 图像分割标注方法及设备 | |
JP2021086284A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN110689496A (zh) | 降噪模型的确定方法、装置、电子设备和计算机存储介质 | |
US9679363B1 (en) | System and method for reducing image noise | |
CN114549646A (zh) | 关键点位置确定方法及装置 | |
CN114494005A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN114845069A (zh) | 视频处理方法、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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211119 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 |