CN113643257A - 图像噪点检测方法、装置、设备、存储介质及程序产品 - Google Patents
图像噪点检测方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN113643257A CN113643257A CN202110923103.5A CN202110923103A CN113643257A CN 113643257 A CN113643257 A CN 113643257A CN 202110923103 A CN202110923103 A CN 202110923103A CN 113643257 A CN113643257 A CN 113643257A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- detected
- gradient information
- primary
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000004590 computer program Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种图像噪点检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品,涉及图像识别、云服务等人工智能技术领域。该方法包括:对获取到的待检测图像依次进行两次模糊处理,对应得到一次模糊图像和二次模糊图像;分别确定一次模糊图像的第一梯度信息和二次模糊图像的第二梯度信息;根据第二梯度信息与第一梯度信息的梯度信息商,确定待检测图像是否存在噪点。该方法根据二次模糊图像与一次模糊图像之间的梯度商,来确定待检测图像是否存在噪点,充分利用了用于检测待检测图像是否为模糊图像的二次模糊原理,以及结合存在噪点的待检测图像会反映在梯度商大小上的特性,可以提升检测效率和准确性。
Description
技术领域
本公开涉及图像处理技术领域,具体涉及图像识别、云服务等人工智能技术领域,尤其涉及一种图像噪点检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
在视频播放、会议、直播、监控等场景中,数据传输时的异常或波动性影响可能会造成拍摄或生成的图像中包含多为点状的噪声(也成为了噪点),使视频或者图片质量下降,会给观看者带来较差的体验感。
因此如何快速、准确的图像中是否存在噪点,是提升观看体验的基础。
发明内容
本公开实施例提出了一种图像噪点检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面,本公开实施例提出了一种图像噪点检测方法,包括:对获取到的待检测图像依次进行两次模糊处理,对应得到一次模糊图像和二次模糊图像;分别确定一次模糊图像的第一梯度信息和二次模糊图像的第二梯度信息;根据第二梯度信息与第一梯度信息的梯度信息商,确定待检测图像是否存在噪点。
第二方面,本公开实施例提出了一种图像噪点检测装置,包括:两次模糊处理单元,被配置成对获取到的待检测图像依次进行两次模糊处理,对应得到一次模糊图像和二次模糊图像;梯度信息确定单元,被配置成分别确定一次模糊图像的第一梯度信息和二次模糊图像的第二梯度信息;噪点判别单元,被配置成根据第二梯度信息与第一梯度信息的梯度信息商,确定待检测图像是否存在噪点。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的图像噪点检测方法。
第四方面,本公开实施例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,该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的图像噪点检测方法。
第五方面,本公开实施例提供了一种包括计算机程序的计算机程序产品,该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的图像噪点检测方法。
本公开实施例提供的图像噪点检测方法,对获取到的待检测图像依次进行两次模糊处理,对应得到一次模糊图像和二次模糊图像;分别确定一次模糊图像的第一梯度信息和二次模糊图像的第二梯度信息;根据第二梯度信息与第一梯度信息的梯度信息商,确定待检测图像是否存在噪点。
通常情况下,可根据经过一次模糊处理的一次模糊图像与原始的待检测图像之间的梯度商来确定待检测图像是否为模糊图像,即待检测图像若为清晰图像,那么会导致梯度商偏小,即进行模糊处理对其的梯度信息造成了较大的改变,反之则不会造成较大的改变。但如果待检测图像中存在噪点(也可以称噪声),噪点的存在会使一次模糊图像与待检测图像之间的梯度商不再与待检测图像是否为模糊图像之间存在明显的相关性,即存在噪点的待检测图像已不再适用该检测机制。因此若能够克服因噪点存在的图像模糊检测问题,也能够反过来实现对是否存在噪点的检测。
针对上述现有处理方式存在的上述问题,本公开选择在上述指导思想的基础上对原始的待检测图像依次进行两次模糊处理,并借助二次模糊图像与一次模糊图像的梯度商来判别待检测图像是否存在噪点,之所以能够通过此种方式判别出待检测图像是否存在噪点,是因为采用此种方式能够在忽略待检测图像中是否存在噪点对判别出待检测图像是否为模糊图像的结果的相关性影响,即二次模糊图像与一次模糊图像之间的梯度商又重新恢复了与判别出待检测图像是否为模糊图像之间的相关性,因此在能够判别出待检测图像是否为模糊图像的基础上,得以进一步反向推导出待检测图像是否存在噪点。
相比于基于噪点在图像中的局部形态学和颜色特征的噪点识别方式,本公开提供的基于二次模糊理论的新的图像噪点检测方式由于针对图像整体进行梯度信息,处理效率更高;相比于基于一次模糊图像和待检测图像的梯度信息的检测方式,则提升了检测准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开可以应用于其中的示例性系统架构;
图2为本公开实施例提供的一种图像噪点检测方法的流程图;
图3为本公开实施例提供的另一种图像噪点检测方法的流程图;
图4为本公开实施例提供的一种去噪点方法的流程示意图;
图5为本公开实施例提供的另一种去噪点方法的流程示意图
图6为本公开实施例提供的一种图像噪点检测装置的结构框图;
图7为本公开实施例提供的一种适用于执行图像噪点检测方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要的保密措施,且不违背公序良俗。
图1示出了可以应用本公开的图像噪点检测方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,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。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用,例如图像处理类应用、图像噪点检测类应用、即时通讯类应用等。
终端设备101、102、103和服务器105可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等;当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中,其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器;服务器为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。
服务器105通过内置的各种应用可以提供各种服务,以可以提供检测噪点图像服务的图像噪点检测类应用为例,服务器105在运行该电子相册类应用时可实现如下效果:首先,通过网络104从终端设备101、102、103中获取待检测图像;然后,依次对获取到的待检测图像进行两次模糊处理,对应得到一次模糊图像和二次模糊图像;接着,分别确定一次模糊图像的第一梯度信息和二次模糊图像的第二梯度信息;最后,根据第二梯度信息与第一梯度信息的梯度信息商,确定待检测图像是否存在噪点。
需要指出的是,待检测图像除可以从终端设备101、102、103通过网络104获取到之外,也可以通过各种方式预先存储在服务器105本地。因此,当服务器105检测到本地已经存储有这些数据时(例如开始处理之前留存的待处理噪点图像检测任务),可选择直接从本地获取这些数据,在此种情况下,示例性系统架构100也可以不包括终端设备101、102、103和网络104。
由于识别图像是否噪点图像需要占用较多的运算资源和较强的运算能力,因此本公开后续各实施例所提供的图像噪点检测方法一般由拥有较强运算能力、较多运算资源的服务器105来执行,相应地,图像噪点检测装置一般也设置于服务器105中。但同时也需要指出的是,在终端设备101、102、103也具有满足要求的运算能力和运算资源时,终端设备101、102、103也可以通过其上安装的图像噪点检测类应用完成上述本交由服务器105做的各项运算,进而输出与服务器105同样的结果。尤其是在同时存在多种具有不同运算能力的终端设备的情况下,但图像噪点检测类应用判断所在的终端设备拥有较强的运算能力和剩余较多的运算资源时,可以让终端设备来执行上述运算,从而适当减轻服务器105的运算压力,相应的,图像噪点检测装置也可以设置于终端设备101、102、103中。在此种情况下,示例性系统架构100也可以不包括服务器105和网络104。
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。
请参考图2,图2为本公开实施例提供的一种图像噪点检测方法的流程图,其中流程200包括以下步骤:
步骤201:对获取到的待检测图像依次进行两次模糊处理,对应得到一次模糊图像和二次模糊图像;
本步骤旨在由图像噪点检测方法的执行主体(例如图1所示的服务器105)对获取到的待检测图像依次进行两次模糊处理,以分别得到经过一次模糊处理的一次模糊图像,和经过两次模糊处理的二次模糊图像。
其中,该待检测图像可以是视频流中的任一帧,也可以是专门挑选出的一张图像,也可以是数量大于2的图像集合,还可以将通过网站或应用的图像上传接口上传的每一张图像,还可以是通过相机应用拍摄得到的每张图像,即所有可能需求进行模糊检测的图像均可以作为待检测图像。
需要说明的是,如果待检测图像本身是一张不存在噪点的清晰图像或模糊图像,那么其经过一次模糊处理就能够通过对比一次后图像与待检测图像之间的模糊度,反推出待检测图像是否为清晰图像或模糊图像。这是因为假定待检测图像是一张不存在噪点的清晰图像,那么通过一次模糊处理之后将导致一次模糊图像与待检测图像之间的模糊度较大(即一次模糊图像相较于待检测图像明显在模糊程度上出现了较大的变化),反之,若待检测图像是一张不存在噪点的模糊图像,那么即使通过一次模糊处理之后虽然也会导致模糊程度增加,但模糊度较小,即对于原本就是模糊的图像来说即使再进行模糊处理也不会产生特别明显的模糊效果。
上述内容就是基于传统的二次模糊原理的识别待检测图像是否模糊图像的实现方式,即借助一次模糊图像与待检测图像之间的模糊度与判别是否为模糊图像之间存在的相关性,但申请人发现,如果待检测图像中存在噪点(噪声),就会导致上述相关性丧失,即噪点的存在让是否为模糊图像的判别界限不清楚的,即有些噪点会导致得到正确的判别结论,而有些噪点则会导致得出错误的判别结论。反之,也可以根据这一情况反推出待检测图像是否存在噪点,因为存在噪点的待检测图像和不存在噪点的待检测图像,还是会对其梯度商造成影响。
需要说明的是,在某些场景下在对待检测图像进行模糊处理之前,还需要调整待检测图像的尺寸以及将其转换为灰度图,以便于更好的计算梯度信息。
其中,对图像进行模糊处理的方式有很多,例如比较常见的均值模糊、高斯模糊,均是采用不同的模糊方式对图像进行模糊处理,还可以采用其它能够起到相同或类似效果的处理方式,此处不再一一列举,可根据实际应用场景下对模糊处理结果的要求灵活的进行选择,其中的要求可以包括:耗时、模糊程度、性能消耗程度、内存占用率等等。需要说明的是,依次进行的两次模糊处理可独立的在多种具体的模糊处理方式进行任意选择,可以相同也可以不同。
步骤202:分别确定一次模糊图像的第一梯度信息和二次模糊图像的第二梯度信息;
在步骤201的基础上,本步骤旨在由上述执行主体分别确定一次模糊图像的第一梯度信息和二次模糊图像的第二梯度信息。
图像的梯度信息用于表征图像中不同像素点之间的色值差异大小,例如两个相邻像素点分别为一黑、一白(或者一个像素点的灰度值为0,另一个为255),因为这种情况会造成明显的色值变化,相当于出现色值的阶跃式变换,因此用梯度信息来形象的称呼它。因此可以理解的是,越是清晰的图像,量化的梯度参数通常会较高,反而越是模糊的图像,量化的梯度参数通常则会较低,因为通过模糊使得原先在清晰图像中色值变化明显的两个像素点的色值差别不是那么明显了。
步骤203:根据第二梯度信息与第一梯度信息的梯度信息商,确定待检测图像是否存在噪点。
在步骤202的基础上,本步骤旨在根据第二梯度信息与第一梯度信息的梯度信息商,来确定待检测图像是否存在噪点。
之所以本步骤用于确定待检测图像是否存在噪点的参数为第二梯度信息与第一梯度信息之间的商,也正是因为梯度信息商能够相较于梯度信息差更好的表征模糊度的变化。可以理解的是,相比于一次模糊图像与待检测图像之间的梯度信息商,二次模糊图像与一次模糊图像的梯度信息商由于梯度信息的分子和分母均是至少进行过一次模糊处理的图像,相比没进行过一次模糊处理的待检测图像,能够消除因存在噪点对梯度信息的影响,这也是因为噪点的存在会明显的改变原图的梯度信息,反之也可以利用是否存在噪点的大量样本反推出噪点存在与否对梯度信息商大小的影响,进而实现对是否存在噪点的判别。
在根据梯度信息商的大小判别待检测图像是否存在噪点时,可根据预先合理设定的、具有区分能力的阈值来通过比较大小的方式实现,即大于或不大于该阈值将能够得到不同的判别结果。具体的,该阈值也可以是通过有经验的评定人员对大量样本的待检测图像是否存在噪点的图像认定所确定出的临界值。
本公开实施例提供的图像噪点检测方法,选择对原始的待检测图像依次进行两次模糊处理,并借助二次模糊图像与一次模糊图像的梯度商来判别待检测图像是否存在噪点,之所以能够通过此种方式判别出待检测图像是否存在噪点,是因为采用此种方式能够在忽略待检测图像中是否存在噪点对得到是否为模糊图像的结果的相关性影响,即二次模糊图像与一次模糊图像之间的梯度商又重新恢复了与判别出待检测图像是否为模糊图像之间的相关性,因此在能够判别出待检测图像是否为模糊图像的基础上,得以进一步反向推导出待检测图像是否存在噪点。
相比于基于噪点在图像中的局部形态学和颜色特征的噪点识别方式,本公开提供的基于二次模糊理论的新的图像噪点检测方式由于针对图像整体进行梯度信息,处理效率更高;相比于基于一次模糊图像和待检测图像的梯度信息的检测方式,则提升了检测准确性。
请参考图3,图3为本公开实施例提供的另一种图像噪点检测方法的流程图,其中流程300包括以下步骤:
步骤301:获取待检测图像;
步骤302:对待测图像进行均值模糊处理,得到一次模糊图像;
步骤303:对一次模糊图像进行高斯模糊处理,得到二次模糊图像;
本实施例中,具体提供了一种进行一次模糊处理时使用均值模糊方式、进行二次模糊处理时使用高斯模糊方式的实现方式,该搭配是经实际测试对测试场景下所提供的样本图像具有较好的最终判别准确性的模糊处理方式搭配,具体如何选择模糊处理方式的搭配(例如是否选择相同还是不同的模糊处理方式,如何安排不同模糊处理方式的先后顺序等等)可根据实际应用场景下的常见图像类型。
步骤304:对一次模糊图像做拉普拉斯变换,并将变换得到的原始梯度信息的均值作为第一梯度信息;
步骤305:对二次模糊图像做拉普拉斯变换,并将变换得到的原始梯度信息的均值作为第二梯度信息;
本实施例具体选用了做拉普拉斯变换来确定图像的原始梯度信息的实现方式,除做拉普拉斯变换之外,也可以采用水平垂直差分法、Robert梯度算子、Sobel算子、Prewitt算子等起到相同或类似的作用,此处不再一一列举。
以及分别求取其原始梯度信息的均值的方式对应得到第一梯度信息和第二梯度信息,以通过求取均值的方式简化计算。
步骤306:求取第二梯度信息与第一梯度信息的梯度商;
以上步骤301-306与如图2所示的步骤201-206一致,相同部分内容请参见上一实施例的相应部分,此处不再进行赘述。
步骤307:判断梯度商是否大于预设的噪点判别阈值,若是,执行步骤308,否则执行步骤309;
步骤308:确定待检测图像不存在噪点;
本步骤建立在梯度商大于预设的噪点判别阈值的基础上,即旨在由上述执行主体将处于此种情况下的待检测图像确定为不存在噪点的图像。
步骤309:确定待检测图像存在噪点。
本步骤建立在梯度商不大于预设的噪点判别阈值的基础上,即旨在由上述执行主体将处于此种情况下的待检测图像确定为存在噪点的图像。
其中,噪点判别阈值被作为通过梯度均值商的大小衡量待检测图像是否存在噪点的临界值,噪点判别阈值基于对待检测图像是否存在噪点的标注结果确定得到。
在流程200的实施例基础上,本实施例通过步骤302-步骤303提供了一种适配实际应用场景的模糊处理方式的搭配,还通过步骤304-305提供了一种采用拉普拉斯算子计算图像的原始梯度信息,并求取其均值作为后续求商的计算基础的方式;以及还通过步骤307-步骤309给出了一种基于预设的噪点判别阈值来确定待检测图像是否存在噪点的具体实现方式。
需要说明的是,上述示出的各优选实现部分之间并不存在因果和依赖关系,完全可以分别结合流程200形成不同的独立实施例,本实施例仅作为一个同时包括上述各优选实现部分的优选实施例存在。
通过上述任意实施例,得以能够最终确定出待检测图像是否为存在噪点的结论,但考虑到光识别出存在噪点的图像还不够,在多数场景下还需要尽量消除因噪点对图像带来的信息确实或干扰,因此本实施例还分别通过如图4和图5所示的两种去噪点方式,其中,图4中的流程400包括以下步骤:
步骤401:基于噪点的形态学特征和颜色特征,确定待检测图像中的噪点位置;
即在已经明确待检测图像中存在噪点的情况下,利用噪点的形态学特征(通常情况下整体呈近似的圆形)和颜色特征(通常情况下为整体偏白色或偏黑色,整体颜色较为单一),来确定待检测图像中噪点的位置。
步骤402:根据噪点位置的邻域空间内的颜色分布情况,采用平滑拟合的方式对噪点位置的图像噪点进行补全,得到噪点修复后图像。
在步骤401的基础上,本步骤旨在由上述执行主体根据噪点位置的邻域空间内的颜色分布情况,采用平滑拟合的方式对噪点位置的图像噪点进行补全,得到噪点修复后图像。即通过借鉴邻域空间内的颜色分布情况,尽可能的让噪点位置上的噪点所在的部分图像具有相同的颜色分布情况,进而使得修复后的图像更加接近原图。
在图4所示实施例的基础上,本实施例还针对待检测图像为具有固定颜色特征的目标角色的图像的这类情况,通过图5给出了一种针对性的解决方案,其流程500包括如下步骤:
步骤501:基于噪点的形态学特征和颜色特征,确定待检测图像中的噪点位置;
步骤502:搜索描述目标角色的不存在噪点的清晰图像;
本步骤旨在由上述执行主体根据目标角色的一致性搜索同样描述该角色且不存在噪点的清晰图像。
步骤503:在清晰图像中确定噪点位置在目标角色上的实际部位;
在步骤503的基础上,本步骤旨在由上述执行主体在清晰图像中确定噪点位置在目标角色上的实际部位。
步骤504:根据清晰图像中实际部位的颜色分布情况,采用平滑拟合的方式对噪点位置的图像噪点进行补全。
在步骤503的基础上,本步骤旨在由上述执行主体根据清晰图像中实际部位的颜色分布情况,采用平滑拟合的方式对噪点位置的图像噪点进行补全。即区别于步骤402,本实施例通过相同角色、相同部位的正确颜色分布,得以尽可能的提升了噪点部分图像内容的补全效果。
为加深理解,本公开还结合一个具体应用场景,给出了一种具体的实现方案,假定存在如下场景需求:用户A在网络上获取到了一组图片,该组图片记录了一个角色演示一组动作的变化过程,用户A需要根据该组图像来建模出与该动作的运动模型,因此需要保证图片不能具有噪点且清晰度也能够符合建模的需求。为满足上述需求,可按照下述方式来执行:
1)用户A将该组图片上传至图像噪点/模糊识别应用来分别对每一张图像进行噪点/模糊检测;
2)图像噪点/模糊识别应用分别对每张原图依次进行两次模糊处理,并通过拉普拉斯算子计算得到一次模糊图像和二次模糊图像的梯度均值X1、X2;
3)图像噪点/模糊识别应用分别计算每张原图的X2/X1,并设定模糊判别阈值为0.8、噪点判别阈值为0.2;
4)图像噪点/模糊识别应用通过比对发现,该组10张图片中的第1张、第7张的梯度均值商分别为0.9和0.85,使得0.9>0.8、0.85>0.85,且这两张图像的1-梯度均值商分别为0.1和0.15,且0.1<0.2、0.15<0.2,使得这两张图片被判别属于模糊图像、不存在噪点,剩下的8张则属于即清晰又不存在噪点的图像;
5)图像噪点/模糊识别应用调用自身预置的去模糊处理模型对第1张、第7张进行去模糊处理,直至经去模糊处理后的图像的新的梯度上均小于0.8后返回给用户A。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种图像噪点检测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的图像噪点检测装置600可以包括:两次模糊处理单元601、梯度信息确定单元602、噪点判别单元603。其中,两次模糊处理单元601,被配置成对获取到的待检测图像依次进行两次模糊处理,对应得到一次模糊图像和二次模糊图像;梯度信息确定单元602,被配置成分别确定一次模糊图像的第一梯度信息和二次模糊图像的第二梯度信息;噪点判别单元603,被配置成根据第二梯度信息与第一梯度信息的梯度信息商,确定待检测图像是否存在噪点。
在本实施例中,图像噪点检测装置600中:两次模糊处理单元601、梯度信息确定单元602、噪点判别单元603的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,梯度信息确定单元602可以被进一步配置成:
对一次模糊图像做拉普拉斯变换,并将变换得到的原始梯度信息的均值作为第一梯度信息;
对二次模糊图像做拉普拉斯变换,并将变换得到的原始梯度信息的均值作为第二梯度信息。
在本实施例的一些可选的实现方式中,噪点判别单元603可以被进一步配置成:
响应于第二梯度信息与第一梯度信息的商大于预设的噪点判别阈值,确定待检测图像不存在噪点;其中,噪点判别阈值被作为通过梯度均值商的大小衡量待检测图像是否存在噪点的临界值,噪点判别阈值基于对待检测图像是否存在噪点的标注结果确定得到;
响应于第二图像与第一图像的梯度信息商不大于噪点判别阈值,确定待检测图像存在噪点。
在本实施例的一些可选的实现方式中,两次模糊处理单元601可以被进一步配置成:
对待检测图像进行均值模糊处理,得到一次模糊图像;
对一次模糊图像进行高斯模糊处理,得到二次模糊图像。
在本实施例的一些可选的实现方式中,图像噪点检测装置600中还可以包括:
噪点位置确定单元,被配置成响应于待检测图像被确定存在噪点,基于噪点的形态学特征和颜色特征,确定待检测图像中的噪点位置;
噪点修复单元,被配置成根据噪点位置的邻域空间内的颜色分布情况,采用平滑拟合的方式对噪点位置的图像噪点进行补全,得到噪点修复后图像。
在本实施例的一些可选的实现方式中,图像噪点检测装置600中还可以包括:
清晰图像搜索单元,被配置成响应于待检测图像被确定存在噪点且待检测图像为具有固定颜色特征的目标角色的图像,搜索描述目标角色的不存在噪点的清晰图像;
实际部位确定单元,被配置成在清晰图像中确定噪点位置在目标角色上的实际部位;
对应的,噪点修复单元可以被进一步配置成:
根据清晰图像中实际部位的颜色分布情况,采用平滑拟合的方式对噪点位置的图像噪点进行补全。
本实施例作为对应于上述方法实施例的装置实施例存在,本实施例提供的图像噪点检测装置选择对原始的待检测图像依次进行两次模糊处理,并借助二次模糊图像与一次模糊图像的梯度商来判别待检测图像是否存在噪点,之所以能够通过此种方式判别出待检测图像是否存在噪点,是因为采用此种方式能够在忽略待检测图像中是否存在噪点对得到是否为模糊图像的结果的相关性影响,即二次模糊图像与一次模糊图像之间的梯度商又重新恢复了与判别出待检测图像是否为模糊图像之间的相关性,因此在能够判别出待检测图像是否为模糊图像的基础上进一步反向推导出待检测图像是否存在噪点。
相比于基于噪点在图像中的局部形态学和颜色特征的噪点识别方式,本公开提供的基于二次模糊理论的新的图像噪点检测方式由于针对图像整体进行梯度信息,处理效率更高;相比于基于一次模糊图像和待检测图像的梯度信息的检测方式,提升了检测准确性。
根据本公开的实施例,本公开还提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现上述任意实施例所描述的图像噪点检测方法。
根据本公开的实施例,本公开还提供了一种可读存储介质,该可读存储介质存储有计算机指令,该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的图像噪点检测方法。
本公开实施例提供了一种计算机程序产品,该计算机程序在被处理器执行时能够实现上述任意实施例所描述的图像噪点检测方法。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如图像噪点检测方法。例如,在一些实施例中,图像噪点检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的图像噪点检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像噪点检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
根据本公开实施例的技术方案,选择对原始的待检测图像依次进行两次模糊处理,并借助二次模糊图像与一次模糊图像的梯度商来判别待检测图像是否存在噪点,之所以能够通过此种方式判别出待检测图像是否存在噪点,是因为采用此种方式能够在忽略待检测图像中是否存在噪点对得到是否为模糊图像的结果的相关性影响,即二次模糊图像与一次模糊图像之间的梯度商又重新恢复了与判别出待检测图像是否为模糊图像之间的相关性,因此在能够判别出待检测图像是否为模糊图像的基础上进一步反向推导出待检测图像是否存在噪点。
相比于基于噪点在图像中的局部形态学和颜色特征的噪点识别方式,本公开提供的基于二次模糊理论的新的图像噪点检测方式由于针对图像整体进行梯度信息,处理效率更高;相比于基于一次模糊图像和待检测图像的梯度信息的检测方式,则提升了检测准确性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种图像噪点检测方法,包括:
对获取到的待检测图像依次进行两次模糊处理,对应得到一次模糊图像和二次模糊图像;
分别确定所述一次模糊图像的第一梯度信息和所述二次模糊图像的第二梯度信息;
根据所述第二梯度信息与所述第一梯度信息的梯度信息商,确定所述待检测图像是否存在噪点。
2.根据权利要求1所述的方法,其中,所述分别确定所述一次模糊图像的第一梯度信息和所述二次模糊图像的第二梯度信息,包括:
对所述一次模糊图像做拉普拉斯变换,并将变换得到的原始梯度信息的均值作为所述第一梯度信息;
对所述二次模糊图像做拉普拉斯变换,并将变换得到的原始梯度信息的均值作为所述第二梯度信息。
3.根据权利要求1所述的方法,其中,所述根据所述第二梯度信息与所述第一梯度信息的梯度信息商,确定所述待检测图像是否存在噪点,包括:
响应于所述第二梯度信息与所述第一梯度信息的商大于预设的噪点判别阈值,确定所述待检测图像不存在噪点;其中,所述噪点判别阈值被作为通过梯度均值商的大小衡量所述待检测图像是否存在噪点的临界值,所述噪点判别阈值基于对所述待检测图像是否存在噪点的标注结果确定得到;
响应于所述第二图像与所述第一图像的梯度信息商不大于所述噪点判别阈值,确定所述待检测图像存在噪点。
4.根据权利要求1所述的方法,其中,所述对获取到的待检测图像依次进行两次模糊处理,对应得到一次模糊图像和二次模糊图像,包括:
对所述待检测图像进行均值模糊处理,得到所述一次模糊图像;
对所述一次模糊图像进行高斯模糊处理,得到所述二次模糊图像。
5.根据权利要求1-4任一项所述的方法,还包括:
响应于所述待检测图像被确定存在噪点,基于噪点的形态学特征和颜色特征,确定所述待检测图像中的噪点位置;
根据所述噪点位置的邻域空间内的颜色分布情况,采用平滑拟合的方式对所述噪点位置的图像噪点进行补全,得到噪点修复后图像。
6.根据权利要求5所述的方法,还包括:
响应于所述待检测图像被确定存在噪点且所述待检测图像为具有固定颜色特征的目标角色的图像,搜索描述所述目标角色的不存在噪点的清晰图像;
在所述清晰图像中确定所述噪点位置在所述目标角色上的实际部位;
对应的,所述根据所述噪点位置的邻域空间内的颜色分布情况,采用平滑拟合的方式对所述噪点位置的图像噪点进行补全,包括:
根据所述清晰图像中所述实际部位的颜色分布情况,采用平滑拟合的方式对所述噪点位置的图像噪点进行补全。
7.一种图像噪点检测装置,包括:
两次模糊处理单元,被配置成对获取到的待检测图像依次进行两次模糊处理,对应得到一次模糊图像和二次模糊图像;
梯度信息确定单元,被配置成分别确定所述一次模糊图像的第一梯度信息和所述二次模糊图像的第二梯度信息;
噪点判别单元,被配置成根据所述第二梯度信息与所述第一梯度信息的梯度信息商,确定所述待检测图像是否存在噪点。
8.根据权利要求7所述的装置,其中,所述梯度信息确定单元被进一步配置成:
对所述一次模糊图像做拉普拉斯变换,并将变换得到的原始梯度信息的均值作为所述第一梯度信息;
对所述二次模糊图像做拉普拉斯变换,并将变换得到的原始梯度信息的均值作为所述第二梯度信息。
9.根据权利要求7所述的装置,其中,所述噪点判别单元被进一步配置成:
响应于所述第二梯度信息与所述第一梯度信息的商大于预设的噪点判别阈值,确定所述待检测图像不存在噪点;其中,所述噪点判别阈值被作为通过梯度均值商的大小衡量所述待检测图像是否存在噪点的临界值,所述噪点判别阈值基于对所述待检测图像是否存在噪点的标注结果确定得到;
响应于所述第二图像与所述第一图像的梯度信息商不大于所述噪点判别阈值,确定所述待检测图像存在噪点。
10.根据权利要求7所述的装置,其中,所述两次模糊处理单元被进一步配置成:
对所述待检测图像进行均值模糊处理,得到所述一次模糊图像;
对所述一次模糊图像进行高斯模糊处理,得到所述二次模糊图像。
11.根据权利要求7-10任一项所述的装置,还包括:
噪点位置确定单元,被配置成响应于所述待检测图像被确定存在噪点,基于噪点的形态学特征和颜色特征,确定所述待检测图像中的噪点位置;
噪点修复单元,被配置成根据所述噪点位置的邻域空间内的颜色分布情况,采用平滑拟合的方式对所述噪点位置的图像噪点进行补全,得到噪点修复后图像。
12.根据权利要求11所述的装置,还包括:
清晰图像搜索单元,被配置成响应于所述待检测图像被确定存在噪点且所述待检测图像为具有固定颜色特征的目标角色的图像,搜索描述所述目标角色的不存在噪点的清晰图像;
实际部位确定单元,被配置成在所述清晰图像中确定所述噪点位置在所述目标角色上的实际部位;
对应的,所述噪点修复单元被进一步配置成:
根据所述清晰图像中所述实际部位的颜色分布情况,采用平滑拟合的方式对所述噪点位置的图像噪点进行补全。
13.一种电子设备,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权利要求1-6中任一项所述的图像噪点检测方法。
14.一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所述计算机执行权利要求1-6中任一项所述的图像噪点检测方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的图像噪点检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110923103.5A CN113643257B (zh) | 2021-08-12 | 2021-08-12 | 图像噪点检测方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110923103.5A CN113643257B (zh) | 2021-08-12 | 2021-08-12 | 图像噪点检测方法、装置、设备、存储介质及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113643257A true CN113643257A (zh) | 2021-11-12 |
CN113643257B CN113643257B (zh) | 2023-09-22 |
Family
ID=78421038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110923103.5A Active CN113643257B (zh) | 2021-08-12 | 2021-08-12 | 图像噪点检测方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643257B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2898670A1 (en) * | 2012-09-18 | 2015-07-29 | Flir Systems, Inc. | Row and column noise reduction in thermal images |
US20160180504A1 (en) * | 2014-12-19 | 2016-06-23 | Intel Corporation | Image de-noising using an equalized gradient space |
WO2016153639A1 (en) * | 2015-03-24 | 2016-09-29 | Intel Corporation | Non-local means image denoising with an adaptive directional spatial filter |
CN110782442A (zh) * | 2019-10-23 | 2020-02-11 | 国网陕西省电力公司宝鸡供电公司 | 一种基于多域耦合的图像人工模糊检测方法 |
CN111311562A (zh) * | 2020-02-10 | 2020-06-19 | 浙江华创视讯科技有限公司 | 虚焦图像的模糊度检测方法及装置 |
CN111583124A (zh) * | 2019-02-19 | 2020-08-25 | 宁波舜宇光电信息有限公司 | 用于对图像去模糊的方法、装置、系统及存储介质 |
CN112215831A (zh) * | 2020-10-21 | 2021-01-12 | 厦门市美亚柏科信息股份有限公司 | 一种用于人脸图像质量的评价方法和系统 |
-
2021
- 2021-08-12 CN CN202110923103.5A patent/CN113643257B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2898670A1 (en) * | 2012-09-18 | 2015-07-29 | Flir Systems, Inc. | Row and column noise reduction in thermal images |
US20160180504A1 (en) * | 2014-12-19 | 2016-06-23 | Intel Corporation | Image de-noising using an equalized gradient space |
WO2016153639A1 (en) * | 2015-03-24 | 2016-09-29 | Intel Corporation | Non-local means image denoising with an adaptive directional spatial filter |
CN111583124A (zh) * | 2019-02-19 | 2020-08-25 | 宁波舜宇光电信息有限公司 | 用于对图像去模糊的方法、装置、系统及存储介质 |
CN110782442A (zh) * | 2019-10-23 | 2020-02-11 | 国网陕西省电力公司宝鸡供电公司 | 一种基于多域耦合的图像人工模糊检测方法 |
CN111311562A (zh) * | 2020-02-10 | 2020-06-19 | 浙江华创视讯科技有限公司 | 虚焦图像的模糊度检测方法及装置 |
CN112215831A (zh) * | 2020-10-21 | 2021-01-12 | 厦门市美亚柏科信息股份有限公司 | 一种用于人脸图像质量的评价方法和系统 |
Non-Patent Citations (3)
Title |
---|
MARUSDEE YUSOH 等: ""Estimating Motion Blur Parameters with Gradient Descent Method"", 《IEEE》 * |
窦思冬;朱玉全;林庆;占林森;胡洋;: "基于模糊核和梯度分布的部分模糊图像检测", 信息技术, no. 09 * |
范浩杰;刘京京;黄宇辰;黄登镏;姬亚军;杨春蕾;: "无参考模式图像模糊度检测方法探究", 福建电脑, no. 07 * |
Also Published As
Publication number | Publication date |
---|---|
CN113643257B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3937128A2 (en) | Image defect detection method and apparatus, electronic device, storage medium and product | |
US11222211B2 (en) | Method and apparatus for segmenting video object, electronic device, and storage medium | |
CN108337505B (zh) | 信息获取方法和装置 | |
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
EP2660753B1 (en) | Image processing method and apparatus | |
CN109284673B (zh) | 对象跟踪方法及装置、电子设备及存储介质 | |
WO2020052270A1 (zh) | 一种视频审核的方法、装置和设备 | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN112995535B (zh) | 用于处理视频的方法、装置、设备以及存储介质 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN113963321B (zh) | 图像处理方法、装置、电子设备和介质 | |
CN108509876B (zh) | 针对视频的物体检测方法、装置、设备、存储介质及程序 | |
CN113628192B (zh) | 图像模糊检测方法、装置、设备、存储介质及程序产品 | |
CN112732553A (zh) | 图像测试方法、装置、电子设备及存储介质 | |
CN110889817A (zh) | 图像融合质量评价方法及装置 | |
CN113643257B (zh) | 图像噪点检测方法、装置、设备、存储介质及程序产品 | |
CN116668843A (zh) | 一种拍摄状态的切换方法、装置、电子设备以及存储介质 | |
CN114821596A (zh) | 文本识别方法、装置、电子设备和介质 | |
KR20220151130A (ko) | 영상 처리 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 | |
CN115205163A (zh) | 一种标识图像的处理方法、装置、设备及存储介质 | |
CN115861077A (zh) | 一种全景图像的确定方法、装置、设备及存储介质 | |
CN108447107B (zh) | 用于生成视频的方法和装置 | |
CN114581711A (zh) | 目标对象检测方法、装置、设备、存储介质以及程序产品 | |
CN113888635A (zh) | 视觉定位方法、相关装置及计算机程序产品 | |
CN114119990A (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 |
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 |