CN112634182A - 一种基于光场的图像校正方法、装置、设备及存储介质 - Google Patents
一种基于光场的图像校正方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112634182A CN112634182A CN202011504845.6A CN202011504845A CN112634182A CN 112634182 A CN112634182 A CN 112634182A CN 202011504845 A CN202011504845 A CN 202011504845A CN 112634182 A CN112634182 A CN 112634182A
- Authority
- CN
- China
- Prior art keywords
- image
- corrected
- light field
- light
- field
- 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
- 238000003702 image correction Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 47
- 238000005457 optimization Methods 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 abstract description 63
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000002940 Newton-Raphson method Methods 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种基于光场的图像校正方法、装置、设备及存储介质,属于人工智能技术领域,所述方法通过获取待校正图像,并对待校正图像进行反色处理,得到反色图像,分别计算反色图像的光场和待校正图像的光场,根据反色图像的光场对待校正图像进行校正,得到第一校正图像,以及根据待校正图像的光场对待校正图像进行校正,得到第二校正图像,基于预设融合规则对待校正图像、第一校正图像以及第二校正图像进行图像融合,得到校正图像。此外,本申请还涉及区块链技术,待校正图像可存储于区块链中。本申请可以同时实现弱爆光图像和强曝光图像的校正,且大幅度地降低了对***资源占用,适合部署在移动终端上。
Description
技术领域
本申请属于人工智能技术领域,具体涉及一种基于光场的图像校正方法、装置、设备及存储介质。
背景技术
随着手机等移动端的普及,越来越多的业务场景会使用到移动端相机,但由于拍摄场景条件不同,且绝大多数的用户都不是专业拍摄人员,因而导致在采用移动设备拍摄时,拍摄的图像存在一些缺陷。根据对业务场景的分析,绝大多数移动端拍摄图像的缺陷可归属为曝光的缺陷,即由于曝光不适合拍摄场景所导致的图像光场缺陷。
目前,有些主流的手机厂商针对一些场景,比如夜景等均设计有相应的校正算法,用于提升所拍摄图像的质量。通常而言,现有的校正算法一般是基于传统算法来实现图像校正,比如限制对比度自适应直方图均衡CLAHE、比如暗通道去雾dark-channel等方法,或者基于深度学习算法来实现图像校正。但上述两种图像校正算法均存在一定的缺陷。例如,由于移动端的场景既包含弱爆光又有强曝光场景,基于传统的图像校正算法往往只能针对一种场景(弱爆光或者强曝光中的一种情况)进行图像校正,即便是做成适应两种场景,往往需要部署两套算法,占用***资源,导致***资源浪费。而基于深度学习的图像校正算法,由于采用的是深度学习网络,在移动端的部署上存在一定问题,不能很好的适配大多数机型。
发明内容
本申请实施例的目的在于提出一种基于光场的图像校正方法、装置、计算机设备及存储介质,以解决现有的图像校正方案需要占用过多的***资源,导致***资源过渡浪费,难以在移动端进行部署的技术问题。
为了解决上述技术问题,本申请实施例提供一种基于光场的图像校正方法,采用了如下所述的技术方案:
一种基于光场的图像校正方法,包括:
获取待校正图像,并对待校正图像进行反色处理,得到反色图像;
分别计算反色图像的光场和待校正图像的光场;
根据反色图像的光场对待校正图像进行校正,得到第一校正图像,以及根据待校正图像的光场对待校正图像进行校正,得到第二校正图像;
基于预设融合规则对待校正图像、第一校正图像以及第二校正图像进行图像融合,得到校正图像。
进一步的,获取待校正图像,并对待校正图像进行反色处理,得到反色图像的步骤,具体包括:
获取待校正图像,对待校正图像进行归一化处理;
对归一化处理后的待校正图像进行反色处理,得到反色图像。
进一步的,分别计算反色图像的光场和待校正图像的光场的步骤,具体包括:
基于预设光场配置策略设置反色图像的光场初始值和待校正图像的光场初始值;
构建光场优化指标函数,基于光场优化指标函数对反色图像的光场初始值进行迭代,得到反色图像的光场,以及基于光场优化指标函数对待校正图像的光场初始值进行迭代,得到待校正图像的光场。
进一步的,基于预设光场配置策略设置反色图像的光场初始值和待校正图像的光场初始值的步骤,具体包括:
获取反色图像和待校正图像的每一个像素点在三色通道上的光场值;
依次比对每一个像素点在三色通道上的光场值;
根据光场比对结果确定反色图像的光场初始值和待校正图像的光场初始值。
进一步的,构建光场优化指标函数,基于光场优化指标函数对反色图像的光场初始值进行迭代,得到反色图像的光场,以及基于光场优化指标函数对待校正图像的光场初始值进行迭代,得到待校正图像的光场的步骤,具体包括:
获取光场权重矩阵,基于光场权重矩阵构建光场优化指标函数;
基于牛顿法对光场优化指标函数进行优化;
分别通过优化后的光场优化指标函数对反色图像的光场初始值和待校正图像的光场初始值进行迭代,得到反色图像的光场和待校正图像的光场。
进一步的,根据反色图像的光场对待校正图像进行校正,得到第一校正图像,以及根据待校正图像的光场对待校正图像进行校正,得到第二校正图像的步骤,具体包括:
基于反色图像的光场和预设的Retinex算法对待校正图像进行校正,得到第一校正图像;以及
基于待校正图像的光场和预设的Retinex算法对待校正图像进行校正,得到第二校正图像。
进一步的,基于预设融合规则对待校正图像、第一校正图像以及第二校正图像进行图像融合,得到校正图像的步骤,具体包括:
获取待融合图像的每一个像素点在三色通道上的像素信息,其中,待融合图像包括待校正图像、第一校正图像以及第二校正图像,像素信息包括对比度、饱和度、曝光度;
分别将待融合图像的每一个像素点在三色通道上的像素信息与预设的信息阈值进行比对;
根据像素信息比对结果对待融合图像进行图像融合,得到校正图像。
为了解决上述技术问题,本申请实施例还提供一种基于光场的图像校正装置,采用了如下所述的技术方案:
一种基于光场的图像校正装置,包括:
图像反色模块,用于获取待校正图像,并对待校正图像进行反色处理,得到反色图像;
光场计算模块,用于分别计算反色图像的光场和待校正图像的光场;
图像校正模块,用于根据反色图像的光场对待校正图像进行校正,得到第一校正图像,以及根据待校正图像的光场对待校正图像进行校正,得到第二校正图像;
图像融合模块,用于基于预设融合规则对待校正图像、第一校正图像以及第二校正图像进行图像融合,得到校正图像。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,存储器中存储有计算机可读指令,处理器执行计算机可读指令时实现如上述任一项的基于光场的图像校正方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,计算机可读存储介质上存储有计算机可读指令,计算机可读指令被处理器执行时实现如上述任一项的基于光场的图像校正方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请公开了一种基于光场的图像校正方法、装置、设备及存储介质,属于人工智能技术领域,所述方法通过获取待校正图像的反色图像,若待校正图像为弱爆光,则其反色图像为强曝光,反之则其反色图像为弱曝光。然后通过计算反色图像的光场和待校正图像的光场,分别基于反色图像的光场和待校正图像的光场对待校正图像进行校正,得到第一校正图像以及第二校正图像,因此可以同时实现弱爆光校正图像和强曝光校正图像,最后通过融合待校正图像、第一校正图像以及第二校正图像,可以得到校正图像。在本申请中,无论待校正图像为弱爆光图像或者强曝光图像,都可以得到优秀的图像校正效果,且本申请的图像校正不需要部署两套图像校正算法,也不需要额外部署深度学习网络,大幅度地降低了***资源占用,适合部署在移动终端上。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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。
图1示出了本申请可以应用于其中的示例性***架构图;
图2示出了根据本申请的基于光场的图像校正方法的一个实施例的流程图;
图3示出了根据本申请的基于光场的图像校正方法的一个实施例的输入图像、第一校正图像和第二校正图像;
图4示出了根据本申请的基于光场的图像校正方法的一个实施例的输出图像;
图5示出了图3在R通道下的显示图像;
图6示出了图3在G通道下的显示图像;
图7示出了图3在B通道下的显示图像;
图8示出了根据本申请的基于光场的图像校正装置的一个实施例的结构示意图;
图9示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于光场的图像校正方法一般由终端设备执行,相应地,基于光场的图像校正装置一般设置于终端设备中。
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。
继续参考图2,示出了根据本申请的基于光场的图像校正的方法的一个实施例的流程图。所述的基于光场的图像校正方法,包括以下步骤:
S201,获取待校正图像,并对待校正图像进行反色处理,得到反色图像。
其中,从成像原理上来讲,物体呈现出的像是由反射光的光谱以及吸收光的光谱共同决定。在本申请具体的实施例中,定义暗光场为物体的吸收光谱,明光场为物体的反射光谱,即物体的吸收光谱可以用物体的反色图来获得。需要说明的是,根据成像原理可知,若正常光场的图像为弱曝光图像,则其反色图像必定为强曝光图像,反之,若正常光场的图像为强曝光图像,则其反色图像为弱曝光图像。
具体的,接收用户输入的图像校正指令,获取获取与所述图像校正指令对应的待校正图像,并对待校正图像进行反色处理,得到反色图像。
在本实施例中,基于光场的图像校正方法运行于其上的电子设备(例如图1所示的终端设备)可以通过有线连接方式或者无线连接方式接收用户输入的图像校正指令。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
S202,分别计算反色图像的光场和待校正图像的光场。
具体的,分别设定反色图像的光场初始值和待校正图像的光场初始值,然后通过设定的光场优化指标函数,并基于设定的光场优化指标函数分别对反色图像的光场初始值和待校正图像的光场初始值进行迭代,得到反色图像的光场和待校正图像的光场。在本申请具体的实施例中,基于牛顿法求解最优光场优化指标函数的解,获取函数最优解对应的反色图像的光场和待校正图像的光场。
S203,根据反色图像的光场对待校正图像进行校正,得到第一校正图像,以及根据待校正图像的光场对待校正图像进行校正,得到第二校正图像。
具体的,根据Retinex理论,物体展现的状态由物体本身以及反色光场所决定,即:
I=I×L
其中,这里I指的是被观察到的图像,即待校正图像。I’是物体真实图像,即校正后的图像。L认为图像的光场。则基于Retinex算法,I’可以由以下公式获得:
I'=I×L-1
从这里可以得知,给定的输入图像I,如果能够求得输入图像的光场L,即可获知真实的物体图像I’,这里的输入图像的光场L包括输入图像的本身的光场和输入图像的反色光场。
S204,基于预设融合规则对待校正图像、第一校正图像以及第二校正图像进行图像融合,得到校正图像。
具体的,获取待校正图像、第一校正图像以及第二校正图像的每一个像素点在三色通道上的像素信息,分别将待校正图像、第一校正图像以及第二校正图像的每一个像素点在三色通道上的像素信息与预设的信息阈值进行比对,根据像素信息比对结果对待校正图像、第一校正图像以及第二校正图像进行图像融合,得到校正图像。
本申请公开了一种基于光场的图像校正方法,属于人工智能技术领域,所述方法通过获取待校正图像的反色图像,若待校正图像为弱爆光,则其反色图像为强曝光,反之则其反色图像为弱曝光。然后通过计算反色图像的光场和待校正图像的光场,分别基于反色图像的光场和待校正图像的光场对待校正图像进行校正,得到第一校正图像以及第二校正图像,因此可以同时实现弱爆光校正图像和强曝光校正图像,最后通过融合待校正图像、第一校正图像以及第二校正图像,可以得到校正图像。在本申请中,无论待校正图像为弱爆光图像或者强曝光图像,都可以得到优秀的图像校正效果,且本申请的图像校正不需要部署两套图像校正算法,也不需要额外部署深度学习网络,大幅度地降低了***资源占用,适合部署在移动终端上。
进一步的,获取待校正图像,并对待校正图像进行反色处理,得到反色图像的步骤,具体包括:
获取待校正图像,对待校正图像进行归一化处理;
对归一化处理后的待校正图像进行反色处理,得到反色图像。
具体的,获取待校正图像上每一个点在三色通道上的图像信息,并对每一个点的图像信息通过I_norm=I/(I_max-I_min)进行归一化处理,式中,I_norm为待校正图像上某一个点的归一化结果,归一化结果为0到1的区间之内,I为待校正图像上某一个点的图像信息的值,I_max为待校正图像上图像信息的最大值,I_min为待校正图像上图像信息的最小值。其中,图像信息包括对比度、饱和度、曝光度,三色通道包括电子图像中R、G、B这3个原色通道。通过I_inv=1.0–I_norm对归一化处理后的所述待校正图像进行反色处理,其中,I_inv即为某一通道反色后结果。通过上述实施例,可以快速获得待校正图像的反色图像。
进一步的,分别计算反色图像的光场和待校正图像的光场的步骤,具体包括:
基于预设光场配置策略设置反色图像的光场初始值和待校正图像的光场初始值;
构建光场优化指标函数,基于光场优化指标函数对反色图像的光场初始值进行迭代,得到反色图像的光场,以及基于光场优化指标函数对待校正图像的光场初始值进行迭代,得到待校正图像的光场。
具体的,基于预设光场配置策略设置反色图像的光场初始值和待校正图像的光场初始值,其中,预设预设光场配置策略为比对图像上每一个像素点的光场值,将图像上最大的光场值作为对应图像的光场初始值。基于光场权重矩阵构建光场优化指标函数,并通过牛顿法对光场优化指标函数进行优化,最后基于光场优化指标函数对反色图像的光场初始值进行迭代,得到反色图像的光场,以及基于光场优化指标函数对待校正图像的光场初始值进行迭代,得到待校正图像的光场。
在上述实施例中,通过设置光场初始值,以及构建光场优化指标函数并基于光场优化指标函数对光场初始值进行迭代,得到反色图像的光场和待校正图像的光场。
进一步的,基于预设光场配置策略设置反色图像的光场初始值和待校正图像的光场初始值的步骤,具体包括:
获取反色图像和待校正图像的每一个像素点在三色通道上的光场值;
依次比对每一个像素点在三色通道上的光场值;
根据光场比对结果确定反色图像的光场初始值和待校正图像的光场初始值。
具体的,获取反色图像和待校正图像的每一个像素点在三色通道上的光场值,依次比对每一个像素点在三色通道上的光场值的大小,获取每一个像素点在三色通道上的最大光场值,将每一个像素点在三色通道上的最大光场值作为该像素点的光场初始值。其中,三色通道包括电子图像中R、G、B这3个原色通道。统计反色图像上所有像素点的光场初始值,得到反色图像的光场初始值。同理,统计待校正图像上所有像素点的光场初始值,得到待校正图像的光场初始值。
在上述实施例中,通过比对每一个像素点在三色通道上的光场值的大小确定每一个像素点在三色通道上的最大光场值,将每一个像素点在三色通道上的最大光场值作为该像素点的光场初始值,通过统计整张图像上所有像素点的光场初始值,可以得到整张图像的光场初始值。
进一步的,构建光场优化指标函数,基于光场优化指标函数对反色图像的光场初始值进行迭代,得到反色图像的光场,以及基于光场优化指标函数对待校正图像的光场初始值进行迭代,得到待校正图像的光场的步骤,具体包括:
获取光场权重矩阵,基于光场权重矩阵构建光场优化指标函数;
基于牛顿法对光场优化指标函数进行优化;
分别通过优化后的光场优化指标函数对反色图像的光场初始值和待校正图像的光场初始值进行迭代,得到反色图像的光场和待校正图像的光场。
其中,需要说明的是,牛顿法一般又称为牛顿迭代法(Newton's method),也称为牛顿-拉夫逊(拉弗森)方法(Newton-Raphson method),牛顿法是一种迭代求解方法,采用牛顿法可以解决一个优化问题,所谓优化问题就是指某个问题的解有无数种可能的结果,求解优化问题则是在无数种可能的结果中找到最符合条件的结果。
具体的,在得到反色图像的光场和待校正图像的光场后,将反色图像的光场和待校正图像的光场转化为矩阵形式表示,基于反色图像的光场矩阵和待校正图像的光场矩阵中计算光场权重矩阵,光场权重矩阵包括x方向的光场权重矩阵和y方向的光场权重矩阵,具体表示如下:
其中,ωx,p是在x方向的光场权重矩阵,ωy,p是在y方向的光场权重矩阵,p是指光场矩阵上某个点,L’p是指p点的光场初始值,是指对光场L的x方向求导,是指对光场L的y方向求导,ε是常数,Tx,p、Ty,p为RTV(relative total variation)算子,具体表示如下:
其中,Ω是指一个图像块patch,在本申请中,图像块patch的大小为15x15,p是指光场矩阵上某一个点,q指光场矩阵上另一个点,Gσ(p,q)为高斯函数,其表现形式如下:
其中,Gσ(p,q)是一个e指函数,D(p,q)为p、q两点之间的直线距离,σ是指图像块patch的方差,这样的设计是出于防止计算中出现畸变的考虑,因而设计的一种基于高斯加权的平滑处理。
至此,上述光场优化指标函数的各项参数均已经构建完毕,基于光场权重矩阵构建光场优化指标函数,具体光场优化指标函数表示如下:
其中,Lp是指p点的实质光场值。在本申请具体的实施例中,在构建完成光场优化指标函数之后,需要采用一种方法来找到符合这样条件的光场L,根据上述的优化函数的形式,这是一个含有不等式约束的凸优化问题,本申请采用牛顿法来优化求解该问题。
进一步的,根据反色图像的光场对待校正图像进行校正,得到第一校正图像,以及根据待校正图像的光场对待校正图像进行校正,得到第二校正图像的步骤,具体包括:
基于反色图像的光场和预设的Retinex算法对待校正图像进行校正,得到第一校正图像;以及
基于待校正图像的光场和预设的Retinex算法对待校正图像进行校正,得到第二校正图像。
其中,Retinex是一种常用的建立在科学实验和科学分析基础上的图像增强方法,它是Edwin.H.Land于1963年提出的。就跟Matlab是由Matrix和Laboratory合成的一样,Retinex也是由两个单词合成的一个词语,他们分别是retina和cortex,即:视网膜和皮层。Retinex理论的基础理论是物体的颜色是由物体对长波(红色)、中波(绿色)、短波(蓝色)光线的反射能力来决定的,而不是由反射光强度的绝对值来决定的,物体的色彩不受光照非均匀性的影响,具有一致性,即Retinex是以色感一致性(颜色恒常性)为基础的。不同于传统的线性、非线性的只能增强图像某一类特征的方法,Retinex可以在动态范围压缩、边缘增强和颜色恒常三个方面达到平衡,因此可以对各种不同类型的图像进行自适应的增强。
在上述实施例中,先在服务器中预设Retinex算法规则,在进行图像校正时,基于反色图像的光场和预设的Retinex算法对待校正图像进行校正,得到第一校正图像,基于待校正图像的光场和预设的Retinex算法对待校正图像进行校正,得到第二校正图像。需要说明的是,若待校正图像为弱曝光图像,则反色图像为强曝光图像,则校正时,第一校正图像为强曝光校正图像,第二校正图像为弱曝光校正图像。请参照图3和图4,图3中左边为待校正图像,且待校正图像为弱爆光图像,右边为第一校正图像,中间为第二校正图像,图4为进行融合后的输出图像,即校正图像。
进一步的,基于预设融合规则对待校正图像、第一校正图像以及第二校正图像进行图像融合,得到校正图像的步骤,具体包括:
获取待融合图像的每一个像素点在三色通道上的像素信息,其中,待融合图像包括待校正图像、第一校正图像以及第二校正图像,像素信息包括对比度、饱和度、曝光度;
分别将待融合图像的每一个像素点在三色通道上的像素信息与预设的信息阈值进行比对;
根据像素信息比对结果对待融合图像进行图像融合,得到校正图像。
其中,预设的信息阈值包括对比度阈值、饱和度阈值、曝光度阈值。确定待校正图像、第一校正图像以及第二校正图像上的某一个相互对应的像素点,获取该像素点在三色通道上的对比度、饱和度、曝光度,并分别将该像素点的对比度、饱和度、曝光度与预设的对比度阈值、饱和度阈值、曝光度阈值进行比对,如果对比度、饱和度、曝光度这3组比对结果中都仅存在一组数值大于预设的信息阈值,则将大于预设的信息阈值的像素信息作为融合图像(即校正图像)的像素信息。请参照图5、图6和图7,图5、图6和图7分别示出了图3在R、G、B这3个通道下的表现情况。
在本申请具体的实施例中,假设M0为待校正图像上的一点,M0在R通道上的对比度、饱和度、曝光度分别为a0、b0、c0,M1为第一校正图像上与M0对应的一点,M1在R通道上的对比度、饱和度、曝光度分别为a1、b1、c1,M2为第二校正图像上上与M0对应的一点,M2在R通道上的对比度、饱和度、曝光度分别为a2、b2、c2,且对比度阈值、饱和度阈值、曝光度阈值分别为a、b、c。分别将M0、M1和M2在R通道上的对比度、饱和度、曝光度分别与对比度阈值、饱和度阈值、曝光度阈值进行比对,比对结果为a0>a、a1<a、a2<a,b0<b、b1>b、b2<b,c0<c、c1<c、c2>c,在上述比对结果中,M0、M1和M2在R通道上的对比度、饱和度、曝光度均仅存在一组数值大于预设的信息阈值,因此将大于预设的信息阈值的像素信息作为校正图像的像素信息,即在校正图像上与M0对应的点M4在R通道上的对比度、饱和度、曝光度分别为a0、b1、c2,M4在G、B通道上的对比度、饱和度、曝光度计算方式以及校正图像其余各个点的对比度、饱和度、曝光度的计算方式与M4在R通道上的对比度、饱和度、曝光度的计算过程相同,在此不再赘述。
需要额外说明的是,如果对比度、饱和度、曝光度这3组比对结果中存在多组数值大于预设的信息阈值,如对比度比对结果a0>a、a1>a、a2>a,或比对结果中不存在任意一组数值大于预设的信息阈值,如对比度比对结果a0<a、a1<a、a2<a,则需要基于通过alpha融合的方式来对M0、M1和M2进行融合。具体为,通过以下公式计算图像融合指标:
其中,V表示图像融合指标,k是指上述三个图像所组成的序列,p是指图像某个点的坐标,这里的C,S,E三项分别代表的是对比度、饱和度,曝光度。βs表示融合系数。通过上述式子计算图像融合指标V,然后按照计算的图像融合指标融合M0、M1和M2得到M4。M4在G、B通道上的对比度、饱和度、曝光度计算方式以及校正图像其余各个点的对比度、饱和度、曝光度的计算方式与M4在R通道上的对比度、饱和度、曝光度的计算过程相同,在此不再赘述。
需要说明的是,在获取某个像素点的对比度时,可以使用拉普拉斯滤波器进行计算,这样可获得每一个像素点锐化后的结果,将锐化结果作为像素点的对比度。在获取某个像素点的饱和度时,使用每一个像素点在三通道的标准偏差作为该像素点的饱和度。在获取某个像素点的曝光度时,通过以下公式计算每一个像素点的曝光度:
其中,i是指待计算的图像的某一点在任意一个通道的数值。
本申请公开了一种基于光场的图像校正方法,属于人工智能技术领域,所述方法通过获取待校正图像的反色图像,若待校正图像为弱爆光,则其反色图像为强曝光,反之则其反色图像为弱曝光。然后通过计算反色图像的光场和待校正图像的光场,分别基于反色图像的光场和待校正图像的光场对待校正图像进行校正,得到第一校正图像以及第二校正图像,因此可以同时实现弱爆光校正图像和强曝光校正图像,最后通过融合待校正图像、第一校正图像以及第二校正图像,可以得到校正图像。在本申请中,无论待校正图像为弱爆光图像或者强曝光图像,都可以得到优秀的图像校正效果,且本申请的图像校正不需要部署两套图像校正算法,也不需要额外部署深度学习网络,大幅度地降低了***资源占用,适合部署在移动终端上。
需要强调的是,为进一步保证上述待校正图像的私密和安全性,上述待校正图像还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图8,作为对上述图2所示方法的实现,本申请提供了一种基于光场的图像校正装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例所述的基于光场的图像校正装置包括:
图像反色模块801,用于获取待校正图像,并对待校正图像进行反色处理,得到反色图像;
光场计算模块802,用于分别计算反色图像的光场和待校正图像的光场;
图像校正模块803,用于根据反色图像的光场对待校正图像进行校正,得到第一校正图像,以及根据待校正图像的光场对待校正图像进行校正,得到第二校正图像;
图像融合模块804,用于基于预设融合规则对待校正图像、第一校正图像以及第二校正图像进行图像融合,得到校正图像。
进一步的,图像反色模块801具体包括:
归一化单元,用于获取待校正图像,对待校正图像进行归一化处理;
反色单元,用于对归一化处理后的待校正图像进行反色处理,得到反色图像。
进一步的,光场计算模块302具体包括:
光场配置单元,用于基于预设光场配置策略设置反色图像的光场初始值和待校正图像的光场初始值;
函数构建单元,用于构建光场优化指标函数,基于光场优化指标函数对反色图像的光场初始值进行迭代,得到反色图像的光场,以及基于光场优化指标函数对待校正图像的光场初始值进行迭代,得到待校正图像的光场。
进一步的,光场配置单元具体包括:
光场获取子单元,用于获取反色图像和待校正图像的每一个像素点在三色通道上的光场值;
光场比对子单元,用于依次比对每一个像素点在三色通道上的光场值;
光场配置子单元,用于根据光场比对结果确定反色图像的光场初始值和待校正图像的光场初始值。
进一步的,函数构建单元具体包括:
函数构建子单元,用于获取光场权重矩阵,基于光场权重矩阵构建光场优化指标函数;
函数优化子单元,用于基于牛顿法对光场优化指标函数进行优化;
光场迭代子单元,用于分别通过优化后的光场优化指标函数对反色图像的光场初始值和待校正图像的光场初始值进行迭代,得到反色图像的光场和待校正图像的光场。
进一步的,图像校正模块803具体包括:
第一校正单元,用于基于反色图像的光场和预设的Retinex算法对待校正图像进行校正,得到第一校正图像;以及
第二校正单元,用于基于待校正图像的光场和预设的Retinex算法对待校正图像进行校正,得到第二校正图像。
进一步的,图像融合模块804具体包括:
融合信息获取单元,用于获取待融合图像的每一个像素点在三色通道上的像素信息,其中,待融合图像包括待校正图像、第一校正图像以及第二校正图像,像素信息包括对比度、饱和度、曝光度;
融合信息比对单元,用于分别将待融合图像的每一个像素点在三色通道上的像素信息与预设的信息阈值进行比对;
图像融合单元,用于根据像素信息比对结果对待融合图像进行图像融合,得到校正图像。
本申请公开了一种基于光场的图像校正装置,属于人工智能技术领域,所述方法通过获取待校正图像的反色图像,若待校正图像为弱爆光,则其反色图像为强曝光,反之则其反色图像为弱曝光。然后通过计算反色图像的光场和待校正图像的光场,分别基于反色图像的光场和待校正图像的光场对待校正图像进行校正,得到第一校正图像以及第二校正图像,因此可以同时实现弱爆光校正图像和强曝光校正图像,最后通过融合待校正图像、第一校正图像以及第二校正图像,可以得到校正图像。在本申请中,无论待校正图像为弱爆光图像或者强曝光图像,都可以得到优秀的图像校正效果,且本申请的图像校正不需要部署两套图像校正算法,也不需要额外部署深度学习网络,大幅度地降低了***资源占用,适合部署在移动终端上。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图9,图9为本实施例计算机设备基本结构框图。
所述计算机设备9包括通过***总线相互通信连接存储器91、处理器92、网络接口93。需要指出的是,图中仅示出了具有组件91-93的计算机设备9,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器91至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器91可以是所述计算机设备9的内部存储单元,例如该计算机设备9的硬盘或内存。在另一些实施例中,所述存储器91也可以是所述计算机设备9的外部存储设备,例如该计算机设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器91还可以既包括所述计算机设备9的内部存储单元也包括其外部存储设备。本实施例中,所述存储器91通常用于存储安装于所述计算机设备9的操作***和各类应用软件,例如基于光场的图像校正方法的计算机可读指令等。此外,所述存储器91还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器92在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制所述计算机设备9的总体操作。本实施例中,所述处理器92用于运行所述存储器91中存储的计算机可读指令或者处理数据,例如运行所述基于光场的图像校正方法的计算机可读指令。
所述网络接口93可包括无线网络接口或有线网络接口,该网络接口93通常用于在所述计算机设备9与其他电子设备之间建立通信连接。
本申请公开了一种计算机设备,属于人工智能技术领域,所述方法通过获取待校正图像的反色图像,若待校正图像为弱爆光,则其反色图像为强曝光,反之则其反色图像为弱曝光。然后通过计算反色图像的光场和待校正图像的光场,分别基于反色图像的光场和待校正图像的光场对待校正图像进行校正,得到第一校正图像以及第二校正图像,因此可以同时实现弱爆光校正图像和强曝光校正图像,最后通过融合待校正图像、第一校正图像以及第二校正图像,可以得到校正图像。在本申请中,无论待校正图像为弱爆光图像或者强曝光图像,都可以得到优秀的图像校正效果,且本申请的图像校正不需要部署两套图像校正算法,也不需要额外部署深度学习网络,大幅度地降低了***资源占用,适合部署在移动终端上。
本申请还提供了另一种实施方式,即提供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可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于光场的图像校正方法的步骤。
本申请公开了一种存储介质,属于人工智能技术领域,所述方法通过获取待校正图像的反色图像,若待校正图像为弱爆光,则其反色图像为强曝光,反之则其反色图像为弱曝光。然后通过计算反色图像的光场和待校正图像的光场,分别基于反色图像的光场和待校正图像的光场对待校正图像进行校正,得到第一校正图像以及第二校正图像,因此可以同时实现弱爆光校正图像和强曝光校正图像,最后通过融合待校正图像、第一校正图像以及第二校正图像,可以得到校正图像。在本申请中,无论待校正图像为弱爆光图像或者强曝光图像,都可以得到优秀的图像校正效果,且本申请的图像校正不需要部署两套图像校正算法,也不需要额外部署深度学习网络,大幅度地降低了***资源占用,适合部署在移动终端上。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于光场的图像校正方法,其特征在于,包括:
获取待校正图像,并对所述待校正图像进行反色处理,得到反色图像;
分别计算所述反色图像的光场和所述待校正图像的光场;
根据所述反色图像的光场对所述待校正图像进行校正,得到第一校正图像,以及根据所述待校正图像的光场对所述待校正图像进行校正,得到第二校正图像;
基于预设融合规则对所述待校正图像、所述第一校正图像以及所述第二校正图像进行图像融合,得到校正图像。
2.如权利要求1所述的基于光场的图像校正方法,其特征在于,所述获取待校正图像,并对所述待校正图像进行反色处理,得到反色图像的步骤,具体包括:
获取待校正图像,对所述待校正图像进行归一化处理;
对归一化处理后的所述待校正图像进行反色处理,得到所述反色图像。
3.如权利要求1所述的基于光场的图像校正方法,其特征在于,所述分别计算所述反色图像的光场和所述待校正图像的光场的步骤,具体包括:
基于预设光场配置策略设置所述反色图像的光场初始值和所述待校正图像的光场初始值;
构建光场优化指标函数,基于所述光场优化指标函数对所述反色图像的光场初始值进行迭代,得到所述反色图像的光场,以及基于所述光场优化指标函数对所述待校正图像的光场初始值进行迭代,得到所述待校正图像的光场。
4.如权利要求3所述的基于光场的图像校正方法,其特征在于,所述基于预设光场配置策略设置所述反色图像的光场初始值和所述待校正图像的光场初始值的步骤,具体包括:
获取所述反色图像和所述待校正图像的每一个像素点在三色通道上的光场值;
依次比对每一个像素点在所述三色通道上的光场值;
根据光场比对结果确定所述反色图像的光场初始值和所述待校正图像的光场初始值。
5.如权利要求3所述的基于光场的图像校正方法,其特征在于,所述构建光场优化指标函数,基于所述光场优化指标函数对所述反色图像的光场初始值进行迭代,得到所述反色图像的光场,以及基于所述光场优化指标函数对所述待校正图像的光场初始值进行迭代,得到所述待校正图像的光场的步骤,具体包括:
获取光场权重矩阵,基于所述光场权重矩阵构建光场优化指标函数;
基于牛顿法对所述光场优化指标函数进行优化;
分别通过优化后的所述光场优化指标函数对所述反色图像的光场初始值和所述待校正图像的光场初始值进行迭代,得到所述反色图像的光场和所述待校正图像的光场。
6.如权利要求1至5任意一项所述的基于光场的图像校正方法,其特征在于,所述根据所述反色图像的光场对所述待校正图像进行校正,得到第一校正图像,以及根据所述待校正图像的光场对所述待校正图像进行校正,得到第二校正图像的步骤,具体包括:
基于所述反色图像的光场和预设的Retinex算法对所述待校正图像进行校正,得到第一校正图像;以及
基于所述待校正图像的光场和预设的Retinex算法对所述待校正图像进行校正,得到第二校正图像。
7.如权利要求6所述的基于光场的图像校正方法,其特征在于,所述基于预设融合规则对所述待校正图像、所述第一校正图像以及所述第二校正图像进行图像融合,得到校正图像的步骤,具体包括:
获取待融合图像的每一个像素点在三色通道上的像素信息,其中,所述待融合图像包括所述待校正图像、所述第一校正图像以及所述第二校正图像,所述像素信息包括对比度、饱和度、曝光度;
分别将所述待融合图像的每一个像素点在三色通道上的像素信息与预设的信息阈值进行比对;
根据像素信息比对结果对所述待融合图像进行图像融合,得到校正图像。
8.一种基于光场的图像校正装置,其特征在于,包括:
图像反色模块,用于获取待校正图像,并对所述待校正图像进行反色处理,得到反色图像;
光场计算模块,用于分别计算所述反色图像的光场和所述待校正图像的光场;
图像校正模块,用于根据所述反色图像的光场对所述待校正图像进行校正,得到第一校正图像,以及根据所述待校正图像的光场对所述待校正图像进行校正,得到第二校正图像;
图像融合模块,用于基于预设融合规则对所述待校正图像、所述第一校正图像以及所述第二校正图像进行图像融合,得到校正图像。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于光场的图像校正方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于光场的图像校正方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011504845.6A CN112634182A (zh) | 2020-12-18 | 2020-12-18 | 一种基于光场的图像校正方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011504845.6A CN112634182A (zh) | 2020-12-18 | 2020-12-18 | 一种基于光场的图像校正方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112634182A true CN112634182A (zh) | 2021-04-09 |
Family
ID=75317186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011504845.6A Pending CN112634182A (zh) | 2020-12-18 | 2020-12-18 | 一种基于光场的图像校正方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634182A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511462A (zh) * | 2022-02-11 | 2022-05-17 | 电子科技大学 | 一种视觉图像增强方法 |
CN117405605A (zh) * | 2023-12-15 | 2024-01-16 | 浙江大学 | 高光谱图像获取中消除光场非均匀分布的校正***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180136486A1 (en) * | 2016-07-25 | 2018-05-17 | Magic Leap, Inc. | Light field processor system |
CN109003235A (zh) * | 2018-06-27 | 2018-12-14 | 曜科智能科技(上海)有限公司 | 光场图像的校正方法、计算机可读存储介质、及电子终端 |
CN109040729A (zh) * | 2018-08-16 | 2018-12-18 | Oppo广东移动通信有限公司 | 图像白平衡校正方法、装置、存储介质及终端 |
CN110070503A (zh) * | 2019-04-05 | 2019-07-30 | 马浩鑫 | 基于卷积神经网络的尺度校准方法、***及介质 |
-
2020
- 2020-12-18 CN CN202011504845.6A patent/CN112634182A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180136486A1 (en) * | 2016-07-25 | 2018-05-17 | Magic Leap, Inc. | Light field processor system |
CN109003235A (zh) * | 2018-06-27 | 2018-12-14 | 曜科智能科技(上海)有限公司 | 光场图像的校正方法、计算机可读存储介质、及电子终端 |
CN109040729A (zh) * | 2018-08-16 | 2018-12-18 | Oppo广东移动通信有限公司 | 图像白平衡校正方法、装置、存储介质及终端 |
CN110070503A (zh) * | 2019-04-05 | 2019-07-30 | 马浩鑫 | 基于卷积神经网络的尺度校准方法、***及介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511462A (zh) * | 2022-02-11 | 2022-05-17 | 电子科技大学 | 一种视觉图像增强方法 |
CN114511462B (zh) * | 2022-02-11 | 2023-04-18 | 电子科技大学 | 一种视觉图像增强方法 |
CN117405605A (zh) * | 2023-12-15 | 2024-01-16 | 浙江大学 | 高光谱图像获取中消除光场非均匀分布的校正***及方法 |
CN117405605B (zh) * | 2023-12-15 | 2024-03-05 | 浙江大学 | 高光谱图像获取中消除光场非均匀分布的校正***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104503749B (zh) | 照片处理方法和电子设备 | |
CN111311532B (zh) | 图像处理方法及装置、电子设备、存储介质 | |
JP2021531571A (ja) | 証明書画像抽出方法及び端末機器 | |
WO2023035531A1 (zh) | 文本图像超分辨率重建方法及其相关设备 | |
CN107977946A (zh) | 用于处理图像的方法和装置 | |
CN112634182A (zh) | 一种基于光场的图像校正方法、装置、设备及存储介质 | |
CN104754221A (zh) | 一种拍照方法及移动终端 | |
EP4343616A1 (en) | Image classification method, model training method, device, storage medium, and computer program | |
Jeong et al. | An optimization-based approach to gamma correction parameter estimation for low-light image enhancement | |
Zhang et al. | An approach for underwater image enhancement based on color correction and dehazing | |
CN109993026B (zh) | 亲属识别网络模型的训练方法及装置 | |
CN114298935A (zh) | 图像增强方法、装置及计算机可读存储介质 | |
US11232616B2 (en) | Methods and systems for performing editing operations on media | |
CN111583102B (zh) | 人脸图像处理方法、装置、电子设备及计算机存储介质 | |
CN112801882B (zh) | 图像处理方法及装置、存储介质和电子设备 | |
CN104917969B (zh) | 一种图像处理的方法及移动终端 | |
CN108255995A (zh) | 一种输出图像的方法及装置 | |
CN104835121B (zh) | 基于无穷范数约束与最大熵原则的色调映射方法 | |
CN111402154A (zh) | 图像美颜方法、装置、电子设备及计算机可读存储介质 | |
CN111784726A (zh) | 人像抠图方法和装置 | |
CN114926322B (zh) | 图像生成方法、装置、电子设备和存储介质 | |
WO2022178975A1 (zh) | 基于噪声场的图像降噪方法、装置、设备及存储介质 | |
CN106874835B (zh) | 一种图像处理方法及装置 | |
CN110895789A (zh) | 一种人脸美颜方法及装置 | |
KR101321840B1 (ko) | 퍼지 기반 레티넥스를 이용한 영상 정규화 방법 및 장치 |
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 |