CN116385316B - 多目标图像动态捕捉方法及相关装置 - Google Patents
多目标图像动态捕捉方法及相关装置 Download PDFInfo
- Publication number
- CN116385316B CN116385316B CN202310635690.7A CN202310635690A CN116385316B CN 116385316 B CN116385316 B CN 116385316B CN 202310635690 A CN202310635690 A CN 202310635690A CN 116385316 B CN116385316 B CN 116385316B
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- bit layer
- bit
- value
- 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 56
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000010191 image analysis Methods 0.000 claims description 6
- 239000010410 layer Substances 0.000 description 287
- 230000008859 change Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 208000008918 voyeurism Diseases 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 235000012434 pretzels Nutrition 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种多目标图像动态捕捉方法及相关装置,该方法包括:图像处理装置获取初始图像,并对初始图像进行预处理,得到预处理图像;对预处理图像进行比特分层,得到比特层图像,对不同比特层图像进行噪声估计,得到各比特层的噪声影响值;基于各比特层图像的噪声影响值计算初始图像的整体噪声影响值;确定连续初始图像中同一比特层图像的像素点差异值;根据连续初始图像的像素点差异值,基于连续初始图像的整体噪声影响值计算维纳滤波系数;根据维纳滤波系数使用维纳滤波算法对图像进行去噪处理;对去噪后的图像进行多目标识别。通过实现K值的自适应,去噪更加彻底,保留图像中更多的细节信息,更好的对多目标的进行动态捕捉。
Description
技术领域
本申请涉及图像处理领域,特别是涉及一种多目标图像动态捕捉方法及相关装置。
背景技术
防偷窥屏幕是一种专门设计来防止屏幕内容被他人偷窥的屏幕。通常,这种屏幕采用特殊的光学材料制成,该材料可以限制屏幕上显示内容的可视角度,使其只能被正对屏幕的用户所看到,但是当在公共场合等人多的情况下,可能会在使用手机设备时遭到他人的窥视,从而会造成信息泄露。除了使用防偷窥屏幕外,还有一些其他方法可以增强信息安全。如在使用设备时,通过手机前置摄像头采集屏幕前方的人员数据,然后识别观看屏幕的人数,若发现偷窥者,自动调节屏幕亮度,以降低偷窥者对屏幕内容的可视程度。
在现有技术中,对多目标进行识别跟踪的方法有光流法,用于估算图像序列中相邻帧之间的运动信息。它可以通过对连续帧之间的像素亮度变化进行分析,来推断出像素的运动方向和速度,并生成一个代表光流场的图像,在连续的两帧图像中由于图像中的物体移动或者摄像头的移动导致的图像中目标像素的移动。该算法是基于像素点的变化来进行目标的跟踪的,但是因为在通过手机摄像头来采集屏幕前方的人员信息时,会因为环境的变化和摄像头的长时采集造成采集的图像存在噪声,从而影响对目标的识别跟踪。
对图像去噪的算法较多,其中,维纳滤波算法具有较好的去噪效果,能根据图像的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强。但是维纳滤波算法在进行去噪时,要根据噪声对图像影响程度,即通过均方误差来估计功率谱的系数K。但是在通过均方误差来进行噪声估计时,会受到局部边缘变化的影响,使得在去噪后图像的边缘过于平滑,造成图像的细节损失,从而影响了目标的准确识别。
发明内容
基于此,有必要针对现有图像处理技术,使用维纳滤波算法进行去噪时,通过均方误差来进行噪声估计,会受到局部边缘变化的影响,使得在去噪后图像的边缘过于平滑,造成图像的细节损失,从而影响了目标的准确识别的问题,提供一种多目标图像动态捕捉方法及相关装置。
本申请第一方面提供一种多目标图像动态捕捉方法,包括:
图像处理装置获取初始图像,并对初始图像进行预处理,得到预处理图像;
对预处理图像进行比特分层,得到比特层图像,对不同比特层图像进行噪声估计,得到各比特层的噪声影响值;
基于各比特层图像的噪声影响值计算初始图像的整体噪声影响值;
确定连续初始图像中同一比特层图像的像素点差异值;
根据连续初始图像的像素点差异值,基于连续初始图像的整体噪声影响值计算维纳滤波系数;
根据维纳滤波系数使用维纳滤波算法对图像进行去噪处理;
对去噪后的图像进行多目标识别。
进一步地,所述对不同比特层图像进行噪声估计,得到各比特层的噪声影响值的步骤,具体包括:
基于最高层的比特层图像确定其他比特层图像的噪声初步估计值;
对每个比特层图像进行超像素分割,得到多个分割区域,基于分割区域,结合比特层图像的噪声初步估计值计算各比特层图像的噪声影响值。
进一步地,所述基于最高层的比特层图像确定其他比特层图像的噪声初步估计值的步骤,具体包括:
对最高层的比特层图像进行边缘检测,得到边缘信息;
将边缘信息与其他比特层图像进行差分,得到各比特层图像在边缘上分布的像素点;
基于各比特层图像中的非边缘像素点计算噪声初步估计值。
进一步地,基于各比特层图像中的非边缘像素点计算噪声初步估计值,具体为,
基于非边缘像素点中,像素点与其他像素点之间的平均距离来计算非边缘像素点的混乱程度,再根据混乱程度计算比特层图像的噪声初步估计值。
进一步地,所述基于分割区域,结合比特层图像的噪声初步估计值计算各比特层图像的噪声影响值的步骤,具体包括:
确定一比特层图像,以该比特层图像的分割区域的划分为区域模板,根据区域模板对该比特层图像的更高层比特层图像进行区域划分;
基于比特层图像的分割区域与更高层比特层图像中,该分割区域的相邻区域,确定该分割区域受到噪声的影响程度;
根据各分割区域受到噪声的影响程度计算比特层图像的噪声影响值。
进一步地,所述基于比特层图像的分割区域与更高层比特层图像中,该分割区域的相邻区域,确定该分割区域受到噪声的影响程度的步骤,具体包括:
确定各分割区域内像素点的数量和平均灰度值;
分别计算各更高层的比特层图像中,每个分割区域的所有相邻分割区域内像素点的平均灰度值;
基于比特层图像中的分割区域内像素点的平均灰度值与更高层比特层图像中相邻分割区域内像素点的平均灰度值计算分割区域内像素点的灰度值差异均值;其中,分割区域内像素点的灰度值差异均值用于表示分割区域受到噪声的影响程度;
进一步地,所述根据各分割区域受到噪声的影响程度计算比特层图像的噪声影响值的步骤,具体包括:
基于各分割区域内像素点的灰度值差异均值和比特层图像的噪声初步估计值,计算各比特层图像的噪声影响值。
进一步地,还包括步骤:
将预处理图像作为最高比特层图像的更高层比特层图像,计算最高比特层图像的噪声影响值。
进一步地,所述根据连续初始图像的像素点差异值,基于连续初始图像的整体噪声影响值计算维纳滤波系数,具体为:
当连续图像中同一比特层图像的像素点差异值大于预设值时,将连续初始图像的整体噪声影响值的平均数作为维纳滤波系数。
本申请第二方面提供一种图像处理装置,包括图像采集部件、比特层噪声估计部件、整体图像噪声估计部件、连续图像分析部件、维纳滤波系数计算部件、去噪部件和多目标识别部件,其中,
图像采集部件,用于获取初始图像,并对初始图像进行预处理,得到预处理图像;
比特层噪声估计部件,用于对预处理图像进行比特分层,得到比特层图像,对不同比特层图像进行噪声估计,得到各比特层的噪声影响值;
整体图像噪声估计部件,用于基于各比特层图像的噪声影响值计算初始图像的整体噪声影响值;
连续图像分析部件,用于确定连续初始图像中同一比特层图像的像素点差异值;
维纳滤波系数计算部件,用于根据连续初始图像的像素点差异值,基于连续初始图像的整体噪声影响值计算维纳滤波系数;
去噪部件,用于根据维纳滤波系数使用维纳滤波算法对图像进行去噪处理;
多目标识别部件,用于对去噪后的图像进行多目标识别。
根据本申请的多目标图像动态捕捉方法和装置,通过对获取的初始图像进行预处理后,进行比特分层,然后分别计算各比特层的噪声影响值和整个图像的整体噪声影响值,通过比较连续图像中同一比特层图像的像素点差异值,来确定连续图像之间受到噪声影响的差异性,基于差异性分析,根据连续初始图像的整体噪声影响值计算维纳滤波系数K,实现了K值的自适应,能够识别出多种噪声类型,进而在根据噪声的影响程度来获得滤波参数时,能够去噪更加彻底,并且保留图像中的细节信息,避免在滤波去噪的时候损失掉了识别的目标的轮廓信息,进而能够更好的对多目标的进行动态捕捉,识别出窥探者。
本申请第三方面提供一种计算机设备,包括:处理器;存储器,用于存储所述处理器的可执行指令;所述处理器被配置为经由执行所述可执行指令来执行上述任一所述的方法的步骤。
本申请第四方面提供一种机器可读存储介质,其上存储有计算机程序,所述计算机程序在由处理器执行时实现上述任一所述方法的步骤。
附图说明
图1为本申请一实施例的多目标图像动态捕捉方法的流程示意图;
图2为本申请一实施例的多目标图像动态捕捉方法的计算各比特层图像的噪声影响值的流程图;
图3为本申请一实施例的多目标图像动态捕捉方法的估计比特层图像的噪声初步估计值的流程图;
图4为本申请一实施例的多目标图像动态捕捉方法的各比特层图像的噪声影响值的计算流程图;
图5为本申请一实施例的图像处理装置的框架结构图;
图6为本申请一实施例的图像处理装置的比特层噪声估计部件的框架结构图;
图7为本申请一实施例的图像处理装置的第一计算模块的框架结构图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的较佳实施方式。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施方式。相反地,提供这些实施方式的目的是使对本申请的公开内容理解的更加透彻全面。
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申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1,示例性的示出了本申请一实施例的多目标图像动态捕捉方法的流程示意图,根据本申请实施例的多目标图像动态捕捉方法由图像处理装置执行,用于对获取的图像进行处理,以从中识别出多个目标。在将根据本申请实施例的多目标图像动态捕捉方法与防窥屏结合时,可有效防止终端设备在公共环境下使用时被人偷窥,保护安全。其中,该图像处理装置可以是终端设备上的元器件装置,也可以是终端设备上运行的芯片,因此,在下文中,当提到图像处理装置进行的操作时,也可以理解终端设备上的元器件装置进行的操作,也可以理解为终端设备上运行的芯片进行的操作。
如图1所示的多目标图像动态捕捉方法可以包括步骤101~107,以下对这些步骤进行详细的介绍。
101:图像处理装置获取初始图像,并对初始图像进行预处理,得到预处理图像。
根据本申请的实施例,多目标识别的图像处理方法应用于防偷窥环境,以实现安全保护。基于此,需要实施采集用户附近的环境图像,定义图像传感器实时采集输出的图像为初始图像,基于实时采集的初始图像,进行处理分析,以识别出多个目标。
获取的初始图像通常是终端设备前方一定区域内的图像,因此,终端设备通常配置有前置摄像头,并通过前置摄像头获取终端设备前方的图像。在其中一些实施例中,图像处理装置可以调用前置摄像头按照一定的时间间隔获取初始图像。例如,每隔0.5s采集一次图像。
在获取到图像后,可以对初始图像进行预处理,预处理例如裁切、灰度处理等。根据本申请的实施例,预处理至少包括灰度图像转换处理,将初始图像进行灰度图像转换,得到的预处理图像为灰度图像。
根据本申请实施例的多目标图像动态捕捉方法,是根据连续图像上像素点的移动分析来达到去噪的目的,因此,可以为获取的图像分配一个缓存,以存储至少两张连续图像。可以将初始图像进行预处理后,将得到的预处理图像存储在缓存中。例如,在本申请的实施例中,缓存内存储10张预处理图像。
102:对预处理图像进行比特分层,得到比特层图像,对不同比特层图像进行噪声估计,得到各比特层的噪声影响值;
将预处理图像缓存在缓存中后,图像处理装置依次从缓存中获取预处理图像,并首先对获取的一张预处理图像进行分析,然后再基于连续两张预处理图像进行分析。
在对单张预处理图像进行分析时,首先对预处理图像进行比特分层,得到多个比特层图像。因为比特分层后获得的各比特层图像表示是不同灰度值像素点的分布,并且每一比特层图像中包含的灰度级不同,不同的比特层图像包含的灰度级呈指数倍的增长。按照包含的灰度级数量,将包含的灰度级较少的比特层图像称为低层图像,包含灰度级多的比特层图像称为高层图像,从低层图像到高层图像按照包含的灰度级的数量依次排布。越高层级的比特图像,包含的图像细节越多,以人的视角即体现为图像越清楚。比特分层算法为现有公知技术,在此不再赘述。
根据本申请的实施例,对预处理图像进行比特分层后,得到8个不同层级的比特层图像,并将8个比特层图像按包含的灰度级数量进行排列,得到从低到高的第一比特层图像、第二比特层图像、第三比特层图像、第四比特层图像、第五比特层图像、第六比特层图像、第七比特层图像和第八比特层图像。其中,第一比特层图像包含的灰度级数量数量最少,图像细节也最少;第八比特层图像包含的灰度级数量最多,图像细节最丰富。
影响图像处理的噪声类型主要是高斯噪声和椒盐噪声,其中,以高斯噪声为主,椒盐噪声仅有部分。在不同的比特层图像中,图像的灰度级范围是不相同的,因而,在不同的比特层图像中噪声的分布也是不相同的。高斯噪声为白噪声,主要分布在高层图像中,而椒盐噪声是随机的黑色和白色像素点混杂在图像中,在低层图像与高层图像中均有分布。基于此,通过对不同的比特层图像进行分析,可以获得不同比特层图像的噪声影响值。
具体来说,由于不同比特层图像包含的图像细节不同,基于不同比特层图像包含的图像细节不同,根据不同比特层图像之间的细节变化来确定不同区域的噪声影响,进而保留更多的细节。
请参阅图2,图2示出了计算各比特层图像的噪声影响值的流程图。根据本申请实施例的多目标图像动态捕捉方法,对不同比特层图像进行噪声估计,得到各比特层的噪声影响值,具体包括:
122:基于最高层的比特层图像确定其他比特层图像的噪声初步估计值;
因为越高层的比特层图像,细节越丰富,因而对于图像中的对象来说,对象的边缘细节也越清晰。基于此,可以用最清晰的比特层图像来估计其他比特层图像的噪声估计值。根据本申请的实施例,即利用第八比特层图像来对第一比特层图像到第七比特层图像进行噪声估计,得到第一比特层图像到第七比特层图像的噪声初步估计值。
具体来说,对第八比特层图像进行边缘检测,得到图像中的边缘信息,然后再以检测到的边缘确定其他比特层图像中在边缘上分布的像素点,然后在其他比特层图像中,剔除掉边缘像素点,基于各比特层图像中的非边缘像素点来计算噪声初步估计值。具体的噪声初步估计值的计算将在图3中具体描述。
124:对每个比特层图像进行超像素分割,得到多个分割区域,基于分割区域,结合比特层图像的噪声初步估计值计算各比特层图像的噪声影响值。
计算得到各比特层图像的噪声初步估计值之后,再对每一张比特层图像进行分析。为了表示不同区域的分布,对每一张比特层图形进行超像素分割,得到多个分割区域。因为超像素分割是基于聚类对图像进行分割的,因此,每一比特层图像中分割得到的各个分割区域,实际上就是原始图像的各区域或者是噪声像素点。
因为低层图像中包含的灰度级少,在去除边缘所包含的像素点后,其独立分布的像素点有较大可能就是噪声像素点。而高层图像包含的灰度级越多,包含的图像原本的像素点越多,图像原本的像素点就会和噪声像素点进行叠加。
基于这种关系,可以将低层图像的分割区域与高层图像的相同区域进行比较,估计各分割区域受到噪声的影响程度,进而估计各比特层图像的噪声影响值。基于分割区域和噪声初步估计值计算各比特层图像的噪声影响值将在图4中具体描述。
图3示出了估计比特层图像的噪声初步估计值的流程图。根据本申请的实施例,基于最高层的比特层图像确定其他比特层图像的噪声初步估计值,具体包括:
1221:对最高层的比特层图像进行边缘检测,得到边缘信息;
边缘检测为现有技术,例如,在本申请的实施例中,可使用canny边缘检测来获取第八比特层图像中的边缘信息。
1222:将边缘信息与其他比特层图像进行差分,得到各比特层图像在边缘上分布的像素点;
由于所有比特层图像本质上是同一图像的不同灰度级的表示,因此,所有比特层图像的边缘像素点在比特层图像中的位置相同,或者非常接近。也就是说,第八比特层图像中的边缘上的像素点,在其他比特层图像上相同位置或相同位置的附近,也存在该比特层图像上的边缘像素点。基于此,将第八比特层图像的边缘与其他比特层图像进行差分,就能够得到各比特层图像在边缘上分布的像素点。
1223:基于各比特层图像中的非边缘像素点计算噪声初步估计值。
在确定各比特层图像上的边缘像素点之后,同样可以确定各比特层图像中非边缘像素点。非边缘像素点即不在边缘上的像素点。
根据本申请的实施例,基于非边缘像素点中,像素点与其他像素点之间的平均距离来计算非边缘像素点的混乱程度,在根据混乱程度计算比特层图像的噪声初步估计值。
在具体的实施例中,噪声初步估计值计算公式如下:
式中,表示第/>张比特层图像的噪声初步估计值,/>表示在第/>张比特层图像中非边缘像素点的数量,/>表示预处理图像中总的像素点数量,/>表示在第/>张比特层图像中第/>个像素点的坐标,/>表示第/>个像素点的坐标。/>表示任意两个像素点/>之间的距离。计算出所有的像素点两两之间的距离。由于计算的是两两像素点之间的距离,会出现重复计算,因此需要除以/>,以表示第/>个像素点与其他像素点之间的平均距离。通过像素点与其他像素点之间的平均距离来表示非边缘像素点的混乱程度。
图4示出了各比特层图像的噪声影响值的计算流程图。根据本申请的实施例,基于分割区域,结合比特层图像的噪声初步估计值计算各比特层图像的噪声影响值,具体包括:
1241:确定一比特层图像,以该比特层图像的分割区域的划分为区域模板,根据区域模板对该比特层图像的更高层比特层图像进行区域划分。
进行超像素分割后,就可以以分割区域为单位对比特层图像进行分析。根据本申请的实施例,通过将低层图像的分割区域与高层图像的同一分割区域相邻区域进行比较,来估计各分割区域受到噪声的影响程度。因此,需要将低层比特层图像的分割区域划分作为区域模板,对比该低层比特层图像更高层的比特层图像进行区域划分,以实现相同的区域划分。
以第一比特层图像为例,将第一比特层图像进行超像素分割后,得到N个分割区域,N个分割区域构成对更高层比特层图像进行区域划分的区域模板,根据区域模板分别对第二比特层图像至第八比特层图像进行区域划分,这样,8个比特层图像都按照第一比特层图像的分割区域划分。
由于比特层图像只与更高层的比特层图像比较,因此在估计第二比特层图像受到噪声的影响程度时,只需要将根据第二比特层图像的分割区域对第三比特层至第八比特层图像进行区域划分,而不用对第一比特层图像进行划分。
1242:基于比特层图像的分割区域与更高层比特层图像中,该分割区域的相邻区域,确定该分割区域受到噪声的影响程度。
得到分割图像后,就可以以分割区域为基础,将一个分割区域与更高层比特层图像中的相邻区域进行比较计算,确定分割区域受到噪声的影响程度。
具体来说,如果更高层的比特层图像中,存在与分割区域相似的相邻分割区域,则说明该分割区域受到噪声的影响程度较小;反之,如果没有与分割区域相似的相邻分割区域,则说明该分割区域受到噪声的影响程度较大。
根据本申请实施例,使用分割区域内像素点灰度值差异的均值来表示分割区域受到噪声的影响程度。差异的均值越大,说明当前分割区域在其他比特层图像中与其邻域像素点的差异越大,因此其受到噪声的干扰程度越大。
此外,每个分割区域的像素点数量也会影响分割区域的噪声影响值。通常,分割区域内的像素点越少,受到噪声的影响程度就越大。
1243:根据各分割区域受到噪声的影响程度计算比特层图像的噪声影响值。
确定各分割区域受到噪声的影响程度后,就可以结合比特层图像的噪声初步估计值,对同一比特层图像的各分割区域进行归一化处理,来估计比特层图像的噪声影响值。
在本申请的实施例中,在计算一个比特层图像的噪声影响值时,首先确定各分割区域内像素点的数量和平均灰度值。需要说明的是,由于在比特分层算法中每一层的图像只存在两种像素点,因此,计算平均灰度值时是根据当前比特层图像所包含的像素点在预处理图像中的灰度值来进行计算的,这样才能表示图像中像素点的变化。
然后,分别计算各更高层的比特层图像中,每个分割区域的所有相邻分割区域内像素点的平均灰度值。
再基于比特层图像中的分割区域内像素点的平均灰度值与更高层比特层图像中相邻分割区域内像素点的平均灰度值计算分割区域内像素点的灰度值差异均值。本申请实施例中,使用这个灰度值差异均值来评估分割区域受到噪声的影响程度,灰度值差异越大,表明该分割区域受到噪声的影响程度越大。
根据本申请的实施例,基于各分割区域内像素点的灰度值差异均值和比特层图像的噪声初步估计值,计算各比特层图像的噪声影响值。
在具体的实施例中,各比特层图像的噪声影响值的计算公式如下:
式中,表示第/>张比特层图像中噪声的影响程度,/>表示第/>张比特层图像中第/>个分割区域中像素点的数量,r表示第/>张比特层图像中分割区域的数量,t表示比第/>张比特层图像更高层的比特层图像的数量,/>表示第/>张比特层图像中第/>个分割区域的平均灰度值,/>表示第/>张比特层图像中第/>个分割区域的所有相邻分割区域像素点的平均灰度值,/>表示归一化函数。
式中,计算的是分割区域内像素点的灰度值差异均值,乘以/>是因为在上述计算过程中是根据单层比特层图像中像素点的分布获得的噪声影响值。
在上述计算过程中,是根据比特分层进行向上计算的,最高层的比特层图像由于没有更高层的比特层图像而没有进行计算,因此,需要单独计算最高层比特层图像的噪声影响值。
根据本申请的实施例,将预处理图像作为第八比特层图像的更高层比特层图像。但是需要注意的是,需要用预处理图像减去第八比特层图像,减去的像素点是第一比特层图像到第七比特层图像的像素点。然后再来评估第八层图像的噪声影响值。在具体的实施例中,最高层比特层图像(即本实施例的第八比特层)的噪声影响值得计算公式如下:
式中,表示第/>比特层图像的噪声影响值,/>表示第/>比特层图像的噪声初步估计值,/>表示第/>灰度值中包含的像素点的个数,/>表示第/>个灰度值,/>表示第八比特层图像中包括的灰度级数量,/>表示第/>比特层图像中包含的像素点的个数,/>表示第/>比特层图像的平均灰度值。
表示在第/>个灰度值下包含的像素点的数量。进行比特分层时,每一层包含的是一个区间的像素点的数量,因为在每一层中图像的对比度会减小,当存在噪声像素点时,其会改变每一层中原有的像素分布,因此在在这里计算每一灰度值下包含的像素点的数量,用来表示噪声的影响。而除以/>相当于是和第八比特层图像的整体灰度进行比较,若图像中像素点比较混乱,则比值会较大,说明噪声的影响程度较大。
103:基于各比特层图像的噪声影响值计算初始图像的整体噪声影响值。
在计算出所有比特层图像的噪声影响值后,就可以根据所有比特层图像的噪声影响值计算初始图像的整体噪声影响值,可表示为:。
基于此,可以计算出每张初始图像的整体噪声影响度。由于多目标识别时,是基于连续图像来识别出窥探者的,因此,还需要对不同的、连续两张图像进行分析。
104:确定连续初始图像中同一比特层图像的像素点差异值。
通过对手机摄像头对窥探者进行识别时,使用者是目标物体,其他的窥探者相当于是多余的物体。一般情况下,在短时间内,目标物体与摄像头保持相对静止,而窥探者不保持相对静止。因此,为了描述采集的图像中目标物体的变化,对获得的连续两张初始图像进行差分,得到含差分像素点的差分图像。差分图像中,既包含了目标物体的像素点,也包含了噪声像素点,因此,在进行噪声评价时,还是采用比特分层算法来比较连续两张初始图像中因为区域的改变引起的噪声的变化,进而才能够更加准确的评价每一张初始图像受到噪声的影响程度。
在比较连续两张初始图像的比特层图像时,因为相同分层的比特层图像包含的像素点的灰度级是相同,那么,相同分层的比特层图像的像素点数量也应该相似。若出现改变,就是因为噪声像素点的位置不相同引起的。而目标物体的灰度值不会出现变化,因此,可以根据连续两张初始图像中,相同分层的比特层图像的噪声差异值,来评价噪声的影响程度。
因为在进行连续图像的比较时,连续图像之间的像素点的差异越小,说明其对噪声的描述越准确,因此,通过同一比特层图像的像素点的差异来判断连续图像的噪声影响值。
在具体的实施例中,同一比特层图像的像素点差异值计算公式如下:
式中,表示连续图像中同一比特层图像的像素点差异值;/>表示第/>张图像的第/>比特层图像包含的像素点的个数,/>表示第/>张图像的第/>比特层图像包含的像素点的个数,/>表示第/>张图像的第/>比特层图像的噪声影响值,/>表示第/>张图像的第/>张比特层图像的噪声影响值。
105:根据连续初始图像的像素点差异值,基于连续初始图像的整体噪声影响值计算维纳滤波系数。
在计算得到连续两张初始图像的噪声差异值后,就可以基于连续两张初始图像的噪声差异值知道噪声对这连续两张图像的影响的差异性。
若连续图像中同一比特层图像的像素点差异值W>H,其中,H为预设常数值,此时,说明当前初始图像的受到噪声的影响较大,则在评估当前图像的噪声影响值时,对两张图像进行加权,计算维纳滤波系数。根据本申请的实施例,H的经验值为10。
在具体的实施例中,将连续两张初始图像的整体噪声影响值的平均数作为当前图像的维纳滤波系数。根据本申请的实施例,维纳滤波系数的计算公式如下:
式中,表示第/>张图像的维纳滤波系数,/>表示修正后第/>张图像的整体噪声影响值。/>表示第/>张图像的整体噪声影响值,/>表示第/>张图像的整体噪声影响值。
通过这种方法计算得到的维纳滤波系数,能够通过对实时捕捉的初始图像进行分析,来自适应的确定维纳滤波系数。
106:根据维纳滤波系数使用维纳滤波算法对图像进行去噪处理。
确定维纳滤波系数后,就可以使用维纳滤波算法对图像进行去噪处理。
对图像去噪的算法较多,其中,维纳滤波算法具有较好的去噪效果,能根据图像的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强。但是维纳滤波算法在进行去噪时,要根据噪声对图像影响程度,通过均方误差来估计功率谱的系数K。但是在通过均方误差来进行噪声估计时,会受到局部边缘变化的影响,使得在去噪后图像的边缘过于平滑,造成图像的细节损失。
根据本申请的实施例不采用均方误差来进行噪声估计,而是基于图像局部特征的变化来得到系数K,从而实现了K值的自适应。能够识别出多种噪声类型,进而在根据噪声的影响程度来获得滤波参数时,能够去噪更加彻底,并且保留图像中的细节信息,避免在滤波去噪的时候损失掉了识别的目标的轮廓信息,进而能够更好的对多目标的进行动态捕捉,识别出窥探者。
107:对去噪后的图像进行多目标识别。
在每一张初始图像进行去噪后,得到去噪图像,根据去噪后的图像进行多目标的识别。
因为在对窥探者进行检测时,主目标是当前使用该设备的人,其他目标均为可疑的窥探者,因此首先进行主目标的识别,在这里,使用基于光流法的移动目标识别算法。该方法通过计算相邻帧之间的光流信息,对视频中的目标进行跟踪,这种方法对于在视频中发生较小运动的目标具有很好的追踪效果。然后根据注意力机制设置当前使用该设备的目标,对其进行打标签标记,设置为主目标,通过眼动监测算法来获得窥探屏幕的其他注视者,当检测到其他注视着时,自动调节屏幕的亮度,降低屏幕内容被他人偷窥的风险。上述算法均为现有公知技术,在此不再进行赘述。
根据本申请实施例的多目标图像动态捕捉方法,通过对获取的初始图像进行预处理后,进行比特分层,然后分别计算各比特层的噪声影响值和整个图像的整体噪声影响值,通过比较连续图像中同一比特层图像的像素点差异值,来确定连续图像之间受到噪声影响的差异性,基于差异性分析,根据连续初始图像的整体噪声影响值计算维纳滤波系数K,实现了K值的自适应,能够识别出多种噪声类型,进而在根据噪声的影响程度来获得滤波参数时,能够去噪更加彻底,并且保留图像中的细节信息,避免在滤波去噪的时候损失掉了识别的目标的轮廓信息,进而能够更好的对多目标的进行动态捕捉,识别出窥探者。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
请参阅图5,本申请还提供一种图像处理装置50,图像处理装置50包括图像采集部件510、比特层噪声估计部件520、整体图像噪声估计部件530、连续图像分析部件540、维纳滤波系数计算部件550、去噪部件560和多目标识别部件570,其中,
图像采集部件510,用于获取初始图像,并对初始图像进行预处理,得到预处理图像;
比特层噪声估计部件520,用于对预处理图像进行比特分层,得到比特层图像,对不同比特层图像进行噪声估计,得到各比特层的噪声影响值;
整体图像噪声估计部件530,用于基于各比特层图像的噪声影响值计算初始图像的整体噪声影响值;
连续图像分析部件540,用于确定连续初始图像中同一比特层图像的像素点差异值;
维纳滤波系数计算部件550,用于根据连续初始图像的像素点差异值,基于连续初始图像的整体噪声影响值计算维纳滤波系数;
去噪部件560,用于根据维纳滤波系数使用维纳滤波算法对图像进行去噪处理;
多目标识别部件570,用于对去噪后的图像进行多目标识别。
请参阅图6,在一些实施例中,比特层噪声估计部件520包括初步估计值计算组件522和噪声影响值计算组件524,其中,
初步估计值计算组件522,用于基于最高层的比特层图像确定其他比特层图像的噪声初步估计值;
噪声影响值计算组件524,用于对每个比特层图像进行超像素分割,得到多个分割区域,基于分割区域,结合比特层图像的噪声初步估计值计算各比特层图像的噪声影响值。
在具体的实施例中,初步估计值计算组件522包括边缘提取模块5221、差分模块5222和估计模块5223,其中,
边缘提取模块5221,用于对最高层的比特层图像进行边缘检测,得到边缘信息;
差分模块5222,用于将边缘信息与其他比特层图像进行差分,得到各比特层图像在边缘上分布的像素点;
估计模块5223,用于基于各比特层图像中的非边缘像素点计算噪声初步估计值。
其中估计模块5223具体用于基于非边缘像素点中,像素点与其他像素点之间的平均距离来计算非边缘像素点的混乱程度,再根据混乱程度计算比特层图像的噪声初步估计值。
在一些实施例中,噪声影响值计算组件524可以包括区域划分模块5241、第一计算模块5242和第二计算模块5243,其中,
区域划分模块5241,用于确定一比特层图像,以该比特层图像的分割区域的划分为区域模板,根据区域模板对该比特层图像的更高层比特层图像进行区域划分;
第一计算模块5242,用于基于比特层图像的分割区域与更高层比特层图像中,该分割区域的相邻区域,确定该分割区域受到噪声的影响程度;
第二计算模块5243,用于根据各分割区域受到噪声的影响程度计算比特层图像的噪声影响值。
请参阅图7,在具体的实施例中,第一计算模块5242可以包括像素点计算单元710、比特层计算单元720和差异值计算单元730,其中,
像素点计算单元710,用于确定各分割区域内像素点的数量和平均灰度值;
比特层计算单元720,用于分别计算各更高层的比特层图像中,每个分割区域的所有相邻分割区域内像素点的平均灰度值;
差异值计算单元730,用于基于比特层图像中的分割区域内像素点的平均灰度值与更高层比特层图像中相邻分割区域内像素点的平均灰度值计算分割区域内像素点的灰度值差异均值;其中分割区域内像素点的灰度值差异均值用于表示分割区域受到噪声的影响程度。
所述第二计算模块5243具体用于基于各分割区域内像素点的灰度值差异均值和比特层图像的噪声初步估计值,计算各比特层图像的噪声影响值。
请参阅图6,在一个或多个实施例中,噪声影响值计算组件524还包括第三计算模块5244,第三计算模块5244用于将预处理图像作为最高比特层图像的更高层比特层图像,计算最高比特层图像的噪声影响值。
在一个或多个实施例中,维纳滤波系数计算部件550具体用于:当连续图像中同一比特层图像的像素点差异值大于预设值时,将连续初始图像的整体噪声影响值的平均数作为维纳滤波系数。
本申请一实施例还提供一种机器可读存储介质,其上存储有计算机程序,其中所述计算机程序在由处理器执行时实现上述任一实施例所述的方法。
所述系统/计算机装置集成的部件/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,本申请实现上述实施方式方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述各个方法实施方式的步骤。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。所述计算机可读存储介质可以包括: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(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据管辖区内立法和专利实践的要求进行适当的增减,例如在某些管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本申请还提供一种计算机设备,包括:处理器;存储器,用于存储所述处理器的可执行指令;其中所述处理器被配置为经由执行所述可执行指令来执行上述任一实施例所述的方法。
在本申请所提供的几个具体实施方式中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施方式仅仅是示意性的,例如,所述部件的划分,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。
另外,在本申请各个实施例中的各功能模块/部件可以集成在相同处理模块/部件中,也可以是各个模块/部件单独物理存在,也可以两个或两个以上模块/部件集成在相同模块/部件中。上述集成的模块/部件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/部件的形式实现。
对于本领域技术人员而言,显然本申请实施例不限于上述示范性实施例的细节,而且在不背离本申请实施例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申请实施例。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,本申请实施例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申请实施例内。不应将权利要求中的任何附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。系统、装置或终端权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块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。
以上所述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发明专利范围的限制。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,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种多目标图像动态捕捉方法,其特征在于,包括:
图像处理装置获取初始图像,并对初始图像进行预处理,得到预处理图像;
对预处理图像进行比特分层,得到比特层图像,对不同比特层图像进行噪声估计,得到各比特层图像的噪声影响值;
基于各比特层图像的噪声影响值计算初始图像的整体噪声影响值;
确定连续初始图像中同一比特层图像的像素点差异值;
根据连续初始图像的像素点差异值,基于连续初始图像的整体噪声影响值计算维纳滤波系数;
根据维纳滤波系数使用维纳滤波算法对图像进行去噪处理;
对去噪后的图像进行多目标识别;
所述根据连续初始图像的像素点差异值,基于连续初始图像的整体噪声影响值计算维纳滤波系数,具体为:
当连续图像中同一比特层图像的像素点差异值大于预设值时,将连续初始图像的整体噪声影响值的平均数作为维纳滤波系数。
2.根据权利要求1所述的方法,其特征在于,所述对不同比特层图像进行噪声估计,得到各比特层图像的噪声影响值的步骤,具体包括:
基于最高层的比特层图像确定其他比特层图像的噪声初步估计值;
对每个比特层图像进行超像素分割,得到多个分割区域,基于分割区域,结合比特层图像的噪声初步估计值计算各比特层图像的噪声影响值。
3.根据权利要求2所述的方法,其特征在于,所述基于最高层的比特层图像确定其他比特层图像的噪声初步估计值的步骤,具体包括:
对最高层的比特层图像进行边缘检测,得到边缘信息;
将边缘信息与其他比特层图像进行差分,得到各比特层图像在边缘上分布的像素点;
基于各比特层图像中的非边缘像素点计算噪声初步估计值。
4.根据权利要求3所述的方法,其特征在于,基于各比特层图像中的非边缘像素点计算噪声初步估计值,具体为,
基于非边缘像素点中,像素点与其他像素点之间的平均距离来计算非边缘像素点的混乱程度,再根据混乱程度计算比特层图像的噪声初步估计值。
5.根据权利要求2所述的方法,其特征在于,所述基于分割区域,结合比特层图像的噪声初步估计值计算各比特层图像的噪声影响值的步骤,具体包括:
确定一比特层图像,以该比特层图像的分割区域的划分为区域模板,根据区域模板对该比特层图像的更高层比特层图像进行区域划分;
基于比特层图像的分割区域与更高层比特层图像中,该分割区域的相邻区域,确定该分割区域受到噪声的影响程度;
根据各分割区域受到噪声的影响程度计算比特层图像的噪声影响值。
6.根据权利要求5所述的方法,其特征在于,所述基于比特层图像的分割区域与更高层比特层图像中,该分割区域的相邻区域,确定该分割区域受到噪声的影响程度的步骤,具体包括:
确定各分割区域内像素点的数量和平均灰度值;
分别计算各更高层的比特层图像中,每个分割区域的所有相邻分割区域内像素点的平均灰度值;
基于比特层图像中的分割区域内像素点的平均灰度值与更高层比特层图像中相邻分割区域内像素点的平均灰度值计算分割区域内像素点的灰度值差异均值;其中,分割区域内像素点的灰度值差异均值用于表示分割区域受到噪声的影响程度;
所述根据各分割区域受到噪声的影响程度计算比特层图像的噪声影响值的步骤,具体包括:
基于各分割区域内像素点的灰度值差异均值和比特层图像的噪声初步估计值,计算各比特层图像的噪声影响值。
7.根据权利要求5或6所述的方法,其特征在于,还包括步骤:
将预处理图像作为最高比特层图像的更高层比特层图像,计算最高比特层图像的噪声影响值。
8.一种图像处理装置,其特征在于,包括图像采集部件、比特层噪声估计部件、整体图像噪声估计部件、连续图像分析部件、维纳滤波系数计算部件、去噪部件和多目标识别部件,其中,
图像采集部件,用于获取初始图像,并对初始图像进行预处理,得到预处理图像;
比特层噪声估计部件,用于对预处理图像进行比特分层,得到比特层图像,对不同比特层图像进行噪声估计,得到各比特层图像的噪声影响值;
整体图像噪声估计部件,用于基于各比特层图像的噪声影响值计算初始图像的整体噪声影响值;
连续图像分析部件,用于确定连续初始图像中同一比特层图像的像素点差异值;
维纳滤波系数计算部件,用于根据连续初始图像的像素点差异值,基于连续初始图像的整体噪声影响值计算维纳滤波系数;
去噪部件,用于根据维纳滤波系数使用维纳滤波算法对图像进行去噪处理;
多目标识别部件,用于对去噪后的图像进行多目标识别;
所述根据连续初始图像的像素点差异值,基于连续初始图像的整体噪声影响值计算维纳滤波系数,具体为:
当连续图像中同一比特层图像的像素点差异值大于预设值时,将连续初始图像的整体噪声影响值的平均数作为维纳滤波系数。
9.一种机器可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序在由处理器执行时实现权利要求1~7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310635690.7A CN116385316B (zh) | 2023-06-01 | 2023-06-01 | 多目标图像动态捕捉方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310635690.7A CN116385316B (zh) | 2023-06-01 | 2023-06-01 | 多目标图像动态捕捉方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385316A CN116385316A (zh) | 2023-07-04 |
CN116385316B true CN116385316B (zh) | 2023-08-08 |
Family
ID=86967882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310635690.7A Active CN116385316B (zh) | 2023-06-01 | 2023-06-01 | 多目标图像动态捕捉方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385316B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117665935B (zh) * | 2024-01-30 | 2024-04-19 | 山东鑫国矿业技术开发有限公司 | 一种破碎岩体支护施工过程的监测数据处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961261A (zh) * | 2018-03-14 | 2018-12-07 | 中南大学 | 一种基于空间连续性约束的视盘区域oct图像层次分割方法 |
CN110047055A (zh) * | 2019-03-18 | 2019-07-23 | 电子科技大学 | 一种红外图像细节增强及去噪方法 |
CN110309793A (zh) * | 2019-07-04 | 2019-10-08 | 电子科技大学 | 一种基于图像比特分层解译的sar目标识别方法 |
CN111080541A (zh) * | 2019-12-06 | 2020-04-28 | 广东启迪图卫科技股份有限公司 | 基于比特分层和注意力融合机制的彩色图像去噪方法 |
CN111242137A (zh) * | 2020-01-13 | 2020-06-05 | 江西理工大学 | 一种基于形态成分分析的椒盐噪声滤波方法、装置 |
CN114554227A (zh) * | 2022-01-17 | 2022-05-27 | 广东工业大学 | 基于多尺度变换域自适应维纳滤波的压缩视频来源检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050010396A1 (en) * | 2003-07-08 | 2005-01-13 | Industrial Technology Research Institute | Scale factor based bit shifting in fine granularity scalability audio coding |
KR102274320B1 (ko) * | 2014-10-16 | 2021-07-07 | 삼성전자주식회사 | 영상 처리 방법 및 장치 |
WO2016140954A1 (en) * | 2015-03-02 | 2016-09-09 | Dolby Laboratories Licensing Corporation | Content-adaptive perceptual quantizer for high dynamic range images |
US10778482B2 (en) * | 2019-02-12 | 2020-09-15 | Texas Instruments Incorporated | Bit slicer circuit for S-FSK receiver, integrated circuit, and method associated therewith |
-
2023
- 2023-06-01 CN CN202310635690.7A patent/CN116385316B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961261A (zh) * | 2018-03-14 | 2018-12-07 | 中南大学 | 一种基于空间连续性约束的视盘区域oct图像层次分割方法 |
CN110047055A (zh) * | 2019-03-18 | 2019-07-23 | 电子科技大学 | 一种红外图像细节增强及去噪方法 |
CN110309793A (zh) * | 2019-07-04 | 2019-10-08 | 电子科技大学 | 一种基于图像比特分层解译的sar目标识别方法 |
CN111080541A (zh) * | 2019-12-06 | 2020-04-28 | 广东启迪图卫科技股份有限公司 | 基于比特分层和注意力融合机制的彩色图像去噪方法 |
CN111242137A (zh) * | 2020-01-13 | 2020-06-05 | 江西理工大学 | 一种基于形态成分分析的椒盐噪声滤波方法、装置 |
CN114554227A (zh) * | 2022-01-17 | 2022-05-27 | 广东工业大学 | 基于多尺度变换域自适应维纳滤波的压缩视频来源检测方法 |
Non-Patent Citations (1)
Title |
---|
图像的亚像素分割技术研究及在飞机外轮廓分割中的应用;张西顺;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;第1-80页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116385316A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10963993B2 (en) | Image noise intensity estimation method, image noise intensity estimation device, and image recognition device | |
CN107256225B (zh) | 一种基于视频分析的热度图生成方法及装置 | |
US9258531B2 (en) | System and method for video-quality enhancement | |
Li et al. | Content-partitioned structural similarity index for image quality assessment | |
JP4708343B2 (ja) | 背景領域および前景領域をモデリングする方法 | |
US8761446B1 (en) | Object detection with false positive filtering | |
CN107784651B (zh) | 一种基于模糊检测加权的模糊图像质量评价方法 | |
Jia et al. | A two-step approach to see-through bad weather for surveillance video quality enhancement | |
CN110287791B (zh) | 一种用于人脸图片的筛选方法和系统 | |
CN111062293B (zh) | 一种基于深度学习的无人机森林火焰识别方法 | |
JPH09102043A (ja) | 画像内の要素の位置検出 | |
JP2011130203A (ja) | 映像情報処理方法及びその装置 | |
US6701026B1 (en) | Method and apparatus for cancelling lighting variations in object recognition | |
CN116385316B (zh) | 多目标图像动态捕捉方法及相关装置 | |
CN117132510B (zh) | 一种基于图像处理的监控图像增强方法及系统 | |
CN108710837A (zh) | 吸烟行为识别方法、装置、计算机设备和存储介质 | |
CN108510574B (zh) | 一种基于样例学习并增强视觉质量的3d图像裁剪方法 | |
Fang et al. | Image quality assessment on image haze removal | |
CN111488779B (zh) | 视频图像超分辨率重建方法、装置、服务器及存储介质 | |
CN114973057A (zh) | 基于人工智能的视频图像检测方法及相关设备 | |
CN112991159B (zh) | 人脸光照质量评估方法、系统、服务器与计算机可读介质 | |
Mondal et al. | Single image haze removal using contrast limited adaptive histogram equalization based multiscale fusion technique | |
Singh et al. | Gaussian and Laplacian of Gaussian weighting functions for robust feature based tracking | |
CN115984973B (zh) | 一种用于防偷窥屏幕的人体异常行为监测方法 | |
CN112597911A (zh) | 一种磨皮处理方法、装置、移动终端和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |