CN117372286A - 一种基于Python的图像噪声优化方法及系统 - Google Patents
一种基于Python的图像噪声优化方法及系统 Download PDFInfo
- Publication number
- CN117372286A CN117372286A CN202311656692.0A CN202311656692A CN117372286A CN 117372286 A CN117372286 A CN 117372286A CN 202311656692 A CN202311656692 A CN 202311656692A CN 117372286 A CN117372286 A CN 117372286A
- Authority
- CN
- China
- Prior art keywords
- image
- original
- noise reduction
- extracted
- images
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 116
- 230000009467 reduction Effects 0.000 claims abstract description 93
- 238000012545 processing Methods 0.000 claims abstract description 74
- 238000013507 mapping Methods 0.000 claims description 73
- 238000000605 extraction Methods 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 11
- 238000007499 fusion processing Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于Python的图像噪声优化方法及系统,本发明技术方案利用Python易于扩展的特性,在Python环境中外挂了能够适应海量图像处理需求的扩展接口,并根据不同类型的扩展接口匹配对应处理类型的高斯模型用于不同特征类型下的特征降噪;为了实现对海量图像的分类处理,利用图像分割器对不同特征类型的图像区域进行分割,直到原始输入图像在各个传输通道中被完全分割,进行分类降噪后对来自于同一张原始输入图像的图像进行融合,解决了现有技术中受到高斯模型数据结构的影响,无法同一时间同步处理大批量的输入图像的技术问题,大大地提高了海量图像降噪的速度,为后续扩展接口进行其他特征优化的动作提供了有力的保障。
Description
技术领域
本发明涉及大数据处理技术领域,尤其涉及一种基于Python的图像噪声优化方法及系统。
背景技术
在图像处理技术中,往往需要对一些存在噪声的图像进行降噪处理,从而得到优化后的图像,凸显图像的实际特征,为用户带来更优的视觉体验。
现有技术是应用同一个高斯模型对输入的原始的图像进行整体过滤,然后将过滤后的图像输入到同一个扩展接口中进行其他特征的优化,但受到高斯模型数据结构的影响,无法同一时间同步处理大批量的输入图像,当模型的输入量达到一定量级时,单一的高斯模型会崩溃无法完成噪声过滤,而同一个扩展接口面对复杂多变的输入图像也加剧了服务器的运行崩溃,导致输出的图像质量很差。而随着大数据应用的越来越广泛,需要进行噪声处理的图像呈指数性暴增;因此,技术人员正在寻求一种辅助软件,得以应对海量图像的处理需求。
Python由荷兰国家数学与计算机科学研究中心的吉多·范罗苏姆于1990年代初设计,作为一门叫作ABC语言的替代品,Python提供了高效的高级数据结构,还能简单有效地面向对象编程。Python语法和动态类型,以及解释型语言的本质,使它成为多数平台上写脚本和快速开发应用的编程语言。随着版本的不断更新和语言新功能的添加,逐渐被用于独立的、大型项目的开发。Python在各个编程语言中比较容易操作,且Python解释器易于扩展,可以使用C、C++或其他可以通过C调用的语言扩展新的功能和数据类型。Python也可用于可定制化软件中的扩展程序语言。同时,Python丰富的标准库,提供了适用于各个主要系统平台的源码或机器码。
因此,如何利用Python来实现同一时间同步处理大批量的输入图像,得以应对海量图像的处理需求,成为了目前亟需解决的一大技术难题。
发明内容
本发明提供了一种基于Python的图像噪声优化方法及系统,以解决现有技术中受到高斯模型数据结构的影响,无法同一时间同步处理大批量的输入图像的技术问题。
为了解决上述技术问题,本发明提供了一种基于Python的图像噪声优化方法,包括:
在Python环境中检测扩展接口的接口数量和接口类型,根据所述扩展接口中所有接口类型的数量,确定对应的传输通道;其中,各个传输通道设置有与所述接口类型所一一对应的图像分割器,以及各个传输通道均设置有不同处理类型的高斯模型;
获取预设数量的原始输入图像,按预设比例将所述原始输入图像分别传输到对应的所述传输通道;
控制所述传输通道上的图像分割器对所述原始输入图像进行特征提取并分割,得到提取原始图像和剩余原始图像;
将所述剩余原始图像依次映射到其他传输通道上,直到所述剩余原始图像上的所有特征被完全提取;
利用高斯模型对各个所述传输通道中得到的所有提取原始图像进行降噪处理,得到提取降噪图像;
当所有的传输通道均完成降噪处理后,将属于同一张原始输入图像分割得到的所有提取降噪图像进行融合处理,得到降噪输出图像。
作为优选方案,所述在Python环境中检测扩展接口的接口数量和接口类型,根据所述扩展接口中所有接口类型的数量,确定对应的传输通道的步骤中,具体包括:
在Python环境中向各个扩展接口发出测试广播信号,其中,所述扩展接口根据其接口类型与所述传输通道中设置的高斯模型的类型一一对应;
接收由所述扩展接口响应于所述测试广播信号而生成的测试反馈信号,其中,所述测试反馈信号包括所述扩展接口的接口类型和地址;
统计每一个接口类型在不同的地址的数量,得到各个接口类型所对应的接口数量;
根据接口类型设置对应的传输通道,同时,根据各个接口类型所对应的接口数量确定对应传输通道的带宽。
作为优选方案,所述获取预设数量的原始输入图像,按预设比例将所述原始输入图像分别传输到对应的所述传输通道的步骤中,具体包括:
将获得的原始输入图像进行尺寸大小和分辨率大小的统一标准处理;
根据各个传输通道的带宽之间比例,按预设比例将统一标准处理后的原始输入图像分成对应的多个图像集合;
将各个图像集合中的原始输入图像传输到对应的所述传输通道中。
作为优选方案,所述控制所述传输通道上的图像分割器对所述原始输入图像进行特征提取并分割,得到提取原始图像和剩余原始图像的步骤中,具体包括:
根据所述图像分割器所对应的接口类型,确定多个提取基准特征;
将所述原始输入图像进行网格化处理,对每个网格上的图像区域进行特征识别,当判断目标网格上的图像特征与所述提取基准特征之间的相似度达到预设阈值时,确定所述目标网格为提取基准点;
在网格上确定所有提取基准点的位置,对相邻两个提取基准点进行相连接,直到所有的提取基准点连接形成闭环,得到分割图像区域;
通过所述图像分割器对所述分割图像区域进行分割,分割得到的区域为提取原始图像,剩余的区域为剩余原始图像;
其中,在同一张所述原始输入图像中分割得到的所述提取原始图像含有唯一标识码。
作为优选方案,所述目标网格上的图像特征与所述提取基准特征之间相似度的计算过程为:
对所述提取基准特征的像素值进行检测,同时,确定所述提取基准特征的外接圆的圆心位置,将所述圆心位置上的像素值定义为第一像素值;
对所述外接圆的圆心位置向对所述提取基准特征的边缘依次读取检测得到的像素值,形成第一像素序列;
对所述目标网格上的图像特征的像素值进行检测,并确定所述目标网格上的图像特征中与所述第一像素值的差值最小的目标位置;
对所述目标位置向对所述目标网格上的图像特征的边缘依次读取检测得到的像素值,形成第二像素序列;
通过矩阵公式计算所述第一像素序列和所述第二像素序列之间的向量值,作为所述目标网格上的图像特征与所述提取基准特征之间的相似度。
作为优选方案,所述将所述剩余原始图像依次映射到其他传输通道上,直到所述剩余原始图像上的所有特征被完全提取的步骤中,具体包括:
按顺时针或逆时针方向确认下一个传输通道;同时,将所述剩余原始图像的中心点,以及所述剩余原始图像中空间距离最大的最远点和最近点,均设置为映射点,得到中心映射点、最远映射点和最近映射点;
以所述中心映射点为基准将所述剩余原始图像映射到下一个传输通道中,同时,根据所述最远映射点和最近映射点之间的空间距离,对映射得到图像进行空间调整,得到镜像图像;
将所述镜像图像进行镜像翻转处理,得到实际映射图像,并将所述实际映射图像输入到当前传输通道的图像分割器中,直到所述剩余原始图像上的所有特征被完全提取。
作为优选方案,所述利用高斯模型对各个所述传输通道中得到的所有提取原始图像进行降噪处理,得到提取降噪图像的步骤中,具体包括:
对所述提取原始图像中每个网格区域上的图像区域进行亮度值检测,得到第一亮度值;
对所述提取原始图像进行高亮处理,并再次对所述提取原始图像中每个网格区域上的图像区域进行亮度值检测,得到第二亮度值;
当确定所述第一亮度值与所述第二亮度值之间差值大于预设亮度阈值时,确定所述第一亮度值所对应的图像区域为噪点区域;
通过所在的高斯模型对所述噪点区域进行模糊,并将所述噪点区域相邻的网格区域仿真到所述噪声区域上,得到提取降噪图像。
作为优选方案,所述当所有的传输通道均完成降噪处理后,将属于同一张原始输入图像分割得到的所有提取降噪图像进行融合处理,得到降噪输出图像的步骤中,具体包括:
将含有唯一标识码的提取降噪图像进行集合,得到降噪图像集;
对所述降噪图像集中的每个提取降噪图像的边缘点,并确定各个边缘点在网格上的位置;
将同一网格位置上的所有边缘点进行融合,得到降噪输出图像。
相应地,本发明还提供了一种基于Python的图像噪声优化系统,包括:接口检测模块、图像输入模块、图像分割模块、图像映射模块、降噪处理模块和图像融合模块;
所述接口检测模块,用于在Python环境中检测扩展接口的接口数量和接口类型,根据所述扩展接口中所有接口类型的数量,确定对应的传输通道;其中,各个传输通道设置有与所述接口类型所一一对应的图像分割器,以及各个传输通道均设置有不同处理类型的高斯模型;
所述图像输入模块,用于获取预设数量的原始输入图像,按预设比例将所述原始输入图像分别传输到对应的所述传输通道;
所述图像分割模块,用于控制所述传输通道上的图像分割器对所述原始输入图像进行特征提取并分割,得到提取原始图像和剩余原始图像;
所述图像映射模块,用于将所述剩余原始图像依次映射到其他传输通道上,直到所述剩余原始图像上的所有特征被完全提取;
所述降噪处理模块,用于利用高斯模型对各个所述传输通道中得到的所有提取原始图像进行降噪处理,得到提取降噪图像;
所述图像融合模块,用于当所有的传输通道均完成降噪处理后,将属于同一张原始输入图像分割得到的所有提取降噪图像进行融合处理,得到降噪输出图像。
作为优选方案,所述接口检测模块具体用于:在Python环境中向各个扩展接口发出测试广播信号,其中,所述扩展接口根据其接口类型与所述传输通道中设置的高斯模型的类型一一对应;接收由所述扩展接口响应于所述测试广播信号而生成的测试反馈信号,其中,所述测试反馈信号包括所述扩展接口的接口类型和地址;统计每一个接口类型在不同的地址的数量,得到各个接口类型所对应的接口数量;根据接口类型设置对应的传输通道,同时,根据各个接口类型所对应的接口数量确定对应传输通道的带宽。
作为优选方案,所述图像输入模块具体用于:将获得的原始输入图像进行尺寸大小和分辨率大小的统一标准处理;根据各个传输通道的带宽之间比例,按预设比例将统一标准处理后的原始输入图像分成对应的多个图像集合;将各个图像集合中的原始输入图像传输到对应的所述传输通道中。
作为优选方案,所述图像分割模块具体用于:根据所述图像分割器所对应的接口类型,确定多个提取基准特征;将所述原始输入图像进行网格化处理,对每个网格上的图像区域进行特征识别,当判断目标网格上的图像特征与所述提取基准特征之间的相似度达到预设阈值时,确定所述目标网格为提取基准点;在网格上确定所有提取基准点的位置,对相邻两个提取基准点进行相连接,直到所有的提取基准点连接形成闭环,得到分割图像区域;通过所述图像分割器对所述分割图像区域进行分割,分割得到的区域为提取原始图像,剩余的区域为剩余原始图像;其中,在同一张所述原始输入图像中分割得到的所述提取原始图像含有唯一标识码。
作为优选方案,所述图像分割模块用于对目标网格上的图像特征与所述提取基准特征之间相似度的计算过程为:对所述提取基准特征的像素值进行检测,同时,确定所述提取基准特征的外接圆的圆心位置,将所述圆心位置上的像素值定义为第一像素值;对所述外接圆的圆心位置向对所述提取基准特征的边缘依次读取检测得到的像素值,形成第一像素序列;对所述目标网格上的图像特征的像素值进行检测,并确定所述目标网格上的图像特征中与所述第一像素值的差值最小的目标位置;对所述目标位置向对所述目标网格上的图像特征的边缘依次读取检测得到的像素值,形成第二像素序列;通过矩阵公式计算所述第一像素序列和所述第二像素序列之间的向量值,作为所述目标网格上的图像特征与所述提取基准特征之间的相似度。
作为优选方案,所述图像映射模块具体用于:按顺时针或逆时针方向确认下一个传输通道;同时,将所述剩余原始图像的中心点,以及所述剩余原始图像中空间距离最大的最远点和最近点,均设置为映射点,得到中心映射点、最远映射点和最近映射点;以所述中心映射点为基准将所述剩余原始图像映射到下一个传输通道中,同时,根据所述最远映射点和最近映射点之间的空间距离,对映射得到图像进行空间调整,得到镜像图像;将所述镜像图像进行镜像翻转处理,得到实际映射图像,并将所述实际映射图像输入到当前传输通道的图像分割器中,直到所述剩余原始图像上的所有特征被完全提取。
作为优选方案,所述降噪处理模块具体用于:对所述提取原始图像中每个网格区域上的图像区域进行亮度值检测,得到第一亮度值;对所述提取原始图像进行高亮处理,并再次对所述提取原始图像中每个网格区域上的图像区域进行亮度值检测,得到第二亮度值;当确定所述第一亮度值与所述第二亮度值之间差值大于预设亮度阈值时,确定所述第一亮度值所对应的图像区域为噪点区域;通过所在的高斯模型对所述噪点区域进行模糊,并将所述噪点区域相邻的网格区域仿真到所述噪声区域上,得到提取降噪图像。
作为优选方案,所述图像融合模块具体用于:将含有唯一标识码的提取降噪图像进行集合,得到降噪图像集;对所述降噪图像集中的每个提取降噪图像的边缘点,并确定各个边缘点在网格上的位置;将同一网格位置上的所有边缘点进行融合,得到降噪输出图像。
本发明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包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的基于Python的图像噪声优化方法。
本发明还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上述任一项所述的基于Python的图像噪声优化方法。
相比于现有技术,本发明具有如下有益效果:
本发明技术方案利用Python易于扩展的特性,在Python环境中外挂了能够适应海量图像处理需求的扩展接口,并根据不同类型的扩展接口匹配对应处理类型的高斯模型用于不同特征类型下的特征降噪;为了实现对海量图像的分类处理,利用图像分割器对不同特征类型的图像区域进行分割,直到原始输入图像在各个传输通道中被完全分割,进行分类降噪后对来自于同一张原始输入图像的图像进行融合,解决了现有技术中受到高斯模型数据结构的影响,无法同一时间同步处理大批量的输入图像的技术问题,大大地提高了海量图像降噪的速度,为后续扩展接口进行其他特征优化的动作提供了有力的保障。
附图说明
图1 :为本发明实施例提供的一种基于Python的图像噪声优化方法的步骤流程图;
图2 :为本发明实施例提供的一种基于Python的图像噪声优化系统的结构示意图;
图3 :为本发明实施例提供的终端设备的一种实施例的结构示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一,请参照图1,为本发明实施例提供的一种基于Python的图像噪声优化方法的步骤流程图,包括步骤101至步骤106,各步骤具体包括:
步骤101,在Python环境中检测扩展接口的接口数量和接口类型,根据所述扩展接口中所有接口类型的数量,确定对应的传输通道;其中,各个传输通道设置有与所述接口类型所一一对应的图像分割器,以及各个传输通道均设置有不同处理类型的高斯模型。
在本实施例中,所述步骤101具体包括:步骤1011,在Python环境中向各个扩展接口发出测试广播信号,其中,所述扩展接口根据其接口类型与所述传输通道中设置的高斯模型的类型一一对应;步骤1012,接收由所述扩展接口响应于所述测试广播信号而生成的测试反馈信号,其中,所述测试反馈信号包括所述扩展接口的接口类型和地址;步骤1013,统计每一个接口类型在不同的地址的数量,得到各个接口类型所对应的接口数量;步骤1014,根据接口类型设置对应的传输通道,同时,根据各个接口类型所对应的接口数量确定对应传输通道的带宽。
具体地,可以根据实际处理量大小情况配置对应的扩展接口,而扩展接口可以根据实际降噪的需求来确定不同类型,并根据各个类型对于所在扩展接口的处理速率和处理数量,配置对应数量的扩展接口。因此,工作人员可以在Python环境中率先配置实际项目需求的各个类型的扩展接口,以及各个类型扩建接口所对应的数量。利用测试广播信号即可对Python环境中实际外挂的扩展接口情况进行检测。而针对同一类型的扩展接口,设置对应带宽的传输通道即可完成配置;同时,在传输通道中设置对应处理类型的高斯模型,可以理解的是,高斯模型可用于对图像进行降噪处理,而针对不同类型的扩展接口配置对应类型的高斯模型。特别说明的是,这里的高斯模型是预先训练完成。
步骤102,获取预设数量的原始输入图像,按预设比例将所述原始输入图像分别传输到对应的所述传输通道。
在本实施例中,所述步骤102具体包括:步骤1021,将获得的原始输入图像进行尺寸大小和分辨率大小的统一标准处理;步骤1022,根据各个传输通道的带宽之间比例,按预设比例将统一标准处理后的原始输入图像分成对应的多个图像集合;步骤1023,将各个图像集合中的原始输入图像传输到对应的所述传输通道中。
具体地,为了后续图像分割和映射可以做到统一性,在本步骤中需要对原始输入图像的尺寸大小和分辨率大小进行统一标准处理。需要说明的是,关于统一标准处理的内容可参考本领域公知常识,此处不作限定。对于统一标准处理后的图像可以参考各个传输通道的带宽不同,按照一定的比例分类传输,来确保各个传输通道中的数据量是合理的,保证整个图像处理的流程可以稳定进行,避免后续在映射步骤中由于图像在不同传输通道之间互相映射而产生数据拥堵。
步骤103,控制所述传输通道上的图像分割器对所述原始输入图像进行特征提取并分割,得到提取原始图像和剩余原始图像。
在本实施例第一方面中,所述步骤103具体包括:步骤1031,根据所述图像分割器所对应的接口类型,确定多个提取基准特征;步骤1032,将所述原始输入图像进行网格化处理,对每个网格上的图像区域进行特征识别,当判断目标网格上的图像特征与所述提取基准特征之间的相似度达到预设阈值时,确定所述目标网格为提取基准点;步骤1033,在网格上确定所有提取基准点的位置,对相邻两个提取基准点进行相连接,直到所有的提取基准点连接形成闭环,得到分割图像区域;步骤1034,通过所述图像分割器对所述分割图像区域进行分割,分割得到的区域为提取原始图像,剩余的区域为剩余原始图像;其中,在同一张所述原始输入图像中分割得到的所述提取原始图像含有唯一标识码。
具体地,利用分割器对传输通道上的图像进行对应分割。这里的分割并非无规律的分割,前面提及了各个传输通道实际上设置了一一对应的高斯模型,而传输通道也与扩展接口相对应,也就是这里的图像分割器实际上只需要分割提取出与本传输通道中的高斯模型的类型对应的图像特征即可。而为了可以提取出特定的图像特征,我们利用不同的接口类型确定对应的提取基准特征。先将原始输入图像处理成网格化图像,然后对网格化图像中各个网格对应的图像区域进行特征识别,如果确定某个网格上的图像特征的相似度与提取基准特征的相似度非常接近时,则可以确定为提取基准点,然后将各个提取基准点在网格上相关联,形成闭环后也就将需要分割的图像区域进行了标记,此时再利用图像分割器进行提取即可。需要说明的是,为了后续融合步骤中可以实现同一张原始输入图像的融合,对于在同一张所述原始输入图像中分割得到的所述提取原始图像均含有唯一标识码。
在本实施例第二方面中,所述步骤1032进行目标网格上的图像特征与所述提取基准特征之间相似度的计算过程为:对所述提取基准特征的像素值进行检测,同时,确定所述提取基准特征的外接圆的圆心位置,将所述圆心位置上的像素值定义为第一像素值;对所述外接圆的圆心位置向对所述提取基准特征的边缘依次读取检测得到的像素值,形成第一像素序列;对所述目标网格上的图像特征的像素值进行检测,并确定所述目标网格上的图像特征中与所述第一像素值的差值最小的目标位置;对所述目标位置向对所述目标网格上的图像特征的边缘依次读取检测得到的像素值,形成第二像素序列;通过矩阵公式计算所述第一像素序列和所述第二像素序列之间的向量值,作为所述目标网格上的图像特征与所述提取基准特征之间的相似度。
具体地,在计算相似度的过程中,为了使得相似度的计算更为准确,我们利用了外接圆的圆心位置向外等梯度扩散的特点,首先捕捉到提取基准特征的外接圆的圆心位置,并确定该圆心位置的像素值及向外扩散的第一像素序列。接着,将目标网格的像素值进行检测,先确定所述目标网格上的图像特征中与所述第一像素值的差值最小的目标位置,然后计算出对应的第二像素序列,利用矩阵公式即可计算出两个像素序列之间的向量值,作为相似度。
步骤104,将所述剩余原始图像依次映射到其他传输通道上,直到所述剩余原始图像上的所有特征被完全提取。
在本实施例中,所述步骤104具体包括:步骤1041,按顺时针或逆时针方向确认下一个传输通道;同时,将所述剩余原始图像的中心点,以及所述剩余原始图像中空间距离最大的最远点和最近点,均设置为映射点,得到中心映射点、最远映射点和最近映射点;步骤1042,以所述中心映射点为基准将所述剩余原始图像映射到下一个传输通道中,同时,根据所述最远映射点和最近映射点之间的空间距离,对映射得到图像进行空间调整,得到镜像图像;步骤1043,将所述镜像图像进行镜像翻转处理,得到实际映射图像,并将所述实际映射图像输入到当前传输通道的图像分割器中,直到所述剩余原始图像上的所有特征被完全提取。
具体地,当原始输入图像经过第一轮的分割提取后,需要继续前往下一个传输通道接受下一个类型的图像分割器的分割提取。本步骤利用图像映射的特征,先确定图像的中心点,然后利用最远点和最近点之间的空间距离,对映射到下一个传输通道的图像进行校对调整,从而保证图像映射的准确度。而经过第一次映射后得到的图像实际上仅仅为镜像图像,此时我们还需要对镜像图像进行翻转,才能得到实际的映射图像。直到原始输入图像被多个传输通道分割完成之后,才结束了映射步骤。
步骤105,利用高斯模型对各个所述传输通道中得到的所有提取原始图像进行降噪处理,得到提取降噪图像。
在本实施例中,所述步骤105具体包括:步骤1051,对所述提取原始图像中每个网格区域上的图像区域进行亮度值检测,得到第一亮度值;步骤1052,对所述提取原始图像进行高亮处理,并再次对所述提取原始图像中每个网格区域上的图像区域进行亮度值检测,得到第二亮度值;步骤1053,当确定所述第一亮度值与所述第二亮度值之间差值大于预设亮度阈值时,确定所述第一亮度值所对应的图像区域为噪点区域;步骤1054,通过所在的高斯模型对所述噪点区域进行模糊,并将所述噪点区域相邻的网格区域仿真到所述噪声区域上,得到提取降噪图像。
具体地,当图像分割器对原始输入图像进行分割完成后,分割得到的提取原始图像被转移到高斯模型进行噪声处理。在具体实际噪声处理的过程中,由于上一个分割步骤是利用像素值实现分割的,为了使得噪声处理的效果更优,我们采用亮度值检测的方式来确定每一个提取原始图像中的噪声点。在利用亮度值找到噪声点之后,我们率先对噪声点进行模糊化处理,然后将相邻区域的像素仿真到噪声区域上,这样可以精准地还原噪声点所在区域的实际图像特征,最后得到提取降噪图像。
步骤106,当所有的传输通道均完成降噪处理后,将属于同一张原始输入图像分割得到的所有提取降噪图像进行融合处理,得到降噪输出图像。
在本实施例中,所述步骤106具体包括:步骤1061,将含有唯一标识码的提取降噪图像进行集合,得到降噪图像集;步骤1062,对所述降噪图像集中的每个提取降噪图像的边缘点,并确定各个边缘点在网格上的位置;步骤1063,将同一网格位置上的所有边缘点进行融合,得到降噪输出图像。
具体地,通过上述一系列的步骤,当同一张原始输入图像分割出来的所有提取降噪图像都完成时,我们需要将这些提取降噪图像进行融合还原,利用之前步骤处理的网格确定各个边缘点的位置,然后将同一位置上的边缘点进行融合,直到所有边缘点融合完成后,即可完成对同一张原始输入图像分割出来的所有提取降噪图像的融合工作,最后得到降噪输出图像。
本发明技术方案利用Python易于扩展的特性,在Python环境中外挂了能够适应海量图像处理需求的扩展接口,并根据不同类型的扩展接口匹配对应处理类型的高斯模型用于不同特征类型下的特征降噪;为了实现对海量图像的分类处理,利用图像分割器对不同特征类型的图像区域进行分割,直到原始输入图像在各个传输通道中被完全分割,进行分类降噪后对来自于同一张原始输入图像的图像进行融合,解决了现有技术中受到高斯模型数据结构的影响,无法同一时间同步处理大批量的输入图像的技术问题,大大地提高了海量图像降噪的速度,为后续扩展接口进行其他特征优化的动作提供了有力的保障。
实施例二,请参照图2,本发明提供了一种基于Python的图像噪声优化系统,包括:接口检测模块、图像输入模块、图像分割模块、图像映射模块、降噪处理模块和图像融合模块。
所述接口检测模块,用于在Python环境中检测扩展接口的接口数量和接口类型,根据所述扩展接口中所有接口类型的数量,确定对应的传输通道;其中,各个传输通道设置有与所述接口类型所一一对应的图像分割器,以及各个传输通道均设置有不同处理类型的高斯模型。
在本实施例中,所述接口检测模块具体用于:在Python环境中向各个扩展接口发出测试广播信号,其中,所述扩展接口根据其接口类型与所述传输通道中设置的高斯模型的类型一一对应;接收由所述扩展接口响应于所述测试广播信号而生成的测试反馈信号,其中,所述测试反馈信号包括所述扩展接口的接口类型和地址;统计每一个接口类型在不同的地址的数量,得到各个接口类型所对应的接口数量;根据接口类型设置对应的传输通道,同时,根据各个接口类型所对应的接口数量确定对应传输通道的带宽。
所述图像输入模块,用于获取预设数量的原始输入图像,按预设比例将所述原始输入图像分别传输到对应的所述传输通道。
在本实施例中,所述图像输入模块具体用于:将获得的原始输入图像进行尺寸大小和分辨率大小的统一标准处理;根据各个传输通道的带宽之间比例,按预设比例将统一标准处理后的原始输入图像分成对应的多个图像集合;将各个图像集合中的原始输入图像传输到对应的所述传输通道中。
所述图像分割模块,用于控制所述传输通道上的图像分割器对所述原始输入图像进行特征提取并分割,得到提取原始图像和剩余原始图像。
在本实施例的第一方面中,所述图像分割模块具体用于:根据所述图像分割器所对应的接口类型,确定多个提取基准特征;将所述原始输入图像进行网格化处理,对每个网格上的图像区域进行特征识别,当判断目标网格上的图像特征与所述提取基准特征之间的相似度达到预设阈值时,确定所述目标网格为提取基准点;在网格上确定所有提取基准点的位置,对相邻两个提取基准点进行相连接,直到所有的提取基准点连接形成闭环,得到分割图像区域;通过所述图像分割器对所述分割图像区域进行分割,分割得到的区域为提取原始图像,剩余的区域为剩余原始图像;其中,在同一张所述原始输入图像中分割得到的所述提取原始图像含有唯一标识码。
在本实施例的第二方面中,所述图像分割模块用于对目标网格上的图像特征与所述提取基准特征之间相似度的计算过程为:对所述提取基准特征的像素值进行检测,同时,确定所述提取基准特征的外接圆的圆心位置,将所述圆心位置上的像素值定义为第一像素值;对所述外接圆的圆心位置向对所述提取基准特征的边缘依次读取检测得到的像素值,形成第一像素序列;对所述目标网格上的图像特征的像素值进行检测,并确定所述目标网格上的图像特征中与所述第一像素值的差值最小的目标位置;对所述目标位置向对所述目标网格上的图像特征的边缘依次读取检测得到的像素值,形成第二像素序列;通过矩阵公式计算所述第一像素序列和所述第二像素序列之间的向量值,作为所述目标网格上的图像特征与所述提取基准特征之间的相似度。
所述图像映射模块,用于将所述剩余原始图像依次映射到其他传输通道上,直到所述剩余原始图像上的所有特征被完全提取。
在本实施例中,所述图像映射模块具体用于:按顺时针或逆时针方向确认下一个传输通道;同时,将所述剩余原始图像的中心点,以及所述剩余原始图像中空间距离最大的最远点和最近点,均设置为映射点,得到中心映射点、最远映射点和最近映射点;以所述中心映射点为基准将所述剩余原始图像映射到下一个传输通道中,同时,根据所述最远映射点和最近映射点之间的空间距离,对映射得到图像进行空间调整,得到镜像图像;将所述镜像图像进行镜像翻转处理,得到实际映射图像,并将所述实际映射图像输入到当前传输通道的图像分割器中,直到所述剩余原始图像上的所有特征被完全提取。
所述降噪处理模块,用于利用高斯模型对各个所述传输通道中得到的所有提取原始图像进行降噪处理,得到提取降噪图像。
在本实施例中,所述降噪处理模块具体用于:对所述提取原始图像中每个网格区域上的图像区域进行亮度值检测,得到第一亮度值;对所述提取原始图像进行高亮处理,并再次对所述提取原始图像中每个网格区域上的图像区域进行亮度值检测,得到第二亮度值;当确定所述第一亮度值与所述第二亮度值之间差值大于预设亮度阈值时,确定所述第一亮度值所对应的图像区域为噪点区域;通过所在的高斯模型对所述噪点区域进行模糊,并将所述噪点区域相邻的网格区域仿真到所述噪声区域上,得到提取降噪图像。
所述图像融合模块,用于当所有的传输通道均完成降噪处理后,将属于同一张原始输入图像分割得到的所有提取降噪图像进行融合处理,得到降噪输出图像。
在本实施例中,所述图像融合模块具体用于:将含有唯一标识码的提取降噪图像进行集合,得到降噪图像集;对所述降噪图像集中的每个提取降噪图像的边缘点,并确定各个边缘点在网格上的位置;将同一网格位置上的所有边缘点进行融合,得到降噪输出图像。
实施例三,本发明实施例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包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的基于Python的图像噪声优化方法。
实施例四,请参照图3,是本发明实施例提供的终端设备的一种实施例的结构示意图,所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现上述任一实施例所述的基于Python的图像噪声优化方法。
优选地,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,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程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器也可以是任何常规的处理器,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMedia Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,上述终端设备仅仅是示例,并不构成对终端设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于Python的图像噪声优化方法,其特征在于,包括:
在Python环境中检测扩展接口的接口数量和接口类型,根据所述扩展接口中所有接口类型的数量,确定对应的传输通道;其中,各个传输通道设置有与所述接口类型所一一对应的图像分割器,以及各个传输通道均设置有不同处理类型的高斯模型;
获取预设数量的原始输入图像,按预设比例将所述原始输入图像分别传输到对应的所述传输通道;
控制所述传输通道上的图像分割器对所述原始输入图像进行特征提取并分割,得到提取原始图像和剩余原始图像;
将所述剩余原始图像依次映射到其他传输通道上,直到所述剩余原始图像上的所有特征被完全提取;
利用高斯模型对各个所述传输通道中得到的所有提取原始图像进行降噪处理,得到提取降噪图像;
当所有的传输通道均完成降噪处理后,将属于同一张原始输入图像分割得到的所有提取降噪图像进行融合处理,得到降噪输出图像。
2.如权利要求1所述的基于Python的图像噪声优化方法,其特征在于,所述在Python环境中检测扩展接口的接口数量和接口类型,根据所述扩展接口中所有接口类型的数量,确定对应的传输通道的步骤中,具体包括:
在Python环境中向各个扩展接口发出测试广播信号,其中,所述扩展接口根据其接口类型与所述传输通道中设置的高斯模型的类型一一对应;
接收由所述扩展接口响应于所述测试广播信号而生成的测试反馈信号,其中,所述测试反馈信号包括所述扩展接口的接口类型和地址;
统计每一个接口类型在不同的地址的数量,得到各个接口类型所对应的接口数量;
根据接口类型设置对应的传输通道,同时,根据各个接口类型所对应的接口数量确定对应传输通道的带宽。
3.如权利要求2所述的基于Python的图像噪声优化方法,其特征在于,所述获取预设数量的原始输入图像,按预设比例将所述原始输入图像分别传输到对应的所述传输通道的步骤中,具体包括:
将获得的原始输入图像进行尺寸大小和分辨率大小的统一标准处理;
根据各个传输通道的带宽之间比例,按预设比例将统一标准处理后的原始输入图像分成对应的多个图像集合;
将各个图像集合中的原始输入图像传输到对应的所述传输通道中。
4.如权利要求1所述的基于Python的图像噪声优化方法,其特征在于,所述控制所述传输通道上的图像分割器对所述原始输入图像进行特征提取并分割,得到提取原始图像和剩余原始图像的步骤中,具体包括:
根据所述图像分割器所对应的接口类型,确定多个提取基准特征;
将所述原始输入图像进行网格化处理,对每个网格上的图像区域进行特征识别,当判断目标网格上的图像特征与所述提取基准特征之间的相似度达到预设阈值时,确定所述目标网格为提取基准点;
在网格上确定所有提取基准点的位置,对相邻两个提取基准点进行相连接,直到所有的提取基准点连接形成闭环,得到分割图像区域;
通过所述图像分割器对所述分割图像区域进行分割,分割得到的区域为提取原始图像,剩余的区域为剩余原始图像;
其中,在同一张所述原始输入图像中分割得到的所述提取原始图像含有唯一标识码。
5.如权利要求1所述的基于Python的图像噪声优化方法,其特征在于,所述将所述剩余原始图像依次映射到其他传输通道上,直到所述剩余原始图像上的所有特征被完全提取的步骤中,具体包括:
按顺时针或逆时针方向确认下一个传输通道;同时,将所述剩余原始图像的中心点,以及所述剩余原始图像中空间距离最大的最远点和最近点,均设置为映射点,得到中心映射点、最远映射点和最近映射点;
以所述中心映射点为基准将所述剩余原始图像映射到下一个传输通道中,同时,根据所述最远映射点和最近映射点之间的空间距离,对映射得到图像进行空间调整,得到镜像图像;
将所述镜像图像进行镜像翻转处理,得到实际映射图像,并将所述实际映射图像输入到当前传输通道的图像分割器中,直到所述剩余原始图像上的所有特征被完全提取。
6.如权利要求4所述的基于Python的图像噪声优化方法,其特征在于,所述利用高斯模型对各个所述传输通道中得到的所有提取原始图像进行降噪处理,得到提取降噪图像的步骤中,具体包括:
对所述提取原始图像中每个网格区域上的图像区域进行亮度值检测,得到第一亮度值;
对所述提取原始图像进行高亮处理,并再次对所述提取原始图像中每个网格区域上的图像区域进行亮度值检测,得到第二亮度值;
当确定所述第一亮度值与所述第二亮度值之间差值大于预设亮度阈值时,确定所述第一亮度值所对应的图像区域为噪点区域;
通过所在的高斯模型对所述噪点区域进行模糊,并将所述噪点区域相邻的网格区域仿真到所述噪声区域上,得到提取降噪图像。
7.如权利要求4所述的基于Python的图像噪声优化方法,其特征在于,所述当所有的传输通道均完成降噪处理后,将属于同一张原始输入图像分割得到的所有提取降噪图像进行融合处理,得到降噪输出图像的步骤中,具体包括:
将含有唯一标识码的提取降噪图像进行集合,得到降噪图像集;
对所述降噪图像集中的每个提取降噪图像的边缘点,并确定各个边缘点在网格上的位置;
将同一网格位置上的所有边缘点进行融合,得到降噪输出图像。
8.一种基于Python的图像噪声优化系统,其特征在于,包括:接口检测模块、图像输入模块、图像分割模块、图像映射模块、降噪处理模块和图像融合模块;
所述接口检测模块,用于在Python环境中检测扩展接口的接口数量和接口类型,根据所述扩展接口中所有接口类型的数量,确定对应的传输通道;其中,各个传输通道设置有与所述接口类型所一一对应的图像分割器,以及各个传输通道均设置有不同处理类型的高斯模型;
所述图像输入模块,用于获取预设数量的原始输入图像,按预设比例将所述原始输入图像分别传输到对应的所述传输通道;
所述图像分割模块,用于控制所述传输通道上的图像分割器对所述原始输入图像进行特征提取并分割,得到提取原始图像和剩余原始图像;
所述图像映射模块,用于将所述剩余原始图像依次映射到其他传输通道上,直到所述剩余原始图像上的所有特征被完全提取;
所述降噪处理模块,用于利用高斯模型对各个所述传输通道中得到的所有提取原始图像进行降噪处理,得到提取降噪图像;
所述图像融合模块,用于当所有的传输通道均完成降噪处理后,将属于同一张原始输入图像分割得到的所有提取降噪图像进行融合处理,得到降噪输出图像。
9.一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包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-7中任一项所述的基于Python的图像噪声优化方法。
10.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如权利要求1-7中任一项所述的基于Python的图像噪声优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311656692.0A CN117372286B (zh) | 2023-12-06 | 2023-12-06 | 一种基于Python的图像噪声优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311656692.0A CN117372286B (zh) | 2023-12-06 | 2023-12-06 | 一种基于Python的图像噪声优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117372286A true CN117372286A (zh) | 2024-01-09 |
CN117372286B CN117372286B (zh) | 2024-02-09 |
Family
ID=89398785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311656692.0A Active CN117372286B (zh) | 2023-12-06 | 2023-12-06 | 一种基于Python的图像噪声优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372286B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150092982A1 (en) * | 2013-09-30 | 2015-04-02 | Samsung Electronics Co., Ltd. | Image processing apparatus and control method thereof |
CN115442451A (zh) * | 2022-09-02 | 2022-12-06 | 苏州工业园区慧鱼科技有限公司 | 图像信号传输方法、显示装置测试设备 |
CN116225800A (zh) * | 2023-01-31 | 2023-06-06 | 中电科航空电子有限公司 | 一种基于测试框架系统的测试方法、装置和测试框架系统 |
CN116614453A (zh) * | 2023-06-20 | 2023-08-18 | 北京拙河科技有限公司 | 一种基于云端互联的图像传输带宽选择方法及装置 |
CN117033278A (zh) * | 2023-10-08 | 2023-11-10 | 北京云成金融信息服务有限公司 | 一种用于多类型接口的数据传输方法及系统 |
-
2023
- 2023-12-06 CN CN202311656692.0A patent/CN117372286B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150092982A1 (en) * | 2013-09-30 | 2015-04-02 | Samsung Electronics Co., Ltd. | Image processing apparatus and control method thereof |
CN115442451A (zh) * | 2022-09-02 | 2022-12-06 | 苏州工业园区慧鱼科技有限公司 | 图像信号传输方法、显示装置测试设备 |
CN116225800A (zh) * | 2023-01-31 | 2023-06-06 | 中电科航空电子有限公司 | 一种基于测试框架系统的测试方法、装置和测试框架系统 |
CN116614453A (zh) * | 2023-06-20 | 2023-08-18 | 北京拙河科技有限公司 | 一种基于云端互联的图像传输带宽选择方法及装置 |
CN117033278A (zh) * | 2023-10-08 | 2023-11-10 | 北京云成金融信息服务有限公司 | 一种用于多类型接口的数据传输方法及系统 |
Non-Patent Citations (3)
Title |
---|
RAPOLU PRAVEEN KUMAR等: "Image Restoration by Inverse Filtering", 《2022 6TH INTERNATIONAL CONFERENCE ON COMPUTING METHODOLOGIES AND COMMUNICATION (ICCMC)》, pages 1227 - 1231 * |
王浩: "交通图像去雾清晰化系统的研究与实现", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 06, pages 034 - 395 * |
蓝晓柯: "高清手掌静脉图像的获取与预处理方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 04, pages 138 - 1269 * |
Also Published As
Publication number | Publication date |
---|---|
CN117372286B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545262B (zh) | 一种在自然场景图像中检测文本的方法及装置 | |
CN108885699B (zh) | 字符识别方法、装置、存储介质及电子设备 | |
CN108961303B (zh) | 一种图像处理方法、装置、电子设备和计算机可读介质 | |
CN110348294B (zh) | Pdf文档中图表的定位方法、装置及计算机设备 | |
TWI747120B (zh) | 深度模型訓練方法及裝置、電子設備及儲存介質 | |
US11314989B2 (en) | Training a generative model and a discriminative model | |
CN110443140B (zh) | 文本定位的方法、装置、计算机设备及存储介质 | |
CN112819686B (zh) | 基于人工智能的图像风格处理方法、装置及电子设备 | |
CN109740752B (zh) | 深度模型训练方法及装置、电子设备及存储介质 | |
JP6997369B2 (ja) | プログラム、測距方法、及び測距装置 | |
US8989505B2 (en) | Distance metric for image comparison | |
CN112597918A (zh) | 文本检测方法及装置、电子设备、存储介质 | |
CN116311279A (zh) | 样本图像的生成、模型训练、字符识别方法、设备及介质 | |
CN111353325A (zh) | 关键点检测模型训练方法及装置 | |
KR20210065901A (ko) | 이미지에서의 키 포인트 위치의 인식 방법, 장치, 전자기기 및 매체 | |
CN112668640A (zh) | 一种文本图像质量评估方法、装置、设备及介质 | |
CN113516697B (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
CN117372286B (zh) | 一种基于Python的图像噪声优化方法及系统 | |
US20230401670A1 (en) | Multi-scale autoencoder generation method, electronic device and readable storage medium | |
CN111815748A (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
CN116246161A (zh) | 领域知识引导下的遥感图像目标精细类型识别方法及装置 | |
CN115578796A (zh) | 一种活体检测模型的训练方法、装置、设备及介质 | |
CN115205553A (zh) | 图像的数据清洗方法、装置、电子设备及存储介质 | |
CN114241044A (zh) | 回环检测方法、装置、电子设备和计算机可读介质 | |
US20230401691A1 (en) | Image defect detection method, electronic device and readable storage medium |
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 |