CN112801876A - 信息处理方法、装置及电子设备和存储介质 - Google Patents
信息处理方法、装置及电子设备和存储介质 Download PDFInfo
- Publication number
- CN112801876A CN112801876A CN202110168959.6A CN202110168959A CN112801876A CN 112801876 A CN112801876 A CN 112801876A CN 202110168959 A CN202110168959 A CN 202110168959A CN 112801876 A CN112801876 A CN 112801876A
- Authority
- CN
- China
- Prior art keywords
- image
- reference image
- images
- frames
- auxiliary
- 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.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 33
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 16
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 14
- 238000012549 training Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 230000001960 triggered effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 1
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04845—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range for image manipulation, e.g. dragging, rotation, expansion or change of colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Controls And Circuits For Display Device (AREA)
Abstract
本申请实施例公开了一种信息处理方法、装置及电子设备和存储介质,在获得截屏指令后,响应于该截屏指令,获得N帧图像,该N帧图像至少包括基准图像,该基准图像为响应截屏指令时显示屏的显示输出区域的显示内容的显示图像;基于获得的N帧图像,生成截屏图像;截屏图像至少包括基准图像的显示内容,所述截屏图像的分辨率高于所述基准图像的分辨率。本申请中,在获取截屏图像时,不是直接将响应截屏指令时显示屏的显示输出区域的显示内容的显示图像(即基准图像)作为截屏图像,而是获取至少包括基准图像的N帧图像,基于该N帧图像生成截屏图像,从而能够获取具有较高分辨率的截屏图像。
Description
技术领域
本申请涉及信息处理技术领域,更具体地说,涉及一种信息处理方法、装置及电子设备和存储介质。
背景技术
用户在使用电子设备浏览信息时,常常会通过电子设备提供的截屏功能保存显示屏显示的内容,但目前的截屏功能截取的图像分变率与显示屏的分辨率相同,如果显示屏的分辨率较低,则截取的图像的分辨率也会较低。
因此,如何截屏以获得较高分辨率的截屏图像成为亟待解决的技术问题。
发明内容
本申请的目的是提供一种信息处理方法、装置及电子设备和存储介质,包括如下技术方案:
一种信息处理方法,所述方法包括:
获得截屏指令;
响应于所述截屏指令,获得N帧图像,所述N帧图像至少包括基准图像,所述基准图像为响应所述截屏指令时显示屏的显示输出区域的显示内容的显示图像;
基于所述N帧图像,生成截屏图像;所述截屏图像至少包括所述基准图像的显示内容,所述截屏图像的分辨率高于所述基准图像的分辨率。
上述方法,优选的,所述基于所述N帧图像,生成截屏图像,包括:
基于图像智能引擎处理所述基准图像和与所述基准图像时序相关的M帧辅助图像,生成截屏图像;
所述M帧辅助图像属于所述N帧图像。
上述方法,优选的,所述基于图像智能引擎处理所述基准图像和与所述基准图像时序相关的M帧辅助图像,包括:
根据所述基准图像对所述M帧辅助图像分别进行运动补偿,得到M帧补偿辅助图像;
基于图像智能引擎处理所述基准图像和所述M帧补偿辅助图像,生成截屏图像。
上述方法,优选的,所述根据所述基准图像对所述M帧辅助图像分别进行运动补偿,得到M帧补偿辅助图像,包括:
对于所述辅助图像中的任意一个像素点,获取该像素点与所述基准图像中的对应像素点的误差;
根据所述误差获取所述辅助图像中该像素点对应的权重,其中,所述误差越大,所述辅助图像中该像素点对应的权重越小;
根据所述辅助图像中该像素点对应的权重将该像素点与所述基准图像中的对应像素点加权求和,得到所述辅助图像中该像素点的进行运动补偿后的像素点;
其中,所述辅助图像中该像素点对应的权重与所述基准图像中的对应像素点对应的权重之和为1。
上述方法,优选的,基于图像智能引擎处理所述基准图像和所述M帧补偿辅助图像,生成截屏图像,包括:
对所述基准图像进行插值,得到插值图像;
通过所述图像智能引擎的特征提取层对所述基准图像和所述M帧补偿辅助图像进行特征提取,得到初始特征序列;
通过所述图像智能引擎的残差学习网络层对所述初始特征图序列进行残差特征提取,得到残差特征图序列;
通过所述图像智能引擎的上采样卷积层对所述残差特征图序列进行上采样,得到残差特征图;所述残差特征图表征所述插值图像中的显示内容的细节信息;
通过所述图像智能引擎的残差连接层对所述插值图像和所述残差特征图进行残差连接,得到截屏图像。
上述方法,优选的,所述通过所述图像智能引擎的特征提取层对所述基准图像和所述M帧补偿辅助图像进行特征提取,得到初始特征序列,包括:通过所述特征提取层对所述基准图像和所述M帧补偿辅助图像进行多尺度特征提取,得到多个尺度的特征序列;将所述多个尺度的特征序列融合得到初始特征序列;
所述残差学习网络层中残差块的层数大于阈值。
上述方法,优选的,所述获得N帧图像,包括:
获得基准图像,以及对所述基准图像复制N-1次,得到所述N帧图像;
或者,
在图像序列中获取连续的N帧图像。
一种信息处理装置,包括:
指令获得模块,用于获得截屏指令;
待处理图像获得模块,用于响应于所述截屏指令,获得N帧图像,所述N帧图像至少包括基准图像,所述基准图像为响应所述截屏指令时显示屏的显示输出区域的显示内容的显示图像;
截屏图像生成模块,用于基于所述N帧图像,生成截屏图像;所述截屏图像至少包括所述基准图像的显示内容,所述截屏图像的分辨率高于所述基准图像的分辨率。
一种信息处理设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,实现如上任一项所述的信息处理方法的各个步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上任一项所述的信息处理方法的各个步骤。
通过以上方案可知,本申请提供的一种信息处理方法、装置及电子设备和存储介质,在获得截屏指令后,响应于该截屏指令,获得N帧图像,该N帧图像至少包括基准图像,该基准图像为响应截屏指令时显示屏的显示输出区域的显示内容的显示图像;基于获得的N帧图像,生成截屏图像;截屏图像至少包括基准图像的显示内容,所述截屏图像的分辨率高于所述基准图像的分辨率。本申请中,在获取截屏图像时,不是直接将响应截屏指令时显示屏的显示输出区域的显示内容的显示图像(即基准图像)作为截屏图像,而是获取至少包括基准图像的N帧图像,基于该N帧图像生成截屏图像,从而能够获取具有较高分辨率的截屏图像。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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,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为本申请实施例提供的信息处理方法的一种实现流程图;
图2为本申请实施例提供的基于图像智能引擎处理基准图像和与基准图像时序相关的M帧辅助图像的一种实现流程图;
图3为本申请实施例提供的根据第i帧基准图像对第i帧基准图像对应的M帧辅助图像中的第j帧辅助图像进行运动补偿的一种实现流程图;
图4为本申请实施例提供的基于图像智能引擎处理第i帧基准图像和M帧补偿辅助图像,生成第i帧基准图像对应的截屏图像的一种***架构图;
图5为本申请实施例提供的基于图像智能引擎处理第i帧基准图像和M帧补偿辅助图像,生成第i帧基准图像对应的截屏图像的一种实现流程图;
图6为本申请实施例提供的残差块的一种结构示意图;
图7为本申请实施例提供的信息处理装置的一种结构示意图;
图8为本申请实施例提供的信息处理设备的硬件结构框图。
说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的部分,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例,能够以除了在这里图示的以外的顺序实施。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,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。基于本申请中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供的信息处理方法应用于电子设备中,该电子设备具有显示屏,在该显示屏的显示输出区域输出内容的过程中,用户可以在任意时刻对电子设备进行操作,以使得电子设备获得截屏指令。
本申请实施例提供的信息处理方法的一种实现流程图如图1所示,可以包括:
步骤S101:获得截屏指令。
用户在使用电子设备的过程中,可以在任意时刻对电子设备进行预设操作,以触发电子设备生成截屏指令。
比如,用户在浏览网页的过程中,如果看到想保留的内容,可以触发第一截屏指令,以便获得包含显示屏显示的内容的截屏图像。如果用户想保留的内容比较多,显示屏无法一次显示所有的内容,此时用户可以分多次触发第一截屏指令,每触发一次截屏指令,获取一帧包含显示屏的显示输出区域显示的内容的截屏图像,然后对网页进行拖动,将想保留而未在显示屏显示的内容显示到显示屏的显示输出区域,然后再次触发第一截屏指令,从而可以再次获得一帧包含显示屏的显示输出区域显示的内容的截屏图像,依此类推,直至用户想保留的内容均进行了截图。
可选的,如果用户想保留的内容比较多,用户也可以触发第二截屏指令(也可以称之为滚动截屏指令,或者,长截图指令),以便能够一次获得一帧包含所有想保留的内容的图像,而无需用户执行多次操作。
再比如,用户在观看视频的过程中,如果看到感兴趣的画面,可以在显示屏的显示输出区域显示感兴趣的画面时,触发第一截屏指令,以便获得包含感兴趣画面的截屏图像。另外,如果用户想保存视频中的一个小片段(即保留视频中的连续的多帧图像),可以触发第三截屏指令(也可以称之为录屏指令)以能够获得包含视频中的一个小片段的截屏图像(相当于一动图)。
又比如,用户在查看一张照片,如果用户想截取照片的局部区域,可以将照片放大显示,将感兴趣的局部区域调整到显示屏的显示输出区域进行显示,然后可以触发第一截屏指令,以便获得包含感兴趣区域的截屏图像。
步骤S102:响应于截屏指令,获得N帧图像,该N帧图像至少包括基准图像,基准图像为响应截屏指令时显示屏的显示输出区域的显示内容的显示图像。
该N帧图像为具有关联关系的图像,比如,该N帧图像可以是N帧相同的图像,即N帧图像是同一基准图像,或者,该N帧图像是N帧不同的基准图像,或者,该N帧图像中包至少一帧基准图像,以及至少一帧非基准图像。
比如,在一种可选的场景中,如果用户正在查看一张静态图片,那么,如果用户想截屏保存该图片,可以触发第一截屏指令,则响应第一截屏指令时显示屏的显示输出区域的显示内容的显示图像只有一帧,该帧图像即为基准图像,此时,N帧图像可以是N帧同一基准图像。
在另一可选的场景中,如果用户正在浏览网页,那么,如果用户有想保留的内容,可以触发第一截屏或第二截屏指令,响应第一截屏指令或第二截屏指令时显示屏的显示输出区域的显示内容的显示图像只有一帧,该帧图像即为基准图像,此时,N帧图像可以是N帧同一基准图像。
在又一可选的场景中,如果用户正在浏览网页,那么,如果用户有想保留的内容,可以触发第一截屏或第二截屏指令,则响应第一截屏指令或第二截屏指令时显示屏的显示输出区域的显示内容的显示图像只有一帧,该帧图像即为基准图像,此时,N帧图像可以是基准图像和N-1帧非基准图像。其中,N-1帧非基准图像可以是承载不同的网页片段的图像,其中,每个非基准图像的大小与基准图像的大小相同,N-1帧非基准图像承载的内容与基准图像承载的网页片段构成网页中的连续的网页片段,比如,N-1帧非基准图像承载的网页片段是基准图像承载的网页片段之前的连续N-1个网页片段,或者,是基准图像承载的网页片段之后的连续N-1个网页片段,或者,可以是基准图像承载的网页片段之前的N1个网页片段和基准图像承载的网页片段之后的N2个网页片段,其中,N1+N2=N-1。
在又一可选的场景中,如果用户正在观看视频,那么,如果用户想保留视频中的某个小片段,可以触发第三截屏指令,则响应第三截屏指令时显示屏的显示输出区域的显示内容的显示图像为多帧,该多帧图像均为基准图像,且该多帧基准图像是不同的,此时,N帧图像可以为响应第三截屏指令时显示屏的显示输出区域显示的多帧图像,即N帧图像为N帧不同的基准图像。
在又一可选的场景中,如果用户正在观看视频,那么,如果用户想保留视频中的某个小片段,可以触发第三截屏指令,则响应第三截屏指令时显示屏的显示输出区域的显示内容的显示图像为多帧,该多帧图像均为基准图像,且该多帧基准图像是不同的,此时,N帧图像可以包括响应第三截屏指令时显示屏的显示输出区域显示的多帧图像,以及至少一帧非基准图像。
在又一种可选的场景中,如果用户正在观看视频,那么,如果用户想保留视频中的某个画面,可以触发第一截屏指令,则响应第一截屏指令时显示屏的显示输出区域的显示内容的显示图像只有一帧,该帧图像即为基准图像,此时,N帧图像可以是基准图像和N-1帧非基准图像。其中,N帧图像可以是视频中连续的N帧图像,比如,N-1帧非基准图像是视频中基准图像之前的N-1帧图像,或者,是视频中基准图像之后的N-1帧图像,或者,是基准图像之前的N1帧图像和基准图像之后的N2帧图像,其中,N1+N2=N-1。
综上,本申请实施例中,获得N帧图像可以是获得的一帧基准图像,以及对基准图像复制N-1次得到N帧基准图像;或者,获得N帧图像可以是在图像序列(比如视频中的图像序列)中获取连续的N帧图像。
通常,电子设备在输出图像之前,会对图像进行处理,使得图像的分辨率与显示屏的分辨率相适应,因此,N帧图像的分辨率均为显示屏的分辨率。
步骤S103:基于所述N帧图像,生成截屏图像;所述截屏图像至少包括所述基准图像的显示内容,所述截屏图像的分辨率高于基准图像的分辨率。
截屏图像可以为一帧静态图像,也可以是由多帧图像构成的动态图像。可选的,在截屏指令指示截取一帧图像的情况下,截屏图像为一帧静态图像,在截屏指令(比如,录屏指令)指示截取多帧图像的情况下,截屏图像为由多帧图像构成的动态图像。
本申请实施例提供的信息处理方法,在获取截屏图像时,不是直接将响应截屏指令时显示屏的显示输出区域的显示内容的显示图像(即基准图像)作为截屏图像,而是获取至少包括基准图像的N帧图像,基于该N帧图像生成具有较高分辨率的截屏图像,且该截屏图像的内容包含基准图像的显示内容。提供了一种新的截屏方法。
在一可选的实施例中,上述信息处理方法可以在终端设备侧执行,或者,可以由终端设备和云端设备联合执行,具体的,上述步骤S101~S102可以由终端设备完成,终端设备将N帧图像发送给云端设备,由云端设备基于接收到的N帧图像,生成截屏图像,并将截屏图像返回给终端设备。
在一可选的实施例中,上述基于N帧图像,生成截屏图像的一种实现方式可以为:
基于图像智能引擎处理基准图像和与基准图像时序相关的M帧辅助图像,生成截屏图像。
其中,上述M帧辅助图像属于上述N帧图像。在基准图像有多帧的情况下,M帧辅助图像中可能会包括基准图像,也可能不包括基准图像。
如前所述,N帧图像中包含至少一帧基准图像。本申请实施例中,对于每一帧基准图像,均可以基于图像智能引擎处理该基准图像和与该基准图像时序相关的M帧辅助图像,生成该基准图像对应的截屏图像。也就是说,对于第i帧基准图像,可以基于图像智能引擎处理该第i帧基准图像和与该第i帧基准图像时序相关的M帧辅助图像,生成第i帧基准图像对应的截屏图像,该第i帧基准图像为至少一帧基准图像中的任意一帧基准图像。
可选的,在N帧图像为N帧同一基准图像的情况下,基准图像与辅助图像是同一图像。此时,M=N-1。
在N帧图像仅包括一帧基准图像的情况下,M帧辅助图像中不包括基准图像,仅包括非基准图像。M帧辅助图像可以是视频中位于基准图像之前的M帧图像(即已经显示过的图像),或者,可以是视频中位于基准图像之后的M帧图像(即还未显示的图像),或者,可以是视频中位于基准图像之前的M1帧图像和位于基准图像之后的M2帧图像,其中,M1+M2=M。此时第i帧基准图像和与第i帧基准图像时序相关的M帧辅助图像构成M+1帧图像为视频中连续的M+1帧图像。此时,M=N-1。
在N帧图像为N帧不同的基准图像的情况下,M帧辅助图像为M帧不同的基准图像,此时第i帧基准图像和与第i帧基准图像时序相关的M帧辅助图像构成M+1帧图像为视频中连续的M+1帧图像。此时,M=N-1,或者,M<N-1。
在N帧图像包括多帧基准图像,以及至少一帧非基准图像的情况下,M帧辅助图像中可能为不同的基准图像,也可能只包含非基准图像,或者,包含部分基准图像,部分非基准图像。此时第i帧基准图像和与第i帧基准图像时序相关的M帧辅助图像构成M+1帧图像为视频中的连续的M+1帧图像。此时,M=N-1,或者,M<N-1。
在一可选的实施例中,上述基于图像智能引擎处理基准图像和与基准图像时序相关的M帧辅助图像的一种实现流程图如图2所示,可以包括:
步骤S201:根据基准图像对M帧辅助图像分别进行运动补偿,得到M帧补偿辅助图像。
现有技术中,在显示屏的显示输出区域输出的内容为动态内容的情况下,比如输出视频或动图的情况下,如果辅助图像帧中的运动对象相对于基准图像中的同一对象发生较大的运动位移或运动模糊,或者,辅助图像相对于基准图像出现场景变化,生成的截屏图像易出现边界效应和伪像现象。
本申请实施例中,为了避免截屏图像出现边界效应和伪像现象,根据基准图像对每一帧辅助图像分别进行运动补偿,以降低或消除辅助图像帧中的运动对象相对于基准图像中的同一对象发生较大的运动位移或运动模糊,或者,场景变化对截屏图像的影响。
具体的,对应第i帧基准图像,根据第i帧基准图像对第i帧基准图像对应的M帧辅助图像中的每一帧辅助图像分别进行运动补偿。
可选的,根据第i帧基准图像对第i帧基准图像对应的M帧辅助图像中的第j帧辅助图像进行运动补偿的一种实现方式可以为:
将第j帧辅助图像与第i帧基准图像加权求和,得到第j帧补偿辅助图像。其中,第j帧辅助图像与第i帧基准图像的差异越大,第j帧辅助图像对应的权重越小;第j帧辅助图像与第i帧基准图像的差异越小,第j帧辅助图像对应的权重越大。第j帧辅助图像对应的权重与第i帧基准图像对应的权重之和为1。
可选的,第j帧辅助图像与第i帧基准图像的差异可以为第j帧辅助图像与第i帧基准图像间的距离,比如,可以是欧式距离,或者,可以是曼哈顿距离,或者,可以是相关距离等。
上述实施例中,第j帧辅助图像中不同位置的像素的权重是相同的,第i帧基准图像中的不同位置的像素的权重也是相同的。基于该实现方式生成的截屏图像中,边界效应和伪像现象出现的概率降低了,但仍有进一步降低的空间,基于此,本申请实施例提供的根据第i帧基准图像对第i帧基准图像对应的M帧辅助图像中的第j帧辅助图像进行运动补偿的一种实现流程图如图3所示,可以包括:
步骤S301:对于第j帧辅助图像中的任意一个像素点(为便于叙述,将第j帧辅助图像中位置(a,b)处的像素记为j(a,b)),获取该像素点j(a,b)与第i帧基准图像中的对应像素点(为便于叙述,将第i帧基准图像中位置(a,b)处的像素记为i(a,b))的误差(为便于叙述,记为e(a,b))。
e(a,b)可以为素点j(a,b)与像素点i(a,b)的差值的绝对值。
步骤S302:根据上述误差e(a,b)获取第j帧辅助图像中该像素点j(a,b)对应的权重α(a,b),其中,误差e(a,b)越大,第i帧辅助图像中该像素点j(a,b)对应的权重α(a,b)越小。
可选的,可以根据预先确定的误差范围与权重的对应关系确定第j帧辅助图像中该像素点j(a,b)对应的权重α(a,b),即先确定误差e(a,b)所属的误差范围,将该误差范围对应的权重作为像素点j(a,b)对应的权重。
或者,
可以根据预设的权重与误差的关联关系计算得到权重。作为示例,像素点j(a,b)对应的权重α(a,b)可以通过如下关联关系计算得到:
α(a,b)=exp(-k·e(a,b)) (1)
其中,k为常数。
步骤S303:根据第j帧辅助图像中该像素点j(a,b)对应的权重将该像素点j(a,b)与第i帧基准图像中的对应像素点i(a,b)加权求和,得到第j帧辅助图像中该像素点j(a,b)的进行运动补偿后的像素点
其中,第j帧辅助图像中该像素点j(a,b)对应的权重与第i帧基准图像中的对应像素点i(a,b)对应的权重之和为1。具体可以用公式表示为:
步骤S202:基于图像智能引擎处理基准图像和M帧补偿辅助图像,生成截屏图像。
本申请实施例中,第j帧辅助图像中不同位置的像素的权重可能是不同的,第i帧基准图像中的不同位置的像素的权重也可能是不同的,从而进一步降低了截屏图像中的边界效应和伪像现象出现的概率。
在一可选的实施例中,请参阅图4,图4为本申请实施例提供的基于图像智能引擎处理第i帧基准图像和M帧补偿辅助图像,生成第i帧基准图像对应的截屏图像的一种***架构图。该***架构图中,包括两个分支,一个分支(为便于叙述,记为第一分支)是将第i帧基准图像输入到插值模块,由插值模块对第i帧基准图像进行插值,得到第i帧基准图像的插值图像,该插值图像的分辨率高于第i帧基准图像的分辨率。插值得到的图像容易出现高频分量受损,或者,存在严重的震荡和过平滑问题。为了克服插值图像存在的问题,本申请实施例中,通过另一个分支获得表征插值图像中的内容细节的残差特征图,通过该残差特征图对插值得到的图像进行修正,从而克服插值图像存在的问题。具体的,另一个分支(为便于叙述,记为第二分支)是将M+1帧图像(即第i帧基准图像和M帧补偿辅助图像)输入到图像智能引擎中,由图像智能引擎对M+1帧图像依次进行特征提取、残差学习、上采样卷积和残差连接,得到表征插值图像中的内容细节的残差特征图,将残差特征图与第一分支得到的插值图像进行残差连接,以便对插值图像进行的细节补充,从而得到具有较高分辨率且细节(即图像中的高频分量,具体可以为:图像中的边缘分界处、非边缘区域的纹理等信息)清晰的截屏图像。
如图5所示,图5为本申请实施例提供的基于图像智能引擎处理第i帧基准图像和M帧补偿辅助图像,生成第i帧基准图像对应的截屏图像的一种实现流程图,可以包括:
步骤S501:对第i帧基准图像进行插值,得到第i帧基准图像的插值图像。
可以采用双线性插值方法对第i帧基准图像进行插值,或者,可以采用双三次插值方法对第i帧基准图像进行插值。
步骤S502:通过图像智能引擎的特征提取层对第i帧基准图像和第i帧基准图像对应的M帧补偿辅助图像进行特征提取,得到初始特征序列。
在一可选的实施例中,可以通过特征提取层对M+1帧图像(即第i帧基准图像和第i帧基准图像对应的M帧补偿辅助图像)进行单一尺度特征提取,得到初始特征序列。
在一可选的实施例中,可以通过特征提取层对M+1帧图像(即第i帧基准图像和第i帧基准图像对应的M帧补偿辅助图像)进行多尺度特征提取,得到多个尺度的特征序列,将多个尺度的特征序列融合得到初始特征序列。
可选的,通过特征提取层对M+1帧图像进行多尺度特征提取的一种实现方式可以为:
通过特征提取层的第一层卷积层对M+1帧图像进行第一尺度的特征提取,得到中间特征图序列(为便于叙述,记为第一中间特征图序列)。其中,第一卷积层中卷积核的大小为f11×f11,卷积核的数量为C1,则第一卷积层的输入通道数为M+1,输出通道数为C1,也就是说,第一中间特征图序列中图像的帧数为C1。
通过特征提取层的第二层卷积层对第一中间特征图序列进行两个尺度的特征提取,具体可以为:通过特征提取层的第二层卷积层对第一中间特征图序列进行第二尺度的特征提取,得到另一中间特征图序列(为便于叙述,记为第二中间特征图序列),以及通过特征提取层的第二层卷积层对第一中间特征图序列进行第三尺度的特征提取,得到又一中间特征图序列(为便于叙述,记为第三中间特征图序列)。其中,第二层卷积层的输入通道数为C1,第二层卷积层的输出通道数为C2,第二层卷积层对第一中间特征图序列进行第二尺度的特征提取时使用的卷积核的大小为f21×f21,卷积核的数量为C2,则第二中间特征图序列中图像的帧数为C2。第二层卷积层对第一中间特征图序列进行第三尺度的特征提取时使用的卷积核的大小为f22×f22,卷积核的数量为C2,则第二中间特征图序列中图像的帧数为C2。将多个尺度的特征序列融合具体可以为将第二中间特征图序列和第三中间特征图序列在深度上叠加,即将第二中间特征图序列和第三中间特征图序列拼接成一个帧数为C2+C2=2×C2的一个特征图序列,也就是说,初始特征图序列的帧数为2×C2。其中,f21和f11可以相同,也可以不同,f22和f11可以相同,也可以不同,而f21和f22不同。
需要注意的是,第二中间特征图序列的特征图与第三中间特征图序列中的特征图的大小相同,而在卷积核的大小确定的情况下,基于卷积核提取的特征图的大小与第一中间特征图序列中特征图的大小以及卷积核的移动步长(stride)有关。因而,对应大小为f21×f21的卷积核和大小为f22×f22的卷积核,在利用这两个卷积核进行特征提取时,可以控制这两个卷积核的移动步长,和/或,在第一特征图序列中的特征图的边缘用像素进行填充(padding),以获得较大尺寸的特征图来进行特征提取,从而使得基于大小为f21×f21的卷积核和大小为f22×f22的卷积核提取到的第二中间特征图序列的特征图与第三中间特征图序列中的特征图的大小相同。具体如何控制两个卷积核的移动步长,和/或,在第一特征图序列中的特征图的边缘用像素进行填充(padding)可以参看已有的方案,由于其不是本申请的重点,这里不在赘述。
步骤S503:通过图像智能引擎的残差学习网络层对初始特征图序列进行残差特征提取,得到残差特征图序列。
残差学习的目的是为了克服深度神经网络的退化问题,网络退化是指:在不断增加神经网络的深度时,会出现一个退化(Degradation)的问题,即随着网络深度的增加准确率会先上升然后达到饱和,再持续增加深度则会导致准确率下降。有了残差学习网络层,即使图像智能引擎的网络深度极深,在网络准确率达到饱和后也不会出现网络退化问题了。
本申请实施例中,残差学习网络层由d层残差块串联组成。各个残差块的结构可以相同,如图6所示,为本申请实施例提供的残差块的一种结构示意图,该示例中,残差块包括两个卷积层conv1和conv2,两个批处理归一化层BN1和BN2,两个非线性激活函数层Relu1和Relu2。其中,x表示残差块的输入,G(x)表示残块的输出,W1表征卷积层conv1的参数,W2表征卷积层conv2的参数,BN1和BN2均没有参数,σ1表征非线性激活函数层Relu1的参数,σ2表征非线性激活函数层Relu2的参数,则:
G(x)=σ2(H(x))
H(x)=F(x)+x
F(x)=BN2(W2*σ1(BN1(W1*x)))
公式中的BN1()和BN2()均表示批处理归一化运算;“*”表示卷积运算。
可选的,残差块的层数d大于阈值。作为示例,残差块的层数d大于7。
步骤S504:通过图像智能引擎的上采样卷积层对残差特征图序列进行上采样,得到残差特征图。
可选的,可以通过图像智能引擎的上采样卷积层对残差特征图序列进行亚像素卷积,得到残差特征图。
假设残差特征图序列中残差特征图的帧数为r2,亚像素卷积的本质是将r2个低分辨率特征图,按照特定的位置,周期性的***到高分辨率特征图像中(实质是将r2个低分辨率特征图中的像素重新排列组合),假设r2个低分辨率特征图中的每个特征图的大小为H×W×C,其中,H、W和C分别为特征图的长、宽、和通道数,则将r2个低分辨率特征图中的像素重新排列组合得到的高分辨率特征图像的大小为rH×rW×C。
步骤S505:通过图像智能引擎的残差连接层对插值图像和残差特征图进行残差连接,得到截屏图像。
可选的,残差特征图的大小与插值图像的大小相同,则对插值图像和残差特征图进行残差连接具体可以为,将插值图像与残差特征图求和,得到截屏图像。
在一可选的实施例中,图像智能引擎可以为预先训练好的深度申请网络模型。图像智能引擎可以通过如下方式训练得到:
将至少一个训练样本输入图像智能引擎,得到图像智能引擎输出的每个训练样本对应的高分辨率图像;其中,每个训练样本包括一基准图像和与基准图像相关的M帧辅助图像;每个训练样本对应的高分辨率图像的分辨率高于该训练样本中基准图像的分辨率,每个训练样本对应的高分辨率图像包括该训练样本中的基准图像的内容;
以智能引擎输出的高分辨率图像与训练样本对应的真实高分辨率图像的差异趋近于零为目标对图像智能引擎的参数进行更新;
返回执行上述将至少一个训练样本输入图像智能引擎,得到图像智能引擎输出的每个训练样本对应的高分辨率图像的过程,直至满足训练结束条件(比如,训练次数达到预设次数,或者,智能引擎输出的高分辨率图像与训练样本对应的真实高分辨率图像的差异满足一定条件等)。
可选的,智能引擎输出的高分辨率图像与训练样本对应的真实高分辨率图像的差异可以通过损失函数确定。作为示例,损失函数L可以为:
L=ρ·MSE+(1-ρ)(1-SSIM)
其中,ρ为定义在0到1范围内的常数。
MSE(Mean square error)为均方误差,定义为:
SSIM(Structural similarity index)为结构相似性,定义为:
其中,y表示真实高分辨率图像,表示智能引擎输出的高分辨率图像;uy表示真实高分辨率图像中所有像素的均值,表示智能引擎输出的高分辨率图像中所有像素的均值;βy表示真实高分辨率图像中所有像素的标准差,表示智能引擎输出的高分辨率图像中所有像素的标准差,表示智能引擎输出的高分辨率图像与真实高分辨率图像的交叉协方差;c1和c2均为常数。
与方法实施例相对应,本申请实施例还提供一种信息处理装置,本申请实施例提供的信息处理装置的一种结构示意图如图7所示,可以包括:
指令获得模块701,待处理图像获得模块702和截屏图像生成模块703;其中,
指令获得模块701用于获得截屏指令;
待处理图像获得模块702用于响应于所述截屏指令,获得N帧图像,所述N帧图像至少包括基准图像,所述基准图像为响应所述截屏指令时显示屏的显示输出区域的显示内容的显示图像;
截屏图像生成模块703用于基于所述N帧图像,生成截屏图像;所述截屏图像至少包括所述基准图像的显示内容,所述截屏图像的分辨率高于所述基准图像的分辨率。
本申请实施例提供的信息处理方法,在获取截屏图像时,不是直接将响应截屏指令时显示屏的显示输出区域的显示内容的显示图像(即基准图像)作为截屏图像,而是获取至少包括基准图像的N帧图像,基于该N帧图像生成具有较高分辨率的截屏图像,且该截屏图像的内容包含基准图像的显示内容。提供了一种新的截屏方案。
在一可选的实施例中,所述截屏图像生成模块703用于:
基于图像智能引擎处理所述基准图像和与所述基准图像时序相关的M帧辅助图像,生成截屏图像;
所述M帧辅助图像属于所述N帧图像。
在一可选的实施例中,所述截屏图像生成模块703包括:
补偿模块,用于根据所述基准图像对所述M帧辅助图像分别进行运动补偿,得到M帧补偿辅助图像;
处理模块,用于基于图像智能引擎处理所述基准图像和所述M帧补偿辅助图像,生成截屏图像。
在一可选的实施例中,所述补偿模块包括:
误差获取模块,用于对于所述辅助图像中的任意一个像素点,获取该像素点与所述基准图像中的对应像素点的误差;
权重获取模块,用于根据所述误差获取所述辅助图像中该像素点对应的权重,其中,所述误差越大,所述辅助图像中该像素点对应的权重越小;
加权模块,用于根据所述辅助图像中该像素点对应的权重将该像素点与所述基准图像中的对应像素点加权求和,得到所述辅助图像中该像素点的进行运动补偿后的像素点;
其中,所述辅助图像中该像素点对应的权重与所述基准图像中的对应像素点对应的权重之和为1。
在一可选的实施例中,所述处理模块包括:
插值模块,用于对所述基准图像进行插值,得到插值图像;
第一特征提取模块,用于通过所述图像智能引擎的特征提取层对所述基准图像和所述M帧补偿辅助图像进行特征提取,得到初始特征序列;
第二特征提取模块,用于通过所述图像智能引擎的残差学习网络层对所述初始特征图序列进行残差特征提取,得到残差特征图序列;
第三特征提取模块,用于通过所述图像智能引擎的上采样卷积层对所述残差特征图序列进行上采样,得到残差特征图;所述残差特征图表征所述插值图像中的显示内容的细节信息;
连接模块,用于通过所述图像智能引擎的残差连接层对所述插值图像和所述残差特征图进行残差连接,得到截屏图像。
在一可选的实施例中,所述第一特征提取模块用于:通过所述特征提取层对所述基准图像和所述M帧补偿辅助图像进行多尺度特征提取,得到多个尺度的特征序列;将所述多个尺度的特征序列融合得到初始特征序列;
所述残差学习网络层中残差块的层数大于阈值。
在一可选的实施例中,所述待处理图像获得模块702用于:
获得基准图像,以及对所述基准图像复制N-1次,得到所述N帧图像;
或者,
在图像序列中获取连续的N帧图像。
与方法实施例相对应,本申请还提供一种信息处理设备,如终端、服务器等。其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑等移动端,也可以是台式计算机等,但并不局限于此。在一些实施例中,上述终端或服务器可以是一个分布式***中的一个节点,其中,该分布式***可以为区块链***,该区块链***可以是由该多个节点通过网络通信的形式连接形成的分布式***。其中,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链***中的一个节点。
本申请实施例提供的信息处理设备的硬件结构框图的示例图如图8所示,可以包括:
处理器1,通信接口2,存储器3和通信总线4;
其中处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
可选的,通信接口2可以为通信模块的接口,如GSM模块的接口;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本申请实施例的一个或多个集成电路。
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
其中,处理器1具体用于执行存储器3中存储的计算机程序,以执行如下步骤:
获得截屏指令;
响应于所述截屏指令,获得N帧图像,所述N帧图像至少包括基准图像,所述基准图像为响应所述截屏指令时显示屏的显示输出区域的显示内容的显示图像;
基于所述N帧图像,生成截屏图像;所述截屏图像至少包括所述基准图像的显示内容,所述截屏图像的分辨率高于所述基准图像的分辨率。
可选的,所述计算机程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种可读存储介质,该存储介质可存储有适于处理器执行的计算机程序,所述计算机程序用于:
获得截屏指令;
响应于所述截屏指令,获得N帧图像,所述N帧图像至少包括基准图像,所述基准图像为响应所述截屏指令时显示屏的显示输出区域的显示内容的显示图像;
基于所述N帧图像,生成截屏图像;所述截屏图像至少包括所述基准图像的显示内容,所述截屏图像的分辨率高于所述基准图像的分辨率。
可选的,所述计算机程序的细化功能和扩展功能可参照上文描述。
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。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所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。
应当理解,本申请实施例中,从权、各个实施例、特征可以互相组合结合,都能实现解决前述技术问题。
所述功能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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种信息处理方法,所述方法包括:
获得截屏指令;
响应于所述截屏指令,获得N帧图像,所述N帧图像至少包括基准图像,所述基准图像为响应所述截屏指令时显示屏的显示输出区域的显示内容的显示图像;
基于所述N帧图像,生成截屏图像;所述截屏图像至少包括所述基准图像的显示内容,所述截屏图像的分辨率高于所述基准图像的分辨率。
2.根据权利要求1所述的方法,所述基于所述N帧图像,生成截屏图像,包括:
基于图像智能引擎处理所述基准图像和与所述基准图像时序相关的M帧辅助图像,生成截屏图像;
所述M帧辅助图像属于所述N帧图像。
3.根据权利要求2所述的方法,所述基于图像智能引擎处理所述基准图像和与所述基准图像时序相关的M帧辅助图像,包括:
根据所述基准图像对所述M帧辅助图像分别进行运动补偿,得到M帧补偿辅助图像;
基于图像智能引擎处理所述基准图像和所述M帧补偿辅助图像,生成截屏图像。
4.根据权利要求3所述的方法,所述根据所述基准图像对所述M帧辅助图像分别进行运动补偿,得到M帧补偿辅助图像,包括:
对于所述辅助图像中的任意一个像素点,获取该像素点与所述基准图像中的对应像素点的误差;
根据所述误差获取所述辅助图像中该像素点对应的权重,其中,所述误差越大,所述辅助图像中该像素点对应的权重越小;
根据所述辅助图像中该像素点对应的权重将该像素点与所述基准图像中的对应像素点加权求和,得到所述辅助图像中该像素点的进行运动补偿后的像素点;
其中,所述辅助图像中该像素点对应的权重与所述基准图像中的对应像素点对应的权重之和为1。
5.根据权利要求3所述的方法,基于图像智能引擎处理所述基准图像和所述M帧补偿辅助图像,生成截屏图像,包括:
对所述基准图像进行插值,得到插值图像;
通过所述图像智能引擎的特征提取层对所述基准图像和所述M帧补偿辅助图像进行特征提取,得到初始特征序列;
通过所述图像智能引擎的残差学习网络层对所述初始特征图序列进行残差特征提取,得到残差特征图序列;
通过所述图像智能引擎的上采样卷积层对所述残差特征图序列进行上采样,得到残差特征图;所述残差特征图表征所述插值图像中的显示内容的细节信息;
通过所述图像智能引擎的残差连接层对所述插值图像和所述残差特征图进行残差连接,得到截屏图像。
6.根据权利要求5所述的方法,所述通过所述图像智能引擎的特征提取层对所述基准图像和所述M帧补偿辅助图像进行特征提取,得到初始特征序列,包括:通过所述特征提取层对所述基准图像和所述M帧补偿辅助图像进行多尺度特征提取,得到多个尺度的特征序列;将所述多个尺度的特征序列融合得到初始特征序列;
所述残差学习网络层中残差块的层数大于阈值。
7.根据权利要求2-5任意一项所述的方法,所述获得N帧图像,包括:
获得基准图像,以及对所述基准图像复制N-1次,得到所述N帧图像;
或者,
在图像序列中获取连续的N帧图像。
8.一种信息处理装置,包括:
指令获得模块,用于获得截屏指令;
待处理图像获得模块,用于响应于所述截屏指令,获得N帧图像,所述N帧图像至少包括基准图像,所述基准图像为响应所述截屏指令时显示屏的显示输出区域的显示内容的显示图像;
截屏图像生成模块,用于基于所述N帧图像,生成截屏图像;所述截屏图像至少包括所述基准图像的显示内容,所述截屏图像的分辨率高于所述基准图像的分辨率。
9.一种信息处理设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,实现如权利要求1-7中任一项所述的信息处理方法的各个步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1-7中任一项所述的信息处理方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110168959.6A CN112801876B (zh) | 2021-02-07 | 信息处理方法、装置及电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110168959.6A CN112801876B (zh) | 2021-02-07 | 信息处理方法、装置及电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801876A true CN112801876A (zh) | 2021-05-14 |
CN112801876B CN112801876B (zh) | 2024-07-26 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113938631A (zh) * | 2021-11-29 | 2022-01-14 | 青岛信芯微电子科技股份有限公司 | 一种基准监视器、图像帧截取方法及*** |
CN114554133A (zh) * | 2022-02-22 | 2022-05-27 | 联想(北京)有限公司 | 一种信息处理方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8508751B1 (en) * | 2010-01-28 | 2013-08-13 | Pathway Innovations And Technologies, Inc. | Capturing real-time video with zooming capability and scanning high resolution still images of documents using the same apparatus |
CN109525874A (zh) * | 2018-09-27 | 2019-03-26 | 维沃移动通信有限公司 | 一种截屏方法及终端设备 |
CN111047516A (zh) * | 2020-03-12 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN111399735A (zh) * | 2020-04-16 | 2020-07-10 | Oppo广东移动通信有限公司 | 一种截屏方法、截屏装置、电子设备和存储介质 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8508751B1 (en) * | 2010-01-28 | 2013-08-13 | Pathway Innovations And Technologies, Inc. | Capturing real-time video with zooming capability and scanning high resolution still images of documents using the same apparatus |
CN109525874A (zh) * | 2018-09-27 | 2019-03-26 | 维沃移动通信有限公司 | 一种截屏方法及终端设备 |
CN111047516A (zh) * | 2020-03-12 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN111399735A (zh) * | 2020-04-16 | 2020-07-10 | Oppo广东移动通信有限公司 | 一种截屏方法、截屏装置、电子设备和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113938631A (zh) * | 2021-11-29 | 2022-01-14 | 青岛信芯微电子科技股份有限公司 | 一种基准监视器、图像帧截取方法及*** |
CN113938631B (zh) * | 2021-11-29 | 2023-11-03 | 青岛信芯微电子科技股份有限公司 | 一种基准监视器、图像帧截取方法及*** |
CN114554133A (zh) * | 2022-02-22 | 2022-05-27 | 联想(北京)有限公司 | 一种信息处理方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11354785B2 (en) | Image processing method and device, storage medium and electronic device | |
CN108022212B (zh) | 高分辨率图片生成方法、生成装置及存储介质 | |
CN111402139B (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
Zhang et al. | Non-local kernel regression for image and video restoration | |
Bevilacqua et al. | Single-image super-resolution via linear mapping of interpolated self-examples | |
CN110163237B (zh) | 模型训练及图像处理方法、装置、介质、电子设备 | |
US9258518B2 (en) | Method and apparatus for performing super-resolution | |
JP4157568B2 (ja) | 画像の高解像度化方法及び装置 | |
CN110570356B (zh) | 图像处理方法和装置、电子设备及存储介质 | |
US9076234B2 (en) | Super-resolution method and apparatus for video image | |
TWI714397B (zh) | 視頻處理方法、裝置以及電腦儲存介質 | |
CN112602088B (zh) | 提高弱光图像的质量的方法、***和计算机可读介质 | |
EP4207051A1 (en) | Image super-resolution method and electronic device | |
Dai et al. | Sparse representation-based multiple frame video super-resolution | |
CN108876716B (zh) | 超分辨率重建方法及装置 | |
CN113096013B (zh) | 基于成像建模和知识蒸馏的盲图像超分辨重建方法及*** | |
Jeong et al. | Multi-frame example-based super-resolution using locally directional self-similarity | |
Nandi et al. | Sparse representation based multi‐frame image super‐resolution reconstruction using adaptive weighted features | |
US20150324953A1 (en) | Method and apparatus for performing single-image super-resolution | |
CN112801876B (zh) | 信息处理方法、装置及电子设备和存储介质 | |
CN112801876A (zh) | 信息处理方法、装置及电子设备和存储介质 | |
CN114445277A (zh) | 深度图像像素增强方法、装置及计算机可读存储介质 | |
Liu et al. | Depth map up-sampling with fractal dimension and texture-depth boundary consistencies | |
US9911178B2 (en) | System and method for content-adaptive super-resolution via cross-scale self-learning | |
CN113674154A (zh) | 一种基于生成对抗网络的单幅图像超分辨率重建方法及*** |
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 |