CN111340722B - 图像处理方法、处理装置、终端设备及可读存储介质 - Google Patents

图像处理方法、处理装置、终端设备及可读存储介质 Download PDF

Info

Publication number
CN111340722B
CN111340722B CN202010105128.XA CN202010105128A CN111340722B CN 111340722 B CN111340722 B CN 111340722B CN 202010105128 A CN202010105128 A CN 202010105128A CN 111340722 B CN111340722 B CN 111340722B
Authority
CN
China
Prior art keywords
image
target object
sample
fusion
blurred
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
Application number
CN202010105128.XA
Other languages
English (en)
Other versions
CN111340722A (zh
Inventor
金宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority to CN202010105128.XA priority Critical patent/CN111340722B/zh
Publication of CN111340722A publication Critical patent/CN111340722A/zh
Application granted granted Critical
Publication of CN111340722B publication Critical patent/CN111340722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本申请提供了一种图像处理方法、处理装置、终端设备及可读存储介质。所述方法包括：获取待处理的包括目标对象的模糊图像以及N个均包括所述目标对象的样本清晰图像；对于每个样本清晰图像，将所述模糊图像与该样本清晰图像进行对齐，得到所述模糊图像中组成该目标对象的各图像区域，分别对应的样本区域；对于每个图像区域，基于该图像区域的清晰程度，确定该图像区域以及与该图像区域对应的N个样本区域分别对应的融合权重，并基于该融合权重进行图像融合，对于各个图像区域，图像区域的清晰程度与图像区域对应的融合权重正相关。本申请能够在避免模糊修正出现失真的前提下，同时避免由于采用神经网络模型造成产品研发周期长的技术问题。

Description

图像处理方法、处理装置、终端设备及可读存储介质
技术领域
本申请属于终端设备技术领域，尤其涉及一种图像处理方法、图像处理装置、终端设备及计算机可读存储介质。
背景技术
当用户利用终端设备(比如，手机)进行拍照时，在某些情况下可能会拍摄到模糊图像，比如，当待拍摄的目标对象距离摄像头过近或过远时，该目标对象会处于失焦状态，导致照片中的该目标对象较为模糊；再比如，当采用屏下摄像头或者在夜晚拍照时，可能会使得摄像头的采光量不足，也会使得照片中的待拍摄的目标对象出现模糊现象；又比如，当待拍摄的目标对象与摄像头出现相对运动时，同样会使得照片中的该目标对象较为模糊。
目前，存在如下模糊修正方法为：采用大量的模糊样本图像以及清晰样本图像进行神经网络模型训练，使得训练后的该神经网络模型能够进行模糊修正。
上述采用神经网络模型的方式进行模糊修正，能够在一定程度上避免修正后的图像出现图像失真，但是需要采用大量的样本图像进行训练，会延长产品的研发周期。
由此可见，如何在避免模糊修正出现图像失真的前提下，同时避免由于采用神经网络模型造成产品研发周期长的技术问题，是目前亟待解决的问题。
发明内容
有鉴于此，本申请实施例提供了一种图像处理方法、图像处理装置、终端设备及计算机可读存储介质。能够在避免模糊修正出现失真的前提下，同时避免由于采用神经网络模型造成产品研发周期长的技术问题。
本申请实施例的第一方面提供了一种图像处理方法，包括：
获取待处理的包括目标对象的模糊图像以及N个均包括所述目标对象的样本清晰图像，其中，N为整数且N≥1；
对于每个样本清晰图像，将所述模糊图像与该样本清晰图像进行对齐，得到所述模糊图像中组成所述目标对象的各图像区域，分别对应的位于该样本清晰图像的样本区域；
确定各个所述图像区域的清晰程度；
对于每个图像区域，基于该图像区域的清晰程度，确定该图像区域以及与该图像区域对应的N个样本区域分别对应的融合权重，并基于各个融合权重，将该图像区域与该N个样本区域进行图像融合，其中，对于各个图像区域，图像区域的清晰程度与图像区域对应的融合权重正相关。
本申请实施例的第二方面提供了一种图像处理装置，包括：
图像获取模块，用于获取待处理的包括目标对象的模糊图像以及N个均包括所述目标对象的样本清晰图像，其中，N为整数且N≥1；
对齐模块，用于对于每个样本清晰图像，将所述模糊图像与该样本清晰图像进行对齐，得到所述模糊图像中组成所述目标对象的各图像区域，分别对应的位于该样本清晰图像的样本区域；
清晰程度确定模块，用于确定各个所述图像区域的清晰程度；
融合模块，用于对于每个图像区域，基于该图像区域的清晰程度，确定该图像区域以及与该图像区域对应的N个样本区域分别对应的融合权重，并基于各个融合权重，将该图像区域与该N个样本区域进行图像融合，其中，对于各个图像区域，图像区域的清晰程度与图像区域对应的融合权重正相关。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面所述图像处理方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面所述图像处理方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被一个或多个处理器执行时实现如上述第一方面所述图像处理方法的步骤。
由上可见，本申请提供了一种图像处理方法。首先，获取包含目标对象的模糊图像(本申请所述的模糊图像指的是：所包含的目标对象的清晰度较低，比如低于某一阈值的图像)，并获取N个均包括上述目标对象的样本清晰图像(本申请所述的样本清晰图像指的是：所包含的上述目标对象较为清晰，比如大于某一阈值的样本图像)，本领域技术人员应该清楚，上述模糊图像以及各个样本清晰图像均包含同一个目标对象(比如，均包含小明的人脸)；其次，对于每个样本清晰图像，将上述模糊图像与该样本清晰图像进行对齐，得到该模糊图像中组成上述目标对象的各个图像区域分别对应的位于该样本清晰图像的样本区域，比如，若上述的图像区域为一个像素点，那么该步骤可以确定出模糊图像中组成目标对象的各个像素点分别对应到某个样本清晰图像中的哪个像素点；然后，确定模糊图像中组成上述目标对象的各个图像区域的清晰程度；最后，对于每个图像区域，基于该图像区域的清晰程度，确定该图像区域以及与该图像区域对应的N个样本区域分别对应的融合权重，并基于各个融合权重，将该图像区域与该N个样本区域进行图像融合，其中，对于各个图像区域，图像区域的清晰程度与图像区域对应的融合权重正相关，也即是，对于某个图像区域来说，若该区域较为清晰，则较大程度的保留该区域的信息，较少的融入清晰样本图像的信息，若该区域较为模糊，则较少程度的保留该区域的信息，较大程度的融入清晰样本图像的信息。
因此，基于上述分析，本申请提供的图像处理方法在进行模糊修正时，并未使用神经网络模型，因此避免了由于采用神经网络模型造成产品研发周期长的技术问题。
此外，本申请所提供的技术方案中，采用了如下技术手段：一是采用了包含同一目标对象的样本清晰图像；二是基于模糊图像中组成目标对象的图像区域清晰度，将样本清晰图像的相应区域进行不同程度的融合。所以，由于模糊图像中待修正的目标对象与样本清晰图像中的目标对象是同一个，因此，避免引入其他不合理的图像信息，并且基于清晰程度进行图像融合，也能够在图像区域的清晰程度较大时，较大程度地保留原模糊图像的信息，因此，本申请提供的技术方案，能够避免引入不合理的图像信息，避免模糊修正后的图像出现失真。
综上所述，本申请所提供的技术方案能够在避免模糊修正出现图像失真的前提下，同时避免由于采用神经网络模型造成产品研发周期长的技术问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例。
图1是本申请实施例一提供的一种图像处理方法的流程示意图；
图2是本申请实施例一提供的图像区域与样本区域的对应示意图；
图3是本申请实施例二提供的另一种图像处理方法的流程示意图；
图4(a)是本申请实施例二提供的梯度值的绝对值与清晰程度呈正相关函数关系时的关系示意图；
图4(b)是本申请实施例二提供的梯度值的绝对值与清晰程度呈梯度上升的函数关系时的关系示意图；
图5是本申请实施例二提供的基于权重图对像素点A-D的模糊修正示意图；
图6是本申请实施例三提供的一种图像处理装置的结构示意图；
图7是本申请实施例四提供的终端设备的结构示意图；
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定的技术细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
本申请实施例提供的图像处理方法可以适用于终端设备，示例性地，该终端设备包括但不限于：智能手机、平板电脑、笔记本、桌上型计算机、云端服务器等。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
实施例一
下面对本申请实施例一提供的图像处理方法进行描述，该处理方法应用于终端设备(比如智能手机)，请参阅附图1，该方法包括如下步骤：
在步骤S101中，获取待处理的包括目标对象的模糊图像以及N个均包括该目标对象的样本清晰图像，其中，N为整数且N≥1；
本申请所述的模糊图像为：所包含目标对象的清晰度低于第一阈值的图像。本申请所述的样本清晰图像为：所包含目标对象的清晰度高于第二阈值的图像。本领域技术人员容易理解，上述第二阈值大于或等于上述第一阈值。
上述步骤S101限定了每个样本清晰图像与模糊图像均包含目标对象，也即是上述模糊图像与上述样本清晰图像所包含的目标对象应一致(比如，均包含小明的面部图像，更进一步解释即是模糊图像与各个样本清晰图像均包含同一主体的同一部位)，但是本领域技术人员应该理解，这并不意味着上述步骤S101限制上述模糊图像与各个上述样本清晰图像所包含的目标对象是完全一模一样的，比如，在本申请实施例中，上述模糊图像可以是包含有具有些许倾斜角度的小明的半侧面面部的图像，而上述样本清晰图像中可以是预先拍摄的包含小明的正面面部的清晰图像。
在本申请实施例中，在执行该步骤S101之前，可以执行如下步骤A：
步骤A、获取图像X，确定所述图像X中的拍摄主体是否属于预设对象集合，并确定所述拍摄主体的清晰程度；
相应地，上述步骤S101具体为如下步骤B：
步骤B、若上述拍摄主体属于上述预设对象集合且清晰程度小于上述第一阈值，则将上述图像X确定为所述待处理的包括目标对象的模糊图像，并获取N个均包括该目标对象的样本清晰图像。
本领域技术人员容易理解，上述步骤B所述的模糊图像中所包含的目标对象即是上述步骤A所述的拍摄主体。
在上述步骤A中，当终端设备获取到上述图像X时，首先要确定该图像X中的拍摄主体是否属于上述预设对象集合，并确定上述图像X中的拍摄主体的清晰程度。本领域技术人员应该理解，确定是否属于上述预设对象集合与确定拍摄主体的清晰程度可以是并行执行，也可以是串行执行(比如，可以先确定拍摄主体是否属于上述预设对象集合，当确定属于上述预设对象集合时，再确定该拍摄主体的清晰程度)，本申请对此不作限定。
当上述图像X中的拍摄主体属于上述预设对象集合时，并且当该拍摄主体的清晰程度符合要求时，将该图像X确定为步骤S101所述的模糊图像，然后获取N个均包括该目标对象的样本清晰图像。
本领域技术人员容易理解，之所以在上述步骤A中确定拍摄主体是否属于预设对象集合，是因为后续需要利用N个样本清晰图像来进行模糊修正，而上述样本清晰图像往往是预先存储的图像，所以只能当拍摄主体属于特定类型时才能够进行模糊修正，因此，需要在上述步骤A中确定拍摄主体是否符合属于上述预设对象集合。
在步骤S102中，对于每个样本清晰图像，将上述模糊图像与该样本清晰图像进行对齐，得到该模糊图像中组成上述目标对象的各图像区域分别对应的位于该样本清晰图像的样本区域；
如图2所示，假设步骤S101所获取的模糊图像为图像201，该图像201中包含目标对象202，即小明的正脸，所获取的样本清晰图像为2个，分别为图像203与图像204，也均包含小明的正脸。则在该步骤S102中，需要确定模糊图像201中，组成小明正脸的各个图像区域分别所对应的样本区域，在图2所示的例子中，图像201中，组成目标对象的图像区域有4个，分别为图像区域A、图像区域B、图像区域C以及图像区域D，则需要通过该步骤S102确定样本清晰图像203中，图像区域A、图像区域B、图像区域C以及图像区域D分别所对应的样本区域，以及样本清晰图像204中，图像区域A、图像区域B、图像区域C以及图像区域D分别所对应的样本区域，以图像区域A为例，可以得出，该图像区域A对应到图像203中的样本区域A1以及图像204中的样本区域A2。
在本申请实施例中，若步骤S101所述的目标对象为人脸，则该步骤S102可以具体包括如下步骤：
S1021、提取上述模糊图像中人脸的特征点，并获取每个样本清晰图像中的人脸特征点；
S1022、对于每个样本清晰图像，将上述模糊图像中的人脸特征点与该样本清晰图像中的人脸特征点进行匹配，得到上述模糊图像中组成上述目标对象的各图像区域分别对应的位于该样本清晰图像的样本区域，以实现将上述模糊图像与各个样本清晰图像进行对齐。
在本申请实施例中，上述图像区域越大，那么进行模糊修正后得到的图像可能会越不自然(主要体现在各个图像区域的交界线处)，因此，为了使得模糊修正后的图像更加自然，上述步骤S102所述的图像区域的面积应尽可能小，比如，上述步骤S102所述的各个图像区域可以均为一像素点。
此外，本领域技术人员应理解，上述步骤S102所述的各个图像区域应不存在交集，上述各个图像区域的并集可以如图2所示，组成模糊图像中完整的目标对象，但是，也可以组成部分目标对象，比如，当我们只关注目标对象的一部分时，可以仅仅对该部分进行模糊修正，即可以仅仅只对该部分进行划分，得到组成该部分的各个图像区域，在这种情况下，上述步骤S102所述的各个图像区域的并集并非是完整的目标对象，而仅仅是目标对象的一部分。请本领域技术人员注意，上述步骤S102所述的各个图像区域的并集并不一定为模糊图像中完整的目标对象。
另外，本领域技术人员容易理解，由于需要在该步骤S102中，得到模糊图像中组成目标对象的各个图像区域，分别对应到样本清晰图像的哪一个区域，因此，模糊图像中所包含的目标对象的某个图像区域，也应体现在样本清晰图像中(比如，当模糊图像中的某个图像区域为小明的眼睛时，小明的眼睛也应体现在每个样本清晰图像中)，在上述步骤S101中有论述，各个样本清晰图像所包含的目标对象与模糊图像所包含的目标对象均为同一主体的同一部位，但是本领域技术人员应该理解，对于每个样本清晰图像来说，除了所包含的目标对象与模糊图像一致，即为同一主体的同一部位的限制之外，该样本清晰图像应包含与模糊图像中各个图像区域对应的样本区域，从而避免无法得到组成模糊图像中目标对象的图像区域所对应的样本区域。若上述步骤S101所述的目标对象为人脸，则为了避免模糊图像中组成目标对象的某个图像区域无法对应到样本清晰图像，可以在获取到模糊图像之后，通过如下步骤C以及步骤D来获取样本清晰图像：
步骤C、获取上述待处理的包括目标对象的模糊图像之后，确定该模糊图像中的人脸姿态；
步骤D、在样本清晰图像集合中选取人脸姿态与该模糊图像中人脸姿态在预设姿态差内的N个也包含上述目标对象的样本清晰图像，所述样本图像集合中包括各个不同的人脸姿态的样本清晰图像。
本领域技术人员容易理解，当样本清晰图像中的人脸姿态与模糊图像中的人脸姿态在预设姿态差内时(即尽量保持一致时)，能够尽量保证模糊图像中的组成目标对象的各个图像区域都能够对应到样本清晰图像中。
此外，为了进一步保证模糊修正后的图像更加自然，样本清晰图像的图像亮度应尽可能与模糊图像一致，也即是，在执行上述步骤D之前，还可以包括步骤E：
步骤E：确定上述模糊图像中的图像亮度；
相应地，上述步骤D具体为：在上述样本清晰图像集合中选取人脸姿态与上述模糊图像中人脸姿态在预设姿态差内，且图像亮度与上述模糊图像的图像亮度在预设亮度差内的N个也均包括上述目标对象的样本清晰图像。
在步骤S103中，确定各个上述图像区域的清晰程度；
在该步骤中，可以采用现有的图像清晰程度计算方式，比如现有的Laplacian梯度函数或者灰度方差函数等方式来计算某个图像区域的清晰程度，本申请并不对图像区域清晰程度计算方式做具体限定。
在步骤S104中，对于每个图像区域，基于该图像区域的清晰程度，确定该图像区域以及与该图像区域对应的N个样本区域分别对应的融合权重，并基于各个融合权重，将该图像区域与该N个样本区域进行图像融合，其中，对于各个图像区域，图像区域的清晰程度与图像区域对应的融合权重正相关；
下面结合附图2对该步骤S104进行具体描述。
如图2所示，对于图像区域A来说，根据该图像区域A的清晰程度，确定图像区域A、样本区域A1以及样本区域A2分别对应的融合权重，然后基于融合权重，将图像区域A、样本区域A1以及样本区域A2进行图像融合，同理，对于图像区域B-D也采用类似方式进行图像融合。
此外，在该步骤S104中，图像区域的融合权重与图像区域的清晰程度正相关，也即是，若图像区域A至图像区域D，清晰程度依次下降的话，那么图像区域A的融合权重至图像区域D的融合权重也应依次递减，下面以图像区域A、B以及D来说明清晰程度与图像区域融合权重的关系，比如，若图像区域A非常清晰，那么图像区域A的融合权重可以为1，样本区域A1与样本区域A2的融合权重均为0；若图像区域B轻微程度模糊时，则图像区域B的融合权重可以为0.8，样本区域B1与样本区域B2的融合权重可以均为0.1(样本区域B1为图像区域B在样本清晰图像203中的对应区域，样本区域B2为图像区域B在样本清晰图像204中的对应区域)；若图像区域D非常模糊时，则图像区域D的融合权重可以为0.3，样本区域D1与样本区域D2的融合权重可以均为0.35(样本区域D1为图像区域D在样本清晰图像203中的对应区域，样本区域D2为图像区域D在样本清晰图像204中的对应区域)。
基于上述分析，本申请实施例一提供的图像处理方法在进行模糊修正时，并未使用神经网络模型，因此避免了由于采用神经网络模型造成产品研发周期长的技术问题。此外，本申请实施例一所提供的技术方案中，采用了如下技术手段：一是采用了包含同一目标对象的样本清晰图像；二是基于模糊图像中组成目标对象的图像区域清晰度，将样本清晰图像的相应区域进行不同程度的融合。所以，由于模糊图像中待修正的目标对象与样本清晰图像中的目标对象是同一个，因此，避免引入其他不合理的图像信息，并且基于清晰程度进行图像融合，也能够在图像区域的清晰程度较大时，较大程度地保留原模糊图像的信息，因此，本申请提供的技术方案，能够避免引入不合理的图像信息，避免模糊修正后的图像出现失真。
综上所述，本申请实施例一所提供的技术方案能够在避免模糊修正出现图像失真的前提下，同时避免由于采用神经网络模型造成产品研发周期长的技术问题。
实施例二
本申请实施例二提供了另一种图像处理方法，请参阅附图3，该图像处理方法包括：
在步骤S301中，获取待处理的包括目标对象的模糊图像以及N个均包括该目标对象的样本清晰图像，其中，N为整数且N≥1；
上述步骤S301的具体实施方式与实施例一中的步骤S101完全相同，具体可参见实施例一的描述，此处不再赘述。
在步骤S302中，对于每个样本清晰图像，将上述模糊图像与该样本清晰图像进行对齐，得到该模糊图像中组成上述目标对象的各像素点分别对应的位于该样本清晰图像的样本像素点；
上述步骤S302与实施例一中的步骤S102相比，将步骤S102所述的图像区域具体限定为一像素点。在本申请实施例一，有论述为了使得模糊修正后的图像更加自然，步骤S102所述的图像区域面积应尽可能小。因此，在本申请实施例二中，将步骤S102所述的图像区域具体为一个像素点，从而使得模糊修正后的图像更加自然。
本领域技术人员容易理解，当将实施例一中步骤S102所述的图像区域限定为一个像素点时，则实施例一中步骤S102所述的样本区域也应为一个像素点。
在步骤S303中，确定上述模糊图像中组成上述目标对象的各个像素点的清晰程度；
在本申请实施例二中，上述步骤S303可以包括如下步骤：
S3031、计算上述模糊图像中组成上述目标对象的每个像素点分别对应的梯度值；
S3032、根据组成上述目标对象的每个像素点分别对应的梯度值的绝对值，确定组成上述目标对象的每个像素点的清晰程度。
在本申请实施例中，可以通过像素点的梯度值来衡量该像素点的清晰程度，在本申请实施例中，梯度值的绝对值越大，则可以在一定程度上说明该像素点越清晰。
因此，在上述步骤S3032中，对于各个像素点来说，可以基于图4(a)所述的预设函数，来确定像素点的清晰程度。
但是，本领域技术人员应该理解，清晰程度与梯度值的绝对值并不一定呈现图4(a)所述的绝对的正相关，也可以呈如图4(b)所示的函数关系。也即是上述步骤S3032可以通过如下步骤来确定像素点的清晰程度：
S30321、根据上述每个像素点分别对应的梯度值的绝对值，确定上述每个像素点的梯度值的绝对值分别所位于的预设范围，其中，各个预设范围组成一连续数值范围，且两两之间无交集，每个预设范围均对应有一个清晰程度；
S30322、对于上述每个像素点，将该像素点的梯度值的绝对值所处的预设范围所对应的清晰程度，作为该像素点的清晰程度。
本领域技术人员容易理解，上述步骤S30321-S30322所确定出来的清晰程度的个数相比于采用图4(a)所示的方法会比较少，因此，相比于一个图4(a)所示的技术方案，上述步骤S30321-S30322所限定的技术方案，由于最后确定的清晰程度的个数较少，因此，后续在执行步骤S104时，终端设备的数据计算量较少，能够更加快速的得到模糊修正后的图像。
在步骤S304中，对于上述模糊图像中组成上述目标对象的每个像素点，基于该像素点的清晰程度，确定该像素点以及与该像素点对应的N个样本像素点分别对应的融合权重，并基于各个融合权重，将该像素点与该N个样本像素点进行图像融合，其中，对于各个位于上述模糊图像中且组成上述目标对象的像素点，像素点的清晰程度与像素点对应的融合权重正相关；
与实施例一中的步骤S104相比，该步骤S304将步骤S104中所述的“图像区域”具体为一个像素点，除此之外，该步骤S304的具体执行方式与实施例一中的步骤S104完全相同，具体可参见实施例一的描述。
此外，在本申请实施例二中，当上述N为1时，则可以通过计算权重图的技术方式来执行上述步骤S304，也即是上述步骤S304可以包括如下步骤：
S3041、基于上述模糊图像中组成上述目标对象的每个像素点的清晰程度，生成权重图，该权重图由多个融合权重Wi，j组成，其中，i以及j的取值范围由上述目标对象在上述模糊图像中的位置以及上述目标对象的尺寸确定；
在本申请实施例二中，首先生成权重图，该权重图包含了在后续进行图像融合时，所需的权重，其中，上述Wi，j为上述模糊图像中组成上述目标对象的位置(i，j)处的像素点对应的融合权重，1-Wi，j为上述模糊图像中位置(i，j)处的像素点所对应的样本像素点的融合权重；
S3042、基于上述权重图、上述模糊图像中组成上述目标对象的各个像素点以及上述样本清晰图像中与组成上述目标对象的各个像素点分别对应的样本像素点，利用图像融合公式进行图像融合，得到对所述目标对象修正后的图像，上述图像融合公式为：
RFi，j＝Wi，j×Fuzzyi，j+(1-Wi，j)×Cleari，j
其中，Fuzzyi，j为上述模糊图像中组成上述目标对象且在位置(i，j)处的像素点的像素值，Cleari，j为与上述模糊图像中位置(i，j)处的像素点对应的像素点的像素值，RFi，j为融合后图像在位置(i，j)处的像素值。
下面具体通过图5来进一步解释上述步骤S3041-S3042，如图5所示，待处理的模糊图像为图像501，样本清晰图像为图像502，为了便于描述，在附图5所示的例子中，假设只需对图像501中的4个像素点进行模糊修正。在附图5中，四个待修正的像素点分别为图像501中的像素点A、B、C以及D，该四个像素点分别对应至图像502中的像素点A1、B1、C1以及D1，则可以得到权重图502，该权重图502包括四个元素，分别为WAi，Aj、WBi，Bj、WCi，Cj以及WDi，Dj，其中，(Ai，Aj)为像素点A在图像501中的位置，(Bi，Bj)为像素点B在图像501中的位置，(Ci，Cj)为像素点C在图像501中的位置，(Di，Dj)为像素点D在图像501中的位置，然后基于上述图像融合公式对像素点A、B、C以及D进行模糊修正，修正后的像素点A在图像501中的像素值RA为：RA＝WAi，Aj×A+(1-WAi，Aj)×A1(其中，该公式A为图像501中像素点A的像素值，该公式A1为图像502中像素点A1的像素值)，对于图像501中像素点B、C以及D的模糊修正方式与像素点A完全相同，此处不再赘述。
通过生成权重图的方式来进行模糊修正，具有如下好处：第一、由于中间有生成权重图，因此，可以方便用户调用权重图，并对权重图进行修正，即方便用户对模糊修正进行干预；第二、当步骤S101所述的模糊图像为用户通过摄像头拍摄获取，因此可以方便用户基于权重图分析模糊区域，调整拍摄方式。
本申请实施例二所提供的技术方案，将图像融合的单位限定为像素点，因此，能够使得模糊修正后的图像更加自然。此外，本申请实施例二与实施例一相同，也能够在避免模糊修正出现图像失真的前提下，同时避免由于采用神经网络模型造成产品研发周期长的技术问题。
实施例三
本申请实施例三提供了一种图像处理装置。为了便于说明，仅示出与本申请相关的部分，如图6所示，该图像处理装置600包括：
图像获取模块601，用于获取待处理的包括目标对象的模糊图像以及N个均包括所述目标对象的样本清晰图像，其中，N为整数且N≥1；
对齐模块602，用于对于每个样本清晰图像，将所述模糊图像与该样本清晰图像进行对齐，得到所述模糊图像中组成所述目标对象的各图像区域分别对应的位于该样本清晰图像的样本区域；
清晰程度确定模块603，用于确定各个所述图像区域的清晰程度；
融合模块604，用于对于每个图像区域，基于该图像区域的清晰程度，确定该图像区域以及与该图像区域对应的N个样本区域分别对应的融合权重，并基于各个融合权重，将该图像区域与该N个样本区域进行图像融合，其中，对于各个图像区域，图像区域的清晰程度与图像区域对应的融合权重正相关。
可选地，组成所述目标对象的各图像区域均为一个像素点；
相应地，各个所述图像区域分别对应的样本区域也均为一个像素点。
可选地，上述清晰程度确定模块603包括：
梯度计算单元，用于计算所述模糊图像中组成所述目标对象的每个像素点分别对应的梯度值；
清晰程度确定单元，用于根据组成所述目标对象的每个像素点分别对应的梯度值的绝对值，确定组成所述目标对象的每个像素点的清晰程度。
可选地，上述清晰程度确定单元包括：
预设范围确定子单元，用于根据所述每个像素点分别对应的梯度值的绝对值，确定所述每个像素点的梯度值的绝对值分别所位于的预设范围，其中，各个预设范围组成一连续数值范围，且两两之间无交集，每个预设范围均对应有一个清晰程度；
清晰程度确定子单元，用于对于所述每个像素点，将该像素点的梯度值的绝对值所处的预设范围所对应的清晰程度，作为该像素点的清晰程度。
可选地，上述N为1；
相应地，上述融合模块604包括：
权重图生成单元，用于基于所述模糊图像中组成所述目标对象的每个像素点的清晰程度，生成权重图，所述权重图由多个融合权重Wi,j组成，其中，i以及j的取值范围由所述目标对象在所述模糊图像中的位置以及所述目标对象的尺寸确定，所述Wi，j为所述模糊图像中组成所述目标对象的位置(i，j)处的像素点对应的融合权重，1-Wi，j为所述模糊图像中位置(i，j)处的像素点所对应的位于所述样本清晰图像中的样本区域的融合权重；
融合单元，用于基于所述权重图、所述模糊图像中组成所述目标对象的各个像素点以及所述样本清晰图像中与组成所述目标对象的各个像素点分别对应的像素点，利用图像融合公式进行图像融合，得到对所述目标对象修正后的图像，所述图像融合公式为：
RFi，j＝Wi，j×Fuzzyi，j+(1-Wi，j)×Cleari，j
其中，Fuzzyi，j为所述模糊图像中组成所述目标对象且在位置(i，j)处的像素点的像素值，Cleari，j为与所述模糊图像中位置(i，j)处的像素点对应的像素点的像素值，RFi，j为融合后图像在位置(i，j)处的像素值。
可选地，上述目标对象为人脸；
相应地，上述图像获取模块601包括：
姿态确定单元，用于获取所述待处理的模糊图像，并确定所述模糊图像中的人脸姿态；
选取单元，用于在样本清晰图像集合中选取人脸姿态与所述模糊图像中人脸姿态相差在预设姿态差内的N个也均包括所述目标对象的样本清晰图像，所述样本图像集合中包括各个不同的人脸姿态的样本清晰图像。
相应地，上述图像获取模块601还包括：
亮度确定单元，用于确定所述模糊图像中的图像亮度；
相应地，上述选取单元具体用于：
在所述样本清晰图像集合中选取人脸姿态与所述模糊图像中人脸姿态在预设姿态差内，且图像亮度与所述模糊图像的图像亮度在预设亮度差内的N个也均包括所述目标对象的样本清晰图像。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例一以及方法实施例二基于同一构思，其具体功能及带来的技术效果，具体可参见相应方法实施例部分，此处不再赘述。
实施例四
图7是本申请实施例四提供的终端设备的示意图。如图7所示，该实施例的终端设备700包括：处理器701、存储器702以及存储在上述存储器702中并可在上述处理器701上运行的计算机程序703。上述处理器701执行上述计算机程序703时实现上述各个方法实施例中的步骤。或者，上述处理器701执行上述计算机程序703时实现上述各装置实施例中各模块/单元的功能。
示例性的，上述计算机程序703可以被分割成一个或多个模块/单元，上述一个或者多个模块/单元被存储在上述存储器702中，并由上述处理器701执行，以完成本申请。上述一个或多个模块/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，该指令段用于描述上述计算机程序703在上述终端设备700中的执行过程。例如，上述计算机程序703可以被分割成图像获取模块、对齐模块、清晰程度确定模块以及融合模块，各模块具体功能如下：
获取待处理的包括目标对象的模糊图像以及N个均包括所述目标对象的样本清晰图像，其中，N为整数且N≥1；
对于每个样本清晰图像，将所述模糊图像与该样本清晰图像进行对齐，得到所述模糊图像中组成所述目标对象的各图像区域分别对应的位于该样本清晰图像的样本区域；
确定各个所述图像区域的清晰程度；
对于每个图像区域，基于该图像区域的清晰程度，确定该图像区域以及与该图像区域对应的N个样本区域分别对应的融合权重，并基于各个融合权重，将该图像区域与该N个样本区域进行图像融合，其中，对于各个图像区域，图像区域的清晰程度与图像区域对应的融合权重正相关。
上述终端设备可包括，但不仅限于，处理器701、存储器702。本领域技术人员可以理解，图7仅仅是终端设备700的示例，并不构成对终端设备700的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如上述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器701可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、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该处理器也可以是任何常规的处理器等。
上述存储器702可以是上述终端设备700的内部存储单元，例如终端设备700的硬盘或内存。上述存储器702也可以是上述终端设备700的外部存储设备，例如上述终端设备700上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，上述存储器702还可以既包括上述终端设备700的内部存储单元也包括外部存储设备。上述存储器702用于存储上述计算机程序以及上述终端设备所需的其它程序和数据。上述存储器702还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述各个方法实施例中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种图像处理方法，其特征在于，包括：
获取待处理的包括目标对象的模糊图像以及N个均包括所述目标对象的样本清晰图像，其中，N为整数且N≥1；
对于每个样本清晰图像，将所述模糊图像与该样本清晰图像进行对齐，得到所述模糊图像中组成所述目标对象的各图像区域，分别对应的位于该样本清晰图像的样本区域；
确定各个所述图像区域的清晰程度；
对于每个图像区域，基于该图像区域的清晰程度，确定该图像区域以及与该图像区域对应的N个样本区域分别对应的融合权重，并基于各个融合权重，将该图像区域与该N个样本区域进行图像融合，其中，对于各个图像区域，图像区域的清晰程度与图像区域对应的融合权重正相关；
相应地，所述对于每个图像区域，基于该图像区域的清晰程度，确定该图像区域以及与该图像区域对应的N个样本区域分别对应的融合权重，并基于各个融合权重，将该图像区域与该N个样本区域进行图像融合，包括：
基于所述模糊图像中组成所述目标对象的每个像素点的清晰程度，生成权重图，所述权重图由多个融合权重Wi,j组成，其中，i以及j的取值范围由所述目标对象在所述模糊图像中的位置以及所述目标对象的尺寸确定，所述Wi,j为所述模糊图像中组成所述目标对象的位置(i,j)处的像素点对应的融合权重，1-Wi,j为所述模糊图像中位置(i,j)处的像素点所对应的位于所述样本清晰图像中的样本区域的融合权重；
基于所述权重图、所述模糊图像中组成所述目标对象的各个像素点以及所述样本清晰图像中与组成所述目标对象的各个像素点分别对应的像素点，利用图像融合公式进行图像融合，得到对所述目标对象修正后的图像，所述图像融合公式为：
RFi,j＝Wi,j×Fuzzyi,j+(1-Wi,j)×Cleari,j
其中，Fuzzyi,j为所述模糊图像中组成所述目标对象且在位置(i,j)处的像素点的像素值，Cleari,j为与所述模糊图像中位置(i,j)处的像素点对应的样本清晰图像中的像素点的像素值，RFi,j为融合后图像在位置(i,j)处的像素值。
2.如权利要求1所述的图像处理方法，其特征在于，组成所述目标对象的各图像区域均为一个像素点；
相应地，各个所述图像区域分别对应的样本区域也均为一个像素点。
3.如权利要求2所述的图像处理方法，其特征在于，所述确定各个所述图像区域的清晰程度，包括：
计算所述模糊图像中组成所述目标对象的每个像素点分别对应的梯度值；
根据组成所述目标对象的每个像素点分别对应的梯度值的绝对值，确定组成所述目标对象的每个像素点的清晰程度。
4.如权利要求3所述的图像处理方法，其特征在于，所述根据组成所述目标对象的每个像素点分别对应的梯度值的绝对值，确定组成所述目标对象的每个像素点的清晰程度，包括：
根据所述每个像素点分别对应的梯度值的绝对值，确定所述每个像素点的梯度值的绝对值分别所位于的预设范围，其中，各个预设范围组成一连续数值范围，且两两之间无交集，每个预设范围均对应有一个清晰程度；
对于所述每个像素点，将该像素点的梯度值的绝对值所处的预设范围所对应的清晰程度，作为该像素点的清晰程度。
5.如权利要求1至4中任一项所述的图像处理方法，其特征在于，所述目标对象为人脸；
相应地，所述获取待处理的包括目标对象的模糊图像以及N个均包括所述目标对象的样本清晰图像，包括：
获取所述待处理的模糊图像，并确定所述模糊图像中的人脸姿态；
在样本清晰图像集合中选取人脸姿态与所述模糊图像中人脸姿态相差在预设姿态差内的N个也均包括所述目标对象的样本清晰图像，所述样本清晰图像集合中包括各个不同的人脸姿态的样本清晰图像。
6.如权利要求5所述的图像处理方法，其特征在于，在所述在样本清晰图像集合中选取人脸姿态与所述模糊图像中人脸姿态相差在预设姿态差内的N个也均包括所述目标对象的样本清晰图像的步骤之前，还包括：
确定所述模糊图像中的图像亮度；
相应地，所述在样本清晰图像集合中选取人脸姿态与所述模糊图像中人脸姿态相差在预设姿态差内的N个也均包括所述目标对象的样本清晰图像，包括：
在所述样本清晰图像集合中选取人脸姿态与所述模糊图像中人脸姿态在预设姿态差内，且图像亮度与所述模糊图像的图像亮度在预设亮度差内的N个也均包括所述目标对象的样本清晰图像。
7.一种图像处理装置，其特征在于，包括：
图像获取模块，用于获取待处理的包括目标对象的模糊图像以及N个均包括所述目标对象的样本清晰图像，其中，N为整数且N≥1；
对齐模块，用于对于每个样本清晰图像，将所述模糊图像与该样本清晰图像进行对齐，得到所述模糊图像中组成所述目标对象的各图像区域，分别对应的位于该样本清晰图像的样本区域；
清晰程度确定模块，用于确定各个所述图像区域的清晰程度；
融合模块，用于对于每个图像区域，基于该图像区域的清晰程度，确定该图像区域以及与该图像区域对应的N个样本区域分别对应的融合权重，并基于各个融合权重，将该图像区域与该N个样本区域进行图像融合，其中，对于各个图像区域，图像区域的清晰程度与图像区域对应的融合权重正相关；
相应地，所述融合模块包括权重图生成单元和融合单元；
所述权重图生成单元，用于基于所述模糊图像中组成所述目标对象的每个像素点的清晰程度，生成权重图，所述权重图由多个融合权重Wi,j组成，其中，i以及j的取值范围由所述目标对象在所述模糊图像中的位置以及所述目标对象的尺寸确定，所述Wi,j为所述模糊图像中组成所述目标对象的位置(i,j)处的像素点对应的融合权重，1-Wi,j为所述模糊图像中位置(i,j)处的像素点所对应的位于所述样本清晰图像中的样本区域的融合权重；
所述融合单元，用于基于所述权重图、所述模糊图像中组成所述目标对象的各个像素点以及所述样本清晰图像中与组成所述目标对象的各个像素点分别对应的像素点，利用图像融合公式进行图像融合，得到对所述目标对象修正后的图像，所述图像融合公式为：
RFi,j＝Wi,j×Fuzzyi,j+(1-Wi,j)×Cleari,j
其中，Fuzzyi,j为所述模糊图像中组成所述目标对象且在位置(i,j)处的像素点的像素值，Cleari,j为与所述模糊图像中位置(i,j)处的像素点对应的样本清晰图像中的像素点的像素值，RFi,j为融合后图像在位置(i,j)处的像素值。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述图像处理方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述图像处理方法的步骤。
CN202010105128.XA 2020-02-20 2020-02-20 图像处理方法、处理装置、终端设备及可读存储介质 Active CN111340722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010105128.XA CN111340722B (zh) 2020-02-20 2020-02-20 图像处理方法、处理装置、终端设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010105128.XA CN111340722B (zh) 2020-02-20 2020-02-20 图像处理方法、处理装置、终端设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111340722A CN111340722A (zh) 2020-06-26
CN111340722B true CN111340722B (zh) 2023-05-26

Family

ID=71181666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010105128.XA Active CN111340722B (zh) 2020-02-20 2020-02-20 图像处理方法、处理装置、终端设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111340722B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815504A (zh) * 2020-06-30 2020-10-23 北京金山云网络技术有限公司 一种图像的生成方法和装置
CN114119443B (zh) * 2021-11-28 2022-07-01 特斯联科技集团有限公司 一种基于多光谱相机的图像融合***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019192338A1 (zh) * 2018-04-04 2019-10-10 腾讯科技（深圳）有限公司 图像的处理方法、装置、存储介质和电子装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101123677B (zh) * 2006-08-11 2011-03-02 松下电器产业株式会社 改善图像锐度的方法、装置及集成电路
US8687918B2 (en) * 2008-03-05 2014-04-01 Semiconductor Energy Laboratory Co., Ltd. Image processing method, image processing system, and computer program
CN104637064B (zh) * 2015-02-28 2017-09-12 中国科学院光电技术研究所 一种基于边缘强度权重的离焦模糊图像清晰度检测方法
CN107133923B (zh) * 2017-03-02 2020-10-27 杭州电子科技大学 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法
CN107292838A (zh) * 2017-06-07 2017-10-24 汕头大学 基于模糊区域分割的图像去模糊方法
CN107563978A (zh) * 2017-08-31 2018-01-09 苏州科达科技股份有限公司 人脸去模糊方法及装置
CN108921806B (zh) * 2018-08-07 2020-08-07 Oppo广东移动通信有限公司 一种图像处理方法、图像处理装置及终端设备
CN109272024B (zh) * 2018-08-29 2021-08-20 昆明理工大学 一种基于卷积神经网络的图像融合方法
CN110136091B (zh) * 2019-04-12 2021-11-30 深圳云天励飞技术有限公司 图像处理方法及相关产品

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019192338A1 (zh) * 2018-04-04 2019-10-10 腾讯科技（深圳）有限公司 图像的处理方法、装置、存储介质和电子装置

Also Published As

Publication number Publication date
CN111340722A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN109961406B (zh) 一种图像处理的方法、装置及终端设备
CN109064428B (zh) 一种图像去噪处理方法、终端设备及计算机可读存储介质
CN107403421B (zh) 一种图像去雾方法、存储介质及终端设备
CN109005368B (zh) 一种高动态范围图像的生成方法、移动终端及存储介质
EP2849431B1 (en) Method and apparatus for detecting backlight
CN111311482B (zh) 背景虚化方法、装置、终端设备及存储介质
CN109166156B (zh) 一种摄像头标定图像的生成方法、移动终端及存储介质
CN109286758B (zh) 一种高动态范围图像的生成方法、移动终端及存储介质
CN110796600B (zh) 一种图像超分重建方法、图像超分重建装置及电子设备
CN109040596B (zh) 一种调整摄像头的方法、移动终端及存储介质
CN111368587B (zh) 场景检测方法、装置、终端设备及计算机可读存储介质
CN112584034B (zh) 图像处理方法、图像处理装置及应用其的电子设备
CN109005367B (zh) 一种高动态范围图像的生成方法、移动终端及存储介质
CN111131688B (zh) 一种图像处理方法、装置及移动终端
CN111340722B (zh) 图像处理方法、处理装置、终端设备及可读存储介质
CN111311481A (zh) 背景虚化方法、装置、终端设备及存储介质
CN113920022A (zh) 一种图像优化方法、装置、终端设备及可读存储介质
CN111383254A (zh) 一种深度信息获取方法、***及终端设备
CN114493988A (zh) 一种图像虚化方法、图像虚化装置及终端设备
CN108805838B (zh) 一种图像处理方法、移动终端及计算机可读存储介质
CN108932703B (zh) 图片处理方法、图片处理装置及终端设备
CN111222446B (zh) 人脸识别方法、人脸识别装置及移动终端
CN108810407B (zh) 一种图像处理方法、移动终端及计算机可读存储介质
CN108776959B (zh) 图像处理方法、装置及终端设备
CN108270973B (zh) 一种拍照处理方法、移动终端及计算机可读存储介质

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