CN117635506B - 一种基于AI赋能Mean Shift算法的图像增强方法及装置 - Google Patents
一种基于AI赋能Mean Shift算法的图像增强方法及装置 Download PDFInfo
- Publication number
- CN117635506B CN117635506B CN202410097713.8A CN202410097713A CN117635506B CN 117635506 B CN117635506 B CN 117635506B CN 202410097713 A CN202410097713 A CN 202410097713A CN 117635506 B CN117635506 B CN 117635506B
- Authority
- CN
- China
- Prior art keywords
- image
- mean shift
- phase rotation
- pixel
- enhanced
- 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 29
- 239000013598 vector Substances 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 10
- 230000000903 blocking effect Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于AI赋能Mean Shift算法的图像增强方法及装置,属于图像增强技术领域。所述方法包括:S1.将待增强图像划分为M个图像块,并设置计数器,计数器的初始值为1;S2.基于图像块内的像素信息生成幅度缩放因子和相位旋转因子;S3.根据幅度缩放因子和相位旋转因子计算Mean Shift向量;S4.利用Mean Shift算法更新图像块的中心点;S5.基于Mean Shift向量计算图像块的漂移距离,若,则执行S2,否则将计数器的值加一并执行S6;其中,为预设门限;S6.判断计数器的值是否大于M,若是,则完成图像增强,否则执行S2。本发明提高了算法效率。
Description
技术领域
本发明属于图像增强技术领域,特别是涉及一种基于AI赋能Mean Shift 算法的图像增强方法及装置。
背景技术
图像增强技术用于提高图像质量和细节的可视性,在计算机视觉领域占据着重要地位。AI赋能图像增强方法通过深度学习和机器学习等技术,能够更智能地理解和处理图像信息,提高图像质量和视觉感知。在图像处理的众多方法中,Mean Shift算法以其在特定任务中的卓越性能而备受关注。Mean Shift算法是一种基于核密度估计的非参数化聚类算法,广泛应用于图像分割、目标跟踪等领域。然而,传统的Mean Shift算法在处理复杂图像时可能面临一些限制,如算法迭代时间久、处理图像时可能因过度平滑导致细节损失严重等。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于AI赋能Mean Shift 算法的图像增强方法及装置。
本发明的目的是通过以下技术方案来实现的:
本发明的第一方面公开了一种基于AI赋能Mean Shift 算法的图像增强方法,包括:
S1.将待增强图像划分为M个图像块,并设置计数器,计数器的初始值为1,然后执行S2;
S2.基于图像块内的像素信息生成幅度缩放因子和相位旋转因子,然后执行S3;
S3.根据幅度缩放因子和相位旋转因子计算Mean Shift向量,然后执行S4;
S4.利用Mean Shift算法更新图像块的中心点,然后执行S5;
S5.基于Mean Shift向量计算图像块的漂移距离,若,则执行S2,否则
将计数器的值加一并执行S6;其中,为预设门限;
S6.判断计数器的值是否大于M,若是,则完成图像增强,否则执行S2。
进一步地,将待增强图像划分为M个图像块,包括:
S11. 计算待增强图像中每个像素点周围的像素密度,像素密度的计算公式为:
其中,表示待增强图像中坐标为(x,y)的像素点周围的像素密度,
表示待增强图像中坐标为的像素点的像素值,表示密度计算的邻域大小;
S12. 判断每个像素点周围的像素密度是否大于第一阈值,若是,则将该像素点的中心判决值确定为1,否则将该像素点的中心判决值确定为0;
S13. 分别将值为1的中心判决值对应的像素点作为一个图像块中心,并计算每个图像块的边长,将待增强图像划分为若干个正方形的图像块,每个图像块的边长计算公式为:
其中,L(x,y)表示中心点坐标为(x,y)的图像块的边长,表示对向上取整操
作,为边长因子。
进一步地,所述第一阈值的计算公式为:
其中,T表示第一阈值,表示求中所有元素的和,表示坐标处邻域内像素密度的标准差。
进一步地,基于图像块内的像素信息生成幅度缩放因子和相位旋转因子,包括:
基于图像块内的像素信息,利用预测网络MS-PredNet生成幅度缩放因子和相位旋转因子。
进一步地,所述预测网络MS-PredNet包括:
特征增强层,其卷积核大小为,卷积核数目为,输出维度为,其中,,,为图像块的高度,为图像块的宽度;
特征提取层,其卷积核大小为,卷积核数目为,池化核大小为,步长为,输出维度为;
特征细化层,其卷积核大小为,卷积核数目为,池化核大小为,步长为,输出维度为;
特征融合层,其节点数为,节点间的连接方式为全连接;
输出层,其节点数为2,输出层的输出为幅度缩放因子和相位旋转因子。
进一步地,所述Mean Shift向量的计算公式为:
其中,表示Mean Shift向量,表示幅度缩放因子,表示相位旋转因子,
表示横坐标方向的偏移量,表示纵坐标方向的偏移量。
进一步地,图像块的中心点更新公式为:
其中,为图像块的原中心点坐标,为图像块更新后的中
心点坐标。
进一步地,所述漂移距离的计算公式为:
其中,表示漂移距离。
进一步地,所述图像增强方法还包括:
在将待增强图像进行图像块划分之前,对待增强图像进行高斯去噪和亮度调整。
本发明的第二方面公开了一种基于AI赋能Mean Shift 算法的图像增强装置,包括:
图像分块模块,用于将待增强图像划分为M个图像块,并设置计数器,计数器的初始值为1;
第一计算模块,用于基于图像块内的像素信息生成幅度缩放因子和相位旋转因子;
第二计算模块,用于根据幅度缩放因子和相位旋转因子计算Mean Shift向量;
中心点更新模块,用于利用Mean Shift算法更新图像块的中心点;
第三计算模块,用于基于Mean Shift向量计算图像块的漂移距离/>,并将计数器的值加一;
结果输出模块,用于在计数器的值大于M时完成图像增强,输出增强后的图像。
本发明的有益效果是:
(1)传统的Mean Shift算法需要计算每个像素点漂移向量,计算复杂度高;本发明首先将待增强图像进行分块处理,然后通过神经网络预测分块后预测每个图像块的幅度缩放因子和相位旋转因子,由此得到每个图像块的Mean Shift向量(漂移向量),并将MeanShift向量用于Mean Shift算法的迭代更新中心点过程,将所有图像块处理完后得到的图像作为增强后的图像输出,降低了计算的复杂度;
(2)本发明利用神经网络预测Mean Shift向量,提高了算法计算效率,减少了算法迭代时间,为实际场景中低延迟处理要求的图像增强带来了诸多实施方案,具有重大意义。
附图说明
图1为本发明图像增强方法的一种流程图。
图2为本发明中图像分块的一种流程图。
图3为本发明中生成幅度缩放因子和相位旋转因子的一种流程图。
实施方式
下面将结合实施例,对本发明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,本领域技术人员在没有付出创造性劳动的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。
参阅图1至图3,本发明提供一种基于AI赋能Mean Shift 算法的图像增强方法及装置:
本实施例的第一方面公开了一种基于AI赋能Mean Shift 算法的图像增强方法,如图1所示,所述图像增强方法包括S1至S6。
S1.将待增强图像划分为M个图像块,并设置计数器,计数器的初始值为1,然后执行S2。
在一些实施例中,将待增强图像划分为M个图像块,包括:利用图像自适应窗格分割算法将待增强图像划分为M个图像块,即图像块。
在一些实施例中,待增强图像划分的图像块个数M根据直方图设置。
在一些实施例中,将待增强图像划分为M个图像块,包括S11至S13。
S11. 计算待增强图像中每个像素点周围的像素密度,像素密度的计算公式为:
其中,表示待增强图像中坐标为(x,y)的像素点周围的像素密度,
表示待增强图像中坐标为(x,y)的像素点的像素值,表示密度计算的邻域大小。在一些实
施例中,的值由经典方法Sobel算子得到。
S12. 判断每个像素点周围的像素密度是否大于第一阈值,若是,则将该像素点的中心判决值确定为1,否则将该像素点的中心判决值确定为0。
例如,若D(x,y)>T,则中心判决值A(x,y)=1,否则中心判决值A(x,y)=0。
在一些实施例中,所述第一阈值根据均值调整方法计算得到。
在一些实施例中,所述第一阈值的计算公式为:
其中,T表示第一阈值,表示求中所有元素的和,表示坐标处邻域内像素密度的标准差。
S13. 分别将值为1的中心判决值对应的像素点作为一个图像块中心,并计算每个图像块的边长,将待增强图像划分为若干个正方形的图像块,每个图像块的边长计算公式为:
其中,L(x,y)表示中心点坐标为(x,y)的图像块的边长,表示对向上取整操
作,为边长因子。在一实施例中,的值根据需要确定,例如,根据工程经验确定的值。
具体的,以中心判决值A(x,y)=1的像素点为中心,L(x,y)为边长将待增强图像按正方形分块,即可得到所有中心判决值A(x,y)=1像素点个数的图像块。
例如,将待增强图像划分为若干个正方形形状的图像块,每个图像块的中心为一个值为1的中心判决值对应的像素点,每个图像块的边长计算公式为:
。以中心判决值A(x,y)=1对应的像素点(x,y)为中心,根据上述边长计算公式计算对应的正方形边长,从而确定分块边界长度L(x,y),然后将待增强图像分割多个图像块。
例如,待增强图像经预处理后为灰度图,分辨率为3×3,共9个像素点,其像素点的像素值为,密度计算的邻域大小K=3,根据公式/>得到像素密度/>,根据公式/>得到第一阈值T=58,得到中心判决矩阵/>,以像素点(1,2)、(2,1)、(2,2)、(2,3)为中心,按公式得到边长均为1。
在一些实施例中,所述图像增强方法还包括:在将待增强图像进行图像块划分之前,对待增强图像进行高斯去噪和亮度调整。即,先对待增强图像进行预处理,然后再对待增强图像进行图像块划分,预处理包括高斯去噪和亮度调整等。
S2.基于图像块内的像素信息生成幅度缩放因子和相位旋转因子,然后执行S3。
本实施例中每次分别基于一个图像块内的像素信息生成幅度缩放因子和相位旋转因子。
在一些实施例中,基于图像块内的像素信息生成幅度缩放因子和相位旋转因子,包括:基于图像块/>内的像素信息,利用预测网络MS-PredNet(Mean Shift Prediction Net)生成幅度缩放因子和相位旋转因子。
每个图像块对应的预测网络MS-PredNet的参数不一样,将图像块/>输入预测网络即得到对应的幅度缩放因子和相位旋转因子。
在一些实施例中,所述预测网络MS-PredNet包括特征增强层、特征提取层、特征细化层、特征融合层和输出层。
所述特征增强层的卷积核大小为,特征增强层的卷积核数目为,特
征增强层的输出维度为,其中,,,为图像块的高
度,为图像块的宽度。
所述特征提取层的卷积核大小为,特征提取层的卷积核数目为,
特征提取层的池化核大小为,特征提取层的步长为,特征提取层的输出维度
为。
所述特征细化层的卷积核大小为,特征细化层的卷积核数目为,特
征细化层的池化核大小为,特征细化层的步长为,特征细化层的输出维度
为。
所述特征融合层的节点数为,节点间的连接方式为全连接。
所述输出层的节点数为2,输出层的输出为幅度缩放因子和相位旋转因子。
本实施例中,预测网络MS-PredNet中的每个卷积核在卷积时会与输入图像块的每个通道进行卷积操作,因此卷积核的深度与输入图像的通道数 C相关。
假设某一图像图像块的大小为,得到高度/>,宽度/>,颜色通道数/>。得到特征增强层卷积核大小为/>,卷积核数目/>,输出维度为;在特征提取层,使用64个大小为/>的卷积核,池化核大小为/>步长为2,得到输出维度/>;特征细化层使用128个大小为/>的卷积核,池化核大小为步长为2,输出维度是/>。
S3.根据幅度缩放因子和相位旋转因子计算Mean Shift向量,然后执行S4。
在一些实施例中,所述Mean Shift向量的计算公式为:
其中,表示Mean Shift向量,表示幅度缩放因子,表示相位旋转因子,
表示横坐标方向的偏移量,表示纵坐标方向的偏移量。
S4.利用Mean Shift算法更新图像块的中心点,然后执行S5。
在一些实施例中,图像块的中心点更新公式为:
其中,为图像块的原中心点坐标,为图像块更新后的中
心点坐标。
S5.基于Mean Shift向量计算图像块的漂移距离,若,则执行S2,否则
将计数器的值加一并执行S6;其中,为预设门限。
预设门限根据实际需求确定,例如,根据工程经验设置预设门限。
在一些实施例中,所述漂移距离的计算公式为:
其中,表示漂移距离。
S6.判断计数器的值是否大于M,若是,则完成图像增强,否则执行S2。
具体的,当计数器的值大于等于M时完成图像增强,此时得到的图像即为增强后的图像。
本实施例的第二方面公开了一种基于AI赋能Mean Shift 算法的图像增强装置,包括图像分块模块、第一计算模块、第二计算模块、中心点更新模块、第三计算模块和结果输出模块。
图像分块模块,用于将待增强图像划分为M个图像块,并设置计数器,计数器的初始值为1。
第一计算模块,用于基于图像块内的像素信息生成幅度缩放因子和相位旋转因子。
第二计算模块,用于根据幅度缩放因子和相位旋转因子计算Mean Shift向量。
中心点更新模块,用于利用Mean Shift算法更新图像块的中心点。
第三计算模块,用于基于Mean Shift向量计算图像块的漂移距离/>,并将计数器的值加一。
结果输出模块,用于在计数器的值大于M时完成图像增强,输出增强后的图像。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种基于AI赋能Mean Shift 算法的图像增强方法,其特征在于,包括:
S1.将待增强图像划分为M个图像块,并设置计数器,计数器的初始值为1,然后执行S2;
S2.基于图像块内的像素信息生成幅度缩放因子和相位旋转因子,然后执行S3;
基于图像块内的像素信息生成幅度缩放因子和相位旋转因子,包括:
基于图像块内的像素信息,利用预测网络MS-PredNet生成幅度缩放因子和相位旋转因子;
所述预测网络MS-PredNet包括:
特征增强层,其卷积核大小为,卷积核数目为/>,输出维度为/>,其中,/>,/>,/>为图像块/>的高度,/>为图像块/>的宽度;
特征提取层,其卷积核大小为,卷积核数目为/>,池化核大小为/>,步长为/>,输出维度为/>;
特征细化层,其卷积核大小为,卷积核数目为/>,池化核大小为/>,步长为/>,输出维度为/>;
特征融合层,其节点数为,节点间的连接方式为全连接;
输出层,其节点数为2,输出层的输出为幅度缩放因子和相位旋转因子;
Mean Shift向量的计算公式为:
其中,/>表示Mean Shift向量,/>表示幅度缩放因子,/>表示相位旋转因子,/>表示横坐标方向的偏移量,/>表示纵坐标方向的偏移量;
S3.根据幅度缩放因子和相位旋转因子计算Mean Shift向量,然后执行S4;
S4.利用Mean Shift算法更新图像块的中心点,然后执行S5;
S5.基于Mean Shift向量计算图像块的漂移距离/>,若/>,则执行S2,否则将计数器的值加一并执行S6;其中,/>为预设门限;
S6.判断计数器的值是否大于M,若是,则完成图像增强,否则执行S2。
2.根据权利要求1所述的一种基于AI赋能Mean Shift 算法的图像增强方法,其特征在于,将待增强图像划分为M个图像块,包括:
S11. 计算待增强图像中每个像素点周围的像素密度,像素密度的计算公式为:
其中,/>表示待增强图像中坐标为(x,y)的像素点周围的像素密度,/>表示待增强图像中坐标为/>的像素点的像素值,/>表示密度计算的邻域大小;
S12. 判断每个像素点周围的像素密度是否大于第一阈值,若是,则将该像素点的中心判决值确定为1,否则将该像素点的中心判决值确定为0;
S13. 分别将值为1的中心判决值对应的像素点作为一个图像块中心,并计算每个图像块的边长,将待增强图像划分为若干个正方形的图像块,每个图像块的边长计算公式为:
其中,L(x,y)表示中心点坐标为(x,y)的图像块的边长,/>表示对/>向上取整操作,/>为边长因子。
3.根据权利要求2所述的一种基于AI赋能Mean Shift 算法的图像增强方法,其特征在于,所述第一阈值的计算公式为:
其中,T表示第一阈值,/>表示求/>中所有元素的和,/>表示坐标/>处/>邻域内像素密度的标准差。
4.根据权利要求1所述的一种基于AI赋能Mean Shift 算法的图像增强方法,其特征在于,图像块的中心点更新公式为:
其中,/>为图像块/>的原中心点坐标,/>为图像块/>更新后的中心点坐标。
5.根据权利要求1所述的一种基于AI赋能Mean Shift 算法的图像增强方法,其特征在于,所述漂移距离的计算公式为:
其中,/>表示漂移距离。
6.根据权利要求1所述的一种基于AI赋能Mean Shift 算法的图像增强方法,其特征在于,所述图像增强方法还包括:
在将待增强图像进行图像块划分之前,对待增强图像进行高斯去噪和亮度调整。
7.一种基于AI赋能Mean Shift 算法的图像增强装置,其特征在于,包括:
图像分块模块,用于将待增强图像划分为M个图像块,并设置计数器,计数器的初始值为1;
第一计算模块,用于基于图像块内的像素信息生成幅度缩放因子和相位旋转因子;
基于图像块内的像素信息生成幅度缩放因子和相位旋转因子,包括:
基于图像块内的像素信息,利用预测网络MS-PredNet生成幅度缩放因子和相位旋转因子;
所述预测网络MS-PredNet包括:
特征增强层,其卷积核大小为,卷积核数目为/>,输出维度为/>,其中,/>,/>,/>为图像块/>的高度,/>为图像块/>的宽度;
特征提取层,其卷积核大小为,卷积核数目为/>,池化核大小为/>,步长为/>,输出维度为/>;
特征细化层,其卷积核大小为,卷积核数目为/>,池化核大小为/>,步长为/>,输出维度为/>;
特征融合层,其节点数为,节点间的连接方式为全连接;
输出层,其节点数为2,输出层的输出为幅度缩放因子和相位旋转因子;
Mean Shift向量的计算公式为:
其中,/>表示Mean Shift向量,/>表示幅度缩放因子,/>表示相位旋转因子,/>表示横坐标方向的偏移量,/>表示纵坐标方向的偏移量;
第二计算模块,用于根据幅度缩放因子和相位旋转因子计算Mean Shift向量;
中心点更新模块,用于利用Mean Shift算法更新图像块的中心点;
第三计算模块,用于基于Mean Shift向量计算图像块的漂移距离/>,并将计数器的值加一;
结果输出模块,用于在计数器的值大于M时完成图像增强,输出增强后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410097713.8A CN117635506B (zh) | 2024-01-24 | 2024-01-24 | 一种基于AI赋能Mean Shift算法的图像增强方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410097713.8A CN117635506B (zh) | 2024-01-24 | 2024-01-24 | 一种基于AI赋能Mean Shift算法的图像增强方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117635506A CN117635506A (zh) | 2024-03-01 |
CN117635506B true CN117635506B (zh) | 2024-04-05 |
Family
ID=90023724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410097713.8A Active CN117635506B (zh) | 2024-01-24 | 2024-01-24 | 一种基于AI赋能Mean Shift算法的图像增强方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635506B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6633684B1 (en) * | 2000-07-07 | 2003-10-14 | Athentech Technologies Corp. | Distortion-free image contrast enhancement |
JP2008112044A (ja) * | 2006-10-31 | 2008-05-15 | Konica Minolta Business Technologies Inc | 画像形成システム |
JP2011109619A (ja) * | 2009-11-20 | 2011-06-02 | Canon Inc | 画像処理方法および画像処理装置、プログラム |
CN102158684A (zh) * | 2010-02-12 | 2011-08-17 | 王炳立 | 具有图像增强功能的自适应场景图像辅助系统 |
CN105335986A (zh) * | 2015-09-10 | 2016-02-17 | 西安电子科技大学 | 基于特征匹配和MeanShift算法的目标跟踪方法 |
CN106204643A (zh) * | 2016-07-01 | 2016-12-07 | 湖南源信光电科技有限公司 | 基于多特征联合与Mean Shift算法的多目标跟踪方法 |
CN108629744A (zh) * | 2018-04-09 | 2018-10-09 | 北京无线电计量测试研究所 | 一种图像增强方法 |
CN109031277A (zh) * | 2018-06-21 | 2018-12-18 | 电子科技大学 | 一种穿墙雷达多目标图像域稳健跟踪方法 |
CN110211106A (zh) * | 2019-05-24 | 2019-09-06 | 大连海事大学 | 基于分段Sigmoid带宽的均值漂移SAR图像海岸线检测方法 |
WO2023050422A1 (en) * | 2021-09-30 | 2023-04-06 | Peking University | Systems and methods for image processing |
CN116452447A (zh) * | 2023-04-07 | 2023-07-18 | 成都航天凯特机电科技有限公司 | 一种低照度高清图像处理方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8295632B2 (en) * | 2009-01-21 | 2012-10-23 | Yissum Research Development Company of Jerusalem Ltd. | System and method for edge-enhancement of digital images using wavelets |
CN102968769B (zh) * | 2012-11-27 | 2015-07-22 | 宁波盈芯信息科技有限公司 | 一种图像一致性增强装置 |
GB2555675B (en) * | 2016-08-05 | 2019-05-08 | Secr Defence | Method and apparatus for generating an enhanced digital image of a physical object or environment |
CA3084057A1 (en) * | 2017-12-15 | 2019-06-20 | Magic Leap, Inc. | Enhanced pose determination for display device |
KR102640227B1 (ko) * | 2019-07-31 | 2024-02-22 | 코어포토닉스 리미티드 | 카메라 패닝 또는 모션에서 배경 블러링을 생성하는 시스템 및 방법 |
EP4049232A1 (en) * | 2019-10-21 | 2022-08-31 | Illumina, Inc. | Increased calculation efficiency for structured illumination microscopy |
-
2024
- 2024-01-24 CN CN202410097713.8A patent/CN117635506B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6633684B1 (en) * | 2000-07-07 | 2003-10-14 | Athentech Technologies Corp. | Distortion-free image contrast enhancement |
JP2008112044A (ja) * | 2006-10-31 | 2008-05-15 | Konica Minolta Business Technologies Inc | 画像形成システム |
JP2011109619A (ja) * | 2009-11-20 | 2011-06-02 | Canon Inc | 画像処理方法および画像処理装置、プログラム |
CN102158684A (zh) * | 2010-02-12 | 2011-08-17 | 王炳立 | 具有图像增强功能的自适应场景图像辅助系统 |
CN105335986A (zh) * | 2015-09-10 | 2016-02-17 | 西安电子科技大学 | 基于特征匹配和MeanShift算法的目标跟踪方法 |
CN106204643A (zh) * | 2016-07-01 | 2016-12-07 | 湖南源信光电科技有限公司 | 基于多特征联合与Mean Shift算法的多目标跟踪方法 |
CN108629744A (zh) * | 2018-04-09 | 2018-10-09 | 北京无线电计量测试研究所 | 一种图像增强方法 |
CN109031277A (zh) * | 2018-06-21 | 2018-12-18 | 电子科技大学 | 一种穿墙雷达多目标图像域稳健跟踪方法 |
CN110211106A (zh) * | 2019-05-24 | 2019-09-06 | 大连海事大学 | 基于分段Sigmoid带宽的均值漂移SAR图像海岸线检测方法 |
WO2023050422A1 (en) * | 2021-09-30 | 2023-04-06 | Peking University | Systems and methods for image processing |
CN116452447A (zh) * | 2023-04-07 | 2023-07-18 | 成都航天凯特机电科技有限公司 | 一种低照度高清图像处理方法 |
Non-Patent Citations (1)
Title |
---|
Robust Visual Object Tracking Using Multi-Mode Anisotropic Mean Shift and Particle Filters;Zulfiqar Hasan Khan等;《IEEE Transactions on Circuits and Systems for Video Technology》;20110117;第第21卷卷(第第1期期);第74-87页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117635506A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109064514B (zh) | 一种基于投影点坐标回归的六自由度位姿估计方法 | |
CN107292912B (zh) | 一种基于多尺度对应结构化学习的光流估计方法 | |
CN110443883B (zh) | 一种基于dropblock的单张彩色图片平面三维重建方法 | |
CN113542651B (zh) | 模型训练方法、视频插帧方法及对应装置 | |
CN109118446B (zh) | 一种水下图像复原及去噪方法 | |
CN111640089A (zh) | 一种基于特征图中心点的缺陷检测方法及装置 | |
CN109005398B (zh) | 一种基于卷积神经网络的立体图像视差匹配方法 | |
CN112561881B (zh) | 基于评价模型的红外图像自适应数据增强方法 | |
CN107871321B (zh) | 图像分割方法及装置 | |
CN111161222A (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN109903315B (zh) | 用于光流预测的方法、装置、设备以及可读存储介质 | |
CN105574891A (zh) | 检测图像中的运动目标的方法及系统 | |
CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN114359076A (zh) | 一种基于图像边缘指示函数的自适应加权高斯曲率滤波方法 | |
CN109214996A (zh) | 一种图像处理方法及装置 | |
CN113724155A (zh) | 用于自监督单目深度估计的自提升学习方法、装置及设备 | |
CN113392854A (zh) | 一种图像纹理特征提取分类方法 | |
CN114418898B (zh) | 一种基于目标重叠度计算和自适应调整的数据增强方法 | |
Meiju et al. | Application of improved Otsu threshold segmentation algorithm in mobile phone screen defect detection | |
CN111260655A (zh) | 基于深度神经网络模型的图像生成方法与装置 | |
CN110827209A (zh) | 一种联合颜色与深度信息的自适应深度图像修复方法 | |
CN117635506B (zh) | 一种基于AI赋能Mean Shift算法的图像增强方法及装置 | |
CN112907750A (zh) | 一种基于卷积神经网络的室内场景布局估计方法及系统 | |
CN116805389A (zh) | 一种基于解耦级联区域生成网络的开放世界目标检测方法 | |
CN111145221A (zh) | 一种基于多层深度特征提取的目标跟踪算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |