CN114708180B - 具有动态范围保持的预失真图像比特深度量化和增强方法 - Google Patents
具有动态范围保持的预失真图像比特深度量化和增强方法 Download PDFInfo
- Publication number
- CN114708180B CN114708180B CN202210398259.0A CN202210398259A CN114708180B CN 114708180 B CN114708180 B CN 114708180B CN 202210398259 A CN202210398259 A CN 202210398259A CN 114708180 B CN114708180 B CN 114708180B
- Authority
- CN
- China
- Prior art keywords
- image
- bit
- predistortion
- quantization
- bit image
- 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
- 238000013139 quantization Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004321 preservation Methods 0.000 title claims description 10
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000012423 maintenance Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种具有动态范围保持的预失真图像比特深度量化和增强方法,属于图像处理技术领域。本发明首先对输入高比特图像进行归一化处理,然后计算预失真模板图像并调整其分辨率,得到预失真图像,之后将归一化后的高比特图像与预失真图像逐像素相加,再者根据低比特图像位深计算具有动态范围保持特性的量化函数对预失真高比特图像进行量化处理,最后将该低比特图像作为网络的输入图像,通过卷积神经网络对低比特图像进行比特深度增强得到高比特图像。这种具有动态范围保持的量化方法能够抑制重建图像中在过明或过暗区域的模糊,提高图像重构质量。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种具有动态范围保持的预失真图像的比特深度增强方法。
背景技术
图像作为现代主流的信息载体,给日常生活带来便利的同时也给存储与传输设备带来较大的挑战。并且在一些像无线传感网络这类具有非对称***复杂性的应用场景,即在数据接收端计算资源不受限,在数据传输端计算资源受限,故降低图像传输端的数据量是十分有必要的。通过将高比特图像(即高比特深度图像,图像的比特深度是描述像素每个通道所能表达的灰度范围,例如位深度为n的图像能够表示2n种灰度,颜色表示也更细腻,图像在视觉上的体验也更好)量化为低比特图像能够实现对图像的简单压缩,然而,降低图像的比特深度会带来颜色失真和伪轮廓的问题,这将严重影响观看体验。增大量化步长可以提升压缩效率,但是会引入更严重的伪轮廓和颜色失真,使得即使是性能最好的神经网络方法也无法保证对这两种伪迹的有效抑制。为此,联合重构方法在低比特图像生成时,通过施加预失真获得具有较少伪迹的低比特图像,有利于重构高质量的高比特图像。然而,现有的量化方法由于动态范围损失,使得基于深度学习的联合重构方法生成的高比特图像的过明和过暗区域的边界出现明显的模糊,影响主观视觉体验。
发明内容
本发明的目的在于提出一种具有动态范围保持的比特深度量化方法,能够进一步提升比特深度增强性能,实现对重构高比特图像在过明和过暗区域明显模糊的抑制,使得重构高比特图像达到最佳的主客观质量。
本发明采用的技术方案为:
具有动态范围保持的预失真图像比特深度量化和增强方法,包括以下步骤:
步骤S1:对高比特图像进行量化处理:
步骤S101:对输入的高比特图像进行归一化处理:将每个像素的灰度值除以所述高比特图像的最大灰度值;
基于量化目标的比特深度l计算得到量化步长Q=1/(2l-1),即高比特图像经量化处理后将得到比特深度为l的低比特图像;
步骤S102:根据量化步长Q计算得到预失真函数(Planned Sensor Distortion,PSD)模板图像;
步骤S102:对得到的模板图像进行无重叠平铺处理,得到图像分辨率与所述高比特图像一致的预失真图像;
步骤S103:将预失真图像与归一化处理后的高比特图像进行逐像素相加,得到预失真高比特图像;
步骤S104:根据量化步长Q设置具有动态范围保持的量化方式,对预失真高比特图像进行量化,得到低比特图像;
步骤S2:通过卷积神经网络建立低比特图像到高比特图像间的映射关系,得到图像比特深度增强网络;以步骤S1得到的低比特图像作为所述图像比特深度增强网络的输入,基于其输出得到增强后的图像,即重构后的高比特图像。
进一步的,所述步骤S104中,具有动态范围保持的量化方式具体为:
若当前像素的灰度值小于或等于Q/2,则当前像素的灰度值被量化为0;
若当前像素的灰度值大于1-Q/2,则当前像素的灰度值被量化为1;
若当前像素的灰度值位于[Q/2,1-Q/2],将取值范围[Q/2,1-Q/2]均匀划分为多个子区间,对每个子区间,基于其中点得到当前子区间的量化值。
进一步的,所述步骤S104中,对于取值范围为[Q/2,1-Q/2]的灰度值,量化时的新量化步长Δ=(1-Q)/(2l-2),每个子区间的量化值为[Q+(2k+1)Δ]/2,其中,k=0,1,…2l-3。
进一步的,S102中,模板图像为3×3,且在任意3×3邻域中为{Q(1-L)/2L,Q(3-L)/2L,…,Q(L-1)/2L}的完整集合,其中L=(2n+1)2,n=1。
即本发明中,所采用的具有动态范围保持的量化方式属于一种非均匀量化方法,由于经过预失真模板图像处理的高比特图像的灰度值范围会出现小于0和大于1的情况,分别超出规定范围[0,1]外Q/2,故新的值域修改为[-Q/2,1+Q/2]。当对图像进行l bit量化,则共有2l个量化区间,当预失真高比特图像处于小于等于Q/2的范围内时,灰度值被量化为0,当预失真高比特图像处于大于1-Q/2的灰度范围时被量化为1,当预失真高比特图像在中间范围[Q/2,1-Q/2]时,首先将该范围进行均匀量化,得到新的量化步长Δ=(1-Q)/(2n-2),每个区间都取其中点作为量化值,即[Q+(2k+1)Δ]/2。对预失真高比特图像用该方式进行量化,从而得到低比特图像,该过程可以用函数表示如下:
其中,IL表示量化后的低比特图像,IPSD表示预失真高比特图像。
本发明提供的技术方案至少带来如下有益效果:
对预失真高比特图像进行传统的例如四舍五入和向下取整的均匀量化方法会带来动态范围损失的问题,改进后的量化方法对最亮和最暗区间采取非均匀量化,对中间区域采取均匀量化,达到动态范围保持的目的,从而抑制重建高比特图像在过明和过暗区域的模糊问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中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发明的一些实施例,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它的附图。
图1是本发明实施例提供的一种具有动态范围保持的预失真图像比特深度量化和增强方法的处理过程示意图;
图2是本发明实施例中的预失真模板图像示意图;
图3是本发明实施例中的量化处理示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种具有动态范围保持的预失真图像比特深度量化和增强方法,基于PSD的比特深度增强算法属于联合重构类算法,同时考虑低比特图像的生成过程和高比特图像的重构过程,在量化前对图像进行预失真处理以构建信号的有效多观测,有利于后续阶段卷积神经网络对比特深度进行重建,提高图像重构质量。当应用在图像传输处理时,可通过本发明实施例提供的量化处理,对将高比特图像进行压缩处理,然后进行图像传输处理,在接收端,基于本发明实施例提供的增强方式进行低比特到高比特的图像增强,以实现在接收端重构出质量较高的高比特图像,从而实现对接收的低比特图像在高比特显示器中的显示转换处理。
如图1所示,本发明实施例提供的具有动态范围保持的预失真图像比特深度量化和增强方法的具体实施过程包括:高比特图像的归一化处理、预失真函数模板图像(预失真模板图像)的计算、预失真图像的获取、量化函数的计算、对预失真图像进行量化、基于神经网络的比特深度重建。
步骤1:对高比特图像IH(即具有第一图像数据格式的图像)进行归一化处理,根据低比特图像(具有第二图像数据格式的图像,其中第二图像数据格式的图像比特深度低于第一图像数据格式)IL的比特深度计算得到量化步长,本实施例中,假设高比特图像的比特深度为16,低比特图像的比特深度为2,则16bit位深所能表示的最大灰度值为216-1,归一化后为I'H=IH/(216-1),量化步长为Q=1/22=0.25;
步骤2:根据量化步长Q=0.25计算得到预失真模板图像,预失真模板图像在任意3×3邻域中是{-4/9Q,-3/9Q,-2/9Q,-1/9Q,0,1/9Q,2/9Q,3/9Q,4/9Q}的完整集合,即在3×3的模板中对该9个像素值进行随机排布。作为一种优选的方式则是如图2所示的排布,即预失真模板图像的中心点的灰度值为0,中心点的邻接像素点的灰度值关于中心点呈中心对称分布,且对称的两个像素点的取值相反;
步骤3:假设高比特图像分辨率为M×N,在高比特图像量化为低比特图像前,将步骤2计算得到的预失真模板图像从左到右从上到下进行无重叠无遗漏的平铺,以获取分辨率大小为M×N的预失真图像,将其设为δpsd,将其与高比特图像IH进行逐像素相加,表示为IPSD=IH+δpsd;
作为一种可能的实现方式,本步骤中,在获取预失真图像时,可首先将预失真模板图像从左到右从上到下进行无重叠无遗漏的平铺,平铺后的图像尺寸大于或等于M×N,若平铺后的图像尺寸超过M×N,则将多余的部分裁剪掉,从而得到M×N的预失真图像。
作为一种可能的实现方式,还可采用滑窗的方式来获取M×N的预失真图像,滑窗窗口大小与预失真模板图像相同,步长为预失真模板图像的边长,在M×N的图像范围内,每滑动一次,则将预失真模板图像的像素逐像素点填充,当每次滑动到最末端时,对超出图像范围的窗口则跳过,即不进行像素填充,从而得到M×N的预失真图像。
步骤4:根据量化步长Q=0.25设计具有动态范围保持的量化函数如下所示:
其中,IL表示量化后的图像。这是一种非均匀量化方法,对于两端和中间区域采用不同的量化方式,由于经过预失真模板图像处理的高比特图像其灰度值范围会出现小于0和大于1的情况,分别超出规定范围[0,1]外0.125,故新的值域修改为[-0.125,1.125]。2bit量化将整个区间划分为4段,对预失真高比特图像用该方式进行量化,得到低比特图像IL,量化示意图如图3所示。
步骤5:在图像接收端,通过卷积神经网络建立2bit的预失真低比特图像到16bit的高比特图像间的非线性映射关系。
其中卷积神经网络可以采用本领域任一惯用的网络结构,本发明实施例不做具体限定,例如选用如EBDA-CNN这类简单且高效的神经网络,从低比特图像中重构出主客观质量都较好的高比特图像,其中对于图像质量的评价方式主要有峰值信噪比(PSNR)和结构相似性指数(SSIM),计算公式如下所示。
其中,μx表示原始高比特图像IH的均值,μy表示比特深度重建后高比特图像的均值,/>和/>分别代表原始图像和恢复图像之间的方差,σxy代表IH和/>的协方差,C1和C2为常数。根据公式可知,若比特深度重建算法得到的高比特图像与原始高比特图像间差别越小,输出图像质量越好,证明算法效果也越好。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (3)
1.具有动态范围保持的预失真图像比特深度量化和增强方法,其特征在于,包括以下步骤:
步骤S1:对高比特图像进行量化处理:
步骤S101:对输入的高比特图像进行归一化处理:将每个像素的灰度值除以所述高比特图像的最大灰度值;
基于量化目标的比特深度l计算得到量化步长Q=1/(2l-1);
步骤S102:根据量化步长Q计算得到预失真函数模板图像;
步骤S102:对得到的模板图像进行无重叠平铺处理,得到图像分辨率与所述高比特图像一致的预失真图像;
步骤S103:将预失真图像与归一化处理后的高比特图像进行逐像素相加,得到预失真高比特图像;
步骤S104:根据量化步长Q设置具有动态范围保持的量化方式,对预失真高比特图像进行量化,得到低比特图像;
具有动态范围保持的量化方式具体为:
若当前像素的灰度值小于或等于Q/2,则当前像素的灰度值被量化为0;
若当前像素的灰度值大于1-Q/2,则当前像素的灰度值被量化为1;
若当前像素的灰度值位于[Q/2,1-Q/2],将取值范围[Q/2,1-Q/2]均匀划分为多个子区间,对每个子区间,基于其中点得到当前子区间的量化值;
步骤S2:通过卷积神经网络建立低比特图像到高比特图像间的映射关系,得到图像增强网络;以步骤S1得到的低比特图像作为所述图像增强网络的输入,基于其输出得到增强后的图像。
2.如权利要求1所述的方法,其特征在于,所述步骤S104中,对于取值范围为[Q/2,1-Q/2]的灰度值,量化时的新量化步长Δ=(1-Q)/(2l-2),每个子区间的量化值为[g+(2k+1)Δ]/2,其中,k=0,1,…2l-3。
3.如权利要求1至2任一项所述的方法,其特征在于,所述步骤S102中,模板图像为3×3,且在任意3×3邻域中为{Q(1-L)/2L,Q(3-L)/2L,…,Q(L-1)/2L}的完整集合,其中L=9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210398259.0A CN114708180B (zh) | 2022-04-15 | 2022-04-15 | 具有动态范围保持的预失真图像比特深度量化和增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210398259.0A CN114708180B (zh) | 2022-04-15 | 2022-04-15 | 具有动态范围保持的预失真图像比特深度量化和增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708180A CN114708180A (zh) | 2022-07-05 |
CN114708180B true CN114708180B (zh) | 2023-05-30 |
Family
ID=82174881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210398259.0A Active CN114708180B (zh) | 2022-04-15 | 2022-04-15 | 具有动态范围保持的预失真图像比特深度量化和增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708180B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018209932A1 (zh) * | 2017-05-17 | 2018-11-22 | 清华大学 | 多量化深度二值特征学习方法及装置 |
CN110796622A (zh) * | 2019-10-30 | 2020-02-14 | 天津大学 | 一种基于串联神经网络多层特征的图像比特增强方法 |
CN111340692A (zh) * | 2018-12-18 | 2020-06-26 | 北京长峰科威光电技术有限公司 | 一种红外图像动态范围压缩以及对比度增强算法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101854714B (zh) * | 2010-05-13 | 2012-09-05 | 清华大学 | 一种利用1bit量化硬判决获得无线通信定时粗同步的方法 |
CN103828232A (zh) * | 2011-09-22 | 2014-05-28 | 伊尔索芙特有限公司 | 动态范围控制 |
CN103295208B (zh) * | 2013-05-09 | 2016-01-20 | 浙江大学 | 面向地质体数据可视化的保特征量化方法 |
CN103499819B (zh) * | 2013-09-22 | 2015-06-24 | 中国科学院光电技术研究所 | 一种目标视线角偏移量及距离的测量装置和方法 |
US9503154B2 (en) * | 2015-01-30 | 2016-11-22 | Trellisware Technologies, Inc. | Methods and systems for interference estimation via quantization in spread-spectrum systems |
US10459079B2 (en) * | 2015-10-09 | 2019-10-29 | Zte Corporation | Method for transmitting a quantized value in a communication system |
CN107657316B (zh) * | 2016-08-12 | 2020-04-07 | 北京深鉴智能科技有限公司 | 通用处理器与神经网络处理器的协同***设计 |
CN107818768B (zh) * | 2017-10-10 | 2019-09-17 | 惠科股份有限公司 | 显示装置的驱动方法与驱动装置 |
CN108230272B (zh) * | 2018-01-04 | 2022-04-15 | 京东方科技集团股份有限公司 | 一种图像增强方法和装置 |
CN108769677B (zh) * | 2018-05-31 | 2021-07-30 | 宁波大学 | 一种基于感知的高动态范围视频动态范围可分级编码方法 |
CN110874625B (zh) * | 2018-08-31 | 2023-10-27 | 杭州海康威视数字技术股份有限公司 | 一种数据处理方法及装置 |
RU2691588C1 (ru) * | 2018-09-27 | 2019-06-14 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Поволжский государственный технологический университет" | Способ аналого-цифрового и цифро-аналогового преобразования с неравномерным квантованием по амплитуде |
CN109495415B (zh) * | 2018-10-12 | 2021-05-14 | 武汉邮电科学研究院有限公司 | 基于数字余弦变换和分段量化的数字移动前传方法及链路 |
CN110852964A (zh) * | 2019-10-30 | 2020-02-28 | 天津大学 | 一种基于深度学习的图像比特增强方法 |
US11775611B2 (en) * | 2019-11-01 | 2023-10-03 | Samsung Electronics Co., Ltd. | Piecewise quantization for neural networks |
CN113408704A (zh) * | 2021-06-29 | 2021-09-17 | 深圳市商汤科技有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
CN113780301B (zh) * | 2021-07-26 | 2023-06-27 | 天津大学 | 防御对抗攻击的自适应去噪机器学习应用方法 |
-
2022
- 2022-04-15 CN CN202210398259.0A patent/CN114708180B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018209932A1 (zh) * | 2017-05-17 | 2018-11-22 | 清华大学 | 多量化深度二值特征学习方法及装置 |
CN111340692A (zh) * | 2018-12-18 | 2020-06-26 | 北京长峰科威光电技术有限公司 | 一种红外图像动态范围压缩以及对比度增强算法 |
CN110796622A (zh) * | 2019-10-30 | 2020-02-14 | 天津大学 | 一种基于串联神经网络多层特征的图像比特增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114708180A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102769722B (zh) | 时域与空域结合的视频降噪装置及方法 | |
CN108337516B (zh) | 一种面向多用户的hdr视频动态范围可分级编码方法 | |
CN108769677B (zh) | 一种基于感知的高动态范围视频动态范围可分级编码方法 | |
US7986351B2 (en) | Luma adaptation for digital image processing | |
KR20080016660A (ko) | 압축 도메인의 dct-기반 비디오 시퀀스들에 대한 이미지프로세싱 | |
JP2015501604A (ja) | 知覚的に無損失のおよび知覚的に強調された画像圧縮システムならびに方法 | |
CN112102166B (zh) | 一种联合超分辨率、色域扩展和逆色调映射方法及设备 | |
CN108900838A (zh) | 一种基于hdr-vdp-2失真准则的率失真优化方法 | |
US11494946B2 (en) | Data compression device and compression method configured to gradually adjust a quantization step size to obtain an optimal target quantization step size | |
CN111738951A (zh) | 图像处理方法及装置 | |
CN114708180B (zh) | 具有动态范围保持的预失真图像比特深度量化和增强方法 | |
CN111726638A (zh) | 一种结合去压缩效应与超分辨率的hevc编码优化方法 | |
EP2946544B1 (en) | Spatio-temporal error diffusion for imaging devices | |
CN110276733B (zh) | 一种基于fpga的彩色图像增强方法 | |
CN112040231B (zh) | 一种基于感知噪声信道模型的视频编码方法 | |
AU2021101814A4 (en) | A novel image denoising method with hybrid dual tree complex wavelet transform | |
CN114638764A (zh) | 基于人工智能的多曝光图像融合方法及*** | |
CN113784139A (zh) | 一种基于二维混沌编码的伪模拟信道编码方法和装置 | |
Peng et al. | CNN-based bit-depth enhancement by the suppression of false contour and color distortion | |
KR100885441B1 (ko) | 블록 경계 영역 필터링 방법 | |
KR100598369B1 (ko) | 블록 경계 영역 필터링 방법 | |
KR100598368B1 (ko) | 블록 경계 영역 필터링 방법 | |
CN116823970A (zh) | 一种彩色图像和灰度图像相互转换方法 | |
CN115861089A (zh) | 一种增强sf6红外图像边缘信息的方法和*** | |
KR100524856B1 (ko) | 블록 경계 영역 필터링 방법 |
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 |