CN114972113A - 图像处理方法、装置、电子设备及可读存储介质 - Google Patents
图像处理方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN114972113A CN114972113A CN202210720515.3A CN202210720515A CN114972113A CN 114972113 A CN114972113 A CN 114972113A CN 202210720515 A CN202210720515 A CN 202210720515A CN 114972113 A CN114972113 A CN 114972113A
- Authority
- CN
- China
- Prior art keywords
- backlight brightness
- convolution kernel
- value
- image
- brightness 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
- 238000003672 processing method Methods 0.000 title claims abstract description 43
- 238000005192 partition Methods 0.000 claims abstract description 131
- 238000001914 filtration Methods 0.000 claims abstract description 130
- 238000012545 processing Methods 0.000 claims abstract description 66
- 230000006870 function Effects 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 14
- 238000001514 detection method Methods 0.000 description 21
- 238000004590 computer program Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 235000019557 luminance Nutrition 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 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
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Liquid Crystal Display Device Control (AREA)
Abstract
本申请公开了图像处理方法、装置、电子设备及可读存储介质,应用于图像处理技术领域,所述图像处理方法包括:获取待处理图像的各分区的背光亮度值以及分区数量;依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型,其中,所述高斯卷积核滤波模型包括所述高斯卷积核滤波模型的尺寸和所述高斯卷积核滤波模型对应的高斯函数;依据所述高斯卷积核滤波模型,对各所述背光亮度值进行高斯滤波处理,得到目标背光亮度;依据所述目标背光亮度值,对所述待处理图像进行调整。本申请解决了图像显示效果差的技术问题。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像处理方法、装置、电子设备及可读存储介质。
背景技术
随着科技的高速发展,图像处理技术也发展地越来越成熟,目前,进行图像处理时,通过提高图像的对比度,使得图像的明暗差异明显,从而提高图像的视觉效果,而对比度过高时,在图像中容易出现明显的分割线或分层痕迹,从而导致图像显示效果差。
发明内容
本申请的主要目的在于提供一种图像处理方法、装置、电子设备及可读存储介质,旨在解决现有技术中图像显示效果差的技术问题。
为实现上述目的,本申请提供一种图像处理方法,应用于图像处理设备,所述图像处理方法包括:
获取待处理图像的各分区的背光亮度值以及分区数量;
依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型,其中,所述高斯卷积核滤波模型包括所述高斯卷积核滤波模型的尺寸和所述高斯卷积核滤波模型对应的高斯函数;
依据所述高斯卷积核滤波模型,对各所述背光亮度值进行高斯滤波处理,得到目标背光亮度;
依据所述目标背光亮度值,对所述待处理图像进行调整。
为实现上述目的,本申请还提供一种图像处理装置,所述图像处理装置应用于图像处理设备,所述图像处理装置包括:
获取模块,用于获取待处理图像的各分区的背光亮度值以及分区数量;
确定模块,用于依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型参数,其中,所述高斯卷积核滤波模型参数包括所述高斯卷积核滤波模型的尺寸和所述高斯卷积核滤波模型对应的高斯函数;
处理模块,用于依据所述高斯卷积核滤波模型参数,对各所述背光亮度值进行高斯滤波处理,得到目标背光亮度;
调整模块,用于依据所述目标背光亮度值,对所述待处理图像进行调整。
本申请还提供一种电子设备,所述电子设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述图像处理方法的程序,所述图像处理方法的程序被处理器执行时可实现如上述的图像处理方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有实现图像处理方法的程序,所述图像处理方法的程序被处理器执行时实现如上述的图像处理方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的图像处理方法的步骤。
本申请提供了一种图像处理方法、装置、电子设备及可读存储介质,相比于通过局部背光调节功能实时对图像的背光亮度进行调节,以提高图像的对比度,本申请通过获取待处理图像的各分区的背光亮度值以及分区数量;依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型,其中,所述高斯卷积核滤波模型包括所述高斯卷积核滤波模型的尺寸和所述高斯卷积核滤波模型对应的高斯函数;依据所述高斯卷积核滤波模型,对各所述背光亮度值进行高斯滤波处理,得到目标背光亮度;依据所述目标背光亮度值,对所述待处理图像进行调整,通过适当调整所述待处理图像的背光亮度,以降低所述待处理图像的对比度,从而使得待处理图像中边界过渡自然,进而模糊了待处理图像的分割线或分层痕迹,避免了对图像进行增强对比度处理时,由于对比度过高时,在图像中容易出现明显的分割线或分层痕迹的技术缺陷,从而提高了图像的显示效果。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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,还可以依据这些附图获得其他的附图。
图1为本申请图像处理方法第一实施例的流程示意图;
图2为本申请图像处理方法第二实施例的流程示意图;
图3为本申请实施例中图像处理方法的装置结构示意图;
图4为本申请实施例中图像处理方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例,均属于本申请保护的范围。
实施例一
本申请实施例提供一种图像处理方法,在本申请图像处理方法的第一实施例中,参照图1,所述图像处理方法包括:
步骤S10,获取待处理图像的各分区的背光亮度值以及分区数量;
步骤S20,依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型,其中,所述高斯卷积核滤波模型包括所述高斯卷积核滤波模型的尺寸和所述高斯卷积核滤波模型对应的高斯函数;
步骤S30,依据所述高斯卷积核滤波模型,对各所述背光亮度值进行高斯滤波处理,得到目标背光亮度;
步骤S40,依据所述目标背光亮度值,对所述待处理图像进行调整。
示例性地,步骤S10至步骤S40包括:
其中,在步骤S20中,在所述依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型的步骤之前,还包括:
步骤A10,检测所述分区数量是否大于预设分区数量阈值;
步骤A20,当所述分区数量大于所述预设分区数量阈值时,则执行步骤:依据各所述分区的数量以及各所述背光亮度值,确定高斯卷积核滤波模型;
步骤A30,当所述分区数量不大于所述预设分区数量阈值时,则依据所述分区数量以及各所述背光亮度值确定均值滤波模型,对各所述背光亮度值进行均值滤波处理,得到目标背光亮度。
在本实施例中,需要说明的是,所述预设分区数量阈值为预设的判定待处理图像的分区数量较大的分区数量临界值;所述高斯卷积核滤波处理的处理能力比所述均值滤波处理的处理能力强,所述高斯卷积核滤波处理所占资源比所述均值滤波处理所占资源大。
示例性地,步骤A10至步骤A30包括:检测所述分区数量是否大于预设分区数量阈值;若所述分区数量大于预设分区数量阈值,则执行步骤:依据各所述分区的数量以及各所述背光亮度值,确定高斯卷积核滤波模型;若所述分区数量不大于预设分区数量阈值,则依据所述分区数量以及各所述背光亮度值确定均值滤波模型,对各所述背光亮度值进行均值滤波处理,得到目标背光亮度,通过对图像分区的分区数量进行判断,在图像分区较多时,说明当前图像处理要求高,通过高斯卷积核滤波对图像进行处理,以保证图像处理的效果,在图像分区较少时,说明当前图像处理要求低,通过均值滤波对图像进行处理,以降低资源占用,从而实现处理程序的资源占用与图像处理效果之间的均衡,从而在保证资源占用低的同时,提高图像的显示效果。
其中,在步骤S10中,所述获取待处理图像的各分区的背光亮度值以及分区数量的步骤包括:
步骤S11,获取所述待处理图像中各像素点的灰度值区间以及各所述灰度值区间对应的像素点数量,绘制灰度值大小与像素点数量之间的灰度直方图;
步骤S12,依据所述灰度值区间的区间数量,确定所述待处理图像对应的分区数量;
步骤S13,依据各所述灰度值区间,确定所述待处理图像的各分区的背光亮度值。
示例性地,步骤S11至步骤S13包括:依据所述待处理图像中像素点的灰度值区间以及各所述灰度值区间对应的像素点数量,绘制所述待处理图像对应的灰度直方图,依据所述灰度直方图,对所述待处理图像进行分区,将所述灰度直方图中灰度值区间的数量作为所述待处理图像对应的分区数量;依据所述绘制直方图中各所述灰度值区间,按照预设转换规则,将各所述灰度值区间转换为各所述图像分区对应的背光亮度值,其中,所述预设转换规则可以为预设转换文件,其中,所述预设转换文件包括灰度值区间与分区对应的背光亮度值之间的映射关系,在预设转换文件中查询灰度值区间,得到的映射值作为所述分区对应的背光亮度值;所述预设转换规则还可以为预设转换公式,将所述灰度值区间中的任意值代入所述预设转换公式,计算得到的值作为所述分区对应的背光亮度值。
其中,在步骤S20中,所述依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型,其中,所述高斯卷积核滤波模型包括所述高斯卷积核滤波模型的尺寸和所述高斯卷积核滤波模型对应的高斯函数的步骤包括:
步骤S21,依据所述分区数量,选取所述高斯卷积核滤波模型对应的尺寸;
步骤S22,依据各所述背光亮度值,选取所述高斯函数的函数参数;
步骤S23,依据所述函数参数,构建所述高斯卷积核滤波模型对应的高斯函数。
在本实施例中,需要说明的是,所述分区数量与所述高斯卷积核滤波模型对应的尺寸呈正相关关系,所述尺寸可以为3*3,也可以为4*4。
示例性地,步骤S21至步骤S23包括:依据所述分区数量,选取所述高斯卷积核滤波模型对应的尺寸;依据所述背光亮度值与分区对应的背光亮度值之间的偏差值,选取所述高斯函数的函数参数,其中,所述偏差值与所述函数参数呈正相关关系;依据所述函数参数,构建所述高斯卷积核滤波模型对应的高斯函数。
其中,在步骤S30中,所述依据所述高斯卷积核滤波模型,对各所述背光亮度值进行高斯滤波处理,得到目标背光亮度的步骤包括:
步骤S31,依据所述高斯卷积核滤波模型参数,计算各所述背光亮度值与相邻分区的相邻背光亮度值之间的第一权重系数;
步骤S32,依据所述第一权重系数以及各所述相邻背光亮度值,确定所述目标背光亮度。
示例性地,步骤S31至步骤S32包括:获取用于高斯卷积核滤波处理的高斯卷积核滤波模型尺寸;获取各所述分区亮度之间的平均值和方差,依据所述平均值和方差,确定所述高斯卷积核滤波模型对应的高斯函数,依据所述高斯函数,确定各分区背光亮度与相邻分区背光亮度之间的第一权重系数;将各所述第一权重系数进行归一化处理,使各所述分区背光亮度与相邻分区背光亮度之间的各第一权重系数之间的和为1,依据所述第一权重系数以及各所述分区背光亮度,确定目标背光亮度,通过高斯函数确定权重系数,从而确定目标背光亮度,使得确定的目标背光亮度更准确,从而提高了图像的显示效果。
本申请实施例提供了一种图像处理方法,相比于通过局部背光调节功能实时对图像的背光亮度进行调节,以提高图像的对比度,本申请实施例通过获取待处理图像的各分区的背光亮度值以及分区数量;依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型,其中,所述高斯卷积核滤波模型包括所述高斯卷积核滤波模型的尺寸和所述高斯卷积核滤波模型对应的高斯函数;依据所述高斯卷积核滤波模型,对各所述背光亮度值进行高斯滤波处理,得到目标背光亮度;依据所述目标背光亮度值,对所述待处理图像进行调整,通过适当调整所述待处理图像的背光亮度,以降低所述待处理图像的对比度,从而使得待处理图像中边界过渡自然,进而模糊了待处理图像的分割线或分层痕迹,避免了对图像进行增强对比度处理时,由于对比度过高时,在图像中容易出现明显的分割线或分层痕迹的技术缺陷,从而提高了图像的显示效果。
实施例二
进一步地,参照图2,基于本申请第一实施例,在本申请另一实施例中,与上述实施例一相同或相似的内容,可以参考上文介绍,后续不再赘述。在此基础上,其中,在步骤A30中,所述依据所述分区数量以及各所述背光亮度值确定的均值滤波模型尺寸,对各所述背光亮度值进行均值滤波处理,得到目标背光亮度的步骤包括:
步骤A31,依据所述分区数量,确定用于均值滤波处理的均值滤波模型尺寸;
步骤A32,依据所述均值滤波模型尺寸以及各所述背光亮度值与相邻分区的相邻背光亮度值之间的相关关系,计算各所述背光亮度值与所述相邻背光亮度值之间的第二权重系数;
步骤A33,依据所述第二权重系数以及各所述相邻背光亮度值,确定所述目标背光亮度。
在本实施例中,需要说明的是,所述均值滤波模型尺寸范围的极大值小于所述高斯滤波模型尺寸范围的极小值。
示例性地,步骤A31至步骤A33包括:获取用于均值滤波处理的均值滤波模型尺寸;依据所述均值滤波模型尺寸以及各分区背光亮度与相邻分区背光亮度之间的差异,确定各分区背光亮度与相邻分区背光亮度之间的第二权重系数;依据所述第二权重系数以及各所述分区背光亮度,确定目标背光亮度。
其中,在所述依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型参数的步骤之前,还包括:
步骤B10,当各所述灰度值区间内存在相邻两个灰度值区间对应的像素点数量的差值大于预设像素点数量阈值时,则判定所述待处理图像存在亮度层级阶跃,并执行步骤:检测所述分区数量是否大于预设分区数量阈值。
在本实施例中,所述亮度层级阶跃为待处理图像中相邻区域的亮度层级的差异值较大时容易发生的阶跃情况。所述预设像素点数量阈值为预设的判定需要进行背光亮度处理的像素点数量临界值,所述像素点数量临界值可以为相邻两个灰度值区间的像素点数量之和的临界值,也可以为相邻两个灰度值区间的像素点数量之差的临界值。
示例性地,步骤B10包括:判断各所述灰度值区间内是否存在相邻两个灰度值区间对应的像素点数量的差值大于预设像素点数量阈值;若各所述灰度值区间内存在相邻两个灰度值区间对应的像素点数量的差值大于预设像素点数量阈值时,则判定所述待处理图像存在亮度层级阶跃,并执行步骤:检测所述分区数量是否大于预设分区数量阈值;若各所述灰度值区间内不存在相邻两个灰度值区间对应的像素点数量的差值大于预设像素点数量阈值时,则判定所述待处理图像不存在亮度层级阶跃,保持所述待处理图像的背光亮度不变,从而实现在保证对比度带来的视觉效果的情况下减少由于亮度层级阶跃导致图像中出现分割线或分层痕迹的现象。
可选地,对所述待处理图像进行调整的步骤还包括:
获取亮度层级检测模型,其中,所述亮度层级检测模型包括特征提取网络和判别网络;通过所述特征提取网络提取针对于所述待处理图像的亮度变化程度特征,其中,所述亮度程度变化特征包括所述待处理图像的图像梯度;将所述亮度变化程度特征输入所述判别网络,对所述待处理图像的亮度层级阶跃进行检测,得到检测结果,其中,所述检测结果的特征维度与所述待处理图像等同;依据所述检测结果,对所述待处理图像的背光亮度进行调整。
可选地,所述亮度层级检测模型的训练过程包括:获取待训练亮度层级检测模型、训练样本以及所述训练样本对应的第一检测结果,其中,所述待训练亮度层级检测模型包括待训练特征提取网络和待训练判别网络;依据所述训练样本以及所述待训练特征提取网络,确定训练亮度程度变化特征;通过将所述训练亮度程度变化特征输入所述待训练判别网络,对所述训练样本的亮度层级阶跃进行检测,得到第二检测结果;依据所述第二检测结果与所述第一检测结果,构建所述待训练亮度层级检测模型的模型损失;依据所述模型损失,对所述待训练亮度层级检测模型进行迭代优化,得到亮度层级检测模型。
可选地,所述构建所述待训练亮度层级检测模型的模型损失的步骤包括:依据所述第一检测结果与所述第二检测结果之间的差异度,计算所述待训练亮度层级检测模型对应的模型损失,进而判断所述模型损失是否收敛,若所述模型损失收敛,则将所述待训练亮度层级检测模型作为所述亮度层级检测模型,若所述模型损失未收敛,则基于所述模型损失计算的梯度,通过预设模型更新方法更新所述待训练亮度层级预测模型,并返回执行步骤:获取训练样本以及所述训练样本对应的调整值,其中,所述预设模型更新方法包括梯度下降法和梯度上升法等。
本申请实施例提供了一种图像处理方法,相比于通过局部背光调节功能实时对图像的背光亮度进行调节,以提高图像的对比度,本申请实施例通过获取待处理图像的各分区的背光亮度值以及分区数量;依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型,其中,所述高斯卷积核滤波模型包括所述高斯卷积核滤波模型的尺寸和所述高斯卷积核滤波模型对应的高斯函数;依据所述高斯卷积核滤波模型,对各所述背光亮度值进行高斯滤波处理,得到目标背光亮度;依据所述目标背光亮度值,对所述待处理图像进行调整,通过适当调整所述待处理图像的背光亮度,以降低所述待处理图像的对比度,从而使得待处理图像中边界过渡自然,进而模糊了待处理图像的分割线或分层痕迹,避免了对图像进行增强对比度处理时,由于对比度过高时,在图像中容易出现明显的分割线或分层痕迹的技术缺陷,从而提高了图像的显示效果。
实施例三
本申请实施例还提供一种图像处理装置,所述图像处理装置应用于图像处理设备,参照图3,所述图像处理装置包括:
获取模块10,用于获取待处理图像的各分区的背光亮度值以及分区数量;
确定模块20,用于依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型参数,其中,所述高斯卷积核滤波模型参数包括所述高斯卷积核滤波模型的尺寸和所述高斯卷积核滤波模型对应的高斯函数;
处理模块30,用于依据所述高斯卷积核滤波模型参数,对各所述背光亮度值进行高斯滤波处理,得到目标背光亮度;
调整模块40,用于依据所述目标背光亮度值,对所述待处理图像进行调整。
可选地,在所述依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型的步骤之前,所述图像处理装置还用于:
检测所述分区数量是否大于预设分区数量阈值;
当所述分区数量大于所述预设分区数量阈值时,则执行步骤:依据各所述分区的数量以及各所述背光亮度值,确定高斯卷积核滤波模型;
当所述分区数量不大于所述预设分区数量阈值时,则依据所述分区数量以及各所述背光亮度值确定均值滤波模型,对各所述背光亮度值进行均值滤波处理,得到目标背光亮度。
可选地,所述获取模块10还用于:
获取所述待处理图像中各像素点的灰度值区间以及各所述灰度值区间对应的像素点数量,绘制灰度值大小与像素点数量之间的灰度直方图;
依据所述灰度值区间的区间数量,确定所述待处理图像对应的分区数量;
依据各所述灰度值区间,确定所述待处理图像的各分区的背光亮度值。
可选地,所述确定模块20还用于:
依据所述分区数量,选取所述高斯卷积核滤波模型对应的尺寸;
依据各所述背光亮度值,选取所述高斯函数的函数参数;
依据所述函数参数,构建所述高斯卷积核滤波模型对应的高斯函数。
可选地,所述处理模块30还用于:
依据所述高斯卷积核滤波模型参数,计算各所述背光亮度值与相邻分区的相邻背光亮度值之间的第一权重系数;
依据所述第一权重系数以及各所述相邻背光亮度值,确定所述目标背光亮度。
可选地,所述处理模块30还用于:
依据所述分区数量,确定用于均值滤波处理的均值滤波模型尺寸;
依据所述均值滤波模型尺寸以及各所述背光亮度值与相邻分区的相邻背光亮度值之间的相关关系,计算各所述背光亮度值与所述相邻背光亮度值之间的第二权重系数;
依据所述第二权重系数以及各所述相邻背光亮度值,确定所述目标背光亮度。
可选地,在所述依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型参数的步骤之前,所述图像处理装置还用于:
当各所述灰度值区间内存在相邻两个灰度值区间对应的像素点数量的差值大于预设像素点数量阈值时,则判定所述待处理图像存在亮度层级阶跃,并执行步骤:检测所述分区数量是否大于预设分区数量阈值。
本申请提供的图像处理装置,采用上述实施例中的图像处理方法,解决了图像显示效果差的技术问题。与现有技术相比,本申请实施例提供的图像处理装置的有益效果与上述实施例提供的图像处理方法的有益效果相同,且该图像处理装置中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
实施例四
本申请实施例提供一种电子设备,所述电子设备包括: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,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述实施例中的图像处理方法。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等),其可以依据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
通常,以下***可以连接至I/O接口:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置;包括例如磁带、硬盘等的存储装置;以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种***的电子设备,但是应理解的是,并不要求实施或具备所有示出的***。可以替代地实施或具备更多或更少的***。
特别地,依据本公开的实施例,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从网络上被下载和安装,或者从存储装置被安装,或者从ROM被安装。在该计算机程序被处理装置执行时,执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备,采用上述实施例中的图像处理方法,解决了图像显示效果差的技术问题。与现有技术相比,本申请实施例提供的电子设备的有益效果与上述实施例提供的图像处理方法的有益效果相同,且该电子设备中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中,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。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
实施例五
本实施例提供一种计算机可读存储介质,具有存储在其上的计算机可读程序指令,计算机可读程序指令用于执行上述实施例中的图像处理的方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘,但不限于电、磁、光、电磁、红外线、或半导体的***、***或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、***或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的;也可以是单独存在,而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被电子设备执行时,使得电子设备:获取待处理图像的各分区的背光亮度值以及分区数量;依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型,其中,所述高斯卷积核滤波模型包括所述高斯卷积核滤波模型的尺寸和所述高斯卷积核滤波模型对应的高斯函数;依据所述高斯卷积核滤波模型,对各所述背光亮度值进行高斯滤波处理,得到目标背光亮度;依据所述目标背光亮度值,对所述待处理图像进行调整。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的计算机可读存储介质,存储有用于执行上述图像处理方法的计算机可读程序指令,解决了图像显示效果差的技术问题。与现有技术相比,本申请实施例提供的计算机可读存储介质的有益效果与上述实施提供的图像处理方法的有益效果相同,在此不做赘述。
实施例六
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的图像处理方法的步骤。
本申请提供的计算机程序产品解决了图像显示效果差的技术问题。与现有技术相比,本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的图像处理方法的有益效果相同,在此不做赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种图像处理方法,其特征在于,所述图像处理方法包括:
获取待处理图像的各分区的背光亮度值以及分区数量;
依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型,其中,所述高斯卷积核滤波模型包括所述高斯卷积核滤波模型的尺寸和所述高斯卷积核滤波模型对应的高斯函数;
依据所述高斯卷积核滤波模型,对各所述背光亮度值进行高斯滤波处理,得到目标背光亮度;
依据所述目标背光亮度值,对所述待处理图像进行调整。
2.如权利要求1所述图像处理方法,其特征在于,在所述依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型的步骤之前,还包括:
检测所述分区数量是否大于预设分区数量阈值;
当所述分区数量大于所述预设分区数量阈值时,则执行步骤:依据各所述分区的数量以及各所述背光亮度值,确定高斯卷积核滤波模型;
当所述分区数量不大于所述预设分区数量阈值时,则依据所述分区数量以及各所述背光亮度值确定均值滤波模型,对各所述背光亮度值进行均值滤波处理,得到目标背光亮度。
3.如权利要求1所述图像处理方法,其特征在于,所述获取待处理图像的各分区的背光亮度值以及分区数量的步骤包括:
获取所述待处理图像中各像素点的灰度值区间以及各所述灰度值区间对应的像素点数量,绘制灰度值大小与像素点数量之间的灰度直方图;
依据所述灰度值区间的区间数量,确定所述待处理图像对应的分区数量;
依据各所述灰度值区间,确定所述待处理图像的各分区的背光亮度值。
4.如权利要求1所述图像处理方法,其特征在于,所述依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型,其中,所述高斯卷积核滤波模型包括所述高斯卷积核滤波模型的尺寸和所述高斯卷积核滤波模型对应的高斯函数的步骤包括:
依据所述分区数量,选取所述高斯卷积核滤波模型对应的尺寸;
依据各所述背光亮度值,选取所述高斯函数的函数参数;
依据所述函数参数,构建所述高斯卷积核滤波模型对应的高斯函数。
5.如权利要求1所述图像处理方法,其特征在于,所述依据所述高斯卷积核滤波模型,对各所述背光亮度值进行高斯滤波处理,得到目标背光亮度的步骤包括:
依据所述高斯卷积核滤波模型参数,计算各所述背光亮度值与相邻分区的相邻背光亮度值之间的第一权重系数;
依据所述第一权重系数以及各所述相邻背光亮度值,确定所述目标背光亮度。
6.如权利要求2所述图像处理方法,其特征在于,所述依据所述分区数量以及各所述背光亮度值确定的均值滤波模型尺寸,对各所述背光亮度值进行均值滤波处理,得到目标背光亮度的步骤包括:
依据所述分区数量,确定用于均值滤波处理的均值滤波模型尺寸;
依据所述均值滤波模型尺寸以及各所述背光亮度值与相邻分区的相邻背光亮度值之间的相关关系,计算各所述背光亮度值与所述相邻背光亮度值之间的第二权重系数;
依据所述第二权重系数以及各所述相邻背光亮度值,确定所述目标背光亮度。
7.如权利要求3所述图像处理方法,其特征在于,在所述依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型参数的步骤之前,还包括:
当各所述灰度值区间内存在相邻两个灰度值区间对应的像素点数量的差值大于预设像素点数量阈值时,则判定所述待处理图像存在亮度层级阶跃,并执行步骤:检测所述分区数量是否大于预设分区数量阈值。
8.一种图像处理装置,其特征在于,所述图像处理装置包括:
获取模块,用于获取待处理图像的各分区的背光亮度值以及分区数量;
确定模块,用于依据所述分区数量以及各所述背光亮度值,确定高斯卷积核滤波模型参数,其中,所述高斯卷积核滤波模型参数包括所述高斯卷积核滤波模型的尺寸和所述高斯卷积核滤波模型对应的高斯函数;
处理模块,用于依据所述高斯卷积核滤波模型参数,对各所述背光亮度值进行高斯滤波处理,得到目标背光亮度;
调整模块,用于依据所述目标背光亮度值,对所述待处理图像进行调整。
9.一种电子设备,其特征在于,所述电子设备包括:
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,
所述存储器存储有可被所述至少一个处理器执行的指令,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能够执行权利要求1至7中任一项所述的图像处理方法的步骤。
10.一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上存储有实现图像处理方法的程序,所述实现图像处理方法的程序被处理器执行以实现如权利要求1至7中任一项所述图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210720515.3A CN114972113A (zh) | 2022-06-23 | 2022-06-23 | 图像处理方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210720515.3A CN114972113A (zh) | 2022-06-23 | 2022-06-23 | 图像处理方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114972113A true CN114972113A (zh) | 2022-08-30 |
Family
ID=82965289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210720515.3A Pending CN114972113A (zh) | 2022-06-23 | 2022-06-23 | 图像处理方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972113A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343331A (zh) * | 2023-03-10 | 2023-06-27 | 二十六度数字科技(广州)有限公司 | 一种基于大数据分析的精准营销方法及*** |
-
2022
- 2022-06-23 CN CN202210720515.3A patent/CN114972113A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343331A (zh) * | 2023-03-10 | 2023-06-27 | 二十六度数字科技(广州)有限公司 | 一种基于大数据分析的精准营销方法及*** |
CN116343331B (zh) * | 2023-03-10 | 2024-01-26 | 二十六度数字科技(广州)有限公司 | 一种基于大数据分析的精准营销方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN110288520B (zh) | 图像美化方法、装置及电子设备 | |
CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
CN112306301A (zh) | 触控数据的处理方法、装置、设备及存储介质 | |
CN110555861B (zh) | 光流计算方法、装置及电子设备 | |
CN110287810B (zh) | 车门动作检测方法、装置和计算机可读存储介质 | |
CN114972113A (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
CN110378936B (zh) | 光流计算方法、装置及电子设备 | |
CN111382643B (zh) | 一种手势检测方法、装置、设备及存储介质 | |
CN116151961A (zh) | 信用风险预测方法、电子设备及可读存储介质 | |
CN115861354A (zh) | 图像边缘检测方法、装置、设备及存储介质 | |
CN115953234A (zh) | 风险评估方法、装置、电子设备及存储介质 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN111696041B (zh) | 图像处理方法、装置及电子设备 | |
CN111738311A (zh) | 面向多任务的特征提取方法、装置及电子设备 | |
CN111124862A (zh) | 智能设备性能测试方法、装置及智能设备 | |
CN113469057B (zh) | 火眼视频自适应检测方法、装置、设备及介质 | |
US12020482B2 (en) | Live streaming sampling method and apparatus, and electronic device | |
CN116109932B (zh) | 房屋安全检测方法、装置、电子设备及可读存储介质 | |
US20220383637A1 (en) | Live streaming sampling method and apparatus, and electronic device | |
CN111694755B (zh) | 应用程序测试方法、装置、电子设备及介质 | |
CN111292329B (zh) | 视频分割网络的训练方法、装置及电子设备 | |
CN114724528B (zh) | 显示设备的显示控制方法、装置、电子设备及存储介质 | |
CN115470292B (zh) | 区块链共识方法、装置、电子设备及可读存储介质 | |
CN111125465B (zh) | 一种信息展示量的调整方法、装置、电子设备及可读介质 |
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 |