CN115034990A - 实时场景下的图像去雾处理方法、装置、设备及介质 - Google Patents
实时场景下的图像去雾处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115034990A CN115034990A CN202210650400.1A CN202210650400A CN115034990A CN 115034990 A CN115034990 A CN 115034990A CN 202210650400 A CN202210650400 A CN 202210650400A CN 115034990 A CN115034990 A CN 115034990A
- Authority
- CN
- China
- Prior art keywords
- image
- defogging
- scene
- processing
- transmittance
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 99
- 238000002834 transmittance Methods 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims description 39
- 238000003860 storage Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人工智能领域,提供一种实时场景下的图像去雾处理方法、装置、设备及介质,能够对有雾图像的缩小,为后续计算透射率做数据基础,以提升计算效率,利用暗通道先验算法计算第一图像的透射率,利用缩小后的图像计算透射率,在图像处理结果上,人眼感知到的区别不大,但计算速度上却有明显提升,利用差值处理对缩小后的图像还原,保证去雾处理后图像的大小不变,利用大气光值及透射率对第二图像进行去雾处理,实现对原始的有雾图像进行去雾处理,以复原有雾图像,利用去雾后的图像执行场景任务,以满足实时处理场景对于速度的要求。此外,本发明还涉及区块链技术,目标图像可存储于区块链节点中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种实时场景下的图像去雾处理方法、装置、设备及介质。
背景技术
随着图像处理技术的不断发展,视频设备的应用也越来越普及。
但在实际使用时,图像质量受雾霾天气影响很大,致使城市监控系统、智能交通系统、航空摄影系统以及卫星遥感系统的相关功能受到了不同程度的影响。
针对上述问题,主要的解决方法是对图像进行去雾处理。但是,现有的去雾算法涉及大量的浮点计算,效率较低,在工业环境中,无法运用在实时处理场景。
发明内容
鉴于以上内容,有必要提供一种实时场景下的图像去雾处理方法、装置、设备及介质,旨在解决实时场景下无法对图像进行去雾处理的问题。
一种实时场景下的图像去雾处理方法,所述实时场景下的图像去雾处理方法包括:
响应于对有雾图像的去雾处理指令,确定当前实时场景,并采集所述当前实时场景的场景参数;
根据所述场景参数对所述有雾图像进行缩小处理,得到第一图像;
利用暗通道先验算法计算所述第一图像的透射率;
对所述第一图像进行差值处理,得到第二图像;
利用所述暗通道先验算法确定所述第二图像的大气光值;
利用所述透射率及所述大气光值对所述第二图像进行去雾处理,得到目标图像;
获取所述当前实时场景对应的待处理任务,并利用所述目标图像执行所述待处理任务。
根据本发明优选实施例,所述根据所述场景参数对所述有雾图像进行缩小处理,得到第一图像包括:
从所述场景参数中获取所述当前实时场景下处理所述有雾图像所需的时间作为第一时间,及获取冗余倍数,及获取每秒图像帧数;
计算所述第一时间、所述冗余倍数及所述每秒图像帧数的乘积,得到第一数值;
计算所述第一数值与预设值的商,得到第二数值;
对所述第二数值进行向下取整运算,得到第三数值;
计算所述第三数值的倒数,得到第四数值;
将所述第四数值确定为缩小比例对所述有雾图像进行缩小处理,得到所述第一图像。
根据本发明优选实施例,所述利用暗通道先验算法计算所述第一图像的透射率包括:
构建所述第一图像的大气散射模型;
对所述第一图像的大气散射模型进行归一化处理,得到第一中间模型;
计算所述第一中间模型的暗通道;
获取无雾图像的暗通道;
根据所述无雾图像的暗通道及所述第一中间模型的暗通道确定第一透射率;
在所述第一透射率中引入目标参数,得到所述第一图像的透射率。
根据本发明优选实施例,在得到所述第一图像的透射率后,所述方法还包括:
采用配置优化算法对所述第一图像的透射率进行优化。
根据本发明优选实施例,所述对所述第一图像进行差值处理,得到第二图像包括:
对于所述第一图像中的每个待插入点,确定每个待插入点的四邻象素;
从所述四邻象素中获取与每个待插入点距离最近的邻象素点的像素值;
将与每个待插入点距离最近的邻象素点的像素值确定为每个待插入点的像素值,得到所述第二图像。
根据本发明优选实施例,所述利用所述暗通道先验算法确定所述第二图像的大气光值包括:
建立所述第二图像的暗通道图;
对所述暗通道图中每个像素点的像素值按照由大到小的顺序进行排序,得到像素点序列;
从所述像素点序列中提取前预设位的像素点作为候选像素点;
将所述候选像素点映射到所述有雾图像中,得到映射图;
从所述映射图中获取像素值最高的像素点作为所述第二图像的大气光值。
根据本发明优选实施例,所述利用所述透射率及所述大气光值对所述第二图像进行去雾处理,得到目标图像包括:
构建所述第二图像的大气散射模型;
将所述透射率及所述大气光值作为已知参数输入至所述第二图像的大气散射模型,得到所述目标图像。
一种实时场景下的图像去雾处理装置,所述实时场景下的图像去雾处理装置包括:
采集单元,用于响应于对有雾图像的去雾处理指令,确定当前实时场景,并采集所述当前实时场景的场景参数;
处理单元,用于根据所述场景参数对所述有雾图像进行缩小处理,得到第一图像;
计算单元,用于利用暗通道先验算法计算所述第一图像的透射率;
所述处理单元,还用于对所述第一图像进行差值处理,得到第二图像;
确定单元,用于利用所述暗通道先验算法确定所述第二图像的大气光值;
去雾单元,用于利用所述透射率及所述大气光值对所述第二图像进行去雾处理,得到目标图像;
执行单元,用于获取所述当前实时场景对应的待处理任务,并利用所述目标图像执行所述待处理任务。
一种计算机设备,所述计算机设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述实时场景下的图像去雾处理方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被计算机设备中的处理器执行以实现所述实时场景下的图像去雾处理方法。
由以上技术方案可以看出,本发明能够响应于对有雾图像的去雾处理指令,确定当前实时场景,并采集所述当前实时场景的场景参数,根据所述场景参数对所述有雾图像进行缩小处理,得到第一图像,实现对有雾图像的缩小,为后续计算透射率做数据基础,以提升计算效率,利用暗通道先验算法计算所述第一图像的透射率,利用缩小后的图像计算透射率,在图像处理结果上,人眼感知到的区别不大,但计算速度上却有明显提升,对所述第一图像进行差值处理,得到第二图像,实现对缩小后的图像的还原,保证了去雾处理后,图像的大小不变,利用所述暗通道先验算法确定所述第二图像的大气光值,利用所述透射率及所述大气光值对所述第二图像进行去雾处理,得到目标图像,实现对原始的有雾图像进行去雾处理,进而实现对有雾图像的复原,获取所述当前实时场景对应的待处理任务,并利用所述目标图像执行所述待处理任务,利用去雾后的图像执行场景任务,以满足实时处理场景对于速度的要求。
附图说明
图1是本发明实时场景下的图像去雾处理方法的较佳实施例的流程图。
图2是本发明实时场景下的图像去雾处理装置的较佳实施例的功能模块图。
图3是本发明实现实时场景下的图像去雾处理方法的较佳实施例的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明实时场景下的图像去雾处理方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述实时场景下的图像去雾处理方法应用于一个或者多个计算机设备中,所述计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、可编程门阵列(Field-ProgrammableGateArray,FPGA)、数字处理器(DigitalSignalProcessor,DSP)、嵌入式设备等。
所述计算机设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(PersonalDigitalAssistant,PDA)、游戏机、交互式网络电视(InternetProtocolTelevision,IPTV)、智能式穿戴式设备等。
所述计算机设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
其中,人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(VirtualPrivateNetwork,VPN)等。
S10,响应于对有雾图像的去雾处理指令,确定当前实时场景,并采集所述当前实时场景的场景参数。
在本实施例中,当接收到所述有雾图像时,可以自动触发所述去雾处理指令,也可以由相关工作人员根据实际任务需求触发所述去雾处理指令,本发明不限制。
在本实施例中,所述当前实时场景可以包括,但不限于以下任意一种场景:
城市监控场景、智能交通场景、航空摄影场景、卫星遥感场景。
在本实施例中,所述场景参数可以包括,但不限于以下一种或者多种参数的组合:
所述当前实时场景下处理所述有雾图像所需的时间、冗余倍数、每秒图像帧数。
S11,根据所述场景参数对所述有雾图像进行缩小处理,得到第一图像。
需要说明的是,由于拍摄时每幅图像的透射率基本是相同的,因此,可以先对所述有雾图像进行缩小处理。
在本发明的至少一个实施例中,所述根据所述场景参数对所述有雾图像进行缩小处理,得到第一图像包括:
从所述场景参数中获取所述当前实时场景下处理所述有雾图像所需的时间作为第一时间,及获取冗余倍数,及获取每秒图像帧数;
计算所述第一时间、所述冗余倍数及所述每秒图像帧数的乘积,得到第一数值;
计算所述第一数值与预设值的商,得到第二数值;
对所述第二数值进行向下取整运算,得到第三数值;
计算所述第三数值的倒数,得到第四数值;
将所述第四数值确定为缩小比例对所述有雾图像进行缩小处理,得到所述第一图像。
例如:可以采用下述公式对所述有雾图像进行缩小处理:
其中:t表示所述第一时间,单位是毫秒;s表示所述冗余倍数,s的取值>1,n表示所述每秒图像帧数,floor表示向下取整运算。
例如:通过缩小处理,可以将所述有雾图像缩小为原来的1/4,或者1/9。
通过上述实施方式,能够实现对有雾图像的缩小,为后续计算透射率做数据基础,以提升计算效率。
S12,利用暗通道先验算法计算所述第一图像的透射率。
所述暗通道先验算法的原理是,在户外无雾图像中大部分的局部区域,存在一些像素点(暗像素)在至少一个颜色通道中具有非常低的值,甚至趋近于0。
在本发明的至少一个实施例中,所述利用暗通道先验算法计算所述第一图像的透射率包括:
构建所述第一图像的大气散射模型;
对所述第一图像的大气散射模型进行归一化处理,得到第一中间模型;
计算所述第一中间模型的暗通道;
获取无雾图像的暗通道;
根据所述无雾图像的暗通道及所述第一中间模型的暗通道确定第一透射率;
在所述第一透射率中引入目标参数,得到所述第一图像的透射率。
具体地,大气散射模型可以表示为:I(x)=J(x)t(x)+A(1-t(x))。
其中,I(x)表示任意图像,J(x)表示所述无雾图像,A表示大气光值,t(x)表示透射率,所述透射率表示能够到达计算机系统的没有被散射掉的一部分光。
具体地,所述计算所述第一中间模型的暗通道,即为计算最小通道和,并作最小值滤波。
具体地,所述无雾图像的暗通道为0,对应的模型可以表示为:
Jdark=miny∈Ω(x)(mincJc(y)/Ac)=0
其中,Jdark表示所述无雾图像的暗通道,Ω(x)表示像素点x的窗口,Jc(y)表示任意颜色通道,Ac表示所述无雾图像的大气光值。
具体地,可以把所述无雾图像的暗通道的模型代入至所述第一中间模型的暗通道中,并得到所述第一投射率。
承接上面的例子,所述第一透射率可以表示为:
t'(x)=1-miny∈Ω(x)(mincIc(y)/Ac)
其中,t'(x)表示所述第一透射率,Ic(y)表示所述第一图像。
进一步地,引入所述目标参数后,所述第二透射率可以表示为:
t'(x)=1-ωminy∈Ω(x)(mincIc(y)/Ac)
其中,ω表示所述目标参数,所述目标参数是恒定参数,取值为:0<ω≤1。
例如:ω的取值可以为0.95。
通过引入所述恒定参数,能够使图像在景深处保持轻微雾感,更加自然。
进一步地,在得到所述第一图像的透射率后,所述方法还包括:
采用配置优化算法对所述第一图像的透射率进行优化。
具体地,所述配置优化算法可以包括,但不限于soft-matting算法、导向滤波算法等,本发明不限制。
实验结果表明,采用1/4的图片缩放,可以把处理速度提高到30ms左右,采用1/9的图片缩放,则可以把处理速度提高到20ms左右,进而能够满足工业上对实时性要求高的场景。
在上述实施方式中,结合实际场景参数对原始的有雾图像进行缩小,并利用缩小后的图像计算透射率,在图像处理结果上,人眼感知到的区别不大,但计算速度上确有明显提升。
S13,对所述第一图像进行差值处理,得到第二图像。
在本实施例中,在对原始的图像进行缩小后,为了在后续对图像进行去雾处理后,维持原有图像的大小,还需要进一步对图像的体积进行还原。
在本发明的至少一个实施例中,所述对所述第一图像进行差值处理,得到第二图像包括:
对于所述第一图像中的每个待插入点,确定每个待插入点的四邻象素;
从所述四邻象素中获取与每个待插入点距离最近的邻象素点的像素值;
将与每个待插入点距离最近的邻象素点的像素值确定为每个待插入点的像素值,得到所述第二图像。
当然,在其他实施例中,也可以采用其他插值算法,本发明不限制。
通过上述实施方式,能够实现对缩小后的图像的还原,保证了去雾处理后,图像的大小不变。
S14,利用所述暗通道先验算法确定所述第二图像的大气光值。
在本发明的至少一个实施例中,所述利用所述暗通道先验算法确定所述第二图像的大气光值包括:
建立所述第二图像的暗通道图;
对所述暗通道图中每个像素点的像素值按照由大到小的顺序进行排序,得到像素点序列;
从所述像素点序列中提取前预设位的像素点作为候选像素点;
将所述候选像素点映射到所述有雾图像中,得到映射图;
从所述映射图中获取像素值最高的像素点作为所述第二图像的大气光值。
通过上述实施方式,能够结合暗通道先验算法确定大气光值,为后续的去雾处理做准备。
S15,利用所述透射率及所述大气光值对所述第二图像进行去雾处理,得到目标图像。
在本发明的至少一个实施例中,所述利用所述透射率及所述大气光值对所述第二图像进行去雾处理,得到目标图像包括:
构建所述第二图像的大气散射模型;
将所述透射率及所述大气光值作为已知参数输入至所述第二图像的大气散射模型,得到所述目标图像。
在上述实施方式中,通过计算得到的透射率及大气光值,对原始的有雾图像进行去雾处理,进而实现对有雾图像的复原。
S16,获取所述当前实时场景对应的待处理任务,并利用所述目标图像执行所述待处理任务。
例如:当所述待处理任务为人脸识别任务时,可以对所述目标图像进行人脸识别;当所述待处理任务为目标检测任务时,可以利用所述目标图像进行目标检测。
本实施例通过对原始的有雾图像按照场景参数进行缩小,在轻微损失精度的情况下,并不影响图像的视觉效果,同时提高了对有雾图像的处理效率,满足实时处理场景对于速度的要求,在实践中具有很好的应用前景。
需要说明的是,为了进一步提高数据的安全性,避免数据被恶意篡改,所述目标图像可存储于区块链节点中。
由以上技术方案可以看出,本发明能够响应于对有雾图像的去雾处理指令,确定当前实时场景,并采集所述当前实时场景的场景参数,根据所述场景参数对所述有雾图像进行缩小处理,得到第一图像,实现对有雾图像的缩小,为后续计算透射率做数据基础,以提升计算效率,利用暗通道先验算法计算所述第一图像的透射率,利用缩小后的图像计算透射率,在图像处理结果上,人眼感知到的区别不大,但计算速度上却有明显提升,对所述第一图像进行差值处理,得到第二图像,实现对缩小后的图像的还原,保证了去雾处理后,图像的大小不变,利用所述暗通道先验算法确定所述第二图像的大气光值,利用所述透射率及所述大气光值对所述第二图像进行去雾处理,得到目标图像,实现对原始的有雾图像进行去雾处理,进而实现对有雾图像的复原,获取所述当前实时场景对应的待处理任务,并利用所述目标图像执行所述待处理任务,利用去雾后的图像执行场景任务,以满足实时处理场景对于速度的要求。
如图2所示,是本发明实时场景下的图像去雾处理装置的较佳实施例的功能模块图。所述实时场景下的图像去雾处理装置11包括采集单元110、处理单元111、计算单元112、确定单元113、去雾单元114、执行单元115。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
应于对有雾图像的去雾处理指令,采集单元110确定当前实时场景,并采集所述当前实时场景的场景参数。
在本实施例中,当接收到所述有雾图像时,可以自动触发所述去雾处理指令,也可以由相关工作人员根据实际任务需求触发所述去雾处理指令,本发明不限制。
在本实施例中,所述当前实时场景可以包括,但不限于以下任意一种场景:
城市监控场景、智能交通场景、航空摄影场景、卫星遥感场景。
在本实施例中,所述场景参数可以包括,但不限于以下一种或者多种参数的组合:
所述当前实时场景下处理所述有雾图像所需的时间、冗余倍数、每秒图像帧数。
处理单元111根据所述场景参数对所述有雾图像进行缩小处理,得到第一图像。
需要说明的是,由于拍摄时每幅图像的透射率基本是相同的,因此,可以先对所述有雾图像进行缩小处理。
在本发明的至少一个实施例中,所述处理单元111根据所述场景参数对所述有雾图像进行缩小处理,得到第一图像包括:
从所述场景参数中获取所述当前实时场景下处理所述有雾图像所需的时间作为第一时间,及获取冗余倍数,及获取每秒图像帧数;
计算所述第一时间、所述冗余倍数及所述每秒图像帧数的乘积,得到第一数值;
计算所述第一数值与预设值的商,得到第二数值;
对所述第二数值进行向下取整运算,得到第三数值;
计算所述第三数值的倒数,得到第四数值;
将所述第四数值确定为缩小比例对所述有雾图像进行缩小处理,得到所述第一图像。
例如:可以采用下述公式对所述有雾图像进行缩小处理:
其中:t表示所述第一时间,单位是毫秒;s表示所述冗余倍数,s的取值>1,n表示所述每秒图像帧数,floor表示向下取整运算。
例如:通过缩小处理,可以将所述有雾图像缩小为原来的1/4,或者1/9。
通过上述实施方式,能够实现对有雾图像的缩小,为后续计算透射率做数据基础,以提升计算效率。
计算单元112利用暗通道先验算法计算所述第一图像的透射率。
所述暗通道先验算法的原理是,在户外无雾图像中大部分的局部区域,存在一些像素点(暗像素)在至少一个颜色通道中具有非常低的值,甚至趋近于0。
在本发明的至少一个实施例中,所述计算单元112利用暗通道先验算法计算所述第一图像的透射率包括:
构建所述第一图像的大气散射模型;
对所述第一图像的大气散射模型进行归一化处理,得到第一中间模型;
计算所述第一中间模型的暗通道;
获取无雾图像的暗通道;
根据所述无雾图像的暗通道及所述第一中间模型的暗通道确定第一透射率;
在所述第一透射率中引入目标参数,得到所述第一图像的透射率。
具体地,大气散射模型可以表示为:I(x)=J(x)t(x)+A(1-t(x))。
其中,I(x)表示任意图像,J(x)表示所述无雾图像,A表示大气光值,t(x)表示透射率,所述透射率表示能够到达计算机系统的没有被散射掉的一部分光。
具体地,所述计算所述第一中间模型的暗通道,即为计算最小通道和,并作最小值滤波。
具体地,所述无雾图像的暗通道为0,对应的模型可以表示为:
Jdark=miny∈Ω(x)(mincJc(y)/Ac)=0
其中,Jdark表示所述无雾图像的暗通道,Ω(x)表示像素点x的窗口,Jc(y)表示任意颜色通道,Ac表示所述无雾图像的大气光值。
具体地,可以把所述无雾图像的暗通道的模型代入至所述第一中间模型的暗通道中,并得到所述第一投射率。
承接上面的例子,所述第一透射率可以表示为:
t'(x)=1-miny∈Ω(x)(mincIc(y)/Ac)
其中,t'(x)表示所述第一透射率,Ic(y)表示所述第一图像。
进一步地,引入所述目标参数后,所述第二透射率可以表示为:
t'(x)=1-ωminy∈Ω(x)(mincIc(y)/Ac)
其中,ω表示所述目标参数,所述目标参数是恒定参数,取值为:0<ω≤1。
例如:ω的取值可以为0.95。
通过引入所述恒定参数,能够使图像在景深处保持轻微雾感,更加自然。
进一步地,在得到所述第一图像的透射率后,采用配置优化算法对所述第一图像的透射率进行优化。
具体地,所述配置优化算法可以包括,但不限于soft-matting算法、导向滤波算法等,本发明不限制。
实验结果表明,采用1/4的图片缩放,可以把处理速度提高到30ms左右,采用1/9的图片缩放,则可以把处理速度提高到20ms左右,进而能够满足工业上对实时性要求高的场景。
在上述实施方式中,结合实际场景参数对原始的有雾图像进行缩小,并利用缩小后的图像计算透射率,在图像处理结果上,人眼感知到的区别不大,但计算速度上确有明显提升。
所述处理单元111对所述第一图像进行差值处理,得到第二图像。
在本实施例中,在对原始的图像进行缩小后,为了在后续对图像进行去雾处理后,维持原有图像的大小,还需要进一步对图像的体积进行还原。
在本发明的至少一个实施例中,所述处理单元111对所述第一图像进行差值处理,得到第二图像包括:
对于所述第一图像中的每个待插入点,确定每个待插入点的四邻象素;
从所述四邻象素中获取与每个待插入点距离最近的邻象素点的像素值;
将与每个待插入点距离最近的邻象素点的像素值确定为每个待插入点的像素值,得到所述第二图像。
当然,在其他实施例中,也可以采用其他插值算法,本发明不限制。
通过上述实施方式,能够实现对缩小后的图像的还原,保证了去雾处理后,图像的大小不变。
确定单元113利用所述暗通道先验算法确定所述第二图像的大气光值。
在本发明的至少一个实施例中,所述确定单元113利用所述暗通道先验算法确定所述第二图像的大气光值包括:
建立所述第二图像的暗通道图;
对所述暗通道图中每个像素点的像素值按照由大到小的顺序进行排序,得到像素点序列;
从所述像素点序列中提取前预设位的像素点作为候选像素点;
将所述候选像素点映射到所述有雾图像中,得到映射图;
从所述映射图中获取像素值最高的像素点作为所述第二图像的大气光值。
通过上述实施方式,能够结合暗通道先验算法确定大气光值,为后续的去雾处理做准备。
去雾单元114利用所述透射率及所述大气光值对所述第二图像进行去雾处理,得到目标图像。
在本发明的至少一个实施例中,所述去雾单元114利用所述透射率及所述大气光值对所述第二图像进行去雾处理,得到目标图像包括:
构建所述第二图像的大气散射模型;
将所述透射率及所述大气光值作为已知参数输入至所述第二图像的大气散射模型,得到所述目标图像。
在上述实施方式中,通过计算得到的透射率及大气光值,对原始的有雾图像进行去雾处理,进而实现对有雾图像的复原。
执行单元115获取所述当前实时场景对应的待处理任务,并利用所述目标图像执行所述待处理任务。
例如:当所述待处理任务为人脸识别任务时,可以对所述目标图像进行人脸识别;当所述待处理任务为目标检测任务时,可以利用所述目标图像进行目标检测。
本实施例通过对原始的有雾图像按照场景参数进行缩小,在轻微损失精度的情况下,并不影响图像的视觉效果,同时提高了对有雾图像的处理效率,满足实时处理场景对于速度的要求,在实践中具有很好的应用前景。
需要说明的是,为了进一步提高数据的安全性,避免数据被恶意篡改,所述目标图像可存储于区块链节点中。
由以上技术方案可以看出,本发明能够响应于对有雾图像的去雾处理指令,确定当前实时场景,并采集所述当前实时场景的场景参数,根据所述场景参数对所述有雾图像进行缩小处理,得到第一图像,实现对有雾图像的缩小,为后续计算透射率做数据基础,以提升计算效率,利用暗通道先验算法计算所述第一图像的透射率,利用缩小后的图像计算透射率,在图像处理结果上,人眼感知到的区别不大,但计算速度上却有明显提升,对所述第一图像进行差值处理,得到第二图像,实现对缩小后的图像的还原,保证了去雾处理后,图像的大小不变,利用所述暗通道先验算法确定所述第二图像的大气光值,利用所述透射率及所述大气光值对所述第二图像进行去雾处理,得到目标图像,实现对原始的有雾图像进行去雾处理,进而实现对有雾图像的复原,获取所述当前实时场景对应的待处理任务,并利用所述目标图像执行所述待处理任务,利用去雾后的图像执行场景任务,以满足实时处理场景对于速度的要求。
如图3所示,是本发明实现实时场景下的图像去雾处理方法的较佳实施例的计算机设备的结构示意图。
所述计算机设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如实时场景下的图像去雾处理程序。
本领域技术人员可以理解,所述示意图仅仅是计算机设备1的示例,并不构成对计算机设备1的限定,所述计算机设备1既可以是总线型结构,也可以是星形结构,所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述计算机设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是计算机设备1的内部存储单元,例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备,例如计算机设备1上配备的插接式移动硬盘、智能存储卡(SmartMediaCard,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(FlashCard)等。进一步地,存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据,例如实时场景下的图像去雾处理程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(CentralProcessingunit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述计算机设备1的控制核心(ControlUnit),利用各种接口和线路连接整个计算机设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行实时场景下的图像去雾处理程序等),以及调用存储在所述存储器12内的数据,以执行计算机设备1的各种功能和处理数据。
所述处理器13执行所述计算机设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个实时场景下的图像去雾处理方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如,所述计算机程序可以被分割成采集单元110、处理单元111、计算单元112、确定单元113、去雾单元114、执行单元115。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述实时场景下的图像去雾处理方法的部分。
所述计算机设备1集成的模块/单元如果以软件功能单元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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器等。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheralcomponentinterconnect,简称PCI)总线或扩展工业标准结构(extendedindustrystandardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根直线表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述计算机设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述计算机设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该计算机设备1与其他计算机设备之间建立通信连接。
可选地,该计算机设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(OrganicLight-EmittingDiode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在计算机设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的计算机设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述计算机设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述计算机设备1中的所述存储器12存储多个指令以实现一种实时场景下的图像去雾处理方法,所述处理器13可执行所述多个指令从而实现:
响应于对有雾图像的去雾处理指令,确定当前实时场景,并采集所述当前实时场景的场景参数;
根据所述场景参数对所述有雾图像进行缩小处理,得到第一图像;
利用暗通道先验算法计算所述第一图像的透射率;
对所述第一图像进行差值处理,得到第二图像;
利用所述暗通道先验算法确定所述第二图像的大气光值;
利用所述透射率及所述大气光值对所述第二图像进行去雾处理,得到目标图像;
获取所述当前实时场景对应的待处理任务,并利用所述目标图像执行所述待处理任务。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
需要说明的是,本案中所涉及到的数据均为合法取得。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
本发明可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种实时场景下的图像去雾处理方法,其特征在于,所述实时场景下的图像去雾处理方法包括:
响应于对有雾图像的去雾处理指令,确定当前实时场景,并采集所述当前实时场景的场景参数;
根据所述场景参数对所述有雾图像进行缩小处理,得到第一图像;
利用暗通道先验算法计算所述第一图像的透射率;
对所述第一图像进行差值处理,得到第二图像;
利用所述暗通道先验算法确定所述第二图像的大气光值;
利用所述透射率及所述大气光值对所述第二图像进行去雾处理,得到目标图像;
获取所述当前实时场景对应的待处理任务,并利用所述目标图像执行所述待处理任务。
2.如权利要求1所述的实时场景下的图像去雾处理方法,其特征在于,所述根据所述场景参数对所述有雾图像进行缩小处理,得到第一图像包括:
从所述场景参数中获取所述当前实时场景下处理所述有雾图像所需的时间作为第一时间,及获取冗余倍数,及获取每秒图像帧数;
计算所述第一时间、所述冗余倍数及所述每秒图像帧数的乘积,得到第一数值;
计算所述第一数值与预设值的商,得到第二数值;
对所述第二数值进行向下取整运算,得到第三数值;
计算所述第三数值的倒数,得到第四数值;
将所述第四数值确定为缩小比例对所述有雾图像进行缩小处理,得到所述第一图像。
3.如权利要求1所述的实时场景下的图像去雾处理方法,其特征在于,所述利用暗通道先验算法计算所述第一图像的透射率包括:
构建所述第一图像的大气散射模型;
对所述第一图像的大气散射模型进行归一化处理,得到第一中间模型;
计算所述第一中间模型的暗通道;
获取无雾图像的暗通道;
根据所述无雾图像的暗通道及所述第一中间模型的暗通道确定第一透射率;
在所述第一透射率中引入目标参数,得到所述第一图像的透射率。
4.如权利要求3所述的实时场景下的图像去雾处理方法,其特征在于,在得到所述第一图像的透射率后,所述方法还包括:
采用配置优化算法对所述第一图像的透射率进行优化。
5.如权利要求1所述的实时场景下的图像去雾处理方法,其特征在于,所述对所述第一图像进行差值处理,得到第二图像包括:
对于所述第一图像中的每个待插入点,确定每个待插入点的四邻象素;
从所述四邻象素中获取与每个待插入点距离最近的邻象素点的像素值;
将与每个待插入点距离最近的邻象素点的像素值确定为每个待插入点的像素值,得到所述第二图像。
6.如权利要求1所述的实时场景下的图像去雾处理方法,其特征在于,所述利用所述暗通道先验算法确定所述第二图像的大气光值包括:
建立所述第二图像的暗通道图;
对所述暗通道图中每个像素点的像素值按照由大到小的顺序进行排序,得到像素点序列;
从所述像素点序列中提取前预设位的像素点作为候选像素点;
将所述候选像素点映射到所述有雾图像中,得到映射图;
从所述映射图中获取像素值最高的像素点作为所述第二图像的大气光值。
7.如权利要求1所述的实时场景下的图像去雾处理方法,其特征在于,所述利用所述透射率及所述大气光值对所述第二图像进行去雾处理,得到目标图像包括:
构建所述第二图像的大气散射模型;
将所述透射率及所述大气光值作为已知参数输入至所述第二图像的大气散射模型,得到所述目标图像。
8.一种实时场景下的图像去雾处理装置,其特征在于,所述实时场景下的图像去雾处理装置包括:
采集单元,用于响应于对有雾图像的去雾处理指令,确定当前实时场景,并采集所述当前实时场景的场景参数;
处理单元,用于根据所述场景参数对所述有雾图像进行缩小处理,得到第一图像;
计算单元,用于利用暗通道先验算法计算所述第一图像的透射率;
所述处理单元,还用于对所述第一图像进行差值处理,得到第二图像;
确定单元,用于利用所述暗通道先验算法确定所述第二图像的大气光值;
去雾单元,用于利用所述透射率及所述大气光值对所述第二图像进行去雾处理,得到目标图像;
执行单元,用于获取所述当前实时场景对应的待处理任务,并利用所述目标图像执行所述待处理任务。
9.一种计算机设备,其特征在于,所述计算机设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的实时场景下的图像去雾处理方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被计算机设备中的处理器执行以实现如权利要求1至7中任意一项所述的实时场景下的图像去雾处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210650400.1A CN115034990A (zh) | 2022-06-09 | 2022-06-09 | 实时场景下的图像去雾处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210650400.1A CN115034990A (zh) | 2022-06-09 | 2022-06-09 | 实时场景下的图像去雾处理方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034990A true CN115034990A (zh) | 2022-09-09 |
Family
ID=83122654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210650400.1A Pending CN115034990A (zh) | 2022-06-09 | 2022-06-09 | 实时场景下的图像去雾处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034990A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612043A (zh) * | 2023-06-02 | 2023-08-18 | 萱闱(北京)生物科技有限公司 | 一种图像处理方法、装置、设备和存储介质 |
CN116739608A (zh) * | 2023-08-16 | 2023-09-12 | 湖南三湘银行股份有限公司 | 基于人脸识别方式的银行用户身份验证方法及系统 |
CN117078562A (zh) * | 2023-10-16 | 2023-11-17 | 四川中科友成科技有限公司 | 一种视频图像去雾方法、装置、计算机设备及介质 |
-
2022
- 2022-06-09 CN CN202210650400.1A patent/CN115034990A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612043A (zh) * | 2023-06-02 | 2023-08-18 | 萱闱(北京)生物科技有限公司 | 一种图像处理方法、装置、设备和存储介质 |
CN116612043B (zh) * | 2023-06-02 | 2024-04-02 | 萱闱(北京)生物科技有限公司 | 一种图像处理方法、装置、设备和存储介质 |
CN116739608A (zh) * | 2023-08-16 | 2023-09-12 | 湖南三湘银行股份有限公司 | 基于人脸识别方式的银行用户身份验证方法及系统 |
CN116739608B (zh) * | 2023-08-16 | 2023-12-26 | 湖南三湘银行股份有限公司 | 基于人脸识别方式的银行用户身份验证方法及系统 |
CN117078562A (zh) * | 2023-10-16 | 2023-11-17 | 四川中科友成科技有限公司 | 一种视频图像去雾方法、装置、计算机设备及介质 |
CN117078562B (zh) * | 2023-10-16 | 2023-12-26 | 四川中科友成科技有限公司 | 一种视频图像去雾方法、装置、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115034990A (zh) | 实时场景下的图像去雾处理方法、装置、设备及介质 | |
CN112329777B (zh) | 基于方向检测的文字识别方法、装置、设备及介质 | |
CN111898538A (zh) | 证件鉴伪方法、装置、电子设备及存储介质 | |
CN111738212A (zh) | 基于人工智能的交通信号灯识别方法、装置、设备及介质 | |
CN113034406A (zh) | 扭曲文档恢复方法、装置、设备及介质 | |
CN111476225A (zh) | 基于人工智能的车内人脸识别方法、装置、设备及介质 | |
CN114066534A (zh) | 基于人工智能的电梯广告投送方法、装置、设备及介质 | |
CN111274937A (zh) | 摔倒检测方法、装置、电子设备及计算机可读存储介质 | |
CN113408662A (zh) | 图像识别、图像识别模型的训练方法和装置 | |
CN116778527A (zh) | 人体模型构建方法、装置、设备及存储介质 | |
CN113705469A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
CN112528265A (zh) | 基于在线会议的身份识别方法、装置、设备及介质 | |
CN116797864B (zh) | 基于智能镜子的辅助化妆方法、装置、设备及存储介质 | |
CN112541902A (zh) | 相似区域搜索方法、装置、电子设备及介质 | |
CN112101191A (zh) | 基于边框注意力网络的表情识别方法、装置、设备及介质 | |
CN115760645A (zh) | 门禁图像增强方法、装置、设备及介质 | |
CN115423919B (zh) | 图像的渲染方法、装置、设备以及存储介质 | |
CN114913518A (zh) | 基于图像处理的车牌识别方法、装置、设备及介质 | |
CN112132037B (zh) | 基于人工智能的人行道检测方法、装置、设备及介质 | |
CN110942056A (zh) | 服饰关键点定位方法、装置、电子设备及介质 | |
CN115601684A (zh) | 突发事件预警方法、装置、电子设备及存储介质 | |
CN112434601B (zh) | 基于行车视频的车辆违法检测方法、装置、设备及介质 | |
CN113627394A (zh) | 人脸提取方法、装置、电子设备及可读存储介质 |
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 |