CN111696041B - 图像处理方法、装置及电子设备 - Google Patents
图像处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111696041B CN111696041B CN202010497156.0A CN202010497156A CN111696041B CN 111696041 B CN111696041 B CN 111696041B CN 202010497156 A CN202010497156 A CN 202010497156A CN 111696041 B CN111696041 B CN 111696041B
- Authority
- CN
- China
- Prior art keywords
- image
- basic
- blocks
- image blocks
- initial
- 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 22
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/20224—Image subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本公开实施例提供了一种图像处理方法、装置及电子设备,属于图像处理技术领域,该方法包括:在所述初始图像中查找至少两个基础图像块,其中,至少两个基础图像块的结构属性均满足同一预设要求;获取每个所述基础图像块的清晰度值;根据全部基础图像块的清晰度值,确定清晰度值最高的目标图像块;利用所述目标图像块的细节特征替换其他基础图像块的对应细节特征,以得到处理后的图像。本公开的方案,通过查找初始图像中结构属性近似的基础图像块,利用清晰度较高的基础图像块的细节特征替换清晰度较低的基础图像块的相应细节特征,以有效增强初始图像中清晰度较低的图像块的细节,进而优化初始图像的整体质感。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种图像处理方法、装置及电子设备。
背景技术
随着图像处理技术的发展,图片中人体美化功能日益普及,图像处理的要求也越来越高。图像采集成像过程中,由于拍摄稳定状态、摄像头姿态等因素,导致所生成的图像不同区域的细节信息不同,图像整体的质感较差。现有的图片处理方案仅能对图像进行整体的提亮、变色灯处理,无法优化图像质感。
可见,现有的图像处理方案存在无法优化图像质感的技术问题。
发明内容
有鉴于此,本公开实施例提供一种图像处理方法、装置及电子设备,至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种图像处理方法,包括:
在所述初始图像中查找至少两个基础图像块,其中,至少两个基础图像块的结构属性均满足同一预设要求;
获取每个所述基础图像块的清晰度值;
根据全部基础图像块的清晰度值,确定清晰度值最高的目标图像块;
利用所述目标图像块的细节特征替换其他基础图像块的对应细节特征,以得到处理后的图像。
根据本公开实施例的一种具体实现方式,所述在所述初始图像中查找至少两个基础图像块的步骤,包括:
恢复所述初始图像的细节特征;
将所述初始图像分解成多个图像块;
根据多个图像块的细节特征,查找结构属性满足同一预设要求的所述基础图像块。
根据本公开实施例的一种具体实现方式,所述恢复所述初始图像的细节特征的步骤,包括:
将所述初始图像输入细节恢复模型,得到所述初始图像的细节特征;
根据所述初始图像的细节特征,输出所述初始图像对应的细节结果图像。
根据本公开实施例的一种具体实现方式,所述细节恢复模型通过如下方式获得:
构建深度神经网络模型;
将基础样本图像进行降采样处理和放大处理,得到模糊样本图像;
利用所述模糊样本图像作为所述训练模型的输入数据以及所述基础样本图像作为学习结果,训练所述深度神经网络模型,得到所述细节恢复模型。
根据本公开实施例的一种具体实现方式,所述将所述初始图像分解成多个图像块的步骤,包括:
确定所述初始图像的整体尺寸;
根据所述整体尺寸,设定分解尺寸,其中,所述分解尺寸远小于所述整体尺寸;
按照所述分解尺寸,不重合地切分所述初始图像,得到多个不同的图像块。
根据本公开实施例的一种具体实现方式,所述根据多个图像块的细节特征,查找结构属性满足同一预设要求的所述基础图像块的步骤,包括:
提取每个图像块的预设参数;
根据预设参数,计算每两个图像块之间的相似度;
将相似度大于预设阈值的图像块作为基础图像块。
根据本公开实施例的一种具体实现方式,所述获取每个所述基础图像块的清晰度值的步骤,包括:
通过高通滤波器提取每个所述基础图像块的高频成分;
根据每个基础图像块中的每个像素的高频成分来确定所述基础图像块的高频信息;
所述根据全部基础图像块的清晰度值,确定清晰度值最高的目标图像块的步骤,包括:
将全部所述基础图像块中,高频信息最多的基础图像块作为所述目标图像块。
根据本公开实施例的一种具体实现方式,所述利用所述目标图像块的细节特征替换其他基础图像块的对应细节特征,以得到处理后的图像的步骤,包括:
将所述目标图像块的高频叠加到其他基础图像块,得到过程图像;
获取所述初始图像的高频信息;
利用所述高频信息增强所述过程图像,得到质感优化后的结果图像。
根据本公开实施例的一种具体实现方式,所述获取所述初始图像的高频信息的步骤,包括:
提取所述过程图像的低频信息;
将所述初始图像减去所述过程图像的低频信息,得到所述高频信息。
根据本公开实施例的一种具体实现方式,所述初始图像为视频中的当前帧图像,所述初始图像的前一帧图像为参考图像;
所述在所述初始图像中查找至少两个基础图像块的步骤,包括:
在所述参考图像和所述初始图像之间查找至少两个所述基础图像块;
所述利用所述目标图像块的细节特征替换其他基础图像块的对应细节特征,以得到处理后的图像的步骤,包括:
利用所述目标图像块的细节特征替换所述初始图像中的其他基础图像块,得到过程图像;
提取所述过程图像的低频信息;
将所述初始图像减去所述过程图像的低频信息,得到高频信息;
利用所述高频信息增强所述过程图像,得到质感优化后的结果图像。
第二方面,本公开实施例提供了一种图像处理装置,包括:
查找模块,用于在所述初始图像中查找至少两个基础图像块,其中,至少两个基础图像块的结构属性均满足同一预设要求;
获取模块,用于获取每个所述基础图像块的清晰度值;
确定模块,用于根据全部基础图像块的清晰度值,确定清晰度值最高的目标图像块;
替换模块,用于利用所述目标图像块的细节特征替换其他基础图像块的对应细节特征,以得到处理后的图像。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的图像处理方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的图像处理方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的图像处理方法。
本公开实施例中的图像处理方案,包括:在所述初始图像中查找至少两个基础图像块,其中,至少两个基础图像块的结构属性均满足同一预设要求;获取每个所述基础图像块的清晰度值;根据全部基础图像块的清晰度值,确定清晰度值最高的目标图像块;利用所述目标图像块的细节特征替换其他基础图像块的对应细节特征,以得到处理后的图像。本公开的方案,通过查找初始图像中结构属性近似的基础图像块,利用清晰度较高的基础图像块的细节特征替换清晰度较低的基础图像块的相应细节特征,以有效增强初始图像中清晰度较低的图像块的细节,进而优化初始图像的整体质感。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例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它的附图。
图1为本公开实施例提供的一种图像处理方法的流程示意图;
图2为本公开实施例提供的另一种图像处理方法的部分流程示意图;
图3为本公开实施例提供的另一种图像处理方法的部分流程示意图;
图4为本公开实施例提供的另一种图像处理方法的部分流程示意图;
图5为本公开实施例提供的一种图像处理装置的结构示意图;
图6为本公开实施例提供的电子设备的示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种图像处理方法。本实施例提供的图像处理方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
参见图1,本公开实施例提供的一种图像处理方法,包括:
S101,在所述初始图像中查找至少两个基础图像块,其中,至少两个基础图像块的结构属性均满足同一预设要求;
本实施例提供的方法,应用于终端等电子设备的图像处理过程,主要用于优化图像的质感,使得图像看起来细节更丰富。将待处理的图像定义为初始图像。
初始图像包括不同区域的像素集合,可以将初始图像划分为多个图像块,以每个图像块为质感优化的分析对象。在进行质感优化时,从该初始图像中查找出相似的图像块,定义为基础图像块。相似的图像块满足结构属性近似,满足预设要求。需要说明的是,初始图像中可能存在多组相似的基础图像块,每组的基础图像块相似,本实施方式仅以一组相似的基础图像块的质感优化过程进行描述,多组相似的基础图像块则进行类似处理,不再赘述。
根据本公开实施例的一种具体实现方式,如图2所示,所述在所述初始图像中查找至少两个基础图像块的步骤,可以包括:
S201,恢复所述初始图像的细节特征;
缺乏质感往往是图片缺少细节的信息,没有层次分明的感觉,可以通过增加图像的细节,达到增加质感的目的。本实施方式利用超分辨率重建方法来恢复初始图像的细节特征。超分辨率方法分为传统方法和深度学习方法,传统方法有插值和字典学习等,优选采用效果更好的深度学习方法。
根据本公开实施例的一种具体实现方式,所述恢复所述初始图像的细节特征的步骤,包括:
将所述初始图像输入所述细节恢复模型,学习所述初始图像的细节特征;
根据所述初始图像的细节特征,输出所述初始图像对应的细节结果图像。
进一步的,所述细节恢复模型通过如下方式获得:
构建深度神经网络模型;
将基础样本图像进行降采样处理和放大处理,得到模糊样本图像;
利用所述模糊样本图像作为所述训练模型的输入数据以及所述基础样本图像作为学习结果,训练所述深度神经网络模型,得到所述细节恢复模型。
首先需要构建模型,可以参考视觉几何群网络(Visual Geometry GroupNetwork,简称VGG)、残差网络(Residual Neural Network,简称Res Net)、Inception、Shuffle等模型结构。接着是获取数据,把任意一幅自然图像作为基础样本图像进行降采样,然后通过插值的方法进行放大,基础样本图像作为学习结果Ground True,放大后的图片作为输入图片,这样就获得许许多样本。通过模型学习从放大模糊的图片到清晰原图的这一个过程,训练好后即可得到细节恢复模型。训练好以后,可以直接将需要的超分辨的初始图像输入细节恢复模型,就能得到细节比原图丰富的结果图。
S202,将所述初始图像分解成多个图像块;
可选的,具体分解步骤可以包括:
确定所述初始图像的整体尺寸;
根据所述整体尺寸,设定分解尺寸,其中,所述分解尺寸远小于所述整体尺寸;
按照所述分解尺寸,不重合地切分所述初始图像,得到多个不同的图像块。
例如,对一幅1000x1000大小的图片,可以设定图片块的大小,比如100x100,在不重合地切分图像方式下,可以获得100个图像块。
S203,根据多个图像块的细节特征,查找结构属性满足同一预设要求的所述基础图像块。
具体查找过程可以包括:
提取每个图像块的预设参数;
根据预设参数,计算每两个图像块之间的相似度;
将相似度大于预设阈值的图像块作为基础图像块。
对于所分解得到的基础图像块,两两计算这些基础图像块的相似度,常用的图像相似度指标有PNSR、SSIM、欧式距离等,当然也可以结合一些low level特征HOG、SIFT等,提取图像等HOG、SIFT再进行指标的的计算。
S102,获取每个所述基础图像块的清晰度值;
清晰度值较高的图像块包含的细节特征就越多,可以通过基础图像块的清晰度值来查找细节特征最多的图像块。
S103,根据全部基础图像块的清晰度值,确定清晰度值最高的目标图像块;
清晰度最高的目标图像块包含最多的细节特征,依据细节特征最多的图像块对其他图像块进行细节增强,质感优化的效果会更好。
根据本公开实施例的一种具体实现方式,如图3所示,所述获取每个所述基础图像块的清晰度值的步骤,包括:
S301,通过高通滤波器提取每个所述基础图像块的高频成分;
当我们计算出两个图片块比较相近的时候。通过高通滤波器提取这个两个图像块的高频成分,然后计算平均每个像素的高频成分来判断哪个图像块的拥有更多高频信息。
S302,根据每个基础图像块中的每个像素的高频成分来确定所述基础图像块的高频信息;
通过高通滤波器提取这个两个图像块的高频成分,然后计算平均每个像素的高频成分来判断哪个图像块的拥有更多高频信息。
S303,将全部所述基础图像块中,高频信息最多的基础图像块作为所述目标图像块。
将高频信息多的那个图像块的信息叠加到高频信息低到图像块上,比如采用直方图规定化的方法来完成这个步骤。
S104,利用所述目标图像块的细节特征替换其他基础图像块的对应细节特征,以得到处理后的图像。
用清晰的图像块来补充不清晰的图像块,即可实现局部细节增强,优化画质。比如一副有桌子的图片,图片中桌子的四个角的结构是相似,这时候可以把桌角的图像块通过匹配,把模糊的桌角缺失的信息用其它清晰的桌角的信息来填补达到增强细节的效果。
根据本公开实施例的一种具体实现方式,如图4所示,所述利用所述目标图像块的细节特征替换其他基础图像块的对应细节特征,以得到处理后的图像的步骤,包括:
S401,将所述目标图像块的高频叠加到其他基础图像块,得到过程图像;
填补完成后再提取图像的低频,再用原图减去图像的低频信息,得到高频信息后再与填补完成后的图像进行细节的增强,达到增加图片质感的效果。
S402,获取所述初始图像的高频信息;
可选的,所述获取所述初始图像的高频信息的步骤,包括:
提取所述过程图像的低频信息;
将所述初始图像减去所述过程图像的低频信息,得到所述高频信息。
S403,利用所述高频信息增强所述过程图像,得到质感优化后的结果图像。
填补完成后再提取图像的低频,再用原图减去图像的低频信息,得到高频信息后再与填补完成后的图像进行细节的增强,达到增加图片质感的效果。
此外,针对视频中图像质感优化的过程也做了进一步限定。根据本公开实施例的另一种具体实现方式,所述初始图像为视频中的当前帧图像,所述初始图像的前一帧图像为参考图像;
所述在所述初始图像中查找至少两个基础图像块的步骤,可以包括:
在所述参考图像和所述初始图像之间查找至少两个所述基础图像块;
所述利用所述目标图像块的细节特征替换其他基础图像块的对应细节特征,以得到处理后的图像的步骤,包括:
利用所述目标图像块的细节特征替换所述初始图像中的其他基础图像块,得到过程图像;
提取所述过程图像的低频信息;
将所述初始图像减去所述过程图像的低频信息,得到高频信息;
利用所述高频信息增强所述过程图像,得到质感优化后的结果图像。
对于视频来说,在单帧情况下,和图片的方式一样,不同之处在于视频可以考虑帧与帧之间的相似关系来恢复视频的细节,比如说:镜头晃动过程中会让图像变得模糊,这时候可以参考在晃动之前的图像的信息,也是在帧与帧之间寻找相似的图像块来进行信息的填补,填补完成后再提取那一帧的低频,再用那一帧减去低频信息,得到高频信息后再与填补完成后的那帧图像进行细节的增强,达到增加视频质感的效果
综上所述,本公开的方案通过查找初始图像中结构属性近似的基础图像块,利用清晰度较高的基础图像块的细节特征替换清晰度较低的基础图像块的相应细节特征,以有效增强初始图像中清晰度较低的图像块的细节,进而优化初始图像的整体质感。
与上面的方法实施例相对应,参见图5,本公开实施例还提供了一种图像处理装置50,包括:
查找模块501,用于在所述初始图像中查找至少两个基础图像块,其中,至少两个基础图像块的结构属性均满足同一预设要求;
获取模块502,用于获取每个所述基础图像块的清晰度值;
确定模块503,用于根据全部基础图像块的清晰度值,确定清晰度值最高的目标图像块;
替换模块504,用于利用所述目标图像块的细节特征替换其他基础图像块的对应细节特征,以得到处理后的图像。
图5所示装置可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图6,本公开实施例还提供了一种电子设备60,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的图像处理方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的图像处理方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的的图像处理方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,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6所示,电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图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装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述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(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备能够实现上述方法实施例提供的方案。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备能够实现上述方法实施例提供的方案。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种图像处理方法,其特征在于,包括:
在初始图像中查找至少两个基础图像块,其中,至少两个基础图像块的结构属性均满足同一预设要求,包括:所述至少两个基础图像块的相似度大于预设阈值;获取每个所述基础图像块的清晰度值;
根据全部基础图像块的清晰度值,确定清晰度值最高的目标图像块;
利用所述目标图像块的细节特征替换其他基础图像块的对应细节特征,以得到处理后的图像。
2.根据权利要求1所述的方法,其特征在于,所述在初始图像中查找至少两个基础图像块的步骤,包括:
恢复所述初始图像的细节特征;
将所述初始图像分解成多个图像块;
根据多个图像块的细节特征,查找结构属性满足同一预设要求的所述基础图像块。
3.根据权利要求2所述的方法,其特征在于,所述恢复所述初始图像的细节特征的步骤,包括:
将所述初始图像输入细节恢复模型,得到所述初始图像的细节特征;
根据所述初始图像的细节特征,输出所述初始图像对应的细节结果图像。
4.根据权利要求3所述的方法,其特征在于,所述细节恢复模型通过如下方式获得:
构建深度神经网络模型;
将基础样本图像进行降采样处理和放大处理,得到模糊样本图像;
利用所述模糊样本图像作为所述深度神经网络模型的输入数据以及所述基础样本图像作为学习结果,训练所述深度神经网络模型,得到所述细节恢复模型。
5.根据权利要求4所述的方法,其特征在于,所述将所述初始图像分解成多个图像块的步骤,包括:
确定所述初始图像的整体尺寸;
根据所述整体尺寸,设定分解尺寸,其中,所述分解尺寸远小于所述整体尺寸;
按照所述分解尺寸,不重合地切分所述初始图像,得到多个不同的图像块。
6.根据权利要求5所述的方法,其特征在于,所述根据多个图像块的细节特征,查找结构属性满足同一预设要求的所述基础图像块的步骤,包括:
提取每个图像块的预设参数;
根据预设参数,计算每两个图像块之间的相似度;
将相似度大于预设阈值的图像块作为基础图像块。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述获取每个所述基础图像块的清晰度值的步骤,包括:
通过高通滤波器提取每个所述基础图像块的高频成分;
根据每个基础图像块中的每个像素的高频成分来确定所述基础图像块的高频信息;
所述根据全部基础图像块的清晰度值,确定清晰度值最高的目标图像块的步骤,包括:
将全部所述基础图像块中,高频信息最多的基础图像块作为所述目标图像块。
8.根据权利要求7所述的方法,其特征在于,所述利用所述目标图像块的细节特征替换其他基础图像块的对应细节特征,以得到处理后的图像的步骤,包括:
将所述目标图像块的高频叠加到其他基础图像块,得到过程图像;
获取所述初始图像的高频信息;
利用所述高频信息增强所述过程图像,得到质感优化后的结果图像。
9.根据权利要求8所述的方法,其特征在于,所述获取所述初始图像的高频信息的步骤,包括:
提取所述过程图像的低频信息;
将所述初始图像减去所述过程图像的低频信息,得到所述高频信息。
10.根据权利要求9所述的方法,其特征在于,所述初始图像为视频中的当前帧图像,所述初始图像的前一帧图像为参考图像;
所述在初始图像中查找至少两个基础图像块的步骤,包括:
在所述参考图像和所述初始图像之间查找至少两个所述基础图像块;
所述利用所述目标图像块的细节特征替换其他基础图像块的对应细节特征,以得到处理后的图像的步骤,包括:
利用所述目标图像块的细节特征替换所述初始图像中的其他基础图像块,得到过程图像;
提取所述过程图像的低频信息;
将所述初始图像减去所述过程图像的低频信息,得到高频信息;
利用所述高频信息增强所述过程图像,得到质感优化后的结果图像。
11.一种图像处理装置,其特征在于,包括:
查找模块,用于在初始图像中查找至少两个基础图像块,其中,至少两个基础图像块的结构属性均满足同一预设要求,包括:所述至少两个基础图像块的相似度大于预设阈值;
获取模块,用于获取每个所述基础图像块的清晰度值;
确定模块,用于根据全部基础图像块的清晰度值,确定清晰度值最高的目标图像块;
替换模块,用于利用所述目标图像块的细节特征替换其他基础图像块的对应细节特征,以得到处理后的图像。
12.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述权利要求1-10中任一项所述的图像处理方法。
13.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述权利要求1-10中任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010497156.0A CN111696041B (zh) | 2020-06-04 | 2020-06-04 | 图像处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010497156.0A CN111696041B (zh) | 2020-06-04 | 2020-06-04 | 图像处理方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111696041A CN111696041A (zh) | 2020-09-22 |
CN111696041B true CN111696041B (zh) | 2023-06-30 |
Family
ID=72479414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010497156.0A Active CN111696041B (zh) | 2020-06-04 | 2020-06-04 | 图像处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111696041B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593192B (zh) * | 2024-01-18 | 2024-03-26 | 大连云间来客科技有限公司 | 一种妇科宫颈图像增强分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105210374A (zh) * | 2013-03-15 | 2015-12-30 | 三星电子株式会社 | 利用图像特征对频率提高超分辨率的控制 |
CN105631813A (zh) * | 2014-11-25 | 2016-06-01 | 三星电子株式会社 | 图像处理方法 |
CN106067167A (zh) * | 2016-06-06 | 2016-11-02 | 广东欧珀移动通信有限公司 | 图像处理方法及装置 |
CN111028164A (zh) * | 2019-11-28 | 2020-04-17 | 北京理工大学 | 基于非局部统计本征的单像素成像重建方法及装置 |
CN111080595A (zh) * | 2019-12-09 | 2020-04-28 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6587592B2 (en) * | 2001-11-16 | 2003-07-01 | Adobe Systems Incorporated | Generating replacement data values for an image region |
WO2009141770A1 (en) * | 2008-05-21 | 2009-11-26 | Koninklijke Philips Electronics N.V. | Image resolution enhancement |
-
2020
- 2020-06-04 CN CN202010497156.0A patent/CN111696041B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105210374A (zh) * | 2013-03-15 | 2015-12-30 | 三星电子株式会社 | 利用图像特征对频率提高超分辨率的控制 |
CN105631813A (zh) * | 2014-11-25 | 2016-06-01 | 三星电子株式会社 | 图像处理方法 |
CN106067167A (zh) * | 2016-06-06 | 2016-11-02 | 广东欧珀移动通信有限公司 | 图像处理方法及装置 |
CN111028164A (zh) * | 2019-11-28 | 2020-04-17 | 北京理工大学 | 基于非局部统计本征的单像素成像重建方法及装置 |
CN111080595A (zh) * | 2019-12-09 | 2020-04-28 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111696041A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110058685B (zh) | 虚拟对象的显示方法、装置、电子设备和计算机可读存储介质 | |
CN110189246B (zh) | 图像风格化生成方法、装置及电子设备 | |
CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN110070496B (zh) | 图像特效的生成方法、装置和硬件装置 | |
CN112637517B (zh) | 视频处理方法、装置、电子设备及存储介质 | |
CN110349107B (zh) | 图像增强的方法、装置、电子设备、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 | |
CN110298851B (zh) | 人体分割神经网络的训练方法及设备 | |
CN111325704A (zh) | 图像修复方法、装置、电子设备及计算机可读存储介质 | |
CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN111246196A (zh) | 视频处理方法、装置、电子设备及计算机可读存储介质 | |
CN111626921A (zh) | 图片处理方法、装置及电子设备 | |
CN111696041B (zh) | 图像处理方法、装置及电子设备 | |
CN111833459B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN117541511A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN110197459B (zh) | 图像风格化生成方法、装置及电子设备 | |
CN110070482B (zh) | 图像处理方法、装置和计算机可读存储介质 | |
CN110264430B (zh) | 视频美化方法、装置及电子设备 | |
CN116596748A (zh) | 图像风格化处理方法、装置、设备、存储介质和程序产品 | |
CN114422698B (zh) | 视频生成方法、装置、设备及存储介质 | |
CN113963000B (zh) | 图像分割方法、装置、电子设备及程序产品 | |
CN112070888B (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
CN116527993A (zh) | 视频的处理方法、装置、电子设备、存储介质和程序产品 | |
CN111325093A (zh) | 视频分割方法、装置及电子设备 | |
CN114066721B (zh) | 显示方法、装置和电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |