CN113870293B - 图像处理方法、装置、电子设备及存储介质 - Google Patents
图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113870293B CN113870293B CN202111133654.8A CN202111133654A CN113870293B CN 113870293 B CN113870293 B CN 113870293B CN 202111133654 A CN202111133654 A CN 202111133654A CN 113870293 B CN113870293 B CN 113870293B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- matrix
- row
- convolved
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 35
- 238000003672 processing method Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 144
- 238000003708 edge detection Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003706 image smoothing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种图像处理方法、装置、电子设备及存储介质。该方法包括：获取原始图像，确定与原始图像对应的待边缘检测图像；针对待边缘检测图像的每个像素行，确定像素行中每个像素点对应的颜色通道的像素通道数量和每个颜色通道的通道灰度值；根据像素通道数量和每个颜色通道的通道灰度值构建待卷积矩阵，并根据预设卷积核对待卷积矩阵中的各个所述通道灰度值进行卷积，得到像素行中各个像素点的梯度值；基于各个像素点的梯度值确定与原始图像对应的目标边缘图像，本发明实施例的技术方案，解决了传统的图像边缘检测方法存在图像边缘检测效率较低的技术问题，实现了更加快速对图像进行边缘检测，提升了图像边缘检测的效率。
Description
技术领域
本发明实施例涉及数字图像处理技术领域，尤其涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
随着数字处理技术的发展，图像已经逐渐成为获取外界信息的重要手段。由于图像的边缘具有不变性，不会被光线的变换或其他外界因素所影响，而且热的视觉系统对图像的边缘也是最为敏感的，因此对图像边缘检测以及计算的研究有益于计算机视觉、图像处理的发展。
传统的图像边缘检测方法，通常是小波多尺度边缘检测法、拟合曲面法。其中，通过梯度算子对各对应尺度上的子图像进行一次微分处理，再通过小波重构、融合及差影运算从而得到边缘图像。拟合曲面法利用边缘点与其邻域像素点灰度相互作用的关系，构造曲面小片对图像灰度值及其变化进行拟合，继而进行边缘检测，从而得到边缘图像。
然而，通过小波多尺度边缘检测法、拟合曲面法进行图像边缘检测，需要引入曲面迭代拟合和小波变换等技术，因此存在图像边缘检测效率较低的技术问题。
发明内容
本发明实施例提供了一种图像处理方法、装置、电子设备及存储介质，以实现了更加快速对图像进行边缘检测，从而提升了图像边缘检测的效率。
第一方面，本发明实施例提供了一种图像处理方法，该方法包括：
获取原始图像，确定与所述原始图像对应的待边缘检测图像；
针对所述待边缘检测图像的每个像素行，确定所述像素行中每个像素点对应的颜色通道的像素通道数量和每个所述颜色通道的通道灰度值；
根据所述像素通道数量和每个所述颜色通道的通道灰度值构建待卷积矩阵，并根据预设卷积核对所述待卷积矩阵中的各个所述通道灰度值进行卷积，得到所述像素行中各个像素点的梯度值；
基于各个像素点的梯度值确定与所述原始图像对应的目标边缘图像。
第二方面，本发明实施例还提供了一种图像装置，该装置包括：
待边缘检测图像确定模块，用于获取原始图像，确定与所述原始图像对应的待边缘检测图像；
像素点参数确定模块，用于针对所述待边缘检测图像的每个像素行，确定所述像素行中每个像素点对应的颜色通道的像素通道数量和每个所述颜色通道的通道灰度值；
梯度值确定模块，用于根据所述像素通道数量和每个所述颜色通道的通道灰度值构建待卷积矩阵，并根据预设卷积核对所述待卷积矩阵中的各个所述通道灰度值进行卷积，得到所述像素行中各个像素点的梯度值；
目标边缘图像确定模块，用于基于各个像素点的梯度值确定与所述原始图像对应的目标边缘图像。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述程序被所述处理器执行，使得所述处理器实现如本发明任意实施例所提供的图像处理方法。
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，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的图像处理方法。
本实施例的技术方案，通过获取原始图像，确定与原始图像对应的待边缘检测图像。针对待边缘检测图像的每个像素行，确定像素行中每个像素点对应的颜色通道的像素通道数量和每个颜色通道的通道灰度值。根据像素通道数量和每个颜色通道的通道灰度值构建待卷积矩阵，并根据预设卷积核对待卷积矩阵中的各个通道灰度值进行卷积，得到像素行中各个像素点的梯度值。基于各个像素点的梯度值确定与原始图像对应的目标边缘图像，解决了传统的图像边缘检测方法存在图像边缘检测效率较低的技术问题，实现了更加快速对图像进行边缘检测，提升了图像边缘检测的效率。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1是本发明实施例一提供的一种图像处理方法流程示意图；
图2是本发明实施例二提供的一种图像处理方法流程示意图；
图3是本发明实施例三提供的基于图像处理方法对原始图像进行灰度处理后得到的灰度图；
图4是本发明实施例三提供的基于图像处理方法构建的待卷积矩阵的示意图；
图5是本发明实施例三提供的基于图像处理方法得到待边缘检测图像在X方向上的梯度图；
图6是本发明实施例三提供的基于图像处理方法得到待边缘检测图像在Y方向上的梯度图；
图7是本发明实施例三提供的基于图像处理方法得到的目标边缘图；
图8是本发明实施例四提供的一种图像处理装置的结构示意图；
图9是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种图像处理方法流程示意图，本实施例可适用于通过对原始图像进行处理得到待边缘检测图像，并对待边缘检测图像进行处理得到与原始图像对应的目标边缘图像的情况，该方法可以由图像处理装置来执行，该图像处理装置可通过软件和/或硬件方式实现，该装置可集成于诸如计算机或者服务器等的电子设备中。
如图1所示，本实施例的方法包括：
S110、获取原始图像，确定与原始图像对应的待边缘检测图像。
其中，原始图像可以是当前时刻需要进行边缘检测的图像。可选的，原始图像可以是彩色图像，如，RGB图像，其中，RGB表示三个颜色通道，且RGB图像中的每个像素点分别包含三个颜色通道，R代表红色通道、G代表绿色通道、B代表蓝色通道。待边缘检测图像可以是对原始图像进行处理后得到的图像。
具体的，获取原始图像。在获取到原始图像后，可以调用图像处理的算法对原始图像进行处理，得到与原始图像对应的待边缘检测图像。
可选的，获取原始图像的方式有多种，原始图像的具体获取方式在此不做限定。例如，可以接收用户输入的图像作为原始图像，或者是，可以通过网络爬虫技术将满足预设条件的图像作为原始图像，亦或者是，可以将图像拍摄装置拍摄的图像作为原始图像。
可选的，通过下述步骤确定与原始图像对应的待边缘检测图像：
步骤一、通过高斯滤波器对原始图像进行平滑处理，得到与原始图像对应的平滑图像。
其中，高斯滤波器可以是基于高斯函数生成的线性滤波器，可以用于对原始图像进行平滑处理。平滑图像可以理解为是通过高斯滤波器对原始图像进行平滑处理后得到的图像。
具体的，在获取到原始图像后，可以通过预先生成的高斯滤波器对原始图像进行平滑处理。在平滑处理后，可以得到与原始图像对应的平滑图像。
可选的，可以按照如下公式得到与原始图像对应的平滑图像：
L(x，y)＝G(x,y)*I(x,y)
其中，(x,y)表示原始图像的像素点坐标，L(x，y)表示平滑图像，I(x,y)表示原始图像，G(x,y)表示高斯滤波器。可选的，
其中，e表示自然常数，e≈2.71828；π表示圆周率，π≈301415927；σ表示标准差，σ的具体值可以是根据经验设置的数值。
需要说明的是，(x,y)中的x和y均是整数。σ的数值大小会影响高斯滤波器对原始图像平滑处理的效果，当σ较小时，高斯滤波器对原始图像平滑处理的效果较差，当σ较大时，高斯滤波器对原始图像平滑处理的效果较明显。
步骤二、将平滑图像进行灰度化处理，得到与平滑图像对应的灰度图像。
其中，灰度图像可以是将平滑图像进行灰度化后处理得到的图像。
具体的，在得到平滑图像后，可以通过灰度处理算法将得到的平滑图像进行灰度化处理。进而可以得到与平滑图像对应的灰度图像。其中，灰度处理算法有多种，其具体的算法在此不做限定。例如，可以是平均算法、最大值算法等等。
步骤三、对灰度图像进行边界填充，得到待边缘检测图像。
具体的，在得到灰度图像后，为了避免灰度图像的边缘信息丢失，可以通过OpenCV库的边界填充算法对灰度图像进行边界填充处理。进而可以得到与原始图像对应的待边缘检测图像。其中，OpenCV库的边界填充算法可以是复制指定的常量扩展边界(BORDER_CONSTANT、常量法)、复制边缘的像素扩展边界(BORDER_REPLICATE)、通过镜像复制扩展边界(BORDER_REFLECT)、复制对边的像素扩展边界(BORDER_WRAP)以及通过镜像复制扩展边界像素(BORDER_REFLECT_101、对称法)。
为了提高边缘检测图像的精确度，可以通过下述方式对灰度图像进行边界填充：
确定灰度图像中与边界像素点相邻的待填充像素点。根据与边界像素点相邻且灰度值已知的参考像素点的灰度值对待填充像素点的灰度值进行填充。
其中，待填充像素点可以为与边界像素点相邻且灰度值未知的像素点。其中，参考像素点可以与待填充像素点同行或同列。
具体的，在得到灰度图像后，可以确定灰度图像中与边界像素点相邻的待填充像素点以及确定与边界像素点相邻且灰度值已知的参考像素点。进而可以根据与边界像素点相邻且灰度值已知的参考像素点的灰度值对待填充像素点的灰度值进行填充。示例性的，灰度图像各像素点的排布为：
| 5 | 2 | 4 | 6 |
| 4 | 6 | 7 | 8 |
| 5 | 6 | 3 | 9 |
那么，对该灰度图像进行边界填充，以灰度图像纵向两侧的边界为例进行边界填充，得到待边缘检测图像为：
| 2 | 5 | 2 | 4 | 6 | 4 |
| 6 | 4 | 6 | 7 | 8 | 7 |
| 6 | 5 | 6 | 3 | 9 | 3 |
S120、针对待边缘检测图像的每个像素行，确定像素行中每个像素点对应的颜色通道的像素通道数量和每个颜色通道的通道灰度值。
其中，颜色通道可以理解为存储图像颜色信息的通过，如，RGB通道。像素通道数量可以理解为每个像素点对应的颜色通道的通道数量。如，像素点的颜色通道为RGB通道，那么，该像素点对应的颜色通道的像素通道数量为3。通道灰度值可以理解为每个颜色通道的灰度值。如，RGB通道中R通道的灰度值为42，G通道的灰度值为42，B通道的灰度值为42。
具体的，在得到待边缘检测图像后，针对待边缘检测图像的每个像素行，可以根据待边缘检测图像的颜色通道，确定每个像素行中每个像素点对应的颜色通道的像素通道数量和每个颜色通道的通道灰度值。
需要说明的是，每个颜色通道的通道灰度值的大小处于[0，255]区间。
S130、根据像素通道数量和每个颜色通道的通道灰度值构建待卷积矩阵，并根据预设卷积核对待卷积矩阵中的各个通道灰度值进行卷积，得到像素行中各个像素点的梯度值。
其中，待卷积矩阵可以是根据像素通道数量和每个颜色通道的通道灰度值进行构建的矩阵。预设卷积核可以根据实际需求预先设定或选取的卷积核。可选的，预设卷积核可以是Sobel卷积核，预设卷积核可以包括第一方向的卷积核和第二方向的卷积核。其中，第一方向和第二方向可以是第一方向是横向方向，第二方向是纵向方向，也可以是第一方向是纵向方向，第二方向是横向方向。其中，横向方向可以是X方向，纵向方向可以是Y方向。
具体的，在得到像素通道数量和每个颜色通道的通道灰度值后，可以根据像素通道数量和每个颜色通道的通道灰度值构建待卷积矩阵。在构建待卷积矩阵完成后，可以根据预设卷积核对待卷积矩阵中的各个通道灰度值进行卷积，进而可以得到像素行中各个像素点的梯度值。
需要说明的是，第一方向和第二方向的中的“第一”和“第二”仅仅是用来区分不同方向，而非对方向的顺序进行限定。
S140、基于各个像素点的梯度值确定与原始图像对应的目标边缘图像。
其中，目标边缘图像可以是通过对待边缘检测图像各个像素点的梯度值进行计算后所得到的图像。
具体的，在得到各个像素行中各个像素点的梯度值后，可以基于各个像素点的梯度值确定与原始图像对应的目标边缘图像。
可选的，通过下述步骤基于各个像素点的梯度值确定与原始图像对应的目标边缘图像：
步骤一、针对待边缘检测图像中的每个像素点，基于像素点在第一方向和第二方向上的梯度值确定像素点的梯度幅值。
具体的，针对待边缘检测图像中的每个像素点，可以确定每个像素点在第一方向和第二方向上的梯度值。在确定每个像素点在第一方向和第二方向上的梯度值后，可以基于像素点在第一方向和第二方向上的梯度值确定像素点的梯度幅值。
以第一方向的卷积核为
第二方向的卷积核为
为例，可以按照如下公式(1)计算每个像素点在第一方向上的梯度值，可以按照如下公式(2)计算每个像素点在第二方向上的梯度值：
其中，Tx表示像素点在第一方向上的梯度值，Ty表示像素点在第二方向上的梯度值。FP表示第一像素行，FP0表示与第一像素行对应的待卷积矩阵的第一行、FP1表示与第一像素行对应的待卷积矩阵的第二行以及FP2表示与第一像素行对应的待卷积矩阵的第三行；SP表示第二像素行；SP0表示与第二像素行对应的待卷积矩阵的第一行、SP1表示与第二像素行对应的待卷积矩阵的第二行以及SP2表示与第二像素行对应的待卷积矩阵的第三行；TP表示第三像素行，TP0表示与第三像素行对应的待卷积矩阵的第一行、TP1表示与第三像素行对应的待卷积矩阵的第二行以及TP2表示与第三像素行对应的待卷积矩阵的第三行。
在计算得到每个像素点在第一方向和第二方向上的梯度值后，可以按照如下公式计算每个像素点的梯度幅值：
其中，GradMag表示像素点的梯度幅值。
具体的，针对每个像素点，在当前像素点在第一方向上的梯度值以及在第二方向上的梯度值后，将当前像素点在第一方向上的梯度值的二次方和在第二方向上的梯度值的二次方进行求和运算，得到求和结果。在得到求和结果后，对该求和结果进行开平方运算，得到开平方结果，将该开平方结果作为当前像素点的梯度幅值。
步骤二、基于待边缘检测图像中的每个像素点的梯度幅值生成与原始图像对应的目标边缘图像。
具体的，在得到待边缘检测图像中的每个像素点的梯度幅值后，可以基于待边缘检测图像中的每个像素点的梯度幅值生成与原始图像对应的目标边缘图像。
本实施例的技术方案，通过获取原始图像，确定与原始图像对应的待边缘检测图像。针对待边缘检测图像的每个像素行，确定像素行中每个像素点对应的颜色通道的像素通道数量和每个颜色通道的通道灰度值。根据像素通道数量和每个颜色通道的通道灰度值构建待卷积矩阵，并根据预设卷积核对待卷积矩阵中的各个通道灰度值进行卷积，得到像素行中各个像素点的梯度值。基于各个像素点的梯度值确定与原始图像对应的目标边缘图像，解决了传统的图像边缘检测方法存在图像边缘检测效率较低的技术问题，实现了更加快速对图像进行边缘检测，提升了图像边缘检测的效率。
实施例二
图2是本发明实施例二提供的一种图像处理方法流程示意图，在前述实施例的基础上，可选地，所述根据所述像素通道数量和每个所述颜色通道的通道灰度值构建待卷积矩阵，包括：以所述像素通道数量作为所述待卷积矩阵的总行数，以每个像素行所对应的所述通道灰度值的数量作为所述待卷积矩阵的总列数，构建所述待卷积矩阵；其中，所述待卷积矩阵的矩阵行中第一行由所述像素行中每个像素点各个颜色通道的通道灰度值按照各个像素点的排布顺序进行排布得到；所述矩阵行中除所述第一行之外的每个矩阵行，由与当前矩阵行相邻的上一矩阵行的矩阵元素中，除第一列的矩阵元素之外的矩阵元素，按照各个像素点的排布顺序进行排布得到。
其中，与上述实施例相同或者相应的技术术语在此不再赘述。
如图2所示，本实施例的方法具体可包括：
S210、获取原始图像，确定与原始图像对应的待边缘检测图像。
S220、针对待边缘检测图像的每个像素行，确定像素行中每个像素点对应的颜色通道的像素通道数量和每个颜色通道的通道灰度值。
S230、针对待边缘检测图像的每个像素行，以像素通道数量作为待卷积矩阵的总行数，以每个像素行所对应的通道灰度值的数量作为待卷积矩阵的总列数，构建待卷积矩阵。
其中，待卷积矩阵的矩阵行中第一行由像素行中每个像素点各个颜色通道的通道灰度值按照各个像素点的排布顺序进行排布得到。矩阵行中除第一行之外的每个矩阵行，由与当前矩阵行相邻的上一矩阵行的矩阵元素中，除第一列的矩阵元素之外的矩阵元素，按照各个像素点的排布顺序进行排布得到。
具体的，针对待边缘检测图像的每个像素行，在确定每个像素行中每个像素点对应的颜色通道的像素通道数量和每个颜色通道的通道灰度值后，可以将像素通道数量作为待卷积矩阵的总行数，将每个像素行所对应的通道灰度值的数量作为待卷积矩阵的总列数。进而得到总行数×总列数的矩阵，将每个像素行每个像素点对应的每个颜色通道的通道灰度值排布至总行数×总列数的矩阵中元素中，进而得到待卷积矩阵。
示例性的，第一像素行中包括3个像素点，每个像素点对应的颜色通道的像素通道数量为3，每个颜色通道的通道灰度值如下表：
那么，待卷积矩阵为：
S240、于每一次卷积运算中，获取每个像素行中连续多个像素点的同一颜色通道对应的灰度值，根据预设卷积核对获取到的多个灰度值进行卷积运算。
具体的，在每一次卷积运算中，预先定义获取每一像素行中连续像素点的连续个数，如，连续个数为2个、4个、8个或16个。根据预先定义的连续个数，获取每个像素行中预设连续个数的像素点的同一颜色通道对应的灰度值。进而通过预设卷积核对获取到的多个灰度值进行卷积运算。
需要说明的是，获取连续像素点的个数越多，计算速度越快，数据处理的效率越高。
为了提高数据处理效率，通过下述方式获取每个像素行中连续多个像素点的同一颜色通道对应的灰度值：
根据待边缘检测图像各像素点的灰度值的数据区指针，获取每个像素行中连续多个像素点的同一颜色通道对应的灰度值。
其中，数据区指针可以理解为指向内存中存储待边缘检测图像各像素点的灰度值的头指针。
具体的，确定指向内存中存储待边缘检测图像各像素点的灰度值的头指针。进而可以根据头指针对内存中存储待边缘检测图像各像素点的灰度值进行遍历，进而确定获取每个像素行中连续多个像素点的同一颜色通道对应的灰度值。
例如，第一像素行的第一个像素点的灰度值的数据区指针指向内存中的地址位置为0。那么，获取连续3个像素的同一颜色通道对应的灰度值可以是，从内存中的地址位置为0、3、6中获取R通道的灰度值，从内存中的地址位置为1、4、7中G通道的灰度值，以及从内存中的地址位置为2、5、8中获取B通道的灰度值。
S250、基于各个像素点的梯度值确定与原始图像对应的目标边缘图像。
本实施例的技术方案，通过以像素通道数量作为待卷积矩阵的总行数，以每个像素行所对应的通道灰度值的数量作为待卷积矩阵的总列数，构建待卷积矩阵。其中，待卷积矩阵的矩阵行中第一行由像素行中每个像素点各个颜色通道的通道灰度值按照各个像素点的排布顺序进行排布得到。矩阵行中除第一行之外的每个矩阵行，由与当前矩阵行相邻的上一矩阵行的矩阵元素中，除第一列的矩阵元素之外的矩阵元素，按照各个像素点的排布顺序进行排布得到。在构建卷积矩阵后，于每一次卷积运算中，获取每个像素行中连续多个像素点的同一颜色通道对应的灰度值，根据预设卷积核对获取到的多个灰度值进行卷积运算，达到了提升图像边缘检测的效率的技术效果。
实施例三
本发明实施例三提供一种图像处理方法的可选实施例，其具体实施方式可以参见下述实施例。其中，与上述实施例相同或者相应的技术术语在此不再赘述。
本实施例的方法具体包括如下步骤：
1、获取待检测边缘图像，通过可分离滤波器对待检测图像进行预处理，得到平滑图像。
其中，待检测边缘图像可以理解为原始图像。可分离滤波器可以是预先基于二维高斯函数生成的高斯滤波器，可以用于对待检测图像进行预处理。其中，对待检测图像进行预处理可以理解为对待检测图像进行平滑处理。
具体的，将待检测边缘图像作为原始图像，通过预先生成的可分离滤波器对待检测边缘图像进行平滑处理，进而可以得到与待检测边缘图像对应的平滑图像。
示例性的，待检测边缘图像可以为I(x,y)，预先生成的可分离滤波器可以为G(x,y)，那么，得到的平滑图像可以为L(x,y)＝G(x,y)*I(x,y)。其中，
其中，e表示自然常数，e≈2.71828；π表示圆周率，π≈301415927；σ表示标准差，σ的具体值可以是根据经验设置的数值。需要说明的是，(x,y)中的x和y均是整数。
2、将平滑图像进行灰度处理，得与平滑图像对应的灰度图像(参见图3)。
3、基于预先设定的图像边界保持策略，对灰度图像进行边界填充，得到待卷积图像。
其中，预先设定的图像边界保持策略可以是OpenCV采用的对称法复制边界像素，即，边界像素除外(BORDER_REFLECT_101、对称法)。待卷积图像可以是待边缘检测图像。
具体的，通过采用OpenCV中的对称法复制边界像素的对称法，对灰度图像进行边界填充，得到待卷积图像。
4、针对待卷积图像的每个像素行，确定像素行中每个像素点对应的颜色通道的像素通道数量和每个颜色通道的通道灰度值。
5、根据像素通道数量和每个颜色通道的通道灰度值构建待卷积矩阵。
其中，待卷积矩阵的矩阵行中第一行由像素行中每个像素点各个颜色通道的通道灰度值按照各个像素点的排布顺序进行排布得到。矩阵行中除第一行之外的每个矩阵行，由与当前矩阵行相邻的上一矩阵行的矩阵元素中，除第一列的矩阵元素之外的矩阵元素，按照各个像素点的排布顺序进行排布得到。
示例性的，参见图4，以图像第一行FP0、FP1、FP2为例，FP0第一个三通道像素值为待卷积图像的第一个像素值，FP1第一个三通道像素值为待卷积图像的第二个像素值，FP2第一个三通道像素值为待卷积图像的第三个像素值。
6、在每一次卷积运算中，根据待卷积图像各像素点的灰度值的数据区指针，获取每个像素行中连续多个像素点的同一颜色通道对应的灰度值，根据预先设定的Sobel的X方向卷积核和Y方向卷积核分别对待卷积矩阵中的各个通道灰度值进行卷积，得到像素行中各个像素点在X方向上的梯度值和在Y方向上的梯度值。
其中，预先设定的Sobel的X方向卷积核和Y方向卷积核可以是预设卷积核。其中，Sobel的X方向卷积核可以为
Sobel的Y方向卷积核可以为
像素行中各个像素点在X方向上的梯度值和在Y方向上的梯度值可以理解为得到像素行中各个像素点的梯度值。X方向可以是第一方向，Y方向可以是第二方向；或者是，X方向可以是第二方向，Y方向可以是第一方向。
具体的，在每一次卷积运算中，根据待卷积图像各像素点的灰度值的数据区指针，可以每次获取每个像素行中连续多个像素点的同一颜色通道对应的灰度值。进而可以同时将获取到的多个灰度值与预先设定的Sobel的X方向卷积核和Y方向卷积核分别进行卷积操作，进而可以每次得到像素行中多个像素点在X方向上的梯度值和在Y方向上的梯度值，从而实现了数据并行加载和处理，很大程度上提高了计算速度。
其中，按照如下公式(1)计算每个像素点在X方向上的梯度值，可以按照如下公式(2)计算每个像素点在Y方向上的梯度值：
其中，Tx表示像素点在X方向上的梯度值，Ty表示像素点在Y方向上的梯度值。FP表示第一像素行，FP0表示与第一像素行对应的待卷积矩阵的第一行、FP1表示与第一像素行对应的待卷积矩阵的第二行以及FP2表示与第一像素行对应的待卷积矩阵的第三行；SP表示第二像素行；SP0表示与第二像素行对应的待卷积矩阵的第一行、SP1表示与第二像素行对应的待卷积矩阵的第二行以及SP2表示与第二像素行对应的待卷积矩阵的第三行；TP表示第三像素行，TP0表示与第三像素行对应的待卷积矩阵的第一行、TP1表示与第三像素行对应的待卷积矩阵的第二行以及TP2表示与第三像素行对应的待卷积矩阵的第三行。
需要说明的是，由于待卷积图像的灰度值是连续存储在计算机的内存空间中，因此，可以通过待卷积图像各像素点的灰度值的数据区指针，获取每个像素点的灰度值。
需要说明的是，图像的卷积操作可以理解为是对卷积核内的灰度值进行重新计算的过程，且卷积核内灰度值的位置相对于锚点的位置是固定的，因此，可以运用数据流单指令多数据扩展指令集(SSE)对图像的数据区指针进行操作，进而可以一次性获取待卷积图像上多个灰度值。在获取多个灰度值之后，可以对获取到的灰度值进行相同的卷积操作。进而可以一次可以得到多个卷积值，从而实现了数据并行加载和处理，很大程度上提高了计算速度。
还需要说明的是，在本实施例中，一次性获取8个灰度值，在获取到8个灰度值后，可以对该8个灰度值同时进行卷积操作，进而可以一次性得到8个卷积值。
7、针对待卷积图像中的每个像素点，将当前像素点在X方向上的梯度值的二次方和在Y方向上的梯度值的二次方进行求和运算，得到求和结果。在得到求和结果后，对该求和结果进行开平方运算，得到开平方结果，将该开平方结果作为当前像素点的梯度幅值。
具体的，针对待卷积图像中的每个像素点，可以确定每个像素点在X方向的梯度值(Tx)和Y方向上的梯度值(Ty)。在确定每个像素点在X方向和Y方向上的梯度值后，可以通过公式
得到每个像素点的梯度幅值(GradMag)。
可选的，在得到像素行中各个像素点的梯度值后，还可以得到待卷积图像在X方向上进行卷积的梯度图像(参见图5)和在X方向上的进行卷积的梯度图像(参见图6)。
8、基于待卷积图像中的每个像素点的梯度幅值生成与待检测边缘图像对应的目标边缘图像。
具体的，在得到待卷积图像每个像素点的梯度幅值。进而可以基于待卷积图像每个像素点的梯度幅值生成与待检测边缘图像对应的目标边缘图像(参见图7)。
本实施例的技术方案，解决了传统的图像边缘检测方法存在图像边缘检测效率较低的技术问题，实现了更加快速对图像进行边缘检测，提升了图像边缘检测的效率。
实施例四
图8是本发明实施例四提供的一种图像处理装置的结构示意图，本发明提供了一种图像处理装置，该装置包括：待边缘检测图像确定模块310、像素点参数确定模块320、梯度值确定模块330和目标边缘图像确定模块340。
其中，待边缘检测图像确定模块310，用于获取原始图像，确定与所述原始图像对应的待边缘检测图像；像素点参数确定模块320，用于针对所述待边缘检测图像的每个像素行，确定所述像素行中每个像素点对应的颜色通道的像素通道数量和每个所述颜色通道的通道灰度值；梯度值确定模块330，用于根据所述像素通道数量和每个所述颜色通道的通道灰度值构建待卷积矩阵，并根据预设卷积核对所述待卷积矩阵中的各个所述通道灰度值进行卷积，得到所述像素行中各个像素点的梯度值；目标边缘图像确定模块340，用于基于各个像素点的梯度值确定与所述原始图像对应的目标边缘图像。
本实施例的技术方案，通过待边缘检测图像确定模块，获取原始图像，确定与原始图像对应的待边缘检测图像。通过像素点参数确定模块，针对待边缘检测图像的每个像素行，确定像素行中每个像素点对应的颜色通道的像素通道数量和每个颜色通道的通道灰度值。通过梯度值确定模块，根据像素通道数量和每个颜色通道的通道灰度值构建待卷积矩阵，并根据预设卷积核对待卷积矩阵中的各个通道灰度值进行卷积，得到像素行中各个像素点的梯度值。通过目标边缘图像确定模块，基于各个像素点的梯度值确定与原始图像对应的目标边缘图像，解决了传统的图像边缘检测方法存在图像边缘检测效率较低的技术问题，实现了更加快速对图像进行边缘检测，提升了图像边缘检测的效率。
可选的，梯度值确定模块330包括：待卷积矩阵构建单元，用于以所述像素通道数量作为所述待卷积矩阵的总行数，以每个像素行所对应的所述通道灰度值的数量作为所述待卷积矩阵的总列数，构建所述待卷积矩阵；其中，所述待卷积矩阵的矩阵行中第一行由所述像素行中每个像素点各个颜色通道的通道灰度值按照各个像素点的排布顺序进行排布得到；所述矩阵行中除所述第一行之外的每个矩阵行，由与当前矩阵行相邻的上一矩阵行的矩阵元素中，除第一列的矩阵元素之外的矩阵元素，按照各个像素点的排布顺序进行排布得到。
可选的，梯度值确定模块330包括：卷积运算单元，用以于每一次卷积运算中，获取每个像素行中连续多个像素点的同一颜色通道对应的灰度值，根据预设卷积核对获取到的多个灰度值进行卷积运算。
可选的，梯度值确定模块330包括：卷积运算单元，用于根据所述待边缘检测图像各像素点的灰度值的数据区指针，获取每个像素行中连续多个像素点的同一颜色通道对应的灰度值。
可选的，待边缘检测图像确定模块310，用于通过高斯滤波器对所述原始图像进行平滑处理，得到与所述原始图像对应的平滑图像；将所述平滑图像进行灰度化处理，得到与所述平滑图像对应的灰度图像；对所述灰度图像进行边界填充，得到待边缘检测图像。
可选的，待边缘检测图像确定模块310，用于确定所述灰度图像中与边界像素点相邻的待填充像素点，其中，所述待填充像素点为与所述边界像素点相邻且灰度值未知的像素点；根据与所述边界像素点相邻且灰度值已知的参考像素点的灰度值对所述待填充像素点的灰度值进行填充，其中，所述参考像素点与所述待填充像素点同行或同列。
可选的，目标边缘图像确定模块340，用于针对所述待边缘检测图像中的每个像素点，基于所述像素点在第一方向和第二方向上的梯度值确定所述像素点的梯度幅值；基于所述待边缘检测图像中的每个像素点的梯度幅值生成与所述原始图像对应的目标边缘图像。
上述装置可执行本发明任意实施例所提供的图像处理方法，具备执行图像处理方法相应的功能模块和有益效果。
值得注意的是，上述图像处理装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
实施例五
图9是本发明实施例五提供的一种电子设备的结构示意图。图9示出了适于用来实现本发明任一实施方式的示例性电子设备12的框图。图9显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备12典型的是承担配置信息的处理的电子设备。
如图9所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，存储器28，连接不同组件(包括存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
电子设备12典型地包括多种计算机可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机装置可读介质，例如随机存取存储器(Random Access Memory，RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图9未显示，通常称为“硬盘驱动器”)。尽管图中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品40，该程序产品40具有一组程序模块42，这些程序模块被配置以执行本发明各实施例的功能。程序产品40，可以存储在例如存储器28中，这样的程序模块42包括但不限于一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、鼠标、摄像头等和显示器)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网WideArea Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)装置、磁带驱动器以及数据备份存储装置等。
处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的图像处理方法，该方法包括：
获取原始图像，确定与所述原始图像对应的待边缘检测图像；
针对所述待边缘检测图像的每个像素行，确定所述像素行中每个像素点对应的颜色通道的像素通道数量和每个所述颜色通道的通道灰度值；
根据所述像素通道数量和每个所述颜色通道的通道灰度值构建待卷积矩阵，并根据预设卷积核对所述待卷积矩阵中的各个所述通道灰度值进行卷积，得到所述像素行中各个像素点的梯度值；
基于各个像素点的梯度值确定与所述原始图像对应的目标边缘图像。
当然，本领域技术人员可以理解，处理器还可以实现本发明任一实施例所提供的图像处理方法的技术方案。
实施例六
本发明实施例六还提供一种计算机可读存储介质，其上存储有计算机程序，特征在于，该程序被处理器执行时，例如本发明上述实施例所提供的图像处理方法，该方法包括：
获取原始图像，确定与所述原始图像对应的待边缘检测图像；
针对所述待边缘检测图像的每个像素行，确定所述像素行中每个像素点对应的颜色通道的像素通道数量和每个所述颜色通道的通道灰度值；
根据所述像素通道数量和每个所述颜色通道的通道灰度值构建待卷积矩阵，并根据预设卷积核对所述待卷积矩阵中的各个所述通道灰度值进行卷积，得到所述像素行中各个像素点的梯度值；
基于各个像素点的梯度值确定与所述原始图像对应的目标边缘图像。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
计算机可读的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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种图像处理方法，其特征在于，包括：
获取原始图像，确定与所述原始图像对应的待边缘检测图像；
针对所述待边缘检测图像的每个像素行，确定所述像素行中每个像素点对应的颜色通道的像素通道数量和每个所述颜色通道的通道灰度值；
根据所述像素通道数量和每个所述颜色通道的通道灰度值构建待卷积矩阵，并根据预设卷积核对所述待卷积矩阵中的各个所述通道灰度值进行卷积，得到所述像素行中各个像素点的梯度值；
基于各个像素点的梯度值确定与所述原始图像对应的目标边缘图像；
其中，所述根据所述像素通道数量和每个所述颜色通道的通道灰度值构建待卷积矩阵，包括：
以所述像素通道数量作为所述待卷积矩阵的总行数，以每个像素行所对应的所述通道灰度值的数量作为所述待卷积矩阵的总列数，构建所述待卷积矩阵；
其中，所述待卷积矩阵的矩阵行中第一行由所述像素行中每个像素点各个颜色通道的通道灰度值按照各个像素点的排布顺序进行排布得到；所述矩阵行中除所述第一行之外的每个矩阵行，由与当前矩阵行相邻的上一矩阵行的矩阵元素中，除第一列的矩阵元素之外的矩阵元素，按照各个像素点的排布顺序进行排布得到。
2.根据权利要求1所述的方法，其特征在于，所述根据预设卷积核对所述待卷积矩阵中的各个所述通道灰度值进行卷积，包括：
于每一次卷积运算中，获取每个像素行中连续多个像素点的同一颜色通道对应的灰度值，根据预设卷积核对获取到的多个灰度值进行卷积运算。
3.根据权利要求2所述的方法，其特征在于，所述获取每个像素行中连续多个像素点的同一颜色通道对应的灰度值，包括：
根据所述待边缘检测图像各像素点的灰度值的数据区指针，获取每个像素行中连续多个像素点的同一颜色通道对应的灰度值。
4.根据权利要求1所述的方法，其特征在于，所述确定与所述原始图像对应的待边缘检测图像，包括：
通过高斯滤波器对所述原始图像进行平滑处理，得到与所述原始图像对应的平滑图像；
将所述平滑图像进行灰度化处理，得到与所述平滑图像对应的灰度图像；
对所述灰度图像进行边界填充，得到待边缘检测图像。
5.根据权利要求4所述的方法，其特征在于，所述对所述灰度图像进行边界填充，得到待边缘检测图像，包括：
确定所述灰度图像中与边界像素点相邻的待填充像素点，其中，所述待填充像素点为与所述边界像素点相邻且灰度值未知的像素点；
根据与所述边界像素点相邻且灰度值已知的参考像素点的灰度值对所述待填充像素点的灰度值进行填充，其中，所述参考像素点与所述待填充像素点同行或同列。
6.根据权利要求1所述的方法，其特征在于，所述基于各个像素点的梯度值确定与所述原始图像对应的目标边缘图像，包括：
针对所述待边缘检测图像中的每个像素点，基于所述像素点在第一方向和第二方向上的梯度值确定所述像素点的梯度幅值；
基于所述待边缘检测图像中的每个像素点的梯度幅值生成与所述原始图像对应的目标边缘图像。
7.一种图像处理装置，其特征在于，包括：
待边缘检测图像确定模块，用于获取原始图像，确定与所述原始图像对应的待边缘检测图像；
像素点参数确定模块，用于针对所述待边缘检测图像的每个像素行，确定所述像素行中每个像素点对应的颜色通道的像素通道数量和每个所述颜色通道的通道灰度值；
梯度值确定模块，用于根据所述像素通道数量和每个所述颜色通道的通道灰度值构建待卷积矩阵，并根据预设卷积核对所述待卷积矩阵中的各个所述通道灰度值进行卷积，得到所述像素行中各个像素点的梯度值；
目标边缘图像确定模块，用于基于各个像素点的梯度值确定与所述原始图像对应的目标边缘图像；
其中，所述梯度值确定模块包括：待卷积矩阵构建单元；所述待卷积矩阵构建单元，用于以所述像素通道数量作为所述待卷积矩阵的总行数，以每个像素行所对应的所述通道灰度值的数量作为所述待卷积矩阵的总列数，构建所述待卷积矩阵；其中，所述待卷积矩阵的矩阵行中第一行由所述像素行中每个像素点各个颜色通道的通道灰度值按照各个像素点的排布顺序进行排布得到；所述矩阵行中除所述第一行之外的每个矩阵行，由与当前矩阵行相邻的上一矩阵行的矩阵元素中，除第一列的矩阵元素之外的矩阵元素，按照各个像素点的排布顺序进行排布得到。
8.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述程序被所述处理器执行，使得所述处理器实现如权利要求1-6中任一所述的图像处理方法。
9.一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，该程序被处理器执行时实现如权利要求1-6中任一所述的图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111133654.8A CN113870293B (zh) | 2021-09-27 | 2021-09-27 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111133654.8A CN113870293B (zh) | 2021-09-27 | 2021-09-27 | 图像处理方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113870293A CN113870293A (zh) | 2021-12-31 |
| CN113870293B true CN113870293B (zh) | 2022-10-14 |
Family
ID=78990857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111133654.8A Active CN113870293B (zh) | 2021-09-27 | 2021-09-27 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113870293B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114937097B (zh) * | 2022-02-23 | 2023-12-08 | 广州市巨应信息科技有限公司 | 基于大数据的图像智能压缩方法 |
| CN115775241B (zh) * | 2022-12-04 | 2023-07-07 | 武汉惠强新能源材料科技有限公司 | 用于锂电池隔膜生产的流延厚度均匀性检测方法 |
| CN116071242B (zh) * | 2023-03-17 | 2023-07-14 | 山东云海国创云计算装备产业创新中心有限公司 | 一种图像处理方法、系统、设备以及存储介质 |
| CN116580216B (zh) * | 2023-07-12 | 2023-09-22 | 北京大学 | 病理图像匹配方法、装置、设备及存储介质 |
| CN116843555B (zh) * | 2023-09-04 | 2023-12-19 | 镕铭微电子(济南)有限公司 | 图像插值方法、装置、电子设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017177717A1 (zh) * | 2016-04-14 | 2017-10-19 | 广州视源电子科技股份有限公司 | 基于颜色和梯度的元件定位方法和系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104103046B (zh) * | 2014-07-11 | 2017-01-04 | 中国人民解放军信息工程大学 | 一种极化sar图像的快速滤波处理方法 |
| CN106296578B (zh) * | 2015-05-29 | 2020-04-28 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
| CN111127498B (zh) * | 2019-12-12 | 2023-07-25 | 重庆邮电大学 | 一种基于边缘自生长的Canny边缘检测方法 |
| CN112164086A (zh) * | 2020-10-12 | 2021-01-01 | 华雁智能科技(集团)股份有限公司 | 一种精细化的图像边缘信息确定方法、系统及电子设备 |
| CN112561940B (zh) * | 2020-12-08 | 2022-07-12 | 中国人民解放军陆军工程大学 | 密集多目标参数提取的方法、装置及终端设备 |
-
2021
- 2021-09-27 CN CN202111133654.8A patent/CN113870293B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017177717A1 (zh) * | 2016-04-14 | 2017-10-19 | 广州视源电子科技股份有限公司 | 基于颜色和梯度的元件定位方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113870293A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113870293B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| US10943145B2 (en) | Image processing methods and apparatus, and electronic devices | |
| KR101298393B1 (ko) | 그래픽 처리 유닛 상에서 콘볼루션 신경망을 트레이닝하는방법 | |
| US11244432B2 (en) | Image filtering based on image gradients | |
| CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
| CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
| CN108038826B (zh) | 透视变形的搁架图像的校正方法和装置 | |
| CN111860489A (zh) | 一种证件图像校正方法、装置、设备及存储介质 | |
| CN111539238B (zh) | 二维码图像修复方法、装置、计算机设备和存储介质 | |
| US11875486B2 (en) | Image brightness statistical method and imaging device | |
| US20190251677A1 (en) | Homography rectification | |
| US20160292832A1 (en) | Efficient image transformation | |
| CN111626295A (zh) | 车牌检测模型的训练方法和装置 | |
| CN106062824A (zh) | 边缘检测装置、边缘检测方法和程序 | |
| Spizhevoi et al. | OpenCV 3 Computer Vision with Python Cookbook: Leverage the power of OpenCV 3 and Python to build computer vision applications | |
| CN112800955A (zh) | 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统 | |
| CN111882565B (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
| CN111444807A (zh) | 目标检测方法、装置、电子设备和计算机可读介质 | |
| CN111860207A (zh) | 基于多尺度的遥感影像地物分类方法、系统、装置及介质 | |
| CN113158789A (zh) | 一种遥感图像的目标检测方法、系统、装置及介质 | |
| CN115457364A (zh) | 一种目标检测知识蒸馏方法、装置、终端设备和存储介质 | |
| CN113436218B (zh) | 基于高斯滤波与均值滤波的sar图像边缘检测方法 | |
| CN112581374A (zh) | 散斑亚像素中心提取方法、系统、设备及介质 | |
| CN112200191B (zh) | 图像处理方法、装置、计算设备及介质 | |
| CN112465050B (zh) | 一种图像模板选择方法、装置、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |