CN116091364B - 图像模糊处理方法、装置、电子设备和存储介质 - Google Patents
图像模糊处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116091364B CN116091364B CN202310362201.5A CN202310362201A CN116091364B CN 116091364 B CN116091364 B CN 116091364B CN 202310362201 A CN202310362201 A CN 202310362201A CN 116091364 B CN116091364 B CN 116091364B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- blurred
- saturated
- original
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 229920006395 saturated elastomer Polymers 0.000 claims abstract description 236
- 238000012545 processing Methods 0.000 claims abstract description 54
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 34
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 34
- 238000012935 Averaging Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 70
- 238000000605 extraction Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 230000009977 dual effect Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000003014 reinforcing effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 21
- 238000012549 training Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000218691 Cupressaceae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000010534 mechanism of action Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种图像模糊处理方法、装置、电子设备和存储介质,通过搜索摄像头连续拍摄的多个原始图像中的饱和像素,利用任一原始图像中的饱和像素的像素值与相应饱和像素在相邻原始图像中对应的像素的像素值之间的差异来控制相邻原始图像之间帧插值的插值密度,可以尽可能保证通过将原始图像和插值图像进行像素值平均化所得到的第一模糊图像中的潜在饱和像素点的像素值强度不被上述平均化操作过度弱化,基于每个原始图像中的饱和像素的位置,对第一模糊图像进行饱和像素合成处理,得到第二模糊图像后,向第二模糊图像中增加噪声,再转换为sRGB格式,得到最终模糊图像,拉近了最终模糊图像与真实模糊图像之间的差异。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像模糊处理方法、装置、电子设备和存储介质。
背景技术
在各种图像分割或图像分析场景下,用于分割或分析的图像样本通常需要使用较为清晰的图像,以避免出现漏检或误检的情况。然而,在很多情形下摄像头会由于曝光过程中自身抖动或拍摄对象运动等原因导致拍摄的图像是模糊的,因此为了保证下游任务的效果,需要对图像样本进行去模糊操作。
目前采用的图像去模糊处理方式多采用深度学习技术,利用清晰-模糊图像对对深度学习网络进行训练,使得深度学习网络能够自主学习清晰图像和模糊图像之间的映射关系,从而习得将模糊图像转换为清晰图像的能力。然而,深度学习网络的训练效果依赖于训练样本的量级,训练样本越多模型训练的效果将会越好,否则模型将会出现过拟合现象,导致去模糊效果欠佳。然而,现有的模糊图像数据集中的样本数难以满足当前参数量庞大的深度学习网络的训练需求,而通过实际拍摄的方式产生模糊图像的方式工作量过大、样本收集的效率过低。有鉴于此,如何便捷地生成所需量的模糊图片,是目前需要解决的问题。遗憾的是,当前模糊图像的生成方法通过单一模糊算法(例如高斯模糊)将清晰图像转换为模糊图像,其生成的模糊图像的模式过于单一,与真实环境中复杂的模糊图像之间的差异过大,导致由此种数据训练的模型在真实场景中的去模糊效果不理想。
发明内容
本发明提供一种图像模糊处理方法、装置、电子设备和存储介质,用以解决现有技术中生成的模糊图像的模式过于单一,与真实环境中复杂的模糊图像之间的差异过大的缺陷。
本发明提供一种图像模糊处理方法,包括:
获取摄像头拍摄的连续多个原始图像,并确定每个原始图像中的饱和像素;任一图像中的饱和像素是归一化像素值为1的像素;
基于各个原始图像中的饱和像素的像素值与各个原始图像中的饱和像素在相邻原始图像中对应的像素的像素值,对所述连续多个原始图像进行帧插值处理,得到多个插值图像;任一原始图像中的饱和像素的像素值与所述任一原始图像中的相应饱和像素在相邻原始图像中对应的像素的像素值之间的差异越大,所述任一原始图像与所述相邻原始图像之间的插值图像越多;
将所述原始图像和插值图像转换为RAW格式后进行像素值平均化处理,得到第一模糊图像;
基于所述每个原始图像中的饱和像素的位置,对所述第一模糊图像进行饱和像素合成处理,得到第二模糊图像;
向所述第二模糊图像中增加噪声,得到第三模糊图像,并将所述第三模糊图像转换为sRGB格式,得到最终模糊图像。
根据本发明提供的一种图像模糊处理方法,基于所述每个原始图像中的饱和像素的位置,对所述第一模糊图像进行饱和像素合成处理,得到第二模糊图像,具体包括:
基于所述每个原始图像中的饱和像素的位置,建立所述每个原始图像分别对应的饱和像素掩膜;
基于所述每个原始图像分别对应的饱和像素掩膜,确定所述每个原始图像共同对应的潜在饱和像素掩膜;其中,潜在饱和像素掩膜中像素的位置位于至少一个原始图像对应的饱和像素掩膜区域内;
加强所述第一模糊图像中位于所述潜在饱和像素掩膜区域内的像素的像素值,以合成所述第一模糊图像中的饱和像素,得到第二模糊图像。
根据本发明提供的一种图像模糊处理方法,加强所述第一模糊图像中位于所述潜在饱和像素掩膜区域内的像素的像素值,以合成所述第一模糊图像中的饱和像素,得到第二模糊图像,具体包括:
基于预设系数对所述潜在饱和像素掩膜中各像素的像素值进行缩放,得到饱和像素合成图;
叠加所述第一模糊图像和所述饱和像素合成图中相同位置的像素值,得到第二模糊图像。
根据本发明提供的一种图像模糊处理方法,将所述第三模糊图像转换为sRGB格式,得到最终模糊图像,具体包括:
基于多个特征提取模块对所述第三模糊图像进行图像特征编码,得到所述第三模糊图像的深度特征向量;
选取所述连续多个原始图像中的中间原始图像,作为参考图像;
对所述参考图像进行高斯模糊后,基于两个特征提取模块提取高斯模糊后的参考图像的颜色特征编码;
将所述第三模糊图像的深度特征向量与所述高斯模糊后的参考图像的颜色特征编码融合,得到所述第三模糊图像的颜色特征向量;
基于一个特征提取模块、卷积模块和上采样模块对所述第三模糊图像的颜色特征向量进行处理,得到sRGB格式的最终模糊图像。
根据本发明提供的一种图像模糊处理方法,将所述第三模糊图像的深度特征向量与所述高斯模糊后的参考图像的颜色特征编码融合,得到所述第三模糊图像的颜色特征向量,具体包括:
将所述第三模糊图像的深度特征向量与所述高斯模糊后的参考图像的颜色特征编码进行点乘,得到所述第三模糊图像的颜色关联向量;
将所述第三模糊图像的深度特征向量与所述第三模糊图像的颜色关联向量进行融合,得到所述第三模糊图像的颜色特征向量。
根据本发明提供的一种图像模糊处理方法,将所述原始图像和插值图像转换为RAW格式,具体包括:
基于多个特征提取模块对任一图像进行图像特征编码,得到所述任一图像的深度特征向量;所述任一图像为原始图像或插值图像;
基于卷积模块对所述任一图像的深度特征向量进行卷积运算,得到所述任一图像的转换图像;
对所述任一图像的转换图像进行采样,去除所述任一图像的转换图像的颜色通道,以将所述任一图像转换为RAW格式。
根据本发明提供的一种图像模糊处理方法,所述特征提取模块包含多个串联的双重注意力模块以及卷积模块;其中,任一双重注意力模块中包含空间注意力模块和通道注意力模块;首个双重注意力模块的输入端与所述卷积模块的输出端之间建立了跃层连接。
本发明还提供一种图像模糊处理装置,包括:
饱和像素获取单元,用于获取摄像头拍摄的连续多个原始图像,并确定每个原始图像中的饱和像素;任一图像中的饱和像素是归一化像素值为1的像素;
帧插值单元,用于基于各个原始图像中的饱和像素的像素值与各个原始图像中的饱和像素在相邻原始图像中对应的像素的像素值,对所述连续多个原始图像进行帧插值处理,得到多个插值图像;任一原始图像中的饱和像素的像素值与所述任一原始图像中的相应饱和像素在相邻原始图像中对应的像素的像素值之间的差异越大,所述任一原始图像与所述相邻原始图像之间的插值图像越多;
第一模糊单元,用于将所述原始图像和插值图像转换为RAW格式后进行像素值平均化处理,得到第一模糊图像;
第二模糊单元,用于基于所述每个原始图像中的饱和像素的位置,对所述第一模糊图像进行饱和像素合成处理,得到第二模糊图像;
第三模糊单元,用于向所述第二模糊图像中增加噪声,得到第三模糊图像,并将所述第三模糊图像转换为sRGB格式,得到最终模糊图像。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述图像模糊处理方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述图像模糊处理方法。
本发明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任一种所述图像模糊处理方法。
本发明提供的图像模糊处理方法、装置、电子设备和存储介质,通过搜索摄像头连续拍摄的多个原始图像中的饱和像素,利用任一原始图像中的饱和像素的像素值与相应饱和像素在相邻原始图像中对应的像素的像素值之间的差异来控制相邻原始图像之间帧插值的插值密度,可以尽可能保证通过将转换为RAW格式的原始图像和插值图像进行像素值平均化所得到的第一模糊图像中的潜在饱和像素点的像素值强度不被上述平均化操作过度弱化,在此基础上对第一模糊图像进行饱和像素合成处理时,可以避免第一模糊图像中的潜在饱和像素点在合成过程中被忽略,从而提升饱和像素的合成效果以及整个模糊图像合成的效果,基于每个原始图像中的饱和像素的位置,对第一模糊图像进行饱和像素合成处理,得到第二模糊图像后,向第二模糊图像中增加噪声,得到第三模糊图像,并将第三模糊图像转换为sRGB格式,得到最终模糊图像,拉近了最终模糊图像与真实模糊图像之间的差异,有助于提升图像去模糊模型的训练效果。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1是本发明提供的图像模糊处理方法的流程示意图;
图2是本发明提供的饱和像素合成方法的流程示意图;
图3是本发明提供的格式转换方法的流程示意图之一;
图4是本发明提供的格式转换方法的流程示意图之二;
图5是本发明提供的图像模糊处理装置的结构示意图;
图6是本发明提供的电子设备的结构示意图。
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,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明提供的图像模糊处理方法的流程示意图,如图1所示,该方法包括:
步骤110,获取摄像头拍摄的连续多个原始图像,并确定每个原始图像中的饱和像素;任一图像中的饱和像素是归一化像素值为1的像素;
步骤120,基于各个原始图像中的饱和像素的像素值与各个原始图像中的饱和像素在相邻原始图像中对应的像素的像素值,对所述连续多个原始图像进行帧插值处理,得到多个插值图像;任一原始图像中的饱和像素的像素值与所述任一原始图像中的相应饱和像素在相邻原始图像中对应的像素的像素值之间的差异越大,所述任一原始图像与所述相邻原始图像之间的插值图像越多;
步骤130,将所述原始图像和插值图像转换为RAW格式后进行像素值平均化处理,得到第一模糊图像;
步骤140,基于所述每个原始图像中的饱和像素的位置,对所述第一模糊图像进行饱和像素合成处理,得到第二模糊图像;
步骤150,向所述第二模糊图像中增加噪声,得到第三模糊图像,并将所述第三模糊图像转换为sRGB格式,得到最终模糊图像。
具体地,获取摄像头连续拍摄的多个清晰的原始图像,其中原始图像可以为sRGB格式,可见多个原始图像之间存在一定的时间连续性。对各个原始图像进行搜索,以定位各个原始图像中的饱和像素。其中,饱和像素为相应图像中归一化像素值为1的像素。例如,可以读取任一原始图像的像素值并进行归一化,使得各个像素的像素值位于[0,1]区间,然后遍历各个像素从而寻找到该图像中的饱和像素。此处,从各个原始图像中定位相应图像中的饱和像素的原因在于一方面可以利用各个原始图像的饱和像素的位置确定后续帧插值的密度,另一方面可以据此确定模糊图像中待合成饱和像素的位置,但无论是何原因,其最终目的均是为了在模糊图像中合成接近真实模糊图像的饱和像素,从而降低生成的模糊图像与真实模糊图像之间的差异,各个原始图像的饱和像素的具体作用机制将在后文详述。
为了模拟现实场景中的模糊因素,可以对各个原始图像进行融合,以生成运动模糊的效果。然而,很多情形下由于帧率等原因导致摄像头连续拍摄的原始图像之间存在较大差异,直接将各个原始图像融合的模糊效果会较差。因此,可以对各个原始图像进行帧插值操作,得到多个插值图像,以弥补相邻原始图像之间的较大差异,加之考虑到真实场景下模糊通常发生于RAW域,因此可以将上述多个原始图像和插值图像转换为RAW格式后进行像素值平均化处理,得到第一模糊图像。其中,在确定相邻图像之间的插值密度(即相邻图像中新增的图像数量)时,通常的考虑是尽可能多地进行帧插值从而尽量降低相邻图像(包括原始图像和插值图像)同一位置的像素值差异,以合成平滑的中间图像。
然而,当本发明实施例将帧插值操作应用于图像模糊处理这一场景下时,主要考虑因素已经不再是图像平滑的效果,而是如何生成更接近真实模糊图像的合成模糊图像,而本发明实施例发现真实模糊图像中的一个非常重要的特性就是存在饱和像素,因此对原始图像进行帧插值并对插值后得到的插值图像进行平均化处理得到第一模糊图像时,有必要确保第一模糊图像中潜在的饱和像素的像素值不被过度弱化。对此,针对任意两个相邻的原始图像,在确定这两个相邻的原始图像之间的插值图像数量时,可以基于其中任一原始图像中的饱和像素的像素值与另一原始图像中相同位置处的像素值之间的差异确定。其中,任一原始图像中的饱和像素的像素值与相应饱和像素在相邻原始图像中对应的像素的像素值之间的差异越大,该原始图像与相邻原始图像之间的插值图像越多。通过利用任一原始图像中的饱和像素的像素值与相应饱和像素在相邻原始图像中对应的像素的像素值之间的差异来控制插值密度,可以尽可能保证通过将转换为RAW格式的插值图像和原始图像进行像素值平均化所得到的第一模糊图像中的潜在饱和像素点(第一模糊图像中的潜在饱和像素在至少一个原始图像中对应的像素为饱和像素)的像素值强度不被上述平均化操作过度弱化,在此基础上对第一模糊图像进行饱和像素合成处理时,可以避免第一模糊图像中的潜在饱和像素点在合成过程中被忽略,从而提升饱和像素的合成效果。
待得到第一模糊图像后,基于每个原始图像中的饱和像素的位置,可以确定第一模糊图像中的潜在饱和像素,而潜在饱和像素所在位置即为第一模糊图像中待合成饱和像素的位置。对第一模糊图像中的潜在饱和像素进行加强,以合成第一模糊图像中的饱和像素,得到第二模糊图像。考虑到真实模糊图像中包含有一定程度的噪声,因此为了尽可能提升模糊图像合成的真实化,可以向第二模糊图像中增加噪声,得到第三模糊图像。其中,可以向第二模糊图像中增加柏松噪声和高斯噪声,以模拟真实图像中的噪声。随后,将第三模糊图像转换为与原始图像相同的sRGB格式,得到最终模糊图像。
本发明实施例提供的方法,通过搜索摄像头连续拍摄的多个原始图像中的饱和像素,利用任一原始图像中的饱和像素的像素值与相应饱和像素在相邻原始图像中对应的像素的像素值之间的差异来控制相邻原始图像之间帧插值的插值密度,可以尽可能保证通过将转换为RAW格式的原始图像和插值图像进行像素值平均化所得到的第一模糊图像中的潜在饱和像素点的像素值强度不被上述平均化操作过度弱化,在此基础上对第一模糊图像进行饱和像素合成处理时,可以避免第一模糊图像中的潜在饱和像素点在合成过程中被忽略,从而提升饱和像素的合成效果以及整个模糊图像合成的效果,基于每个原始图像中的饱和像素的位置,对第一模糊图像进行饱和像素合成处理,得到第二模糊图像后,向第二模糊图像中增加噪声,得到第三模糊图像,并将第三模糊图像转换为sRGB格式,得到最终模糊图像,拉近了最终模糊图像与真实模糊图像之间的差异,有助于提升图像去模糊模型的训练效果。
基于上述实施例,如图2所示,基于所述每个原始图像中的饱和像素的位置,对所述第一模糊图像进行饱和像素合成处理,得到第二模糊图像,具体包括:
步骤210,基于所述每个原始图像中的饱和像素的位置,建立所述每个原始图像分别对应的饱和像素掩膜;
步骤220,基于所述每个原始图像分别对应的饱和像素掩膜,确定所述每个原始图像共同对应的潜在饱和像素掩膜;其中,潜在饱和像素掩膜中像素的位置位于至少一个原始图像对应的饱和像素掩膜区域内;
步骤230,加强所述第一模糊图像中位于所述潜在饱和像素掩膜区域内的像素的像素值,以合成所述第一模糊图像中的饱和像素,得到第二模糊图像。
具体地,根据任一原始图像中的饱和像素的位置,构建该原始图像对应的饱和像素掩膜,其中,任一原始图像对应的饱和像素掩膜的像素与该原始图像的饱和像素相对应,而饱和像素掩膜中各像素的像素值可以为预设像素值(例如可以是RAW格式图像的最高像素值)。随后,基于每个原始图像分别对应的饱和像素掩膜进行融合,从而确定每个原始图像共同对应的潜在饱和像素掩膜。其中,潜在饱和像素掩膜中像素(即潜在饱和像素)的位置位于至少一个原始图像对应的饱和像素掩膜区域内,即潜在饱和像素掩膜中的像素的位置至少与一个原始图像中的饱和像素的位置相同。此外,潜在饱和像素掩膜中各像素的像素值可以基于相应像素在各个饱和像素掩膜中对应的像素的像素值确定,例如,针对潜在饱和像素掩膜中的任一像素,可以确定该像素在各个饱和像素掩膜中对应的像素值(如果不在某一饱和像素掩膜区域内,则像素值为0)的平均值,将该平均值作为潜在饱和像素掩膜中该像素的像素值。
基于上述得到的潜在饱和像素掩膜区域,可以针对性地加强第一模糊图像中位于潜在饱和像素掩膜区域内的像素的像素值,使得第一模糊图像中位于潜在饱和像素掩膜区域内的像素的像素值达到或接近RAW格式图像的最大像素值,以合成一模糊图像中的饱和像素,得到第二模糊图像。
基于上述任一实施例,加强所述第一模糊图像中位于所述潜在饱和像素掩膜区域内的像素的像素值,以合成所述第一模糊图像中的饱和像素,得到第二模糊图像,具体包括:
基于预设系数对所述潜在饱和像素掩膜中各像素的像素值进行缩放,得到饱和像素合成图;
叠加所述第一模糊图像和所述饱和像素合成图中相同位置的像素值,得到第二模糊图像。
具体地,在加强第一模糊图像中位于潜在饱和像素掩膜区域内的像素的像素值时,可以首先基于预设系数对潜在饱和像素掩膜中各像素的像素值进行缩放,得到饱和像素合成图。其中,上述预设系数可以基于潜在饱和像素掩膜中各像素的像素值确定,若潜在饱和像素掩膜中各像素的像素值多分布在较高水平(例如潜在饱和像素掩膜中各像素的像素值的平均值或中位数高于某个像素阈值),则可以将该预设系数设置为大于1的数值,否则,可以将该预设系数设置为小于1的数值。此处,可以将预设系数的初始值置为1,基于潜在饱和像素掩膜中各像素的像素值的平均值或中位数与像素阈值之间的差异,对预设系数的初始值进行调整,例如将上述差异归一化至[-1,1]区间内后,将该归一化的差异与预设系数的初始值相加,得到调整后的预设系数,并利用该调整后的预设系数对潜在饱和像素掩膜中各像素的像素值进行缩放处理。随后,叠加第一模糊图像和饱和像素合成图中相同位置的像素值,得到第二模糊图像。需要说明的是,若任一位置处的像素在叠加后的像素值高于RAW格式图像的最高像素值或低于RAW格式图像的最低像素值,则相应将该位置处的像素的像素值置为RAW格式图像的最高像素值或最低像素值。
基于上述任一实施例,如图3所示,将所述第三模糊图像转换为sRGB格式,得到最终模糊图像,具体包括:
步骤310,基于多个特征提取模块对所述第三模糊图像进行图像特征编码,得到所述第三模糊图像的深度特征向量;
步骤320,选取所述连续多个原始图像中的中间原始图像,作为参考图像;
步骤330,对所述参考图像进行高斯模糊后,基于两个特征提取模块提取高斯模糊后的参考图像的颜色特征编码;
步骤340,将所述第三模糊图像的深度特征向量与所述高斯模糊后的参考图像的颜色特征编码融合,得到所述第三模糊图像的颜色特征向量;
步骤350,基于一个特征提取模块、卷积模块和上采样模块对所述第三模糊图像的颜色特征向量进行处理,得到sRGB格式的最终模糊图像。
具体地,在将RAW格式的图像转换为sRGB格式的图像时,通常采用的方式是利用摄像头的图像信号处理算法进行RAW格式与sRGB格式的映射。然而,在摄像头的图像信号处理算法未知的情况下,如何将RAW格式的第三模糊图像准确地转换为sRGB格式的最终模糊图像是一个难题。一种解决方案是为每个可能的图像信号处理算法单独训练一个转换网络,然而该方案不可扩展,泛化能力较差。对此,考虑到RAW格式的图像与sRGB格式的图像之间最大的差异在于颜色信息,因此可以对RAW格式的第三模糊图像进行特征编码后,在其基础上增加颜色信息,再在叠加颜色信息之后进行整体的特征编码,得到sRGB格式的最终模糊图像,从而克服图像信号处理算法未知情形下将图像从RAW域准确转换至sRGB域的问题。
具体而言,可以基于多个特征提取模块(记为F1、F2、...、Fn)对第三模糊图像进行图像特征编码,得到第三模糊图像的深度特征向量,其中深度特征向量中包含了第三模糊图像中的各层语义信息。由于RAW格式的第三模糊图像中缺乏颜色信息,为了增加颜色信息,可以从上述连续多个原始图像中选择获取颜色信息的来源。此处,考虑到原始图像之间是连续的,而第三模糊图像是由各个原始图像和插值图像像素平均化而来,因此可以选取与第三模糊图像更接近的原始图像作为提供颜色信息的参考图像,例如可以选取连续多个原始图像中位于中心的中间原始图像(例如原始图像I1、I2、...、I9,可以选取I5)作为参考图像。随后,对参考图像进行高斯模糊,利用该强模糊操作确保只有颜色信息被提取,而结构内容和精细纹理等语义信息则由第三模糊图像的深度特征向量提供。基于两个特征提取模块(可以复用对第三模糊图像进行图像特征编码时采用的特征提取编码,例如F1和F2)提取高斯模糊后的参考图像的颜色特征编码。其中,由于参考图像经由高斯模糊后过滤了除颜色信息以外的大部分语义信息,因此利用少许的特征提取模块对其进行特征提取,可以高效地获取其中的颜色信息并构建颜色特征编码。
待从参考图像中提取到颜色特征编码后,可以将第三模糊图像的深度特征向量与高斯模糊后的参考图像的颜色特征编码融合,实现图像结构内容信息、精细纹理信息等与颜色信息的融合,从而得到第三模糊图像的颜色特征向量。再基于一个特征提取模块(记为Fn+1)、卷积模块以及上采样模块对第三模糊图像的颜色特征向量进行特征整理、尺度变换,得到sRGB格式的最终模糊图像。
基于上述任一实施例,将所述第三模糊图像的深度特征向量与所述高斯模糊后的参考图像的颜色特征编码融合,得到所述第三模糊图像的颜色特征向量,具体包括:
将所述第三模糊图像的深度特征向量与所述高斯模糊后的参考图像的颜色特征编码进行点乘,得到所述第三模糊图像的颜色关联向量;
将所述第三模糊图像的深度特征向量与所述第三模糊图像的颜色关联向量进行融合,得到所述第三模糊图像的颜色特征向量。
具体地,将第三模糊图像的深度特征向量与高斯模糊后的参考图像的颜色特征编码按元素相乘,可以实现颜色信息的叠加,从而得到第三模糊图像的颜色关联向量。随后,将第三模糊图像的深度特征向量与第三模糊图像的颜色关联向量进行融合,得到第三模糊图像的颜色特征向量。其中,可以将第三模糊图像的深度特征向量与第三模糊图像的颜色关联向量相加,实现两者的融合。
基于上述任一实施例,如图4所示,将所述原始图像和插值图像转换为RAW格式,具体包括:
步骤410,基于多个特征提取模块对任一图像进行图像特征编码,得到所述任一图像的深度特征向量;所述任一图像为原始图像或插值图像;
步骤420,基于卷积模块对所述任一图像的深度特征向量进行卷积运算,得到所述任一图像的转换图像;
步骤430,对所述任一图像的转换图像进行采样,去除所述任一图像的转换图像的颜色通道,以将所述任一图像转换为RAW格式。
具体地,基于多个特征提取模块(记为S1、S2、...、Sk)对待转换的原始图像或插值图像进行图像特征编码,得到相应图像的深度特征向量。原始图像或插值图像的深度特征向量中包含了包含颜色信息在内(因为sRGB图像中包含有丰富的颜色特征)的各层语义信息。
需要说明的是,将sRGB图像转换为RAW图像的分支中采用的特征提取模块与将RAW图像转换为sRGB图像的分支中采用的特征提取模块的结构是相同的,但是两个分支单独训练,因此两个分支中的特征提取模块的参数是不同的。其中,将sRGB图像转换为RAW图像的分支可以基于sRGB格式的样本图像及其RAW格式的真实转换图像,通过计算该分支对样本图像进行转换后得到的预测图像与真实转换图像之间的差异对模型参数进行调整后得到;同理,将RAW图像转换为sRGB图像的分支可以基于RAW格式的样本图像及其sRGB格式的真实转换图像,通过计算该分支对样本图像进行转换后得到的预测图像与真实转换图像之间的差异对模型参数进行调整后得到。
接下来,利用卷积模块对原始图像或插值图像的深度特征向量进行卷积计算,实现去马赛克的效果。通过上述方式,能够反转色调映射、伽马校正、色彩校正、白平衡和其他转换的效果。随后,对原始图像或插值图像的转换图像进行采样,去除原始图像或插值图像的转换图像的颜色通道,以将该原始图像或插值图像转换为RAW格式。此处,可以使用Bayer采样函数进行采样,在每个像素处省略两个颜色通道。
基于上述任一实施例,所述特征提取模块包含多个串联的双重注意力模块以及卷积模块;其中,任一双重注意力模块中包含空间注意力模块和通道注意力模块;首个双重注意力模块的输入端与所述卷积模块的输出端之间建立了跃层连接。
具体地,将sRGB图像转换为RAW图像的分支中采用的特征提取模块与将RAW图像转换为sRGB图像的分支中采用的特征提取模块的结构是相同的,每个特征提取模块中均包含多个串联的双重注意力模块以及卷积模块。此处,任一双重注意力模块中包含有空间注意力模块和通道注意力模块,用于抑制有效性较差的特征,仅传播信息量更大的特征。其中,空间注意力模块可以利用特征的空间关系并计算空间注意力图,然后用于重新缩放传入的特征,而通道注意力模块可以利用卷积特征的通道间依赖性编码空间上的全局背景,充分捕捉通道间的关系。需要说明的是,空间注意力模块和通道注意力模块可以分别基于现有的空间注意力机制和通道注意力机制构建得到,本发明实施例对此不作具体限定。另外,首个双重注意力模块的输入端与卷积模块的输出端之间还建立了跃层连接,以克服串联的双重注意力模块较多、层次较深时带来的性能下降问题。
下面对本发明提供的图像模糊处理装置进行描述,下文描述的图像模糊处理装置与上文描述的图像模糊处理方法可相互对应参照。
基于上述任一实施例,图5是本发明提供的图像模糊处理装置的结构示意图,如图5所示,该装置包括:饱和像素获取单元510、帧插值单元520、第一模糊单元530、第二模糊单元540和第三模糊单元550。
其中,饱和像素获取单元510用于获取摄像头拍摄的连续多个原始图像,并确定每个原始图像中的饱和像素;任一图像中的饱和像素是归一化像素值为1的像素;
帧插值单元520用于基于各个原始图像中的饱和像素的像素值与各个原始图像中的饱和像素在相邻原始图像中对应的像素的像素值,对所述连续多个原始图像进行帧插值处理,得到多个插值图像;任一原始图像中的饱和像素的像素值与所述任一原始图像中的相应饱和像素在相邻原始图像中对应的像素的像素值之间的差异越大,所述任一原始图像与所述相邻原始图像之间的插值图像越多;
第一模糊单元530用于将所述原始图像和插值图像转换为RAW格式后进行像素值平均化处理,得到第一模糊图像;
第二模糊单元540用于基于所述每个原始图像中的饱和像素的位置,对所述第一模糊图像进行饱和像素合成处理,得到第二模糊图像;
第三模糊单元550用于向所述第二模糊图像中增加噪声,得到第三模糊图像,并将所述第三模糊图像转换为sRGB格式,得到最终模糊图像。
本发明实施例提供的装置,通过搜索摄像头连续拍摄的多个原始图像中的饱和像素,利用任一原始图像中的饱和像素的像素值与相应饱和像素在相邻原始图像中对应的像素的像素值之间的差异来控制相邻原始图像之间帧插值的插值密度,可以尽可能保证通过将转换为RAW格式的原始图像和插值图像进行像素值平均化所得到的第一模糊图像中的潜在饱和像素点的像素值强度不被上述平均化操作过度弱化,在此基础上对第一模糊图像进行饱和像素合成处理时,可以避免第一模糊图像中的潜在饱和像素点在合成过程中被忽略,从而提升饱和像素的合成效果以及整个模糊图像合成的效果,基于每个原始图像中的饱和像素的位置,对第一模糊图像进行饱和像素合成处理,得到第二模糊图像后,向第二模糊图像中增加噪声,得到第三模糊图像,并将第三模糊图像转换为sRGB格式,得到最终模糊图像,拉近了最终模糊图像与真实模糊图像之间的差异,有助于提升图像去模糊模型的训练效果。
基于上述任一实施例,基于所述每个原始图像中的饱和像素的位置,对所述第一模糊图像进行饱和像素合成处理,得到第二模糊图像,具体包括:
基于所述每个原始图像中的饱和像素的位置,建立所述每个原始图像分别对应的饱和像素掩膜;
基于所述每个原始图像分别对应的饱和像素掩膜,确定所述每个原始图像共同对应的潜在饱和像素掩膜;其中,潜在饱和像素掩膜中像素的位置位于至少一个原始图像对应的饱和像素掩膜区域内;
加强所述第一模糊图像中位于所述潜在饱和像素掩膜区域内的像素的像素值,以合成所述第一模糊图像中的饱和像素,得到第二模糊图像。
基于上述任一实施例,加强所述第一模糊图像中位于所述潜在饱和像素掩膜区域内的像素的像素值,以合成所述第一模糊图像中的饱和像素,得到第二模糊图像,具体包括:
基于预设系数对所述潜在饱和像素掩膜中各像素的像素值进行缩放,得到饱和像素合成图;
叠加所述第一模糊图像和所述饱和像素合成图中相同位置的像素值,得到第二模糊图像。
基于上述任一实施例,将所述第三模糊图像转换为sRGB格式,得到最终模糊图像,具体包括:
基于多个特征提取模块对所述第三模糊图像进行图像特征编码,得到所述第三模糊图像的深度特征向量;
选取所述连续多个原始图像中的中间原始图像,作为参考图像;
对所述参考图像进行高斯模糊后,基于两个特征提取模块提取高斯模糊后的参考图像的颜色特征编码;
将所述第三模糊图像的深度特征向量与所述高斯模糊后的参考图像的颜色特征编码融合,得到所述第三模糊图像的颜色特征向量;
基于一个特征提取模块、卷积模块和上采样模块对所述第三模糊图像的颜色特征向量进行处理,得到sRGB格式的最终模糊图像。
基于上述任一实施例,将所述第三模糊图像的深度特征向量与所述高斯模糊后的参考图像的颜色特征编码融合,得到所述第三模糊图像的颜色特征向量,具体包括:
将所述第三模糊图像的深度特征向量与所述高斯模糊后的参考图像的颜色特征编码进行点乘,得到所述第三模糊图像的颜色关联向量;
将所述第三模糊图像的深度特征向量与所述第三模糊图像的颜色关联向量进行融合,得到所述第三模糊图像的颜色特征向量。
基于上述任一实施例,将所述原始图像和插值图像转换为RAW格式,具体包括:
基于多个特征提取模块对任一图像进行图像特征编码,得到所述任一图像的深度特征向量;所述任一图像为原始图像或插值图像;
基于卷积模块对所述任一图像的深度特征向量进行卷积运算,得到所述任一图像的转换图像;
对所述任一图像的转换图像进行采样,去除所述任一图像的转换图像的颜色通道,以将所述任一图像转换为RAW格式。
基于上述任一实施例,所述特征提取模块包含多个串联的双重注意力模块以及卷积模块;其中,任一双重注意力模块中包含空间注意力模块和通道注意力模块;首个双重注意力模块的输入端与所述卷积模块的输出端之间建立了跃层连接。
图6是本发明提供的电子设备的结构示意图,如图6所示,该电子设备可以包括:处理器610、存储器620、通信接口630和通信总线640,其中,处理器610,存储器620,通信接口630通过通信总线640完成相互间的通信。处理器610可以调用存储器620中的逻辑指令,以执行图像模糊处理方法,该方法包括:获取摄像头拍摄的连续多个原始图像,并确定每个原始图像中的饱和像素;任一图像中的饱和像素是归一化像素值为1的像素;基于各个原始图像中的饱和像素的像素值与各个原始图像中的饱和像素在相邻原始图像中对应的像素的像素值,对所述连续多个原始图像进行帧插值处理,得到多个插值图像;任一原始图像中的饱和像素的像素值与所述任一原始图像中的相应饱和像素在相邻原始图像中对应的像素的像素值之间的差异越大,所述任一原始图像与所述相邻原始图像之间的插值图像越多;将所述原始图像和插值图像转换为RAW格式后进行像素值平均化处理,得到第一模糊图像;基于所述每个原始图像中的饱和像素的位置,对所述第一模糊图像进行饱和像素合成处理,得到第二模糊图像;向所述第二模糊图像中增加噪声,得到第三模糊图像,并将所述第三模糊图像转换为sRGB格式,得到最终模糊图像。
此外,上述的存储器620中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的图像模糊处理方法,该方法包括:获取摄像头拍摄的连续多个原始图像,并确定每个原始图像中的饱和像素;任一图像中的饱和像素是归一化像素值为1的像素;基于各个原始图像中的饱和像素的像素值与各个原始图像中的饱和像素在相邻原始图像中对应的像素的像素值,对所述连续多个原始图像进行帧插值处理,得到多个插值图像;任一原始图像中的饱和像素的像素值与所述任一原始图像中的相应饱和像素在相邻原始图像中对应的像素的像素值之间的差异越大,所述任一原始图像与所述相邻原始图像之间的插值图像越多;将所述原始图像和插值图像转换为RAW格式后进行像素值平均化处理,得到第一模糊图像;基于所述每个原始图像中的饱和像素的位置,对所述第一模糊图像进行饱和像素合成处理,得到第二模糊图像;向所述第二模糊图像中增加噪声,得到第三模糊图像,并将所述第三模糊图像转换为sRGB格式,得到最终模糊图像。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的图像模糊处理方法,该方法包括:获取摄像头拍摄的连续多个原始图像,并确定每个原始图像中的饱和像素;任一图像中的饱和像素是归一化像素值为1的像素;基于各个原始图像中的饱和像素的像素值与各个原始图像中的饱和像素在相邻原始图像中对应的像素的像素值,对所述连续多个原始图像进行帧插值处理,得到多个插值图像;任一原始图像中的饱和像素的像素值与所述任一原始图像中的相应饱和像素在相邻原始图像中对应的像素的像素值之间的差异越大,所述任一原始图像与所述相邻原始图像之间的插值图像越多;将所述原始图像和插值图像转换为RAW格式后进行像素值平均化处理,得到第一模糊图像;基于所述每个原始图像中的饱和像素的位置,对所述第一模糊图像进行饱和像素合成处理,得到第二模糊图像;向所述第二模糊图像中增加噪声,得到第三模糊图像,并将所述第三模糊图像转换为sRGB格式,得到最终模糊图像。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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。
Claims (9)
1.一种图像模糊处理方法,其特征在于,包括:
获取摄像头拍摄的连续多个原始图像,并确定每个原始图像中的饱和像素;任一图像中的饱和像素是归一化像素值为1的像素;
基于各个原始图像中的饱和像素的像素值与各个原始图像中的饱和像素在相邻原始图像中对应的像素的像素值,对所述连续多个原始图像进行帧插值处理,得到多个插值图像;任一原始图像中的饱和像素的像素值与所述任一原始图像中的相应饱和像素在相邻原始图像中对应的像素的像素值之间的差异越大,所述任一原始图像与所述相邻原始图像之间的插值图像越多;
将所述原始图像和插值图像转换为RAW格式后进行像素值平均化处理,得到第一模糊图像;
基于所述每个原始图像中的饱和像素的位置,对所述第一模糊图像进行饱和像素合成处理,得到第二模糊图像;
向所述第二模糊图像中增加噪声,得到第三模糊图像,并将所述第三模糊图像转换为sRGB格式,得到最终模糊图像;
所述基于所述每个原始图像中的饱和像素的位置,对所述第一模糊图像进行饱和像素合成处理,得到第二模糊图像,具体包括:
基于所述每个原始图像中的饱和像素的位置,建立所述每个原始图像分别对应的饱和像素掩膜;
基于所述每个原始图像分别对应的饱和像素掩膜,确定所述每个原始图像共同对应的潜在饱和像素掩膜;其中,潜在饱和像素掩膜中像素的位置位于至少一个原始图像对应的饱和像素掩膜区域内;
加强所述第一模糊图像中位于所述潜在饱和像素掩膜区域内的像素的像素值,以合成所述第一模糊图像中的饱和像素,得到第二模糊图像。
2.根据权利要求1所述的图像模糊处理方法,其特征在于,所述加强所述第一模糊图像中位于所述潜在饱和像素掩膜区域内的像素的像素值,以合成所述第一模糊图像中的饱和像素,得到第二模糊图像,具体包括:
基于预设系数对所述潜在饱和像素掩膜中各像素的像素值进行缩放,得到饱和像素合成图;
叠加所述第一模糊图像和所述饱和像素合成图中相同位置的像素值,得到第二模糊图像。
3.根据权利要求1所述的图像模糊处理方法,其特征在于,所述将所述第三模糊图像转换为sRGB格式,得到最终模糊图像,具体包括:
基于多个特征提取模块对所述第三模糊图像进行图像特征编码,得到所述第三模糊图像的深度特征向量;
选取所述连续多个原始图像中的中间原始图像,作为参考图像;
对所述参考图像进行高斯模糊后,基于两个特征提取模块提取高斯模糊后的参考图像的颜色特征编码;
将所述第三模糊图像的深度特征向量与所述高斯模糊后的参考图像的颜色特征编码融合,得到所述第三模糊图像的颜色特征向量;
基于一个特征提取模块、卷积模块和上采样模块对所述第三模糊图像的颜色特征向量进行处理,得到sRGB格式的最终模糊图像。
4.根据权利要求3所述的图像模糊处理方法,其特征在于,所述将所述第三模糊图像的深度特征向量与所述高斯模糊后的参考图像的颜色特征编码融合,得到所述第三模糊图像的颜色特征向量,具体包括:
将所述第三模糊图像的深度特征向量与所述高斯模糊后的参考图像的颜色特征编码进行点乘,得到所述第三模糊图像的颜色关联向量;
将所述第三模糊图像的深度特征向量与所述第三模糊图像的颜色关联向量进行融合,得到所述第三模糊图像的颜色特征向量。
5.根据权利要求1所述的图像模糊处理方法,其特征在于,所述将所述原始图像和插值图像转换为RAW格式,具体包括:
基于多个特征提取模块对任一图像进行图像特征编码,得到所述任一图像的深度特征向量;所述任一图像为原始图像或插值图像;
基于卷积模块对所述任一图像的深度特征向量进行卷积运算,得到所述任一图像的转换图像;
对所述任一图像的转换图像进行采样,去除所述任一图像的转换图像的颜色通道,以将所述任一图像转换为RAW格式。
6.根据权利要求3至5任一项所述的图像模糊处理方法,其特征在于,所述特征提取模块包含多个串联的双重注意力模块以及卷积模块;其中,任一双重注意力模块中包含空间注意力模块和通道注意力模块;首个双重注意力模块的输入端与所述卷积模块的输出端之间建立了跃层连接。
7.一种图像模糊处理装置,其特征在于,包括:
饱和像素获取单元,用于获取摄像头拍摄的连续多个原始图像,并确定每个原始图像中的饱和像素;任一图像中的饱和像素是归一化像素值为1的像素;
帧插值单元,用于基于各个原始图像中的饱和像素的像素值与各个原始图像中的饱和像素在相邻原始图像中对应的像素的像素值,对所述连续多个原始图像进行帧插值处理,得到多个插值图像;任一原始图像中的饱和像素的像素值与所述任一原始图像中的相应饱和像素在相邻原始图像中对应的像素的像素值之间的差异越大,所述任一原始图像与所述相邻原始图像之间的插值图像越多;
第一模糊单元,用于将所述原始图像和插值图像转换为RAW格式后进行像素值平均化处理,得到第一模糊图像;
第二模糊单元,用于基于所述每个原始图像中的饱和像素的位置,对所述第一模糊图像进行饱和像素合成处理,得到第二模糊图像;
第三模糊单元,用于向所述第二模糊图像中增加噪声,得到第三模糊图像,并将所述第三模糊图像转换为sRGB格式,得到最终模糊图像;
所述基于所述每个原始图像中的饱和像素的位置,对所述第一模糊图像进行饱和像素合成处理,得到第二模糊图像,具体包括:
基于所述每个原始图像中的饱和像素的位置,建立所述每个原始图像分别对应的饱和像素掩膜;
基于所述每个原始图像分别对应的饱和像素掩膜,确定所述每个原始图像共同对应的潜在饱和像素掩膜;其中,潜在饱和像素掩膜中像素的位置位于至少一个原始图像对应的饱和像素掩膜区域内;
加强所述第一模糊图像中位于所述潜在饱和像素掩膜区域内的像素的像素值,以合成所述第一模糊图像中的饱和像素,得到第二模糊图像。
8.一种电子设备,包括存储器、处理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,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述图像模糊处理方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,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6任一项所述图像模糊处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310362201.5A CN116091364B (zh) | 2023-04-07 | 2023-04-07 | 图像模糊处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310362201.5A CN116091364B (zh) | 2023-04-07 | 2023-04-07 | 图像模糊处理方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091364A CN116091364A (zh) | 2023-05-09 |
CN116091364B true CN116091364B (zh) | 2023-06-06 |
Family
ID=86199452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310362201.5A Active CN116091364B (zh) | 2023-04-07 | 2023-04-07 | 图像模糊处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091364B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101568908A (zh) * | 2006-02-14 | 2009-10-28 | 快图影像有限公司 | 图像模糊 |
CN103198453A (zh) * | 2011-09-26 | 2013-07-10 | 佳能株式会社 | 图像处理设备及图像处理方法 |
CN107431793A (zh) * | 2015-03-26 | 2017-12-01 | 索尼公司 | 图像处理装置和图像处理方法以及程序 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7469071B2 (en) * | 2006-02-14 | 2008-12-23 | Fotonation Vision Limited | Image blurring |
JP5847471B2 (ja) * | 2011-07-20 | 2016-01-20 | キヤノン株式会社 | 画像処理装置、撮像装置、画像処理方法および画像処理プログラム |
-
2023
- 2023-04-07 CN CN202310362201.5A patent/CN116091364B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101568908A (zh) * | 2006-02-14 | 2009-10-28 | 快图影像有限公司 | 图像模糊 |
CN103198453A (zh) * | 2011-09-26 | 2013-07-10 | 佳能株式会社 | 图像处理设备及图像处理方法 |
CN107431793A (zh) * | 2015-03-26 | 2017-12-01 | 索尼公司 | 图像处理装置和图像处理方法以及程序 |
Non-Patent Citations (2)
Title |
---|
"Saturated-Pixel Enhancement for Color Images";Di Xu et al.;《International Symposium on Circuits and Systems》;第1-4页 * |
候成刚等."基于照明恢复算子的单幅图像高光去除方法".《工业控制计算机》.2020,第33卷(第10期),90-93. * |
Also Published As
Publication number | Publication date |
---|---|
CN116091364A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330574B (zh) | 人像修复方法、装置、电子设备及计算机存储介质 | |
EP3488388B1 (en) | Video processing method and apparatus | |
CN108604369B (zh) | 一种去除图像噪声的方法、装置、设备及卷积神经网络 | |
US20230080693A1 (en) | Image processing method, electronic device and readable storage medium | |
CN111062872A (zh) | 一种基于边缘检测的图像超分辨率重建方法及*** | |
CN110248096A (zh) | 对焦方法和装置、电子设备、计算机可读存储介质 | |
CN110473185A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
JP2009509417A (ja) | 移動物体境界の抽出 | |
CN112529776B (zh) | 图像处理模型的训练方法、图像处理方法及装置 | |
CN116664450A (zh) | 基于扩散模型的图像增强方法、装置、设备及存储介质 | |
CN114339030B (zh) | 一种基于自适应可分离卷积的网络直播视频稳像方法 | |
CN110852965A (zh) | 一种基于生成对抗网络的视频光照增强方法及*** | |
CN115131229A (zh) | 图像降噪、滤波数据处理方法、装置和计算机设备 | |
CN114581355A (zh) | 一种重建hdr图像的方法、终端及电子设备 | |
CN112489103B (zh) | 一种高分辨率深度图获取方法及*** | |
CN116091364B (zh) | 图像模糊处理方法、装置、电子设备和存储介质 | |
CN117333398A (zh) | 一种基于自监督的多尺度图像去噪方法及装置 | |
CN116823662A (zh) | 一种融合原生特征的图像去噪去模糊方法 | |
Guan et al. | NODE: Extreme low light raw image denoising using a noise decomposition network | |
CN116208812A (zh) | 一种基于立体事件和强度相机的视频插帧方法及*** | |
CN114841870A (zh) | 图像处理方法、相关装置和*** | |
CN115311149A (zh) | 图像去噪方法、模型、计算机可读存储介质及终端设备 | |
Xu et al. | Joint learning of super-resolution and perceptual image enhancement for single image | |
Yang et al. | Tsgan: A two-stream generative adversarial network for bit-depth expansion | |
CN116634284B (zh) | Raw域视频去噪方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |