CN111292272B - 图像处理方法、装置、介质以及电子设备 - Google Patents
图像处理方法、装置、介质以及电子设备 Download PDFInfo
- Publication number
- CN111292272B CN111292272B CN202010143766.0A CN202010143766A CN111292272B CN 111292272 B CN111292272 B CN 111292272B CN 202010143766 A CN202010143766 A CN 202010143766A CN 111292272 B CN111292272 B CN 111292272B
- Authority
- CN
- China
- Prior art keywords
- image
- repaired
- mask
- scanning
- stripes
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 77
- 238000003672 processing method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 238000001914 filtration Methods 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 20
- 238000003708 edge detection Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 13
- 230000008439 repair process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000679046 Teleas Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual 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
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种图像处理方法、装置、介质以及电子设备。该方法包括:获取待修复图像的灰度图像,并利用滤波器对灰度图像进行滤波处理,得到滤波图像;检测滤波图像中的图像条纹,并根据图像条纹生成图像掩膜;根据图像掩膜对待修复图像进行修复处理,得到修复后的图像。本公开通过检测到的与灰度图像对应的滤波图像中的图像条纹,生成修复待修复图像的图像掩膜,实现对待修复图像进行修复的功能。一方面,利用滤波器直接获取到特定方向的边缘信息,摆脱了边缘检测的限制,提升了检测效率;另一方面,生成滤波图像和图像条纹过程中,调参方便,降低了时间和空间的复杂度,提高了条纹检测的有效性。
Description
技术领域
本公开涉及图像处理,具体而言,涉及一种图像处理方法、图像处理装置、计算机可读介质以及电子设备。
背景技术
随着社会经济的快速发展,摄像头数量呈爆发式增长,因此,人们对图像和视频的质量要求不断提高,这也促进了视频处理和图像处理的快速发展。但是,在老片修复和条纹检测等复杂场景下,图像和视频画面中的噪声条纹成为影响图像和视频质量的关键事件。
一般的,通过对图像逐帧检测,并统计分析检测结果的方式检测到图像中的条纹。但是,在检测过程中仅能确定直线方向,却丢失了线段的长度信息,并且容易出现漏检和多检的情况,无法处理好视频中的图像条纹。
鉴于此,本领域亟需开发一种新的图像处理方法及装置。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的技术背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种图像处理方法、图像处理装置、计算机可读介质以及电子设备,进而至少在一定程度上克服信息丢失和视频处理效果不佳等技术问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开实施例的一个方面,提供一种图像处理方法,该方法包括:获取待修复图像的灰度图像,并利用滤波器对所述灰度图像进行滤波处理,得到滤波图像;检测所述滤波图像中的图像条纹,并根据所述图像条纹生成图像掩膜;根据所述图像掩膜对所述待修复图像进行修复处理,得到修复后的图像。
根据本公开实施例的一个方面,提供一种图像处理装置,该装置包括:图像滤波模块,被配置为获取待修复图像的灰度图像,并利用滤波器对所述灰度图像进行滤波处理,得到滤波图像;掩膜生成模块,被配置为检测所述滤波图像中的图像条纹,并根据所述图像条纹生成图像掩膜;图像修复模块,被配置为根据所述图像掩膜对所述待修复图像进行修复处理,得到修复后的图像。
在本公开的一些实施例中,基于以上技术方案,所述掩膜生成模块包括:图像扫描单元,被配置为扫描所述滤波图像,并根据检测阈值确定所述滤波图像中的图像条纹;掩膜更新单元,被配置为按照所述待修复图像生成原始掩膜,并根据所述图像条纹更新所述原始掩膜,得到图像掩膜。
在本公开的一些实施例中,基于以上技术方案,所述图像扫描单元包括:参数确定子单元,被配置为确定扫描所述滤波图像的扫描起点、扫描终点和扫描比例;阈值计算子单元,被配置为扫描所述滤波图像,并对所述扫描起点、所述扫描终点和所述扫描比例进行计算,得到图像条纹的检测阈值;位置记录子单元,被配置为根据扫描结果和所述检测阈值确定所述滤波图像中的图像条纹,并记录所述图像条纹的位置信息。
在本公开的一些实施例中,基于以上技术方案,所述掩膜更新单元包括:尺寸获取子单元,被配置为获取所述待修复图像的尺寸信息,并按照所述尺寸信息生成原始掩膜;条纹替换子单元,被配置为根据所述位置信息将所述图像条纹替换到所述原始掩膜中,得到图像掩膜。
在本公开的一些实施例中,基于以上技术方案,所述图像滤波模块包括:方向确定单元,被配置为确定Gabor滤波器的核函数的横向方向和纵向方向;滤波处理单元,被配置为分别利用所述Gabor滤波器的所述横向方向和所述纵向方向对所述灰度图像进行滤波处理,得到滤波图像。
在本公开的一些实施例中,基于以上技术方案,所述图像修复模块包括:卷积核生成单元,被配置为确定膨胀卷积核的大小,以生成与所述图像掩膜对应的所述膨胀卷积核;膨胀处理单元,被配置为根据所述膨胀卷积核对所述图像掩膜进行膨胀处理,并根据膨胀处理后的图像掩膜对所述待修复图像进行修复处理。
在本公开的一些实施例中,基于以上技术方案,所述图像滤波模块包括:视频获取单元,被配置为获取待修复视频,并在所述待修复视频中提取待修复图像;灰度化处理单元,被配置为对所述待修复图像进行灰度化处理,得到所述待修复图像的灰度图像。
根据本公开实施例的一个方面,提供一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如以上技术方案中的图像处理方法。
根据本公开实施例的一个方面,提供一种电子设备,该电子设备包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器被配置为经由执行所述可执行指令来执行如以上技术方案中的图像处理方法。
在本公开实施例提供的技术方案中,通过检测到的与灰度图像对应的滤波图像中的图像条纹,生成修复待修复图像的图像掩膜,实现对待修复图像进行修复的功能。一方面,利用滤波器直接获取到特定方向的边缘信息,摆脱了边缘检测的限制,提升了检测效率;另一方面,生成滤波图像和图像条纹过程中,调参方便,降低了时间和空间的复杂度,提高了条纹检测的有效性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示意性地示出了应用本公开技术方案的示例性***架构示意图;
图2示意性地示出了本公开的一些实施例中图像处理方法的步骤流程图;
图3示意性地示出了在本公开的一些实施例中得到灰度图像的方法的步骤流程图;
图4示意性地示出了在本公开的一些实施例中得到滤波图像的方法的步骤流程图;
图5示意性地示出了在本公开的一些实施例中生成图像掩膜的方法的步骤流程图;
图6示意性地示出了在本公开的一些实施例中确定图像条纹的方法的步骤流程图;
图7示意性地示出了在本公开的一些实施例中进一步生成图像掩膜的方法的步骤流程图;
图8示意性地示出了在本公开的一些实施例中修复待修复图像的方法的步骤流程图;
图9示意性地示出了本公开实施例在应用场景下图像处理方法的步骤流程图;
图10示意性地示出了本公开实施例在应用场景下一张老照片的灰度图像;
图11示意性地示出了本公开实施例在应用场景下一张老照片的滤波图像;
图12示意性地示出了本公开实施例在应用场景下膨胀处理后的一张老照片的图像掩膜;
图13示意性地示出了本公开实施例在应用场景下修复后的一张老照片;
图14示意性地示出了本公开实施例在应用场景下修复处理前的另一张老照片;
图15示意性地示出了本公开实施例在应用场景下修复处理后的另一张老照片;
图16示意性地示出了在本公开一些实施例中的图像处理装置的结构框图;
图17示意性地示出了适于用来实现本公开实施例的电子设备的计算机***的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
在本领域的相关技术中,可以在接收到图像条纹检测任务时,解析图像条纹检测任务的任务消息以确定图像的检测区域。进一步的,循环读取获取到的视频数据中的一帧图像,检测一帧图像在检测区域中的条纹,并记录一帧图像对应的检测结果,直至检测了预设帧数量的帧图像。然后,统计分析记录的各帧图像对应的检测结果,以确定检测区域的图像条纹检测结果。
虽然该方法可以检测任一区域的图像条纹,且可以检测到周期性图像条纹,也可以检测到非周期性图像条纹,但是,由于在检测过程中利用霍夫变换算法进行线段检测,因此只能在检测过程中确定直线方向,而无法得到线段的长度信息。另一方面,在复杂且噪声多的图像中,霍夫变换算法的调参过程变得异常复杂,可能会出现检测出条纹过多,或者漏检条纹的情况,难以处理好视频中的情况。
基于以上方案存在的问题,本公开提供了一种涉及人工智能的图像处理方法、图像处理装置、计算机可读介质以及电子设备。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能***。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
利用计算机视觉技术对待修复图像进行图像修复,可以去除画面中的噪声条纹,带给用户更加良好的视觉体验。
图1示出了应用本公开技术方案的示例性***架构示意图。
如图1所示,***架构100可以包括终端设备110、120、130中的一个或多个,网络140和服务器150。其中,终端设备110、120、130可以是具有显示屏的各种电子设备,具体可以是台式终端或移动终端,移动终端具体可以是手机、平板电脑、笔记本电脑等中的至少一种。应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。网络140可以是能够在终端设备110、120、130和服务器150之间提供通信链路的各种连接类型的通信介质,例如可以是有线通信链路、无线通信链路或者光纤电缆等。服务器150可以用独立的服务器,或者多个服务器组成的服务器集群来实现。
本公开实施例所提供的涉及人工智能的图像处理方法一般由服务器150执行,相应地,涉及人工智能的图像处理装置一般设置于服务器150中。但本领域技术人员容易理解的是,本公开实施例所提供的涉及人工智能的图像处理方法也可以由终端设备110、120、130执行,相应的,涉及人工智能的图像处理装置也可以设置于终端设备110、120、130中,本示例性实施例中对此不做特殊限定。
举例而言,在一种示例性实施例中,可以是通过终端设备110、120或者130将待修复图像上传至服务器150,服务器150通过本公开实施例所提供的基于人工智能的图像处理方法对待修复图像的灰度图像进行滤波处理,并检测滤波处理得到的滤波图像中的图像条纹,以生成图像掩膜,进一步的,通过图像掩膜对待修复图像进行修复处理,传输给终端设备110、120、130等。
下面结合具体实施方式对本公开提供的图像处理方法、图像处理装置、计算机可读介质以及电子设备做出详细说明。
图2示意性地示出了本公开的一些实施例中图像处理方法的步骤流程图。如图2所示,图像处理方法主要可以包括以下步骤:
步骤S210.获取待修复图像的灰度图像,并利用滤波器对灰度图像进行滤波处理,得到滤波图像。
步骤S220.检测滤波图像中的图像条纹,并根据图像条纹生成图像掩膜。
步骤S230.根据图像掩膜对待修复图像进行修复处理,得到修复后的图像。
在本公开的示例性实施例中,通过检测到的与灰度图像对应的滤波图像中的图像条纹,生成修复待修复图像的图像掩膜,实现对待修复图像进行修复的功能。一方面,利用滤波器直接获取到特定方向的边缘信息,摆脱了边缘检测的限制,提升了检测效率;另一方面,生成滤波图像和图像条纹过程中,调参方便,降低了时间和空间的复杂度,提高了条纹检测的有效性。
下面对图像处理方法的各个步骤进行详细说明。
在步骤S210中,获取待修复图像的灰度图像,并利用滤波器对灰度图像进行滤波处理,得到滤波图像。
在本公开的示例性实施例中,待修复图像可以是输入的图像,也可以是从视频中读取到的一帧图像等任意来源且具有干扰条纹的图像,本示例性实施例对此不作特殊限定。进一步的,对待处理图像进行灰度化处理可以得到对应的灰度图像
在可选的实施例中,图3示出了得到灰度图像的方法的步骤流程图,如图3所示,该方法至少包括以下步骤:在步骤S310中,获取待修复视频,并在待修复视频中提取待修复图像。待修复视频可以是实时提供的视频数据,也可以是之前缓存的视频数据,本示例性实施例对此不作特殊限定。并且,对于该视频数据的格式不作任何限制,可以是Real Media可变比特率(Real Media Variable Bit Rate,简称RMVB)格式、也可以是音频视频交错(AudioVideo Interleaved,简称AVI)格式,还可以是其他任意视频格式。
进一步的,对待修复视频进行帧提取,将提取到的待修复视频中的一帧图像作为待修复图像。
在步骤S320中,对待修复图像进行灰度化处理,得到待修复图像的灰度图像。具体的,可以遍历待修复图像中的每一个像素点,取每个像素点的像素值的R(红)、G(绿)和B(蓝)三个分量的加权平均值或者平均值作为灰度图像中对应像素点的灰度值;或者可以取每个像素点的像素值的R、G和B三个分量重最大或最小的分量作为灰度图像对应像素点的灰度值,从而得到待修复图像的灰度图像。
在本示例性实施例中,对从视频中提取到的待修复图像进行灰度化处理,得到对应的灰度图像,可进一步对视频中的待修复图像作处理,扩大了该图像处理方法的应用场景。
在得到灰度图像之后,可以对灰度图像进行滤波处理,以得到对应的滤波图像。
在可选的实施例中,图4示出了得到滤波图像的方法的步骤流程图,如图4所示,该方法至少包括以下步骤:在步骤S410中,确定Gabor滤波器的核函数的横向方向和纵向方向。其中,Gabor滤波器可以说一个用于边缘提取的线性滤波器。在空间域中,一个二维的Gabor滤波器是一个正弦平面波和高斯核函数的乘积,具有在空间域和频率域同时取得最优局部化的特性,因此能够很好地描述对应于空间频率(尺度)、空间位置及方向选择性的局部结构信息。Gabor核函数由一个高斯函数和一个余弦函数相乘得出,θ、φ、γ、λ、σ为参数。其中,θ表示Gabor核函数并行条纹的方向,有效值为0°~360°的实数。
鉴于此,可以选取θ为90°和180°。其中,确定θ等于90°为纵向方向,确定θ等于180°为横向方向。
在步骤S420中,分别利用Gabor滤波器的横向方向和纵向方向对灰度图像进行滤波处理,得到滤波图像。在生成90°和180°的核函数之后,分别对灰度图像进行卷积处理,得到90°和180°对应的滤波图像,亦即纵向方向和横向方向的滤波图像。
在本示例性实施例中,利用Gabor滤波器对灰度图像进行滤波处理,充分发挥了Gabor滤波器对图像边缘敏感性更好的优势,提高了图像条纹的识别率,对图像修复具有重要意义。
在步骤S220中,检测滤波图像中的图像条纹,并根据图像条纹生成图像掩膜。
在本公开的示例性实施例中,可以根据滤波图像中的图像条纹生成图像掩膜,以进一步对待修复图像进行修复处理。
在可选的实施例中,图5示出了生成图像掩膜的方法的步骤流程图,如图5所示,该方法至少包括以下步骤:在步骤S510中,扫描滤波图像,并根据检测阈值确定滤波图像中的图像条纹。在扫描滤波图像之前,可以先确定判断是否为图像条纹的检测阈值,以确定图像条纹。
在可选的实施例中,图6示出了确定图像条纹的方法的步骤流程图,如图6所示,该方法至少包括以下步骤:在步骤S610中,确定扫描滤波图像的扫描起点、扫描终点和扫描比例。鉴于滤波图像是对灰度图像进行横向和纵向的滤波处理得到的,因此要确定的扫描起点和扫描终点对应有横向和纵向两种,才能进一步得到横向条纹和纵向条纹。
对于横向条纹来说,扫描起点可以为Xbegin,扫描终点可以为Xend。其中,Xbegin表示扫描开始的滤波图像的横轴起点,一般设置为0,但是当初始的待修复图像有边框时,也可以设置为其他数值,本示例性实施例对此不作特殊限定;Xend表示扫描结束的滤波图像的横轴终点,一般设置为待修复图像的宽,但当待修复图像是有边框的图像时,也可以设置为其他数值,本示例性实施例对此不作特殊限定。
对于纵向条纹来说,扫描起点可以是Ybegin,扫描终点可以是Yend。其中,Ybegin表示扫描开始的滤波图像的纵轴起点,一般设置为0,但当初始的待修复图像是有边框的图像时,也可以设置为其他数值,本示例性实施例对此不作特殊限定;Yend表示扫描结束的滤波图像的纵轴终点,一般设置为待修复图像的高,但是当待修复图像是有边框的图像时,也可以设置为其他数值,本示例性实施例对此不作特殊限定。
这样设置的扫描起点和扫描终点就可以实现在扫描时遍历滤波图像的目的,也可以根据实际需求进行设置,本示例性实施例对此不作特殊限定。
不论是横向条纹还是纵向条纹,都有可能从滤波图像的由上至下或由左至右,也可以仅占据图像长度或宽度的一部分。因此,扫描比例是为确定检测阈值,从图像的长度或宽度方面设置的参数。举例而言,该扫描比例可以是像素个数的百分比,设置为0~100%,表示条纹占据图像长度或宽度的比例。
在步骤S620中,扫描滤波图像,并对扫描起点、扫描终点和扫描比例进行计算,得到图像条纹的检测阈值。由于滤波图像是Gabor滤波的实部部分,像素值为0~255,而非边缘部分的像素值均为0,因此,可以在扫描的同时,记录非0像素点的个数,以进一步确定是否为条纹。对于横向条纹,可以扫描滤波图像的每一行,并同时统计该行非0像素点的个数;对于纵向条纹,可以扫描滤波图像的每一列,并同时统计该列非0像素点的个数。为确定每一行或每一列统计到的非0像素点的个数组成的长度是否属于条纹,可以确定图像条纹的检测阈值。
具体的,对于横向条纹,检测阈值设定为N,计算方式参考公式1:
N=P*(Xend-Xbegin) 公式1
其中,Xbegin表示横轴扫描的扫描起点,Xend表示横轴扫描结束的扫描终点,P表示扫描比例,在这里可以是像素个数的百分比。
对于纵向条纹,检测阈值设定为N,计算方式参考公式2:
N=P*(Yend-Ybegin) 公式2
其中,Ybegin表示纵轴扫描的扫描起点,Yend表示纵轴扫描结束的扫描终点,P表示扫描比例,在这里可以是像素个数的百分比。
在步骤S630中,根据扫描结果和检测阈值确定滤波图像中的图像条纹,并记录图像条纹的位置信息。在扫描之后,可以统计到横向条纹的非0像素点个数和纵向条纹的非0像素点个数,即为扫描结果。进一步的,可以将非0像素点的个数与检测阈值进行比较,确定非0像素点个数大于检测阈值的一行或者一列为图像条纹。
同时,可以记录图像条纹的位置信息。具体的,若是一条从图像的纵轴扫描起点开始到该列某一高度h的纵向条纹,可以记录该高度h对应的横轴像素点,还可以是其他记录方式,本示例性实施例对此不作特殊限定。若是一条图像中间开始,并从图像终点结束的纵向条纹,对应记录纵向条纹对应的横轴像素点即可并且,横轴条纹记录方式类似,在此不再赘述。
在本示例性实施例中,通过将扫描结果与计算出的检测阈值进行比较,可以确定并记录图像条纹的位置信息,确定方式简单准确,并且可以根据实际情况设置,普适性极强。
除此之外,对图像条纹的检测方式还可以采用霍夫变换算法。霍夫变换是一种特征检测,被广泛应用在图像分析、计算机视觉以及数位影像处理。霍夫变换是用来辨别找出物件中的特征,例如线条。霍夫变换算法确定图像条纹的流程大致如下,给定一个条纹的形状的种类,亦即线条,算法会在参数空间中执行投票来决定条纹的形状,而这是由累加空间里的局部最大值来决定。
在步骤S520中,按照待修复图像生成原始掩膜,并根据图像条纹更新原始掩膜,得到图像掩膜。为利用已确定的图像条纹对待修复图像进行修复处理,还需要得到图像掩膜一起作用。
在可选的实施例中,图7示出了进一步生成图像掩膜的方法的步骤流程图,如图7所示,该方法至少包括以下步骤:在步骤S710中,获取待修复图像的尺寸信息,并按照尺寸信息生成原始掩膜。原始掩膜是根据待修复图像生成的。具体的,根据待修复图像的尺寸信息,亦即宽和高,生成同样大小的全0单通道图像,亦即原始掩膜。在步骤S720中,根据位置信息将图像条纹替换到原始掩膜中,得到图像掩膜。根据已记录的图像条纹的位置信息,可以在原始掩膜中确定对应的位置。对于横向条纹而言,复制滤波图像对应位置的行像素值,并替换到原始掩膜上,即可生成对应的图像掩膜;对于纵向条纹而言,复制滤波图像对应位置的列像素值,并替换到原始掩膜上,即可生成对应的图像掩膜。
在本示例性实施例中,根据待修复图像和滤波图像可以生成图像掩膜,对原始掩膜的更新方式简单可行,并为进一步修复处理做好准备。
在步骤S230中,根据图像掩膜对待修复图像进行修复处理,得到修复后的图像。
在本公开的示例性实施例中,由于图像条纹的宽度是随机的,因此得到的图像掩膜可能不足以覆盖整个图像条纹。为了条纹能够完整地被去除,可以对图像掩膜进行膨胀处理,以进一步修复。
在可选的实施例中,图8示出了修复待修复图像的方法的步骤流程图,如图8所示,该方法至少包括以下步骤:在步骤S810中,确定膨胀卷积核的大小,以生成图像掩膜对应的膨胀卷积核。膨胀卷积核的大小可以根据实际情况设定,图像条纹越宽,可以设置的越大,图像掩膜也膨胀得越大。一般的,设置膨胀卷积核的大小为3、5、7、……。较为优选的,可以设置为3或5。在确定膨胀卷积核之后,可以设置一个权重全为1的一维卷积核作为膨胀卷积核。
在步骤S820中,根据膨胀卷积核对图像掩膜进行膨胀处理,并根据膨胀处理后的图像掩膜对待修复图像进行修复处理。具体的,可以将膨胀卷积核与图像掩膜作为参数输入值opencv的膨胀函数dilate中。在膨胀过程中,膨胀卷积核与对应的图像掩膜做“与”操作。也就是,若膨胀卷积核与图像掩膜的对应像素值都为0时,得到膨胀后的图像在该像素点的像素值为0;否则,对应的像素值为非0值。膨胀过程可以使图像掩膜扩大一圈,亦即增加了图像掩膜中的白色区域,也就是图像条纹所在位置的白色区域,以得到膨胀处理后的图像掩膜。
进一步的,根据膨胀处理后的图像掩膜对待修复图像进行修复处理。具体的,将待处理图像和膨胀处理后的图像掩膜输入到opencv的图像修复inpaint函数中。该函数可以根据输入的图像掩膜对其中的非0像素值进行修复。并且,可以根据实际情况设置参数inpaintRadius,该参数标识修复算法的邻域半径,取值为[3,11]。除此之外,参数flags表示选择的修复算法,一般包括INPAINT_NS和INPAINT_TELEA两种,根据需要选择其中一种即可。
在本示例性实施例中,通过膨胀处理后的图像掩膜对待修复图像进行修复,确保图像条纹被图像掩膜覆盖,完整去除图像条纹,优化了图像修复的效果。
在对待修复图像经过图像掩膜修复之后,可以得到修复后的图像。值得说明的是,若该待修复图像是从待修复视频中提取得到的,可以将该待修复视频的每一帧图像修复之后进行合并,以得到修复后的视频。
下面结合一具体应用场景对本公开实施例中提供的图像处理方法做出详细说明。
图9示出了在应用场景下图像处理方法的步骤流程图,如图9所示,在步骤S910中,输入视频。该视频是每一帧图像都有噪声条纹或者是其中的一帧或多帧有噪声条纹的待修复视频。
在步骤S920中,根据视频中的待修复图像得到灰度图像。该灰度图像可以是对提取到的每一帧待修复图像进行灰度化处理得到的。
在步骤S930中,对灰度图像进行Gabor滤波的模块。图10示出了一张老照片的灰度图像,如图10所示,该灰度图像是一张待修复的老照片,上面充满了纵向条纹。
为去除纵向条纹,可以设置Gabor滤波器的条纹θ为90°对该老照片进行滤波处理。图11示出了一张老照片的滤波图像,如图11所示,该滤波图像的边缘处为非0像素值,其他位置的像素值均为0。
在步骤S940中,滤波图像的横向条纹和纵向条纹的扫描模块。扫描已生成的滤波图像,并根据检测阈值确定滤波图像中的图像条纹。进一步的的,将图像条纹复制并替换到根据待修复图像生成的原始掩膜上,生成对应的图像掩膜。
在步骤S950中,判断图像中是否有条纹,该步骤可以是对扫描模块的扫描结果进行判断的模块。若在滤波图像中未检测到图像条纹,可以直接输出视频;若在滤波图像中检测到图像条纹,可以进行后续处理步骤。
在步骤S960中,图像掩膜的膨胀处理模块。当在滤波图像中扫描到图像条纹,但此时由于条纹的宽度未确定,因此可以通过膨胀卷积核对图像掩膜进行膨胀处理。图12示出了膨胀处理后的一张老照片的图像掩膜,如图12所示,膨胀处理处理之后,白色区域为图10中条纹所在的位置的表示,其他非修复位置的像素值均为0。
在步骤S970中,待修复图像的图像修复模块。通过膨胀处理后的图像掩膜对待修复图像进行图像修复处理,具体修复算法可以根据实际情况选定。图13示出了修复后的一张老照片,如图13所示,老照片上的多条纵向条纹已被修复,整体画面效果得到提升。
在步骤S980中,将待修复视频中的每一帧待修复图像修复成功之后,合并修复后的图像并生成修复好的视频,并输出视频,以供观看。
除此之外,图14示出了修复处理前的另一张老照片,如图14所示,该老照片可以是一张拍摄好的图像,老照片上的画质十分不清晰,并且纵向条纹的数目更多,且更显著,严重影响了观看效果。
对应的,图15示出了修复处理后的另一张老照片,如图15所示,修复后的老照片纵向条纹全部消除,修复效果极佳。
基于以上应用场景可知,本公开实施例提供的图像处理方法通过检测到的与灰度图像对应的滤波图像中的图像条纹,生成修复待修复图像的图像掩膜,实现对待修复图像进行修复的功能。一方面,利用滤波器直接获取到特定方向的边缘信息,摆脱了边缘检测的限制,提升了检测效率;另一方面,生成滤波图像和图像条纹过程中,调参方便,降低了时间和空间的复杂度,提高了条纹检测的有效性。
应当注意,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
以下介绍本公开的装置实施例,可以用于执行本公开上述实施例中的图像处理方法。对于本公开装置实施例中未披露的细节,请参照本公开上述的图像处理方法的实施例。
图16示意性地示出了在本公开一些实施例中的图像处理装置的结构框图。如图16所示,图像处理装置1600主要可以包括:图像滤波模块1610、掩膜生成模块1620和图像修复模块1630。
图像滤波模块1610,被配置为获取待修复图像的灰度图像,并利用滤波器对灰度图像进行滤波处理,得到滤波图像;掩膜生成模块1620,被配置为检测滤波图像中的图像条纹,并根据图像条纹生成图像掩膜;图像修复模块1630,被配置为根据图像掩膜对待修复图像进行修复处理,得到修复后的图像。
在本公开的一些实施例中,掩膜生成模块包括:图像扫描单元,被配置为扫描滤波图像,并根据检测阈值确定滤波图像中的图像条纹;掩膜更新单元,被配置为按照待修复图像生成原始掩膜,并根据图像条纹更新所述原始掩膜,得到图像掩膜。
在本公开的一些实施例中,图像扫描单元包括:参数确定子单元,被配置为确定扫描滤波图像的扫描起点、扫描终点和扫描比例;阈值计算子单元,被配置为扫描滤波图像,并对扫描起点、扫描终点和扫描比例进行计算,得到图像条纹的检测阈值;位置记录子单元,被配置为根据扫描结果和检测阈值确定滤波图像中的图像条纹,并记录图像条纹的位置信息。
在本公开的一些实施例中,基膜更新单元包括:尺寸获取子单元,被配置为获取待修复图像的尺寸信息,并按照尺寸信息生成原始掩膜;条纹替换子单元,被配置为根据位置信息将图像条纹替换到原始掩膜中,得到图像掩膜。
在本公开的一些实施例中,图像滤波模块包括:方向确定单元,被配置为确定Gabor滤波器的核函数的横向方向和纵向方向;滤波处理单元,被配置为分别利用Gabor滤波器的横向方向和纵向方向对灰度图像进行滤波处理,得到滤波图像。
在本公开的一些实施例中,图像修复模块包括:卷积核生成单元,被配置为确定膨胀卷积核的大小,以生成与图像掩膜对应的膨胀卷积核;膨胀处理单元,被配置为根据膨胀卷积核对图像掩膜进行膨胀处理,并根据膨胀处理后的图像掩膜对待修复图像进行修复处理。
在本公开的一些实施例中,图像滤波模块包括:视频获取单元,被配置为获取待修复视频,并在待修复视频中提取待修复图像;灰度化处理单元,被配置为对待修复图像进行灰度化处理,得到待修复图像的灰度图像。
本公开各实施例中提供的图像处理装置的具体细节已经在对应的方法实施例中进行了详细的描述,因此此处不再赘述。
图17示出了适于用来实现本公开实施例的电子设备的计算机***的结构示意图。
需要说明的是,图17示出的电子设备的计算机***1700仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图17所示,计算机***1700包括中央处理单元(Central Processing Unit,CPU)1701,其可以根据存储在只读存储器(Read-Only Memory,ROM)1702中的程序或者从存储部分1708加载到随机访问存储器(Random Access Memory,RAM)1703中的程序而执行各种适当的动作和处理。在RAM 1703中,还存储有***操作所需的各种程序和数据。CPU1701、ROM 1702以及RAM 1703通过总线1704彼此相连。输入/输出(Input/Output,I/O)接口1705也连接至总线1704。
以下部件连接至I/O接口1705:包括键盘、鼠标等的输入部分1706;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1707;包括硬盘等的存储部分1708;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1709。通信部分1709经由诸如因特网的网络执行通信处理。驱动器1710也根据需要连接至I/O接口1705。可拆卸介质1711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1710上,以便于从其上读出的计算机程序根据需要被安装入存储部分1708。
特别地,根据本公开的实施例,各个方法流程图中所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1709从网络上被下载和安装,和/或从可拆卸介质1711被安装。在该计算机程序被中央处理单元(CPU)1701执行时,执行本申请的***中限定的各种功能。
需要说明的是,本公开实施例所示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、或半导体的***、装置或器件,或者任意以上的组合。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(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,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***、装置或者器件使用或者与其结合使用。而在本公开中,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***、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、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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,上述模块、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,框图或流程图中的每个方框、以及框图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***来实现,或者可以用专用硬件与计算机指令的组合来实现。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (8)
1.一种图像处理方法,其特征在于,所述方法包括:
获取待修复图像的灰度图像,并利用滤波器对所述灰度图像进行滤波处理,得到滤波图像;
检测所述滤波图像中的图像条纹,并根据所述图像条纹生成图像掩膜;
确定膨胀卷积核的大小,以生成与所述图像掩膜对应的所述膨胀卷积核;所述图像条纹越宽,所述膨胀卷积核越大;
根据所述膨胀卷积核对所述图像掩膜进行膨胀处理,并根据膨胀处理后的图像掩膜对所述待修复图像进行修复处理,得到修复后的图像;
所述检测所述滤波图像中的图像条纹,并根据所述图像条纹生成图像掩膜,包括:
确定扫描所述滤波图像的扫描起点、扫描终点和扫描比例;所述扫描比例为像素个数的百分比,表示条纹占据图像长度或宽度的比例;
扫描所述滤波图像的每一行,并同时统计每一行非0像素点的个数;扫描所述滤波图像的每一列,同时统计每一列非0像素点的个数,并对所述扫描起点、所述扫描终点和所述扫描比例进行计算,得到图像条纹的检测阈值;
将非0像素点的个数与所述检测阈值进行比较,确定非0像素点个数大于所述检测阈值的一行或者一列为图像条纹,并记录所述图像条纹的位置信息;
获取所述待修复图像的尺寸信息,并按照所述尺寸信息生成原始掩膜,所述原始掩膜为与所述待修复图像的尺寸同样大小的全0单通道图像;根据所述位置信息将所述图像条纹替换到所述原始掩膜中,得到图像掩膜。
2.根据权利要求1所述的图像处理方法,其特征在于,所述利用滤波器对所述灰度图像进行滤波处理,得到滤波图像,包括;
确定Gabor滤波器的核函数的横向方向和纵向方向;
分别利用所述Gabor滤波器的所述横向方向和所述纵向方向对所述灰度图像进行滤波处理,得到滤波图像。
3.根据权利要求1所述的图像处理方法,其特征在于,所述获取待修复图像的灰度图像,包括:
获取待修复视频,并在所述待修复视频中提取待修复图像;
对所述待修复图像进行灰度化处理,得到所述待修复图像的灰度图像。
4.一种图像处理装置,其特征在于,所述装置包括:
图像滤波模块,被配置为获取待修复图像的灰度图像,并利用滤波器对所述灰度图像进行滤波处理,得到滤波图像;
掩膜生成模块,被配置为检测所述滤波图像中的图像条纹,并根据所述图像条纹生成图像掩膜;
图像修复模块,被配置为确定膨胀卷积核的大小,以生成与所述图像掩膜对应的所述膨胀卷积核;所述图像条纹越宽,所述膨胀卷积核越大;
根据所述膨胀卷积核对所述图像掩膜进行膨胀处理,并根据膨胀处理后的图像掩膜对所述待修复图像进行修复处理,得到修复后的图像;
所述掩膜生成模块包括:参数确定子单元,被配置为确定扫描滤波图像的扫描起点、扫描终点和扫描比例,所述扫描比例为像素个数的百分比,表示条纹占据图像长度或宽度的比例;阈值计算子单元,被配置为扫描所述滤波图像的每一行,并同时统计每一行非0像素点的个数;扫描所述滤波图像的每一列,同时统计每一列非0像素点的个数,并对所述扫描起点、所述扫描终点和所述扫描比例进行计算,得到图像条纹的检测阈值;位置记录子单元,被配置为将非0像素点的个数与所述检测阈值进行比较,确定非0像素点个数大于所述检测阈值的一行或者一列为图像条纹,并记录所述图像条纹的位置信息;
所述掩膜生成模块还包括:尺寸获取子单元,被配置为获取所述待修复图像的尺寸信息,并按照所述尺寸信息生成原始掩膜,所述原始掩膜为与所述待修复图像的尺寸同样大小的全0单通道图像;条纹替换子单元,被配置为根据位置信息将图像条纹替换到原始掩膜中,得到图像掩膜。
5.根据权利要求4所述的图像处理装置,其特征在于,所述图像滤波模块包括:方向确定单元,被配置为确定Gabor滤波器的核函数的横向方向和纵向方向;滤波处理单元,被配置为分别利用Gabor滤波器的横向方向和纵向方向对灰度图像进行滤波处理,得到滤波图像。
6.根据权利要求4所述的图像处理装置,其特征在于,所述图像滤波模块包括:视频获取单元,被配置为获取待修复视频,并在待修复视频中提取待修复图像;灰度化处理单元,被配置为对待修复图像进行灰度化处理,得到待修复图像的灰度图像。
7.一种计算机可读介质,其上存储有计算机程序,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至3中任一项所述的图像处理方法。
8.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至3中任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010143766.0A CN111292272B (zh) | 2020-03-04 | 2020-03-04 | 图像处理方法、装置、介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010143766.0A CN111292272B (zh) | 2020-03-04 | 2020-03-04 | 图像处理方法、装置、介质以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111292272A CN111292272A (zh) | 2020-06-16 |
CN111292272B true CN111292272B (zh) | 2022-03-25 |
Family
ID=71020883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010143766.0A Active CN111292272B (zh) | 2020-03-04 | 2020-03-04 | 图像处理方法、装置、介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292272B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754439B (zh) * | 2020-06-28 | 2024-01-12 | 北京百度网讯科技有限公司 | 图像处理的方法、装置、设备以及存储介质 |
CN112651886B (zh) * | 2020-11-25 | 2022-10-11 | 杭州微帧信息科技有限公司 | 一种联合原图去除增强图像中的色带的方法 |
CN112488942A (zh) * | 2020-12-02 | 2021-03-12 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
CN116051386B (zh) * | 2022-05-30 | 2023-10-20 | 荣耀终端有限公司 | 图像处理方法及其相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542557A (zh) * | 2010-12-30 | 2012-07-04 | 方正国际软件(北京)有限公司 | 从图像中提取线的方法与*** |
CN104966275A (zh) * | 2015-06-12 | 2015-10-07 | 中国科学院深圳先进技术研究院 | 基于雨频率特性的单幅图像去除雨滴影响的方法和*** |
CN107545546A (zh) * | 2016-06-24 | 2018-01-05 | 柯尼卡美能达株式会社 | 放射线图像摄影***、图像处理装置以及图像处理方法 |
CN107767346A (zh) * | 2017-09-08 | 2018-03-06 | 湖北久之洋红外***股份有限公司 | 一种红外图像条纹噪声滤波方法 |
CN109360168A (zh) * | 2018-10-16 | 2019-02-19 | 烟台艾睿光电科技有限公司 | 红外图像去条纹的方法、装置、红外探测器及存储介质 |
CN109509158A (zh) * | 2018-11-19 | 2019-03-22 | 电子科技大学 | 基于幅度约束红外图像条纹去除的方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0816825A3 (en) * | 1996-06-26 | 1998-08-12 | Toshiba Engineering Corporation | Method and apparatus for inspecting streak |
JP4363095B2 (ja) * | 2003-07-01 | 2009-11-11 | コニカミノルタエムジー株式会社 | 医用画像処理装置及び医用画像処理システム |
JP4426930B2 (ja) * | 2004-01-09 | 2010-03-03 | 日本放送協会 | 映像修復装置、映像修復方法及び映像修復プログラム |
US7388989B2 (en) * | 2004-11-19 | 2008-06-17 | Xerox Corporation | Method for run-time streak detection by profile analysis |
JP4416039B2 (ja) * | 2008-03-19 | 2010-02-17 | 日本電気株式会社 | 縞模様検知システム、縞模様検知方法および縞模様検知用プログラム |
US20170330338A1 (en) * | 2014-12-19 | 2017-11-16 | Compagnie Generale Des Etablissements Michelin | Method for detecting striations in a tire |
US10346967B2 (en) * | 2015-07-31 | 2019-07-09 | Hp Indigo B.V. | Detection of streaks in images |
CN105263018B (zh) * | 2015-10-12 | 2017-08-15 | 浙江宇视科技有限公司 | 一种视频图像中叠加条纹检测方法和装置 |
-
2020
- 2020-03-04 CN CN202010143766.0A patent/CN111292272B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542557A (zh) * | 2010-12-30 | 2012-07-04 | 方正国际软件(北京)有限公司 | 从图像中提取线的方法与*** |
CN104966275A (zh) * | 2015-06-12 | 2015-10-07 | 中国科学院深圳先进技术研究院 | 基于雨频率特性的单幅图像去除雨滴影响的方法和*** |
CN107545546A (zh) * | 2016-06-24 | 2018-01-05 | 柯尼卡美能达株式会社 | 放射线图像摄影***、图像处理装置以及图像处理方法 |
CN107767346A (zh) * | 2017-09-08 | 2018-03-06 | 湖北久之洋红外***股份有限公司 | 一种红外图像条纹噪声滤波方法 |
CN109360168A (zh) * | 2018-10-16 | 2019-02-19 | 烟台艾睿光电科技有限公司 | 红外图像去条纹的方法、装置、红外探测器及存储介质 |
CN109509158A (zh) * | 2018-11-19 | 2019-03-22 | 电子科技大学 | 基于幅度约束红外图像条纹去除的方法 |
Non-Patent Citations (2)
Title |
---|
Gabor小波变换在检测纹理边界及相位展开中的应用;张鸿宾等;《计算机学报》;19981231;第21卷(第12期);全文 * |
Variational Algorithms to Remove Stationary Noise: Applications to Microscopy Imaging;J. Fehrenbach等;《IEEE Transactions on Image Processing》;20120626;第10卷(第21期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111292272A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292272B (zh) | 图像处理方法、装置、介质以及电子设备 | |
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN111488865B (zh) | 图像优化方法、装置、计算机存储介质以及电子设备 | |
US10062195B2 (en) | Method and device for processing a picture | |
CN111695421B (zh) | 图像识别方法、装置及电子设备 | |
CN111192226B (zh) | 一种图像融合去噪方法及装置、*** | |
EP4300417A1 (en) | Method and apparatus for evaluating image authenticity, computer device, and storage medium | |
CN111008935B (zh) | 一种人脸图像增强方法、装置、***及存储介质 | |
CN110062157B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN111192241B (zh) | 一种人脸图像的质量评估方法、装置及计算机存储介质 | |
CN112785572A (zh) | 图像质量评估方法、装置以及计算机可读存储介质 | |
CN115270184A (zh) | 视频脱敏、车辆的视频脱敏方法、车载处理*** | |
CN113688839B (zh) | 视频处理方法及装置、电子设备、计算机可读存储介质 | |
CN112749696B (zh) | 一种文本检测方法及装置 | |
CN117541546A (zh) | 图像裁剪效果的确定方法和装置、存储介质及电子设备 | |
CN117689884A (zh) | 一种医学图像分割模型的生成方法及医学图像的分割方法 | |
CN112184580A (zh) | 一种人脸图像增强方法、装置、设备及存储介质 | |
CN116798041A (zh) | 图像识别方法、装置和电子设备 | |
CN115690934A (zh) | 基于批量人脸识别的师生考勤打卡方法及装置 | |
CN112052863B (zh) | 一种图像检测方法及装置、计算机存储介质、电子设备 | |
CN115115535A (zh) | 深度图的去噪方法、装置、介质及设备 | |
CN112487943A (zh) | 关键帧去重的方法、装置和电子设备 | |
CN113516674A (zh) | 一种图像数据检测方法、装置、计算机设备和存储介质 | |
Qi et al. | A 3D visual comfort metric based on binocular asymmetry factor | |
CN115222606A (zh) | 图像处理方法、装置、计算机可读介质及电子设备 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40024254 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |