CN113012188A - 图像融合方法、装置、计算机设备和存储介质 - Google Patents
图像融合方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113012188A CN113012188A CN202110307768.3A CN202110307768A CN113012188A CN 113012188 A CN113012188 A CN 113012188A CN 202110307768 A CN202110307768 A CN 202110307768A CN 113012188 A CN113012188 A CN 113012188A
- Authority
- CN
- China
- Prior art keywords
- image
- background
- original
- weight
- value
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000007499 fusion processing Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 7
- 230000007704 transition Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration 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
- 238000005192 partition Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种图像融合方法、装置、计算机设备和存储介质。所述方法包括:根据背景图像对原始图像行调整,得到调整后的第一图像,并对原始图像的前景区域和背景区域进行分割,得到第二图像,将第一图像与背景图像进行融合处理,得到第三图像,进而根据背景图像、第一图像、第二图像以及第三图像进行融合处理,得到融合图像。采用本方法能够使得融合图像的整个画面协调统一,交界地带没有明显的边界,融合效果好。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像融合方法、装置、计算机设备和存储介质。
背景技术
随着图像处理技术的飞速发展,基于计算机进行的图像融合已成为我们获取新图像的重要方法,在自动目标识别、计算机视觉、遥感、机器人、医学图像处理以及军事应用等领域有之广泛的应用。
传统技术中,图像融合的大致过程是从原始图像中获取需要融合的部分,再把该部分融合至另一目标图像中,得到融合图像。
然而,目前的图像融合方法,得到的融合图像中交界地带的衔接明显,过渡不够平滑,导致融合效果较差。
发明内容
基于此,有必要针对上述技术问题,提供一种图像融合方法、装置、计算机设备和存储介质。
一种图像融合方法,包括:
根据背景图像对原始图像进行调整,得到调整后的第一图像;
对原始图像的前景区域和背景区域进行分割,得到第二图像;
对第一图像与背景图像进行融合处理,得到第三图像;
对背景图像、第一图像、第二图像以及第三图像进行融合处理,得到融合图像。
在其中一个实施例中,根据背景图像对原始图像的像素进行调整,得调整后的第一图像,包括:
根据背景图像的颜色特征,对原始图像进行色调变换处理,得到第一图像;其中,第一图像的色调与背景图像一致。
在其中一个实施例中,对原始图像进行色调变换处理,得到第一图像,包括:
获取背景图像中所有像素点的RGB均值;其中,RGB均值包括背景图像中所有像素点在各颜色通道的色值平均值;
根据RGB均值和原始图像每一像素点的原始RGB值确定第一图像。
在其中一个实施例中,根据RGB均值和原始图像每一像素点的原始RGB值确定第一图像,包括:
获取RGB均值的第一权重,以及原始RGB值的第二权重;其中,第一权重与第二权重之和为1;
对于原始图像的每一像素点,根据第一权重和第二权重对RGB均值和原始RGB值进行加权求和,得到原始图像的每一像素点调整后的RGB值,根据调整后的RGB值,得到第一图像。
在其中一个实施例中,对原始图像的前景区域和背景区域进行分割,得到第二图像,包括:
将原始图像输入语义分割模型,得到区分前景区域和背景区域的二值图像;
对二值图像进行模糊和归一化处理,得到第二图像。
在其中一个实施例中,对背景图像、第一图像、第二图像以及第三图像进行融合处理,得到融合图像,包括:
根据第二图像的颜色特征值确定背景图像的权重、第一图像的权重以及第三图像的权重;
根据背景图像的权重、第一图像的权重以及第三图像的权重对背景图像、第一图像以及第三图像的颜色特征值进行线性融合,得到融合图像。
在其中一个实施例中,融合图像满足下式:
Mi,j=(a(1-Di,j)+b)Bi,j+(cDi,j+d)Ai,j+(eDi,j+f)Ci,j
a(1-Di,j)+b+cDi,j+d+eDi,j+f=1;
其中,Mi,j表示融合图像第i行第j列的像素点的颜色特征值,Ai,j表示背景图像第i行第j列的像素点的颜色特征值,Bi,j表示第一图像第i行第j列的像素点的颜色特征值,Ci,j表示第三图像第i行第j列的像素点的颜色特征值,Di,j表示第二图像第i行第j列的像素点的颜色特征值,a,b,c,d,e,f为可调的加权参数,0<a<1,0<b<1,0<c<1,0<d<1,0<e<1,0<f<1。
一种图像融合装置,包括:
色调调整模块,用于根据背景图像对原始图像进行调整,得到调整后的第一图像;
图像分割模块,用于对原始图像的前景区域和背景区域进行分割,得到第二图像;
图像融合模块,用于对第一图像与背景图像进行融合处理,得到第三图像;
线性融合模块,用于对背景图像、第一图像、第二图像以及第三图像进行融合处理,得到融合图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据背景图像对原始图像进行调整,得到调整后的第一图像;
对原始图像的前景区域和背景区域进行分割,得到第二图像;
对第一图像与背景图像进行融合处理,得到第三图像;
对背景图像、第一图像、第二图像以及第三图像进行融合处理,得到融合图像。
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以下步骤:
根据背景图像对原始图像进行调整,得到调整后的第一图像;
对原始图像的前景区域和背景区域进行分割,得到第二图像;
对第一图像与背景图像进行融合处理,得到第三图像;
对背景图像、第一图像、第二图像以及第三图像进行融合处理,得到融合图像。
上述图像融合方法、装置、计算机设备和存储介质,通过根据背景图像对原始图像进行调整,得到调整后的第一图像,并对原始图像的前景区域和背景区域进行分割,得到第二图像,对第一图像与背景图像进行融合处理,得到第三图像,进而对背景图像、第一图像、第二图像以及第三图像进行融合处理,得到融合图像。参与融合处理的第一图像与背景图像的色调相近,降低了融合图像中交界地带衔接处的色调差异,使得衔接不明显,参与融合处理的第二图像区分了前景区域和背景区域,确保了融合图像中前景区域和背景区域清晰,不模糊,同时,参与融合处理的第三图像融合了原始图像与第一图像,交界地带过渡平滑。通过上述方法使得融合图像的整个画面协调统一,交界地带没有明显的边界,融合效果好。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中图像融合方法的应用环境图;
图3为一个实施例中得到第一图像的流程示意图;
图4为另一个实施例中得到第一图像的流程示意图;
图5为一个实施例中得到第二图像的流程示意图;
图6为一个实施例中得到融合图像的流程示意图;
图7为一个实施例中图像融合装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的图像融合方法,可以应用于如图1所示的计算机设备中。该计算机设备可以是终端,其内部结构图可以如图1所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像融合方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。用户向计算机设备输入需要融合的背景图像和原始图像,计算机设备根据背景图像对原始图像进行调整,得到调整后的第一图像,并对原始图像的前景区域和背景区域进行分割,得到第二图像,进而将第一图像与背景图像进行融合处理,得到第三图像,以此根据背景图像、第一图像、第二图像以及第三图像进行融合处理,得到融合图像。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,如图2所示,提供了一种图像融合方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S210、根据背景图像对原始图像进行调整,得到调整后的第一图像。
可选地,背景图像可以是色彩均匀的纯色图像,如白色图像、蓝色图像或者黑色图像,还可以是存在色彩过渡的渐变图像,如天空图像。
可选地,计算机设备根据背景图像的RGB值(包括R、G、B三通道的色值)对原始图像的原始RGB值进行调整,得到色调与背景图像接近的第一图像,还可以采用背景图像的灰度值对原始图像的原始灰度值进行调整,得到色调与背景图像接近的第一图像。本实施例中,对于根据背景图像对原始图像进行调整的方式不做具体限定。
S220、对原始图像的前景区域和背景区域进行分割,得到第二图像。
其中,前景区域为原始图像中用户感兴趣的目标区域,背景区域为原始图像中非用户感兴趣的其他区域。
可选地,计算机设备可采用灰度阈值分割法对原始图像进行前景区域和背景区域的进行分割,可采用每一像素点RGB值中G色值表征该像素点的灰度值,进而通过判断原始图像中每一像素点的灰度值是否大于预设灰度值来确定该像素点属于前景区域还是背景区域,得到区别了前景区域和背景区域的第二图像;计算机设备也可以采用边缘检测分割法对原始图像进行前景区域和背景区域的进行分割,通过检测灰度级或者结构具有突变的地方,确定前景区域与背景区域的边界,以此根据该边界将前景区域和背景区域分割开来,得到区别了前景区域和背景区域的第二图像;计算机设备还可以采集基于神经网络的分割方法对原始图像进行前景区域和背景区域的进行分割,通过训练得到的神经网络模型对原始图像进行分割,得到区别了前景区域和背景区域的第二图像。本实施例中,对于原始图像中前景区域和背景区域的分割方法不做具体限定。
S230、对第一图像与背景图像进行融合处理,得到第三图像。
可选地,计算机设备采用泊松融合算法保持第一图像中的前景区域,将第一图像与背景图像进行融合,得到第三图像,还可以采用AI风格迁移技术将第一图像与背景图像进行融合,得到第三图像。
S240、对背景图像、第一图像、第二图像以及第三图像进行融合处理,得到融合图像。
其中,图像融合分为像素级、特征级以及决策级三个级别,而像素级的图像融合处理作为上述三个级别中的基础,获取到的图像细节更为丰富,因此是最常用的融合处理方式。可选地,计算机设备对背景图像、第一图像、第二图像以及第三图像进行像素级的融合处理,以得到融合图像。
可选地,在上述背景图像、第一图像、第二图像以及第三图像的大小相同时,计算机设备则可进行基于非多尺度变换的图像融合方法,如基于PCA的图像融合方法、颜色空间融合法以及人工神经网络融合法,在上述背景图像、第一图像、第二图像以及第三图像的大小不同时,计算机设备则可进行基于多尺度变换的图像融合方法,如金字塔变换的图像融合法、基于小波变换的图像融合法等。本实施例中,对于融合处理的方式并不做具体限制。
可选地,计算机设备可根据背景图像、第一图像、第二图像以及第三图像各自的预设权重对背景图像、第一图像、第二图像以及第三图像的每一像素点的RGB值进行加权求和,得到融合图像。例如,背景图像A对应的预设权重为a1、第一图像B对应的预设权重为b1、第二图像C对应的预设权重为c1以及第三图像D对应的预设权重为d1,对融合图像Mi,j=a1A(i,j)+b1Bi,j+c1Ci,j+d1Di,j,Mi,j表示融合图像M中第i行第j列的像素点的RGB值,Ai,j表示背景图像A中第i行第j列的像素点的RGB值,Bi,j表示第一图像B中第i行第j列的像素点的RGB值,Ci,j表示第二图像C中第i行第j列的像素点的RGB值,Di,j表示第三图像D中第i行第j列的像素点的RGB值。
计算机设备还可以根据第二图像的RGB值确定上述背景图像的权重、第一图像的权重以及第三图像的权重,进而根据背景图像的权重、第一图像的权重以及第三图像的权重对背景图像、第一图像以及第三图像的每一像素点的RGB值进行加权求和,得到融合图像。
本实施例中,计算机设备根据背景图像对原始图像进行调整,得到调整后与背景图像色调接近的第一图像,并对原始图像的前景区域和背景区域进行分割,得到区别了前景区域和背景区域的第二图像,以将第一图像与背景图像进行融合处理,得到融合后的第三图像,进而根据背景图像、第一图像、第二图像以及第三图像进行融合处理,得到融合图像,参与融合处理的第一图像与背景图像的色调相近,降低了融合图像中交界地带衔接处的色调差异,使得衔接不明显,参与融合处理的第二图像区分了前景区域和背景区域,确保了融合图像中前景区域和背景区域清晰,不模糊,同时,参与融合处理的第三图像融合了原始图像与第一图像,交界地带过渡平滑。通过上述方法使得融合图像的整个画面协调统一,交界地带没有明显的边界,融合效果好。
在一个实施例中,为进一步使得第一图像与背景图像的色调接近,如图3所示,上述S210包括:
根据背景图像的颜色特征,对原始图像进行色调变换处理,得到第一图像。
其中,第一图像的色调与背景图像一致。
可选地,颜色特征可以是RGB值、HSI值、HSV值,或者CMYK值中的至少一种。其中,RGB值是采用在红(red)、绿(green)、蓝(blue)三通道上的色值来表征颜色特征;HSI值是采用色调(Hue)、色饱和度(Saturation或Chroma)、亮度(lightness)来表征颜色特征;HSV值是采用色调(Hue)、色饱和度(Saturation或Chroma)、明度(value)来表征颜色特征;CMYK值是采用青色(cyan),品红色(magenta),黄色(yellow)以及黑色(black)四个色值来表征颜色特征。
可选地,在颜色特征为RGB值时,计算机设备可以采用与原始图像大小相同的背景图像的每一像素点的RGB值对应对原始图像的每一像素点的RGB值进行色调调整,得到第一图像,也可以采用背景图像所有像素点的RGB均值(包括所有像素点R色值平均值、G色值平均值、B色值平均值)对原始图像每一像素点的RGB值进行色调调整,得到第一图像。
在一可选地实施例中,上述背景图像的颜色特征可以是背景图像的RGB值,如图3所示,上述对原始图像进行色调变换处理,得到第一图像,包括:
S310、获取背景图像中所有像素点的RGB均值。
其中,RGB均值包括背景图像中所有像素点在各色道的色值平均值,RGB均值即包括R色值平均值、G色值平均值以及B色值平均值。
具体地,计算机设备获取背景图像中每一像素点的RGB值,每一像素点的RGB值均包括R、G、B三通道上的色值,计算机设备则进一步计算所有像素点R通道上R色值平均值、G通道上G色值平均值以及B通道上B色值平均值,作为背景图像的像素点的RGB均值。例如,背景图像中包括P1~P1000共1000个像素点P,RGB值分别为P1(R1,G1,B1)、P2(R2,G2,B2)…P1000(R1000,G1000,B1000),则背景图像的像素点的RGB均值为
S320、根据RGB均值和原始图像每一像素点的原始RGB值确定第一图像。
具体地,计算机设备根据背景图像的RGB均值对原始图像每一像素点的原始RGB值进行色调调整,得到原始图像中每一像素点调整后的RGB值,并由调整后的原始图像中每一像素点构成该第一图像。
在一可选地实施例中,如图4所示,第一图像的确定方法包括如下步骤:
S410、获取RGB均值的第一权重,以及原始RGB值的第二权重。
其中,第一权重与第二权重之和为1。
具体地,计算机设备对于背景图像的RGB均值和原始图像的原始RGB值预设不同的权重,可选地,第一权重大于第二权重,以进一步使得第一图像的色调接近背景图像。
S420、对于原始图像的每一像素点,根据第一权重和第二权重对RGB均值和原始RGB值进行加权求和,得到原始图像的每一像素点调整后的RGB值,根据调整后的RGB值,得到第一图像。
具体地,例如,背景图像的RGB均值分别为(150,116,254),原始图像中某一像素点的原始RGB值为(50,108,78),第一权重为3/4,第二权重为1/4,计算机设备对于原始图像的每一像素点,根据第一权重和第二权重对RGB均值和原始RGB值进行加权求和,得到原始图像的每一像素点调整后的RGB值,调整后的RGB值为(R,G,B),其中,R=3/4*150+1/4*50=125,G=3/4*116+1/4*108=114,B=3/4*254+1/4*78=210。通过上述加权过程,即可得到原始图像中每一像素点调整后的RGB值,进而形成第一图像。
本实施例中,计算机设备获取背景图像的像素点的RGB均值,获取预设的对应背景图像的RGB均值的第一权重,以及对应原始图像的原始RGB值的第二权重,进而根据第一权重和第二权重对RGB均值和原始RGB值进行加权求和,得到原始图像的每一像素点调整后的RGB值,并形成第一图像。由于将背景图像与原始图像进行了加权,相应得到的第一图像则与背景图像的色调更为相近,进一步降低了融合图像中交界地带衔接处的色调差异,使得交界地带过渡自然,衔接不明显。
在其中一个实施例中,为提高图像分割的精准性,如图5所示,上述S220包括:
S510、将原始图像输入语义分割模型,得到区分前景区域和背景区域的二值图像。
其中,语义分割模型为计算机设备预先采用大量前景图像和背景图像作为训练样本,训练得到的用于分割前后景的神经网络模型。
具体地,计算机设备在对原始图像进行前后景的分割时,计算机设备则将原始图像输入上述语义分割模型,得到原始图像中的前景区域和背景区域,并采用RGB值(0,0,0)表示前景区域,采用RGB值(255,255,255)表示背景区域,进而得到原始图像的二值图像。
S520、对二值图像进行模糊和归一化处理,得到第二图像。
可选地,计算机设备可采用高斯模糊、方框模糊、Kawase模糊、双重模糊、散景模糊等模糊算法对二值图像进行模糊处理,使得二值图像上每一像素点的RGB值均位于[0,255]之间。计算机设备对模糊处理后的二值图像进行归一化处理,得到每一像素点的RGB值均位于[0,1]之间的第二图像,以便于后续根据第二图像确定需要融合的背景图像、第一图像以及第三图像的融合比例(即权重)。
具体地,计算机设备对得到的二值图像进行高斯模糊处理,令二值图像中每一像素带点的RGB值处于[0,255]之间,实现对二值图像的羽化处理,使得二值图像中前景区域与背景区域的边缘更为柔和,前景区域与背景区域之前的交底地带过渡更加自然。进一步地,计算机设备对模糊处理后的二值图像进行归一化处理,具体可将模糊处理后的二值图像的每一像素点的RGB值除以255,进而得到每一像素点的RGB值均位于[0,1]之间的第二图像。例如,二值图像中的像素点M对应第二图像中的像素点m,模糊处理后的二值图像上的像素点M的RGB值为(112,48,215),归一化处理后得到对应像素点m的RGB值则为(112/255,48/255,215/255)即(0.44,0.19,0.84)。
本实施例中,计算机设备通过将原始图像输入语义分割模型,得到区分前景区域和背景区域的二值图像,并进一步对二值图像进行模糊和归一化处理,得到第二图像,采用基于机器学习的语义分割模型对原始图像进行前后景的分割,提高了图像分割的精确性,同时对于二值图像进行模糊和归一化处理,使得第二图像中前景区域和背景区域之间过渡更自然,柔和,进而提高最终得到的融合图像的融合效果。
在一个实施例中,为提高图像融合的融合效果,如图6所示,上述S240包括:
S610、根据第二图像的颜色特征值确定背景图像的权重、第一图像的权重以及第三图像的权重。
可选地,在上述颜色特征值为RGB值时,计算机设备可根据第二图像的RGB值Di,j(R、G、B三通道上的色值相同)分别确定上述背景图像的权重T1、第一图像的权重T2,以及第三图像的权重T3。其中,Mi,j表示融合图像第i行第j列的像素点的RGB值,Ai,j表示背景图像第i行第j列的像素点的RGB值,Bi,j表示第一图像第i行第j列的像素点的RGB值,Ci,j表示第三图像第i行第j列的像素点的RGB值,Di,j表示第二图像第i行第j列的像素点的RGB值,T1=cDi,j+d,T2=a(1-Di,j)+b,T3=eDi,j+f,a,b,c,d,e,f为可调的加权参数,0<a<1,0<b<1,0<c<1,0<d<1,0<e<1,0<f<1,并且a(1-Di,j)+b+cDi,j+d+eDi,j+f=1。
S620、根据背景图像的权重、第一图像的权重以及第三图像的权重对背景图像、第一图像以及第三图像的颜色特征值进行线性融合,得到融合图像。
具体地,计算机设备根据确定的背景图像的权重T1、第一图像的权重T2以及第三图像的权重T3对背景图像的RGB值Ai,j、第一图像的RGB值Bi,j以及第三图像的RGB值Ci,j进行线性融合,得到融合图像的RGB值Mi,j。其中,融合图像满足下式:
Mi,j=(a(1-Di,j)+b)Bi,j+(cDi,j+d)Ai,j+(eDi,j+f)Ci,j
其中,分别表示融合图像第i行第j列的像素点的R色值、G色值以及B色值,分别表示背景图像第i行第j列的像素点的R色值、G色值以及B色值,分别表示第一图像第i行第j列的像素点的R色值、G色值以及B色值,分别表示第三图像第i行第j列的像素点的R色值、G色值以及B色值。
本实施例中,计算机设备根据第二图像的颜色特征值确定背景图像的权重、第一图像的权重以及第三图像的权重,并根据背景图像的权重、第一图像的权重以及第三图像的权重对背景图像、第一图像以及第三图像的颜色特征值进行加权求和,得到融合图像,第一图像与背景图像的色调相近,降低了融合图像中交界地带衔接处的色调差异,使得衔接不明显,第二图像区分了前景区域和背景区域,确保了融合图像中前景区域和背景区域清晰,不模糊,第三图像融合了原始图像与第一图像,交界地带过渡平滑,进而使得融合图像兼具上述特点,整个画面协调统一,交界地带没有明显的边界,融合效果好。同时,加权求和的线性融合方式,降低了参与融合的每一图像(背景图像、第二图像、第一图像以及第三图像)对于得到的融合图像的影响程度,即降低了对得到第二图像的语义分割的算法精度要求,进而降低了图像融合的算力需求,减少耗时,提高了融合效率。
应该理解的是,虽然图2-6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,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种图像融合装置,包括:色调调整模块701、图像分割模块702、第一融合模块703,以及第二融合模块704,其中:
色调调整模块701用于根据背景图像对原始图像进行调整,得到调整后的第一图像;
图像分割模块702用于对原始图像的前景区域和背景区域进行分割,得到第二图像;
第一融合模块703用于对第一图像与背景图像进行融合处理,得到第三图像;
第二融合模块704用于对背景图像、第一图像、第二图像以及第三图像进行融合处理,得到融合图像。
在其中一个实施例中,色调调整模块701具体用于:
根据背景图像的颜色特征,对原始图像进行色调变换处理,得到第一图像;其中,第一图像的色调与背景图像一致。
在其中一个实施例中,色调调整模块701具体用于:
获取背景图像中所有像素点的RGB均值;其中,RGB均值包括背景图像中所有像素点在各的颜色通道的色值平均值;根据RGB均值和原始图像每一像素点的原始RGB值确定第一图像。
在其中一个实施例中,色调调整模块701具体用于:
获取RGB均值的第一权重,以及原始RGB值的第二权重;其中,第一权重与第二权重之和为1;对于原始图像的每一像素点,根据第一权重和第二权重对RGB均值和原始RGB值进行加权求和,得到原始图像的每一像素点调整后的RGB值,根据调整后的RGB值,得到第一图像。
在其中一个实施例中,图像分割模块702具体用于:
将原始图像输入语义分割模型,得到区分前景区域和背景区域的二值图像;对二值图像进行模糊和归一化处理,得到第二图像。
在其中一个实施例中,第二融合模块704具体用于:
根据第二图像的颜色特征值确定背景图像的权重、第一图像的权重以及第三图像的权重;根据背景图像的权重、第一图像的权重以及第三图像的权重对背景图像、第一图像以及第三图像的颜色特征值进行线性融合,得到融合图像。
在其中一个实施例中,融合图像满足下式:
Mi,j=(a(1-Di,j)+b)Bi,j+(cDi,j+d)Ai,j+(eDi,j+f)Ci,j;
a(1-Di,j)+b+cDi,j+d+eDi,j+f=1;
其中,Mi,j表示融合图像第i行第j列的像素点的颜色特征值,Ai,j表示背景图像第i行第j列的像素点的颜色特征值,Bi,j表示第一图像第i行第j列的像素点的颜色特征值,Ci,j表示第三图像第i行第j列的像素点的颜色特征值,Di,j表示第二图像第i行第j列的像素点的颜色特征值,a,b,c,d,e,f为可调的加权参数,0<a<1,0<b<1,0<c<1,0<d<1,0<e<1,0<f<1。
关于图像融合装置的具体限定可以参见上文中对于图像融合方法的限定,在此不再赘述。上述图像融合装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据背景图像对原始图像进行调整,得到调整后的第一图像;对原始图像的前景区域和背景区域进行分割,得到第二图像;对第一图像与背景图像进行融合处理,得到第三图像;对背景图像、第一图像、第二图像以及第三图像进行融合处理,得到融合图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据背景图像的颜色特征,对原始图像进行色调变换处理,得到第一图像;其中,第一图像的色调与背景图像一致。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取背景图像中所有像素点的RGB均值;其中,RGB均值包括背景图像中所有像素点在各颜色通道的色值平均值;根据RGB均值和原始图像每一像素点的原始RGB值确定第一图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取RGB均值的第一权重,以及原始RGB值的第二权重;其中,第一权重与第二权重之和为1;对于原始图像的每一像素点,根据第一权重和第二权重对RGB均值和原始RGB值进行加权求和,得到原始图像的每一像素点调整后的RGB值,根据调整后的RGB值,得到第一图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将原始图像输入语义分割模型,得到区分前景区域和背景区域的二值图像;对二值图像进行模糊和归一化处理,得到第二图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据第二图像的颜色特征值确定背景图像的权重、第一图像的权重以及第三图像的权重;根据背景图像的权重、第一图像的权重以及第三图像的权重对背景图像、第一图像以及第三图像的颜色特征值进行线性融合,得到融合图像。
在一个实施例中,融合图像满足下式:
Mi,j=(a(1-Di,j)+b)Bi,j+(cDi,j+d)Ai,j+(eDi,j+f)Ci,j
a(1-Di,j)+b+cDi,j+d+eDi,j+f=1;
其中,Mi,j表示融合图像第i行第j列的像素点的颜色特征值,Ai,j表示背景图像第i行第j列的像素点的颜色特征值,Bi,j表示第一图像第i行第j列的像素点的颜色特征值,Ci,j表示第三图像第i行第j列的像素点的颜色特征值,Di,j表示第二图像第i行第j列的像素点的颜色特征值,a,b,c,d,e,f为可调的加权参数,0<a<1,0<b<1,0<c<1,0<d<1,0<e<1,0<f<1。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据背景图像对原始图像调整,得到调整后的第一图像;对原始图像的前景区域和背景区域进行分割,得到第二图像;对第一图像与背景图像进行融合处理,得到第三图像;对背景图像、第一图像、第二图像以及第三图像进行融合处理,得到融合图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据背景图像的颜色特征,对原始图像进行色调变换处理,得到第一图像;其中,第一图像的色调与背景图像一致。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取背景图像中所有像素点的RGB均值;其中,RGB均值包括背景图像中所有像素点在各颜色通道的色值平均值;根据RGB均值和原始图像每一像素点的原始RGB值确定第一图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取RGB均值的第一权重,以及原始RGB值的第二权重;其中,第一权重与第二权重之和为1;对于原始图像的每一像素点,根据第一权重和第二权重对RGB均值和原始RGB值进行加权求和,得到原始图像的每一像素点调整后的RGB值,根据调整后的RGB值,得到第一图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将原始图像输入语义分割模型,得到区分前景区域和背景区域的二值图像;对二值图像进行模糊和归一化处理,得到第二图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据第二图像的颜色特征值确定背景图像的权重、第一图像的权重以及第三图像的权重;根据背景图像的权重、第一图像的权重以及第三图像的权重对背景图像、第一图像以及第三图像的颜色特征值进行线性融合,得到融合图像。
在一个实施例中,融合图像满足下式:
Mi,j=(a(1-Di,j)+b)Bi,j+(cDi,j+d)Ai,j+(eDi,j+f)Ci,j;
a(1-Di,j)+b+cDi,j+d+eDi,j+f=1;
其中,Mi,j表示融合图像第i行第j列的像素点颜色特征值,Ai,j表示背景图像第i行第j列的像素点颜色特征值,Bi,j表示第一图像第i行第j列的像素点颜色特征值,Ci,j表示第三图像第i行第j列的像素点颜色特征值,Di,j表示第二图像第i行第j列的像素点颜色特征值,a,b,c,d,e,f为可调的加权参数,0<a<1,0<b<1,0<c<1,0<d<1,0<e<1,0<f<1。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像融合方法,其特征在于,所述方法包括:
根据背景图像对原始图像进行调整,得到调整后的第一图像;
对所述原始图像的前景区域和背景区域进行分割,得到第二图像;
对所述第一图像与所述背景图像进行融合处理,得到第三图像;
对所述背景图像、所述第一图像、所述第二图像以及所述第三图像进行融合处理,得到融合图像。
2.根据权利要求1所述的方法,其特征在于,所述根据背景图像对原始图像进行调整,得到调整后的第一图像,包括:
根据所述背景图像的颜色特征,对所述原始图像进行色调变换处理,得到所述第一图像;其中,所述第一图像的色调与所述背景图像一致。
3.根据权利要求2所述的方法,其特征在于,所述根据所述背景图像的颜色特征,对所述原始图像进行色调变换处理,得到所述第一图像,包括:
获取所述背景图像中所有像素点的RGB均值;其中,所述RGB均值包括所述背景图像中所有像素点在各颜色通道的色值平均值;
根据所述RGB均值和所述原始图像每一像素点的原始RGB值确定所述第一图像。
4.根据权利要求3所述的方法,其特征在于,所述根据所述RGB均值和所述原始图像每一像素点的原始RGB值确定所述第一图像,包括:
获取所述RGB均值的第一权重,以及所述原始RGB值的第二权重;其中,所述第一权重与所述第二权重之和为1;
对于所述原始图像的每一像素点,根据所述第一权重和所述第二权重对所述RGB均值和所述原始RGB值进行加权求和,得到所述原始图像的每一像素点调整后的RGB值,根据所述调整后的RGB值,得到所述第一图像。
5.根据权利要求1所述的方法,其特征在于,所述对所述原始图像的前景区域和背景区域进行分割,得到第二图像,包括:
将所述原始图像输入语义分割模型,得到区分所述前景区域和所述背景区域的二值图像;
对所述二值图像进行模糊和归一化处理,得到所述第二图像。
6.根据权利要求1所述的方法,其特征在于,所述对所述背景图像、所述第一图像、所述第二图像以及所述第三图像进行融合处理,得到融合图像,包括:
根据所述第二图像的颜色特征值确定所述背景图像的权重、所述第一图像的权重以及所述第三图像的权重;
根据所述背景图像的权重、所述第一图像的权重以及所述第三图像的权重对所述背景图像、所述第一图像以及所述第三图像的颜色特征值进行线性融合,得到所述融合图像。
7.根据权利要求6所述的方法,其特征在于,所述融合图像满足下式:
Mi,j=(a(1-Di,j)+b)Bi,j+(cDi,j+d)Ai,j+(eDi,j+f)Ci,j;a(1-Di,j)+b+cDi,j+d+eDi,j+f=1;
其中,Mi,j表示所述融合图像第i行第j列的像素点的颜色特征值,Ai,j表示所述背景图像第i行第j列的像素点的颜色特征值,Bi,j表示所述第一图像第i行第j列的像素点的颜色特征值,Ci,j表示所述第三图像第i行第j列的像素点的颜色特征值,Di,j表示所述第二图像第i行第j列的像素点的颜色特征值,a,b,c,d,e,f为可调的加权参数,0<a<1,0<b<1,0<c<1,0<d<1,0<e<1,0<f<1。
8.一种图像融合装置,其特征在于,所述装置包括:
色调调整模块,用于根据背景图像对原始图像进行调整,得到调整后的第一图像;
图像分割模块,用于对所述原始图像的前景区域和背景区域进行分割,得到第二图像;
第一融合模块,用于对所述第一图像与所述背景图像进行融合处理,得到第三图像;
第二融合模块,用于对所述背景图像、所述第一图像、所述第二图像以及所述第三图像进行融合处理,得到融合图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110307768.3A CN113012188A (zh) | 2021-03-23 | 2021-03-23 | 图像融合方法、装置、计算机设备和存储介质 |
PCT/CN2022/084854 WO2022199710A1 (zh) | 2021-03-23 | 2022-04-01 | 图像融合方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110307768.3A CN113012188A (zh) | 2021-03-23 | 2021-03-23 | 图像融合方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113012188A true CN113012188A (zh) | 2021-06-22 |
Family
ID=76405278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110307768.3A Pending CN113012188A (zh) | 2021-03-23 | 2021-03-23 | 图像融合方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113012188A (zh) |
WO (1) | WO2022199710A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592042A (zh) * | 2021-09-29 | 2021-11-02 | 科大讯飞(苏州)科技有限公司 | 样本图像生成方法、装置及其相关设备和存储介质 |
WO2022199710A1 (zh) * | 2021-03-23 | 2022-09-29 | 影石创新科技股份有限公司 | 图像融合方法、装置、计算机设备和存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824586B (zh) * | 2023-08-31 | 2023-12-01 | 山东黑猿生物科技有限公司 | 图像处理方法及应用该方法的黑蒜生产质量在线检测*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096287A (zh) * | 2015-08-11 | 2015-11-25 | 电子科技大学 | 一种改进的多次泊松图像融合方法 |
CN106339997A (zh) * | 2015-07-09 | 2017-01-18 | 株式会社理光 | 图像融合方法、设备和*** |
CN107092684A (zh) * | 2017-04-21 | 2017-08-25 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置、存储介质 |
WO2017206400A1 (zh) * | 2016-05-30 | 2017-12-07 | 乐视控股(北京)有限公司 | 图像处理方法、装置及电子设备 |
WO2018036462A1 (zh) * | 2016-08-22 | 2018-03-01 | 腾讯科技(深圳)有限公司 | 图像分割的方法、计算机设备及存储介质 |
CN107958449A (zh) * | 2017-12-13 | 2018-04-24 | 北京奇虎科技有限公司 | 一种图像合成方法及装置 |
CN110288614A (zh) * | 2019-06-24 | 2019-09-27 | 睿魔智能科技(杭州)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN110390632A (zh) * | 2019-07-22 | 2019-10-29 | 北京七鑫易维信息技术有限公司 | 基于妆容模板的图像处理方法、装置、存储介质及终端 |
CN111260601A (zh) * | 2020-02-12 | 2020-06-09 | 北京字节跳动网络技术有限公司 | 图像融合方法、装置、可读介质及电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360490B (zh) * | 2011-09-30 | 2012-11-28 | 北京航空航天大学 | 基于颜色转换和编辑传播的图像季节特征增强方法 |
TW201947536A (zh) * | 2018-05-08 | 2019-12-16 | 華晶科技股份有限公司 | 影像處理方法及影像處理裝置 |
CN111768425B (zh) * | 2020-07-23 | 2021-08-10 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置及设备 |
CN112261320A (zh) * | 2020-09-30 | 2021-01-22 | 北京市商汤科技开发有限公司 | 图像处理方法和相关产品 |
CN113012188A (zh) * | 2021-03-23 | 2021-06-22 | 影石创新科技股份有限公司 | 图像融合方法、装置、计算机设备和存储介质 |
-
2021
- 2021-03-23 CN CN202110307768.3A patent/CN113012188A/zh active Pending
-
2022
- 2022-04-01 WO PCT/CN2022/084854 patent/WO2022199710A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339997A (zh) * | 2015-07-09 | 2017-01-18 | 株式会社理光 | 图像融合方法、设备和*** |
CN105096287A (zh) * | 2015-08-11 | 2015-11-25 | 电子科技大学 | 一种改进的多次泊松图像融合方法 |
WO2017206400A1 (zh) * | 2016-05-30 | 2017-12-07 | 乐视控股(北京)有限公司 | 图像处理方法、装置及电子设备 |
WO2018036462A1 (zh) * | 2016-08-22 | 2018-03-01 | 腾讯科技(深圳)有限公司 | 图像分割的方法、计算机设备及存储介质 |
CN107092684A (zh) * | 2017-04-21 | 2017-08-25 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置、存储介质 |
CN107958449A (zh) * | 2017-12-13 | 2018-04-24 | 北京奇虎科技有限公司 | 一种图像合成方法及装置 |
CN110288614A (zh) * | 2019-06-24 | 2019-09-27 | 睿魔智能科技(杭州)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN110390632A (zh) * | 2019-07-22 | 2019-10-29 | 北京七鑫易维信息技术有限公司 | 基于妆容模板的图像处理方法、装置、存储介质及终端 |
CN111260601A (zh) * | 2020-02-12 | 2020-06-09 | 北京字节跳动网络技术有限公司 | 图像融合方法、装置、可读介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
李娜;王丹;: "基于采样抠图和自适应颜色的图像合成算法", 液晶与显示, no. 02, 15 February 2018 (2018-02-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022199710A1 (zh) * | 2021-03-23 | 2022-09-29 | 影石创新科技股份有限公司 | 图像融合方法、装置、计算机设备和存储介质 |
CN113592042A (zh) * | 2021-09-29 | 2021-11-02 | 科大讯飞(苏州)科技有限公司 | 样本图像生成方法、装置及其相关设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022199710A1 (zh) | 2022-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507343B (zh) | 语义分割网络的训练及其图像处理方法、装置 | |
JP5458905B2 (ja) | 画像におけるシャドーの検知装置および検知方法 | |
CN113012188A (zh) | 图像融合方法、装置、计算机设备和存储介质 | |
JP4708909B2 (ja) | デジタル画像の対象物検出方法および装置並びにプログラム | |
US20150326845A1 (en) | Depth value restoration method and system | |
US20160275343A1 (en) | System and method for recognizing offensive images | |
US20050271245A1 (en) | Specified object detection apparatus | |
CN112116620B (zh) | 一种室内图像语义分割与涂装展示的方法 | |
CN111127476A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
AU2015201623A1 (en) | Choosing optimal images with preference distributions | |
KR102192016B1 (ko) | 의미 인식 기반의 이미지 보정 방법 및 그를 위한 장치 | |
CN115115554A (zh) | 基于增强图像的图像处理方法、装置和计算机设备 | |
CN113469092A (zh) | 字符识别模型生成方法、装置、计算机设备和存储介质 | |
CN113179421A (zh) | 视频封面选择方法、装置、计算机设备和存储介质 | |
CN111369478A (zh) | 人脸图像增强方法、装置、计算机设备和存储介质 | |
CN114187515A (zh) | 图像分割方法和图像分割装置 | |
López-Rubio et al. | Selecting the color space for self-organizing map based foreground detection in video | |
JP5327766B2 (ja) | デジタル画像における記憶色の修正 | |
CN113947568B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN115187545A (zh) | 高空间分辨率遥感图像的处理方法、***及存储介质 | |
CN115272378A (zh) | 一种基于特征轮廓的人物图像分割方法 | |
CN116977190A (zh) | 图像处理方法、装置、设备、存储介质及程序产品 | |
Huang et al. | An efficient single image enhancement approach using luminance perception transformation | |
CN114549340A (zh) | 对比度增强方法、计算机程序产品、存储介质及电子设备 | |
Nair et al. | Benchmarking single image dehazing methods |
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 |