CN115082345A - 图像阴影去除方法、装置、计算机设备和存储介质 - Google Patents
图像阴影去除方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115082345A CN115082345A CN202210752643.6A CN202210752643A CN115082345A CN 115082345 A CN115082345 A CN 115082345A CN 202210752643 A CN202210752643 A CN 202210752643A CN 115082345 A CN115082345 A CN 115082345A
- Authority
- CN
- China
- Prior art keywords
- matrix
- image
- shadow
- brightness
- lightness
- 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 82
- 239000011159 matrix material Substances 0.000 claims abstract description 365
- 238000012545 processing Methods 0.000 claims abstract description 89
- 238000005286 illumination Methods 0.000 claims abstract description 71
- 238000001914 filtration Methods 0.000 claims abstract description 60
- 238000003672 processing method Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 42
- 238000006243 chemical reaction Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 24
- 230000003628 erosive effect Effects 0.000 claims description 17
- 230000007797 corrosion Effects 0.000 claims description 12
- 238000005260 corrosion Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 241000023320 Luma <angiosperm> Species 0.000 claims description 6
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000010339 dilation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000003068 static effect Effects 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请涉及人工智能技术领域,特别是涉及一种图像阴影去除方法、装置、计算机设备和存储介质。所述方法包括:获取原始图像的属性信息和第一明度矩阵;根据所述第一明度矩阵和预设的滤波处理方法,确定光照特征矩阵;基于所述光照特征矩阵对所述第一明度矩阵进行去阴影处理,得到第二明度矩阵;基于所述第二明度矩阵与所述属性信息,生成去除阴影后的图像。本申请的保证了在对原始图像进行阴影去除操作的时候,不会对原始图像的页面背景颜色造成影响,也保证了在对原始图像进行阴影去除操作时不会影响原始图像中的内容部分,保证了阴影的去除效果。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种图像阴影去除方法、装置、计算机设备和存储介质。
背景技术
随着摄像技术的不断发展,摄像技术已经愈加成为人们生活中必不可少的一部分,随着摄像技术在各行各业的不断普及,对图像中阴影去除的技术也变得愈加完善。
在对图像进行阴影去除操作时,可根据相关阴影去除算法对图像分区进行阴影去除处理,也可根据相关阴影去除算法对图像中阴影部分进行卷积、像素替换等操作,从而实现去除图像中的阴影部分。
但是,上述阴影去除方法存在阴影去除效果较差的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种图像阴影去除方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种图像阴影去除方法。所述方法包括:
获取原始图像的属性信息和第一明度矩阵;
根据所述第一明度矩阵和预设的滤波处理方法,确定光照特征矩阵;
基于所述光照特征矩阵对所述第一明度矩阵进行去阴影处理,得到第二明度矩阵;
基于所述第二明度矩阵与所述属性信息,生成去除阴影后的图像。
在其中一个实施例中,所述根据所述第一明度矩阵和预设的滤波处理方法,确定光照特征矩阵,包括:
对所述第一明度矩阵进行预处理,得到预处理后的明度矩阵;
采用所述滤波处理方法对所述预处理后的明度矩阵进行多重高斯滤波处理,得到所述光照特征矩阵。
在其中一个实施例中,所述对所述第一明度矩阵进行预处理,得到预处理后的明度矩阵,包括:
基于所述原始图像,确定膨胀矩阵和腐蚀矩阵,其中,所述膨胀矩阵的半径为所述腐蚀矩阵的半径的两倍;
基于所述膨胀矩阵和所述腐蚀矩阵,对所述第一明度矩阵进行预处理,得到所述预处理后的明度矩阵。
在其中一个实施例中,所述采用所述滤波处理方法对所述预处理后的明度矩阵进行多重高斯滤波处理,得到所述光照特征矩阵,包括:
基于所述预处理后的明度矩阵和归一化条件,确定高斯滤波函数;
基于所述高速滤波函数,对所述预处理后的明度矩阵进行多重高斯滤波处理,得到光照特征矩阵。
在其中一个实施例中,所述基于所述光照特征矩阵对所述第一明度矩阵进行去阴影处理,得到第二明度矩阵,包括:
将所述光照特征矩阵与所述第一明度矩阵进行矩阵位相除,得到所述第二明度矩阵。
在其中一个实施例中,所述获取原始图像的属性信息和第一明度矩阵,包括:
对所述原始图像进行第一色彩模式转换处理,得到第一色彩模型图像;
基于所述第一色彩模型图像,获取所述属性信息和所述第一明度矩阵,所述属性信息包括所述原始图像的色调和饱和度。
在其中一个实施例中,所述基于所述第二明度矩阵与所述属性信息,生成去除阴影后的图像,包括:
基于所述第二明度矩阵与所述属性信息,生成第二色彩模型图像;
对所述第二色彩模型图像进行第二色彩模式转换处理,生成去除阴影后的图像。
第二方面,本申请还提供了一种图像阴影去除装置。所述装置包括:
获取模块,用于获取原始图像的属性信息和第一明度矩阵;
确定模块,用于根据所述第一明度矩阵和预设的滤波处理方法,确定光照特征矩阵;
处理模块,用于基于所述光照特征矩阵对所述第一明度矩阵进行去阴影处理,得到第二明度矩阵;
生成模块,用于基于所述第二明度矩阵与所述属性信息,生成去除阴影后的图像。第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一实施例所述的图像阴影去除方法。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其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如第一方面任一实施例所述的图像阴影去除方法。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如第一方面任一实施例所述的图像阴影去除方法。
根据本申请的技术方案,根据第一明度矩阵确定光照特征矩阵,实现了对原始图像的滤波降噪处理,保留原始图像中的边缘细节,增加了去除阴影后的图像质量;基于光照特征矩阵,得到第二明度矩阵,并基于第二明度矩阵得到去除阴影后的图像,实现在不涉及训练和框架搭建的前提下,完成图像阴影部分的去除操作,降低了去除图像阴影部分的性能需求,保证了在对原始图像进行阴影去除操作的时候,不会对原始图像的页面背景颜色造成影响,去除杂点与噪点对去除阴影后的图像的影响,保证了在对原始图像进行阴影去除操作时不会影响原始图像中的内容部分,保证了阴影的去除效果。
附图说明
图1为本申请实施例提供的一种图像阴影去除方法的示例图;
图2为本申请实施例提供的另一种图像阴影去除方法的流程图;
图3为本申请实施例提供的另一种图像阴影去除方法的流程图;
图4为本申请实施例提供的另一种图像阴影去除方法的流程图;
图5为本申请实施例提供的另一种图像阴影去除方法的流程图;
图6为本申请实施例提供的另一种图像阴影去除方法的流程图;
图7为本申请实施例提供的一种图像阴影去除装置的结构框图;
图8为本申请实施例提供的一种图像阴影去除装置的结构框图;
图9为本申请实施例提供的另一种图像阴影去除装置的结构框图;
图10为本申请实施例提供的另一种图像阴影去除装置的结构框图;
图11为本申请实施例提供的另一种图像阴影去除装置的结构框图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
目前对图像中阴影处理的设计方向有很多,其中包括:对物件图像的阴影去除和对文字图像的阴影去除。现存的阴影处理方法主要包括以下几类:
1、基于神经网络的阴影去除:
基于神经网络的阴影去除方法主要应用于对物件图像的阴影去除操作,例如:道路上车辆识别过程中的阴影去除、人脸识别中物体遮挡的块状阴影去除等,此类阴影去除方法使用场景较为复杂,需要前期的框架搭建和后期的训练,因此,此类阴影去除方法是基于机器学习,通过识别出阴影位置和区域,并通过局域调整图像从而达到阴影去除的效果。
2、基于算法实现的阴影去除:
目前通过相关算法去除阴影的方案,有对图像进行分块进行阴影处理的,也有通过特殊矩阵经过卷积、像素替换等操作进行阴影校正的;在文字图像处理过程中,目前多是通过调整图像像素分布,色阶,对比度等方式,通过对像素二值化后,达到文字图像上只存留文字信息以及白色背景模块的效果。
进一步说明,基于上述阴影去除方法在对图像阴影进行去除操作的时候,通常会遇到以下问题。
1、基于神经网络的阴影去除方案,普遍存在使用场景较复杂,识别对象较为多的情况。该方案在一定程度上依赖于前期的训练,比如需要大量前不带阴影,或者阴影位置不同的图像进行参考,并且基于神经网络的阴影去除操作过程较为复杂,在文字图片识别方面,所需性能要求较高,耗时较长,不利即时处理的场景。
2、在基于算法实现的阴影去除方案中,还存在阴影去除不完整,并且在处理交叉阴影,阴影重叠等方面存在欠缺,例如:存在阴影去除不干净、存留有杂点噪点、阴影边框处理不干净和阴影重叠部分无法精准识别去除等缺陷。
3、在某些基于算法实现的阴影去除方案中,会结合文字图像二值化后的效果,呈现出文字等信息为纯黑而背景为纯白模块的效果,但这种方法并不适用于一些特定的、单一想去除文本阴影的场景,例如:图像背景颜色为红,且使用者想要保存纸张背景明度颜色的情况。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像阴影去除方法的获取数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像阴影去除方法。
本申请公开了一种图像阴影去除方法、装置、计算机设备和存储介质,操作人员的计算机设备获取需要处理的原始图像,并将需要处理的原始图像储存于数据库中,当需对原始图像进行阴影去除操作时,操作人员的计算机设备从数据库中获取原始图像,并获取原始图像的属性信息和第一明度矩阵,基于第一明度矩阵,得到第二明度矩阵;基于第二明度矩阵与属性信息,生成去除阴影后的图像。具体地,下面参考附图描述本申请实施例的图像阴影去除方法。
图2为本申请实施例提供的另一种图像阴影去除方法的流程图,如图2所示,该图像阴影去除方法包括以下步骤:
步骤201,获取原始图像的属性信息和第一明度矩阵。
需要说明的是,属性信息指的是原始图像对应的色调和饱和度;其中,色调用于反应原始图像的相对明暗程度,饱和度用于反应原始图像的色彩鲜艳程度;通过获取原始图像的属性信息,保证了后续能够将完成阴影去除操作的第二明度矩阵,转换为去除阴影后的图像,为后续能够顺利生成去除阴影后的图像提供保障。
在本申请的一种实施例中,可通过对原始图像进行色彩模式转换处理,实现属性信息和第一明度矩阵的获取;具体地,对原始图像进行色彩模式转换处理,将RGB(Red红,Green绿,Blue蓝,三原色)模式的原始图像转化为HSV(Hue色调,Saturation饱和度,Value明度矩阵,色彩模式)模式的第一图像;需要说明的是,由于第一图像为HSV模式的色彩模式图像,则读取第一图像的属性信息,即可得到原始图像对应的色调、饱和度和第一明度矩阵。
在本申请的一种实施例中,可通过对原始图像进行色彩模式转换处理,实现属性信息的获取;具体地,对原始图像进行色彩模式转换处理,将RGB模式的原始图像转化为HSL(Hue色调,Saturation饱和度,Lightness亮度,色彩模式)模式的第二图像;需要说明的是,由于第二图像为HSL模式的色彩模式图像,则读取第一图像的属性信息,即可得到原始图像对应的色调和饱和度。
在本申请的一种实施例中,可通过读取原始图像的RGB值,进而计算得出原始图像对应的明度矩阵;具体地,读取原始图像的RGB值,将原始图像的RGB值带入明度矩阵计算公式中,从而确定原始图像对应的明度矩阵。
需要说明的是,明度矩阵计算公式为:
步骤202,根据第一明度矩阵和预设的滤波处理方法,确定光照特征矩阵。
其中,预设的滤波处理方法可以包括但不限于:基于初始图像进行多重高斯滤波处理、基于初始图像线性滤波处理和基于初始图像进行中值滤波。具体地,当基于初始图像进行多重高斯滤波处理时,可先确定高斯滤波器函数,再利用不同尺度的高斯函数,分别对初始图像的明度矩阵进行特征提取,最终得到光照特征矩阵。当基于初始图像进行线性滤波处理时,保证处理后的初始图像上每个像素点的值都是由处理前的初始图像各像素点值加权求和的结果,实现对初始图像的去噪处理。当基于初始图像进行中值滤波时,用初始图像的像素点邻域灰度值的中值来代替该像素点的灰度值,实现去除脉冲噪声、椒盐噪声的同时又能保留输入图像边缘细节。
需要说明的是,通过对第一明度矩阵进行滤波处理,改善后续获取去除阴影后的图像的影像质量,去除杂点与噪点对去除阴影后的图像的影响,实现了对去除阴影后的图像中影像边缘增强、线性增强以及去模糊等处理。
步骤203,基于光照特征矩阵对第一明度矩阵进行去阴影处理,得到第二明度矩阵。
在本申请的一种实施例中,可通过对光照特征矩阵与第一明度矩阵进行矩阵位相除运算,从而实现对第一明度矩阵进行去阴影处理,实现了在不影响原始图像页面背景以及文字部分的前提下,将初始图像中阴影部分的矩阵值进行调亮处理,从而保证第二明度矩阵呈现出光照分布均匀的效果,即为去除阴影后的效果。
步骤204,基于第二明度矩阵与属性信息,生成去除阴影后的图像。
在本申请的一种实施例中,基于属性信息与第二明度矩阵,可生成第二明度矩阵对应的色彩模型图像,根据原始图像对应的图像类型,对色彩模型图像进行模式转换,生成原始图像对应的去除阴影后的图像。
根据本申请的图像阴影去除方法,根据第一明度矩阵确定光照特征矩阵,实现了对原始图像的滤波降噪处理,保留原始图像中的边缘细节,增加了去除阴影后的图像质量;基于光照特征矩阵,得到第二明度矩阵,并基于第二明度矩阵得到去除阴影后的图像,实现在不涉及训练和框架搭建的前提下,完成图像阴影部分的去除操作,降低了去除图像阴影部分的性能需求,保证了在对原始图像进行阴影去除操作的时候,不会对原始图像的页面背景颜色造成影响,去除杂点与噪点对去除阴影后的图像的影响,保证了在对原始图像进行阴影去除操作时不会影响原始图像中的内容部分,保证了阴影的去除效果。
需要说明的是,可通过对第一明度矩阵进行预处理,再进行多重高斯滤波处理,得到光照特征矩阵,可选地,如图3所示,图3为本申请实施例提供的另一种图像阴影去除方法的流程图。该方法包括以下步骤:
步骤301,对第一明度矩阵进行预处理,得到预处理后的明度矩阵。
在本申请的一种实施例中,基于原始图像,确定膨胀矩阵和腐蚀矩阵,其中,膨胀矩阵的半径为腐蚀矩阵的半径的两倍;基于膨胀矩阵和腐蚀矩阵,对第一明度矩阵进行预处理,得到预处理后的明度矩阵。
需要说明的是,不同像素值的原始图像,所对应的膨胀矩阵与腐蚀矩阵的也不相同,在对第一明度矩阵进行预处理之前,可获取原始图像的像素值,并且,基于像素值确定原始图像对应的膨胀矩阵与腐蚀矩阵,进而实现根据膨胀矩阵与腐蚀矩阵对第一明度矩阵进行预处理。
作为一种实现方式,获取原始图像的像素值,基于像素值确定原始图像对应的膨胀矩阵与腐蚀矩阵;基于膨胀矩阵对第一明度矩阵进行膨胀处理,得到膨胀处理后的第一明度矩阵;基于腐蚀矩阵,对膨胀处理后的第一明度矩阵进行腐蚀处理,得到预处理后的明度矩阵。
步骤302,采用滤波处理方法对预处理后的明度矩阵进行多重高斯滤波处理,得到光照特征矩阵。
需要说明的是,基于预处理后的明度矩阵和归一化条件,确定高斯滤波函数;基于高速滤波函数,对预处理后的明度矩阵进行多重高斯滤波处理,得到光照特征矩阵。
在本申请的一种实施例中,基于所示预处理后的明度矩阵,确定高斯滤波函数,得到高斯滤波函数如下表示:
其中,λ为归一化常数,q为尺度因子;
需要说明的是,高斯滤波函数需满足归一化条件。并且,基于利用不同尺度的高斯滤波函数,对预处理后的明度矩阵进行特征提取,并且对预处理后的明度矩阵进行衰减后在加权处理,得到光照特征矩阵;综上,光照特征矩阵的确定方法用公式表示为:
其中,LF(x,y)为光照特征矩阵,v3(x,y)为预处理后的明度,Gaus(x,y)为高斯滤波函数。
其中,归一化条件指的是高斯滤波函数满足公式:∫∫Gaus(x,y)dxdy=1;需要说明是,通过让高斯滤波函数满足归一化条件,从而实现简化计算过程,缩小量值,增加计算效率的目的。
根据本申请的图像阴影去除方法,通过对第一明度矩阵进行预处理,防止在去除初始图像中阴影部分时,对初始图像中的内容部分造成影响,若不对第一明度矩阵进行预处理,则后续在去除初始图像阴影部分时,会导致初始图像中内容部分被压暗,从而影响去除阴影后的图像质量。通过对预处理后的明度矩阵进行多重高斯滤波处理,实现了对去除阴影后的图像中影像边缘增强、线性增强以及去模糊等处理,提高了去除阴影后的图像质量。
需要说明的是,可通过矩阵位相除,实现去阴影处理。基于矩阵位相除实现去阴影处理包括:将光照特征矩阵与第一明度矩阵进行矩阵位相除,得到第二明度矩阵。
在本申请的一种实施例中,为实现对第一明度矩阵进行去阴影处理,在确定光照特征矩阵后,基于第一明度矩阵和光照特征矩阵进行矩阵位相除,计算得出第二明度矩阵。综上所示,第二明度矩阵的计算公式,如下所示:
V2(x,y)=v(x,y)/LF(x,y)。
其中,v2(x,y)为第二明度矩阵,v(x,y)为第一明度矩阵,LF(x,y)为光照特征矩阵。
根据本申请的图像阴影去除方法,通过将光照特征矩阵与第一明度矩阵进行矩阵位相除,实现对第一明度矩阵进行去阴影处理,保证了在不影响原始图像页面背景以及文字部分的前提下,将初始图像中阴影部分的矩阵值进行调亮处理,从而保证第二明度矩阵呈现出光照分布均匀的效果,达到去除阴影后的效果。
需要说明的是,可通过对原始图像进行色彩模式转换处理,获取属性信息与第一明度矩阵,可选地,如图4所示,图4为本申请实施例提供的另一种图像阴影去除方法的流程图。该方法包括以下步骤:
步骤401,对原始图像进行第一色彩模式转换处理,得到第一色彩模型图像。
其中,第一色彩模式转换处理指的是将RGB模式的图像转化为HSV模式的图像。
需要说明的是,为获取属性信息和第一明度矩阵,需要将原始图像转化为HSV模式的图像,由于HSV模式的图像与原始信息对应,则HSV模式的图像的属性信息和第一明度矩阵即为原始图像的属性信息和第一明度矩阵;具体的,对RGB模式的原始图像进行第一色彩模式转换处理,得到HSV模式的第一色彩模型图像。
步骤402,基于第一色彩模型图像,获取属性信息和第一明度矩阵,属性信息包括原始图像的色调和饱和度。
在本申请的一种实施例中,通过对原始图像进行第一色彩模式转换处理,实现属性信息和第一明度矩阵的获取;具体地,对原始图像进行第一色彩模式转换处理,将RGB模式的原始图像转化为HSV模式的第一色彩模型图像;需要说明的是,由于第一色彩模型图像为HSV模式的图像,则读取第一色彩模型图像的属性信息,即可得到原始图像对应的属性信息和第一明度矩阵。
根据本申请的图像阴影去除方法,通过对原始图像进行色彩模式的转换,从而实现属性信息和第一明度矩阵的获取,为后续生成去除阴影后的图像提供数据基础,保证了后续顺利生成去除阴影后的图像。
需要说明的是,通过第二色彩模型图像,生成所预处理后的明度矩阵,可选地,如图5所示,图5为本申请实施例提供的另一种图像阴影去除方法的流程图。该方法包括以下步骤:
步骤501,基于第二明度矩阵与属性信息,生成第二色彩模型图像。
需要说明的是,第二色彩模型图像为HSV模式的图像,可理解为第二色彩模型图像由色调、饱和度和明度矩阵构成,因此,基于第二明度矩阵与属性信息,可构成第二明度矩阵对应的第二色彩模型图像。
步骤502,对第二色彩模型图像进行第二色彩模式转换处理,生成去除阴影后的图像。
其中,第二色彩模式转换处理,指的是将HSV模式的图像转换为RGB模式的图像。
需要说明的是,由于初始图像为RGB模式的图像,在得到第二色彩模型图像后,需要将HSV模式的第二色彩模型图像转化为RGB模式的图像,因此,需要对第二色彩模型图像进行第二色彩模式转换处理,所生成的去除阴影后的图像即为转变为RGB模式的第二色彩模型图像。
根据本申请的图像阴影去除方法,通过生成第二色彩模型图像,并对第二色彩模型图像进行第二色彩模式转换处理,从而获得去除阴影后的图像,完成对初始图像的阴影去除操作,保证了能够获得与初始图像模式相同的除阴影后的图像。
在本申请的一种实施例中,如图6所示,图6为本申请实施例提供的另一种图像阴影去除的流程图,当对图像进行阴影去除处理时:
步骤61,对原始图像进行第一色彩模式转换处理,得到第一色彩模型图像,并基于第一色彩模型图像得到属性信息和第一明度矩阵。
步骤62,基于初始图像确定膨胀矩阵和腐蚀矩阵,基于膨胀矩阵和腐蚀矩阵,对第一明度矩阵进行预处理,得到预处理后的明度矩阵。
步骤63,对预处理后的明度矩阵进行多重高斯滤波处理,得到光照特征矩阵。
步骤64,将光照特征矩阵与第一明度矩阵进行矩阵位相除,得到第二明度矩阵。
步骤65,基于第二明度矩阵与属性信息,生成去除阴影后的图像。
根据本申请的图像阴影去除方法,根据第一明度矩阵确定光照特征矩阵,实现了对原始图像的滤波降噪处理,保留原始图像中的边缘细节,增加了去除阴影后的图像质量;基于光照特征矩阵,得到第二明度矩阵,并基于第二明度矩阵得到去除阴影后的图像,实现在不涉及训练和框架搭建的前提下,完成图像阴影部分的去除操作,降低了去除图像阴影部分的性能需求,保证了在对原始图像进行阴影去除操作的时候,不会对原始图像的页面背景颜色造成影响,去除杂点与噪点对去除阴影后的图像的影响,保证了在对原始图像进行阴影去除操作时不会影响原始图像中的内容部分,保证了阴影的去除效果。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的图像阴影去除方法的图像阴影去除装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个图像阴影去除装置实施例中的具体限定可以参见上文中对于图像阴影去除方法的限定,在此不再赘述。
在一个实施例中,如图7所示,图7为本申请实施例提供的一种图像阴影去除装置的结构框图,提供了一种图像阴影去除装置,包括:获取模块710、确定模块720、处理模块730和生成模块740,其中:
获取模块710,用于获取原始图像的属性信息和第一明度矩阵。
确定模块720,用于根据第一明度矩阵和预设的滤波处理方法,确定光照特征矩阵。
处理模块730,用于基于光照特征矩阵对第一明度矩阵进行去阴影处理,得到第二明度矩阵。
生成模块740,用于基于第二明度矩阵与属性信息,生成去除阴影后的图像。
根据本申请的图像阴影去除装置,根据第一明度矩阵确定光照特征矩阵,实现了对原始图像的滤波降噪处理,保留原始图像中的边缘细节,增加了去除阴影后的图像质量;基于光照特征矩阵,得到第二明度矩阵,并基于第二明度矩阵得到去除阴影后的图像,实现在不涉及训练和框架搭建的前提下,完成图像阴影部分的去除操作,降低了去除图像阴影部分的性能需求,保证了在对原始图像进行阴影去除操作的时候,不会对原始图像的页面背景颜色造成影响,去除杂点与噪点对去除阴影后的图像的影响,保证了在对原始图像进行阴影去除操作时不会影响原始图像中的内容部分,保证了阴影的去除效果。
在一个实施例中,如图8所示,图8为本申请实施例提供的一种图像阴影去除装置的结构框图,提供了一种图像阴影去除装置,该图像阴影去除装置中确定模块820包括:第一处理单元821和第二处理单元822。
第一处理单元821,用于对第一明度矩阵进行预处理,得到预处理后的明度矩阵。
需要说明的是,基于原始图像,确定膨胀矩阵和腐蚀矩阵,其中,膨胀矩阵的半径为腐蚀矩阵的半径的两倍;基于膨胀矩阵和腐蚀矩阵,对第一明度矩阵进行预处理,得到预处理后的明度矩阵。
第二处理单元822,用于绿采用滤波处理方法对预处理后的明度矩阵进行多重高斯滤波处理,得到光照特征矩阵。
需要说明的是,基于预处理后的明度矩阵和归一化条件,确定高斯滤波函数;基于高速滤波函数,对预处理后的明度矩阵进行多重高斯滤波处理,得到光照特征矩阵。
其中,图8中810、830和840和图7中710、730和740具有相同功能和结构。
根据本申请的图像阴影去除装置,通过对第一明度矩阵进行预处理,防止在去除初始图像中阴影部分时,对初始图像中的内容部分造成影响,若不对第一明度矩阵进行预处理,则后续在去除初始图像阴影部分时,会导致初始图像中内容部分被压暗,从而影响去除阴影后的图像质量。通过对预处理后的明度矩阵进行多重高斯滤波处理,实现了对去除阴影后的图像中影像边缘增强、线性增强以及去模糊等处理,提高了去除阴影后的图像质量。
在一个实施例中,如图9所示,图9为本申请实施例提供的另一种图像阴影去除装置的结构框图,提供了一种图像阴影去除装置,该图像阴影去除装置中处理模块930包括:相除单元931。
相除单元931,用于将光照特征矩阵与第一明度矩阵进行矩阵位相除,得到第二明度矩阵。
其中,图9中910、920和940和图8中810、820和840具有相同功能和结构。
根据本申请的图像阴影去除装置,通过将光照特征矩阵与第一明度矩阵进行矩阵位相除,实现对第一明度矩阵进行去阴影处理,保证了在不影响原始图像页面背景以及文字部分的前提下,将初始图像中阴影部分的矩阵值进行调亮处理,从而保证第二明度矩阵呈现出光照分布均匀的效果,达到去除阴影后的效果。
在一个实施例中,如图10所示,图10为本申请实施例提供的另一种图像阴影去除装置的结构框图,提供了一种图像阴影去除装置,该图像阴影去除装置中获取模块1010,包括:第一转换单元1011和获取单元1012。
第一转换单元1011,用于对原始图像进行第一色彩模式转换处理,得到第一色彩模型图像;
获取单元1012,用于基于第一色彩模型图像,获取属性信息和第一明度矩阵,属性信息包括原始图像的色调和饱和度。
其中,图10中1020-1040和图9中920-940具有相同功能和结构。
根据本申请的图像阴影去除装置,通过对原始图像进行色彩模式的转换,从而实现属性信息和第一明度矩阵的获取,为后续生成去除阴影后的图像提供数据基础,保证了后续顺利生成去除阴影后的图像。
在一个实施例中,如图11所示,图11为本申请实施例提供的另一种图像阴影去除装置的结构框图,提供了一种图像阴影去除装置,该图像阴影去除装置中生成模块1140包括:生成单元1141和第二转换单元1142。
生成单元1141,用于基于第二明度矩阵与属性信息,生成第二色彩模型图像。
第二转换单元1142,用于对第二色彩模型图像进行第二色彩模式转换处理,生成去除阴影后的图像。
其中,图11中1110-1130和图10中1010-1030具有相同功能和结构。
根据本申请的图像阴影去除装置,通过生成第二色彩模型图像,并对第二色彩模型图像进行第二色彩模式转换处理,从而获得去除阴影后的图像,完成对初始图像的阴影去除操作,保证了能够获得与初始图像模式相同的除阴影后的图像。
上述图像阴影去除装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像阴影去除方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取原始图像的属性信息和第一明度矩阵;
根据第一明度矩阵和预设的滤波处理方法,确定光照特征矩阵;
基于光照特征矩阵对第一明度矩阵进行去阴影处理,得到第二明度矩阵;
基于第二明度矩阵与属性信息,生成去除阴影后的图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对第一明度矩阵进行预处理,得到预处理后的明度矩阵;
采用滤波处理方法对预处理后的明度矩阵进行多重高斯滤波处理,得到光照特征矩阵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于原始图像,确定膨胀矩阵和腐蚀矩阵,其中,膨胀矩阵的半径为腐蚀矩阵的半径的两倍;
基于膨胀矩阵和腐蚀矩阵,对第一明度矩阵进行预处理,得到预处理后的明度矩阵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于预处理后的明度矩阵和归一化条件,确定高斯滤波函数;
基于高速滤波函数,对预处理后的明度矩阵进行多重高斯滤波处理,得到光照特征矩阵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将光照特征矩阵与第一明度矩阵进行矩阵位相除,得到第二明度矩阵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对原始图像进行第一色彩模式转换处理,得到第一色彩模型图像;
基于第一色彩模型图像,获取属性信息和第一明度矩阵,属性信息包括原始图像的色调和饱和度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于第二明度矩阵与属性信息,生成第二色彩模型图像;
对第二色彩模型图像进行第二色彩模式转换处理,生成去除阴影后的图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取原始图像的属性信息和第一明度矩阵;
根据第一明度矩阵和预设的滤波处理方法,确定光照特征矩阵;
基于光照特征矩阵对第一明度矩阵进行去阴影处理,得到第二明度矩阵;
基于第二明度矩阵与属性信息,生成去除阴影后的图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对第一明度矩阵进行预处理,得到预处理后的明度矩阵;
采用滤波处理方法对预处理后的明度矩阵进行多重高斯滤波处理,得到光照特征矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于原始图像,确定膨胀矩阵和腐蚀矩阵,其中,膨胀矩阵的半径为腐蚀矩阵的半径的两倍;
基于膨胀矩阵和腐蚀矩阵,对第一明度矩阵进行预处理,得到预处理后的明度矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于预处理后的明度矩阵和归一化条件,确定高斯滤波函数;
基于高速滤波函数,对预处理后的明度矩阵进行多重高斯滤波处理,得到光照特征矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将光照特征矩阵与第一明度矩阵进行矩阵位相除,得到第二明度矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对原始图像进行第一色彩模式转换处理,得到第一色彩模型图像;
基于第一色彩模型图像,获取属性信息和第一明度矩阵,属性信息包括原始图像的色调和饱和度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于第二明度矩阵与属性信息,生成第二色彩模型图像;
对第二色彩模型图像进行第二色彩模式转换处理,生成去除阴影后的图像。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取原始图像的属性信息和第一明度矩阵;
根据第一明度矩阵和预设的滤波处理方法,确定光照特征矩阵;
基于光照特征矩阵对第一明度矩阵进行去阴影处理,得到第二明度矩阵;
基于第二明度矩阵与属性信息,生成去除阴影后的图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对第一明度矩阵进行预处理,得到预处理后的明度矩阵;
采用滤波处理方法对预处理后的明度矩阵进行多重高斯滤波处理,得到光照特征矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于原始图像,确定膨胀矩阵和腐蚀矩阵,其中,膨胀矩阵的半径为腐蚀矩阵的半径的两倍;
基于膨胀矩阵和腐蚀矩阵,对第一明度矩阵进行预处理,得到预处理后的明度矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于预处理后的明度矩阵和归一化条件,确定高斯滤波函数;
基于高速滤波函数,对预处理后的明度矩阵进行多重高斯滤波处理,得到光照特征矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将光照特征矩阵与第一明度矩阵进行矩阵位相除,得到第二明度矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对原始图像进行第一色彩模式转换处理,得到第一色彩模型图像;
基于第一色彩模型图像,获取属性信息和第一明度矩阵,属性信息包括原始图像的色调和饱和度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于第二明度矩阵与属性信息,生成第二色彩模型图像;
对第二色彩模型图像进行第二色彩模式转换处理,生成去除阴影后的图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种图像阴影去除方法,其特征在于,所述方法包括:
获取原始图像的属性信息和第一明度矩阵;
根据所述第一明度矩阵和预设的滤波处理方法,确定光照特征矩阵;
基于所述光照特征矩阵对所述第一明度矩阵进行去阴影处理,得到第二明度矩阵;
基于所述第二明度矩阵与所述属性信息,生成去除阴影后的图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一明度矩阵和预设的滤波处理方法,确定光照特征矩阵,包括:
对所述第一明度矩阵进行预处理,得到预处理后的明度矩阵;
采用所述滤波处理方法对所述预处理后的明度矩阵进行多重高斯滤波处理,得到所述光照特征矩阵。
3.根据权利要求2所述的方法,其特征在于,所述对所述第一明度矩阵进行预处理,得到预处理后的明度矩阵,包括:
基于所述原始图像,确定膨胀矩阵和腐蚀矩阵,其中,所述膨胀矩阵的半径为所述腐蚀矩阵的半径的两倍;
基于所述膨胀矩阵和所述腐蚀矩阵,对所述第一明度矩阵进行预处理,得到所述预处理后的明度矩阵。
4.根据权利要求2或3所述的方法,其特征在于,所述采用所述滤波处理方法对所述预处理后的明度矩阵进行多重高斯滤波处理,得到所述光照特征矩阵,包括:
基于所述预处理后的明度矩阵和归一化条件,确定高斯滤波函数;
基于所述高速滤波函数,对所述预处理后的明度矩阵进行多重高斯滤波处理,得到光照特征矩阵。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述基于所述光照特征矩阵对所述第一明度矩阵进行去阴影处理,得到第二明度矩阵,包括:
将所述光照特征矩阵与所述第一明度矩阵进行矩阵位相除,得到所述第二明度矩阵。
6.根据权利要求1-3任一项所述的方法,其特征在于,所述获取原始图像的属性信息和第一明度矩阵,包括:
对所述原始图像进行第一色彩模式转换处理,得到第一色彩模型图像;
基于所述第一色彩模型图像,获取所述属性信息和所述第一明度矩阵,所述属性信息包括所述原始图像的色调和饱和度。
7.根据权利要求1-3任一项所述的方法,其特征在于,所述基于所述第二明度矩阵与所述属性信息,生成去除阴影后的图像,包括:
基于所述第二明度矩阵与所述属性信息,生成第二色彩模型图像;
对所述第二色彩模型图像进行第二色彩模式转换处理,生成去除阴影后的图像。
8.一种图像阴影去除装置,其特征在于,所述装置包括:
获取模块,用于获取原始图像的属性信息和第一明度矩阵;
确定模块,用于根据所述第一明度矩阵和预设的滤波处理方法,确定光照特征矩阵;
处理模块,用于基于所述光照特征矩阵对所述第一明度矩阵进行去阴影处理,得到第二明度矩阵;
生成模块,用于基于所述第二明度矩阵与所述属性信息,生成去除阴影后的图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210752643.6A CN115082345A (zh) | 2022-06-29 | 2022-06-29 | 图像阴影去除方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210752643.6A CN115082345A (zh) | 2022-06-29 | 2022-06-29 | 图像阴影去除方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115082345A true CN115082345A (zh) | 2022-09-20 |
Family
ID=83255876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210752643.6A Pending CN115082345A (zh) | 2022-06-29 | 2022-06-29 | 图像阴影去除方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082345A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375589A (zh) * | 2022-10-25 | 2022-11-22 | 城云科技(中国)有限公司 | 一种去除图像阴影模型及其构建方法、装置及应用 |
-
2022
- 2022-06-29 CN CN202210752643.6A patent/CN115082345A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375589A (zh) * | 2022-10-25 | 2022-11-22 | 城云科技(中国)有限公司 | 一种去除图像阴影模型及其构建方法、装置及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022199583A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
WO2021068618A1 (zh) | 图像融合方法、装置、计算处理设备和存储介质 | |
CN111583161A (zh) | 模糊图像的增强方法、计算机设备和存储介质 | |
CN111489322B (zh) | 给静态图片加天空滤镜的方法及装置 | |
CN115115554B (zh) | 基于增强图像的图像处理方法、装置和计算机设备 | |
CN109409210B (zh) | 一种基于ssd框架的人脸检测方法及系统 | |
CN113781338A (zh) | 图像增强方法、装置、设备及介质 | |
Garg et al. | LiCENt: Low-light image enhancement using the light channel of HSL | |
Guo et al. | Deep tone-mapping operator using image quality assessment inspired semi-supervised learning | |
CN115082345A (zh) | 图像阴影去除方法、装置、计算机设备和存储介质 | |
CN113506305A (zh) | 三维点云数据的图像增强方法、语义分割方法及装置 | |
CN116843566A (zh) | 色调映射方法、装置、显示设备和存储介质 | |
CN115471417A (zh) | 图像降噪处理方法、装置、设备、存储介质和程序产品 | |
CN114820674A (zh) | 电弧轮廓提取方法、装置、计算机设备和存储介质 | |
Zhou et al. | An improved algorithm using weighted guided coefficient and union self‐adaptive image enhancement for single image haze removal | |
Jin et al. | Color Correction and Local Contrast Enhancement for Underwater Image Enhancement | |
Nair et al. | A modular architecture for high resolution image dehazing | |
CN114723638B (zh) | 基于Retinex模型的极低照度图像增强方法 | |
CN116977154B (zh) | 可见光图像与红外图像融合储存方法、装置、设备和介质 | |
CN118015102A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN116805292A (zh) | 色调映射方法、装置和显示设备 | |
Zini et al. | Shallow Camera Pipeline for Night Photography Enhancement | |
CN117974420A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN117876237A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
Liu et al. | Estimated Exposure Guided Reconstruction Model for Low-Light Image Enhancement |
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 |