CN111415319A - 一种基于时序网络预测与金字塔融合的视频图像修复方法 - Google Patents
一种基于时序网络预测与金字塔融合的视频图像修复方法 Download PDFInfo
- Publication number
- CN111415319A CN111415319A CN202010203049.2A CN202010203049A CN111415319A CN 111415319 A CN111415319 A CN 111415319A CN 202010203049 A CN202010203049 A CN 202010203049A CN 111415319 A CN111415319 A CN 111415319A
- Authority
- CN
- China
- Prior art keywords
- image
- frame
- pyramid
- video
- video image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 230000006641 stabilisation Effects 0.000 claims abstract description 11
- 238000011105 stabilization Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008439 repair process Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005429 filling process Methods 0.000 claims description 3
- PXUQTDZNOHRWLI-OXUVVOBNSA-O malvidin 3-O-beta-D-glucoside Chemical compound COC1=C(O)C(OC)=CC(C=2C(=CC=3C(O)=CC(O)=CC=3[O+]=2)O[C@H]2[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O2)O)=C1 PXUQTDZNOHRWLI-OXUVVOBNSA-O 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims 6
- 230000000694 effects Effects 0.000 abstract description 8
- 230000002950 deficient Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于时序网络预测与金字塔融合的视频图像修复方法用于修复缺损图像并用于优化视频稳像中图像补偿环节后的视觉效果。首先自适应判断当前帧是否需要填充修复。然后对于待修复帧送入组合了CNN和GRU的模型进行待填充部分的预测。随后将当前帧和待填充的完整图像帧带入金字塔融合模型进行重构，在融合时采用改进的加权最佳缝合线进行拼接，视频帧重构完成后根据最终确定的有效像素点区域统一裁剪所有帧，完成视频修复。本发明公开的视频稳像图像修复方法提升了视频图像整体结构完整性并提升了纹理细节修复效果与拼接细节修复效果，能广泛应用于不同拍摄设备所摄视频的稳像修复中。
Description
技术领域
本发明属于视频图像处理技术领域，涉及一种视频稳像图像修复方法，可广泛应用于移动拍摄设备中。
背景技术
视频稳像的主要目的是对视频中的由于外部因素干扰或自身移动性带来的抖动、模糊等进行矫正和消除，改善视频质量和观赏感受。稳像技术可用于科研测绘、执法记录仪、手机相机等领域，其灵活性高、成本低、易维护等优势使得视频稳像技术具有乐观的商业价值和广泛的应用前景。
视频稳像技术在运动补偿中的图像位置调整环节后会留下大小不等的缺损区域，一般都使用黑色进行填充，也称为图像黑边。要消除黑边区域对视频内容产生的观感影响来改善视频平稳性，对黑边表示的缺损区域填充必不可少。现有的视频图像修复方法主要可以分为视频图像填充修复类和视频图像重建类这两类方法。视频图像填充修复类方法利用图像有效区域中的边缘像素点向外拓展填充未知信息的区域，从而让视频帧信息完整。视频图像重建类方法利用视频帧间的时域信息对视频帧进行重建来达到修复的目的。现有的这两类视频图像修复方法在修复时都能取得一定效果，但是都存在有不足。第一类方法存在填充图像时并没有考虑填入缺损部分的时序连续性问题，缺损填充部分与原始图像存在较为明显的界线等问题，而第二类方法存在对于缺损填充部分的细节纹理等不太理想，缺损部分填充不完整等问题。因此，需要一种能兼顾纹理细节与结构完整的修复方法，较好的提升视频稳像中缺损图像的修复效果。
发明内容
本发明的目的是为了解决现有视频图像修复方法存在的填充图像时序不一致、纹理细节与原图像差距较大以及填充部分分界明显等问题，提出了一种基于时序网络预测与金字塔融合的视频图像修复方法，该方法包括：
(1)利用额外设定的蒙版帧与原始帧中的有效区域对比以确定是否需要对当前帧图像进行修复；
(2)利用神经网络CNN和时序网络GRU对当前帧的应包含的完整图像进行预测并生成；
(3)将可用于修复填充的完整图像和原始图像通过金字塔分解、最优缝合线融合、图像重构的步骤进行修复；
(4)对每一帧重构完成的图像进行有效区域检测并刷新蒙版帧待修复区域。循环进行步骤(1)到步骤(4)直接最终帧重构完成；
(5)根据最终确定的蒙版帧有效区域像素点统一裁剪所有帧完成修复。
较佳地，所述的步骤(1)具体为：
将当前帧在图像位置调整后的画面划分为有效像素点区域Ω和空白像素点区域D，事先设定的蒙版帧会在每次循环更新其有效区域面积Et-1。在预处理阶段需要将当前帧带入一种用于优化修复流程的判断检测机制中。该判断检测机制结合蒙版帧的有效像素点区域进行。在蒙版帧有效区域内完全包含当前帧内的非空白像素点则可触发修复流程优化机制，跳过视频图像的填充修补过程，直接进行图像的初步裁剪。
较佳地，所述步骤(2)具体为：
(2-1)输入当前时刻对应图像，对图像进行预处理；
(2-2)对预处理后的图像带入CNN联合GRU构建的当前帧预测模型中进行特征点的卷积和池化。其中，构建的模型中CNN在卷积池化部分有三层，反卷积部分两层；GRU为计算单元占一层，位于卷积池化部分与反卷积部分之间。经过大量实验选用的是3×3规格卷积核，以兼顾计算效率和生成图像效果，步长设置为1；卷积池化层一共设置了3层，将最后一层得到的池化图像表示成矩阵变量，以便后续的时序网络计算；
(2-3)将卷积池化层得到的矩阵变量送入时序神经网络中进行计算，得到一个预测的参数矩阵；
(2-4)将得到的预测参数矩阵送入反卷积层进行上采样，反卷积核采用和卷积池化时使用的卷积核对应的9×9规格，步长设置为3，完成将预测的参数矩阵经反卷积后得到可视化的预测帧。
较佳地，所述步骤(3)具体为：
(3-1)对原始图像帧以及待填入的预测图像帧统一规格后，利用二维离散高斯卷积核进行高斯金字塔分解，得到两个尺寸规格一样的高斯金字塔图像模型；
(3-2)在高斯金字塔基础上，对金字塔内相邻上册图像进行上采样并进行一次卷积，得到高斯-拉普拉斯金字塔图像模型；
(3-3)将两个图像金字塔模型融合时，使用加权最优缝合线对处于同一层的两个图像金字塔内对应图像进行逐层融合，该步骤结束后得到一个图像金字塔模型；
(3-4)对得到的图像金字塔模型进行重构，从顶层至底层进行反卷积。重构过程即构建图像金字塔的反过程，最终得到的图像即为融合修复完整的图像帧。
其中所述加权最优缝合线具体为：
在计算最优缝合线时引入3×3的Sobel算子模板用于计算图像的梯度，大致确定缝合线的位置以及走向；再引入2×2的Canny算子模板用于将计算出的梯度值转换成权重，用于确定缝合线的细节以及避免将物体分割在缝合线两边。在对缝合线加权时，边缘区域节点需设置权值为∞，非边缘连接区域节点需带入上述联合算子模板计算得出权值。
较佳地，所述步骤(4)具体为：
(4-1)在第一帧图像p1完成重构填充过程后，设定复用蒙板帧并将有效面积E1更新为第一帧图像中的有效像素点区域Ω1，将E1区域外的点置为无效点且不可翻转；
(4-2)对当前时刻t对应的尚未完成重构填充后的帧，对于Et-1部分外的像素点置为空白；
(4-3)生成第t帧图像后更新实际当前蒙版帧有效区域Et，重复(4-2)至(4-3)步骤直至确定出最后一帧对应蒙版帧有效像素点区域En。
较佳地，所述步骤(5)具体为：
在得到最后一帧对应蒙版帧有效像素点区域En后，按照输入视频长宽尺寸比例，先在En中以最大限度保留原则确定一个面积最大的矩形。然后对确定出的矩形按照长宽增加0.5％的尺寸从第n帧至第1帧倒序裁剪，以最大程度保留视频有效信息，形成稳像修复完成的视频。
本发明的有益效果包括：
(1)本发明所述方法步骤2中，提出模型充分考虑并解决了原有图像与缺损填充部分时序不一致的问题，解决了现有方法中可能存在的修复后图像信息仍不完整的问题。
(2)本发明所述方法步骤3中，该方法有效淡化缺损填充部分与原始部分拼接处的界线，图像填充的更加自然。
(3)本发明所述方法步骤4中，该方法保证了图像边缘信息的完整性，提升了修复效率。
(4)本发明消除了现有视频稳像领域中图像修复部分技术的缺陷，可获得更好的稳像效果，实用性较强。
附图说明
图1是本发明所述一种基于时序网络预测与金字塔融合的视频图像修复方法流程示意图。
具体实施方式
下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，本发明所述基于时序网络预测与金字塔融合的视频稳像图像修复方法主要包括图像预处理部分、时序网络预测部分、金字塔融合部分以及视频裁剪修复部分一共四个部分。下面是本发明的所涉及四个部分的具体实现步骤。
图像预处理部分：利用额外设定的蒙版帧与原始帧中的有效区域对比以确定是否需要对当前帧视频图像进行修复。
在一种较佳的实施方式中，所述图像预处理步骤具体为：
将当前帧在图像位置调整后的画面划分为有效像素点区域Ω和空白像素点区域D，事先设定的蒙版帧会在每次循环更新其有效区域面积Et-1。在预处理阶段需要将当前帧带入一种用于优化修复流程的判断检测机制中。该判断检测机制结合蒙版帧的有效像素点区域进行。在蒙版帧有效区域内完全包含当前帧内的非空白像素点则可触发修复流程优化机制，跳过视频图像的填充修补过程，直接进行图像的初步裁剪。
时序网络预测部分：利用神经网络CNN和时序网络GRU对当前帧的应包含的完整图像进行预测并生成。
在一种较佳的实施方式中，所述时序网络预测部分步骤具体为：
(1)输入当前时刻对应图像，对图像进行预处理；
(2)对预处理后的图像带入CNN联合GRU构建的当前帧预测模型中进行特征点的卷积和池化。其中，构建的模型中CNN在卷积池化部分有三层，反卷积部分两层；GRU为计算单元占一层，位于卷积池化部分与反卷积部分之间。经过大量实验选用的是3×3规格卷积核，以兼顾计算效率和生成图像效果，步长设置为1；卷积池化层一共设置了3层，将最后一层得到的池化图像表示成矩阵变量，以便后续的时序网络计算；
(3)将卷积池化层得到的矩阵变量送入时序神经网络中进行计算，得到一个预测的参数矩阵；
(4)将得到的预测参数矩阵送入反卷积层进行上采样，反卷积核采用和卷积池化时使用的卷积核对应的9×9规格，步长设置为3，完成将预测的参数矩阵经反卷积后得到可视化的预测帧。
金字塔融合部分：将可用于修复填充的完整图像和原始图像通过金字塔分解、最优缝合线融合、图像重构的步骤进行修复。
在一种较佳的实施方式中，所述金字塔融合部分步骤具体为：
(1)对原始图像帧以及待填入的预测图像帧统一规格后，利用二维离散高斯卷积核进行高斯金字塔分解，得到两个尺寸规格一样的高斯金字塔图像模型；
(2)在高斯金字塔基础上，对金字塔内相邻上册图像进行上采样并进行一次卷积，得到高斯-拉普拉斯金字塔图像模型；
(3)将两个图像金字塔模型融合时，使用加权最优缝合线对处于同一层的两个图像金字塔内对应图像进行逐层融合，该步骤结束后得到一个图像金字塔模型；
(4)对得到的图像金字塔模型进行重构，从顶层至底层进行反卷积。重构过程即构建图像金字塔的反过程，最终得到的图像即为融合修复完整的图像帧。
其中所述加权最优缝合线具体为：
在计算最优缝合线时引入3×3的Sobel算子模板用于计算图像的梯度，大致确定缝合线的位置以及走向；再引入2×2的Canny算子模板用于将计算出的梯度值转换成权重，用于确定缝合线的细节以及避免将物体分割在缝合线两边。在对缝合线加权时，边缘区域节点需设置权值为∞，非边缘连接区域节点需带入上述联合算子模板计算得出权值。
视频裁剪修复部分：对每一帧重构完成的图像进行有效区域检测并刷新蒙版帧待修复区域。直接最终帧重构完成后，根据最终确定的蒙版帧有效区域像素点统一裁剪所有帧完成修复。
在一种较佳的实施方式中，所述视频裁剪修复部分步骤具体为：
(1)在第一帧图像p1完成重构填充过程后，设定复用蒙板帧并将有效面积E1更新为第一帧图像中的有效像素点区域Ω1，将E1区域外的点置为无效点且不可翻转；
(2)对当前时刻t对应的尚未完成重构填充后的帧，对于Et-1部分外的像素点置为空白；
(3)生成第t帧图像后更新实际当前蒙版帧有效区域Et，重复(2)和(3)步骤直至确定出最后一帧对应蒙版帧有效像素点区域En。
在得到最后一帧对应蒙版帧有效像素点区域En后，按照输入视频长宽尺寸比例，先在En中以最大限度保留原则确定一个面积最大的矩形。然后对确定出的矩形按照长宽增加0.5％的尺寸从第n帧至第1帧倒序裁剪，以最大程度保留视频有效信息，形成稳像修复完成的视频。
采用了该发明中的基于时序网络预测与金字塔融合的视频稳像图像修复方法，保持了视频图像整体结构完整并提升了纹理细节与拼接细节，优化了视频图像修复效果，具有广泛的应用范围。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于时序网络预测与金字塔融合的视频图像修复方法，其特征在于，包括如下步骤：
(1)利用额外设定的蒙版帧与原始帧中的有效区域对比以确定是否需要对当前帧视频图像进行修复；
(2)利用神经网络CNN和时序网络GRU对当前帧的应包含的完整图像进行预测并生成；
(3)将可用于修复填充的完整图像和原始图像通过金字塔分解、最优缝合线融合、图像重构的步骤进行修复；
(4)对每一帧重构完成的图像进行有效区域检测并刷新蒙版帧待修复区域。循环进行步骤(1)到步骤(4)直接最终帧重构完成；
(5)根据最终确定的蒙版帧有效区域像素点统一裁剪所有帧完成修复。
2.根据权利要求1所述的一种基于时序网络预测与金字塔融合的视频图像修复方法，其特征在于，所述步骤(1)具体为：
提出了一种用于优化修复流程的判断检测机制。该判断检测机制结合蒙版帧的有效像素点区域进行。在蒙版帧有效区域内完全包含当前帧内的非空白像素点则可触发修复流程优化机制，跳过视频图像的填充修补过程，直接进行图像的初步裁剪。
3.根据权利要求1所述的一种基于时序网络预测与金字塔融合的视频图像修复方法，其特征在于，所述步骤(2)具体为：
(2-1)输入当前帧图像，对图像进行预处理；
(2-2)对预处理后的图像带入CNN联合GRU构建的当前帧预测模型中进行特征点的卷积和池化。其中，构建的模型中CNN在卷积池化部分有三层，反卷积部分两层；GRU一层，位于卷积池化部分与反卷积部分之间。经过大量实验选用的是3×3规格卷积核，以兼顾计算效率和生成图像效果，步长设置为1；卷积池化层一共设置了3层，将最后一层得到的池化图像表示成矩阵变量，以便后续的时序网络计算；
(2-3)将卷积池化部分得到的矩阵变量送入GRU计算单元中进行计算，得到一个预测的参数矩阵；
(2-4)将得到的预测参数矩阵送入反卷积部分进行上采样，反卷积核采用和卷积池化时使用的卷积核对应的9×9规格，步长设置为3，完成将预测的参数矩阵经反卷积后得到可视化的预测帧。
4.根据权利要求1所述的一种基于时序网络预测与金字塔融合的视频图像修复方法，其特征在于，所述步骤(3)具体为：
(3-1)对原始图像帧以及待填入的预测图像帧统一规格后，利用二维离散高斯卷积核进行高斯金字塔分解，得到两个尺寸规格一样的高斯金字塔图像模型；
(3-2)在高斯金字塔基础上，对金字塔内相邻上侧图像进行上采样并进行一次卷积，得到高斯-拉普拉斯金字塔图像模型；
(3-3)将两个图像金字塔模型融合时，使用加权最优缝合线对处于同一层的两个图像金字塔内对应图像进行逐层融合，该步骤结束后得到一个图像金字塔模型；
(3-4)对得到的图像金字塔模型进行重构，从顶层至底层进行反卷积。重构过程即构建图像金字塔的反过程，最终得到的图像即为融合修复完整的图像帧。
5.根据权利要求4所述的一种基于时序网络预测与金字塔融合的视频图像修复方法，其特征在于，所述加权最优缝合线具体为：
在计算最优缝合线时引入3×3的Sobel算子模板用于计算图像的梯度，大致确定缝合线的位置以及走向；再引入2×2的Canny算子模板用于将计算出的梯度值转换成权重，用于确定缝合线的细节以及避免将物体分割在缝合线两边。在对缝合线加权时，边缘区域节点需设置权值为∞，非边缘连接区域节点需带入上述联合算子模板计算得出权值。
6.根据权利要求1所述的一种基于时序网络预测与金字塔融合的视频图像修复方法，其特征在于，所述步骤(4)具体为：
(4-1)在第一帧图像p1完成重构填充过程后，设定复用蒙板帧并将有效面积E1更新为第一帧图像中的有效像素点区域Ω1，将E1区域外的点置为无效点且不可翻转；
(4-2)对当前时刻t对应的尚未完成重构填充后的帧，对于Et-1部分外的像素点置为空白；
(4-3)生成第t帧图像后更新实际当前蒙版帧有效区域Et，重复(4-2)至(4-3)步骤直至确定出最后一帧对应蒙版帧有效像素点区域En。
7.根据权利要求1所述的一种基于时序网络预测与金字塔融合的视频图像修复方法，其特征在于，所述步骤(5)具体为：
在得到最后一帧对应蒙版帧有效像素点区域En后，按照输入视频长宽尺寸比例，先在En中以最大限度保留原则确定一个面积最大的矩形。然后对确定出的矩形按照长宽增加0.5％的尺寸从第n帧至第1帧倒序裁剪，以最大程度保留视频有效信息，形成稳像修复完成的视频。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010203049.2A CN111415319A (zh) | 2020-03-20 | 2020-03-20 | 一种基于时序网络预测与金字塔融合的视频图像修复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010203049.2A CN111415319A (zh) | 2020-03-20 | 2020-03-20 | 一种基于时序网络预测与金字塔融合的视频图像修复方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111415319A true CN111415319A (zh) | 2020-07-14 |
Family
ID=71493154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010203049.2A Pending CN111415319A (zh) | 2020-03-20 | 2020-03-20 | 一种基于时序网络预测与金字塔融合的视频图像修复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111415319A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634170A (zh) * | 2020-12-30 | 2021-04-09 | 平安科技（深圳）有限公司 | 一种模糊图像修正的方法、装置、计算机设备及存储介质 |
| CN112837237A (zh) * | 2021-01-28 | 2021-05-25 | 商汤集团有限公司 | 视频修复方法及装置、电子设备和存储介质 |
| CN113191935A (zh) * | 2021-04-30 | 2021-07-30 | 华中科技大学 | 一种用于高斯金字塔构建的可重构硬件加速方法与*** |
| KR20220071554A (ko) * | 2020-11-24 | 2022-05-31 | 인천대학교 산학협력단 | 의료 영상 융합 시스템 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103390267A (zh) * | 2013-07-11 | 2013-11-13 | 华为技术有限公司 | 图像处理方法及装置 |
| US20190130578A1 (en) * | 2017-10-27 | 2019-05-02 | Siemens Healthcare Gmbh | Vascular segmentation using fully convolutional and recurrent neural networks |
| CN110390640A (zh) * | 2019-07-29 | 2019-10-29 | 齐鲁工业大学 | 基于模板的泊松融合图像拼接方法、***、设备及介质 |
| CN110428367A (zh) * | 2019-07-26 | 2019-11-08 | 北京小龙潜行科技有限公司 | 一种图像拼接方法及装置 |
-
2020
- 2020-03-20 CN CN202010203049.2A patent/CN111415319A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103390267A (zh) * | 2013-07-11 | 2013-11-13 | 华为技术有限公司 | 图像处理方法及装置 |
| US20190130578A1 (en) * | 2017-10-27 | 2019-05-02 | Siemens Healthcare Gmbh | Vascular segmentation using fully convolutional and recurrent neural networks |
| CN110428367A (zh) * | 2019-07-26 | 2019-11-08 | 北京小龙潜行科技有限公司 | 一种图像拼接方法及装置 |
| CN110390640A (zh) * | 2019-07-29 | 2019-10-29 | 齐鲁工业大学 | 基于模板的泊松融合图像拼接方法、***、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 谷雨等: "《结合最佳缝合线和多分辨率融合的图像拼接》" * |
| 赵毅力等: "《使用游程编码和SIMD指令集的快速图像融合》" * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220071554A (ko) * | 2020-11-24 | 2022-05-31 | 인천대학교 산학협력단 | 의료 영상 융합 시스템 |
| KR102505908B1 (ko) * | 2020-11-24 | 2023-03-06 | 인천대학교 산학협력단 | 의료 영상 융합 시스템 |
| CN112634170A (zh) * | 2020-12-30 | 2021-04-09 | 平安科技（深圳）有限公司 | 一种模糊图像修正的方法、装置、计算机设备及存储介质 |
| CN112634170B (zh) * | 2020-12-30 | 2023-11-21 | 平安科技（深圳）有限公司 | 一种模糊图像修正的方法、装置、计算机设备及存储介质 |
| CN112837237A (zh) * | 2021-01-28 | 2021-05-25 | 商汤集团有限公司 | 视频修复方法及装置、电子设备和存储介质 |
| CN113191935A (zh) * | 2021-04-30 | 2021-07-30 | 华中科技大学 | 一种用于高斯金字塔构建的可重构硬件加速方法与*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111415319A (zh) | 一种基于时序网络预测与金字塔融合的视频图像修复方法 | |
| CN107507134B (zh) | 基于卷积神经网络的超分辨率方法 | |
| CN109727195B (zh) | 一种图像超分辨率重构方法 | |
| CN109272447A (zh) | 一种深度图超分辨率方法 | |
| CN113096029A (zh) | 基于多分支编解码器神经网络的高动态范围图像生成方法 | |
| Wang et al. | Low-light image enhancement based on virtual exposure | |
| Lee et al. | Dynavsr: Dynamic adaptive blind video super-resolution | |
| CN106780338A (zh) | 基于各向异性的快速超分辨率重建方法 | |
| CN111105376A (zh) | 基于双分支神经网络的单曝光高动态范围图像生成方法 | |
| CN114049464A (zh) | 一种三维模型的重建方法及设备 | |
| CN103971354A (zh) | 低分辨率红外图像重建高分辨率红外图像的方法 | |
| Zhu et al. | Low-light image enhancement network with decomposition and adaptive information fusion | |
| Zeng et al. | SR-ITM-GAN: Learning 4K UHD HDR with a generative adversarial network | |
| Liu et al. | Facial image inpainting using multi-level generative network | |
| CN117197627B (zh) | 一种基于高阶退化模型的多模态图像融合方法 | |
| CN111612721B (zh) | 一种图像修复模型训练、卫星图像修复方法及装置 | |
| CN110517210B (zh) | 基于Haar小波梯度重建的多曝光焊区图像融合方法 | |
| CN117391987A (zh) | 基于多阶段联合增强机制的暗光图像处理方法 | |
| CN117058019A (zh) | 一种基于金字塔增强网络的低光照下目标检测方法 | |
| CN111161189A (zh) | 一种基于细节弥补网络的单幅图像再增强方法 | |
| CN116681631A (zh) | 基于对偶网络的低质量胶片图像修复增强方法及*** | |
| Zhang et al. | SwinVI: 3D Swin Transformer Model with U-net for Video Inpainting | |
| CN113691792B (zh) | 基于3d卷积的视频比特位深扩展方法、装置及介质 | |
| Xu et al. | HDRFlow: Real-Time HDR Video Reconstruction with Large Motions | |
| CN103985107A (zh) | 一种基于视觉感知的自适应图像超分辨率重建方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200714 |
|
| WD01 | Invention patent application deemed withdrawn after publication |