CN115426525B - 一种基于高速动帧联动图像拆分方法及装置 - Google Patents
一种基于高速动帧联动图像拆分方法及装置 Download PDFInfo
- Publication number
- CN115426525B CN115426525B CN202211077393.7A CN202211077393A CN115426525B CN 115426525 B CN115426525 B CN 115426525B CN 202211077393 A CN202211077393 A CN 202211077393A CN 115426525 B CN115426525 B CN 115426525B
- Authority
- CN
- China
- Prior art keywords
- image data
- moving frame
- image
- frame
- dynamic
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs
- H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs
- H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display
- H04N21/440281—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display by altering the temporal resolution, e.g. by frame skipping
Abstract
本发明公开了一种基于高速动帧联动图像拆分方法及装置。其中，该方法包括：采集第一图像数据和第二图像数据；提取所述第一图像数据和所述第二图像数据中超过动帧阈值的数据，分别作为第一动帧参量和第二动帧参量进行输出；将所述第一动帧参量和所述第二动帧参量输入动帧对比模型，得到对比结果；通过所述对比结果生成动帧图像拆分算法。本发明解决了现有技术中对于高速动帧类图像数据的处理仅仅是通过图像数据中的像素情况来进行拆分或者分解，从而得到适用于优化和分析的分解图像数据，这样无法根据动帧图像的特点进行拆分，降低了图像拆分优化处理的效果，也降低了动帧图像中动作属性拆分的权重，给实际运行和操作增加了一定难度的技术问题。
Description
技术领域
本发明涉及图像拆分处理领域，具体而言，涉及一种基于高速动帧联动图像拆分方法及装置。
背景技术
随着智能化科技的不断发展，人们的生活、工作、学习之中越来越多地用到了智能化设备，使用智能化科技手段，提高了人们生活的质量，增加了人们学习和工作的效率。
目前，针对高速动帧类图像数据进行优化处理，以及对于该种类型的图片数据的分析，通常会利用图像的像素属性进行分解，并将分解后的图像进行识别和输出，达到多重识别同时进行，增加动帧图像处理的速度和质量。但是现有技术中对于高速动帧类图像数据的处理仅仅是通过图像数据中的像素情况来进行拆分或者分解，从而得到适用于优化和分析的分解图像数据，这样无法根据动帧图像的特点进行拆分，降低了图像拆分优化处理的效果，也降低了动帧图像中动作属性拆分的权重，给实际运行和操作增加了一定难度。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于高速动帧联动图像拆分方法及装置，以至少解决现有技术中对于高速动帧类图像数据的处理仅仅是通过图像数据中的像素情况来进行拆分或者分解，从而得到适用于优化和分析的分解图像数据，这样无法根据动帧图像的特点进行拆分，降低了图像拆分优化处理的效果，也降低了动帧图像中动作属性拆分的权重，给实际运行和操作增加了一定难度的技术问题。
根据本发明实施例的一个方面，提供了一种基于高速动帧联动图像拆分方法，包括：采集第一图像数据和第二图像数据；提取所述第一图像数据和所述第二图像数据中超过动帧阈值的数据，分别作为第一动帧参量和第二动帧参量进行输出；将所述第一动帧参量和所述第二动帧参量输入动帧对比模型，得到对比结果；通过所述对比结果生成动帧图像拆分算法。
可选的，所述提取所述第一图像数据和所述第二图像数据中超过动帧阈值的数据，分别作为第一动帧参量和第二动帧参量进行输出包括：根据历史数据获取所述动帧阈值；将所述第一图像数据和所述第二图像数据中所有的动帧画面数据与所述动帧阈值进行比较和匹配，并将超过所述动帧阈值的图像数据分别作为所述第一动帧参量和所述第二动帧参量。
可选的，所述将所述第一动帧参量和所述第二动帧参量输入动帧对比模型，得到对比结果包括：根据所述第一图像数据和所述第二图像数据获取所述动帧对比模型，其中，所述动帧对比模型采用所述第一图像数据和所述第二图像数据中涉及的历史数据群组进行训练得到；将所述动帧对比模型输出的动帧联动常数和动帧归类因子作为所述对比结果进行输出。
可选的，所述通过所述对比结果生成动帧图像拆分算法包括：利用公式
Pic(G,D)＝E·[f(-D(x)]+G[f(T(z))]
构建用于拆分高速动帧联动图像的矢量算法，其中，Pic(G，D)是算法表式，E是所述动帧联动常数，G是所述动帧归类因子，D和G是算法图像像素元素参量，T是算法图像像素区域参量。
根据本发明实施例的另一方面，还提供了一种基于高速动帧联动图像拆分装置，包括：采集模块，用于采集第一图像数据和第二图像数据；提取模块，用于提取所述第一图像数据和所述第二图像数据中超过动帧阈值的数据，分别作为第一动帧参量和第二动帧参量进行输出；对比模块，用于将所述第一动帧参量和所述第二动帧参量输入动帧对比模型，得到对比结果；生成模块，用于通过所述对比结果生成动帧图像拆分算法。
可选的，所述提取模块包括：获取单元，用于根据历史数据获取所述动帧阈值；比较单元，用于将所述第一图像数据和所述第二图像数据中所有的动帧画面数据与所述动帧阈值进行比较和匹配，并将超过所述动帧阈值的图像数据分别作为所述第一动帧参量和所述第二动帧参量。
可选的，所述对比模块包括：获取单元，用于根据所述第一图像数据和所述第二图像数据获取所述动帧对比模型，其中，所述动帧对比模型采用所述第一图像数据和所述第二图像数据中涉及的历史数据群组进行训练得到；输出单元，用于将所述动帧对比模型输出的动帧联动常数和动帧归类因子作为所述对比结果进行输出。
可选的，所述生成模块包括：计算单元，用于利用公式
Pic(G,D)＝E·[f(-D(x)]+G[f(T(z))]
构建用于拆分高速动帧联动图像的矢量算法，其中，Pic(G，D)是算法表式，E是所述动帧联动常数，G是所述动帧归类因子，D和G是算法图像像素元素参量，T是算法图像像素区域参量。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种基于高速动帧联动图像拆分方法。
根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种基于高速动帧联动图像拆分方法。
在本发明实施例中，采用采集第一图像数据和第二图像数据；提取所述第一图像数据和所述第二图像数据中超过动帧阈值的数据，分别作为第一动帧参量和第二动帧参量进行输出；将所述第一动帧参量和所述第二动帧参量输入动帧对比模型，得到对比结果；通过所述对比结果生成动帧图像拆分算法的方式，解决了现有技术中对于高速动帧类图像数据的处理仅仅是通过图像数据中的像素情况来进行拆分或者分解，从而得到适用于优化和分析的分解图像数据，这样无法根据动帧图像的特点进行拆分，降低了图像拆分优化处理的效果，也降低了动帧图像中动作属性拆分的权重，给实际运行和操作增加了一定难度的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种基于高速动帧联动图像拆分方法的流程图；
图2是根据本发明实施例的一种基于高速动帧联动图像拆分装置的结构框图；
图3是根据本发明实施例的用于执行根据本发明的方法的终端设备的框图；
图4是根据本发明实施例的用于保持或者携带实现根据本发明的方法的程序代码的存储单元。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种基于高速动帧联动图像拆分方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图1是根据本发明实施例的一种基于高速动帧联动图像拆分方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，采集第一图像数据和第二图像数据。
具体的，本发明实施例为了解决现有技术中对于高速动帧类图像数据的处理仅仅是通过图像数据中的像素情况来进行拆分或者分解，从而得到适用于优化和分析的分解图像数据，这样无法根据动帧图像的特点进行拆分，降低了图像拆分优化处理的效果，也降低了动帧图像中动作属性拆分的权重，给实际运行和操作增加了一定难度的技术问题，首先需要获取原始图像数据，其中，上述原始图像数据是一个整图形式的采集图像，由于该图像为动帧高速图像，所以需要根据动帧拆分需求进行拆分，拆分结果是上述第一图像数据和第二图像数据，其中，第一图像数据和第二图像数据都不仅仅是一个局部图像数据，可以是单独的图像数据单元，也可以是多个图像数据单元，具体如何进行原始图像数据的拆分，本发明实施例在此处不进行具体的限定。
步骤S104，提取所述第一图像数据和所述第二图像数据中超过动帧阈值的数据，分别作为第一动帧参量和第二动帧参量进行输出。
可选的，所述提取所述第一图像数据和所述第二图像数据中超过动帧阈值的数据，分别作为第一动帧参量和第二动帧参量进行输出包括：根据历史数据获取所述动帧阈值；将所述第一图像数据和所述第二图像数据中所有的动帧画面数据与所述动帧阈值进行比较和匹配，并将超过所述动帧阈值的图像数据分别作为所述第一动帧参量和所述第二动帧参量。
具体的，本发明实施例在获取到了第一图像数据和第二图像数据之后，需要根据动帧提取的阈值来对上述两种分解图像单元合集进行扫描和识别，并提取出与后续拆分算法生成相关的第一动帧参量和第二动帧参量。例如，根据历史数据获取所述动帧阈值；将所述第一图像数据和所述第二图像数据中所有的动帧画面数据与所述动帧阈值进行比较和匹配，并将超过所述动帧阈值的图像数据分别作为所述第一动帧参量和所述第二动帧参量。
步骤S106，将所述第一动帧参量和所述第二动帧参量输入动帧对比模型，得到对比结果。
可选的，所述将所述第一动帧参量和所述第二动帧参量输入动帧对比模型，得到对比结果包括：根据所述第一图像数据和所述第二图像数据获取所述动帧对比模型，其中，所述动帧对比模型采用所述第一图像数据和所述第二图像数据中涉及的历史数据群组进行训练得到；将所述动帧对比模型输出的动帧联动常数和动帧归类因子作为所述对比结果进行输出。
具体的，为了将本发明实施例获得的第一动帧参量和所述第二动帧参量加以分析和处理，得到第一图像数据和第二图像数据之间的联动和归类关系，从而为生成动帧图像拆分算法提供了前提条件。例如，根据所述第一图像数据和所述第二图像数据获取所述动帧对比模型，其中，所述动帧对比模型采用所述第一图像数据和所述第二图像数据中涉及的历史数据群组进行训练得到；将所述动帧对比模型输出的动帧联动常数和动帧归类因子作为所述对比结果进行输出，即将对比结果作为输出参量进行输出，用于后续拆分算法的生成，由此生成的拆分算法可以在考虑到动帧联动和归类元素的同时，生成图像数据拆分路线，便于用户进行分析和优化处理。
步骤S108，通过所述对比结果生成动帧图像拆分算法。
可选的，所述通过所述对比结果生成动帧图像拆分算法包括：利用公式
Pic(G,D)＝E·[f(-D(x)]+G[f(T(z))]
构建用于拆分高速动帧联动图像的矢量算法，其中，Pic(G，D)是算法表式，E是所述动帧联动常数，G是所述动帧归类因子，D和G是算法图像像素元素参量，T是算法图像像素区域参量。
通过上述实施例，解决了现有技术中对于高速动帧类图像数据的处理仅仅是通过图像数据中的像素情况来进行拆分或者分解，从而得到适用于优化和分析的分解图像数据，这样无法根据动帧图像的特点进行拆分，降低了图像拆分优化处理的效果，也降低了动帧图像中动作属性拆分的权重，给实际运行和操作增加了一定难度的技术问题。
实施例二
图2是根据本发明实施例的一种基于高速动帧联动图像拆分装置的结构框图，如图2所示，该装置包括：
采集模块20，用于采集第一图像数据和第二图像数据。
具体的，本发明实施例为了解决现有技术中对于高速动帧类图像数据的处理仅仅是通过图像数据中的像素情况来进行拆分或者分解，从而得到适用于优化和分析的分解图像数据，这样无法根据动帧图像的特点进行拆分，降低了图像拆分优化处理的效果，也降低了动帧图像中动作属性拆分的权重，给实际运行和操作增加了一定难度的技术问题，首先需要获取原始图像数据，其中，上述原始图像数据是一个整图形式的采集图像，由于该图像为动帧高速图像，所以需要根据动帧拆分需求进行拆分，拆分结果是上述第一图像数据和第二图像数据，其中，第一图像数据和第二图像数据都不仅仅是一个局部图像数据，可以是单独的图像数据单元，也可以是多个图像数据单元，具体如何进行原始图像数据的拆分，本发明实施例在此处不进行具体的限定。
提取模块22，用于提取所述第一图像数据和所述第二图像数据中超过动帧阈值的数据，分别作为第一动帧参量和第二动帧参量进行输出。
可选的，所述提取模块包括：获取单元，用于根据历史数据获取所述动帧阈值；比较单元，用于将所述第一图像数据和所述第二图像数据中所有的动帧画面数据与所述动帧阈值进行比较和匹配，并将超过所述动帧阈值的图像数据分别作为所述第一动帧参量和所述第二动帧参量。
具体的，本发明实施例在获取到了第一图像数据和第二图像数据之后，需要根据动帧提取的阈值来对上述两种分解图像单元合集进行扫描和识别，并提取出与后续拆分算法生成相关的第一动帧参量和第二动帧参量。例如，根据历史数据获取所述动帧阈值；将所述第一图像数据和所述第二图像数据中所有的动帧画面数据与所述动帧阈值进行比较和匹配，并将超过所述动帧阈值的图像数据分别作为所述第一动帧参量和所述第二动帧参量。
对比模块24，用于将所述第一动帧参量和所述第二动帧参量输入动帧对比模型，得到对比结果。
可选的，所述对比模块包括：获取单元，用于根据所述第一图像数据和所述第二图像数据获取所述动帧对比模型，其中，所述动帧对比模型采用所述第一图像数据和所述第二图像数据中涉及的历史数据群组进行训练得到；输出单元，用于将所述动帧对比模型输出的动帧联动常数和动帧归类因子作为所述对比结果进行输出。
具体的，为了将本发明实施例获得的第一动帧参量和所述第二动帧参量加以分析和处理，得到第一图像数据和第二图像数据之间的联动和归类关系，从而为生成动帧图像拆分算法提供了前提条件。例如，根据所述第一图像数据和所述第二图像数据获取所述动帧对比模型，其中，所述动帧对比模型采用所述第一图像数据和所述第二图像数据中涉及的历史数据群组进行训练得到；将所述动帧对比模型输出的动帧联动常数和动帧归类因子作为所述对比结果进行输出，即将对比结果作为输出参量进行输出，用于后续拆分算法的生成，由此生成的拆分算法可以在考虑到动帧联动和归类元素的同时，生成图像数据拆分路线，便于用户进行分析和优化处理。
生成模块26，用于通过所述对比结果生成动帧图像拆分算法。
可选的，所述生成模块包括：计算单元，用于利用公式
Pic(G,D)＝E·[f(-D(x)]+G[f(T(z))]
构建用于拆分高速动帧联动图像的矢量算法，其中，Pic(G，D)是算法表式，E是所述动帧联动常数，G是所述动帧归类因子，D和G是算法图像像素元素参量，T是算法图像像素区域参量。
通过上述实施例，解决了现有技术中对于高速动帧类图像数据的处理仅仅是通过图像数据中的像素情况来进行拆分或者分解，从而得到适用于优化和分析的分解图像数据，这样无法根据动帧图像的特点进行拆分，降低了图像拆分优化处理的效果，也降低了动帧图像中动作属性拆分的权重，给实际运行和操作增加了一定难度的技术问题。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种基于高速动帧联动图像拆分方法。
具体的，上述方法包括：采集第一图像数据和第二图像数据；提取所述第一图像数据和所述第二图像数据中超过动帧阈值的数据，分别作为第一动帧参量和第二动帧参量进行输出；将所述第一动帧参量和所述第二动帧参量输入动帧对比模型，得到对比结果；通过所述对比结果生成动帧图像拆分算法。可选的，所述提取所述第一图像数据和所述第二图像数据中超过动帧阈值的数据，分别作为第一动帧参量和第二动帧参量进行输出包括：根据历史数据获取所述动帧阈值；将所述第一图像数据和所述第二图像数据中所有的动帧画面数据与所述动帧阈值进行比较和匹配，并将超过所述动帧阈值的图像数据分别作为所述第一动帧参量和所述第二动帧参量。可选的，所述将所述第一动帧参量和所述第二动帧参量输入动帧对比模型，得到对比结果包括：根据所述第一图像数据和所述第二图像数据获取所述动帧对比模型，其中，所述动帧对比模型采用所述第一图像数据和所述第二图像数据中涉及的历史数据群组进行训练得到；将所述动帧对比模型输出的动帧联动常数和动帧归类因子作为所述对比结果进行输出。可选的，所述通过所述对比结果生成动帧图像拆分算法包括：利用公式Pic(G,D)＝E·[f(-D(x)]+G[f(T(z))]构建用于拆分高速动帧联动图像的矢量算法，其中，Pic(G，D)是算法表式，E是所述动帧联动常数，G是所述动帧归类因子，D和G是算法图像像素元素参量，T是算法图像像素区域参量。
根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种基于高速动帧联动图像拆分方法。
具体的，上述方法包括：采集第一图像数据和第二图像数据；提取所述第一图像数据和所述第二图像数据中超过动帧阈值的数据，分别作为第一动帧参量和第二动帧参量进行输出；将所述第一动帧参量和所述第二动帧参量输入动帧对比模型，得到对比结果；通过所述对比结果生成动帧图像拆分算法。可选的，所述提取所述第一图像数据和所述第二图像数据中超过动帧阈值的数据，分别作为第一动帧参量和第二动帧参量进行输出包括：根据历史数据获取所述动帧阈值；将所述第一图像数据和所述第二图像数据中所有的动帧画面数据与所述动帧阈值进行比较和匹配，并将超过所述动帧阈值的图像数据分别作为所述第一动帧参量和所述第二动帧参量。可选的，所述将所述第一动帧参量和所述第二动帧参量输入动帧对比模型，得到对比结果包括：根据所述第一图像数据和所述第二图像数据获取所述动帧对比模型，其中，所述动帧对比模型采用所述第一图像数据和所述第二图像数据中涉及的历史数据群组进行训练得到；将所述动帧对比模型输出的动帧联动常数和动帧归类因子作为所述对比结果进行输出。可选的，所述通过所述对比结果生成动帧图像拆分算法包括：利用公式Pic(G,D)＝E·[f(-D(x)]+G[f(T(z))]构建用于拆分高速动帧联动图像的矢量算法，其中，Pic(G，D)是算法表式，E是所述动帧联动常数，G是所述动帧归类因子，D和G是算法图像像素元素参量，T是算法图像像素区域参量。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，图3为本申请一实施例提供的终端设备的硬件结构示意图。如图3所示，该终端设备可以包括输入设备30、处理器31、输出设备32、存储器33和至少一个通信总线34。通信总线34用于实现元件之间的通信连接。存储器33可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，存储器33中可以存储各种程序，用于完成各种处理功能以及实现本实施例的方法步骤。
可选的，上述处理器31例如可以为中央处理器(Central Processing Unit，简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，该处理器31通过有线或无线连接耦合到上述输入设备30和输出设备32。
可选的，上述输入设备30可以包括多种输入设备，例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的，该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如USB接口、串口等)；可选的，该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等)；可选的，上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口，例如芯片的输入引脚接口或者输入接口等；可选的，上述收发信机可以是具有通信功能的射频收发芯片、基带处理芯片以及收发天线等。麦克风等音频输入设备可以接收语音数据。输出设备32可以包括显示器、音响等输出设备。
在本实施例中，该终端设备的处理器包括用于执行各设备中数据处理装置各模块的功能，具体功能和技术效果参照上述实施例即可，此处不再赘述。
图4为本申请另一实施例提供的终端设备的硬件结构示意图。图4是对图3在实现过程中的一个具体的实施例。如图4所示，本实施例的终端设备包括处理器41以及存储器42。
处理器41执行存储器42所存放的计算机程序代码，实现上述实施例中的方法。
存储器42被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，例如消息，图片，视频等。存储器42可能包含随机存取存储器(random access memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
可选地，处理器41设置在处理组件40中。该终端设备还可以包括：通信组件43，电源组件44，多媒体组件45，音频组件46，输入/输出接口47和/或传感器组件48。终端设备具体所包含的组件等依据实际需求设定，本实施例对此不作限定。
处理组件40通常控制终端设备的整体操作。处理组件40可以包括一个或多个处理器41来执行指令，以完成上述方法的全部或部分步骤。此外，处理组件40可以包括一个或多个模块，便于处理组件40和其他组件之间的交互。例如，处理组件40可以包括多媒体模块，以方便多媒体组件45和处理组件40之间的交互。
电源组件44为终端设备的各种组件提供电力。电源组件44可以包括电源管理系统，一个或多个电源，及其他与为终端设备生成、管理和分配电力相关联的组件。
多媒体组件45包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中，显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板，显示屏可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
音频组件46被配置为输出和/或输入音频信号。例如，音频组件46包括一个麦克风(MIC)，当终端设备处于操作模式，如语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器42或经由通信组件43发送。在一些实施例中，音频组件46还包括一个扬声器，用于输出音频信号。
输入/输出接口47为处理组件40和外围接口模块之间提供接口，上述外围接口模块可以是点击轮，按钮等。这些按钮可包括但不限于：音量按钮、启动按钮和锁定按钮。
传感器组件48包括一个或多个传感器，用于为终端设备提供各个方面的状态评估。例如，传感器组件48可以检测到终端设备的打开/关闭状态，组件的相对定位，用户与终端设备接触的存在或不存在。传感器组件48可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在，包括检测用户与终端设备间的距离。在一些实施例中，该传感器组件48还可以包括摄像头等。
通信组件43被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个实施例中，该终端设备中可以包括SIM卡插槽，该SIM卡插槽用于插入SIM卡，使得终端设备可以登录GPRS网络，通过互联网与服务端建立通信。
由上可知，在图4实施例中所涉及的通信组件43、音频组件46以及输入/输出接口47、传感器组件48均可以作为图3实施例中的输入设备的实现方式。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元上。可以根据实际的需要选择其中的部分或者全部单元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单元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，也可以采用软件功能单元的形式实现。
所述集成的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产品的形式体现出来，该计算机软件产品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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于高速动帧联动图像拆分方法，其特征在于，包括：
采集第一图像数据和第二图像数据；
提取所述第一图像数据和所述第二图像数据中超过动帧阈值的数据，分别作为第一动帧参量和第二动帧参量进行输出；
将所述第一动帧参量和所述第二动帧参量输入动帧对比模型，得到对比结果；
通过所述对比结果生成动帧图像拆分算法；
所述提取所述第一图像数据和所述第二图像数据中超过动帧阈值的数据，分别作为第一动帧参量和第二动帧参量进行输出包括：
根据历史数据获取所述动帧阈值；
将所述第一图像数据和所述第二图像数据中所有的动帧画面数据与所述动帧阈值进行比较和匹配，并将超过所述动帧阈值的图像数据分别作为所述第一动帧参量和所述第二动帧参量；
所述将所述第一动帧参量和所述第二动帧参量输入动帧对比模型，得到对比结果包括：
根据所述第一图像数据和所述第二图像数据获取所述动帧对比模型，其中，所述动帧对比模型采用所述第一图像数据和所述第二图像数据中涉及的历史数据群组进行训练得到；
将所述动帧对比模型输出的动帧联动常数和动帧归类因子作为所述对比结果进行输出；
所述通过所述对比结果生成动帧图像拆分算法包括：
利用公式
Pic(G,D)＝E·[f(-D(x)]+G[f(T(z))]
构建用于拆分高速动帧联动图像的矢量算法，其中，Pic(G，D)是算法表式，E是所述动帧联动常数，G是所述动帧归类因子，D和G是算法图像像素元素参量，T是算法图像像素区域参量。
2.一种基于高速动帧联动图像拆分装置，其特征在于，包括：
采集模块，用于采集第一图像数据和第二图像数据；
提取模块，用于提取所述第一图像数据和所述第二图像数据中超过动帧阈值的数据，分别作为第一动帧参量和第二动帧参量进行输出；
对比模块，用于将所述第一动帧参量和所述第二动帧参量输入动帧对比模型，得到对比结果；
生成模块，用于通过所述对比结果生成动帧图像拆分算法；
所述提取模块包括：
获取单元，用于根据历史数据获取所述动帧阈值；
比较单元，用于将所述第一图像数据和所述第二图像数据中所有的动帧画面数据与所述动帧阈值进行比较和匹配，并将超过所述动帧阈值的图像数据分别作为所述第一动帧参量和所述第二动帧参量；
所述对比模块包括：
获取单元，用于根据所述第一图像数据和所述第二图像数据获取所述动帧对比模型，其中，所述动帧对比模型采用所述第一图像数据和所述第二图像数据中涉及的历史数据群组进行训练得到；
输出单元，用于将所述动帧对比模型输出的动帧联动常数和动帧归类因子作为所述对比结果进行输出；
所述生成模块包括：
计算单元，用于利用公式
Pic(G,D)＝E·[f(-D(x)]+G[f(T(z))]
构建用于拆分高速动帧联动图像的矢量算法，其中，Pic(G，D)是算法表式，E是所述动帧联动常数，G是所述动帧归类因子，D和G是算法图像像素元素参量，
T是算法图像像素区域参量。
3.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行权利要求1所述的方法。
4.一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211077393.7A CN115426525B (zh) | 2022-09-05 | 2022-09-05 | 一种基于高速动帧联动图像拆分方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211077393.7A CN115426525B (zh) | 2022-09-05 | 2022-09-05 | 一种基于高速动帧联动图像拆分方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115426525A CN115426525A (zh) | 2022-12-02 |
| CN115426525B true CN115426525B (zh) | 2023-05-26 |
Family
ID=84202033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211077393.7A Active CN115426525B (zh) | 2022-09-05 | 2022-09-05 | 一种基于高速动帧联动图像拆分方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115426525B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116363006B (zh) * | 2023-03-28 | 2024-02-02 | 北京拙河科技有限公司 | 一种基于正态算法的图像校准方法及装置 |
| CN116309523A (zh) * | 2023-04-06 | 2023-06-23 | 北京拙河科技有限公司 | 一种动帧图像动态模糊识别方法及装置 |
| CN116630643A (zh) * | 2023-05-23 | 2023-08-22 | 北京拙河科技有限公司 | 一种基于图像物体边界识别的像素拆分方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204636A (zh) * | 2016-06-27 | 2016-12-07 | 北京大学深圳研究生院 | 基于监控视频的视频前景提取方法 |
| EP3712899A1 (en) * | 2019-03-21 | 2020-09-23 | Siemens Healthcare GmbH | Generation of a result image |
| CN112804561A (zh) * | 2020-12-29 | 2021-05-14 | 广州华多网络科技有限公司 | 视频插帧方法、装置、计算机设备及存储介质 |
| WO2021167632A1 (en) * | 2020-02-21 | 2021-08-26 | Google Llc | Systems and methods for extracting temporal information from animated media content items using machine learning |
| CN114842424A (zh) * | 2022-06-07 | 2022-08-02 | 北京拙河科技有限公司 | 一种基于动作补偿的智能化安防图像识别方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5488212B2 (ja) * | 2010-06-04 | 2014-05-14 | 三菱電機株式会社 | 画像処理装置、画像処理方法および画像表示装置 |
| CN105306787A (zh) * | 2015-10-26 | 2016-02-03 | 努比亚技术有限公司 | 图像处理方法及装置 |
| US10764499B2 (en) * | 2017-06-16 | 2020-09-01 | Microsoft Technology Licensing, Llc | Motion blur detection |
| US11957975B2 (en) * | 2018-05-24 | 2024-04-16 | Microsoft Technology Licensing, Llc | Dead reckoning and latency improvement in 3D game streaming scenario |
| CN110062208A (zh) * | 2019-04-23 | 2019-07-26 | 上海赫煊自动化系统工程有限公司 | 一种安防智能实时分析系统和方法 |
-
2022
- 2022-09-05 CN CN202211077393.7A patent/CN115426525B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204636A (zh) * | 2016-06-27 | 2016-12-07 | 北京大学深圳研究生院 | 基于监控视频的视频前景提取方法 |
| EP3712899A1 (en) * | 2019-03-21 | 2020-09-23 | Siemens Healthcare GmbH | Generation of a result image |
| WO2021167632A1 (en) * | 2020-02-21 | 2021-08-26 | Google Llc | Systems and methods for extracting temporal information from animated media content items using machine learning |
| CN112804561A (zh) * | 2020-12-29 | 2021-05-14 | 广州华多网络科技有限公司 | 视频插帧方法、装置、计算机设备及存储介质 |
| WO2022141819A1 (zh) * | 2020-12-29 | 2022-07-07 | 广州华多网络科技有限公司 | 视频插帧方法、装置、计算机设备及存储介质 |
| CN114842424A (zh) * | 2022-06-07 | 2022-08-02 | 北京拙河科技有限公司 | 一种基于动作补偿的智能化安防图像识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115426525A (zh) | 2022-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115426525B (zh) | 一种基于高速动帧联动图像拆分方法及装置 | |
| CN115631122A (zh) | 一种用于边缘图像算法的图像优化方法及装置 | |
| CN115170818A (zh) | 一种动态帧画面特征提取方法及装置 | |
| CN116595069A (zh) | 一种基于大数据的过滤展示方法及系统 | |
| CN115474091A (zh) | 一种基于分解元图的动作捕捉方法及装置 | |
| CN115511735B (zh) | 一种雪场灰度画面优化方法及装置 | |
| CN115460389B (zh) | 一种图像白平衡区域优选方法及装置 | |
| CN116402935B (zh) | 一种基于光线追踪算法的图像合成方法及装置 | |
| CN116723298B (zh) | 一种提升相机端传输效率的方法及装置 | |
| CN116468883B (zh) | 一种高精度图像数据体积雾识别方法及装置 | |
| CN115187570B (zh) | 一种基于dnn深度神经网络的奇异遍历检索方法及装置 | |
| CN115809006B (zh) | 一种画面控制人工指令的方法及装置 | |
| CN116579964B (zh) | 一种动帧渐入渐出动态融合方法及装置 | |
| CN116228593B (zh) | 一种基于分级抗锯齿的图像完善方法及装置 | |
| CN116389915B (zh) | 一种降低光场相机闪烁的方法及装置 | |
| CN116723419B (zh) | 一种用于十亿级高精度相机的采集速度优化方法及装置 | |
| CN116664413B (zh) | 一种基于阿贝尔收敛算子的图像体积雾消除方法及装置 | |
| CN116579965B (zh) | 一种多图像融合方法及装置 | |
| CN115345808B (zh) | 一种基于多元信息采集的画面生成方法及装置 | |
| CN117896625A (zh) | 一种基于低空高分辨率解析的画面成像方法及装置 | |
| CN116363006B (zh) | 一种基于正态算法的图像校准方法及装置 | |
| CN116309523A (zh) | 一种动帧图像动态模糊识别方法及装置 | |
| CN116774929A (zh) | 一种基于大数据的数据存储方法及系统 | |
| CN116466905A (zh) | 一种基于OpenHarmony的窗口分屏操作交互方法及装置 | |
| CN116663886A (zh) | 一种信息安全事件梳理方法及装置 |
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 |