CN117437163A - 一种图像增强方法、图像处理芯片及图像增强视频系统 - Google Patents
一种图像增强方法、图像处理芯片及图像增强视频系统 Download PDFInfo
- Publication number
- CN117437163A CN117437163A CN202311421604.9A CN202311421604A CN117437163A CN 117437163 A CN117437163 A CN 117437163A CN 202311421604 A CN202311421604 A CN 202311421604A CN 117437163 A CN117437163 A CN 117437163A
- Authority
- CN
- China
- Prior art keywords
- image
- frame
- neural network
- network processor
- video
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000005192 partition Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 239000003086 colorant Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
- G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
- G09G3/34—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters by control of light from an independent source
- G09G3/3406—Control of illumination source
- G09G3/342—Control of illumination source using several illumination sources separately controlled corresponding to different display panel areas, e.g. along one dimension such as lines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Neurology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种图像增强方法、图像处理芯片及图像增强视频系统,其中图像增强方法包括:利用已标定的图像进行分类训练,建立神经网络处理器;将每个类别的图像的参数进行优化调整,得到最优的图像质量,并将对应的最优参数值保存在神经网络处理器中;使用神经网络处理器将输入的每一帧图像分类,并调用对应类别的最优参数值对图像进行优化;以及对输入的每一帧图像进行分区计算,得到每个分区的背光参数。采用AI算法对输入的视频每一帧进行计算和进行每一帧的图像画质的实时优化,有效提高视频在屏幕上显示的图像质量。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像增强方法、图像处理芯片及图像增强视频系统。
背景技术
视频图像信号从视频源输出芯片通过LVDS、VBO、eDP或MIPI接口传输到显示屏,视频在屏幕显示的图像质量和视频源输出芯片有很大的相关性。将视频源输出芯片输出的图像进行优化,可以提高显示屏显示出的图像质量。
目前,可以通过调整图像局部或者整体的画质(picture quality,PQ)调整参数,以优化图像的画质。可以通过人工设置画质调整参数,根据人工设置的画质调整参数来进行画质优化。然而,人工手段的画质优化,需要人工干预,优化效果差。
此外,传统的视频图像增强是一套或几套参数对应所有的图像场景的,不能按照每帧的具体特性进行优化增强。
发明内容
为解决现有技术中的上述问题中的至少一部分问题,本发明提供一种图像增强方法,包括:
利用已标定的图像进行分类训练,建立神经网络处理器;
将每个类别的图像的参数进行优化调整,得到最优的图像质量,并将对应的最优参数值保存在神经网络处理器中;
使用神经网络处理器将输入的每一帧图像分类,并调用对应类别的最优参数值对图像进行优化;以及
对输入的每一帧图像进行分区计算,得到每个分区的背光参数。
进一步地,其中使用神经网络处理器将输入的每一帧图像分类,并调用对应类别的最优参数值对图像进行优化包括:
在显示通路上截取每一帧图像,使用神经网络处理器将每一帧图像分类,并调用对应类别的最优图像质量参数值对图像的质量进行优化;以及
使用神经网络处理器将每一帧图像分类,由图像自适应3DLUT根据对应分类的最优图像色彩参数值对图像色彩进行进一步优化。
进一步地,使用神经网络处理器将每一帧图像进行分类,并对每一帧图像的内容进行场景和对象的识别得到内容相关的权重;
利用权重将多个基础3DLUT融合为图像自适应3DLUT;以及
图像自适应3DLUT根据对应类别的最优图像色彩参数值,自动调整色彩参数,进行图像色彩增强。
进一步地,在对图像进行分类之前,将在显示通路上截取的图像进行退化。
进一步地,其中对输入的每一帧图像进行分区计算,得到每个分区的背光参数包括:
在视频通路上截取每一帧图像,使用电路对每一帧图像进行分区计算,将计算出的每一个分区的背光灯亮度值传送给显示器,对每个分区的图像进行相应的优化。
进一步地,所述图像质量参数包含了所述图像色彩参数,所述图像质量参数包括:色彩饱和度、亮度、噪声、清晰度、对比度、锐化及色彩均衡。
进一步地,所述图像色彩参数包括色彩饱和度、亮度及清晰度。
本发明还提供一种图像处理芯片,包括:
神经网络处理器,其被配置为使用AI算法对输入的视频数据的每一帧图像进行计算,得到对于每一帧图像的最优参数;以及
图像画质处理器,其与所述神经网络处理器通信连接,且被配置为根据所述神经网络处理器计算出的最优参数进行画质优化增强。
进一步地,还包括:
视频输入接口,其与所述神经网络处理器通信连接,所述视频输入接口被配置为接收视频数据并传送给所述神经网络处理器;以及
视频输出接口,其与所述图像画质处理器通信连接,且被配置为将画质优化增强后的视频数据输出。
本发明还提供一种图像增强视频系统,包括:
视频源输出芯片,其被配置为为图像处理芯片提供视频数据;
上述图像处理芯片;以及
显示系统,其与所述图像处理芯片通信连接,所述显示系统包括:
显示器接口芯片,其被配置为将视频数据转换成了屏幕显示信号;以及
背光控制,其被配置为根据所述图像处理芯片传输的背光灯的亮度信息控制屏幕的背光控制灯的亮度和开关。
本发明至少具有下列有益效果:(1)在本发明公开的图像增强方法、图像增强视频系统中,在显示路径上使用带有AI功能的图像处理芯片,采用AI算法对输入的视频每一帧进行计算和进行每一帧的图像画质的实时优化,有效提高视频在屏幕上显示的图像质量;(2)本发明公开的分区背光优化为不具备分区背光处理能力的芯片提供了实现实时分区背光的解决方案。
附图说明
为了进一步阐明本发明的各实施例的以上和其它优点和特征,将参考附图来呈现本发明的各实施例的更具体的描述。可以理解,这些附图只描绘本发明的典型实施例,因此将不被认为是对其范围的限制。
图1示出了通用视频系统的示意图;
图2示出了根据本发明一个实施例的图像增强视频系统的示意图;
图3示出了根据本发明一个实施例的图像处理芯片的示意图;
图4示出了根据本发明一个实施例的图像质量的实时分类优化的示意图;
图5示出了根据本发明一个实施例的图像色彩优化的示意图;以及
图6示出了根据本发明一个实施例的背光分区增强的示意图。
具体实施方式
应当指出,各附图中的各组件可能为了图解说明而被夸大地示出,而不一定是比例正确的。
在本发明中,各实施例仅仅旨在说明本发明的方案,而不应被理解为限制性的。
在本发明中,除非特别指出,量词“一个”、“一”并未排除多个元素的场景。
在此还应当指出,在本发明的实施例中,为清楚、简单起见,可能示出了仅仅一部分部件或组件,但是本领域的普通技术人员能够理解,在本发明的教导下,可根据具体场景需要添加所需的部件或组件。
在此还应当指出,在本发明的范围内,“相同”、“相等”、“等于”等措辞并不意味着二者数值绝对相等,而是允许一定的合理误差,也就是说,所述措辞也涵盖了“基本上相同”、“基本上相等”、“基本上等于”。
在此还应当指出,在本发明的描述中,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是明示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为明示或暗示相对重要性。
另外,本发明的各方法的步骤的编号并未限定所述方法步骤的执行顺序。除非特别指出,各方法步骤可以以不同顺序执行。
图1示出了通用视频系统的示意图。如图1所示,视频数据从视频源输出芯片101传输至显示系统102中的显示器接口芯片103(TCON-Timing Controller),显示器接口芯片103将接收到的视频数据直接转换成了屏幕显示信号,背光控制104控制屏幕的背光控制灯的亮度和开关,显示视频。
视频在屏幕显示的图像质量和视频源输出芯片输出的视频数据有很大的相关性,若要提高显示的视频图像的质量,需要将视频源输出芯片输出的视频的画质进行优化。
图2示出了根据本发明一个实施例的图像增强视频系统的示意图。
如图2所示,视频数据从视频源输出芯片201传输至图像处理芯片202,图像处理芯片202对视频的每一帧进行图像质量及背光的优化增强处理,并将优化后的视频数据传输至显示系统203中的显示器接口芯片204。显示器接口芯片204将视频数据直接转换成了屏幕显示信号。同时图像处理芯片202将背光灯的亮度信息传输至背光控制模块205,背光控制模块205根据收到的信息,控制屏幕的背光控制灯的亮度和开关。
图3示出了根据本发明一个实施例的图像处理芯片的示意图。
如图3所示,图像处理芯片主要包括:视频输入接口301、神经网络处理器(AI-NPU)302、图像画质处理器303以及视频输出接口304。
图像处理芯片的工作流程:
图像处理芯片通过视频输入接口301接收视频数据,并将视频数据传输至神经网络处理器302。神经网络处理器302经过AI算法运算对输入的视频数据的每一帧进行处理,得到对于该输入图像的最优参数,将最优参数传到图像画质处理器303,图像画质处理器303运用最优参数对接收的视频数据进行画质优化增强,然后把画质优化后的视频数据通过视频输出接口304输出。
图像的优化大致分为三个部分:1.图像质量的优化增强;2.图像色彩的进一步优化;3.背光的分区增强。
在进行图像优化之前,需要训练出一个神经网络处理器,后续使用神经网络处理器(AI-NPU)进行优化。
使用卷积神经网络对已标定的图片进行分类训练,建立神经网络处理器。将每一个类别的图像的多个参数进行手动优化调整,得到最优的图像质量,并将对应的最优参数值保存在神经网络处理器中。
图4示出了根据本发明一个实施例的图像质量的实时分类优化的过程示意图。
如图4所示,在显示路径上截取每一帧视频图像,经过神经网络处理器的运算,将每一帧图像按照计算结果映射到相应的图像类别中,然后自动调用对应图像类别的图像质量参数进行图像的质量优化和图像增强。图像质量参数包括色彩饱和度、亮度、噪声、清晰度、对比度等等。将包括色彩参数在内的所有的图像质量参数进行优化,后续会单独对图像色彩进行精细化优化。截取的是高分辨率的HR图像,需要将这个高清图像缩小以进行分类的卷积运算,可以减少计算量,所以在分类之前需要将高分辨率的HR图像退化到低分辨率的LR图像。
与传统的图像优化处理的不同是,本发明充分利用了神经网络处理器的运算能力,实时的对每一帧图像进行针对性的优化增强,传统的视频图像增强是一套或几套参数对应所有的图像场景的,不能按照每帧的具体特性进行优化增强。
图5示出了根据本发明一个实施例的图像色彩优化的示意图。
如图5所示,神经网络处理器模型根据截取的视频输入的每一帧图像进行计算,得到多个基础3DLUT(RGB映射查找表)对应的权重值,然后多个基础3DLUT根据权重值融合产生图像自适应3DLUT,运用这个图像自适应3DLUT结合硬件电路,对视频的每一帧图像进行RGB的优化调节,实时产生预期的图像,达到最佳的显示效果,让观众得到最佳的视觉感受。
具体的,将输入的高分辨率的高清(HR)图像退化得到低分辨率的LR图像。输入的是HR图像,需要将这个HR图像缩小以进行分类的卷积运算,可以减少计算量,所以需要将高分辨率的HR图像退化到低分辨率的LR图像。神经网络处理器将退化后的每一帧图像进行分类,将图像映射到相应的图像类别中,并对每一帧图像的内容进行场景和对象的识别得到内容相关的权重。利用权重值将多个基础3DLUT(RGB映射查找表)融合为图像自适应3DLUT。然后图像自适应3DLUT根据对应类别的最优图像色彩参数值(RGB),自动调整色彩饱和度、亮度、清晰度等参数,进行图像色彩增强。优化后的视频与硬件一起配合,让观者得到最佳的视觉感受。
若优化时图像分类正确,则进行RGB的优化调节计算过程中的损失是分类正确的情况下的图像和期望的图像的损失。若优化时图像分类错误,则进行RGB的优化调节计算过程中的损失是分类错误的情况下的图像和期望的图像的损失。
该技术的特点:1.对视频做到按照帧的实时处理;2.用AI模型进行每帧的精细化处理。
图6示出了根据本发明一个实施例的背光分区增强的示意图。
如图6所示,在视频通路上截取每一帧图像,使用电路进行每一帧图像的分区计算,将计算出的每一个分区的背光灯亮度值通过显示器的专属接口送给显示器,同时对每个分区的图像进行相应的优化(譬如亮度补偿、边界均衡等等),最终得到实时的最佳视觉效果。
该技术的特点:1.实时计算更多的分区;2.用该方法为不具备分区背光处理能力的芯片提供了实现实时分区背光的解决方案。
虽然本发明的一些实施方式已经在本申请文件中予以了描述,但是本领域技术人员能够理解,这些实施方式仅仅是作为示例示出的。本领域技术人员在本发明的教导下可以想到众多的变型方案、替代方案和改进方案而不超出本发明的范围。所附权利要求书旨在限定本发明的范围,并借此涵盖这些权利要求本身及其等同变换的范围内的方法和结构。
Claims (10)
1.一种图像增强方法,其特征在于,包括:
利用已标定的图像进行分类训练,建立神经网络处理器;
将每个类别的图像的参数进行优化调整,得到最优的图像质量,并将对应的最优参数值保存在神经网络处理器中;
使用神经网络处理器将输入的每一帧图像分类,并调用对应类别的最优参数值对图像进行优化;以及
对输入的每一帧图像进行分区计算,得到每个分区的背光参数。
2.根据权利要求1所述的图像增强方法,其特征在于,其中使用神经网络处理器将输入的每一帧图像分类,并调用对应类别的最优参数值对图像进行优化包括:
在显示通路上截取每一帧图像,使用神经网络处理器将每一帧图像分类,并调用对应类别的最优图像质量参数值对图像的质量进行优化;以及
使用神经网络处理器将每一帧图像分类,图像自适应3DLUT根据对应分类的最优图像色彩参数值对图像色彩进行进一步优化。
3.根据权利要求2所述的图像增强方法,其特征在于,使用神经网络处理器将每一帧图像进行分类,并对每一帧图像的内容进行场景和对象的识别得到内容相关的权重;
利用权重将多个基础3DLUT融合为图像自适应3DLUT;以及
图像自适应3DLUT根据对应类别的最优图像色彩参数值,自动调整色彩参数,进行图像色彩增强。
4.根据权利要求3所述的图像增强方法,其特征在于,在对图像进行分类之前,将在显示通路上截取的图像进行退化。
5.根据权利要求1所述的图像增强方法,其特征在于,其中对输入的每一帧图像进行分区计算,得到每个分区的背光参数包括:
在视频通路上截取每一帧图像,使用电路对每一帧图像进行分区计算,将计算出的每一个分区的背光灯亮度值传送给显示器,对每个分区的图像进行相应的优化。
6.根据权利要求1所述的图像增强方法,其特征在于,所述图像质量参数包含了所述图像色彩参数,所述图像质量参数包括:色彩饱和度、亮度、噪声、清晰度、对比度、锐化及色彩均衡。
7.根据权利要求1所述的图像增强方法,其特征在于,所述图像色彩参数包括色彩饱和度、亮度及清晰度。
8.一种图像处理芯片,其特征在于,包括:
神经网络处理器,其被配置为使用AI算法对输入的视频数据的每一帧图像进行计算,得到对于每一帧图像的最优参数;以及
图像画质处理器,其与所述神经网络处理器通信连接,且被配置为根据所述神经网络处理器计算出的最优参数进行画质优化增强。
9.根据权利要求8所述的图像处理芯片,其特征在于,还包括:
视频输入接口,其与所述神经网络处理器通信连接,所述视频输入接口被配置为接收视频数据并传送给所述神经网络处理器;以及
视频输出接口,其与所述图像画质处理器通信连接,且被配置为将画质优化增强后的视频数据输出。
10.一种图像增强视频系统,其特征在于,包括:
视频源输出芯片,其被配置为为图像处理芯片提供视频数据;
权利要求8或9所述的图像处理芯片;以及
显示系统,其与所述图像处理芯片通信连接,所述显示系统包括:
显示器接口芯片,其被配置为将视频数据转换成了屏幕显示信号;以及
背光控制,其被配置为根据所述图像处理芯片传输的背光灯的亮度信息控制屏幕的背光控制灯的亮度和开关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311421604.9A CN117437163A (zh) | 2023-10-31 | 2023-10-31 | 一种图像增强方法、图像处理芯片及图像增强视频系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311421604.9A CN117437163A (zh) | 2023-10-31 | 2023-10-31 | 一种图像增强方法、图像处理芯片及图像增强视频系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117437163A true CN117437163A (zh) | 2024-01-23 |
Family
ID=89552996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311421604.9A Pending CN117437163A (zh) | 2023-10-31 | 2023-10-31 | 一种图像增强方法、图像处理芯片及图像增强视频系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117437163A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111031346A (zh) * | 2019-10-28 | 2020-04-17 | 网宿科技股份有限公司 | 一种增强视频画质的方法和装置 |
CN112965922A (zh) * | 2021-03-03 | 2021-06-15 | 南昌黑鲨科技有限公司 | 一种用于增强智能终端的ai性能的方法及系统 |
CN113538211A (zh) * | 2020-04-22 | 2021-10-22 | 华为技术有限公司 | 一种画质增强装置及相关方法 |
CN113628100A (zh) * | 2021-08-10 | 2021-11-09 | Oppo广东移动通信有限公司 | 视频增强方法、装置、终端及存储介质 |
CN113709385A (zh) * | 2021-03-05 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 一种视频处理方法及装置、计算机设备和存储介质 |
CN113763296A (zh) * | 2021-04-28 | 2021-12-07 | 腾讯云计算(北京)有限责任公司 | 图像处理方法、设备以及介质 |
CN113823234A (zh) * | 2021-11-22 | 2021-12-21 | 南京熊猫电子制造有限公司 | 一种RGB Mini-LED场序背光控制系统及方法 |
CN114723610A (zh) * | 2022-06-10 | 2022-07-08 | 武汉海微科技有限公司 | 图像智能处理方法、装置、设备及存储介质 |
-
2023
- 2023-10-31 CN CN202311421604.9A patent/CN117437163A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111031346A (zh) * | 2019-10-28 | 2020-04-17 | 网宿科技股份有限公司 | 一种增强视频画质的方法和装置 |
CN113538211A (zh) * | 2020-04-22 | 2021-10-22 | 华为技术有限公司 | 一种画质增强装置及相关方法 |
CN112965922A (zh) * | 2021-03-03 | 2021-06-15 | 南昌黑鲨科技有限公司 | 一种用于增强智能终端的ai性能的方法及系统 |
CN113709385A (zh) * | 2021-03-05 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 一种视频处理方法及装置、计算机设备和存储介质 |
CN113763296A (zh) * | 2021-04-28 | 2021-12-07 | 腾讯云计算(北京)有限责任公司 | 图像处理方法、设备以及介质 |
CN113628100A (zh) * | 2021-08-10 | 2021-11-09 | Oppo广东移动通信有限公司 | 视频增强方法、装置、终端及存储介质 |
CN113823234A (zh) * | 2021-11-22 | 2021-12-21 | 南京熊猫电子制造有限公司 | 一种RGB Mini-LED场序背光控制系统及方法 |
CN114723610A (zh) * | 2022-06-10 | 2022-07-08 | 武汉海微科技有限公司 | 图像智能处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10255879B2 (en) | Method and apparatus for image data transformation | |
CN113593500B (zh) | 图形数据融合方法、数据映射方法、以及设备 | |
EP2949120B1 (en) | Global display management based light modulation | |
US20090009525A1 (en) | Color Adjustment Device and Method | |
CN113299245B (zh) | 显示设备局部背光调节方法、装置、显示设备及存储介质 | |
KR20110066145A (ko) | 화질 조정 방법 및 그를 이용한 영상 표시 장치. | |
CN113393803B (zh) | 一种校正过程中的画面生成方法及装置 | |
EP1869875A1 (en) | Color conversion unit for reduced fringing | |
TW201106326A (en) | Timing controller utilized in display device and method thereof | |
US9967540B2 (en) | Ultra high definition 3D conversion device and an ultra high definition 3D display system | |
US7336822B2 (en) | Enhanced color correction circuitry capable of employing negative RGB values | |
CN103390395A (zh) | 一种对显示器的亮度进行调整的方法和电子设备 | |
CN105898252A (zh) | 一种电视色彩的调整方法和装置 | |
CN114866809A (zh) | 视频转换方法、装置、设备、存储介质及程序产品 | |
CN110337808B (zh) | 图像处理装置和图像处理方法 | |
CN103024489B (zh) | 图像处理装置及系统、视频采集卡、显示器件、机顶盒 | |
CN109348207A (zh) | 色温调节方法、图像处理方法及装置、介质和电子设备 | |
CN117437163A (zh) | 一种图像增强方法、图像处理芯片及图像增强视频系统 | |
CN113014839B (zh) | 一种自适应环景光适配方法 | |
CN114999363A (zh) | 色偏校正方法、装置、设备、存储介质及程序产品 | |
CN112185307B (zh) | 显示设备和显示控制方法 | |
CN112489592A (zh) | 一种led显示屏色彩自动调节系统 | |
JP2001337660A (ja) | 画像表示システム | |
US20120069038A1 (en) | Image Processing Method and Image Display System Utilizing the Same | |
CN117082222B (zh) | 一种用于转播车的图像视频优化调色方法 |
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 |