CN112330666B - 基于改进孪生网络的图像处理方法及***及装置及介质 - Google Patents

基于改进孪生网络的图像处理方法及***及装置及介质 Download PDF

Info

Publication number
CN112330666B
CN112330666B CN202011347571.4A CN202011347571A CN112330666B CN 112330666 B CN112330666 B CN 112330666B CN 202011347571 A CN202011347571 A CN 202011347571A CN 112330666 B CN112330666 B CN 112330666B
Authority
CN
China
Prior art keywords
image
network
definition
fully
sublayer
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
CN202011347571.4A
Other languages
English (en)
Other versions
CN112330666A (zh
Inventor
不公告发明人
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.)
Chengdu Shuzhilian Technology Co Ltd
Original Assignee
Chengdu Shuzhilian Technology Co 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 Chengdu Shuzhilian Technology Co Ltd filed Critical Chengdu Shuzhilian Technology Co Ltd
Priority to CN202011347571.4A priority Critical patent/CN112330666B/zh
Publication of CN112330666A publication Critical patent/CN112330666A/zh
Application granted granted Critical
Publication of CN112330666B publication Critical patent/CN112330666B/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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于改进孪生网络的图像处理方法及***及装置及介质，涉及图像处理领域，所述方法包括：预处理原图得到图像I1；过滤图像I1中的低频信息得到图像I2；将图像I1和图像I2输入图像清晰度判断模型，图像清晰度判断模型输出原图的清晰度评价预测值和清晰度判断预测值；本发明将孪生网络与图像处理技术相结合，在自动提取图像特征的前提下，能够同时得到图像的清晰度评价预测值和图像的清晰度判断预测值。

Description

基于改进孪生网络的图像处理方法及***及装置及介质
技术领域
本发明涉及图像处理领域，具体地，涉及基于改进孪生网络的图像处理方法及***及装置及介质。
背景技术
图像的模糊程度直接影响到对图像内容的识别和分析，因此，对图像的模糊判断是其他后续任务的首要环节。现有的图像清晰度评价方法大多建立在图像边缘以及整体信息熵的统计信息之上。一般来讲，图像细节信息保留越多，图像灰度变化越敏锐，则认为图像越清晰。基于此，目前常用的图像清晰度评价函数主要分为：梯度函数、频谱函数和熵函数。
近年来，基于有监督学习的深度学习技术在计算机视觉领域不断取得新的突破。
现有图像处理技术要么是只得到图像的清晰度评价指标，比如利用传统的评价函数计算图像的清晰度指数，要么是给出图像清晰还是模糊的分类，无法同时得到图像的清晰度评价预测值和图像清晰度判断预测值。
发明内容
本发明提供了基于改进孪生网络的图像处理方法及***及装置及介质，本发明将孪生网络与图像处理技术相结合，在自动提取图像特征的前提下，能够同时得到图像的清晰度评价预测值和图像的清晰度判断预测值。
为实现上述目的，本发明提供了基于改进孪生网络的图像处理方法，所述方法包括：
预处理原图得到图像I1；
过滤图像I1中的低频信息得到图像I2；
将图像I1和图像I2输入图像清晰度判断模型，图像清晰度判断模型输出原图的清晰度评价预测值和清晰度判断预测值；
其中，图像清晰度判断模型对图像I1和图像I2的处理过程包括：
图像清晰度判断模型中设有孪生网络，孪生网络中设有网络1和网络2，网络1与网络2结构相同，且网络1与网络2参数共享；
图像I1输入网络1得到特征矢量u，图像I2输入网络2得到特征矢量v；
孪生网络的全连接层包括第一全连接子层fc1、第二全连接子层fc2和第三全连接子层fc3，第一全连接子层fc1的输出分别输入第二全连接子层fc2和第三全连接子层fc3，第二全连接子层fc2输出图像的清晰度评价预测值，第三全连接子层fc3输出图像的清晰度判断预测值；其中，在第一全连接子层fc1中将u、v、|u-v|和u×v四个向量合成为一个矢量作为第一全连接子层fc1的输入矢量。
其中，针对从不同渠道获取的图像，部分图像因模糊而无法进行内容的解译和分析，需要采用一定的方法过滤掉，避免进入后续的处理环节，本发明在利用一种改进的孪生网络，自动提取图像特征，并同时得到图像的清晰度评价预测值和图像的清晰度判断预测值。
其中，本发明与现有技术的主要区别在于：
1.合理构建网络的输入，并将孪生网络与图像清晰度分析结合；
2.同时得到图像的清晰度评价预测值和图像清晰度判断预测值。
优选的，本方法中预处理原图具体为将原图的尺寸归一化为预设尺寸。其中，输入图像的尺寸/长宽可能是任意大小，尺度归一化是为了将所有图像尺寸都处理成统一大小，方便建模。
优选的，本方法中利用低通滤波器处理图像I1得到图像I2。清晰图像中的高频成分较丰富，细节信息较多；模糊图像中的高频成分较少，细节信息较少，所以会模糊。使用低通滤波器，是为了在一定程度上过滤低频信息，构造滤波前后的图像低频信息变化差异。
优选的，本方法中，第一全连接子层fc1的输入矢量为：
fc1_input＝concat(u,v,|u-v|,u×v)。
优选的，本方法中，图像清晰度判断模型的损失函数为：
Loss＝L1(m,mgt)+α×CE(n,ngt)
其中，mgt表示对图像的清晰度评价真实值，ngt表示图像的清晰度判断真实值；对应的L1表示L1范数损失，CE表示交叉熵损失；α表示平衡因子，m表示对图像的清晰度评价预测值，n表示对图像的清晰度判断预测值。
优选的，本方法中，本方法还包括使用清晰度评价函数计算图像的清晰度评价真实值。
本发明还提供了一种基于改进孪生网络的图像处理***，所述***包括：
预处理单元，用于预处理原图得到图像I1；
平滑处理单元，用于平滑处理图像I1得到图像I2；
图像清晰度判断模型，用于处理输入的图像I1和图像I2，输出原图的清晰度评价预测值和清晰度判断预测值；
其中，图像清晰度判断模型对图像I1和图像I2的处理过程包括：
图像清晰度判断模型中设有孪生网络，孪生网络中设有网络1和网络2，网络1与网络2结构相同，且网络1与网络2参数共享；
图像I1输入网络1得到特征矢量u，图像I2输入网络2得到特征矢量v；
孪生网络的全连接层包括第一全连接子层fc1、第二全连接子层fc2和第三全连接子层fc3，第一全连接子层fc1的输出分别输入第二全连接子层fc2和第三全连接子层fc3，第二全连接子层fc2输出图像的清晰度评价预测值，第三全连接子层fc3输出图像的清晰度判断预测值；其中，在第一全连接子层fc1中将u、v、|u-v|和u×v四个向量合成为一个矢量作为第一全连接子层fc1的输入矢量。
优选的，本***中第一全连接子层fc1的输入矢量为：
fc1_input＝concat(u,v,|u-v|,u×v)；
图像清晰度判断模型的损失函数为：
Loss＝L1(m,mgt)+α×CE(n,ngt)
其中，mgt表示对图像的清晰度评价真实值，ngt表示图像的清晰度判断真实值；对应的L1表示L1范数损失，CE表示交叉熵损失；α表示平衡因子，m表示对图像的清晰度评价预测值，n表示对图像的清晰度判断预测值。
本发明还提供了一种图像处理装置，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，所述处理器执行所述计算机程序时实现所述基于改进孪生网络的图像处理方法的步骤。
本发明还提供了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，所述计算机程序被处理器执行时实现所述基于改进孪生网络的图像处理方法的步骤。
本发明提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过设计多任务的孪生网络，预测结果同时包含图像的清晰度评价预测值和图像清晰度预测值；
在网络的全连接层，考虑到|u-v|和u*v两种度量函数，可以增加网络的表达能力。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，并不构成对本发明实施例的限定；
图1为图像清晰度判断模型的结构示意图；
图2为基于改进孪生网络的图像处理***的组成示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。
实施例一
本发明实施例主要针对图像的模糊判断展开，考虑到实际情况：由于清晰图像包含大量高频信息，故经过低通滤波器之后损失成分多，得到的结构相似度小；模糊图像则相反。将通过低通滤波器前后的图像作为输入，利用改进的孪生网络提取图像特征，并同时得到图像的清晰度评价预测值和图像的清晰度判断预测值，本发明通过图像清晰度判断模型实现，附图1为图像清晰度判断模型的结构示意图，具体步骤如下：
将原图尺寸归一化成M×N大小，得到图像I1；输入图像的尺寸/长宽可能是任意大小，尺度归一化是为了将所有图像尺寸都处理成统一大小，方便建模，其中归一化的尺寸可以根据实际需要调整，本发明不进行具体的限定。
利用低通滤波器处理图像I1，得到对应的图像I2；清晰图像中的高频成分较丰富，细节信息较多；模糊图像中的高频成分较少，细节信息较少，所以会模糊。使用低通滤波器，是为了在一定程度上过滤低频信息，构造滤波前后的图像低频信息变化差异。其中，在实际应用中也可以采用其他具有类似低通滤波器功能的器件或类似的技术手段来实现，本发明不进行具体的限定。
设计一个参数共享的孪生网络，孪生网络中设有网络1和网络2，网络1与网络2结构相同，且网络1与网络2参数共享。将I1输入网络1得到特征矢量u，将I2输入网络2得到特征矢量v。
孪生网络的全连接层包括第一全连接子层fc1、第二全连接子层fc2和第三全连接子层fc3，第一全连接子层fc1的输出分别输入第二全连接子层fc2和第三全连接子层fc3，第二全连接子层fc2输出图像的清晰度评价预测值，第三全连接子层fc3输出图像的清晰度判断预测值。
在孪生网络的全连接层(Fully Connected Layer，FC)，不仅考虑矢量u和v，同时也考虑|u-v|和u*v两种度量函数，这里将四个向量合成一个大的矢量，作为第一全连接子层fc1的输入矢量：
fc1_input＝concat(u,v,|u-v|,u×v)
全连接层的第二全连接子层fc2和第三全连接子层fc3是两个并联的全连接子层，对应的输出表示为m和n，其中：m表示对图像的清晰度评价预测值，n表示对图像的清晰度判断预测值。构建多任务损失：
Loss＝L1(m,mgt)+α×CE(n,ngt)
式中，mgt表示对图像的清晰度评价真实值，ngt表示图像的清晰度判断真实值；对应的L1表示L1范数损失，CE表示交叉熵损失；α表示平衡因子。
本实施例中常用的清晰度评价函数如：Tenengrad、Laplacian、SMD函数、Brenner函数等，可以使用这些评价函数计算mgt。在实际应用中也可以采用其他清晰度评价函数进行计算，本发明不对具体的清晰度评价函数进行限定。
输出图像的清晰度评价预测值m和图像的清晰度判断预测值n。
下面结合具体数据举例对本方法进行介绍：
给定一幅图像，将其尺寸归一化成M×N＝224×224大小，得到图像I1；
利用大小为7x7的高斯低通滤波器对I1进行处理，得到图像I2；
设计孪生网络时，利用共享的ResNet-18网络特征提取结构，与m对应的图像清晰度评价函数采用Laplacian评价函数计算得到mgt；
在训练阶段，Loss函数中α＝1；
网络输出图像的清晰度评价预测值m和图像的清晰度判断预测值n。
实施例二
请参考图2，图2为基于改进孪生网络的图像处理***的组成示意图，所述***包括：
预处理单元，用于预处理原图得到图像I1；
平滑处理单元，用于平滑处理图像I1得到图像I2；
图像清晰度判断模型，用于处理输入的图像I1和图像I2，输出原图的清晰度评价预测值和清晰度判断预测值；
其中，图像清晰度判断模型对图像I1和图像I2的处理过程包括：
图像清晰度判断模型中设有孪生网络，孪生网络中设有网络1和网络2，网络1与网络2结构相同，且网络1与网络2参数共享；
图像I1输入网络1得到特征矢量u，图像I2输入网络2得到特征矢量v；
孪生网络的全连接层包括第一全连接子层fc1、第二全连接子层fc2和第三全连接子层fc3，第一全连接子层fc1的输出分别输入第二全连接子层fc2和第三全连接子层fc3，第二全连接子层fc2输出图像的清晰度评价预测值，第三全连接子层fc3输出图像的清晰度判断预测值；其中，在第一全连接子层fc1中将u、v、|u-v|和u×v四个向量合成为一个矢量作为第一全连接子层fc1的输入矢量。
其中，在本发明实施例二中，本***中第一全连接子层fc1的输入矢量为：
fc1_input＝concat(u,v,|u-v|,u×v)；
图像清晰度判断模型的损失函数为：
Loss＝L1(m,mgt)+α×CE(n,ngt)
其中，mgt表示对图像的清晰度评价真实值，ngt表示图像的清晰度判断真实值；对应的L1表示L1范数损失，CE表示交叉熵损失；α表示平衡因子，m表示对图像的清晰度评价预测值，n表示对图像的清晰度判断预测值。
实施例三
本发明还提供了一种图像处理装置，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，所述处理器执行所述计算机程序时实现所述基于改进孪生网络的图像处理方法的步骤。
其中，所述处理器可以是中央处理器(CPU，Central Processing Unit)，还可以是其他通用处理器、数字信号处理器(digital signal processor)、专用集成电路(Application Specific Integrated Circuit)、现成可编程门阵列(Fieldprogrammablegate array)或者其他可编程逻辑器件、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。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的数据，实现发明中图像处理装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。此外，存储器可以包括高速随机存取存储器、还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡，安全数字卡，闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例四
本发明还提供了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，所述计算机程序被处理器执行时实现所述基于改进孪生网络的图像处理方法的步骤。
所述图像处理装置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。基于这样的理解本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序可存储于一计算机可读存介质中，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，所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括：能够携带所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、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是，所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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.基于改进孪生网络的图像处理方法，其特征在于，所述方法包括：
预处理原图得到图像I1；
过滤图像I1中的低频信息得到图像I2；
将图像I1和图像I2输入图像清晰度判断模型，图像清晰度判断模型输出原图的清晰度评价预测值和清晰度判断预测值；
其中，图像清晰度判断模型对图像I1和图像I2的处理过程包括：
图像清晰度判断模型中设有孪生网络，孪生网络中设有网络1和网络2，网络1与网络2结构相同，且网络1与网络2参数共享；
图像I1输入网络1得到特征矢量u，图像I2输入网络2得到特征矢量v；
孪生网络的全连接层包括第一全连接子层fc1、第二全连接子层fc2和第三全连接子层fc3，第一全连接子层fc1的输出分别输入第二全连接子层fc2和第三全连接子层fc3，第二全连接子层fc2输出图像的清晰度评价预测值，第三全连接子层fc3输出图像的清晰度判断预测值；其中，在第一全连接子层fc1中将u、v、|u-v|和u×v四个向量合成为一个矢量作为第一全连接子层fc1的输入矢量。
2.根据权利要求1所述的基于改进孪生网络的图像处理方法，其特征在于，第一全连接子层fc1的输入矢量为：
fc1_input＝concat(u,v,|u-v|,u×v)。
3.根据权利要求1所述的基于改进孪生网络的图像处理方法，其特征在于，图像清晰度判断模型的损失函数为：
Loss＝L1(m,mgt)+α×CE(n,ngt)
其中，mgt表示对图像的清晰度评价真实值，ngt表示图像的清晰度判断真实值；对应的L1表示L1范数损失，CE表示交叉熵损失；α表示平衡因子，m表示对图像的清晰度评价预测值，n表示对图像的清晰度判断预测值。
4.根据权利要求1所述的基于改进孪生网络的图像处理方法，其特征在于，本方法还包括使用清晰度评价函数计算图像的清晰度评价真实值。
5.根据权利要求1所述的基于改进孪生网络的图像处理方法，其特征在于，预处理原图具体为将原图的尺寸归一化为预设尺寸。
6.根据权利要求1所述的基于改进孪生网络的图像处理方法，其特征在于，利用低通滤波器处理图像I1得到图像I2。
7.一种基于改进孪生网络的图像处理***，其特征在于，所述***包括：
预处理单元，用于预处理原图得到图像I1；
平滑处理单元，用于过滤图像I1中的低频信息得到图像I2；
图像清晰度判断模型，用于处理输入的图像I1和图像I2，输出原图的清晰度评价预测值和清晰度判断预测值；
其中，图像清晰度判断模型对图像I1和图像I2的处理过程包括：
图像清晰度判断模型中设有孪生网络，孪生网络中设有网络1和网络2，网络1与网络2结构相同，且网络1与网络2参数共享；
图像I1输入网络1得到特征矢量u，图像I2输入网络2得到特征矢量v；
孪生网络的全连接层包括第一全连接子层fc1、第二全连接子层fc2和第三全连接子层fc3，第一全连接子层fc1的输出分别输入第二全连接子层fc2和第三全连接子层fc3，第二全连接子层fc2输出图像的清晰度评价预测值，第三全连接子层fc3输出图像的清晰度判断预测值；其中，在第一全连接子层fc1中将u、v、|u-v|和u×v四个向量合成为一个矢量作为第一全连接子层fc1的输入矢量。
8.根据权利要求7所述的基于改进孪生网络的图像处理***，其特征在于，第一全连接子层fc1的输入矢量为：
fc1_input＝concat(u,v,|u-v|,u×v)；
图像清晰度判断模型的损失函数为：
Loss＝L1(m,mgt)+α×CE(n,ngt)
其中，mgt表示对图像的清晰度评价真实值，ngt表示图像的清晰度判断真实值；对应的L1表示L1范数损失，CE表示交叉熵损失；α表示平衡因子，m表示对图像的清晰度评价预测值，n表示对图像的清晰度判断预测值。
9.一种图像处理装置，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1-6中任意一个所述基于改进孪生网络的图像处理方法的步骤。
10.一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1-6中任意一个所述基于改进孪生网络的图像处理方法的步骤。
CN202011347571.4A 2020-11-26 2020-11-26 基于改进孪生网络的图像处理方法及***及装置及介质 Active CN112330666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011347571.4A CN112330666B (zh) 2020-11-26 2020-11-26 基于改进孪生网络的图像处理方法及***及装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011347571.4A CN112330666B (zh) 2020-11-26 2020-11-26 基于改进孪生网络的图像处理方法及***及装置及介质

Publications (2)

Publication Number Publication Date
CN112330666A CN112330666A (zh) 2021-02-05
CN112330666B true CN112330666B (zh) 2022-04-29

Family

ID=74308830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011347571.4A Active CN112330666B (zh) 2020-11-26 2020-11-26 基于改进孪生网络的图像处理方法及***及装置及介质

Country Status (1)

Country Link
CN (1) CN112330666B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102036077A (zh) * 2010-12-31 2011-04-27 太原理工大学 一种在局域网内传输高清晰度视频的装置
CN104318221A (zh) * 2014-11-05 2015-01-28 中南大学 一种基于elm的人脸表情识别方法
CN106355195A (zh) * 2016-08-22 2017-01-25 中国科学院深圳先进技术研究院 用于测量图像清晰度值的***及其方法
CN107358596A (zh) * 2017-04-11 2017-11-17 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置、电子设备及***
CN107506717A (zh) * 2017-08-17 2017-12-22 南京东方网信网络科技有限公司 无约束场景中基于深度变换学习的人脸识别方法
CN108492275A (zh) * 2018-01-24 2018-09-04 浙江科技学院 基于深度神经网络的无参考立体图像质量评价方法
CN108492290A (zh) * 2018-03-19 2018-09-04 携程计算机技术（上海）有限公司 图像评价方法及***
CN108573276A (zh) * 2018-03-12 2018-09-25 浙江大学 一种基于高分辨率遥感影像的变化检测方法
CN108830197A (zh) * 2018-05-31 2018-11-16 平安医疗科技有限公司 图像处理方法、装置、计算机设备和存储介质
CN108898579A (zh) * 2018-05-30 2018-11-27 腾讯科技（深圳）有限公司 一种图像清晰度识别方法、装置和存储介质
CN108986075A (zh) * 2018-06-13 2018-12-11 浙江大华技术股份有限公司 一种优选图像的判断方法及装置
CN110222792A (zh) * 2019-06-20 2019-09-10 杭州电子科技大学 一种基于孪生网络的标签缺陷检测算法
CN110533097A (zh) * 2019-08-27 2019-12-03 腾讯科技（深圳）有限公司 一种图像清晰度识别方法、装置、电子设备及存储介质
CN110533631A (zh) * 2019-07-15 2019-12-03 西安电子科技大学 基于金字塔池化孪生网络的sar图像变化检测方法
CN111260594A (zh) * 2019-12-22 2020-06-09 天津大学 一种无监督的多模态图像融合方法
CN111754474A (zh) * 2020-06-17 2020-10-09 上海眼控科技股份有限公司 一种基于图像清晰度的能见度识别的方法及设备
CN111798414A (zh) * 2020-06-12 2020-10-20 北京阅视智能技术有限责任公司 显微图像的清晰度确定方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9965717B2 (en) * 2015-11-13 2018-05-08 Adobe Systems Incorporated Learning image representation by distilling from multi-task networks
US10474883B2 (en) * 2016-11-08 2019-11-12 Nec Corporation Siamese reconstruction convolutional neural network for pose-invariant face recognition

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102036077A (zh) * 2010-12-31 2011-04-27 太原理工大学 一种在局域网内传输高清晰度视频的装置
CN104318221A (zh) * 2014-11-05 2015-01-28 中南大学 一种基于elm的人脸表情识别方法
CN106355195A (zh) * 2016-08-22 2017-01-25 中国科学院深圳先进技术研究院 用于测量图像清晰度值的***及其方法
CN107358596A (zh) * 2017-04-11 2017-11-17 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置、电子设备及***
CN107506717A (zh) * 2017-08-17 2017-12-22 南京东方网信网络科技有限公司 无约束场景中基于深度变换学习的人脸识别方法
CN108492275A (zh) * 2018-01-24 2018-09-04 浙江科技学院 基于深度神经网络的无参考立体图像质量评价方法
CN108573276A (zh) * 2018-03-12 2018-09-25 浙江大学 一种基于高分辨率遥感影像的变化检测方法
CN108492290A (zh) * 2018-03-19 2018-09-04 携程计算机技术（上海）有限公司 图像评价方法及***
CN108898579A (zh) * 2018-05-30 2018-11-27 腾讯科技（深圳）有限公司 一种图像清晰度识别方法、装置和存储介质
CN108830197A (zh) * 2018-05-31 2018-11-16 平安医疗科技有限公司 图像处理方法、装置、计算机设备和存储介质
CN108986075A (zh) * 2018-06-13 2018-12-11 浙江大华技术股份有限公司 一种优选图像的判断方法及装置
CN110222792A (zh) * 2019-06-20 2019-09-10 杭州电子科技大学 一种基于孪生网络的标签缺陷检测算法
CN110533631A (zh) * 2019-07-15 2019-12-03 西安电子科技大学 基于金字塔池化孪生网络的sar图像变化检测方法
CN110533097A (zh) * 2019-08-27 2019-12-03 腾讯科技（深圳）有限公司 一种图像清晰度识别方法、装置、电子设备及存储介质
CN111260594A (zh) * 2019-12-22 2020-06-09 天津大学 一种无监督的多模态图像融合方法
CN111798414A (zh) * 2020-06-12 2020-10-20 北京阅视智能技术有限责任公司 显微图像的清晰度确定方法、装置、设备及存储介质
CN111754474A (zh) * 2020-06-17 2020-10-09 上海眼控科技股份有限公司 一种基于图像清晰度的能见度识别的方法及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Towards high performance video object detection;Zhu X;《Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition》;20181231;第7210-7218页 *
基于孪生卷积神经网络的图像融合;杨雪等;《计算机***应用》;20200515(第05期);第198-203页 *
基于对比度敏感度的无参考图像清晰度评价;范媛媛等;《光学精密工程》;20111015(第10期);第183-191页 *

Also Published As

Publication number Publication date
CN112330666A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN110399929B (zh) 眼底图像分类方法、装置以及计算机可读存储介质
CN111553406B (zh) 基于改进yolo-v3的目标检测***、方法及终端
CN108664981A (zh) 显著图像提取方法及装置
CN110023989B (zh) 一种素描图像的生成方法及装置
CN111950723A (zh) 神经网络模型训练方法、图像处理方法、装置及终端设备
CN110675334A (zh) 一种图像增强方法及装置
CN111079764A (zh) 一种基于深度学习的低照度车牌图像识别方法及装置
CN109492640A (zh) 车牌识别方法、装置及计算机可读存储介质
CN115631112B (zh) 一种基于深度学习的建筑轮廓矫正方法及装置
CN111046969A (zh) 数据筛选方法、装置、存储介质及电子设备
CN111597845A (zh) 一种二维码检测方法、装置、设备及可读存储介质
Ding et al. Smoothing identification for digital image forensics
CN109712134B (zh) 虹膜图像质量评价方法、装置及电子设备
CN101567081B (zh) 一种手部静脉图像增强方法
CN113205102B (zh) 一种基于忆阻神经网络的车辆标志识别方法
CN110728692A (zh) 一种基于Scharr算子改进的图像边缘检测方法
CN111368602A (zh) 人脸图像模糊程度评价方法、装置、可读存储介质及设备
CN112330666B (zh) 基于改进孪生网络的图像处理方法及***及装置及介质
CN115689947B (zh) 一种图像锐化的方法、***、电子装置和存储介质
Tan et al. Local context attention for salient object segmentation
CN113239738B (zh) 一种图像的模糊检测方法及模糊检测装置
CN114998172A (zh) 图像处理方法及相关***
Georgantzoglou et al. Image Processing with MATLAB and GPU
CN107945137A (zh) 人脸检测方法、电子设备及存储介质
CN114913588A (zh) 一种应用于复杂场景下的人脸图像修复及识别方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 610042 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan

Applicant after: Chengdu shuzhilian Technology Co.,Ltd.

Address before: No.2, floor 4, building 1, Jule road crossing, Section 1, West 1st ring road, Wuhou District, Chengdu City, Sichuan Province 610041

Applicant before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant