CN110415187B - 图像处理方法及图像处理*** - Google Patents
图像处理方法及图像处理*** Download PDFInfo
- Publication number
- CN110415187B CN110415187B CN201910610059.5A CN201910610059A CN110415187B CN 110415187 B CN110415187 B CN 110415187B CN 201910610059 A CN201910610059 A CN 201910610059A CN 110415187 B CN110415187 B CN 110415187B
- Authority
- CN
- China
- Prior art keywords
- image
- transition
- neural network
- transition image
- size
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 230000007704 transition Effects 0.000 claims abstract description 141
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 abstract description 6
- 230000010339 dilation Effects 0.000 description 26
- 238000005516 engineering process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种图像处理方法及图像处理***。该图像处理方法包括如下步骤:接收原始图像,并缩小原始图像的尺寸,得到第一过渡图像;提供第一膨胀卷积神经网络,利用第一膨胀卷积神经网络对第一过渡图像进行膨胀卷积处理,以增强第一过渡图像的画质,得到第二过渡图像;放大第二过渡图像的尺寸,得到第三过渡图像,第三过渡图像的尺寸与原始图像的尺寸相同;将原始图像与第三过渡图像矩阵拼接,得到第四过渡图像;提供第二膨胀卷积神经网络,利用第二膨胀卷积神经网络对第四过渡图像进行膨胀卷积处理,以恢复第四过渡图像的细节信息,得到目标图像。本发明能够在不减少图像细节信息的情况下,减少神经网络运算量,避免处理后的图像出现局部突变。
Description
技术领域
本发明涉及显示技术领域,尤其涉及一种图像处理方法及图像处理***。
背景技术
随着科技的发展,人们对显示装置的要求越来越高,更轻便、更清晰、更鲜艳成为了电视的发展方向和目标。除了在硬件上提高电视分辨率,增加动态范围和色域范围等方式,还可以通过设置在显示装置中的图像处理***指挥和协调显示装置各项功能对图像信号逐个优化,从而可在已有硬件的基础上给用户带来更好的画质,
图像增强技术是图像处理技术的一种,它可以显著改善图像质量,使得图像内容更有层次感并且主观观测效果更符合人们需求。现实生活中,原始图像往往存在各种问题,例如:拍照时光圈偏小,导致图像偏暗;场景的对比度较低,而使得图像重点不突出;曝光过度,导致影像失常,照片泛白等。通过图像增强技术可以有效解决上述问题,提升显示质量。
常见的图像增强技术包括:饱和度增强和对比度增强,相比于饱和度增强,对比度增强受到的关注度更高。对比度增强是通过调节图像的灰阶分布,增加图像灰阶的分布范围,以提高图像整体或部分的对比度,改善视觉效果。
神经网络架构是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。它最大优势是能够被用作一个任意函数逼近的机制,从观测到的数据“学习”。近年来,神经网络架构被越来越多地用在图像处理算法上,典型的例如膨胀卷积神经网络。
膨胀卷积神经网络能够理由膨胀卷积的特征,在扩大神经网络视野域的同时,保持较少的运算次数,实现原图像素精度的神经网络输出,但对于大尺寸图像,膨胀卷积神经网络存在因视野域不足导致图像局部突变的问题,现有技术为了该问题,被迫加深网络深度,导致网络容量冗余,网络架构的复杂性增加。
发明内容
本发明的目的在于提供一种图像处理方法,能够减少神经网络运算量,避免增强后的图像出现局部突变,且不减少增强后的图像的细节信息。
本发明的目的还在于提供一种图像处理***,能够减少神经网络运算量,避免增强后的图像出现局部突变,且不减少增强后的图像的细节信息。
为实现上述目的,本发明提供一种图像处理方法,包括如下步骤:
步骤S1、接收原始图像,并缩小原始图像的尺寸,得到第一过渡图像;
步骤S2、提供第一膨胀卷积神经网络,利用所述第一膨胀卷积神经网络对所述第一过渡图像进行膨胀卷积处理,以增强第一过渡图像的画质,得到第二过渡图像;
步骤S3、放大所述第二过渡图像的尺寸,得到第三过渡图像,所述第三过渡图像的尺寸与原始图像的尺寸相同;
步骤S4、将所述原始图像与所述第三过渡图像矩阵拼接,得到第四过渡图像;
步骤S5、提供第二膨胀卷积神经网络,利用所述第二膨胀卷积神经网络对所述第四过渡图像进行膨胀卷积处理,以恢复第四过渡图像的细节信息,得到目标图像。
所述第一过渡图像的尺寸小于或等于256像素×256像素。
所述第一膨胀卷积神经网络对所述第一过渡图像进行至少五层膨胀卷积处理。
所述第二膨胀卷积神经网络对所述第四过渡图像进行至少二层膨胀卷积处理。
所述步骤S1中通过双线性插值算法缩小原始图像的尺寸,所述步骤S3中通过双线性插值算法放大第二过渡图像的尺寸。
本发明还提供一种图像处理***,包括输入单元、与所述输入单元相连的缩小单元、与所述缩小单元相连的第一膨胀卷积神经网络、与所述第一膨胀卷积神经网络相连的放大单元、与所述放大单元及输入单元相连的拼接单元、与所述拼接单元相连的第二膨胀卷积神经网络及与第二膨胀卷积神经网络相连的输出单元;
所述输入单元用于接收原始图像,并将原始图像提供给缩小单元及拼接单元;
所述缩小单元用于缩小原始图像的尺寸,得到第一过渡图像;
所述第一膨胀卷积神经网络用于对所述第一过渡图像进行膨胀卷积处理,以增强第一过渡图像的画质,得到第二过渡图像;
所述放大单元用于放大第二过渡图像的尺寸,得到第三过渡图像,所述第三过渡图像的尺寸与原始图像的尺寸相同;
所述拼接单元用于对所述原始图像及第三过渡图像进行矩阵拼接,得到第四过渡图像;
所述第二膨胀卷积神经网络用于对所述第四过渡图像进行膨胀卷积处理,以恢复第四过渡图像的细节信息,得到目标图像;
所述输出单元用于输出目标图像。
所述第一过渡图像的尺寸小于或等于256像素×256像素。
所述第一膨胀卷积神经网络对所述第一过渡图像进行至少五层膨胀卷积处理。
所述第二膨胀卷积神经网络对所述第四过渡图像进行至少二层膨胀卷积处理。
所述缩小单元通过双线性插值算法缩小原始图像的尺寸,所述放大单元通过双线性插值算法放大第二过渡图像的尺寸。
本发明的有益效果:本发明提供一种图像处理方法,包括如下步骤:接收原始图像,并缩小原始图像的尺寸,得到第一过渡图像;提供第一膨胀卷积神经网络,利用所述第一膨胀卷积神经网络对所述第一过渡图像进行膨胀卷积处理,以增强第一过渡图像的画质,得到第二过渡图像;放大所述第二过渡图像的尺寸,得到第三过渡图像,所述第三过渡图像的尺寸与原始图像的尺寸相同;将所述原始图像与所述第三过渡图像矩阵拼接,得到第四过渡图像;提供第二膨胀卷积神经网络,利用所述第二膨胀卷积神经网络对所述第四过渡图像进行膨胀卷积处理,以恢复第四过渡图像的细节信息,得到目标图像,能够在不减少图像细节信息的情况下,减少神经网络运算量,避免处理后的图像出现局部突变。本发明还提供一种图像处理***,能够在不减少图像细节信息的情况下,减少神经网络运算量,避免处理后的图像出现局部突变。
附图说明
为了能更进一步了解本发明的特征以及技术内容,请参阅以下有关本发明的详细说明与附图,然而附图仅提供参考与说明用,并非用来对本发明加以限制。
附图中,
图1为本发明的图像处理方法的流程图;
图2为本发明的图像处理方法的图像变化示意图;
图3为本发明的图像处理***的示意图。
具体实施方式
为更进一步阐述本发明所采取的技术手段及其效果,以下结合本发明的优选实施例及其附图进行详细描述。
请参阅图1及图2,本发明提供一种图像处理方法,包括如下步骤:
步骤S1、接收原始图像1,并缩小原始图像1的尺寸,得到第一过渡图像2;
具体地,所述第一过渡图像2的尺寸小于或等于256像素×256像素,优选地,所述第一过渡图像2的尺寸等于256像素×256像素。
具体地,所述步骤S1中通过双线性插值算法缩小原始图像1的尺寸。
步骤S2、提供第一膨胀卷积神经网络30,利用所述第一膨胀卷积神经网络30对所述第一过渡图像2进行膨胀卷积处理,以增强第一过渡图像的画质,得到第二过渡图像3。
具体地,所述第一膨胀卷积神经网络30对所述第一过渡图像2进行至少五层膨胀卷积处理,优选地,所述第一膨胀卷积神经网络30对所述第一过渡图像2进行五层膨胀卷积处理。
步骤S3、放大所述第二过渡图像3的尺寸,得到第三过渡图像4,所述第三过渡图像4的尺寸与原始图像1的尺寸相同。
具体地,所述步骤S3中通过双线性插值算法放大第二过渡图像3的尺寸。
步骤S4、将所述原始图像1与所述第三过渡图像4矩阵拼接,得到第四过渡图像5。
步骤S5、提供第二膨胀卷积神经网络60,利用所述第二膨胀卷积神经网络60对所述第四过渡图像5进行膨胀卷积处理,以恢复第四过渡图像5的细节信息,得到目标图像6。
具体地,所述第二膨胀卷积神经网络60对所述第四过渡图像5进行至少二层膨胀卷积处理,优选地,所述第二膨胀卷积神经网络60对所述第四过渡图像5进行二层膨胀卷积处理。
需要说明的是,本发明通过将原始图像1缩小成固定尺寸的第一过渡图像2,在尺寸较小的第一过渡图像2上进行图像增强,以保证第一膨胀卷积神经网络30在增强过程中始终具有充足的视野域覆盖整张图像,从而实现在对不同尺寸的原始图像进行图像增强时均具有充足的视野域,避免因视野域不足而导致的图片局部突变,且大大减少了第一膨胀卷积神经网络30的运算量,降低了网络成本。
进一步地,本发明将第一膨胀卷积神经网络30增强后的小尺寸的第二过渡图像3进行放大,得到与原始图像相同尺寸的第三过渡图像4,并通过跃迁连接将第三过渡图像4与原始图像1进行矩阵拼接,恢复图像的尺寸,最后再通过第二膨胀卷积神经网络30,恢复图像细节信息,得到增强后的目标图像6,目标图像6与原始图像1的尺寸相同,从而本发明能够在不减少图像细节信息的情况下,减少神经网络运算量,避免处理后的图像出现局部突变。
请参阅图3及图2,本发明还提供一种图像处理***,包括输入单元10、与所述输入单元10相连的缩小单元20、与所述缩小单元20相连的第一膨胀卷积神经网络30、与所述第一膨胀卷积神经网络30相连的放大单元40、与所述放大单元40及输入单元10相连的拼接单元50、与所述拼接单元50相连的第二膨胀卷积神经网络60及与第二膨胀卷积神经网络60相连的输出单元70;
所述输入单元10用于接收原始图像1,并将原始图像1提供给缩小单元20及拼接单元50;
所述缩小单元20用于缩小原始图像1的尺寸,得到第一过渡图像2;
所述第一膨胀卷积神经网络30用于对所述第一过渡图像2进行膨胀卷积处理,以增强第一过渡图像的画质,得到第二过渡图像3;
所述放大单元40用于放大第二过渡图像3的尺寸,得到第三过渡图像4,所述第三过渡图像4的尺寸与原始图像1的尺寸相同;
所述拼接单元50用于对所述原始图像1及第三过渡图像4进行矩阵拼接,得到第四过渡图像5;
所述第二膨胀卷积神经网络60用于对所述第四过渡图像5进行膨胀卷积处理,以恢复第四过渡图像5的细节信息,得到目标图像6;
所述输出单元70用于输出目标图像6。
具体地,所述第一过渡图像2的尺寸小于或等于256像素×256像素,优选地,所述第一过渡图像2的尺寸等于256像素×256像素
具体地,所述第一膨胀卷积神经网络30对所述第一过渡图像2进行至少五层膨胀卷积处理,优选地,所述第一膨胀卷积神经网络30对所述第一过渡图像2进行五层膨胀卷积处理
具体地,所述第二膨胀卷积神经网络60对所述第四过渡图像5进行至少二层膨胀卷积处理,优选地,所述第二膨胀卷积神经网络60对所述第四过渡图像5进行二层膨胀卷积处理。
具体地,所述缩小单元20通过双线性插值算法缩小原始图像1的尺寸,所述放大单元40通过双线性插值算法放大第二过渡图像3的尺寸。
需要说明的是,本发明通过将原始图像1缩小成固定尺寸的第一过渡图像2,在尺寸较小的第一过渡图像2上进行图像增强,以保证第一膨胀卷积神经网络30在增强过程中始终具有充足的视野域覆盖整张图像,从而实现在对不同尺寸的原始图像进行图像增强时均具有充足的视野域,避免因视野域不足而导致的图片局部突变,且大大减少了第一膨胀卷积神经网络30的运算量,降低了网络成本。
进一步地,本发明将第一膨胀卷积神经网络30增强后的小尺寸的第二过渡图像3进行放大,得到与原始图像相同尺寸的第三过渡图像4,并通过跃迁连接将第三过渡图像4与原始图像1进行矩阵拼接,恢复图像的尺寸,最后再通过第二膨胀卷积神经网络30,恢复图像细节信息,得到增强后的目标图像6,目标图像6与原始图像1的尺寸相同,从而本发明能够在不减少图像细节信息的情况下,减少神经网络运算量,避免处理后的图像出现局部突变。
综上所述,本发明提供一种图像处理方法,包括如下步骤:接收原始图像,并缩小原始图像的尺寸,得到第一过渡图像;提供第一膨胀卷积神经网络,利用所述第一膨胀卷积神经网络对所述第一过渡图像进行膨胀卷积处理,以增强第一过渡图像的画质,得到第二过渡图像;放大所述第二过渡图像的尺寸,得到第三过渡图像,所述第三过渡图像的尺寸与原始图像的尺寸相同;将所述原始图像与所述第三过渡图像矩阵拼接,得到第四过渡图像;提供第二膨胀卷积神经网络,利用所述第二膨胀卷积神经网络对所述第四过渡图像进行膨胀卷积处理,以恢复第四过渡图像的细节信息,得到目标图像,能够在不减少图像细节信息的情况下,减少神经网络运算量,避免处理后的图像出现局部突变。本发明还提供一种图像处理***,能够在不减少图像细节信息的情况下,减少神经网络运算量,避免处理后的图像出现局部突变。
以上所述,对于本领域的普通技术人员来说,可以根据本发明的技术方案和技术构思作出其他各种相应的改变和变形,而所有这些改变和变形都应属于本发明权利要求的保护范围。
Claims (10)
1.一种图像处理方法,其特征在于,包括如下步骤:
步骤S1、接收原始图像(1),并缩小原始图像(1)的尺寸,得到第一过渡图像(2);
步骤S2、提供第一膨胀卷积神经网络(30),利用所述第一膨胀卷积神经网络(30)对所述第一过渡图像(2)进行膨胀卷积处理,以增强第一过渡图像的画质,得到第二过渡图像(3);
步骤S3、放大所述第二过渡图像(3)的尺寸,得到第三过渡图像(4),所述第三过渡图像(4)的尺寸与原始图像(1)的尺寸相同;
步骤S4、将所述原始图像(1)与所述第三过渡图像(4)矩阵拼接,得到第四过渡图像(5);
步骤S5、提供第二膨胀卷积神经网络(60),利用所述第二膨胀卷积神经网络(60)对所述第四过渡图像(5)进行膨胀卷积处理,以恢复第四过渡图像(5)的细节信息,得到目标图像(6)。
2.如权利要求1所述的图像处理方法,其特征在于,所述第一过渡图像(2)的尺寸小于或等于256像素×256像素。
3.如权利要求1所述的图像处理方法,其特征在于,所述第一膨胀卷积神经网络(30)对所述第一过渡图像(2)进行至少五层膨胀卷积处理。
4.如权利要求1所述的图像处理方法,其特征在于,所述第二膨胀卷积神经网络(60)对所述第四过渡图像(5)进行至少二层膨胀卷积处理。
5.如权利要求1所述的图像处理方法,其特征在于,所述步骤S1中通过双线性插值算法缩小原始图像(1)的尺寸,所述步骤S3中通过双线性插值算法放大第二过渡图像(3)的尺寸。
6.一种图像处理***,其特征在于,包括输入单元(10)、与所述输入单元(10)相连的缩小单元(20)、与所述缩小单元(20)相连的第一膨胀卷积神经网络(30)、与所述第一膨胀卷积神经网络(30)相连的放大单元(40)、与所述放大单元(40)及输入单元(10)相连的拼接单元(50)、与所述拼接单元(50)相连的第二膨胀卷积神经网络(60)及与第二膨胀卷积神经网络(60)相连的输出单元(70);
所述输入单元(10)用于接收原始图像(1),并将原始图像(1)提供给缩小单元(20)及拼接单元(50);
所述缩小单元(20)用于缩小原始图像(1)的尺寸,得到第一过渡图像(2);
所述第一膨胀卷积神经网络(30)用于对所述第一过渡图像(2)进行膨胀卷积处理,以增强第一过渡图像的画质,得到第二过渡图像(3);
所述放大单元(40)用于放大第二过渡图像(3)的尺寸,得到第三过渡图像(4),所述第三过渡图像(4)的尺寸与原始图像(1)的尺寸相同;
所述拼接单元(50)用于对所述原始图像(1)及第三过渡图像(4)进行矩阵拼接,得到第四过渡图像(5);
所述第二膨胀卷积神经网络(60)用于对所述第四过渡图像(5)进行膨胀卷积处理,以恢复第四过渡图像(5)的细节信息,得到目标图像(6);
所述输出单元(70)用于输出目标图像(6)。
7.如权利要求6所述的图像处理***,其特征在于,所述第一过渡图像(2)的尺寸小于或等于256像素×256像素。
8.如权利要求6所述的图像处理***,其特征在于,所述第一膨胀卷积神经网络(30)对所述第一过渡图像(2)进行至少五层膨胀卷积处理。
9.如权利要求6所述的图像处理***,其特征在于,所述第二膨胀卷积神经网络(60)对所述第四过渡图像(5)进行至少二层膨胀卷积处理。
10.如权利要求6所述的图像处理***,其特征在于,所述缩小单元(20)通过双线性插值算法缩小原始图像(1)的尺寸,所述放大单元(40)通过双线性插值算法放大第二过渡图像(3)的尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910610059.5A CN110415187B (zh) | 2019-07-04 | 2019-07-04 | 图像处理方法及图像处理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910610059.5A CN110415187B (zh) | 2019-07-04 | 2019-07-04 | 图像处理方法及图像处理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415187A CN110415187A (zh) | 2019-11-05 |
CN110415187B true CN110415187B (zh) | 2021-07-23 |
Family
ID=68360596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910610059.5A Active CN110415187B (zh) | 2019-07-04 | 2019-07-04 | 图像处理方法及图像处理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415187B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021179147A1 (zh) * | 2020-03-09 | 2021-09-16 | 华为技术有限公司 | 一种基于神经网络的图像处理方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038893A (zh) * | 2017-12-06 | 2018-05-15 | 深圳市未来媒体技术研究院 | 一种基于混合相机阵列的十亿像素视频的生成方法 |
CN108376387A (zh) * | 2018-01-04 | 2018-08-07 | 复旦大学 | 基于聚合膨胀卷积网络的图像去模糊方法 |
US10068557B1 (en) * | 2017-08-23 | 2018-09-04 | Google Llc | Generating music with deep neural networks |
CN108734211A (zh) * | 2018-05-17 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 图像处理的方法和装置 |
CN108830809A (zh) * | 2018-06-05 | 2018-11-16 | 陕西师范大学 | 一种基于膨胀卷积图像去噪方法 |
CN108876805A (zh) * | 2018-06-20 | 2018-11-23 | 长安大学 | 一种端对端无监督场景可通行区域认知与理解方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11587304B2 (en) * | 2017-03-10 | 2023-02-21 | Tusimple, Inc. | System and method for occluding contour detection |
-
2019
- 2019-07-04 CN CN201910610059.5A patent/CN110415187B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10068557B1 (en) * | 2017-08-23 | 2018-09-04 | Google Llc | Generating music with deep neural networks |
CN108038893A (zh) * | 2017-12-06 | 2018-05-15 | 深圳市未来媒体技术研究院 | 一种基于混合相机阵列的十亿像素视频的生成方法 |
CN108376387A (zh) * | 2018-01-04 | 2018-08-07 | 复旦大学 | 基于聚合膨胀卷积网络的图像去模糊方法 |
CN108734211A (zh) * | 2018-05-17 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 图像处理的方法和装置 |
CN108830809A (zh) * | 2018-06-05 | 2018-11-16 | 陕西师范大学 | 一种基于膨胀卷积图像去噪方法 |
CN108876805A (zh) * | 2018-06-20 | 2018-11-23 | 长安大学 | 一种端对端无监督场景可通行区域认知与理解方法 |
Non-Patent Citations (4)
Title |
---|
Accurate Gastric Cancer Segmentation in Digital Pathology Images Using Deformable Convolution and Multi-Scale Embedding Networks;Muyi Sun等;《IEEE Access》;20190524;第7卷;第75530-75541页 * |
Salient object detection via multi-scale neural network;Weiqian Lu等;《Proceedings of the 10th International Conference on Internet Multimedia Computing and Service》;20180831;第1-5页 * |
基于上下文以及多尺度信息融合的目标检测算法;吕培建 等;《计算机科学》;20190615;第46卷(第6期);第279-283页 * |
基于全卷积神经网络的非对称并行语义分割模型;李宝奇;《电子学报》;20190515;第47卷(第5期);第1058-1064页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110415187A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10885384B2 (en) | Local tone mapping to reduce bit depth of input images to high-level computer vision tasks | |
US8248494B2 (en) | Image dynamic range compression method, apparatus, and digital camera | |
US20050117799A1 (en) | Method and apparatus for transforming a high dynamic range image into a low dynamic range image | |
WO2023010754A1 (zh) | 一种图像处理方法、装置、终端设备及存储介质 | |
US20110285913A1 (en) | Enhanced histogram equalization | |
JP2019067078A (ja) | 画像処理方法、及び画像処理プログラム | |
US11538136B2 (en) | System and method to process images of a video stream | |
CN112602088A (zh) | 提高弱光图像的质量的方法、***和计算机可读介质 | |
CN110889809B (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN111565260A (zh) | 用于图像处理的薄雾减少方法和*** | |
CN111612722A (zh) | 基于简化Unet全卷积神经网络的低照度图像处理方法 | |
CN113939845A (zh) | 提高图像色彩质量的方法、***和计算机可读介质 | |
WO2020118902A1 (zh) | 图像处理方法及图像处理*** | |
CN113096021A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
US11880963B2 (en) | Apparatus and method for image processing | |
CN114240749A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN109643528B (zh) | 信息处理装置、信息处理方法和程序 | |
Eilertsen | The high dynamic range imaging pipeline | |
CN113781318A (zh) | 一种图像颜色映射方法、装置、终端设备及存储介质 | |
CN109274949A (zh) | 一种视频图像处理方法及其装置、显示设备 | |
JP2014119997A (ja) | 画像処理装置およびその制御方法 | |
US20130287299A1 (en) | Image processing apparatus | |
CN110415187B (zh) | 图像处理方法及图像处理*** | |
CN115115516A (zh) | 基于Raw域的真实世界视频超分辨率算法 | |
JP2021114180A (ja) | 画像処理装置、画像処理方法、およびプログラム |
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 | ||
CB02 | Change of applicant information |
Address after: 9-2 Tangming Avenue, Guangming New District, Shenzhen City, Guangdong Province Applicant after: TCL Huaxing Photoelectric Technology Co.,Ltd. Address before: 9-2 Tangming Avenue, Guangming New District, Shenzhen City, Guangdong Province Applicant before: Shenzhen China Star Optoelectronics Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |