CN114820397B - 基于关注程度的图像增强方法及系统 - Google Patents
基于关注程度的图像增强方法及系统 Download PDFInfo
- Publication number
- CN114820397B CN114820397B CN202210763965.0A CN202210763965A CN114820397B CN 114820397 B CN114820397 B CN 114820397B CN 202210763965 A CN202210763965 A CN 202210763965A CN 114820397 B CN114820397 B CN 114820397B
- Authority
- CN
- China
- Prior art keywords
- image
- contrast
- pixel
- target image
- degree
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 238000009499 grossing Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims abstract description 3
- 230000002708 enhancing effect Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 8
- 238000010438 heat treatment Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G06T5/90—
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于关注程度的图像增强方法及系统。该方法为:获取图像质量与对比度的标准范围;获取待增强图像的包括多个热力区域的热力图像;为每个热力区域分配关注程度,根据关注程度匹配标准范围的评分区间;对比度小于评分区间对应的起始对比度时的热力区域为目标图像,获取目标图像中的噪声点;根据目标图像对应评分区间的起始对比度与该目标图像的对比度获取增强程度;根据增强程度对目标图像的正常点进行线性变换并对噪声点进行平滑处理,得到增强后的最优图像。通过各个区域图像实际对比度进行自适应增强,使得图像增强后的效果区分更加鲜明,从而得到质量更好的图像。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于关注程度的图像增强方法及系统。
背景技术
图像增强是增强图像中的有用信息,其目的是要改善图像的视觉效果,针对给定图像的应用场合,有目的地强调图像的整体或局部特性,将原来不清晰的图像变的清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,实质改善图像质量、丰富信息量,加强图像判断和识别效果。
现有的图像增强算法对图像进行增强时,往往是“雨露均沾”,不能针对性的对某些区域的灰度进行增强,对某些区域的灰度进行抑制,所以很容易造成图像的背景被增强或者是噪声被放大,增强的效果不尽人意。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于关注程度的图像增强方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于关注程度的图像增强方法,该方法包括以下步骤:
获取图像质量与对比度的标准范围,所述标准范围包括多个评分区间,评分为所述图像质量的评分;每个所述评分区间对应一个起始对比度;
获取待增强图像的热力图像,所述热力图像包括多个热力区域;为每个所述热力区域分配关注程度,根据所述热力区域的关注程度匹配所述标准范围的评分区间;所述关注程度与所述评分区间呈正相关关系;
获取每个所述热力区域的对比度,当所述热力区域的对比度小于所述评分区间对应的起始对比度时,所述热力区域对应的图像为目标图像,对所述目标图像进行增强;
所述对所述目标图像进行增强的方法为:
获取所述目标图像中的噪声点,对所述目标图像中噪声点进行标记,得到所述目标图像中正常点以及噪声点的位置;获取所述目标图像对应评分区间起始对比度与所述目标图像的对比度的比值,所述比值为增强程度;
所述目标图像中所有所述噪声点像素值不变,根据所述增强程度对所述目标图像中所有所述正常点进行线性变换得到优化图像,对所述优化图像中所述噪声点进行平滑处理,得到增强后的最优图像。
优选的,所述图像质量越好,所述图像质量对应的评分越高。
优选的,所述获取每个所述热力区域的对比度的步骤,包括:
以所述热力区域中每个像素点为目标像素点,获取每个所述目标像素点与其四邻域像素点之间的灰度值差值的平方和为差异值,根据所有所述目标像素点对应的所述差异值获取对比度。
优选的,所述获取所述目标图像中的噪声点的步骤,包括:
以所述目标图像中每个像素点为中心像素点,获取所述中心像素点与其八邻域像素点之间的异常程度,所述异常程度为所述中心像素点的像素值与其八邻域像素点的像素值之间的差值的平均值;
所述异常程度大于预设阈值时,所述中心像素点为疑似噪声点;所述疑似噪声点的八邻域像素点都为正常像素点时,所述疑似噪声点为噪声点。
优选的,所述根据所述增强程度对所述目标图像进行线性变换得到优化图像的步骤,包括:
计算所述目标图像中每个像素点的像素值与所述增强程度的乘积,所述乘积为所述优化图像中对应像素点的像素值。
优选的,所述根据所述增强程度对所述目标图像进行线性变换得到优化图像的步骤之后,包括:
获取所述优化图像中像素值超出255的像素点数量;计算所述像素点数量在所述优化图像中的占比;
当所述占比大于预设比例时,调整所述增强程度,使所述目标图像中的最大像素值与所述增强程度的乘积为255。
第二方面,本发明另一个实施例提供了一种基于关注程度的图像增强系统,包括存储器、处理器以及存储在所述存储器内并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法所述的步骤。
本发明具有如下有益效果:本发明实施例首先通过大量图像获取图像质量与图像对比度之间的标准范围;获取待增强图像的热力图像,为该热力图像中不同的热力区域分配不同的关注程度,将不同的关注程度与评分区间相对应,判断每个关注程度下的热力区域是否需要进行增强,避免了对整张图像大面积增强的现象;其次获取该热力区域对应图像中所有的噪声点,对噪声点位置进行标记,根据该热力区域对应评分区间的起始对比度与该热力区域对比度之间的比值作为增强程度,根据增强程度对该热力区域的正常点进行增强,噪声点像素值不变,从而得到增强后的优化图像,再进一步对该热力区域中的噪声点进行平滑处理,得到增强后的最优图像。对噪声点以外的像素点进行增强,避免了因增强噪声点对图像造成的额外影响,同时通过对每个热力区域自适应的进行增强,使得该待增强图像增强后的效果区分更加鲜明,从而达到更好的质量效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种基于关注程度的图像增强的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于关注程度的图像增强方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本申请适用于对图像质量进行增强的场景,为了解决现有对图像增强时“雨露均沾”的现象,本发明实施例中通过大量图像特征得到图像质量与对比度的标准范围,根据待增强图像中每个区域的对比度是否符合该标准范围从而判断该区域是否需要进行增强,根据标准范围内的起始对比度以及该区域的对比度得到增强程度,根据增强程度对该区域进行线性变换得到增强后的图像,避免了对图像整体增强造成的误差,通过对每个区域自适应的增强,使得图像增强后的效果区分更加鲜明。
下面结合附图具体的说明本发明所提供的一种基于关注程度的图像增强方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于关注程度的图像增强的方法流程图,该方法包括以下步骤:
步骤S100,获取图像质量与对比度的标准范围,标准范围包括多个评分区间,评分为图像质量的评分;每个评分区间对应一个起始对比度。
图像增强的目的是为了改善图像的视觉效果,增强图像中的有用信息,但对于某张待增强的图像来说,图像中部分区域的质量并不需要再次进行增强,因此本发明实施例中通过大量图像得到标准范围,用于确定待增强图像需要增强的区域。
获取大量图像作为训练数据输入深度神经网络中,该深度神经网络的结构为编码器-解码器,具体训练过程为:
(1)深度神经网络的输入为大量图像;
(2)人为对图像质量进行标注,将图像质量最高的标记为1,图像质量最低的标记为0;
(3)编码器进行卷积、池化操作提取图像的特征信息,由解码器进行反卷积、反池化的操作对特征信息进行重构;
(4)损失函数采用均方差损失函数;
(5)深度神经网络的输出为图像质量的评分。
进一步的,计算每个评分区间中图像的对比度,得到每个评分区间对应图像的起始对比度;具体的,获取图像对比度的方法为:
作为优选,本发明实施例中选取图像中每个像素点与其四邻域像素点的像素值之间的差值进行对比度的计算。
基于上述计算图像对比度的方法,获取每个评分区间对应图像的对比度,即每个评分区间对应多个对比度数值,为了减少离散因子等影响因素,本发明实施例中将该评分区间中所有的对比度值从小到大依次排序,并且统计每个对比度值在该评分区间出现的概率,从对比度最小值对应的概率进行累加,当概率累加和不小于5%时对应的对比度值为该评分区间的起始对比度。
以此类推,获取每个评分区间对应的起始对比度分为记为第一对比度、第二对比度和第三对比度。
以图像质量和对比度构建标准范围,即当图像质量处于第一等级时,其对应对比度应不小于第一对比度;当图像质量处于第二等级时,其对应对比度应不小于第二对比度;当图像质量处于第三等级时,其对应对比度应不小于第三对比度。
步骤S200,获取待增强图像的热力图像,热力图像包括多个热力区域;为每个热力区域分配关注程度,根据热力区域的关注程度匹配标准范围的评分区间;关注程度与评分区间呈正相关关系。
进一步的对需要增强的图像进行分析,首先对该图像进行灰度化处理,本发明实施例中采用加权平均法对原图像进行处理得到灰度化之后的待增强图像,在其他实施例中可以采用分量法或者最大值法。
将该待增强图像输入深度神经网络得到该待增强图像的热力图像,该深度神经网络的结构为编码器-解码器,训练过程为:
(1)深度神经网络的输入为待增强图像;
(2)利用编码器进行卷积、池化操作获取待增强图像的特征信息,再利用解码器进行反卷积、反池化操作对特征信息进行重构;
(3)损失函数采用均方差损失函数;
(4)深度神经网络的输出为待增强图像的热力图像。
将该热力图像中不同的色斑划分为不同的热力区域,该热力图像中的每个热力区域表征不同的注意力程度,为每个热力区域分配不同的关注程度,即每个热力区域都对应一个关注程度。
关注程度越大的热力区域,表明在该待增强图像中表征的信息越多,因此对该热力区域的质量要求越高,为了将该关注程度与图像质量进行一一对应,本发明实施例中将关注程度划分为三个级别,即第一级别、第二级别和第三级别;第一级别的关注程度最高,则对应的图像质量也应该最高,即第一级别的关注程度对应第一等级的评分区间;第二级别的关注程度对应第二等级的评分区间;第三级别的关注程度对应第三等级的评分区间。
步骤S300,获取每个热力区域的对比度,当热力区域的对比度小于评分区间对应的起始对比度时,热力区域对应的图像为目标图像,对目标图像进行增强。
进一步的,以每个热力区域对应的图像区域为目标图像,计算每个目标图像对应的对比度,基于步骤S100中获取图像对比度相同的方法,以热力区域中每个像素点为目标像素点,获取每个目标像素点与其四邻域像素点之间的灰度值差值的平方和为差异值,根据所有目标像素点对应的差异值获取对比度。以此类推,获取每个热力区域对应的对比度,基于每个热力区域对应的关注程度等级匹配该热力区域所对应的评分区间。
作为一个优选示例,假设该目标图像对应的热力区域的关注程度为第一级别,则该目标图像包含的信息较多,更需要较高的质量,那么其匹配的评分区间为第一等级。进一步的将该目标图像的对比度与该第一等级评分区间对应的第一对比度进行比较,当该目标图像对比度大于该第一对比度时,表明此时该目标图像的质量达到所需要的要求,则不需要对该目标图像对应的热力区域进行质量增强。当该目标图像对比度小于该第一对比度时,表明此时该目标图像的质量并没有达到所需要的要求,则需要对该目标图像对应的热力区域进行质量增强。
对目标图像进行质量增强的方法为获取目标图像中的噪声点,对目标图像中噪声点进行标记,得到目标图像中正常点以及噪声点的位置;获取目标图像对应评分区间起始对比度与目标图像的对比度的比值,比值为增强程度;目标图像中所有噪声点像素值不变,根据增强程度对目标图像中所有正常点进行线性变换得到优化图像,对优化图像中噪声点进行平滑处理,得到增强后的最优图像。
其中,获取目标图像中噪声点的方法为:以目标图像中每个像素点为中心像素点,获取中心像素点与其八邻域像素点之间的异常程度,异常程度为中心像素点的像素值与其八邻域像素点的像素值之间的差值的平均值;异常程度大于预设阈值时,中心像素点为疑似噪声点;疑似噪声点的八邻域像素点都为正常像素点时,疑似噪声点为噪声点。
具体的,以目标图像中每个像素点为中心像素点,该中心像素点与其八邻域像素点之间的异常程度为:
当该异常程度大于预设阈值时,则该中心像素点与其相邻像素点之间像素值差异较大,该中心像素点为疑似噪声点。
噪声点在图像中一般表现为孤立的像素点,因此判断该疑似噪声点邻域内的像素点是否全为正常像素点,当该疑似噪声点邻域内的像素点全为正常像素点时,说明该疑似像素点为孤立的噪声点;当该疑似噪声点邻域内的像素点存在其他的疑似噪声点时,则可能是图像上颜色纹理造成的像素值突变,此时的疑似像素点被标记为正常像素点。
以此类推,获取该目标图像中所有的噪声点,对该目标图像中所有的噪声点进行标记,得到图像中所有正常点与噪声点的位置信息,进一步对该目标图像的质量进行增强。
其次,获取该目标图像的增强程度,获取该目标图像对应的第一对比度与该目标图像的对比度的比值,将该比值作为增强程度,即:
最后,以获取到的增强程度对该目标图像的质量进行增强,本发明实施例中以线性变化的方式进行增强,即将该目标图像中所有正常像素点的像素值与该增强程度进行相乘,即得到质量增强后的该目标图像对应的优化图像。
但在实际的增强过程中,目标图像与该增强程度相乘得到的乘积可能会存在大于图像像素值的最大值的现象,即乘积可能会大于255,因此根据乘积大于255的像素点数量对增强程度进行调整。
获取优化图像中像素值超出255的像素点数量;计算像素点数量在优化图像中的占比;当占比大于预设比例时,调整增强程度,使目标图像中的最大像素值与增强程度的乘积为255。
具体的,获取该目标图像增强后的优化图像中像素值大于255时所有像素点的数量,获取该像素点的数量在实际优化图像中像素点数量的占比,当像素值大于255的像素点数量占比不超过预设比例时,则该部分像素点的影响可以忽略不计,即将该部分像素值超出255的像素点置为255,即得到增强后的优化图像。
当像素值大于255的像素点数量占比超过预设比例时,则需要对增强程度再一次的调整为:
至此,获取到该目标图像需要增强的增强程度,根据该增强程度进行上述线性变换,得到该目标图像增强后的优化图像。
需要说明的是,此时得到的优化图像中所有噪声点位置的像素值并没有发生变化,因此需要对噪声点进行进一步的处理。本发明实施例中采用高斯滤波的方式,对噪声位置的像素值进行平滑处理,从而得到质量最佳的最优图像。
获取每个热力区域为目标图像时对应的最优图像,从而得到完整的待增强图像增强之后的最优图像。
综上所述,本发明实施例通过大量图像获取图像质量与图像对比度之间的关系,从而构建出图像质量评分与对比度之间的标准范围;获取待增强图像的热力图像,为每个不同的热力区域分配不同的关注程度,将关注程度与评分区间一一对应,从而对每个热力区域的对比度进行分析,当该热力区域对比度小于其对应评分区间的起始对比度时,需要对该热力区域的质量进行增强;获取该热力区域对应图像中所有的噪声点,根据该热力区域对应评分区间的起始对比度与该热力区域对比度之间的比值作为增强程度,根据增强程度对该热力区域中除了噪声点之外的所有点进行增强,从而得到增强后的优化图像,再进一步对该热力区域中的噪声点进行处理,得到增强后的最优图像。对噪声点以外的像素点进行增强,避免了因增强噪声点对图像造成的额外影响,同时通过各个区域的实际对比度,对该图像自适应的进行增强,使得图像增强后的效果区分更加鲜明,从而达到更好的增强效果。
基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种基于关注程度的图像增强系统,该系统包括:存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器在执行该计算机程序时实现上述一种基于关注程度的图像增强的方法实施例中的步骤,例如图1所示的步骤。该一种基于关注程度的图像增强方法在上述实施例中已经详细说明,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于关注程度的图像增强方法,其特征在于,该方法包括以下步骤:
获取图像质量与对比度的标准范围,所述标准范围包括多个评分区间,评分为所述图像质量的评分;每个所述评分区间对应一个起始对比度;
获取待增强图像的热力图像,所述热力图像包括多个热力区域;为每个所述热力区域分配关注程度,根据所述热力区域的关注程度匹配所述标准范围的评分区间;所述关注程度与所述评分区间呈正相关关系;
获取每个所述热力区域的对比度,当所述热力区域的对比度小于所述评分区间对应的起始对比度时,所述热力区域对应的图像为目标图像,对所述目标图像进行增强;
所述对所述目标图像进行增强的方法为:
获取所述目标图像中的噪声点,对所述目标图像中噪声点进行标记,得到所述目标图像中正常点以及噪声点的位置;获取所述目标图像对应评分区间的起始对比度与所述目标图像的对比度的比值,所述比值为增强程度;
所述目标图像中所有所述噪声点像素值不变,根据所述增强程度对所述目标图像中所有所述正常点进行线性变换得到优化图像,对所述优化图像中所述噪声点进行平滑处理,得到增强后的最优图像。
2.根据权利要求1所述的方法,其特征在于,所述图像质量越好,所述图像质量对应的评分越高。
3.根据权利要求1所述的方法,其特征在于,所述获取每个所述热力区域的对比度的步骤,包括:
以所述热力区域中每个像素点为目标像素点,获取每个所述目标像素点与其四邻域像素点之间的灰度值差值的平方和为差异值,根据所有所述目标像素点对应的所述差异值获取对比度。
4.根据权利要求1所述的方法,其特征在于,所述获取所述目标图像中的噪声点的步骤,包括:
以所述目标图像中每个像素点为中心像素点,获取所述中心像素点与其八邻域像素点之间的异常程度,所述异常程度为所述中心像素点的像素值与其八邻域像素点的像素值之间的差值的平均值;
所述异常程度大于预设阈值时,所述中心像素点为疑似噪声点;所述疑似噪声点的八邻域像素点都为正常像素点时,所述疑似噪声点为噪声点。
5.根据权利要求1所述的方法,其特征在于,所述根据所述增强程度对所述目标图像进行线性变换得到优化图像的步骤,包括:
计算所述目标图像中每个像素点的像素值与所述增强程度的乘积,所述乘积为所述优化图像中对应像素点的像素值。
6.根据权利要求5所述的方法,其特征在于,所述根据所述增强程度对所述目标图像进行线性变换得到优化图像的步骤之后,包括:
获取所述优化图像中像素值超出255的像素点数量;计算所述像素点数量在所述优化图像中的占比;
当所述占比大于预设比例时,调整所述增强程度,使所述目标图像中的最大像素值与所述增强程度的乘积为255。
7.一种基于关注程度的图像增强系统,包括存储器、处理器以及存储在所述存储器内并可在所述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1-6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763965.0A CN114820397B (zh) | 2022-07-01 | 2022-07-01 | 基于关注程度的图像增强方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763965.0A CN114820397B (zh) | 2022-07-01 | 2022-07-01 | 基于关注程度的图像增强方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114820397A CN114820397A (zh) | 2022-07-29 |
CN114820397B true CN114820397B (zh) | 2022-09-06 |
Family
ID=82522434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210763965.0A Active CN114820397B (zh) | 2022-07-01 | 2022-07-01 | 基于关注程度的图像增强方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820397B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100405400C (zh) * | 2005-06-27 | 2008-07-23 | 同方威视技术股份有限公司 | 一种辐射成像中图像信息增强的方法 |
CN108846319A (zh) * | 2018-05-25 | 2018-11-20 | 平安科技(深圳)有限公司 | 基于直方图的虹膜图像增强方法、装置、设备及存储介质 |
CN110706171B (zh) * | 2019-09-26 | 2024-04-26 | 中国电子科技集团公司第十一研究所 | 图像降噪方法及装置 |
CN114298944A (zh) * | 2021-12-30 | 2022-04-08 | 上海闻泰信息技术有限公司 | 图像增强方法、装置、设备和存储介质 |
-
2022
- 2022-07-01 CN CN202210763965.0A patent/CN114820397B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114820397A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN113689428A (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN114049283A (zh) | 一种自适应的灰度梯度直方图均衡遥感图像增强方法 | |
CN103295191A (zh) | 多尺度视觉自适应图像增强方法及评价方法 | |
CN114581345B (zh) | 一种基于自适应线性灰度化的图像增强方法及系统 | |
CN110503140B (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
CN112215856A (zh) | 图像分割的阈值确定方法、装置、终端及存储介质 | |
CN111275652B (zh) | 一种去除城市遥感图像中雾霾的方法 | |
CN116091455A (zh) | 基于机器视觉的钢网表面缺陷判定方法 | |
CN115131375B (zh) | 一种矿石自动分割方法 | |
CN108829692B (zh) | 一种基于卷积神经网络的花卉图像检索方法 | |
CN116596879A (zh) | 基于边界样本分位数的葡萄霜霉病自适应识别方法 | |
CN113674231B (zh) | 基于图像增强的轧制过程中氧化铁皮检测方法与系统 | |
CN117593193B (zh) | 一种基于机器学习的钣金图像增强方法及系统 | |
CN111047618A (zh) | 基于多尺度的无参考屏幕内容图像质量评估方法 | |
CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
CN114820397B (zh) | 基于关注程度的图像增强方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN113129300A (zh) | 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质 | |
CN109447952B (zh) | 一种基于Gabor差分盒加权维数的半参考型图像质量评价方法 | |
CN110675337B (zh) | 一种图像降噪的扩散式遍历方法 | |
CN115797234B (zh) | 一种增强低对比度二维码图像识别效果的方法 | |
CN115222735B (zh) | 一种基于麻点缺陷的金属模具质量检测方法 | |
CN114998186A (zh) | 基于图像处理的铜始极片表面结疤缺陷检测方法及系统 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230419 Address after: No. 1 Kaixuan Road, Qidong Economic Development Zone, Nantong City, Jiangsu Province, 226000 Patentee after: QIDONG CHUANGLYU GREENING ENGINEERING Co.,Ltd. Address before: 226000 No. 1000, Xinhong Road, Huilong Town, Qidong City, Nantong City, Jiangsu Province Patentee before: TUOLUNSI SEMICONDUCTOR EQUIPMENT QIDONG Co.,Ltd. |