CN117196999B - 一种自适应视频流图像边缘增强方法和系统 - Google Patents
一种自适应视频流图像边缘增强方法和系统 Download PDFInfo
- Publication number
- CN117196999B CN117196999B CN202311461182.8A CN202311461182A CN117196999B CN 117196999 B CN117196999 B CN 117196999B CN 202311461182 A CN202311461182 A CN 202311461182A CN 117196999 B CN117196999 B CN 117196999B
- Authority
- CN
- China
- Prior art keywords
- data
- processing
- image
- video stream
- matrix
- 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 37
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 230000001629 suppression Effects 0.000 claims abstract description 26
- 238000009499 grossing Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims description 33
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 238000003491 array Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域中的一种自适应视频流图像边缘增强方法和系统，该方法包括以下步骤：进行图像帧识别，得到颜色编码数据，并对颜色编码数据的每一帧的每一层进行边界识别处理，得到标记图像数据；基于标记图像数据进行极大值抑制处理，得到第一矩阵数据；结合第一矩阵数据对颜色编码数据进行噪声纹理处理，得到第二矩阵数据；平滑处理第二矩阵数据，得到平滑数据，并基于每一帧的各层平滑数据，输出得到输出数据；将输出数据进行视频编码输出，得到更新视频流，解决了现有图像处理容易造成异常断点，进而使得图像不自然的问题。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种自适应视频流图像边缘增强方法和系统。
背景技术
现有视频流增强算法，没有抓住图像的自身信息去处理图像，如常见的一系列一二阶滤波算子处理出来的锐化算法加强物体边界，处理出来多存在不自然的现象，边界存在大量锯齿、断边、过度不均匀，且需要大量调节各种阈值的问题，使得产品不够自然，缺少真正有效的方法去自适应处理图像。
现有算法采用过多手动设定阈值，导致错误判断图像边界信息，不仅会生出错误边界，造成异常断点，也会让边界信息判断过多，导致图像中全为大粗边，整体观感就会大打折扣，呈现在图像中就表现为图像不自然。
发明内容
本发明针对现有技术中的缺点，提供了一种自适应视频流图像边缘增强方法和系统，解决了现有图像处理容易造成异常断点，进而使得图像不自然的问题。
为了解决上述技术问题，本发明通过下述技术方案得以解决：
一种自适应视频流图像边缘增强方法，包括以下步骤：
进行图像帧识别，得到颜色编码数据，并对所述颜色编码数据的每一帧的每一层进行边界识别处理，得到标记图像数据；
基于所述标记图像数据进行极大值抑制处理，得到第一矩阵数据；
结合所述第一矩阵数据对所述颜色编码数据进行噪声纹理处理，得到第二矩阵数据；
平滑处理所述第二矩阵数据，得到平滑数据，并基于每一帧的各层平滑数据，输出得到输出数据；
将所述输出数据进行视频编码输出，得到更新视频流。
可选的，对所述颜色编码数据的每一帧的每一层进行边界识别处理，得到标记图像数据，包括以下步骤：
将所述颜色编码数据的每一帧的每一层采用两组以上的滤波器进行卷积滤波处理，得到对应组数的卷积数据；
定位比较各组卷积数据中的各个点，并对每个比较结果进行标记，标记后得到标记图像数据。
可选的，基于所述标记图像数据进行极大值抑制处理，得到第一矩阵数据，包括以下步骤：
将所述颜色编码数据的每一帧的每一层进行二次卷积滤波处理，并基于二次卷积滤波处理后的图像数据得到高频信息图像数据；
遍历所述高频信息图像数据，并基于所述标记图像数据中每个像素点的标记方向，获取各个像素点的周围像素点，得到各个像素点对应的周围像素点数据阵列；
基于各个所述周围像素点数据阵列，计算各个像素点的增益值，并基于所述增益值，对各个像素点进行极大值抑制处理，得到第一矩阵数据。
可选的，计算各个像素点的增益值，包括以下步骤：
对所述周围像素点数据阵列进行降序排列，得到降序阵列；
设定第一阵列x-tab和第二阵列y-tab，其中，所述第一阵列和第二阵列均为与周围像素点数据阵列规格相同的阵列，且x-tab=[0,1,2,3,4]；y-tab=max（fix（256-（x-tab）*（k/4）），0），k为可配置为1~1024的参数；
寻找周围像素点数据阵列的中间数，并寻找所述中间数位于降序阵列的排序；
提取排序小的序号作为x-tab的值，代入第二阵列y-tab的计算中得到当前像素点的增益值。
可选的，对各个像素点进行极大值抑制处理的处理公式为：
f=fix（（blk（3）*e）/256），其中，f为当前像素点进行极大值抑制处理后的值；blk（）为周围像素点数据阵列；e为当前像素点的增益值。
可选的，结合所述第一矩阵数据对所述颜色编码数据进行噪声纹理处理，包括以下步骤：
对所述颜色编码数据进行中值滤波处理，并用原图减去中值滤波处理后的数据，得到差值数据；
对所述差值数据进行均值滤波处理后结合第一矩阵数据，计算得到第二矩阵数据。
可选的，平滑处理所述第二矩阵数据，得到平滑数据，包括以下步骤：
将所述第二矩阵数据进行上采样处理后，再进行均值滤波处理，得到均值滤波结果；
将所述均值滤波结果进行下采样处理，得到平滑数据。
可选的，基于每一帧的各层平滑数据，输出得到输出数据，具体包括：
基于当前层的平滑数据与颜色编码数据进行结合，得到当前层的输出数据，并对每一帧的各层均进行结合操作，得到当前帧的输出数据；
对每一帧的颜色编码数据进行输出处理。
一种自适应视频流图像边缘增强系统，包括边界识别单元、极大值抑制单元、噪声纹理处理单元、平滑处理单元和输出单元；
所述边界识别单元，用于进行图像帧识别，得到颜色编码数据，并对所述颜色编码数据的每一帧的每一层进行边界识别处理，得到标记图像数据；
所述极大值抑制单元，用于基于所述标记图像数据进行极大值抑制处理，得到第一矩阵数据；
所述噪声纹理处理单元，用于结合所述第一矩阵数据对所述颜色编码数据进行噪声纹理处理，得到第二矩阵数据；
所述平滑处理单元，用于平滑处理所述第二矩阵数据，得到平滑数据，并基于每一帧的各层平滑数据，输出得到输出数据；
所述输出单元，用于将所述输出数据进行视频编码输出，得到更新视频流。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现上述任意一项所述的自适应视频流图像边缘增强方法。
采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
通过基于图像本身的数据信息，进行极大值抑制处理，使得图像更为清晰自然，同时，不进行手动阈值的设置，避免了错误判断图像边界信息，出现错误边界的情况，使得整个图像增强更完善，图像信息判断更准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本实施例一提出的自适应视频流图像边缘增强方法的流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例一
一种自适应视频流图像边缘增强方法，包括以下步骤：进行图像帧识别，得到颜色编码数据，并对颜色编码数据的每一帧的每一层进行边界识别处理，得到标记图像数据，其中，对颜色编码数据的每一帧的每一层进行边界识别处理，得到标记图像数据，包括以下步骤：将颜色编码数据的每一帧的每一层采用两组以上的滤波器进行卷积滤波处理，得到对应组数的卷积数据；定位比较各组卷积数据中的各个点，并对每个比较结果进行标记，标记后得到标记图像数据。
具体地，首先将解码处理后的颜色编码数据yuv444数据保存下来，然后在本实施例中，以颜色编码数据的其中一帧为例进行阐述处理过程，同时后续处理为分别在yuv444数据的三层上分别进行的（即y、u、v三层），且后续所有操作均为经过保边处理进行。
进一步地，在进行边界识别处理时，采用四组滤波器，分别为k45、k135、kh和kv，对颜色编码数据（yin和Y是同一个数）进行矩阵卷积滤波操作，分别得到卷积结果：由yhk45、yhk135、yhkh和yhkv组成的卷积数据，并将这四个数据都保存下来。
接着对卷积结果得到的四幅图像数据进行每个点的定位比较，例如，对yhk45，yhk135，yhkh以及yhkv每一幅图像的第一行第一列的数进行4个数据一起排序比较大小，此时比较结果会存在有4种标记的可能：
第一种情况，若该点比较出来4个数据中yhk45的绝对值为最大，则将该位置点标记为or45=1；
第二种情况，若该点的绝对值比较出来4个数据中为yhk135的绝对值最大，则将此位置点标记为or135=1；
第三种情况，若该点的绝对值比较出来4个数据中为yhkh的绝对值最大，则将此位置点标记为orh=1；
第四种情况，若该点的绝对值比较出来4个数据中为yhkv的绝对值最大，则将此位置点标记为orv=1。
依照上述定位比较的方法，将整副图像中的所有位置点都进行比较，并且每个位置点都有一个经过判断以后的“标记”，至此，图像上的每一个位置方向均被标记确定，并记此时的图像为or图像（即标记图像数据）。
得到or图像后，基于标记图像数据进行极大值抑制处理，得到第一矩阵数据，具体包括以下步骤：将颜色编码数据的每一帧的每一层进行二次卷积滤波处理，并基于二次卷积滤波处理后的图像数据得到高频信息图像数据；遍历高频信息图像数据，并基于标记图像数据中每个像素点的标记方向，获取各个像素点的周围像素点，得到各个像素点对应的周围像素点数据阵列；基于各个周围像素点数据阵列，计算各个像素点的增益值，并基于增益值，对各个像素点进行极大值抑制处理，得到第一矩阵数据。
具体地，再使用一组滤波器vf20，使用该滤波器与原图进行卷积滤波，卷积滤波出来的结果图像矩阵为ydf，然后对图像做进一步处理ydff=yin-ydf，得到高频信息图像数据ydff。
然后，将高频信息图像数据ydff分为正数部分Ydfp和负数部分Ydfn，此时即可开始进行图像的梯度局部极大值抑制，目的是让图像看起来更清晰自然。
首先进行正数部分Ydfp的处理，负数部分Ydfn的处理与正数部分Ydfp的处理相同，此时，抑制按照or图像中标记的方向进行判断，获取or图像中与高频信息图像数据对应的滤波框，然后滑动遍历正数部分Ydfp。
若Ydfp中当前像素点所对应的or图像中的标记为or45=1，则取图像当前点周围如下5个点出来：
；
若当前像素点对应的标记是or135=1，则取图像当前点中的周围如下5个点出来：
blk=[Ydfp（i+2，j-2）Ydfp（i+1，j-1）Ydfp（i，j）Ydfp（i-1，j+1）Ydfp（i-2，j+2）]；
若当前像素点对应的标记是orh=1，则取图像当前点的周围如下5个点出来 ：
，其中“’”为矩阵转置的意思；
若当前像素点对应的标记是orv=1，则取图像当前点的周围如下5个点出来：
。
从而将所提取得五个点依次排列出来，得到一行五列的周围像素点数据矩阵blk，然后计算各个像素点的增益值，具体包括以下步骤：对周围像素点数据阵列进行降序排列，得到降序阵列；设定第一阵列x-tab和第二阵列y-tab，其中，第一阵列和第二阵列均为与周围像素点数据阵列规格相同的阵列，且x-tab=[0，1，2，3，4]；y-tab=max（fix（256-（x-tab）*（k/4）），0），k为可配置为1~1024的参数；寻找周围像素点数据阵列的中间数，并寻找中间数位于降序阵列的排序；提取排序小的序号作为x-tab的值，代入第二阵列y-tab的计算中得到当前像素点的增益值。
具体地，首先对blk进行前大后小的降序排列，排列以后的数据设定为降序阵列blkdownsort，然后设定第一阵列x_tab、第二阵列y_tab也为一个1行5列的矩阵，它们的设定分别如下 ；，此时再设定一个k参数，可配置值为1-1024，k的配置越小，局部抑制被抑制程度越小，此值用于控制最后边界局部非极大值抑制控制大小。
设定一个a值，寻找a = blk(3)，意思寻找a为矩阵blk的中间数为多少，并提出来，作为后续需要处理的值，接着找寻a中间数在当前blk矩阵里面是排第几个：c = find(blkdownsort==abs(a)) ， 此公式为找到a在矩阵blkdownsort中排第几个，将其位置打印出来，由于blkdownsort可能会有重复的数，可能不止1个位置，因此取d= min(c)，使得有相同的数值出现时，取小的那个排序，然后把d作为x_tab的值代入y_tab的计算里面插值找到e = y_tab(d)的值，即算出来了当前点应该赋予的增益值e。
最后，对各个像素点进行极大值抑制处理，其处理公式为：f=fix（（blk（3）*e）/256），其中，f为当前像素点进行极大值抑制处理后的值；blk（）为周围像素点数据阵列，blk（3）为当前像素点的值；e为当前像素点的增益值。
经过极大值抑制处理后，将整幅图像都遍历一遍，得到新的矩阵Ydfhp，然后将Ydfn按照相同方式处理，得到Ydfhn，然后将Ydfhp与Ydfhn相加得到矩阵Ydfh。
进一步地，结合第一矩阵数据对颜色编码数据进行噪声纹理处理，得到第二矩阵数据，具体包括以下步骤：对颜色编码数据进行中值滤波处理，并用原图减去中值滤波处理后的数据，得到差值数据；对差值数据进行均值滤波处理后结合第一矩阵数据，计算得到第二矩阵数据。
具体地，原图进行中值滤波处理后得到ymid图像，然后用原图减去ymid得到差值数据Yhdiff，最后分别取Yhdiff的正、负值，进行如下操作：
。
然后对和/>分别进行5*5均值滤波，得到数据/>和/>， 随后，对上述求得的数进行如下操作：/>；/>，其中“.*”为矩阵之间数分别乘的意思。
最后计算，即得到第二矩阵数据。
得到第二矩阵数据后，对其进行平滑处理得到平滑数据，并基于每一帧的各层平滑数据，输出得到输出数据，具体包括以下步骤：将第二矩阵数据进行上采样处理后，再进行均值滤波处理，得到均值滤波结果；将均值滤波结果进行下采样处理，得到平滑数据。
具体地，对Yhdfp与Yhdfn分别进行上采样处理，处理结果为Yhdfp_up与Yhdfn_up，对此两个数据再进行3*3窗口内的均值滤波，滤波结果为Yhdfpf_up与Yhdfnf_up，对此两个数据再进行下采样操作，得到平滑数据分别为Yhdfpf与Yhdfnf，然后计算，至此得到本实施例所需要的较好梯度的表现。
最后，基于每一帧的各层平滑数据，输出得到输出数据，具体包括：基于当前层的平滑数据与颜色编码数据进行结合，得到当前层的输出数据，并对每一帧的各层均进行结合操作，得到当前帧的输出数据；对每一帧的颜色编码数据进行输出处理，将输出数据进行视频编码输出，得到更新视频流。
具体地，计算，然后与原来yuv444的三层中的u、v结合，即可以得到一个新的y，u，v进行输出，再进行视频编码输出，得到新的视频流。
实施例二
一种自适应视频流图像边缘增强系统，包括边界识别单元、极大值抑制单元、噪声纹理处理单元、平滑处理单元和输出单元；边界识别单元，用于进行图像帧识别，得到颜色编码数据，并对颜色编码数据的每一帧的每一层进行边界识别处理，得到标记图像数据；极大值抑制单元，用于基于标记图像数据进行极大值抑制处理，得到第一矩阵数据；噪声纹理处理单元，用于结合第一矩阵数据对颜色编码数据进行噪声纹理处理，得到第二矩阵数据；平滑处理单元，用于平滑处理第二矩阵数据，得到平滑数据，并基于每一帧的各层平滑数据，输出得到输出数据；输出单元，用于将输出数据进行视频编码输出，得到更新视频流。
由于本实施例的自适应视频流图像边缘增益系统执行如实施例一所述的自适应视频流图像边缘增益方法，因此，在本实施例中不再做详细赘述。
一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，实现实施例一所述的自适应视频流图像边缘增强方法。
计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线段的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线段、电线段、光缆、RF等等，或者上述的任意合适的组合。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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、模组或单元的划分，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，例如多个单元、模组或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。
所述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一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。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。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线段、或半导体的系统、装置或器件，或者任意以上的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种自适应视频流图像边缘增强方法，其特征在于，包括以下步骤：
进行图像帧识别，得到颜色编码数据，并对所述颜色编码数据的每一帧的每一层进行边界识别处理，得到标记图像数据；
其中，对所述颜色编码数据的每一帧的每一层进行边界识别处理，得到标记图像数据，包括以下步骤：将所述颜色编码数据的每一帧的每一层采用两组以上的滤波器进行卷积滤波处理，得到对应组数的卷积数据；定位比较各组卷积数据中的各个点，并对每个比较结果进行标记，标记后得到标记图像数据；
基于所述标记图像数据进行极大值抑制处理，得到第一矩阵数据，具体地，包括以下步骤：将所述颜色编码数据的每一帧的每一层进行二次卷积滤波处理，并基于二次卷积滤波处理后的图像数据得到高频信息图像数据；遍历所述高频信息图像数据，并基于所述标记图像数据中每个像素点的标记方向，获取各个像素点的周围像素点，得到各个像素点对应的周围像素点数据阵列；基于各个所述周围像素点数据阵列，计算各个像素点的增益值，并基于所述增益值，对各个像素点进行极大值抑制处理，得到第一矩阵数据；
结合所述第一矩阵数据对所述颜色编码数据进行噪声纹理处理，得到第二矩阵数据；
平滑处理所述第二矩阵数据，得到平滑数据，并基于每一帧的各层平滑数据，输出得到输出数据；
将所述输出数据进行视频编码输出，得到更新视频流。
2.根据权利要求1所述的一种自适应视频流图像边缘增强方法，其特征在于，计算各个像素点的增益值，包括以下步骤：
对所述周围像素点数据阵列进行降序排列，得到降序阵列；
设定第一阵列x-tab和第二阵列y-tab，其中，所述第一阵列和第二阵列均为与周围像素点数据阵列规格相同的阵列，且x-tab=[0,1,2,3,4]；y-tab=max（fix（256-（x-tab）*（k/4）），0），k为可配置为1~1024的参数；
寻找周围像素点数据阵列的中间数，并寻找所述中间数位于降序阵列的排序；
提取排序小的序号作为x-tab的值，代入第二阵列y-tab的计算中得到当前像素点的增益值。
3.根据权利要求1所述的一种自适应视频流图像边缘增强方法，其特征在于，对各个像素点进行极大值抑制处理的处理公式为：
f=fix（（blk（3）*e）/256），其中，f为当前像素点进行极大值抑制处理后的值；blk（）为周围像素点数据阵列；e为当前像素点的增益值。
4.根据权利要求1所述的一种自适应视频流图像边缘增强方法，其特征在于，结合所述第一矩阵数据对所述颜色编码数据进行噪声纹理处理，包括以下步骤：
对所述颜色编码数据进行中值滤波处理，并用原图减去中值滤波处理后的数据，得到差值数据；
对所述差值数据进行均值滤波处理后结合第一矩阵数据，计算得到第二矩阵数据。
5.根据权利要求1所述的一种自适应视频流图像边缘增强方法，其特征在于，平滑处理所述第二矩阵数据，得到平滑数据，包括以下步骤：
将所述第二矩阵数据进行上采样处理后，再进行均值滤波处理，得到均值滤波结果；
将所述均值滤波结果进行下采样处理，得到平滑数据。
6.根据权利要求1所述的一种自适应视频流图像边缘增强方法，其特征在于，基于每一帧的各层平滑数据，输出得到输出数据，具体包括：
基于当前层的平滑数据与颜色编码数据进行结合，得到当前层的输出数据，并对每一帧的各层均进行结合操作，得到当前帧的输出数据；
对每一帧的颜色编码数据进行输出处理。
7.一种自适应视频流图像边缘增强系统，其特征在于，所述自适应视频流图像边缘增强系统执行如权利要求1-6任意一项所述的自适应视频流图像边缘增强方法，包括边界识别单元、极大值抑制单元、噪声纹理处理单元、平滑处理单元和输出单元；
所述边界识别单元，用于进行图像帧识别，得到颜色编码数据，并对所述颜色编码数据的每一帧的每一层进行边界识别处理，得到标记图像数据；
所述极大值抑制单元，用于基于所述标记图像数据进行极大值抑制处理，得到第一矩阵数据；
所述噪声纹理处理单元，用于结合所述第一矩阵数据对所述颜色编码数据进行噪声纹理处理，得到第二矩阵数据；
所述平滑处理单元，用于平滑处理所述第二矩阵数据，得到平滑数据，并基于每一帧的各层平滑数据，输出得到输出数据；
所述输出单元，用于将所述输出数据进行视频编码输出，得到更新视频流。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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1-6任意一项所述的自适应视频流图像边缘增强方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311461182.8A CN117196999B (zh) | 2023-11-06 | 2023-11-06 | 一种自适应视频流图像边缘增强方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311461182.8A CN117196999B (zh) | 2023-11-06 | 2023-11-06 | 一种自适应视频流图像边缘增强方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117196999A CN117196999A (zh) | 2023-12-08 |
| CN117196999B true CN117196999B (zh) | 2024-03-12 |
Family
ID=89003774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311461182.8A Active CN117196999B (zh) | 2023-11-06 | 2023-11-06 | 一种自适应视频流图像边缘增强方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196999B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575974B (zh) * | 2024-01-15 | 2024-04-09 | 浙江芯劢微电子股份有限公司 | 一种图像画质增强方法、系统、电子设备和存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784641A (zh) * | 2017-11-21 | 2018-03-09 | 天津英田视讯科技有限公司 | 一种基于hpf的图像锐化算法 |
| CN110428433A (zh) * | 2019-07-02 | 2019-11-08 | 西华师范大学 | 一种基于局部阈值的Canny边缘检测算法 |
| US10506128B1 (en) * | 2017-06-16 | 2019-12-10 | Digimarc Corporation | Encoded signal systems and methods to ensure minimal robustness |
| CN111541894A (zh) * | 2020-04-21 | 2020-08-14 | 电子科技大学 | 一种基于边缘增强残差网络的环路滤波方法 |
| WO2021008019A1 (zh) * | 2019-07-18 | 2021-01-21 | 平安科技（深圳）有限公司 | 姿态跟踪方法、装置及计算机可读存储介质 |
| CN112468808A (zh) * | 2020-11-26 | 2021-03-09 | 深圳大学 | 一种基于强化学习的i帧目标带宽分配方法及装置 |
| CN114519675A (zh) * | 2022-01-21 | 2022-05-20 | 百果园技术(新加坡)有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
| CN115511755A (zh) * | 2022-11-22 | 2022-12-23 | 杭州雄迈集成电路技术股份有限公司 | 一种视频流图像自适应增强方法和系统 |
| CN116260990A (zh) * | 2023-05-16 | 2023-06-13 | 合肥高斯智能科技有限公司 | 一种多路视频流的ai异步检测并实时渲染方法及系统 |
| CN116342656A (zh) * | 2023-03-29 | 2023-06-27 | 华北电力大学 | 一种基于自适应边缘检测的时空图像测速方法和装置 |
| WO2023142715A1 (zh) * | 2022-01-27 | 2023-08-03 | 腾讯科技（深圳）有限公司 | 视频编码方法、实时通信方法、装置、设备及存储介质 |
| CN116912115A (zh) * | 2023-07-05 | 2023-10-20 | 中山大学 | 一种水下图像自适应增强方法、系统、设备及存储介质 |
| CN116962743A (zh) * | 2022-04-14 | 2023-10-27 | 广州方硅信息技术有限公司 | 视频图像编码、抠图方法和装置及直播系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8750383B2 (en) * | 2011-01-17 | 2014-06-10 | Exaimage Corporation | Systems and methods for wavelet and channel-based high definition video encoding |
| US11699222B2 (en) * | 2021-02-19 | 2023-07-11 | Novatek Microelectronics Corp. | Image processing device and a method for image enhancement |
-
2023
- 2023-11-06 CN CN202311461182.8A patent/CN117196999B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10506128B1 (en) * | 2017-06-16 | 2019-12-10 | Digimarc Corporation | Encoded signal systems and methods to ensure minimal robustness |
| CN107784641A (zh) * | 2017-11-21 | 2018-03-09 | 天津英田视讯科技有限公司 | 一种基于hpf的图像锐化算法 |
| CN110428433A (zh) * | 2019-07-02 | 2019-11-08 | 西华师范大学 | 一种基于局部阈值的Canny边缘检测算法 |
| WO2021008019A1 (zh) * | 2019-07-18 | 2021-01-21 | 平安科技（深圳）有限公司 | 姿态跟踪方法、装置及计算机可读存储介质 |
| CN111541894A (zh) * | 2020-04-21 | 2020-08-14 | 电子科技大学 | 一种基于边缘增强残差网络的环路滤波方法 |
| CN112468808A (zh) * | 2020-11-26 | 2021-03-09 | 深圳大学 | 一种基于强化学习的i帧目标带宽分配方法及装置 |
| CN114519675A (zh) * | 2022-01-21 | 2022-05-20 | 百果园技术(新加坡)有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
| WO2023142715A1 (zh) * | 2022-01-27 | 2023-08-03 | 腾讯科技（深圳）有限公司 | 视频编码方法、实时通信方法、装置、设备及存储介质 |
| CN116962743A (zh) * | 2022-04-14 | 2023-10-27 | 广州方硅信息技术有限公司 | 视频图像编码、抠图方法和装置及直播系统 |
| CN115511755A (zh) * | 2022-11-22 | 2022-12-23 | 杭州雄迈集成电路技术股份有限公司 | 一种视频流图像自适应增强方法和系统 |
| CN116342656A (zh) * | 2023-03-29 | 2023-06-27 | 华北电力大学 | 一种基于自适应边缘检测的时空图像测速方法和装置 |
| CN116260990A (zh) * | 2023-05-16 | 2023-06-13 | 合肥高斯智能科技有限公司 | 一种多路视频流的ai异步检测并实时渲染方法及系统 |
| CN116912115A (zh) * | 2023-07-05 | 2023-10-20 | 中山大学 | 一种水下图像自适应增强方法、系统、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 图像去噪的混合滤波方法;项力领;刘智;齐冀;杨阳;;吉林大学学报(信息科学版)(第03期);正文 * |
| 水岸彩色图像自适应阈值边缘提取算法;邵承会, 唐可洪, 杨志刚, 程光明, 阚君武;光电子.激光(第08期);正文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117196999A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117196999B (zh) | 一种自适应视频流图像边缘增强方法和系统 | |
| CN103942758B (zh) | 基于多尺度融合的暗通道先验图像去雾方法 | |
| WO2016206087A1 (zh) | 一种低照度图像处理方法和装置 | |
| CN109523480B (zh) | 一种海雾图像的去雾方法、装置、计算机存储介质及终端 | |
| CN112767289A (zh) | 图像融合方法、装置、介质及电子设备 | |
| CN110796615B (zh) | 一种图像去噪方法、装置以及存储介质 | |
| KR101361644B1 (ko) | 영상 처리 장치 및 영상 내의 안개 제거 방법 | |
| CN110378860B (zh) | 修复视频的方法、装置、计算机设备和存储介质 | |
| CN111210395B (zh) | 基于灰度值映射的Retinex水下图像增强方法 | |
| CN113099067B (zh) | 基于像素值排序预测与菱形预测的可逆信息隐藏方法及系统 | |
| CN109190617B (zh) | 一种图像的矩形检测方法、装置及存储介质 | |
| CN113450290A (zh) | 基于图像修补技术的低照度图像增强方法及系统 | |
| CN110782414A (zh) | 一种基于密集连接卷积的暗光图像去噪方法 | |
| CN117274085A (zh) | 低照度图像增强方法及装置 | |
| CN116681606A (zh) | 一种水下不均匀光照图像增强方法、系统、设备及介质 | |
| CN111192213B (zh) | 图像去雾自适应参数的计算方法、图像去雾方法及系统 | |
| CN114429437A (zh) | 一种全场景亮度自适应的图像融合方法及装置 | |
| CN113612996A (zh) | 一种基于时域滤波的视频降噪的方法及装置 | |
| CN117333398A (zh) | 一种基于自监督的多尺度图像去噪方法及装置 | |
| CN113888405A (zh) | 基于分簇自适应膨胀卷积神经网络的去噪去马赛克方法 | |
| CN112822343A (zh) | 一种面向夜间视频的清晰化方法及存储介质 | |
| CN114926348B (zh) | 一种去除低照度视频噪声的装置和方法 | |
| CN115578287A (zh) | 一种图像降噪方法、装置、设备及存储介质 | |
| CN109034129B (zh) | 一种具有人脸识别功能的机器人 | |
| CN109167892B (zh) | 一种视频图像细节增强方法与系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |