CN114363477A - 基于滑窗权重回归的视频自适应锐化的方法及系统 - Google Patents
基于滑窗权重回归的视频自适应锐化的方法及系统 Download PDFInfo
- Publication number
- CN114363477A CN114363477A CN202111657429.4A CN202111657429A CN114363477A CN 114363477 A CN114363477 A CN 114363477A CN 202111657429 A CN202111657429 A CN 202111657429A CN 114363477 A CN114363477 A CN 114363477A
- Authority
- CN
- China
- Prior art keywords
- image
- video
- height
- width
- sliding window
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 38
- 230000003044 adaptive effect Effects 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 11
- 238000003707 image sharpening Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于滑窗权重回归的视频自适应锐化的方法及系统，通过构建基于滑窗权重回归的神经网络模型，以神经网络模型回归每帧图像中每个像素位置及其8邻域的权重；采用get_weights函数获取神经网络模型的训练权重，得到维度为[1,9,height,width]的特征，使图像的每个像素位置输出9个权重；将当前像素及其8邻域，根据相应的9个权重进行加权，得到锐化后的图像。不需要设置参数就能够自适应处理多种视频场景，能够达到实时处理的要求，更能突出图像的边缘和细节。
Description
技术领域
本发明属于视频转换的技术领域，尤其涉及一种基于滑窗权重回归的视频自适应锐化的方法及系统。
背景技术
对于视频锐化，有Contrast Adaptive Sharpening和unsharp两个速度较快的图像锐化的算法。
其中，Contrast Adaptive Sharpening算法利用每个像素的4邻域和8领域，计算权重并得到当前像素的值，最终达到图像锐化的目的。
如图1所示，e表示滑窗时的当前像素，b,h,d,f是当前像素的4邻域；a,b,c,d,f,g,h,i是当前像素的8邻域，当前像素Contrast Adaptive Sharpening算法的锐化结果
其中，
w＝amp/strength
strength＝-[16+(16-4)·s]
这里的s是需要人为设置的参数。
而unsharp是通过当前图像减去当前图像的高斯模糊图像得到图像的梯度grad，再计算src和梯度grad的加权，最终实现了图像边缘和细节的提升。
dst＝src+[src-gaussianblur(src)*m]
这里的m是需要人为设置的参数，gaussianblur表示图像高斯模糊操作，src是输入的视频帧，dst是unsharp锐化输出的视频帧。
发明内容
本发明的目的是提供一种基于滑窗权重回归的视频自适应锐化的方法及系统，通过深度学习算法回归每个像素位置8邻域的权重，通过8邻域的加权，实现图像的锐化过程，比Contrast Adaptive Sharpening算法更具有鲁棒性。
为解决上述问题，本发明的技术方案为：
一种基于滑窗权重回归的视频自适应锐化的方法，包括：
获取待处理视频，将视频解码，得到若干一帧图像；
构建基于滑窗权重回归的神经网络模型，通过神经网络模型回归每帧图像中每个像素位置及其8邻域的权重；通过get_weights函数获取神经网络模型的训练权重，得到维度为[1,9,height,width]的特征，使图像的每个像素位置输出9个权重；其中，height为图像的高度，width为图像的宽度；
将当前像素及其8邻域，根据相应的9个权重进行加权，得到锐化后的图像；
将锐化后的图像进行编码，得到锐化处理后的视频。
根据本发明一实施例，所述通过神经网络模型回归每帧图像中每个像素位置及其8邻域的权重进一步包括：
采用Alex Net神经网络，根据公式：
w＝(A·gridx+B·gridy+T)3
回归10个参数，其中，
式中，A,B为权重系数，T为常数项，x,y是在[-1,1]区间上分别均匀等分后得到长度分别为width,height的数组，width,height分别为图像的宽和高；gridx、gridy分别为x、y的网格分量；
将所述10个参数与二维meshgrid(y,x)点乘得到维度大小为[1,9,height,width]的权重。
根据本发明一实施例，采用公式：
对神经网络模型进行监督学习，不断计算图像gt与图像y的loss值，对回归参数进行调整；其中，N为模型输入图像的像素个数，图像gt为模型训练集中真值图像，图像y为模型输出的锐化图像。
一种基于滑窗权重回归的视频自适应锐化的系统，包括：
预处理模块，用于获取待处理视频，将视频解码，得到若干一帧图像；
图像锐化模块，用于构建基于滑窗权重回归的神经网络模型，通过神经网络模型回归每帧图像中每个像素位置及其8邻域的权重；采用get_weights函数获取神经网络模型的训练权重，得到维度为[1,9,height,width]的特征，使图像的每个像素位置输出9个权重；其中，height为图像的高度，width为图像的宽度；将当前像素及其8邻域，根据相应的9个权重进行加权，得到锐化后的图像；
视频输出模块，用于将锐化后的图像进行编码，得到锐化处理后的视频。
根据本发明一实施例，所述图像锐化模块包括网络模型单元及模型训练单元；
所述网络模型单元采用AlexNet神经网络，根据公式：
w＝(A·gridx+B·gridy+T)3
回归10个参数，其中，
式中，A,B为权重系数，T为常数项，x,y是在[-1,1]区间上分别均匀等分后得到长度分别为width,height的数组，width,height分别为图像的宽和高；gridx、gridy分别为x、y的网格分量；并将所述10个参数与二维meshgrid(y,x)点乘得到维度大小为[1,9,height,width]的权重；
所述模型训练单元用于根据公式：
对神经网络模型进行监督学习，不断计算图像gt与图像y的loss值，对回归参数进行调整；其中，N为模型输入图像的像素个数，图像gt为模型训练集中真值图像，图像y为模型输出的锐化图像。
一种基于滑窗权重回归的视频自适应锐化的设备，包括：
存储器和处理器，所述存储器中存储有指令，所述存储器和所述处理器通过线路互连；
所述处理器调用所述存储器中的所述指令，实现本发明一实施例中的基于滑窗权重回归的视频自适应锐化的方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明一实施例中的基于滑窗权重回归的视频自适应锐化的方法。
本发明由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：
本发明一实施例中的基于滑窗权重回归的视频自适应锐化的方法，通过构建基于滑窗权重回归的神经网络模型，以神经网络模型回归每帧图像中每个像素位置及其8邻域的权重；采用get_weights函数获取神经网络模型的训练权重，得到维度为[1,9,height,width]的特征，使图像的每个像素位置输出9个权重；将当前像素及其8邻域，根据相应的9个权重进行加权，得到锐化后的图像。不需要设置参数就能够自适应处理多种视频场景，能够达到实时处理的要求，更能突出图像的边缘和细节。
附图说明
图1为本发明现有技术中的当前像素及其4邻域和8邻域示意图；
图2为本发明一实施例中的基于滑窗权重回归的视频自适应锐化的方法流图；
图3为本发明一实施例中的回归参数获取代码图；
图4为本发明一实施例中的图像锐化过程示意图；
图5为本发明一实施例中的基于滑窗权重的网络结构示意图；
图6为本发明一实施例中的基于滑窗权重回归的视频自适应锐化的系统框图；
图7为本发明一实施例中的基于滑窗权重回归的视频自适应锐化的设备示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种基于滑窗权重回归的视频自适应锐化的方法及系统作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。
实施例一
对于视频锐化，现有的Contrast Adaptive Sharpening算法利用每个像素的4邻域和8领域，计算权重并得到当前像素的值，最终达到图像锐化的目的，该算法一次计算只能得到一个像素的锐化结果，其计算过程比较复杂，且处理速度较慢。本实施例提供了一种基于滑窗权重回归的视频自适应锐化的方法，利用轻量的AlexNet通过训练回归每个像素所对应的权重，最终加权得到锐化后的图像；具有消耗资源少，处理速度快的优势，效果比Contrast Adaptive Sharpening视频锐化算法有所提升，且能够不需要人为设置参数。
请参看图2，该基于滑窗权重回归的视频自适应锐化的方法包括以下步骤：
S1：获取待处理视频，将视频解码，得到若干一帧图像；
S2：构建基于滑窗权重回归的神经网络模型，通过神经网络模型回归每帧图像中每个像素位置及其8邻域的权重；通过get_weights函数获取神经网络模型的训练权重，得到维度为[1,9,height,width]的特征，使图像的每个像素位置输出9个权重；其中，height为图像的高度，width为图像的宽度；将当前像素及其8邻域，根据相应的9个权重进行加权，得到锐化后的图像；
S3：将锐化后的图像进行编码，得到锐化处理后的视频。
在步骤S1中，获取待处理视频，将视频解码，得到若干一帧图像。该待处理视频可以是视频网站上下载的SDR视频，或HDR视频。对于一个视频文件，在进行视频锐化之前，需要通过ffmpeg，将视频解码为一帧帧图像，通过对图像的锐化，从而实现视频的锐化。
在步骤S2中，构建基于滑窗权重回归的神经网络模型，通过神经网络模型回归每帧图像中每个像素位置及其8邻域的权重；通过get_weights函数获取神经网络模型的训练权重，得到维度为[1,9,height,width]的特征，使图像的每个像素位置输出9个权重；其中，height为图像的高度，width为图像的宽度；将当前像素及其8邻域，根据相应的9个权重进行加权，得到锐化后的图像。
本实施例在构建基于滑窗权重回归的神经网络模型时，采用轻量级的AlexNet神经网络根据公式：
w＝(A·gridx+B·gridy+T)3
回归10个参数，其中，
式中，A,B为权重系数，T为常数项，x,y是在[-1,1]区间上分别均匀等分后得到长度分别为width,height的数组，width,height分别为图像的宽和高；gridx、gridy分别为x、y的网格分量。
然后，将这10个参数与二维meshgrid(y,x)点乘得到维度大小为[1,9,height,width]的权重。具体代码实现请参看图3。
get_weights为神经网络框架的一个函数，可以直接得到神经网络训练的权重。本发明通过神经网络模型的训练得到了一个维度为[1,9,height,width]的特征，如图1所示。图1中，a,b,c,d,e,f,g,h,i为模型训练得到的9个权重值。设输入图像如图4所示，图中的数值即为图像像素点的值；滑窗权重则如图1所示，当前像素为输入图像灰色区域中值为6的像素点，则当前像素与其8邻域根据权重进行加权后的输出图像就如图4所示。
上述图像锐化的过程，如图5所示。滑窗权重在输入图像x中滑动，每次滑动一个像素点，通过get_weights(x)得到当前像素及其8邻域的9个权重值，将这9个权重值与输入图像x对应像素点的数值相乘，得到最终的输出图像y，即锐化结果图像。
对上述图像锐化的神经网络模型进行训练时，采用公式：
对神经网络模型进行监督学习，不断计算图像gt与图像y的loss值，对回归参数进行调整；其中，N为模型输入图像的像素个数，图像y为模型输出的锐化图像，图像gt为模型训练集中真值图像，即与输出图像y对应的理想的锐化效果图像。
在步骤S3中，将锐化后的图像进行编码，得到锐化处理后的视频。原视频文件解码后得到的一帧帧图像，经过上述基于滑窗权重回归的图像锐化处理后，得到一帧帧锐化后的图像，将这些锐化后的图像经过ffmpeg编码后，得到锐化处理后的视频文件。
本实施例中的基于滑窗权重回归的视频自适应锐化的方法，利用轻量的AlexNet通过训练回归每个像素及其8邻域所对应的权重，通过权重加权，实现图像的锐化，具有消耗资源少，处理速度快的优势，效果比Contrast Adaptive Sharpening视频锐化算法有所提升，且不需要人为设置参数就能够自适应处理多种视频场景，能够达到实时处理的要求，更能突出图像的边缘和细节。
实施例二
本实施例提供了一种基于滑窗权重回归的视频自适应锐化的系统，请参看图6，该装置包括：
预处理模块1，用于获取待处理视频，将视频解码，得到若干一帧图像；
图像锐化模块2，用于构建基于滑窗权重回归的神经网络模型，通过神经网络模型回归每帧图像中每个像素位置及其8邻域的权重；采用get_weights函数获取神经网络模型的训练权重，得到维度为[1,9,height,width]的特征，使图像的每个像素位置输出9个权重；其中，height为图像的高度，width为图像的宽度；将当前像素及其8邻域，根据相应的9个权重进行加权，得到锐化后的图像；
视频输出模块3，用于将锐化后的图像进行编码，得到锐化处理后的视频。
其中，图像锐化模块2包括网络模型单元及模型训练单元。该网络模型单元采用AlexNet神经网络，根据公式：
w＝(A·gridx+B·gridy+T)3
回归10个参数，其中，
式中，A,B为权重系数，T为常数项，x,y是在[-1,1]区间上分别均匀等分后得到长度分别为width,height的数组，width,height分别为图像的宽和高；gridx、gridy分别为x、y的网格分量；并将所述10个参数与二维meshgrid(y,x)点乘得到维度大小为[1,9,height,width]的权重；
模型训练单元用于根据公式：
对神经网络模型进行监督学习，不断计算图像gt与图像y的loss值，对回归参数进行调整；其中，N为模型输入图像的像素个数，图像gt为模型训练集中真值图像，图像y为模型输出的锐化图像。
该基于滑窗权重回归的视频自适应锐化的系统是与上述实施例一中基于滑窗权重回归的视频自适应锐化的方法相对应的软件系统，其预处理模块1、图像锐化模块2及视频输出模块3的功能及实现方式均如上述实施例一所示，在此不再赘述。
实施例三
本实施例提供了一种基于滑窗权重回归的视频自适应锐化的设备。请参看图7，该基于滑窗权重回归的视频自适应锐化的设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于滑窗权重回归的视频自适应锐化的设备500中的一系列指令操作。
进一步地，处理器510可以设置为与存储介质530通信，在基于滑窗权重回归的视频自适应锐化的设备500上执行存储介质530中的一系列指令操作。
基于滑窗权重回归的视频自适应锐化的设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve、Vista等等。
本领域技术人员可以理解，图7示出的基于滑窗权重回归的视频自适应锐化的设备结构并不构成对基于滑窗权重回归的视频自适应锐化的设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质。该计算机可读存储介质中存储有指令，当该指令在计算机上运行时，使得计算机执行实施例一中的基于滑窗权重回归的视频自适应锐化的方法的步骤。
实施例二中的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件的形式体现出来，该计算机软件存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-only memory，ROM)、随机存取存储器(Random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置及设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式。即使对本发明作出各种变化，倘若这些变化属于本发明权利要求及其等同技术的范围之内，则仍落入在本发明的保护范围之中。
Claims (7)
1.一种基于滑窗权重回归的视频自适应锐化的方法，其特征在于，包括：
获取待处理视频，将视频解码，得到若干一帧图像；
构建基于滑窗权重回归的神经网络模型，通过神经网络模型回归每帧图像中每个像素位置及其8邻域的权重；通过get_weights函数获取神经网络模型的训练权重，得到维度为[1,9,height,width]的特征，使图像的每个像素位置输出9个权重；其中，height为图像的高度，width为图像的宽度；将当前像素及其8邻域，根据相应的9个权重进行加权，得到锐化后的图像；
将锐化后的图像进行编码，得到锐化处理后的视频。
2.如权利要求1所述的基于滑窗权重回归的视频自适应锐化的方法，其特征在于，所述通过通过get_weights函数获取神经网络模型的训练权重进一步包括：
采用AlexNet神经网络，根据公式：
w＝(A·gridx+B·gridy+T)3
回归10个参数，其中，
式中，A,B为权重系数，T为常数项，x,y是在[-1,1]区间上分别均匀等分后得到长度分别为width,height的数组，width,height分别为图像的宽和高；gridx、gridy分别为x、y的网格分量；
将所述10个参数与二维meshgrid(y,x)点乘得到维度大小为[1,9,height,width]的权重。
3.如权利要求2所述的基于滑窗权重回归的视频自适应锐化的方法，其特征在于，采用公式：
对神经网络模型进行监督学习，不断计算图像gt与图像y的loss值，对回归参数进行调整；其中，N为模型输入图像的像素个数，图像gt为模型训练集中真值图像，图像y为模型输出的锐化图像。
4.一种基于滑窗权重回归的视频自适应锐化的系统，其特征在于，包括：
预处理模块，用于获取待处理视频，将视频解码，得到若干一帧图像；
图像锐化模块，用于构建基于滑窗权重回归的神经网络模型，通过神经网络模型回归每帧图像中每个像素位置及其8邻域的权重；采用get_weights函数获取神经网络模型的训练权重，得到维度为[1,9,height,width]的特征，使图像的每个像素位置输出9个权重；其中，height为图像的高度，width为图像的宽度；将当前像素及其8邻域，根据相应的9个权重进行加权，得到锐化后的图像；
视频输出模块，用于将锐化后的图像进行编码，得到锐化处理后的视频。
5.如权利要求4所述的基于滑窗权重回归的视频自适应锐化的系统，其特征在于，所述图像锐化模块包括网络模型单元及模型训练单元；
所述网络模型单元采用Alex Net神经网络，根据公式：
w＝(A·gridx+B·gridy+T)3
回归10个参数，其中，
式中，A,B为权重系数，T为常数项，x,y是在[-1,1]区间上分别均匀等分后得到长度分别为width,height的数组，width,height分别为图像的宽和高；gridx、gridy分别为x、y的网格分量；并将所述10个参数与二维meshgrid(y,x)点乘得到维度大小为[1,9,height,width]的权重；
所述模型训练单元用于根据公式：
对神经网络模型进行监督学习，不断计算图像gt与图像y的loss值，对回归参数进行调整；其中，N为模型输入图像的像素个数，图像gt为模型训练集中真值图像，图像y为模型输出的锐化图像。
6.一种基于滑窗权重回归的视频自适应锐化的设备，其特征在于，包括：
存储器和处理器，所述存储器中存储有指令，所述存储器和所述处理器通过线路互连；
所述处理器调用所述存储器中的所述指令，实现如权利要求1-3中任意一项所述的基于滑窗权重回归的视频自适应锐化的方法。
7.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-3中任意一项所述的基于滑窗权重回归的视频自适应锐化的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111657429.4A CN114363477A (zh) | 2021-12-30 | 2021-12-30 | 基于滑窗权重回归的视频自适应锐化的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111657429.4A CN114363477A (zh) | 2021-12-30 | 2021-12-30 | 基于滑窗权重回归的视频自适应锐化的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114363477A true CN114363477A (zh) | 2022-04-15 |
Family
ID=81104386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111657429.4A Pending CN114363477A (zh) | 2021-12-30 | 2021-12-30 | 基于滑窗权重回归的视频自适应锐化的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114363477A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104469083A (zh) * | 2013-09-22 | 2015-03-25 | 联咏科技股份有限公司 | 图像锐化方法与图像处理装置 |
| CN109191389A (zh) * | 2018-07-31 | 2019-01-11 | 浙江杭钢健康产业投资管理有限公司 | 一种x光图像自适应局部增强方法 |
| CN110288030A (zh) * | 2019-06-27 | 2019-09-27 | 重庆大学 | 基于轻量化网络模型的图像识别方法、装置及设备 |
| CN112308806A (zh) * | 2020-11-11 | 2021-02-02 | 海宁奕斯伟集成电路设计有限公司 | 图像处理方法、装置、电子设备以及可读存储介质 |
| CN112991374A (zh) * | 2021-03-31 | 2021-06-18 | 新疆爱华盈通信息技术有限公司 | 基于Canny算法的边缘增强方法、装置、设备及存储介质 |
-
2021
- 2021-12-30 CN CN202111657429.4A patent/CN114363477A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104469083A (zh) * | 2013-09-22 | 2015-03-25 | 联咏科技股份有限公司 | 图像锐化方法与图像处理装置 |
| CN109191389A (zh) * | 2018-07-31 | 2019-01-11 | 浙江杭钢健康产业投资管理有限公司 | 一种x光图像自适应局部增强方法 |
| CN110288030A (zh) * | 2019-06-27 | 2019-09-27 | 重庆大学 | 基于轻量化网络模型的图像识别方法、装置及设备 |
| CN112308806A (zh) * | 2020-11-11 | 2021-02-02 | 海宁奕斯伟集成电路设计有限公司 | 图像处理方法、装置、电子设备以及可读存储介质 |
| CN112991374A (zh) * | 2021-03-31 | 2021-06-18 | 新疆爱华盈通信息技术有限公司 | 基于Canny算法的边缘增强方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 杨云等: "基于残差网络的血管内超声图像识别" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | On-demand learning for deep image restoration | |
| Matakos et al. | Accelerated edge-preserving image restoration without boundary artifacts | |
| CN110222598B (zh) | 一种视频行为识别方法、装置、存储介质和服务器 | |
| CN109862208B (zh) | 视频处理方法、装置、计算机存储介质以及终端设备 | |
| US10863206B2 (en) | Content-weighted deep residual learning for video in-loop filtering | |
| Zuo et al. | Convolutional neural networks for image denoising and restoration | |
| CN113808036B (zh) | 基于Retinex模型的低照度图像增强与去噪方法 | |
| CN112163120A (zh) | 一种分类方法、终端及计算机存储介质 | |
| Mathews et al. | Adaptive block truncation coding technique using edge-based quantization approach | |
| CN111696064A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN114529709A (zh) | 用于训练卷积神经网络的方法和系统 | |
| CN113012068A (zh) | 图像去噪方法、装置、电子设备及计算机可读存储介质 | |
| CN109410134A (zh) | 一种基于图像块分类的自适应去噪方法 | |
| CN111415317B (zh) | 图像处理方法及装置、电子设备、计算机可读存储介质 | |
| CN112801879A (zh) | 图像超分辨率重建方法、装置、电子设备及存储介质 | |
| CN114363477A (zh) | 基于滑窗权重回归的视频自适应锐化的方法及系统 | |
| Ede | Deep learning supersampled scanning transmission electron microscopy | |
| CN113096014B (zh) | 视频超分处理方法、电子设备及存储介质 | |
| Sheng et al. | Mixed noise removal by bilateral weighted sparse representation | |
| CN112348760A (zh) | 图像处理方法及系统 | |
| Trubakov et al. | Image Restoration Using Genetic Algorithms | |
| Yang et al. | An image quality predictor based on convolution neural networks | |
| Cui et al. | Unsupervised Barcode Image Reconstruction Based on Knowledge Distillation | |
| Smolka et al. | On the reduction of mixed Gaussian and impulsive noise in heavily corrupted color images | |
| US20220318961A1 (en) | Method and electronic device for removing artifact in high resolution image |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220415 |