CN114937050A - 绿幕抠图方法、装置及电子设备 - Google Patents

绿幕抠图方法、装置及电子设备 Download PDF

Info

Publication number
CN114937050A
CN114937050A CN202210751949.XA CN202210751949A CN114937050A CN 114937050 A CN114937050 A CN 114937050A CN 202210751949 A CN202210751949 A CN 202210751949A CN 114937050 A CN114937050 A CN 114937050A
Authority
CN
China
Prior art keywords
image
target
map
parameter
opacity
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
Application number
CN202210751949.XA
Other languages
English (en)
Inventor
刘冀洋
李尚霖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zitiao Network Technology Co Ltd
Original Assignee
Beijing Zitiao Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zitiao Network Technology Co Ltd filed Critical Beijing Zitiao Network Technology Co Ltd
Priority to CN202210751949.XA priority Critical patent/CN114937050A/zh
Publication of CN114937050A publication Critical patent/CN114937050A/zh
Priority to PCT/CN2023/085016 priority patent/WO2024001360A1/zh
Priority to EP23712437.5A priority patent/EP4322109A1/en
Pending legal-status Critical Current

Links

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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • 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
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20012—Locally adaptive
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本公开涉及一种绿幕抠图方法、装置及电子设备，尤其涉及图像处理技术领域。包括：获取第一图像；将第一图像输入目标参数预测模型，基于目标参数预测模型获取目标参数图，目标参数图包括第一图像中至少部分像素点的透明度调节参数；根据至少部分像素点的透明度调节参数和至少部分像素点的中心色距离，确定第一图像中前景图像的目标不透明图；结合所述目标不透明度图、所述第一图像的颜色值，计算所述前景图像。本公开实施例用于解决在绿幕抠图过程中调节参数采用全局参数的方式使用的场景具有局限性，导致针对部分场景进行绿幕抠图时抠图的准确性较差，使得最终得到的前景图像不准确的问题。

Description

绿幕抠图方法、装置及电子设备
技术领域
本公开涉及图像处理技术领域，尤其涉及一种绿幕抠图方法、装置及电子设备。
背景技术
绿幕抠图一般包含抠图获得前景不透明度(alpha)，以及前景去绿两部分。获得前景不透明度的目的是分离前景和背景，前景去绿主要对于半透明区域、分割边缘以及前景物的绿色反光进行去绿，以便叠加其他背景进行素材合成，目前在绿幕抠图过程中，会使用一些调节参数，这些调节参数往往都是应用在全局范围内的，然而由于光照不均匀、绿幕不平整等原因，图像中不同区域对这些调节参数的需求往往是不同的，因此在绿幕抠图过程中调节参数采用全局参数的方式使用的场景具有局限性，导致针对部分场景进行绿幕抠图时抠图的准确性较差，使得最终得到的前景图像不准确。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种绿幕抠图方法、装置及电子设备，可以根据图像中的像素点确定对应的透明度调节参数，确定前景图像的目标不透明图，并基于该目标不透明图，确定前景图像，因此该绿幕抠图方式可以在任意场景中计算得到准确的前景图像。
为了实现上述目的，本公开实施例提供的技术方案如下：
第一方面，提供一种绿幕抠图方法，包括：
获取第一图像；
将所述第一图像输入目标参数预测模型，基于所述目标参数预测模型获取目标参数图，所述目标参数图包括所述第一图像中至少部分像素点的透明度调节参数；
根据所述至少部分像素点的所述透明度调节参数和所述至少部分像素点的中心色距离，确定所述第一图像中所述前景图像的目标不透明图；
结合所述目标不透明度图、所述第一图像的颜色值，计算所述前景图像。
作为本公开实施例一种可选的实施方式，所述透明度调节参数包括：前景调节参数和/或背景调节参数。
作为本公开实施例一种可选的实施方式，所述根据所述至少部分像素点的所述透明度调节参数和所述至少部分像素点的中心色距离，确定所述第一图像中所述前景图像的目标不透明度图，包括：
根据所述至少部分像素点的所述透明度调节参数和所述至少部分像素点的中心色距离，确定所述第一图像中所述前景图像的初始不透明度图；
将所述第一图像的灰度图作为引导图像，对所述初始不透明度图进行引导滤波，得到所述目标不透明度图。
作为本公开实施例一种可选的实施方式，所述结合所述目标不透明度图、所述第一图像的颜色值，计算所述前景图像，包括：
获取融合不透明系数；
根据所述融合不透明系数、所述第一图像的颜色值和背景图像的颜色值，计算所述前景图像的颜色值。
作为本公开实施例一种可选的实施方式，所述获取融合不透明系数，包括：
在所述第一图像中G通道的颜色值小于或等于目标颜色值时，确定所述融合不透明系数为1，
在所述第一图像中所述G通道值的颜色值大于所述目标颜色值时，根据第一颜色距离和第二颜色距离确定所述融合不透明系数，所述第一颜色距离为第一图像中颜色值到绿色极限边界平面的距离，所述第二颜色距离为背景颜色均值到绿色极限边界平面的距离；
其中，所述目标颜色值为R通道的颜色值和B通道的颜色值之和，所述绿色极限边界平面为在所述G通道值的颜色值等于所述目标颜色值时所确定的平面。
作为本公开实施例一种可选的实施方式，所述将所述第一图像输入目标参数预测模型，基于所述目标参数预测模型获取目标参数图之前，所述方法还包括：
基于样本信息对初始参数预测模型进行训练，以得到所述目标参数预测模型；
所述样本信息中包括多个样本图像和与每个样本图像对应的第一参数图，所述样本图像包括前景图像、背景图像和随机绿幕图像，所述第一参数图为根据所述前景图像像素点的UV坐标向量、所述随机绿幕图像像素点的UV坐标向量及像素点的中心色距离确定的参数图，和/或，根据所述随机绿幕图像的背景图像像素点的UV坐标向量、所述随机绿幕图像像素点的UV坐标向量及像素点的中心色距离确定的参数图；所述随机绿幕图像根据前景图像不透明度，融合前景图像的色彩通道和背景图像得到；所述背景图像利用随机绿色叠加至真实图片得到。
作为本公开实施例一种可选的实施方式，所述基于样本信息对初始参数预测模型进行训练，以得到所述目标参数预测模型，包括：
执行以下步骤至少一次，以得到所述目标参数预测模型：
从所述多个样本图像中获取目标样本图像，将所述目标样本图像输入至所述初始参数预测模型，获取所述初始图像处理模型输出的所述目标样本图像的输出参数图；
根据所述输出参数图和所述目标样本图像对应的所述第一参数图，确定目标损失函数；
基于目标损失函数修正所述初始参数预测模型；
其中，所述目标损失函数包括：
所述前景调节参数对应的第一损失函数；
和/或，
所述背景调节参数对应的第二损失函数。
作为本公开实施例一种可选的实施方式，基于目标损失函数修正所述初始参数预测模型，包括：
基于所述输出参数图，确定所述目标样本图像的前景图像的第一不透明度图；
基于所述目标样本图像对应的所述第一参数图，确定所述目标样本图像的前景图像的第二不透明度图；
根据所述第一不透明度图与所述第二不透明度图，确定第三损失函数；
基于所述目标损失函数和所述第三损失函数，修正所述初始参数预测模型。
第二方面，提供一种绿幕抠图装置，包括：
获取模块，用于获取第一图像；
预测模块，用于将所述第一图像输入目标参数预测模型，基于所述目标参数预测模型获取目标参数图，所述目标参数图包括所述第一图像中至少部分像素点的透明度调节参数；
确定模块，用于根据所述至少部分像素点的所述透明度调节参数和所述至少部分像素点的中心色距离，确定所述第一图像中所述前景图像的不透明度图；
抠图模块，用于结合所述目标不透明度图、所述第一图像的颜色值，计算所述前景图像。
第三方面，提供一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如第一方面或其任意一种可选的实施方式所述的绿幕抠图方法。
第四方面，提供一种计算机可读存储介质，包括：所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面或其任意一种可选的实施方式所述的绿幕抠图方法。
第五方面，提供一种计算机程序产品，包括：当所述计算机程序产品在计算机上运行时，使得所述计算机实现如第一方面或其任意一种可选的实施方式所述的绿幕抠图方法。
本公开实施例提供的绿幕抠图方法，获取第一图像；将第一图像输入目标参数预测模型，基于目标参数预测模型获取目标参数图，目标参数图包括第一图像中至少部分像素点的透明度调节参数；根据至少部分像素点的透明度调节参数和至少部分像素点的中心色距离，确定第一图像中前景图像的不透明度图；结合目标不透明度图、第一图像的颜色值，计算前景图像。通过该方案，在获取前景图像的不透明度图的过程中，由于可以通过目标参数预测模型先获取第一图像中至少部分像素点的透明度调节参数，这样即使是针对光照不均匀、绿幕不平整的图像，由于是基于像素点确定局部参数(透明度调节参数)，并基于这些局部参数确定前景图像不透明度图，进而结合前景图像不透明度图和第一图像的颜色值，计算该第一图像的前景图像，因此该绿幕抠图方法，可以在任意场景中计算得到准确的前景图像。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种绿幕抠图方法的流程示意图；
图2为本公开实施例提供的一种t1,t2和d在UV坐标中的示意图；
图3为本公开实施例提供的一种获取目标参数图的处理过程示意图；
图4为本公开实施例提供的一种计算前景图像的目标不透明度图的示意图；
图5为本公开实施例提供的一种绿色极限边界平面的示意图；
图6为本公开实施例提供的一种绿幕抠图装置的结构框图；
图7为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
目前在绿幕抠图过程中，会使用的一些调节参数，这些调节参数往往都是应用在全局范围内的，然而由于光照不均匀、绿幕不平整等原因，图像中不同区域对这些调节参数的需求往往是不同的，因此在绿幕抠图过程中时调节参数采用全局参数的方式使用的场景具有局限性，导致针对部分场景进行绿幕抠图时抠图的准确性较差，使得最终得到的前景图像不准确。
为了解决上述问题，本公开实施例提供了一种绿幕抠图方法，在获取前景图像的不透明度图的过程中，由于可以通过目标参数预测模型先获取第一图像中至少部分像素点的透明度调节参数，这样即使是针对光照不均匀、绿幕不平整的图像，由于是基于像素点确定局部参数(透明度调节参数)，并基于这些局部参数确定前景图像不透明度图，进而结合前景图像不透明度图和第一图像的颜色值，计算该第一图像的前景图像，因此该绿幕抠图方法，可以在任意场景中计算得到准确的前景图像。
本公开实施例中提供的绿幕抠图方法，可以通过电子设备实现，也可以通过绿幕抠图装置实现，该绿幕抠图装置可以为电子设备中用于实现该绿幕抠图方法的功能模块或者功能实体。
本公开实施例中，上述电子设备可以包括：手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、个人数字助理(personal digital assistant，PDA)、个人计算机(personalcomputer，PC)等，本公开实施例对此不作具体限定。
如图1所示，为本公开实施例提供的一种绿幕抠图方法的流程示意图，该方法包括以下步骤101至步骤104：
101、获取第一图像。
其中，该第一图像可以为任意的绿幕图像。
102、将第一图像输入目标参数预测模型，基于目标参数预测模型获取目标参数图。
其中，目标参数图包括第一图像中至少部分像素点的透明度调节参数。上述目标参数预测模型为一种卷积神经网络模型。
在一些实施例中，透明度调节参数包括：背景调节参数，和/或，前景调节参数。
本公开实施例提供两种不透明度计算方式。
其中，一种方式为：前景图像的不透明度等于目标差值和全局抠图平滑度参数的乘积，其中，目标差值为像素点的中心色距离与全局抠图强度参数的差值，上述全局抠图平滑度参数可以理解为本公开实施例中的透明度调节参数。
另一种方式为：前景图像的不透明度等于第一差值和第二差值的比值，第一差值为像素点的中心色距离与背景调节参数(以下可以表示为t1)的差值，第二差值为前景调节参数(以下可以表示为t2)与背景调节参数的差值。其中，背景调节参数为纯背景的颜色极限范围，前景调节参数为纯前景的颜色极限范围。
如图2所示，为本公开实施例提供的一种t1,t2和d在UV坐标中的示意图，t1的物理意义为背景图像像素点的UV坐标向量在合成图像像素点的UV坐标向量上的投影；t2的物理意义为前景图像像素点的UV坐标向量在合成图像像素点的UV坐标向量上的投影，中心色距离在图2中表示为d，中心色距离为合成图像像素点的UV坐标向量的模。
t1等于第一向量内积与中心色距离的比值，t2等于第二向量内积与中心色距离的比值；
其中，第一向量内积为背景图像像素点的UV坐标向量和合成图像像素点的UV坐标向量的内积；第二向量内积为前景图像像素点的UV坐标向量和合成图像像素点的UV坐标向量的内积。
上述t1和/或t2可以是指本公开实施例中的透明度调节参数。
想要计算出准确的前景图像的不透明度图，需要先确定准确的参数图。例如，需要确定准确的针对s的参数图，或，需要确定准确的针对t1的参数图和/或针对t2的参数图。
本公开实施例中，通过目标参数预测模型可以获取得到准确的针对s的参数图，或者目标参数预测模型可以获取得到准确的针对t1的参数图，和/或，针对t2的参数图，后续以获取针对t1的参数图和针对t2的参数图的目标参数预测模型的训练过程为例进行了说明。
在一些实施例中，在执行102之前，可以先基于样本信息对初始参数预测模型进行训练，以得到目标参数预测模型。
其中，样本信息中包括多个样本图像和与每个样本图像对应的第一参数图，样本图像包括前景图像、背景图像和随机绿幕图像，第一参数图为根据前景图像像素点的UV坐标向量、随机绿幕图像像素点的UV坐标向量及像素点的中心色距离确定的参数图，和/或，根据随机绿幕图像的背景图像像素点的UV坐标向量、随机绿幕图像像素点的UV坐标向量及像素点的中心色距离确定的参数图；随机绿幕图像根据前景图像不透明度(即前景图像的不透明度图)，融合前景图像的色彩通道和背景图像得到；背景图像利用随机绿色叠加至真实图片得到。
通过上述样本信息，可以训练得到可以预测图像的目标参数图的目标参数预测模型，方便后续处理图像过程中，可以快速获取图像中至少部分像素点对应的透明度调节参数。
在一些实施例中，根据前景图像像素点的UV坐标向量、随机绿幕图像像素点的UV坐标向量及像素点的中心色距离确定的参数图，即针对t2的参数图，和/或，根据随机绿幕图像的背景图像像素点的UV坐标向量、随机绿幕图像像素点的UV坐标向量及像素点的中心色距离确定的参数图，即针对t1的参数图。
在获取随机绿幕图像时，可以先利用随机绿色(即随机绿色图像)叠加真实图像，合成不平整的绿幕图像作为背景图像，然后获取一个图像作为前景图像，根据前景图像不透明度，融合前景图像的色彩通道和背景图像得到合成的随机绿幕图像。对于合成的每一个随机绿幕图像，可以提前设置对应全图中至少部分像素点的t1、t2，以组成针对t1的参数图和针对t2的参数图作为标签，结合alpha(前景图像的不透明度图)进行训练。
上述针对t1的参数图可以是预先根据该随机绿幕图像的背景图像(即上述不平整绿幕图像)中像素点的像素坐标，以及该随机绿幕图像中像素点的像素坐标计算得到的，上述针对t2的参数图可以是根据该随机绿幕图像的前景图像中像素点的像素坐标和该随机绿幕图像中像素点的像素坐标计算得到的。
进一步的，可以结合alpha(前景图像的不透明度图)进行训练。
针对初始参数预测模型可以采用端到端的训练方式，在该初始参数预测模型在训练过程中可以输出针对t1的参数图，针对t2的参数图。
在一些实施例中，基于样本信息对初始参数预测模型进行训练，以得到目标参数预测模型的过程中，需要执行以下步骤(1)至步骤(4)至少一次，以得到目标参数预测模型：
(1)从多个样本图像中获取目标样本图像；其中，目标样本图像可以为多个样本图像中的任一样本图像。
在每次执行上述步骤(1)时，从多个样本图像中所获取的目标样本图像可以与上一次获取的样本图像不同。
(2)将目标样本图像输入至初始参数预测模型，获取初始图像处理模型输出的目标样本图像的输出参数图。
(3)根据输出参数图和目标样本图像对应的第一参数图，确定目标损失函数。
在该初始参数预测模型在训练过程中输出针对t1的参数图，和/或，针对t2的参数图的情况下：
可以基于初始参数预测模型输出的针对t1的参数图与作为标签的针对t1的参数图，计算t1的损失函数；
和/或，
可以基于初始参数预测模型输出的针对t2的参数图与作为标签的针对t2的参数图，计算t2的损失函数。
(4)基于目标损失函数修正初始参数预测模型。
在一些实施例中，目标损失函数包括：前景调节参数对应的第一损失函数(即t2的损失函数)；和/或，背景调节参数对应的第二损失函数(即基于t1的损失函数)。可以基于t1的损失函数和/或t2的损失函数修正初始参数预测模型。
上述实施例中，通过在每次训练过程中计算目标损失函数来修正初始参数预测模型，可以使得最终得到的目标参数预测模型可以基于图像输出准确的目标参数图。
在一些实施例中，可以基于输出参数图，确定目标样本图像的前景图像的第一不透明度图；基于目标样本图像对应的第一参数图，确定目标样本图像的前景图像的第二不透明度图；根据第一不透明度图与第二不透明度图，确定第三损失函数；基于目标损失函数和第三损失函数，修正初始参数预测模型。
进一步的，初始参数预测模型在训练过程中输出针对t1的参数图，针对t2的参数图之后，还可以结合
Figure BDA0003718548490000111
计算得到的预测的alpha，该预测的alpha即为上述第一不透明度图，可以表示为alpha1。
上述第二不透明度图是为目标样本图像的前景图像设置的作为标签的不透明度图(可以表示为alpha2)，根据alpha1和alpha2就可以alpha损失函数(即上述第三损失函数)。
在一些实施例中，可以基于第三损失函数去修正初始参数预测模型，或者，基于目标损失函数和第三损失函数，修正初始参数预测模型。
其中，在根据上述第一损失函数、第二损失函数和第三损失函数中的至少两个损失函数去修正上述初始参数预测模型时，可以设置损失函数的权重，并基于权重进行加权求和后得到总损失函数，可以基于总损失函数去修正上述初始参数预测模型。
上述第一损失函数、第二损失函数和第三损失函数的权重的可以根据实际需求设置，本公开实施例不作限定。示例性的，第一损失函数、第二损失函数和第三损失函数的权重比例可以为1：1：1。
上述实施例中，可以通过目标损失函数和第三损失函数一起修正上述初始参数预测模型，可以保证最终得到的目标参数预测模型可以基于图像输出准确的的目标参数图，以及基于输出的目标参数图可以计算出准确的前景图像的不透明度图。
在一些实施例中，目标参数图可以直接通过目标参数预测模型得到。实现方式为：可以将第一图像输入目标参数预测模型，获取目标参数预设模型输出的目标参数图。
如图3所示，为本公开实施例提供的一种获取目标参数图的处理过程示意图，获取的第一图像为R、G、B三通道图像，可以将该RGB三通道图像映射到YUV空间，得到Y、U、V三通道图像，之后将该Y、U、V三通道图像输入目标参数预测模型，最终通过目标参数预测模型输出目标参数图，即图3中针对t1的参数图T1，以及针对t2的参数图T2。
通常情况下针对绿幕场景中的图像得到的目标参数图中的透明度调节参数分布平缓，因此目标参数图对尺度放缩不敏感，因此可以在将图像输入到目标参数预测模型之前，可以先对原始图像进行下采样处理，得到较小尺寸的图像，之后通过上述目标参数预测模型先输出较小尺寸(即分辨率较低)的目标参数图，并通过尺度放缩处理得到更大尺寸(即分辨率较高)的目标参数图，并基于更大尺寸的目标参数图，计算高精度的alpha。在目标参数预测模型为卷积神经网络的情况下，目标参数预测模型的计算耗时和图像的尺度放缩相关性较强，因此通过处理较小尺寸的图像，可以做到更小的输出、更快的计算，并且不丢失明显细节。
需要说明的是，本公开实施例中的第一图像可以为原始图像，也可以是指对原始图像进行下采样处理之后的图像。
103、根据至少部分像素点的透明度调节参数和至少部分像素点的中心色距离，确定第一图像中前景图像的目标不透明度图。
其中，中心色距离为根据像素点的颜色值与中心色的颜色值确定的，中心色指绿色。
本公开实施例中，可以根据至少部分像素点的透明度调节参数、至少部分像素点的中心色距离，计算第一图像中前景图像的目标不透明度图。
针对第一图像中的至少部分像素点中的每个像素点，均可以根据透明度调节参数(t1和/或t2)、中心色距离，计算得到第一图像中的至少部分像素点中的每个像素点的前景图像的不透明值，也即得到前景图像的目标不透明度图。
如图4所示，为本公开实施例提供的一种计算前景图像的目标不透明度图的示意图，如图4所示，在计算第一图像的alpha过程中，首先根据选定的中心色，可以计算UV空间中第一图像中各像素到中心色的距离，组成距离图d，距离图d包括第一图像中各像素的中心色距离；然后根据距离图d、针对t1的参数图T1、针对t2的参数图T2，可以计算出第一图像的目标不透明度图。在图4中第一图像的目标不透明度图表示为α。
在一些实施例中，根据至少部分像素点的所述透明度调节参数和至少部分像素点的中心色距离，确定第一图像中所述前景图像的初始不透明度图，之后通过将第一图像的灰度图作为引导图像，对初始不透明度图进行引导滤波，得到目标不透明度图。由于在真实场景中UV通道通常存在高频细节信息缺失和压缩画质损失等问题，因此上述基于模型得到目标参数图后，基于目标参数图中的不透明度参数计算的上述初始不透明度图也会高频细节信息缺失这些问题。因此，通过第一图像的灰度图对初始参数图进行引导滤波处理，可以将输入上述目标参数预测模型的原始图像的灰度图作为引导图像，来增加基于模型估计不透明度的细节，平滑UV通道的压缩噪声。
本公开实施例提供的绿幕抠图方法中，由于通过目标参数预测模型可以先获取第一图像中至少部分像素点的透明度调节参数，这样即使是针对光照不均匀、绿幕不平整的图像，由于是基于像素点确定局部参数(透明度调节参数)，并基于这些局部参数确定前景图像的目标不透明度图，因此该确定前景图像的目标不透明度图，可以适用于任意绿幕抠图场景，计算结果更加准确。
104、结合目标不透明度图和第一图像的颜色值，计算得到前景图像。
在一些实施例中，根据目标不透明度图和第一图像的颜色值，计算得到前景图像的过程中，首先可以根据目标不透明度图确定所述第一图像中的背景(也可以称为背景图像)，并计算该背景图像中每个像素点的颜色均值，以得到背景颜色均值，然后根据背景颜色均值和当前像素的颜色值计算得到融合不透明系数，接下来根据融合不透明系数、第一图像的颜色值和背景图像的颜色值，计算前景图像的颜色值。
其中，第一图像的颜色值包括：第一图像的R通道的颜色值、G通道值的颜色值和B通道值的颜色值。
在一些实施例中，结合前景图像的不透明度图值和第一图像的颜色值，计算前景图像的方法可以通过以下步骤104a至104c实现：
104a、获取融合不透明系数。
针对第一图像中至少部分像素点中的每个像素点，确定融合不透明系数包括以下两种情况：
情况1：在G通道的颜色值小于或等于目标颜色值时，确定融合不透明系数为1；
情况2：在G通道值的颜色值大于目标颜色值时，根据第一颜色距离和第二颜色距离确定融合不透明系数，第一颜色距离为第一图像中颜色值到绿色极限边界平面的距离，第二颜色距离为背景图像中颜色均值到绿色极限边界平面的距离。
其中，目标颜色值为R通道的颜色值和B通道的颜色值之和的一半，绿色极限边界平面为在G通道值的颜色值等于目标颜色值时所确定的平面。
在RGB色彩空间中，通常视觉感受到绿色的极限边界可以设置为：G＝(R+B)/2；
其中，G可以代表在G通道的颜色值、R表示在R通道的颜色值、B表示在B通道的颜色值。
假设，alpha*表示融合不透明系数，第一颜色距离表示为Df，第二颜色距离表示为Db，那么alpha*在上述两种情况下可以表示为：
Figure BDA0003718548490000151
如图5所示，为本公开实施例提供的一种绿色极限边界平面的示意图，图5中的正方体可以看作RGB色彩空间，通常视觉感受到绿色的极限边界可以粗略的设置G＝(R+B)/2，在RGB色彩空间中，可以表示为如图5中所示的绿色极限边界平面51，该绿色极限边界平面的4个顶点的RGB坐标分别为(0，0，0)、(0，0.5，1)、(1，0.5，0)和(1，1，1)。
104b、根据融合不透明系数、第一图像的颜色值和背景图像的颜色值，计算前景图像的颜色值。
在一些实施例中，根据融合不透明系数、第一图像的颜色值和背景图像的颜色值，计算前景图像的颜色值可以是：根据融合不透明系数、第一图像的颜色值、背景图像的颜色值计算前景图像的颜色值。
第一图像的颜色值为基于融合不透明系数对前景图像的颜色值和背景图像的颜色值进行加权求和得到的。
其中，第一图像的颜色值等于第一乘积与第二乘积的和，第一乘积为融合不透明系数与前景图像的颜色值的乘积，第二乘积为1减去融合不透明***得到的差与背景图像的颜色值的乘积。
上述实施例中，考虑了在绿幕场景中，前景图像中的半透明区域、分割边缘以及前景物的绿色反光处，融合不透明系数alpha*和其不透明度alpha是不同的，因此不是直接根据不透明度alpha计算前景图像，而是先计算融合不透明系数alpha*，之后再根据alpha*计算的前景图像的颜色值和alpha计算得到前景图像，这样得到的前景图像，对于半透明区域、分割边缘以及前景物的绿色反光处进行去绿，从而获得视觉效果上更自然的前景提取，以便叠加其他背景进行素材合成。
需要说明的是，本公开实施例中，在计算第一图像中前景图像的目标不透明度图，以及计算得到前景图像的过程均是进行的像素级的运算，也就是说，针对图像中的至少部分像素点中的每个像素点均进行了上述运算，才得到第一图像中整个前景图像的不透明度图，以及计算得到整个前景图像。
如图6所示，为本公开实施例提供的一种绿幕抠图装置的结构框图，该装置包括：
获取模块601，用于获取第一图像；
预测模块602，用于将所述第一图像输入目标参数预测模型，基于所述目标参数预测模型获取目标参数图，所述目标参数图包括所述第一图像中至少部分像素点的透明度调节参数；
确定模块603，用于根据所述至少部分像素点的所述透明度调节参数和所述至少部分像素点的中心色距离，确定所述第一图像中所述前景图像的目标不透明度图；
抠图模块604，用于结合所述目标不透明度图、所述第一图像的颜色值，计算所述前景图像。
其中，所述中心色距离为根据像素点的颜色值与中心色的颜色值确定的。
作为本公开实施例一种可选的实施方式，所述透明度调节参数包括：前景调节参数和/或背景调节参数。
作为本公开实施例一种可选的实施例方式，所述确定模块603具体用于：根据所述至少部分像素点的所述透明度调节参数和所述至少部分像素点的中心色距离，确定所述第一图像中所述前景图像的初始不透明度图；将所述第一图像的灰度图作为引导图像，对所述初始不透明度图进行引导滤波，得到所述目标不透明度图。
作为本公开实施例一种可选的实施方式，
所述抠图模块604，具体用于：
获取融合不透明系数；
根据所述融合不透明系数、所述第一图像的颜色值和背景图像的颜色值，计算所述前景图像的颜色值；
根据所述前景图像的颜色值和所述目标不透明度图，计算得到所述前景图像。
作为本公开实施例一种可选的实施方式，所述确定模块603，具体用于：
在所述第一图像中G通道的颜色值小于或等于目标颜色值时，确定所述融合不透明系数为1，
在所述第一图像中G通道值的颜色值大于所述目标颜色值时，根据第一颜色距离和第二颜色距离确定所述融合不透明系数，所述第一颜色距离为所述第一图像中颜色值到绿色极限边界平面的距离，所述第二颜色距离为背景颜色均值到绿色极限边界平面的距离；
其中，所述目标颜色值为R通道的颜色值和B通道的颜色值之和的一半，所述绿色极限边界平面为在所述G通道值的颜色值等于所述目标颜色值时所确定的平面。
作为本公开实施例一种可选的实施方式，所述预测模块602，还用于：
在将所述第一图像输入目标参数预测模型，基于所述目标参数预测模型获取目标参数图之前，基于样本信息对初始参数预测模型进行训练，以得到所述目标参数预测模型；
所述样本信息中包括多个样本图像和与每个样本图像对应的第一参数图，所述样本图像包括前景图像、背景图像和随机绿幕图像，所述第一参数图为根据所述前景图像像素点的UV坐标向量、所述随机绿幕图像像素点的UV坐标向量及像素点的中心色距离确定的参数图，和/或，根据所述随机绿幕图像的背景图像像素点的UV坐标向量、所述随机绿幕图像像素点的UV坐标向量及像素点的中心色距离确定的参数图；所述随机绿幕图像根据前景图像不透明度，融合前景图像的色彩通道和背景图像得到；所述背景图像利用随机绿色叠加至真实图片得到。
作为本公开实施例一种可选的实施方式，所述预测模块602，具体用于：
执行以下步骤至少一次，以得到所述目标参数预测模型：
从所述多个样本图像中获取目标样本图像，将所述目标样本图像输入至所述初始参数预测模型，获取所述初始图像处理模型输出的所述目标样本图像的输出参数图；
根据所述输出参数图和所述目标样本图像对应的所述第一参数图，确定目标损失函数；
基于目标损失函数修正所述初始参数预测模型；
其中，所述目标损失函数包括：
所述前景调节参数对应的第一损失函数；
和/或，
所述背景调节参数对应的第二损失函数。
作为本公开实施例一种可选的实施方式，所述预测模块602，具体用于：
基于所述输出参数图，确定所述目标样本图像的前景图像的第一不透明度图；
基于所述目标样本图像对应的所述第一参数图，确定所述目标样本图像的前景图像的第二不透明度图；
根据所述第一不透明度图与所述第二不透明度图，确定第三损失函数；
基于所述目标损失函数和所述第三损失函数，修正所述初始参数预测模型。
图7为本公开实施例提供的一种电子设备的结构示意图，用于对实现本公开实施例中绿幕抠图方法的电子设备进行示例性说明，不应理解为对本公开实施例的具体限定。
如图7所示，电子设备700可以包括处理器(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理器701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置707。通信装置707可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置707从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理器701执行时，可以执行本公开实施例提供的绿幕抠图方法中限定的功能。
本发明实施例提供一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储计算机程序，该计算机程序被处理器执行时实现上述方法实施例中确定绿幕抠图方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，该计算机可读存储介质可以为只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
本发明实施例提供一种计算程序产品，该计算机程序产品存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中确定绿幕抠图方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本领域技术人员应明白，本公开的实施例可提供为方法、***、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本公开中，处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本公开中，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
本公开中，计算机可读介质包括永久性和非永久性、可移动和非可移动存储介质。存储介质可以由任何方法或技术来实现信息存储，信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。根据本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的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公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文的这些实施例，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)

1.一种绿幕抠图方法，其特征在于，包括：
获取第一图像；
将所述第一图像输入目标参数预测模型，基于所述目标参数预测模型获取目标参数图，所述目标参数图包括所述第一图像中至少部分像素点的透明度调节参数；
根据所述至少部分像素点的所述透明度调节参数和所述至少部分像素点的中心色距离，确定所述第一图像的前景图像的目标不透明度图；
结合所述目标不透明度图、所述第一图像的颜色值，计算所述前景图像。
2.根据权利要求1所述的方法，其特征在于，所述透明度调节参数包括：前景调节参数和/或背景调节参数。
3.根据权利要求1所述的方法，其特征在于，所述根据所述至少部分像素点的所述透明度调节参数和所述至少部分像素点的中心色距离，确定所述第一图像中所述前景图像的目标不透明度图，包括：
根据所述至少部分像素点的所述透明度调节参数和所述至少部分像素点的中心色距离，确定所述第一图像中所述前景图像的初始不透明度图；
将所述第一图像的灰度图作为引导图像，对所述初始不透明度图进行引导滤波，得到所述目标不透明度图。
4.根据权利要求1所述的方法，其特征在于，
所述结合所述目标不透明度图、所述第一图像的颜色值，计算所述前景图像，包括：
获取融合不透明系数；
根据融合不透明系数、所述第一图像的颜色值和背景图像的颜色值，计算所述前景图像的颜色值。
5.根据权利要求4所述的方法，其特征在于，所述获取融合不透明系数，包括：
在所述第一图像中G通道的颜色值小于或等于目标颜色值时，确定所述融合不透明系数为1，
在所述第一图像中所述G通道值的颜色值大于所述目标颜色值时，根据第一颜色距离和第二颜色距离确定所述融合不透明系数，所述第一颜色距离为所述第一图像中颜色值到绿色极限边界平面的距离，所述第二颜色距离为背景颜色均值到绿色极限边界平面的距离；
其中，所述目标颜色值为R通道的颜色值和B通道的颜色值之和的一半，所述绿色极限边界平面为在所述G通道值的颜色值等于所述目标颜色值时所确定的平面。
6.根据权利要求1所述的方法，其特征在于，所述将所述第一图像输入目标参数预测模型，基于所述目标参数预测模型获取目标参数图之前，所述方法还包括：
基于样本信息对初始参数预测模型进行训练，以得到所述目标参数预测模型；
所述样本信息中包括多个样本图像和与每个样本图像对应的第一参数图，所述样本图像包括前景图像、背景图像和随机绿幕图像，所述第一参数图为根据所述前景图像像素点的UV坐标向量、所述随机绿幕图像像素点的UV坐标向量及像素点的中心色距离确定的参数图，和/或，根据所述随机绿幕图像的背景图像像素点的UV坐标向量、所述随机绿幕图像像素点的UV坐标向量及像素点的中心色距离确定的参数图；所述随机绿幕图像根据前景图像不透明度，融合前景图像的色彩通道和背景图像得到；所述背景图像利用随机绿色叠加至真实图片得到。
7.根据权利要求6所述的方法，其特征在于，所述基于样本信息对初始参数预测模型进行训练，以得到所述目标参数预测模型，包括：
执行以下步骤至少一次，以得到所述目标参数预测模型：
从所述多个样本图像中获取目标样本图像，将所述目标样本图像输入至所述初始参数预测模型，获取所述初始图像处理模型输出的所述目标样本图像的输出参数图；
根据所述输出参数图和所述目标样本图像对应的所述第一参数图，确定目标损失函数；
基于目标损失函数修正所述初始参数预测模型；
其中，所述目标损失函数包括：
所述前景调节参数对应的第一损失函数；
和/或，
所述背景调节参数对应的第二损失函数。
8.一种绿幕抠图装置，其特征在于，包括：
获取模块，用于获取第一图像；
预测模块，用于将所述第一图像输入目标参数预测模型，基于所述目标参数预测模型获取目标参数图，所述目标参数图包括所述第一图像中至少部分像素点的透明度调节参数；
确定模块，用于根据所述至少部分像素点的所述透明度调节参数和所述至少部分像素点的中心色距离，确定所述第一图像中前景图像的目标不透明度图；
抠图模块，用于结合所述目标不透明度图、所述第一图像的颜色值，计算所述前景图像。
9.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的绿幕抠图方法。
10.一种计算机可读存储介质，其特征在于，包括：所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的绿幕抠图方法。
CN202210751949.XA 2022-06-28 2022-06-28 绿幕抠图方法、装置及电子设备 Pending CN114937050A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210751949.XA CN114937050A (zh) 2022-06-28 2022-06-28 绿幕抠图方法、装置及电子设备
PCT/CN2023/085016 WO2024001360A1 (zh) 2022-06-28 2023-03-30 绿幕抠图方法、装置及电子设备
EP23712437.5A EP4322109A1 (en) 2022-06-28 2023-03-30 Green screen matting method and apparatus, and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210751949.XA CN114937050A (zh) 2022-06-28 2022-06-28 绿幕抠图方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN114937050A true CN114937050A (zh) 2022-08-23

Family

ID=82868336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210751949.XA Pending CN114937050A (zh) 2022-06-28 2022-06-28 绿幕抠图方法、装置及电子设备

Country Status (3)

Country Link
EP (1) EP4322109A1 (zh)
CN (1) CN114937050A (zh)
WO (1) WO2024001360A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912284A (zh) * 2023-09-15 2023-10-20 电子科技大学中山学院 抠图方法、装置、电子设备和计算机可读存储介质
CN117314741A (zh) * 2023-12-01 2023-12-29 成都华栖云科技有限公司 一种绿幕背景抠像方法、装置、设备及可读存储介质
WO2024001360A1 (zh) * 2022-06-28 2024-01-04 北京字跳网络技术有限公司 绿幕抠图方法、装置及电子设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101798408B1 (ko) * 2011-01-03 2017-11-20 삼성전자주식회사 3ｄ 디스플레이를 위한 고품질 멀티-뷰 영상의 생성 방법 및 장치
CN111223108A (zh) * 2019-12-31 2020-06-02 上海影卓信息科技有限公司 基于背景幕抠图和融合的方法和***
CN111862110A (zh) * 2020-06-30 2020-10-30 辽宁向日葵教育科技有限公司 一种绿幕抠像方法、***、设备和可读存储介质
CN112330531B (zh) * 2020-11-04 2022-05-17 广州博冠信息科技有限公司 图像处理方法、装置、电子设备及存储介质
CN113034509A (zh) * 2021-02-26 2021-06-25 北京达佳互联信息技术有限公司 图像处理方法及装置
CN113052868B (zh) * 2021-03-11 2023-07-04 奥比中光科技集团股份有限公司 一种抠图模型训练、图像抠图的方法及装置
CN114937050A (zh) * 2022-06-28 2022-08-23 北京字跳网络技术有限公司 绿幕抠图方法、装置及电子设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024001360A1 (zh) * 2022-06-28 2024-01-04 北京字跳网络技术有限公司 绿幕抠图方法、装置及电子设备
CN116912284A (zh) * 2023-09-15 2023-10-20 电子科技大学中山学院 抠图方法、装置、电子设备和计算机可读存储介质
CN117314741A (zh) * 2023-12-01 2023-12-29 成都华栖云科技有限公司 一种绿幕背景抠像方法、装置、设备及可读存储介质
CN117314741B (zh) * 2023-12-01 2024-03-26 成都华栖云科技有限公司 一种绿幕背景抠像方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
EP4322109A1 (en) 2024-02-14
WO2024001360A1 (zh) 2024-01-04

Similar Documents

Publication Publication Date Title
US10810435B2 (en) Segmenting objects in video sequences
US10970600B2 (en) Method and apparatus for training neural network model used for image processing, and storage medium
CN112348815B (zh) 图像处理方法、图像处理装置以及非瞬时性存储介质
US20200374600A1 (en) Method for Embedding Advertisement in Video and Computer Device
US20200160493A1 (en) Image filtering based on image gradients
US10846870B2 (en) Joint training technique for depth map generation
US12008464B2 (en) Neural network based face detection and landmark localization
CN114937050A (zh) 绿幕抠图方法、装置及电子设备
CN107622504B (zh) 用于处理图片的方法和装置
US20140363087A1 (en) Methods of Image Fusion for Image Stabilization
US9418311B2 (en) Multi-scale tone mapping
US11978216B2 (en) Patch-based image matting using deep learning
US11720745B2 (en) Detecting occlusion of digital ink
US10475229B2 (en) Information processing apparatus and information processing method
CN111415300A (zh) 一种用于全景图像的拼接方法和***
CN112308797A (zh) 角点检测方法、装置、电子设备及可读存储介质
CN112396610A (zh) 一种图像处理方法、计算机设备、存储介质
CN111311720A (zh) 一种纹理图像的处理方法和装置
Tung et al. Multiple depth layers and all-in-focus image generations by blurring and deblurring operations
US20230127327A1 (en) System and method for learning tone curves for local image enhancement
US11200708B1 (en) Real-time color vector preview generation
Wang et al. An airlight estimation method for image dehazing based on gray projection
CN116167922B (zh) 一种抠图方法、装置、存储介质及计算机设备
Liu et al. Three-stage fusion framework for single image dehazing
KR20230164980A (ko) 전자 장치 및 그 영상 처리 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