CN113744199B - 图像的破损检测方法、电子设备及存储介质 - Google Patents
图像的破损检测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113744199B CN113744199B CN202110914020.XA CN202110914020A CN113744199B CN 113744199 B CN113744199 B CN 113744199B CN 202110914020 A CN202110914020 A CN 202110914020A CN 113744199 B CN113744199 B CN 113744199B
- Authority
- CN
- China
- Prior art keywords
- image
- damaged
- pixel
- mask
- damage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000004088 simulation Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000010422 painting Methods 0.000 claims description 31
- 239000000853 adhesive Substances 0.000 claims description 15
- 230000001070 adhesive effect Effects 0.000 claims description 15
- 238000009792 diffusion process Methods 0.000 claims description 13
- 239000000049 pigment Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 abstract description 17
- 230000003628 erosive effect Effects 0.000 description 9
- 206010040844 Skin exfoliation Diseases 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000002950 deficient Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004321 preservation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005336 cracking Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000006748 scratching Methods 0.000 description 2
- 230000002393 scratching effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像的破损检测方法、电子设备及存储介质。方法包括:获取待检测的真实破损图像,并获取预设的破损类型,对获取到的真实破损图像进行处理,得到真实破损图像对应的第一图像破损掩膜,基于预设的破损类型对真实破损图像进行仿真处理,得到第二图像破损掩膜,根据第一图像破损掩膜和第二图像破损掩膜,得到目标图像破损掩膜,从而得到真实破损图像中所有的缺损区域,本申请通过采用两种检测方法,即对真实破损图像进行检测,以及对真实破损图像进行仿真检测,分别生成第一图像破损掩膜和第二图像破损掩膜,增加了检测数据和检测数据的多样性,能够提高图像中缺损区域检测的准确度,进而实现对真实破损图像的数字化修复。
Description
技术领域
本申请涉及图像处理技术领域,特别涉及一种图像的破损检测方法、电子设备及存储介质。
背景技术
目前,人们对部分图像,例如对古画采取不当的保存措施,会导致图像出现颜色退化、撕裂、剥落和破裂等问题,然而传统的对图像进行手动修复是耗时且不可逆转的,基于以上考虑,可以对图像进行数字化恢复,得到图像中原始外观的视觉估计,来帮助用户对图像进行恢复或者采取适当的保存措施。其中,对图像中破损区域的检测是对图像进行修复的关键步骤之一,缺损图像的修复需要辨别并标注图像的缺损区域及已知区域,然后对缺损区域进行分析和填充,由于各类图像的缺损表现形式是多样且不确定的,加之有些图像的结构内容复杂,导致很难采用单一方法检测图像中的所有缺损区域,从而难以保证图像中缺损区域检测的准确度。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种图像的破损检测方法、电子设备及存储介质,能够提高图像中缺损区域检测的准确度。
根据本申请的第一方面实施例的图像的破损检测方法,包括:
获取待检测的真实破损图像,并获取预设的破损类型;
对所述真实破损图像进行处理,得到所述真实破损图像对应的第一图像破损掩膜;
基于所述破损类型对所述真实破损图像进行仿真处理,得到第二图像破损掩膜;
根据所述第一图像破损掩膜和所述第二图像破损掩膜,得到目标图像破损掩膜。
根据本申请实施例的图像的破损检测方法,至少具有如下有益效果:
获取待检测的真实破损图像,并获取预设的破损类型,对获取到的真实破损图像进行处理,得到真实破损图像对应的第一图像破损掩膜,基于预设的破损类型对真实破损图像进行仿真处理,得到第二图像破损掩膜,根据第一图像破损掩膜和第二图像破损掩膜,得到目标图像破损掩膜,从而得到真实破损图像中所有的缺损区域,本申请通过采用两种检测方法,即对真实破损图像进行检测,以及对真实破损图像进行仿真检测,分别生成第一图像破损掩膜和第二图像破损掩膜,增加了检测数据和检测数据的多样性,能够提高图像中缺损区域检测的准确度,进而实现对真实破损图像的数字化修复。
根据本申请的一些实施例,所述对所述真实破损图像进行处理,得到所述真实破损图像对应的第一图像破损掩膜,包括:
获取所述真实破损图像对应的第一破损像素区域;
从所述第一破损像素区域选取多个破损像素;
根据所述破损像素对应的像素表征数据,计算所述第一破损像素区域对应的像素阈值;
从多个所述破损像素中选取参考像素;
计算每一所述破损像素与所述参考像素对应的像素距离;
根据每一所述像素距离和所述像素阈值,得到所述真实破损图像对应的第一图像破损掩膜。
根据本申请的一些实施例,所述基于所述破损类型对所述真实破损图像进行仿真处理,得到第二图像破损掩膜,包括:
基于所述破损类型对第一仿真破损图像进行初始化处理,得到所述第一仿真破损图像对应的仿真像素和初始裂纹,以及所述初始裂纹对应的裂纹数据;
根据所述仿真像素和所述裂纹数据对所述初始裂纹进行更新,得到目标裂纹;
根据所述目标裂纹得到所述第二图像破损掩膜。
根据本申请的一些实施例,所述根据所述仿真像素和所述裂纹数据对所述初始裂纹进行更新,得到目标裂纹,包括:
从所述仿真像素中提取与所述初始裂纹对应的第一边界像素;
将所述初始裂纹沿所述第一边界像素向外扩散,得到扩散后的扩散宽度数据;
获取所述第一边界像素对应的像素颜料与仿真载体之间的初始附着力和初始绘画强度;
根据预设的更新参数对所述初始附着力进行更新,得到更新附着力;
比较所述更新附着力与所述初始绘画强度之间的大小关系;
若所述更新附着力小于所述初始绘画强度,则根据所述扩散宽度数据对所述初始裂纹进行更新,得到目标裂纹。
根据本申请的一些实施例,所述基于所述破损类型对所述真实破损图像进行仿真处理,得到第二图像破损掩膜,包括:
基于所述破损类型对第二仿真破损图像进行初始化处理,得到划痕破损数据;
根据所述划痕破损数据对所述第二仿真破损图像进行模拟的划痕操作,得到所述第二图像破损掩膜。
根据本申请的一些实施例,所述基于所述破损类型对所述真实破损图像进行仿真处理,得到第二图像破损掩膜,包括:
基于所述破损类型对第三仿真破损图像进行初始化处理,得到所述第三仿真破损图像对应的图像尺寸阈值,以及所述第三仿真破损图像的预设编辑框对应的编辑框阈值;
根据所述编辑框阈值随机生成仿真编辑框;
获取所述仿真编辑框对应的编辑框坐标;
根据所述编辑框坐标、所述图像尺寸阈值和所述编辑框阈值,得到所述第二图像破损掩膜。
根据本申请的一些实施例,所述根据所述第一图像破损掩膜和所述第二图像破损掩膜,得到目标图像破损掩膜,包括:
将所述第一图像破损掩膜和所述第二图像破损掩膜输入至预设训练模型进行训练,得到所述目标图像破损掩膜,其中所述预设训练模型根据自编码器和U-Net算法生成。
根据本申请的一些实施例,所述方法还包括:
获取所述目标图像破损掩膜对应的第二边界像素、第二破损像素区域和正常像素区域;
计算每一所述第二边界像素分别与所述第二破损像素区域对应的第一相邻像素,以及与所述正常像素区域对应的第二相邻像素之间的像素距离,得到多个相邻距离;
根据多个所述相邻距离更新所述目标图像破损掩膜。
根据本申请的第二方面实施例的电子设备,包括:
至少一个处理器,以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述指令时实现如本申请第一方面实施例任一项所述的图像的破损检测方法。
根据本申请的第三方面实施例的计算机可读存储介质,包括:
所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于执行如本申请第一方面实施例所述的图像的破损检测方法。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
下面结合附图和实施例对本申请做进一步的说明,其中:
图1为本申请一些实施例提供的图像的破损检测方法的第一流程图;
图2为本申请一些实施例提供的图像的破损检测方法中步骤S300的具体流程图;
图3为本申请一些实施例提供的在图像的破损建模中各裂纹数据的第一示意图;
图4为本申请一些实施例提供的在图像的破损建模中各裂纹数据的第二示意图;
图5为本申请一些实施例提供的图像的破损检测方法中步骤S320的具体流程图;
图6为本申请一些实施例提供的在图像的破损建模中各裂纹数据的第三示意图;
图7为本申请一些实施例提供的图像的笔刷划痕示意图;
图8为本申请一些实施例提供的图像划痕缺损仿真的具体应用流程图;
图9为本申请一些实施例提供的训练模型的具体结构图;
图10为本申请一些实施例提供的图像修复方法中对图像缺损区域进行自动检测的具体应用流程图;
图11为本申请一些实施例提供的图像修复方法中对图像的缺损区域进行仿真检测的具体应用流程图;
图12为本申请一些实施例提供的图像修复方法中对图像的缺损区域进行真实检测的具体应用流程图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
目前,人们对部分图像,例如对古画采取不当的保存措施,会导致图像出现颜色退化、撕裂、剥落和破裂等问题,然而传统的对图像进行手动修复是耗时且不可逆转的,基于以上考虑,可以对图像进行数字化恢复,得到图像中原始外观的视觉估计,来帮助用户对图像进行恢复或者采取适当的保存措施。其中,对图像中破损区域的检测是对图像进行修复的关键步骤之一,缺损图像的修复需要辨别并标注图像的缺损区域及已知区域,然后对缺损区域进行分析和填充,由于各类图像的缺损表现形式是多样且不确定的,加之有些图像的结构内容复杂,导致很难采用单一方法检测图像中的所有缺损区域,从而难以保证图像中缺损区域检测的准确度。
基于此,本申请提出一种图像的破损检测方法、电子设备及存储介质,能够获取待检测的真实破损图像,并获取预设的破损类型,对获取到的真实破损图像进行处理,得到真实破损图像对应的第一图像破损掩膜,基于预设的破损类型对真实破损图像进行仿真处理,得到第二图像破损掩膜,根据第一图像破损掩膜和第二图像破损掩膜,得到目标图像破损掩膜,从而得到真实破损图像中所有的缺损区域,本申请通过采用两种检测方法,即对真实破损图像进行检测,以及对真实破损图像进行仿真检测,分别生成第一图像破损掩膜和第二图像破损掩膜,增加了检测数据和检测数据的多样性,能够提高图像中缺损区域检测的准确度,进而实现对真实破损图像的数字化修复。
首先,对本公开中涉及的若干名词和技术进行解释:
数字图像:又称数码图像或数位图像,是二维图像用有限数字数值像素的表示,由数组或矩阵表示,其光照位置和强度都是离散的。数字图像是由模拟图像数字化得到的、以像素为基本元素的、可以用数字计算机或数字电路存储和处理的图像。
图像破损掩膜:用选定的图像、图形或物体、对待处理的图像进行遮挡来控制图像处理的区域或处理过程。
方向梯度直方图(Histogram of Oriented Gradient,HOG)特征:是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子,HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征。
L1范数:是向量中各个元素绝对值之和,L1范数可以进行特征选择,即让特征的系数变为0。
归一化:是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为标量。
RGB:是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的,RGB即是代表红、绿、蓝三个通道的颜色,这个标准几乎包括了人类视力所能感知的所有颜色,是运用最广的颜色***之一。
自编码器(autoencoder,AE):是一类在半监督学习和非监督学习中使用的人工神经网络(Artificial Neural Networks,ANNs),其功能是通过将输入信息作为学习目标,对输入信息进行表征学习。
U-Net:是较早的使用全卷积网络进行语义分割的算法之一。
最邻近相似算法:是数据挖掘分类技术中最简单的方法之一,是一种将数据集合中每一个记录进行分类的方法。
侵蚀算法:用于形态学中除去图像的某些部分。
需要说明的是,本申请实施例所针对的图像的破损检测方法,主要指对绘画艺术品,例如古画、壁画等的缺损区域进行数字化的检测过程。
第一方面,本申请实施例提供了一种图像的破损检测方法。
参照图1,本申请实施例的图像的破损检测方法具体包括步骤:
S100,获取待检测的真实破损图像,并获取预设的破损类型;
S200,对真实破损图像进行处理,得到真实破损图像对应的第一图像破损掩膜;
S300,基于破损类型对真实破损图像进行仿真处理,得到第二图像破损掩膜;
S400,根据第一图像破损掩膜和第二图像破损掩膜,得到目标图像破损掩膜。
在步骤S100中,获取待检测的真实破损图像,并获取预设的破损类型,真实破损图像指需要进行破损检测的实体绘画艺术品,破损类型指绘画艺术品出现裂纹、剥落和划痕等。
在步骤S200中,对真实破损图像进行处理,得到真实破损图像对应的第一图像破损掩膜,对真实破损图像进行处理,具体是对基于统计特性的真实破损图像对应的缺损区域进行检测,需要说明的是,步骤S200是对真实的图像进行破损检测,经过破损检测后得到真实破损图像对应的破损掩膜,即第一图像破损掩膜。
在一些实施例中,步骤S200具体包括如下步骤:
获取真实破损图像对应的第一破损像素区域;
从第一破损像素区域选取多个破损像素;
根据破损像素对应的像素表征数据,计算第一破损像素区域对应的像素阈值;
从多个破损像素中选取参考像素;
计算每一破损像素与参考像素对应的像素距离;
根据每一像素距离和像素阈值,得到真实破损图像对应的第一图像破损掩膜。
在步骤“获取真实破损图像对应的第一破损像素区域”之前,首先需要计算图像梯度,提取图像像素的HOG特征H(p),接下来计算真实破损图像的已知像素对应的特征表达,具体过程为:在真实破损图像的一致区域随机选取k个像素块,例如将每4*4个像素组成一个单元格,每2*2个cell组成一个单元格,计算每个单元格的图像梯度,接着用LI范数在每个块中取归一化,并且结合真实破损图像的RGB像素特征R(p),构成像素p的特征表达,接着获取真实破损图像对应的第一破损像素区域,即真实破损图像已经出现缺损的区域。
其中,图像像素的HOG特征H(p)由公式(1)至公式(3)得到,像素p的特征表达由公式(5)得到:
GX(x,y)=I(x+1,y)-I(x-1,y) (1)
Gy(x,y)=I(x,y+1)-I(x,y-1) (2)
φ(p)=αH(p)+βR(p) (5)
GX(x,y)、Gy(x,y)和I(x,y)分别表示输入图像,即待检测的真实图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值,公式(3)的结果为像素点(x,y)处的梯度幅度、公式(4)的结果为像素点(x,y)处的梯度方向,像素p的特征表达为φ(p)。
在步骤“从第一破损像素区域选取多个破损像素”中,获取待检测的真实图像中的多个破损区域,例如随机选取其中一个破损区域,即第一破损像素区域,从第一破损像素区域中随机选取多个,例如k个破损像素[r1,...,rk]。
在步骤“根据破损像素对应的像素表征数据,计算第一破损像素区域对应的像素阈值”中,首先令破损像素对应的像素表征数据为并计算第一破损像素区域对应的像素阈值t,像素阈值t由公式(6)得到:
在步骤“从多个破损像素中选取参考像素”和步骤“计算每一破损像素与参考像素对应的像素距离”中,首先选取步骤“从第一破损像素区域选取多个破损像素”对应的k个破损像素,随机一个破损像素,作为参考像素,例如选取像素r1作为参考像素,然后计算每一破损像素与参考像素对应的像素距离,具体为:计算真实破损图像中任意像素p与参考像素r1表征间的距离,像素p与参考像素r1表征间的距离由公式(7)得到:
在步骤“根据每一像素距离和像素阈值,得到真实破损图像对应的第一图像破损掩膜”中,根据每一像素距离,即公式(6)计算出的结果t,和像素阈值,即公式(7)计算出的结果,得到真实破损图像对应的第一图像破损掩膜,也就是本申请实施例中对真实破损图像进行检测后,得到的图像破损区域,其中图像破损区域由公式(8)得到:
其中,当表示该像素为正常像素,即真实破损图像中已知的像素,当表示该像素为破损像素,即真实破损图像中已经破损的像素,多个破损像素组合起来形成图像破损区域。
在一些实施例中,如图2所示,步骤S300具体包括步骤:
S310,基于破损类型对第一仿真破损图像进行初始化处理,得到第一仿真破损图像对应的仿真像素和初始裂纹,以及初始裂纹对应的裂纹数据;
S320,根据仿真像素和裂纹数据对初始裂纹进行更新,得到目标裂纹;
S330,根据目标裂纹得到第二图像破损掩膜。
在步骤S310中,基于破损类型对第一仿真破损图像进行初始化处理,得到第一仿真破损图像对应的仿真像素和初始裂纹,以及初始裂纹对应的裂纹数据,其中破损类型包括裂纹、剥落和划痕等,本步骤中的破损类型具体指裂纹和剥落,在进行图像的仿真处理之前,需要获取到具体的破损类型,再根据破损类型选择相应的仿真方案。如果破损类型为裂纹和剥落,那么就考虑对真实破损图像进行仿真,对仿真的第一仿真破损图像进行检测,得到对应的破损区域,其中第一仿真图像对应的仿真像素,仿真像素为第一仿真图像中某个像素,用于后续对真实破损图像进行检测,初始裂纹为***在进行仿真测试过程中,首先在第一仿真破损图像中检测第一次出现的裂纹,初始裂纹生成的具体过程为:首先初始化每个仿真像素与相邻像素间的拉力σ、像素颜料与载体间的绘画强度s和附着力u,其中初始的绘画强度s远远大于拉力σ,需要说明的是,像素颜料与载体间的关系是本申请进行推理假设的一种仿真方法,假设颜料附着在载体,例如墙壁、纸张和画布等,当像素颜料的附着力不够时,像素颜料将从载体中脱落,结合多个裂纹数据可以对图像进行仿真模拟的操作,对第一仿真破损图像进行初始化处理后,将绘画强度逐渐减小,将拉力逐渐增大,当σ>2s时,裂纹出现,根据仿真像素的位置以及预先设置的初始裂纹对应的裂纹数据分别为:裂纹宽度Wu和三个裂纹拐角θ1、θ2和θ3,并根据每个拐角裂纹的长度Lc绘制裂纹,得到初始裂纹,其中,裂纹宽度Wu和三个裂纹拐角θ1、θ2和θ3之间的位置关系如图3所示。
在步骤S320中,根据仿真像素和裂纹数据对初始裂纹进行更新,得到目标裂纹,具体通过将初始裂纹进行扩散、更新附着力u等,对初始裂纹进行更新后得到目标裂纹。
在一些实施例中,如图4所示,具体说明对第一仿真破损图像的裂纹和剥落缺损所涉及到各种参数的关系,其中当绘画强度s和像素不断减小,而像素间的拉力不断增大时,裂纹会逐渐扩大,当像素颜料的附着力不够时,会导致像素颜料从载体中脱落,其中,每个仿真像素与相邻像素间的拉力σ、像素颜料与载体间的绘画强度s和附着力u的在仿真过程中会产生变化,例如增加或减小,将每个仿真像素与相邻像素间的拉力σ之间的变化量设置为Δσ,将绘画强度s的变化量设置为Δs,将像素颜料的附着力u的变化量设置为Δu,通过多个变化量可以对各参数进行调整,从而达到对真实破损图像的裂纹和剥落进行仿真模拟的目的,其中各个参数的变化量都可以根据实际需求随机设置。
在一些实施例中,如图5所示,步骤S320具体包括步骤:
S321,从仿真像素中提取与初始裂纹对应的第一边界像素;
S322,将初始裂纹沿第一边界像素向外扩散,得到扩散后的扩散宽度数据;
S323,获取第一边界像素对应的像素颜料与仿真载体之间的初始附着力和初始绘画强度;
S324,根据预设的更新参数对初始附着力进行更新,得到更新附着力;
S325,比较更新附着力与初始绘画强度之间的大小关系;
S326,若更新附着力小于初始绘画强度,则根据扩散宽度数据对初始裂纹进行更新,得到目标裂纹。
在步骤S321至步骤S326中,首先从仿真像素中提取与初始裂纹对应的第一边界像素,也就是初始裂纹对应的边界像素,其次将初始裂纹沿第一边界像素向外扩散,得到扩散后的扩散宽度数据,换句话说,初始裂纹从边界像素逐渐向外扩散,得到实时扩散的宽度Wu,接着根据预设的更新参数对初始附着力进行更新,得到更新附着力,其中初始附着力为最先设置得到的u,预设的更新参数为上文提到的变化量Δu,更新附着力即u'=u-Δu,进一步的,比较更新附着力u'与初始绘画强度s之间的大小关系,若更新附着力u'大于或等于初始绘画强度s,则继续减小附着力,直到满足更新附着力u'小于初始绘画强度s,若更新附着力u'小于初始绘画强度s,则根据扩散的宽度Wu对初始裂纹进行更新,具体为:继续扩散初始裂纹,扩散后的初始裂纹即目标裂纹,其中目标裂纹,即新的裂纹的生成方式如图6所示。
在步骤S330中,根据目标裂纹得到第二图像破损掩膜,在得到目标裂纹之后,还需要实时检测第一仿真破损图像对应的破损掩膜,即第二图像破损掩膜,当破损掩膜中的缺损区域达到预设范围时,才保存第二破损掩膜,在实际应用中,当破损掩膜中的破损区域达到20%至30%时,保存第二图像破损掩膜。
在一些实施例中,步骤S300具体还包括如下步骤:
基于破损类型对第二仿真破损图像进行初始化处理,得到划痕破损数据;
根据划痕破损数据对第二仿真破损图像进行模拟的划痕操作,得到第二图像破损掩膜。
在步骤“基于破损类型对第二仿真破损图像进行初始化处理,得到划痕破损数据”中,破损类型包括裂纹、剥落和划痕等,本步骤中的破损类型具体指划痕,在进行图像的仿真处理之前,需要获取到具体的破损类型,再根据破损类型选择相应的仿真方案。如果破损类型为划痕,那么就考虑对真实破损图像进行仿真,对仿真的第二仿真破损图像进行检测,进行初始化处理指的是预先设置第二仿真破损图像中各种划痕破损数据及其初始值,划痕破损数据主要包括笔刷拐点的数量、笔刷宽度阈值、笔刷转弯的最大拐角、单个划痕的最大长度、笔刷拐点的个数、笔刷起点坐标、笔刷宽度等,在实际应用中,设置笔刷拐点数量的最大值为M,笔刷宽度阈值为[bl,bh],设置笔刷转弯的最大拐角为A,设置单个划痕的最大长度为L,随机选取笔刷拐点个数为m<M,随机选取笔刷起点坐标为(x,y),在阈值范围内随机选取笔刷宽度b,bl<b<bh,需要说明的是,阈值范围可随机给定,通常情况下,最大不可超过min(m,n)/2,最小不能小于0。
在步骤“根据划痕破损数据对第二仿真破损图像进行模拟的划痕操作,得到第二图像破损掩膜”中,本申请实施例提到的划痕破损仿真结果,例如对笔刷的刷痕进行仿真的结果,具体如图7所示,对图像的划痕破损进行仿真的流程如图8所示,具体为:首先,初始化笔刷拐点数m,其中0<m<M,初始化划痕起点坐标(x,y),以及笔刷宽度b,接着随机选取m个拐角[a1,...am],并且任意的拐角ai均小于A,对于每个拐点都进行如下步骤:随机选取线条的长度I,其中I<L,基于笔刷起点、拐角、线条长度及笔刷宽度画线,并更新划痕起点的坐标,新的横坐标x=x+l*sin(ai),新的纵坐标y=y+l*sin(ai),接着在新的起点处画预设半径的半圆,例如预设半径为b/2,当所有拐点都执行完以上步骤,就生成第二图像破损掩膜。
在一些实施例中,步骤S300具体还包括步骤:
基于破损类型对第三仿真破损图像进行初始化处理,得到第三仿真破损图像对应的图像尺寸阈值,以及第三仿真破损图像的预设编辑框对应的编辑框阈值;
根据编辑框阈值随机生成仿真编辑框;
获取仿真编辑框对应的编辑框坐标;
根据编辑框坐标、图像尺寸阈值和编辑框阈值,得到第二图像破损掩膜。
在步骤“基于破损类型对第三仿真破损图像进行初始化处理,得到第三仿真破损图像对应的图像尺寸阈值,以及第三仿真破损图像的预设编辑框对应的编辑框阈值”中,破损类型包括裂纹、剥落和划痕等,本步骤中的破损类型具体指图像的编辑框,在进行图像的仿真处理之前,需要获取到具体的破损类型,再根据破损类型选择相应的仿真方案。如果需要对图像的编辑框进行仿真,那么就对仿真的第三仿真破损图像进行检测,进行初始化处理指的是预先设置第三仿真破损图像对应的图像尺寸阈值,以及预设编辑框对应的编辑框阈值,其中图像阈值包括图像的大小阈值,包括图像宽度阈值、图像长度阈值等,预设编辑框由第三仿真破损图像对应的绘画编辑框进行初始化操作得到,可以是***随机生成,也可由用户自定义生成,编辑框阈值主要包括编辑框数量阈值,编辑框长度阈值、编辑框宽度阈值等。
在步骤“根据编辑框阈值随机生成仿真编辑框”、步骤“获取仿真编辑框对应的编辑框坐标”和步骤“根据编辑框坐标、图像尺寸阈值和编辑框阈值,得到第二图像破损掩膜”中,具体为:假设图像的大小为[IH,IW],并将编辑框长度及编辑框的宽度的最大值分别设为H<IH/2和W<IW/2,设计编辑框数量的最大值为N,接着随机选取编辑框的个数n,其中1<n<N,每个编辑框的长度为:随机选取小于编辑框长度的数值,每个编辑框的宽度为:随机选取小于编辑框宽度的数值,并且随机选取编辑框中心坐标,将中心坐标设为(nx,ny),当编辑框对应的坐标nx+H/2>IH时,将编辑框的长度取值为IH;当编辑框的坐标nx-H/2<1时,将编辑框的长度取值为1;当编辑框的坐标ny+W/2>IW时,将编辑框的宽度取值为IW;当编辑框的坐标ny-W/2<1时,将编辑框的宽度取值为1,根据以上对图像编辑框进行仿真的结果,生成第二图像破损掩膜。
在步骤S400中,根据第一图像破损掩膜和第二图像破损掩膜,得到目标图像破损掩膜,需要说明的是,第一图像破损掩膜和第二图像破损掩膜为基于本申请生成破损图像的两种方法进行破损检测的结果,在实际应用中,本申请中生成破损图像的两种方法,第一种是基于统计特征的缺损区域检测得到粗估计的真实破损掩膜,即本申请实施例提到的第一图像破损掩膜,另一种是对待检测图像进行缺损建模后检测,得到仿真的破损掩膜,即本申请实施例提到的第二图像破损掩膜,需要说明的是,上述两种方法用于增加数据及其多样性,粗估计的真实掩膜是现实世界真实存在的破损样本,而仿真样本是基于数学及逻辑对真实的破损进行仿真,基于统计特性的缺损区域粗检测是为了数据的生成,主要是针对小样本数据,例如对于数量较少的真实破损图像的粗检测,而对缺损区域进行粗检测是为了实际测试中的破损检测,结合两种方向的破损检测,能够比传统的方法具备更精细的检测效果,在实际应用中,生成第一图像掩膜和第二图像掩膜后,还可以进一步进行细化,对第一图像掩膜和第二图像掩膜进行处理,提升缺损掩膜估计的准确性。
在一些实施例中,步骤S400具体还包括步骤:将第一图像破损掩膜和第二图像破损掩膜输入至预设训练模型进行训练,得到目标图像破损掩膜,图9为本申请一些实施例提供的训练模型的具体结构图,其中预设训练模型根据自编码器和U-Net算法生成,具体为:将上述步骤得到的检测结果输入至预设训练模型,由预设训练模型对上述步骤得到的检测结果进行优化,得到优化后的目标图像破损掩膜,在实际应用中,本申请实施例参考了自编码器及U-Net提出的编码器与解码器的信息交互,设计了绘画缺损区域学习的网络架构来进一步优化图像破损检测的检测效果,得到破损检测准确度更高的目标图像破损掩膜,本申请实施例通过设计最近邻相似及侵蚀算法对破损掩膜进行微调和优化,能够进一步提升图像破损检测的准确度。
在一些实施例中,本申请提到的图像的破损检测方法具体还包括步骤:
获取目标图像破损掩膜对应的第二边界像素、第二破损像素区域和正常像素区域;
计算每一第二边界像素分别与第二破损像素区域对应的第一相邻像素,以及与正常像素区域对应的第二相邻像素之间的像素距离,得到多个相邻距离;
根据多个相邻距离更新目标图像破损掩膜。
在步骤“获取目标图像破损掩膜对应的第二边界像素、第二破损像素区域和正常像素区域”、步骤“计算每一第二边界像素分别与第二破损像素区域对应的第一相邻像素,以及与正常像素区域对应的第二相邻像素之间的像素距离,得到多个相邻距离”和步骤“根据多个相邻距离更新目标图像破损掩膜”中,大致思路为:基于最邻近相似方法和侵蚀算法对目标破损掩膜进行微调,其中,目标图像破损掩膜为步骤S400中的学习模型估计的破损掩膜,选取目标图像破损掩膜对应的边界像素,即第二边界像素,并获取第二破损像素区域和正常像素区域,其中第二破损像素区域指未知像素区域,正常像素区域指已知像素区域,设第二边界像素为p,计算第二边界像素p与未知区域的第一相邻像素及已知区域的第二相邻像素的距离,得到相邻距离,其中相邻距离由公式(9)得到:
若设置侵蚀算法对应的侵蚀阈值为td,且td<1,使用侵蚀算法进一步减小破损掩膜估计的召回率,其中召回率由公式(10)得到:
其中,以像素p为中心取像素块,当该像素块中对应的破损像素的个数小于侵蚀阈值td,则将该像素的破损掩码值设置为1,表示该像素对应的区域为破损区域,当该像素块中对应的破损像素的个数大于或等于侵蚀阈值td,则将该像素的破损掩码值设置为0,表示该像素对应的区域为已知区域,根据检测到的破损区域和已知区域得到新的目标破损掩膜。
在本申请实施例中,如图10至图12所示,图像的破损检测检测方法具体思路为:获取破损的图像,例如绘画艺术品。基于改进U-Net的缺损区域对绘画艺术品进行粗检测,接着基于最邻近相似及侵蚀算法对绘画艺术品进行细检测,生成破损掩膜。其中对绘画艺术品进行粗检测的过程为:获取真实的破损绘画艺术品,基于统计特性对绘画艺术品的缺损区域进行检测,得到粗估计的真实破损掩膜,同时对绘画艺术品进行缺损建模,得到仿真的破损掩膜,根据粗估计的真实破损掩膜和仿真的破损掩膜得到完整的绘画艺术品,并且得到绘画缺损仿真的数据集。对绘画艺术品进行细检测的过程为:在图像的已知区域随机选取k个像素块,根据选取已知像素块的距离设置阈值,基于参考像素块和阈值生成破损掩膜,基于侵蚀算法优化破损掩膜。
在本申请实施例中,通过获取待检测的真实破损图像,并获取预设的破损类型,对获取到的真实破损图像进行处理,得到真实破损图像对应的第一图像破损掩膜,基于预设的破损类型对真实破损图像进行仿真处理,得到第二图像破损掩膜,根据第一图像破损掩膜和第二图像破损掩膜,得到目标图像破损掩膜,从而得到真实破损图像中所有的缺损区域,本申请通过采用两种检测方法,即对真实破损图像进行检测,以及对真实破损图像进行仿真检测,分别生成第一图像破损掩膜和第二图像破损掩膜,增加了检测数据和检测数据的多样性,能够提高图像中缺损区域检测的准确度,进而实现对真实破损图像的数字化修复。
第二方面,本申请实施例还提供了一种电子设备。
在一些实施例中,电子设备包括:至少一个处理器,以及与至少一个处理器通信连接的存储器;其中,存储器存储有指令,指令被至少一个处理器执行,以使至少一个处理器执行指令时实现本申请实施例中任一项图像的破损检测方法。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序,如本申请实施例描述的图像的破损检测方法。处理器通过运行存储在存储器中的非暂态软件程序以及指令,从而实现上述的图像的破损检测方法。
存储器可以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***、至少一个功能所需要的应用程序;存储数据区可存储执行上述图像的破损检测方法。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,比如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述的图像的破损检测方法所需的非暂态软件程序以及指令存储在存储器中,当被一个或者多个处理器执行时,执行上述第一方面实施例中提到的图像的破损检测方法。
第三方面,本申请实施例还提供了计算机可读存储介质。
在一些实施例中,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于执行第一方面实施例中提到的图像的破损检测方法。
在一些实施例中,该存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,比如,被上述电子设备中的一个处理器执行,可使得上述一个或多个处理器执行上述图像的破损检测方法。
以上所描述的装置实施例仅仅是示意性的,其中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,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模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本申请实施例作了详细说明,但是本申请不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本申请宗旨的前提下作出各种变化。此外,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
Claims (7)
1.一种图像的破损检测方法,其特征在于,包括:
获取待检测的真实破损图像,并获取预设的破损类型;
对所述真实破损图像进行处理,得到所述真实破损图像对应的第一图像破损掩膜;
基于所述破损类型对所述真实破损图像进行仿真处理,得到第二图像破损掩膜;
根据所述第一图像破损掩膜和所述第二图像破损掩膜,得到目标图像破损掩膜;
其中,所述基于所述破损类型对所述真实破损图像进行仿真处理,得到第二图像破损掩膜,包括:
基于所述破损类型对第一仿真破损图像进行初始化处理,得到所述第一仿真破损图像对应的仿真像素和初始裂纹,以及所述初始裂纹对应的裂纹数据;从所述仿真像素中提取与所述初始裂纹对应的第一边界像素;将所述初始裂纹沿所述第一边界像素向外扩散,得到扩散后的扩散宽度数据;获取所述第一边界像素对应的像素颜料与仿真载体之间的初始附着力和初始绘画强度;根据预设的更新参数对所述初始附着力进行更新,得到更新附着力;比较所述更新附着力与所述初始绘画强度之间的大小关系;若所述更新附着力小于所述初始绘画强度,则根据所述扩散宽度数据对所述初始裂纹进行更新,得到目标裂纹;根据所述目标裂纹得到所述第二图像破损掩膜;
或
基于所述破损类型对第三仿真破损图像进行初始化处理,得到所述第三仿真破损图像对应的图像尺寸阈值,以及所述第三仿真破损图像的预设编辑框对应的编辑框阈值;根据所述编辑框阈值随机生成仿真编辑框;获取所述仿真编辑框对应的编辑框坐标;根据所述编辑框坐标、所述图像尺寸阈值和所述编辑框阈值,得到所述第二图像破损掩膜。
2.根据权利要求1所述的图像的破损检测方法,其特征在于,所述对所述真实破损图像进行处理,得到所述真实破损图像对应的第一图像破损掩膜,包括:
获取所述真实破损图像对应的第一破损像素区域;
从所述第一破损像素区域选取多个破损像素;
根据所述破损像素对应的像素表征数据,计算所述第一破损像素区域对应的像素阈值;
从多个所述破损像素中选取参考像素;
计算每一所述破损像素与所述参考像素对应的像素距离;
根据每一所述像素距离和所述像素阈值,得到所述真实破损图像对应的第一图像破损掩膜。
3.根据权利要求1至2任一项所述的图像的破损检测方法,其特征在于,所述基于所述破损类型对所述真实破损图像进行仿真处理,得到第二图像破损掩膜,包括:
基于所述破损类型对第二仿真破损图像进行初始化处理,得到划痕破损数据;
根据所述划痕破损数据对所述第二仿真破损图像进行模拟的划痕操作,得到所述第二图像破损掩膜。
4.根据权利要求1至2任一项所述的图像的破损检测方法,其特征在于,所述根据所述第一图像破损掩膜和所述第二图像破损掩膜,得到目标图像破损掩膜,包括:
将所述第一图像破损掩膜和所述第二图像破损掩膜输入至预设训练模型进行训练,得到所述目标图像破损掩膜,其中所述预设训练模型根据自编码器和U-Net算法生成。
5.根据权利要求1至2任一项所述的图像的破损检测方法,其特征在于,所述方法还包括:
获取所述目标图像破损掩膜对应的第二边界像素、第二破损像素区域和正常像素区域;
计算每一所述第二边界像素分别与所述第二破损像素区域对应的第一相邻像素,以及与所述正常像素区域对应的第二相邻像素之间的像素距离,得到多个相邻距离;
根据多个所述相邻距离更新所述目标图像破损掩膜。
6.一种电子设备,其特征在于,包括:
至少一个处理器,以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述指令时实现如权利要求1至5任一项所述的图像的破损检测方法。
7.一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存储有计算机可执行指令,所述计算机可执行指令用于执行如权利要求1至5任一项所述的图像的破损检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110914020.XA CN113744199B (zh) | 2021-08-10 | 2021-08-10 | 图像的破损检测方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110914020.XA CN113744199B (zh) | 2021-08-10 | 2021-08-10 | 图像的破损检测方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113744199A CN113744199A (zh) | 2021-12-03 |
CN113744199B true CN113744199B (zh) | 2023-09-26 |
Family
ID=78730553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110914020.XA Active CN113744199B (zh) | 2021-08-10 | 2021-08-10 | 图像的破损检测方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744199B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152262B (zh) * | 2023-04-24 | 2023-06-23 | 东莞市群安塑胶实业有限公司 | 一种离子性中间膜外观缺陷检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102193302A (zh) * | 2010-03-03 | 2011-09-21 | 中芯国际集成电路制造(上海)有限公司 | 一种掩膜图形缺陷的检测方法及*** |
CN103595980A (zh) * | 2013-10-25 | 2014-02-19 | 西安电子科技大学 | 基于轮廓非局部均值的色彩滤波阵列图像去马赛克方法 |
CN103595981A (zh) * | 2013-10-25 | 2014-02-19 | 西安电子科技大学 | 基于非局部低秩的色彩滤波阵列图像去马赛克方法 |
CN108885787A (zh) * | 2018-07-06 | 2018-11-23 | 深圳前海达闼云端智能科技有限公司 | 训练图像修复模型的方法、图像修复方法、装置、介质及设备 |
CN111814867A (zh) * | 2020-07-03 | 2020-10-23 | 浙江大华技术股份有限公司 | 缺陷检测模型的训练方法、缺陷检测方法及相关装置 |
CN112418054A (zh) * | 2020-11-18 | 2021-02-26 | 北京字跳网络技术有限公司 | 图像处理方法、装置、电子设备和计算机可读介质 |
CN112418249A (zh) * | 2020-11-18 | 2021-02-26 | 北京字跳网络技术有限公司 | 掩膜图像生成方法、装置、电子设备和计算机可读介质 |
-
2021
- 2021-08-10 CN CN202110914020.XA patent/CN113744199B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102193302A (zh) * | 2010-03-03 | 2011-09-21 | 中芯国际集成电路制造(上海)有限公司 | 一种掩膜图形缺陷的检测方法及*** |
CN103595980A (zh) * | 2013-10-25 | 2014-02-19 | 西安电子科技大学 | 基于轮廓非局部均值的色彩滤波阵列图像去马赛克方法 |
CN103595981A (zh) * | 2013-10-25 | 2014-02-19 | 西安电子科技大学 | 基于非局部低秩的色彩滤波阵列图像去马赛克方法 |
CN108885787A (zh) * | 2018-07-06 | 2018-11-23 | 深圳前海达闼云端智能科技有限公司 | 训练图像修复模型的方法、图像修复方法、装置、介质及设备 |
CN111814867A (zh) * | 2020-07-03 | 2020-10-23 | 浙江大华技术股份有限公司 | 缺陷检测模型的训练方法、缺陷检测方法及相关装置 |
CN112418054A (zh) * | 2020-11-18 | 2021-02-26 | 北京字跳网络技术有限公司 | 图像处理方法、装置、电子设备和计算机可读介质 |
CN112418249A (zh) * | 2020-11-18 | 2021-02-26 | 北京字跳网络技术有限公司 | 掩膜图像生成方法、装置、电子设备和计算机可读介质 |
Non-Patent Citations (1)
Title |
---|
Feature learning and patch matching for diverse image inpainting;Yuan Zeng et.al;《Pattern Recognition》;第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113744199A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330956B (zh) | 一种漫画手绘图无监督上色方法及装置 | |
WO2020108358A1 (zh) | 图像修复方法、装置、计算机设备和存储介质 | |
JP7090113B2 (ja) | 線画の生成 | |
JP6613605B2 (ja) | 深度画像の深度値復元方法及びシステム | |
Giakoumis et al. | Digital image processing techniques for the detection and removal of cracks in digitized paintings | |
US8204308B2 (en) | Image processing apparatus, method, and program | |
US20150310305A1 (en) | Learning painting styles for painterly rendering | |
CN112991193B (zh) | 深度图像修复方法、设备及计算机可读存储介质 | |
CN112884669B (zh) | 基于多尺度内容注意力机制的图像修复方法、存储介质和终端 | |
WO2020052352A1 (zh) | 用于对车辆损伤图像进行损伤分割的方法及装置 | |
CN111626912B (zh) | 水印去除方法及装置 | |
CN110268442B (zh) | 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品 | |
CN113744142B (zh) | 图像修复方法、电子设备及存储介质 | |
CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
CN109829510A (zh) | 一种产品品质分级的方法、装置和设备 | |
CN113744199B (zh) | 图像的破损检测方法、电子设备及存储介质 | |
Mai et al. | Back propagation neural network dehazing | |
CN111724327A (zh) | 图像修复模型训练方法及***及图像修复方法 | |
CN104168402A (zh) | 一种视频帧图像去雾方法及装置 | |
CN110956184A (zh) | 一种基于hsi-lbp特征的抽象图方向确定方法 | |
CN116452511A (zh) | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 | |
TWI771932B (zh) | 用於開發觸覺教學材料的圖像轉換方法 | |
Lokhande et al. | Image Inpainting Image Inpainting | |
Chaczko et al. | A preliminary investigation on computer vision for telemedicine systems using OpenCV | |
Chaczko et al. | Teaching Computer Vision for telemedicine systems using OpenCV |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |