CN115115530B - 一种图像去模糊的方法、装置、终端设备及介质 - Google Patents
一种图像去模糊的方法、装置、终端设备及介质 Download PDFInfo
- Publication number
- CN115115530B CN115115530B CN202210043608.7A CN202210043608A CN115115530B CN 115115530 B CN115115530 B CN 115115530B CN 202210043608 A CN202210043608 A CN 202210043608A CN 115115530 B CN115115530 B CN 115115530B
- Authority
- CN
- China
- Prior art keywords
- image
- deblurring
- processed
- target
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000003708 edge detection Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 26
- 238000013145 classification model Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 238000013136 deep learning model Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于人工智能技术领域,提供了一种图像去模糊的方法、装置、终端设备及介质,所述方法包括:获取待处理图像以及待处理图像在拍摄时对应摄像头的目标移动速度;查找与目标移动速度匹配的目标图像去模糊模型;其中,目标图像去模糊模型以目标样本图像作为训练集训练获得,目标样本图像在拍摄时对应摄像头的移动速度所处的范围区间涵盖目标移动速度;将待处理图像输入至目标图像去模糊模型进行处理,得到待处理图像对应的去模糊图像。本申请提供的图像去模糊的方法可以提高图像去模糊后成功率,进而提高了图像去模糊后的图像质量。
Description
技术领域
本申请属于人工智能技术领域,尤其涉及一种图像去模糊的方法、装置、终端设备及计算机可读存储介质。
背景技术
目前,当人们使用时车载摄像头时,行车速度过快、车内抖动等原因会产生运动模糊的现象,从而影响拍摄的效果,进而影响图像质量。
针对上述问题,现有技术通常是用统一的模型训练所有不同的运动模糊,然后将拍摄得到的模糊图像输入已完成训练的模型中进行处理,得到该模糊图像对应的清晰图像。然而,当车辆的车速不同时,用户拍摄得到的模糊图像的模糊程度也是不一样的,此时,仍然使用上述已完成训练的模型进行处理时,容易导致对不同模糊程度的模糊图像的处理效果不佳,降低了图像去模糊的成功率,进而降低了图像去模糊之后的图像质量。
发明内容
本申请实施例提供了一种图像去模糊的方法、图像去模糊的装置、图像去模糊的方法、终端设备及计算机可读存储介质,可以解决现有技术存在的对不同模糊程度的模糊图像的处理效果不佳,降低了图像去模糊的成功率,进而降低了图像去模糊之后的图像质量的问题。
第一方面,本申请实施例提供了一种图像去模糊的方法,包括:
获取待处理图像以及所述待处理图像在拍摄时对应摄像头的目标移动速度;
从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型;其中,所述目标图像去模糊模型以目标样本图像作为训练集训练获得,所述目标样本图像在拍摄时对应摄像头的移动速度所处的范围区间涵盖所述目标移动速度;
将所述待处理图像输入至所述目标图像去模糊模型进行处理,得到所述待处理图像对应的去模糊图像。
可选的,在从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型之前,还包括:
将所述待处理图像输入已训练的模糊图像分类模型进行处理,得到所述待处理图像为模糊图像的概率值;
若所述概率值大于设定阈值,则执行从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型的步骤以及后续步骤。
可选的,所述待处理图像为彩色图像,在将所述待处理图像输入已训练的模糊图像分类模型之前,还包括:
将所述待处理图像由彩色图像转换为三个通道的灰度图像;
使用第一边缘检测算法对所述三个通道的灰度图像进行处理,得到所述三个通道的灰度图像各自对应的边缘图像;
对所述边缘图像和所述待处理图像进行拼接,得到六通道的输入图像;
相应的,所述将所述待处理图像输入已训练的模糊图像分类模型进行处理,得到所述待处理图像为模糊图像的概率值,包括:
将所述六通道的输入图像输入至所述模糊图像分类模型进行处理,得到所述待处理图像为模糊图像的概率值。
可选的,所述从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型,包括:
从预先构建的模型库中从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型;
其中,所述模型库通过以下方式构建:
获取多个预设速度范围区间各自分别对应的原始样本图像;
针对每个所述预设速度范围区间,以其对应的原始样本图像作为训练集,训练得到与其对应的图像去模糊模型;
根据每个所述预设速度范围区间分别对应的图像去模糊模型,构建得到所述模型库。
可选的,所述针对每个所述预设速度范围区间,以其对应的原始样本图像作为训练集,训练得到与其对应的图像去模糊模型,包括:
针对每个所述预设速度范围区间,将其对应的原始样本图像输入预设的原始图像去模糊模型进行处理,得到预处理样本图像,并使用第二边缘检测算法对其对应的原始样本图像以及所述预处理样本图像进行处理,得到其对应的原始样本图像对应的第一算子以及所述预处理样本图像对应的第二算子;根据所述第一算子和所述第二算子计算其对应的原始样本图像的损失函数;基于所述损失函数对所述原始图像去模糊模型进行参数优化处理,得到与其对应的图像去模糊模型。
可选的,所述第二边缘检测算法为索贝尔边缘检测算法,所述损失函数根据以下公式计算得到:
Lsobel=Y_sobel-Predict_sobel;
其中,Lsobel表示所述损失函数,Predict_sobel表示所述第一算子,Y_sobel表示所述第二算子。
可选的,拍摄所述待处理图像的摄像头为车辆上安装的摄像头,所述获取所述待处理图像在拍摄时对应摄像头的目标移动速度,包括:
当所述待处理图像拍摄时,获取所述车辆的行驶速度;
将所述行驶速度确定为所述目标移动速度。
第二方面,本申请实施例提供了一种图像去模糊的装置,包括:
第一获取单元,用于获取待处理图像以及所述待处理图像在拍摄时对应摄像头的目标移动速度;
第一查找单元,用于从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型;其中,所述目标图像去模糊模型以目标样本图像作为训练集训练获得,所述目标样本图像在拍摄时对应摄像头的移动速度所处的范围区间涵盖所述目标移动速度;
第一处理单元,用于将所述待处理图像输入至所述目标图像去模糊模型进行处理,得到所述待处理图像对应的去模糊图像。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,上述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的图像去模糊的方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的图像去模糊的方法的步骤。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备可执行上述第一方面中任一项所述的图像去模糊的方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例提供的一种图像去模糊的方法,通过获取到的待处理图像以及该待处理图像在拍摄时对应摄像头的目标移动速度,可以从多个图像去模糊模型中确定出与该目标移动速度匹配的目标图像去模糊模型;也就是说,不同的移动速度对应的是不同的图像去模糊模型,即目标图像去模糊模型不是固定的。之后再将待处理图像输入至上述目标图像去模糊模型中进行处理,即可得到待处理图像对应的去模糊图像。本申请实施例提供的图像去模糊的方法,由于不同移动速度对应的目标图像去模糊模型不同,因此,可以将不同移动速度下拍摄得到待处理图像输入至该移动速度对应的目标图像去模糊模型进行处理,即不同模糊程度的模糊图像可以输入至不同的图像去模糊模型进行处理,提高了图像去模糊后的图像质量。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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,下面描述中的附图仅仅是本申请的一些实施例,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他的附图。
图1是本申请一实施例提供的图像去模糊的方法的实现流程图;
图2是本申请另一实施例提供的图像去模糊的方法的实现流程图;
图3是本申请再一实施例提供的图像去模糊的方法的实现流程图;
图4是本申请又一实施例提供的图像去模糊的方法的实现流程图;
图5是本申请又一实施例提供的图像去模糊的方法的实现流程图;
图6是本申请一实施例提供的图像去模糊的装置的结构示意图;
图7是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
请参阅图1,图1是本申请一实施例提供的图像去模糊的方法的实现流程图。本申请一实施例提供的图像去模糊的方法的执行主体为终端设备。其中,终端设备可以是智能手机、平板电脑或台式电脑等。
如图1所示,本申请一实施例提供的图像去模糊的方法可以包括S101~S103,详述如下:
在S101中,获取待处理图像以及所述待处理图像在拍摄时对应摄像头的目标移动速度。
在实际应用中,当用户坐在处于行驶状态的火车、小车或大巴等行驶工具内的位置上时,用户可以对外面的景色拍照留念。由于行驶工具处于行驶状态,导致拍摄得到的照片可能是模糊的,因此,用户可以向终端设备发送图像去模糊的请求。
需要说明的是,终端设备检测到用户发送了上述图像去模糊的请求可以是:检测到用户打开预设APP或者检测到用户在预设APP内执行预设操作。其中,预设操作可以根据实际需要确定,此处不作限制。示例性的,预设操作可以是点击预设控件,即终端设备若检测到用户点击预设APP内的预设控件,则认为检测到了预设操作,即认为检测到用户发送了图像去模糊的请求。
在一些可能的实施例中,上述预设操作也可以是一个时间触发操作,终端设备在运行时可以配置有相应的图像处理流程,该图像处理流程包含有多个关键事件的触发节点,上述关键事件包括图像去模糊事件,在该情况下,若终端设备检测到到达图像去模糊事件关联的触发节点,则执行步骤S101~S103的操作,以执行对待处理图像进行图像去模糊操作。
本申请实施例中,终端设备在检测到图像去模糊的请求后,可以获取待处理图像以及该待处理图像在拍摄时对应摄像头的目标移动速度。
在本申请的一个实施例中,当用户是在处于行驶状态的车辆上拍摄图像时,拍摄待处理图像的摄像头可以是该车辆上安装的摄像头。基于此,终端设备具体可以根据以下步骤得到待处理图像在拍摄时对应摄像头的目标移动速度,详述如下:
当所述待处理图像拍摄时,获取所述车辆的行驶速度;
将所述行驶速度确定为所述目标移动速度。
本实施例中,终端设备可以与车辆上安装的摄像头无线通信连接,因此,终端设备在检测到该摄像头在进行拍摄时,可以实时通过与终端设备无线通信连接的车载***获取到此时车辆的行驶速度。
需要说明的是,车载***包括轮速传感器,该轮速传感器可以是磁电式轮速传感器,也可以是霍尔式轮速传感器,此处不作限制。
终端设备可以将上述拍摄得到图像确定为待处理图像,并将在对该待处理图像进行拍摄时获取到车辆速度确定为目标移动速度。
在S102中,从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型;其中,所述目标图像去模糊模型以目标样本图像作为训练集训练获得,所述目标样本图像在拍摄时对应摄像头的移动速度所处的范围区间涵盖所述目标移动速度。
本申请实施例中,终端设备可以预先存储有不同移动速度与不同图像去模糊模型之间的匹配关系,因此,终端设备在获取到待处理图像在拍摄时对应摄像头的目标移动速度之后,可以根据该目标移动速度以及预先存储的不同移动速度与不同图像去模糊模型之间的匹配关系,得到与该目标移动速度匹配的目标图像去模糊模型。
在本申请的一个实施例中,终端设备可以预先构建一个用于存储多个图像去模糊模型的模型库,且每个图像去模糊模型都有其对应的预设速度范围区间,因此,终端设备可以在该预先构建的模型库中查找与待处理图像在拍摄时对应摄像头的目标移动速度匹配的目标图像去模糊模型。其中,预设速度范围区间可以根据实际需要设置,此处不作限制,示例性的,预设速度范围区间可以设置为:(0,30)、[30,40]、(40,50]、(50,60]、(60,70]、(70,80]、(80,90]及(90,+∞)等,上述速度范围区间中的任一速度的单位均为km/h。
具体地,终端设备可以根据上述目标移动速度确定其所处的目标速度范围区间,再根据该目标速度范围区间从预先构建的模型库中查找待处理图像对应的目标图像去模糊模型。
在本申请的另一个实施例中,终端设备具体通过如图2所示的步骤S201~S203构建模型库,详述如下:
在S201中,获取多个预设速度范围区间各自分别对应的原始样本图像。
在S202中,针对每个所述预设速度范围区间,以其对应的原始样本图像作为训练集,训练得到与其对应的图像去模糊模型。
在S203中,根据每个所述预设速度范围区间分别对应的图像去模糊模型,构建得到所述模型库。
在本实施例的一种实现方式中,终端设备可以预先获取到摄像头在不同移动速度下拍摄得到的多张图像,并根据预先设置的多个预设速度范围区间以及每张图像在拍摄时的移动速度,对上述多张图像进行分类,得到多个预设速度范围区间各自分别对应的原始样本图像。
本实施例中,终端设备在得到多个预设速度范围区间各自分别对应的原始样本图像之后,为了提高终端设备后续对待处理图像的图像去模糊的成功率,针对任一一个预设速度范围区间,终端设备都仅将该预设速度范围区间对应的原始样本图像作为训练集,对预设的原始图像去模糊模型进行训练,从而得到该预设速度范围区间对应的已训练的图像去模糊模型。其中,预设的原始图像去模糊模型可以是预先构建的第一深度学习模型。
终端设备在得到每个预设速度范围区间对应的图像去模糊模型后,可以通过每个预设速度范围区间对应的图像去模糊模型构建得到模型库。
在S103中,将所述待处理图像输入至所述目标图像去模糊模型进行处理,得到所述待处理图像对应的去模糊图像。
本申请实施例中,终端设备在得到待处理图像在拍摄时对应摄像头的目标移动速度对应的目标图像去模糊模型之后,可以将该待处理图像输入至该目标图像去模糊模型进行处理,从而可以得到该待处理图像对应的去模糊图像。
以上可以看出,本申请实施例提供的一种图像去模糊的方法,通过获取到的待处理图像以及该待处理图像在拍摄时对应摄像头的目标移动速度,可以确定出与该目标移动速度匹配的目标图像去模糊模型;也就是说,不同的移动速度对应的是不同的图像去模糊模型,即目标图像去模糊模型不是固定的。之后再将待处理图像输入至上述目标图像去模糊模型中进行处理,即可得到待处理图像对应的去模糊图像。本申请实施例提供的图像去模糊的方法,由于不同移动速度对应的目标图像去模糊模型不同,因此,可以将不同移动速度下拍摄得到待处理图像输入至该移动速度对应的目标图像去模糊模型进行处理,即不同模糊程度的模糊图像可以输入至不同的图像去模糊模型进行处理,提高了图像去模糊后的图像质量。
请参阅图3,图3是本申请另一实施例提供的图像去模糊的方法的实现流程图。相对于图2对应的实施例,本实施例提供的图像去模糊的方法中,针对每个预设速度范围区间,终端设备具体可以通过如图3所示的S301~S304得到该预设速度范围区间对应的图像去模糊模型,详述如下:
在S301中,将所述预设速度范围区间对应的原始样本图像输入预设的原始图像去模糊模型进行处理,得到预处理样本图像。
在S302中,使用第二边缘检测算法对所述原始样本图像以及所述预处理样本图像进行处理,得到所述原始样本图像对应的第一算子以及所述预处理样本图像对应的第二算子。
在S303中,根据所述第一算子和所述第二算子计算其对应的原始样本图像的损失函数。
在S304中,基于所述损失函数对所述原始图像去模糊模型进行参数优化处理,得到与所述预设速度范围区间对应的图像去模糊模型。
本实施例中,针对每个预设速度范围区间,终端设备可以将与该预设速度范围区间对应的原始样本图像输入预设的原始图像去模糊模型进行处理,得到该原始样本图像对应的预处理样本图像。其中,原始图像去模糊模型可以是预先构建的第一深度学习模型,如生成对抗网络(DeblurGAN)模型。
终端设备在得到预处理样本图像之后,可以使用第二边缘检测算法分别对上述原始样本图像和上述预处理样本图像进行处理,从而得到该原始样本图像对应的第一算子和该预处理样本图像对应的第二算子。其中,对应边缘检测算法包括但不限于索贝尔(Sobel)边缘检测算法、Canny边缘检测算法或拉普拉斯(Laplacian)边缘检测算法。
在本申请的一个实施例中,以第二边缘检测算法为Sobel边缘检测算法为例,终端设备具体可以根据以下公式计算得到损失函数:
Lsobel=Y_sobel-Predict_sobel;
其中,Lsobel表示上述损失函数,Predict_sobel表示上述原始样本图像对应的第一算子,Y_sobel表示上述预处理样本图像对应的第二算子。
本实施例中,终端设备在得到损失函数后,可以将该损失函数作为反向传播误差,以对原始图像去模糊模型中的网络权重进行更新,即,根据该损失函数对原始图像去模糊模型进行参数优化处理,从而得到上述预设速度范围区间对应的图像去模糊模型。
以上可以看出,本实施例提供的一种图像去模糊的方法,在对每个预设速度范围区间对应的原始图像去模糊模型进行训练时,都是通过将其对应的原始样本图像输入预设的原始图像去模糊模型进行处理,得到预处理样本图像,之后可以根据第二边缘检测算法分别对预处理样本图像和原始样本图像进行处理,从而得到原始样本图像对应的第一算子和预处理样本图像对应的第二算子,并根据第一算子和第二算子得到损失函数,并将该损失函数作为反向传播误差原始图像去模糊模型进行参数优化处理,达到原始去模糊模型对原始样本图像中的边缘部分的强化的目的,从而得到已训练的图像去模糊模型。通过上述方法得到的图像去模糊模型可以让图像清晰度更高,进一步提高去模糊图像的图像质量。
请参阅图4,图4是本申请再一实施例提供的图像去模糊的方法的实现流程图。相对于图1对应的实施例,本实施例提供的图像去模糊的方法中,在S102之前,终端设备还可以包括如图4所示的S401~S402,详述如下:
在S401中,将所述待处理图像输入已训练的模糊图像分类模型进行处理,得到所述待处理图像为模糊图像的概率值。
在S402中,若所述概率值大于设定阈值,则执行从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型的步骤以及后续步骤。
本实施例中,为了确定待处理图像确实是模糊图像,以避免终端设备对清晰图像仍然执行步骤S102~S103,导致终端设备做无用功,因此,终端设备可以预先存储有已训练的模糊图像分类模型。
需要说明的是,模糊图像分类模型用于检测待处理图像是否是模糊图像的概率。模糊图像分类模型可以是基于预设样本集对预先构建的第二深度学习模型进行训练所得的。以第二深度学习模型为ResNet18分类模型为例,预设样本集中的每条样本数据均包括第一样本图像和第二样本图像。其中,第一样本图像为历史模糊图像,第二样本图像为该历史模糊图像对应的历史清晰图像。通过训练,第二深度学习模型可以学习到所有可能的样本图像为模糊图像的概率值,此时,终端设备可以将训练好的第二深度学习模型作为模糊图像分类模型。
基于此,终端设备在查找与待处理图像在拍摄时对应摄像头的目标移动速度匹配的目标图像去模糊模型之前,可以将该待处理图像输入至上述已训练的模糊图像分类模型进行处理,从而可以得到该待处理图像为模糊图像的概率值。
本实施例中,终端设备在得到待处理图像为模糊图像的概率值后,可以将该概率值与设定阈值进行比较。其中,设定阈值可以根据实际需要确定,此处不作限制,示例性的,设定阈值可以是0.9。
在本申请的另一个实施例中,终端设备在检测到待处理图像为模糊图像的概率值大于设定阈值时,可以确定该待处理图像为模糊图像,因此,终端设备可以执行步骤S402。
在本申请的再一个实施例中,终端设备在检测到待处理图像为模糊图像的概率值小于或等于设定阈值时,可以确定该待处理图像不是模糊图像,因此,终端设备无需对该待处理图像进行去模糊操作,即无需执行查找与该待处理图像在拍摄时对应摄像头的目标移动速度匹配的目标图像去模糊模型的步骤以及后续步骤。
以上可以看出,本实施例提供的一种图像去模糊的方法,通过将获取到的待处理图像输入已训练的模糊图像分类模型进行处理,得到该待处理图像为模糊图像的概率值,并将该概率值与设定阈值进行比较,只有在检测到该概率值大于设定阈值时,可以确定该待处理图像为模糊图像,此时终端设备才可以执行查找与目标移动速度匹配的目标图像去模糊模型的步骤以及后续步骤,从而避免了待处理图像不是模糊图像时,终端设备仍然执行查找与目标移动速度匹配的目标图像去模糊模型的步骤以及后续步骤,减轻了终端设备的工作压力,也提高了终端设备的工作效率。
请参阅图5,图5是本申请又一实施例提供的图像去模糊的方法的实现流程图。相对于图4对应的实施例,本实施例提供的图像去模糊的方法中,待处理图像为彩色图像,因此,在S401之前,终端设备还可以包括如图5所示的S501~S503,相应的,S401具体可以包括S504,详述如下:
在S501中,将所述待处理图像由彩色图像转换为三个通道的灰度图像。
在S502中,使用第一边缘检测算法对所述三个通道的灰度图像进行处理,得到所述三个通道的灰度图像各自对应的边缘图像。
在S503中,对所述边缘图像和所述待处理图像进行拼接,得到六通道的输入图像。
在S504中,将所述六通道的输入图像输入至所述模糊图像分类模型进行处理,得到所述待处理图像为模糊图像的概率值。
本实施例中,由于彩色图像为RGB三通道图像,因此,终端设备可以根据图像转化方法将该RGB三通道图像转化为三个通道各自对应的灰度图像,即R通道对应的灰度图像、G通道对应的灰度图像以及B通道对应的灰度图像。其中,图像转化方法具体可以是:将彩色图像中各个通道对应的所有像素值进行排序。
可以理解的是,终端设备可以将待处理图像中R通道对应的所有像素值依次排序,从而得到该R通道对应的灰度图像,可以将待处理图像中G通道对应的所有像素值依次排序,从而得到该G通道对应的灰度图像,可以将待处理图像中B通道对应的所有像素值依次排序,从而得到该B通道对应的灰度图像。
终端设备在得到待处理图像对应的三个通道的灰度图像后,为了获取待处理图像丰富的边缘信息,终端设备可以使用第一边缘检测算法对三个通道的灰度图像进行处理,从而得到三个通道的灰度图像各自对应的边缘图像。其中,第一边缘检测算法可以是Sobel算法。
需要说明的是,由于深度学习模型的输入通常为数据格式,因此,本实施例中,终端设备可以同时将待处理图像中各个颜色通道的像素值,以及该待处理图像对应的三个边缘图像各自对应的单通道的像素值进行拼接,从而得到六通道的数据,即对待处理图像和三个通道的边缘图像进行拼接,得到六通道的输入图像。
示例性的,假设待处理图像某个像素点的像素值为(25,17,24),该待处理图像的像素点在R通道对应的边缘图像中的像素点的像素值为20,该待处理图像的像素点在G通道对应的边缘图像中的像素点的像素值为15,该待处理图像的像素点在B通道对应的边缘图像中的像素点的像素值为22,则其拼接之后的六通道的像素点对应的数据为[25,17,24,20,15,22]。
本实施例中,终端设备在得到六通道的输入图像后,可以将该六通道的输入图像输入至已训练的模糊图像分类模型进行处理,从而可以准确得到待处理图像为模糊图像的概率值。
以上可以看出,本实施例提供的一种图像去模糊的方法,通过将待处理图像由彩色图像转换为三个通道的灰度图像;使用第一边缘检测算法对三个通道的灰度图像进行处理,得到三个通道的灰度图像各自对应的边缘图像;对三个通道的灰度图像各自对应的边缘图像和待处理图像进行拼接,得到六通道的输入图像,将六通道的输入图像输入至模糊图像分类模型进行处理,得到待处理图像为模糊图像的概率值。本实施例提供的图像去模糊的方法可以通过第一边缘检测算法获取到待处理图像的边缘信息,从而提高了判断待处理图像是否是模糊图像的准确率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种图像去模糊的方法,图6示出了本申请一实施例提供的图像去模糊的装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。参照图6,该图像去模糊的装置600包括:第一获取单元61、第一查找单元62及第一处理单元63。其中:
第一获取单元61用于获取待处理图像以及所述待处理图像在拍摄时对应摄像头的目标移动速度。
第一查找单元62用于从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型;其中,所述目标图像去模糊模型以目标样本图像作为训练集训练获得,所述目标样本图像在拍摄时对应摄像头的移动速度所处的范围区间涵盖所述目标移动速度。
第一处理单元63用于将所述待处理图像输入至所述目标图像去模糊模型进行处理,得到所述待处理图像对应的去模糊图像。
在本申请的一个实施例中,图像去模糊的装置600还包括:第二处理单元和执行单元。其中:
第二处理单元用于将所述待处理图像输入已训练的模糊图像分类模型进行处理,得到所述待处理图像为模糊图像的概率值。
执行单元用于若所述概率值大于设定阈值,则执行从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型的步骤以及后续步骤。
在本申请的一个实施例中,所述待处理图像为彩色图像,图像去模糊额装置600还包括:转换单元、第三处理单元及叠加单元。其中:
转换单元用于将所述待处理图像由彩色图像转换为三个通道的灰度图像。
第三处理单元用于使用第一边缘检测算法对所述三个通道的灰度图像进行处理,得到所述三个通道的灰度图像各自对应的边缘图像。
叠加单元用于对所述边缘图像和所述待处理图像进行拼接,得到六通道的输入图像。
相应的,所述第二处理单元具体用于:将所述六通道的输入图像输入至所述模糊图像分类模型进行处理,得到所述待处理图像为模糊图像的概率值。
在本申请的一个实施例中,第一查找单元具体包括:第二查找单元。
第二查找单元用于从预先构建的模型库中从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型。
其中,所述模型库通过以下单元执行得到:
第二获取单元用于获取多个预设速度范围区间各自分别对应的原始样本图像。
训练单元用于针对每个所述预设速度范围区间,以其对应的原始样本图像作为训练集,训练得到与其对应的图像去模糊模型。
构建单元用于根据每个所述预设速度范围区间分别对应的图像去模糊模型,构建得到所述模型库。
在本申请的一个实施例中,训练具体包括:第四处理单元。
第四处理单元用于针对每个所述预设速度范围区间,将其对应的原始样本图像输入预设的原始图像去模糊模型进行处理,得到预处理样本图像,并使用第二边缘检测算法对其对应的原始样本图像以及所述预处理样本图像进行处理,得到其对应的原始样本图像对应的第一算子以及所述预处理样本图像对应的第二算子;根据所述第一算子和所述第二算子计算其对应的原始样本图像的损失函数;基于所述损失函数对所述原始图像去模糊模型进行参数优化处理,得到与其对应的图像去模糊模型。
在本申请的一个实施例中,所述第二边缘检测算法为索贝尔边缘检测算法,所述损失函数根据以下公式计算得到:
Lsobel=Y_sobel-Predict_sobel;
其中,Lsobel表示所述损失函数,Predict_sobel表示所述第一算子,Y_sobel表示所述第二算子。
在本申请的一个实施例中,拍摄所述待处理图像的摄像头为车辆上安装的摄像头,第一获取单元具体包括:第三获取单元和确定单元。其中:
当所述待处理图像拍摄时,获取所述车辆的行驶速度;
将所述行驶速度确定为所述目标移动速度。
以上可以看出,本申请实施例提供的一种图像去模糊的装置,通过获取到的待处理图像以及该待处理图像在拍摄时对应摄像头的目标移动速度,可以确定出与该目标移动速度匹配的目标图像去模糊模型;也就是说,不同的移动速度对应的是不同的图像去模糊模型,即目标图像去模糊模型不是固定的。之后再将待处理图像输入至上述目标图像去模糊模型中进行处理,即可得到待处理图像对应的去模糊图像。本申请实施例提供的图像去模糊的方法,由于不同移动速度对应的目标图像去模糊模型不同,因此,可以将不同移动速度下拍摄得到待处理图像输入至该移动速度对应的目标图像去模糊模型进行处理,即不同模糊程度的模糊图像可以输入至不同的图像去模糊模型进行处理,提高了图像去模糊后的图像质量。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图7为本申请一实施例提供的终端设备的结构示意图。如图7所示,该实施例的终端设备7包括:至少一个处理器70(图7中仅示出一个)处理器、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72,所述处理器70执行所述计算机程序72时实现上述任意一种图像去模糊的方法实施例中的步骤。
本领域技术人员可以理解,图7仅仅是终端设备7的举例,并不构成对终端设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),该处理器70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。
所述存储器71在一些实施例中可以是所述终端设备7的内部存储单元,例如终端设备7的硬盘或内存。所述存储器71在另一些实施例中也可以是所述终端设备7的外部存储设备,例如所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述任意一种图像去模糊的方法实施例中的步骤,以及上述任意一种图像去模糊的方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时可实现上述任意一种图像去模糊的方法实施例中的步骤,以及上述任意一种图像去模糊的方法实施例中的步骤。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的图像去模糊的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述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,作为单元显示的部件可以是或者也可以不是物理单元,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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像去模糊的方法,其特征在于,包括:
获取待处理图像以及所述待处理图像在拍摄时对应摄像头的目标移动速度;
从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型;其中,所述目标图像去模糊模型以目标样本图像作为训练集训练获得,所述目标样本图像在拍摄时对应摄像头的移动速度所处的范围区间涵盖所述目标移动速度;
将所述待处理图像输入至所述目标图像去模糊模型进行处理,得到所述待处理图像对应的去模糊图像。
2.如权利要求1所述的方法,其特征在于,在从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型之前,还包括:
将所述待处理图像输入已训练的模糊图像分类模型进行处理,得到所述待处理图像为模糊图像的概率值;
若所述概率值大于设定阈值,则执行从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型的步骤以及后续步骤。
3.如权利要求2所述的图像去模糊的方法,其特征在于,所述待处理图像为彩色图像,在将所述待处理图像输入已训练的模糊图像分类模型之前,还包括:
将所述待处理图像由彩色图像转换为三个通道的灰度图像;
使用第一边缘检测算法对所述三个通道的灰度图像进行处理,得到所述三个通道的灰度图像各自对应的边缘图像;
对所述边缘图像和所述待处理图像进行拼接,得到六通道的输入图像;
相应的,所述将所述待处理图像输入已训练的模糊图像分类模型进行处理,得到所述待处理图像为模糊图像的概率值,包括:
将所述六通道的输入图像输入至所述模糊图像分类模型进行处理,得到所述待处理图像为模糊图像的概率值。
4.如权利要求1所述的图像去模糊的方法,其特征在于,所述从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型,包括:
从预先构建的模型库中从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型;
其中,所述模型库通过以下方式构建:
获取多个预设速度范围区间各自分别对应的原始样本图像;
针对每个所述预设速度范围区间,以其对应的原始样本图像作为训练集,训练得到与其对应的图像去模糊模型;
根据每个所述预设速度范围区间分别对应的图像去模糊模型,构建得到所述模型库。
5.如权利要求4所述的图像去模糊的方法,其特征在于,所述针对每个所述预设速度范围区间,以其对应的原始样本图像作为训练集,训练得到与其对应的图像去模糊模型,包括:
针对每个所述预设速度范围区间,将其对应的原始样本图像输入预设的原始图像去模糊模型进行处理,得到预处理样本图像,并使用第二边缘检测算法对其对应的原始样本图像以及所述预处理样本图像进行处理,得到其对应的原始样本图像对应的第一算子以及所述预处理样本图像对应的第二算子;根据所述第一算子和所述第二算子计算其对应的原始样本图像的损失函数;基于所述损失函数对所述原始图像去模糊模型进行参数优化处理,得到与其对应的图像去模糊模型。
6.如权利要求5所述的图像去模糊的方法,其特征在于,所述第二边缘检测算法为索贝尔边缘检测算法,所述损失函数根据以下公式计算得到:
Lsobel=Y_sobel-Predict_sobel;
其中,Lsobel表示所述损失函数,Predict_sobel表示所述第一算子,Y_sobel表示所述第二算子。
7.如权利要求1-6任一项所述的图像去模糊的方法,其特征在于,拍摄所述待处理图像的摄像头为车辆上安装的摄像头,所述获取所述待处理图像在拍摄时对应摄像头的目标移动速度,包括:
当所述待处理图像拍摄时,获取所述车辆的行驶速度;
将所述行驶速度确定为所述目标移动速度。
8.一种图像去模糊的装置,其特征在于,包括:
第一获取单元,用于获取待处理图像以及所述待处理图像在拍摄时对应摄像头的目标移动速度;
第一查找单元,用于从多个图像去模糊模型中查找与所述目标移动速度匹配的目标图像去模糊模型;其中,所述目标图像去模糊模型以目标样本图像作为训练集训练获得,所述目标样本图像在拍摄时对应摄像头的移动速度所处的范围区间涵盖所述目标移动速度;
第一处理单元,用于将所述待处理图像输入至所述目标图像去模糊模型进行处理,得到所述待处理图像对应的去模糊图像。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的图像去模糊的方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的图像去模糊的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210043608.7A CN115115530B (zh) | 2022-01-14 | 2022-01-14 | 一种图像去模糊的方法、装置、终端设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210043608.7A CN115115530B (zh) | 2022-01-14 | 2022-01-14 | 一种图像去模糊的方法、装置、终端设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115115530A CN115115530A (zh) | 2022-09-27 |
CN115115530B true CN115115530B (zh) | 2024-07-12 |
Family
ID=83325082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210043608.7A Active CN115115530B (zh) | 2022-01-14 | 2022-01-14 | 一种图像去模糊的方法、装置、终端设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115530B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703813B (zh) * | 2022-12-27 | 2024-04-26 | 荣耀终端有限公司 | 图像处理方法和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665417A (zh) * | 2017-03-30 | 2018-10-16 | 杭州海康威视数字技术股份有限公司 | 一种车牌图像去模糊方法、装置及*** |
CN109727201A (zh) * | 2017-10-30 | 2019-05-07 | 富士通株式会社 | 信息处理设备、图像处理方法以及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011259314A (ja) * | 2010-06-10 | 2011-12-22 | Fujifilm Corp | 撮像装置、画像処理装置及びプログラム |
JP5759907B2 (ja) * | 2012-01-19 | 2015-08-05 | クラリオン株式会社 | 車載撮像装置 |
CN108093158B (zh) * | 2017-11-30 | 2020-01-10 | Oppo广东移动通信有限公司 | 图像虚化处理方法、装置、移动设备和计算机可读介质 |
CN112217988B (zh) * | 2020-09-21 | 2022-03-04 | 深圳市美格智联信息技术有限公司 | 基于人工智能的光伏相机运动模糊自适应调整方法与*** |
CN113538263A (zh) * | 2021-06-28 | 2021-10-22 | 江苏威尔曼科技有限公司 | 基于改进DeblurGAN模型的去运动模糊方法、介质及设备 |
-
2022
- 2022-01-14 CN CN202210043608.7A patent/CN115115530B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665417A (zh) * | 2017-03-30 | 2018-10-16 | 杭州海康威视数字技术股份有限公司 | 一种车牌图像去模糊方法、装置及*** |
CN109727201A (zh) * | 2017-10-30 | 2019-05-07 | 富士通株式会社 | 信息处理设备、图像处理方法以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115115530A (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9760800B2 (en) | Method and system to detect objects using block based histogram of oriented gradients | |
CN110232418B (zh) | 一种语义识别方法、终端及计算机可读存储介质 | |
WO2021093011A1 (zh) | 无人车驾驶决策方法、无人车驾驶决策装置及无人车 | |
CN112312001B (zh) | 一种图像检测的方法、装置、设备和计算机存储介质 | |
US11847837B2 (en) | Image-based lane detection and ego-lane recognition method and apparatus | |
US20220207679A1 (en) | Method and apparatus for stitching images | |
WO2023138538A1 (zh) | 车载视频稳像方法、装置、车辆及存储介质 | |
CN113112542A (zh) | 一种视觉定位方法、装置、电子设备及存储介质 | |
CN115115530B (zh) | 一种图像去模糊的方法、装置、终端设备及介质 | |
CN114943750A (zh) | 目标跟踪方法、装置及电子设备 | |
CN112949423B (zh) | 物体识别方法、物体识别装置及机器人 | |
CN113286086B (zh) | 一种摄像头的使用控制方法、装置、电子设备及存储介质 | |
CN112837384B (zh) | 车辆标记方法、装置和电子设备 | |
CN116863124B (zh) | 车辆姿态确定方法、控制器及存储介质 | |
CN115082326A (zh) | 视频去模糊的处理方法、边缘计算设备及中心处理器 | |
CN116363628A (zh) | 标志检测方法、装置、非易失性存储介质及计算机设备 | |
CN110880003A (zh) | 一种图像匹配方法、装置、存储介质及汽车 | |
CN111339226B (zh) | 一种基于分类检测网络构建地图方法及装置 | |
KR20220127188A (ko) | 맞춤형 객체 검출 모델을 가진 객체 검출 장치 | |
CN112802112B (zh) | 视觉定位方法、装置、服务器及存储介质 | |
CN114359572A (zh) | 多任务检测模型的训练方法、装置及终端设备 | |
CN113486907A (zh) | 一种无人驾驶设备避障方法、装置及无人驾驶设备 | |
CN115362481A (zh) | 运动模糊鲁棒图像特征描述符 | |
CN113837270B (zh) | 一种目标识别方法、装置、设备及存储介质 | |
EP4258243A1 (en) | Image processing device, image processing method, and program |
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 |