CN116934905B - 网络图像实时处理方法 - Google Patents
网络图像实时处理方法 Download PDFInfo
- Publication number
- CN116934905B CN116934905B CN202311198471.3A CN202311198471A CN116934905B CN 116934905 B CN116934905 B CN 116934905B CN 202311198471 A CN202311198471 A CN 202311198471A CN 116934905 B CN116934905 B CN 116934905B
- Authority
- CN
- China
- Prior art keywords
- image
- black
- white image
- gradient
- pixel point
- 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 13
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000001186 cumulative effect Effects 0.000 claims abstract description 20
- 239000003086 colorant Substances 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 11
- 230000000739 chaotic effect Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了网络图像实时处理方法,运用于图像数据处理技术领域,其方法包括:S1:计算获取到的黑白图像中灰度的变化率,将黑白图像模拟成二维离散函数,对二维离散函数进行求导得到黑白图像中各像素点的梯度值;S2:由黑白图像中各像素点的梯度值计算出梯度分布的累积概率;S3:将黑白图像中各像素点的梯度值按照从低到高的顺序处理,当梯度值相同时则作为一个梯度等级;S4:对各分块图像区域的颜色进行对应标定,根据彩色化模板对各分块图像区域进行颜色自动填充;S5:对彩色图像基于小波变换进行亮度增强;提高了图像处理的效率,并有效实时的处理图像,使图像的细节更突出,视觉效果更好。
Description
技术领域
本申请涉及图像数据处理技术领域,特别涉及网络图像实时处理方法。
背景技术
在人们的日常生活中,生活环境和许多的事物是由五彩缤纷的色彩组成的,丰富的色彩能够给人以愉悦的美学享受,同时彩色的应用又渗透在人们的日常生活的方方面面,因此多样化的色彩已经成了人们生活的一种必要和习惯;在人眼对于彩色的分辨能力要远远高于对黑白灰度的分辨能力,由不同的黑白灰度构成的黑白图像会因色彩的缺失而对画面的表现力造成很大的制约,由于早期的拍照和摄影是历经黑白影像时代后才逐渐发展到彩色时代,因此许多照片和电影等图像的资料还是黑白效果,例如现在的远程遥感拍摄、空间探测拍摄、或者医学领域比如医学X光片等方面,尽管在其工作环境或技术条件的限制使黑白灰图像仍在使用,但人们将图像进行分析时依然会转换成彩色图像,以便更加准确的反映出具体环境或待观察目标的细节特征,然而在目前对图像的彩色处理存在以下问题:
(1)普遍采用传统的手工处理的方法,人们通过主观判断确定出图像中各种物体的颜色和亮度等,然后在计算机上手动对图像进行上色处理,完成黑白图像的彩色化处理,在这过程中对图像的处理会造成效率低且没有规范的操作;
(2)当在处理视频或动画时需要对视频每帧进行手动截取处理,无法实现快速、自动化的彩色图像处理。
参考专利申请号CN02150824.0公开了将黑白图像进行彩色显示的方法,具体基本步骤包括:对一二进制(binary)黑白图像或具有灰度效果的二进制黑白图像进行分块;进行统计分析,取得该黑白图像分块的色彩位元值;进行分层映射,取得该黑白图像分层的色彩位元值;给予不同的该黑白图像分层以不同的颜色;以及比对该黑白图像分层,给予该黑白图像分块以相应该黑白图像分层的颜色,完成彩显程序。
此现有技术优化了图像处理的效率,但针对其方案,利用二进制处理的方法将黑白灰图像转化成彩色图像存在使用范围的缺陷,当表示人物或者风景图像时只能描述图像的轮廓,因此提出网络图像实时处理方法。
发明内容
本申请的目的是提供网络图像实时处理方法,旨在解决上述问题。
为实现上述目的,本申请提供如下技术方案:
本申请提供网络图像实时处理方法,包括:
S1:计算获取到的黑白图像中灰度的变化率,将黑白图像模拟成二维离散函数,对二维离散函数进行求导得到所述黑白图像中各像素点的梯度值;
S2:由所述黑白图像中各像素点的梯度值计算出梯度分布的累积概率,并与所述黑白图像中各像素点的梯度值综合匹配,得到所述黑白图像中各像素点的排序位置,将其存入排序数组;
S3:将黑白图像中各像素点的梯度值按照从低到高的顺序处理,当梯度值相同时则作为一个梯度等级,将所述梯度等级中已被标识的像素点加入到先进先出的队列中,若先进先出的队列非空,则将队列的首元素作为当前处理的像素点,若相邻像素点被标识,则根据相邻像素点标识刷新当前像素点的标识,若相邻像素点未被标识,则将所述相邻像素点加入到所述先进先出的队列中,循环直到所述先进先出的队列为空,完成所述黑白图像的分割,得到进行彩色化处理的各分块图像区域;
S4:对所述各分块图像区域的颜色进行对应标定,根据彩色化模板对所述各分块图像区域进行颜色自动填充,得到彩色化处理完成的彩色图像;
S5:对所述彩色图像基于小波变换进行亮度增强,算法公式为:其中f(x,y)为输入图像,g(x,y)为输出图像,Q(x,y)为模糊图像,K为比例因子,将输入图像中去除经过模糊处理的模糊图像后乘以比例因子与输入图像相加得到增强后的输出图像;
S6:将所述输出图像根据通信传输协议进行实时传输。
进一步的,所述计算获取到的黑白图像中灰度的变化率,将黑白图像模拟成二维离散函数,对二维离散函数进行求导得到所述黑白图像中各像素点的梯度值的步骤中,包括:
将所述黑白图像中的各像素点按照灰度值分类,预设一个测地线距离阈值,确定灰度值最小的像素点,若最小的像素点与像素点的测地线距离小于阈值,则将该像素点淹没,否则在该像素点上设置大坝进行分类,所述测地线距离定义为在A中连接a与b的路径长度的最小值,记作dA(a,b)。
进一步的,所述由所述黑白图像中各像素点的梯度值计算出梯度分布的累积概率,并与所述黑白图像中各像素点的梯度值综合匹配,得到所述黑白图像中各像素点的排序位置,将其存入排序数组的步骤中,包括:
所述黑白图像的梯度分布的累积概率公式为:
;
其中公式中t为图像灰度级,黑白图像的灰度直方图为具有灰度级k(k=0,1,2,...L-1)的像素个数,灰度级分布概率g(k)的值是灰度直方图中的像素点个数除以黑白图像总的像素个数,黑白图像的累积概率分布fs(t)为g(k)的前k项(k<t)之和。
进一步的,所述黑白图像中各像素点的排序位置步骤为:
将所述黑白图像矩阵m×n按行扫描形成的一维序列P{P1,P2,...},利用混沌函数产生的混沌序列L{L1,L2,...},将混沌序列与所述一维序列中的元素一一对应,所述一维序列按顺序将每个元素构成一行,得到重构的黑白图像中各像素点的排序位置。
进一步的,所述S3还包括:对所述梯度等级中已被标识的像素点进行再一次的扫描,检查是否仍有未标识点,若检测出未标识点,则将当前区域的标识值加1,并将该值赋予未标识点的标识值。
进一步的,所述S5的步骤中,包括:
所述小波变换是对亮度分量小波分解的高频系数得到彩色图像的细节特征,对细节特征进行非线性反锐化掩模处理,锐化函数为:
;
其中,f(x,y)为小波系数绝对值的归一化值,a为任意实数控制K(x,y)的形状,K(x,y)为不同参数值a的曲线。
进一步的,所述锐化函数中包括:
当f(x,y)=0时,K(x,y)=0;f(x,y)=1时,K(x,y)=1;f(x,y)=0.5时,K(x,y)=0.5;
除a=1外,当f(x,y)=0或f(x,y)=1时,K(x,y)=0,使与边缘两边的平滑区域能够平滑的连接。
进一步的,所述将所述输出图像根据通信传输协议进行实时传输的步骤中,包括:
网络结构选择客户端/服务器结构,所述通信传输协议选择TCP网络传输协议。
本申请提供了网络图像实时处理方法,具有以下有益效果:
(1)由黑白图像中各像素点的梯度值计算出梯度分布的累积概率,并与黑白图像中各像素点的梯度值综合匹配,得到所述黑白图像中各像素点的排序位置,通过将其存入排序数组处理得到待进行彩色化处理的各分块图像区域,提高了图像处理的效率,并有效实时的处理图像;
(2)获得了黑白图像各分块图像区域,对其进行对应的颜色标定,根据预先设定的彩色化模板将各分块图像区域对应的颜色填充到各分块图像区域中去,从而实现了对黑白图像的彩色化;
(3)基于小波变换选择的是具有紧支集的双正交小波,其中对图像亮度分量高频系数的处理可以突出表现图像的细节特征,使图像的细节更突出,视觉效果更好;反锐化掩膜处理是图像边缘增强算法的具体实现,从得到的原始彩色图像中去除经过模糊处理的图像后乘以比例因子与原图像相加得到增强的彩色图像。
附图说明
图1为本申请一实施例的网络图像实时处理方法的流程示意图;
图2为本申请一实施例中黑白图像中两个像素点之间测地线距离的路线距离图。
本申请为目的的实现、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
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
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的一部分实施例,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前提下所获得的所有其他实施例,都属于本申请保护的范围。
参考附图1,为本申请提出的网络图像实时处理方法的流程示意图;
本申请所提供的网络图像实时处理方法,步骤包括:
S1:计算获取到的黑白图像中灰度的变化率,将黑白图像模拟成二维离散函数,对二维离散函数进行求导得到所述黑白图像中各像素点的梯度值;将所述黑白图像中的各像素点按照灰度值分类,预设一个测地线距离阈值,确定灰度值最小的像素点,若最小的像素点与像素点的测地线距离小于阈值,则将该像素点淹没,否则在该像素点上设置大坝进行分类,所述测地线距离定义为在A中连接a与b的路径长度的最小值,记作dA(a,b)。
在此步骤中,测地线距离,对于一个集合A,a、b为A中的两个元素,则定义在A中连接a与b的路径长度的最小值为测地线距离,记作dA(a,b),具体来讲如附图2所示两个像素点之间的测地线距离为,在三维曲面空间中两点间的测地线距离就是两点间沿着三维曲面的表面走的最短路径;还包括测地线影响区域,对于A中的一个点Bi,所有与点Bi的测地线距离小于其他点Bj距离的点的集合,即:
;
B中相互连通的区域的测地影响区域/>是A中点的轨迹,该测地距离是此点到B中其他区域的测地距离中最小的。
在集水盆地中,对于数值图像I,定义hmin是图像I最小的灰度级,Th(I)是图像I中所有灰度级小于等于hmin的像素点,Minh是图像I在灰度级h处区域最小值的集合,进而可以通过递归求解得到集合,具体公式为:
;
是由数值图像I中的点构成,这些点属于最低海拔的极小区中,将图像I中各点的梯度值视为该点的高度,在图像I的每个极小区M的底部之间钻上连通小孔,向图像形成的地表面中缓慢注水,水面将逐渐浸没地面,从而形成一个个集水盘地,从高度最低的极小区出发,水面将渐渐浸没图像I中不同的集水盘地,在此过程在,若来自两个不同集水盘地的水将要发送汇合,则在汇合处建立一水坝,在浸没过程的最后,每个集水盘地最终都会被水坝包围,所有水坝的集合对应图像的分水岭。
S2:由所述黑白图像中各像素点的梯度值计算出梯度分布的累积概率,并与所述黑白图像中各像素点的梯度值综合匹配,得到所述黑白图像中各像素点的排序位置,将其存入排序数组;所述黑白图像的梯度分布的累积概率公式为:
;
其中公式中t为图像灰度级,黑白图像的灰度直方图为具有灰度级k(k=0,1,2,...L-1)的像素个数,灰度级分布概率g(k)的值是灰度直方图中的像素点个数除以黑白图像总的像素个数,黑白图像的累积概率分布fs(t)为g(k)的前k项(k<t)之和。
所述黑白图像中各像素点的排序位置步骤为:将所述黑白图像矩阵m×n按行扫描形成的一维序列P{P1,P2,...},利用混沌函数产生的混沌序列L{L1,L2,...},将混沌序列与所述一维序列中的元素一一对应,所述一维序列按顺序将每个元素构成一行,得到重构的黑白图像中各像素点的排序位置。
在此步骤中,首先计算黑白图像中各像素点的梯度,然后扫描整个图像得到各梯度的概率密度,通过概率密度可以计算出图像全空间中每个位置处的像素密度,即为高维的密度场,在图像密度场中可以对像素点聚类,实现图像的分割,在图像密度场中各颜色区域中心密度较大,边缘的密度值小,故在密度场中可实现边缘和角点的检测,边缘点为正的场源点且周围密度梯度方向相反;各像素点在排序数组中的位置由梯度分布的累积概率与该像素点的梯度值计算得到,计算出所有的像素点的排序位置并将其存入排序数组,在排序后的数组中,梯度值越低的像素点存放的位置越靠前。
S3:将黑白图像中各像素点的梯度值按照从低到高的顺序处理,当梯度值相同时则作为一个梯度等级,将所述梯度等级中已被标识的点加入到先进先出的队列中,若先进先出的队列非空,则将队列的首元素作为当前处理的像素点,若相邻像素点被标识,则根据相邻像素点标识刷新当前像素点的标识,若相邻像素点未被标识,则将所述相邻像素点加入到所述先进先出的队列中,循环直到所述先进先出的队列为空,完成所述黑白图像的分割,得到进行彩色化处理的各分块图像区域;对所述梯度等级中已被标识的像素点进行再一次的扫描,检查是否仍有未标识点,若检测出未标识点,则将当前区域的标识值加1,并将该值赋予未标识点的标识值。
在此步骤中,像素点按照梯度值从低到高的顺序处理,相同梯度值的像素点作为一个梯度层级,处理一个当前层的梯度层级,要首先将该层中所有相邻已被标识的像素点加入到一个先进先出队列中去,计算当前梯度级的测地影响区,假设梯度值小于预设值h所对应的像素所属的盆地已经标记出来,则处理梯度为h+1的图像像素时,将这一层中与已标记的集水盆地相邻的图像像素送入先进先出队列中,根据测地距离将已经标记的集水盆地扩展至h+1层,最后只有梯度值为h+1区域最小值未被标记出,它们与任何已标记出的盆地均不邻接;通过扫描将h+1层中存在的区域极小值赋予新的标号,在分水岭变换的结果中,同一标号的的图像像素属于同一集水盆地。
S4:对所述各分块图像区域的颜色进行对应标定,根据彩色化模板对所述各分块图像区域进行颜色自动填充,得到彩色化处理完成的彩色图像。
在此步骤中,获得了黑白图像各分块图像区域,对其进行对应的颜色标定,根据预先设定的彩色化模板将各分块图像区域对应的颜色填充到各分块图像区域中去,从而实现了对黑白图像的彩色化。
S5:对所述彩色图像基于小波变换进行亮度增强,算法公式为:其中f(x,y)为输入图像,g(x,y)为输出图像,Q(x,y)为模糊图像,K为比例因子,将输入图像中去除经过模糊处理的模糊图像后乘以比例因子与输入图像相加得到增强后的输出图像;所述小波变换是对亮度分量小波分解的高频系数得到彩色图像的细节特征,对细节特征进行非线性反锐化掩模处理,锐化函数为:
;
其中,f(x,y)为小波系数绝对值的归一化值,a为任意实数控制K(x,y)的形状,K(x,y)为不同参数值a的曲线;所述锐化函数中包括:
当f(x,y)=0时,K(x,y)=0;f(x,y)=1时,K(x,y)=1;f(x,y)=0.5时,K(x,y)=0.5;
除a=1外,当f(x,y)=0或f(x,y)=1时,K(x,y)=0,使与边缘两边的平滑区域能够平滑的连接。
在此步骤中,基于小波变换选择的是具有紧支集的双正交小波,其中对图像亮度分量高频系数的处理可以突出表现图像的细节特征,使图像的细节更突出,视觉效果更好;反锐化掩膜处理是图像边缘增强算法的具体实现,从得到的原始彩色图像中去除经过模糊处理的图像后乘以比例因子与原图像相加得到增强图像,反锐化掩膜处理后的图像噪声会被增强, 因此要利用区域分割的方法将得到的彩色图像分为平滑区、中等对比度区和高对比度区来进行分别进行处理,对于噪声敏感的平滑区域不进行处理,对于高对比度区域进行适当的加强,对于中等对比度区域进行大幅度的增强,消除了重构图像在边缘处的失真,具有紧支集特性。
S6:将所述输出图像根据通信传输协议进行实时传输。
在此步骤中,基本的网络结构有浏览/服务器(B/S)结构和客户端/服务器(C/S)结构,在本申请中选择客户端/服务器(C/S)结构;C/S模式能够有效降低网络通信量,B/S 采用了逻辑上的三层结构,而在物理上的网络结构仍然是原来的以太网或环形网,这样第一层与第二层结构之间的通信第二层与第三层结构之间的通信都需占用同一条网络线路,而C/S 只有两层结构,网络通信量只包括Client与Server之间的通信量。所以C/S实时处理大量图像信息的能力是B/S所法比拟的。由于C/S在逻辑结构上比B/S少一层,对于相同的任务,C/S完成的速度总比B/S快,使得C/S更利于实时传输和处理图像数据。
TCP网络传输协议提供的是面向连接的、可靠的数据流传输,是无重复的数据流服务,而UDP协议是一个简单的面向数据报的传输层协议,提供的是非面向连接的、不可靠的数据流传输。UDP协议不提供可靠性,它只是把应用程序传给IP层的数据以独立包的形式传送,服务不提供无错保证,数据可能丢失、重复或失序;其UDP协议在传输数据报前不会在客户和服务器之间建立一个连接,且没有超时重发等机制;故在传输层的协议选择了TCP网络传输协议。
综上所述,本申请通过由黑白图像中各像素点的梯度值计算出梯度分布的累积概率,并与黑白图像中各像素点的梯度值综合匹配,得到黑白图像中各像素点的排序位置,将其存入排序数组进行处理得到进行彩色化处理的各分块图像区域,根据彩色化模板对各分块图像区域进行颜色自动填充,得到处理完成的彩色图像,实现了对黑白图像快速、自动的彩色化处理,提高了图像处理的效率,并有效实时的处理图像。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述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它相关的技术领域,均同理包括在本申请的专利保护范围内。
尽管已经示出和描述了本申请的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本申请的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本申请的范围由所附权利要求及其等同物限定。
Claims (8)
1.网络图像实时处理方法,其特征在于,包括:
S1:计算获取到的黑白图像中灰度的变化率,将黑白图像模拟成二维离散函数,对二维离散函数进行求导得到所述黑白图像中各像素点的梯度值;
S2:由所述黑白图像中各像素点的梯度值计算出梯度分布的累积概率,并与所述黑白图像中各像素点的梯度值综合匹配,得到所述黑白图像中各像素点的排序位置,将其存入排序数组;
S3:将黑白图像中各像素点的梯度值按照从低到高的顺序处理,当梯度值相同时则作为一个梯度等级,将所述梯度等级中已被标识的像素点加入到先进先出的队列中,若先进先出的队列非空,则将队列的首元素作为当前处理的像素点,若相邻像素点被标识,则根据相邻像素点标识刷新当前像素点的标识,若相邻像素点未被标识,则将所述相邻像素点加入到所述先进先出的队列中,循环直到所述先进先出的队列为空,完成所述黑白图像的分割,得到进行彩色化处理的各分块图像区域;
S4:对所述各分块图像区域的颜色进行对应标定,根据彩色化模板对所述各分块图像区域进行颜色自动填充,得到彩色化处理完成的彩色图像;
S5:对所述彩色图像基于小波变换进行亮度增强,算法公式为:其中f(x,y)为输入图像,g(x,y)为输出图像,Q(x,y)为模糊图像,K为比例因子,将输入图像中去除经过模糊处理的模糊图像后乘以比例因子与输入图像相加得到增强后的输出图像;
S6:将所述输出图像根据通信传输协议进行实时传输。
2.根据权利要求1所述网络图像实时处理方法,其特征在于,所述计算获取到的黑白图像中灰度的变化率,将黑白图像模拟成二维离散函数,对二维离散函数进行求导得到所述黑白图像中各像素点的梯度值的步骤中,包括:
将所述黑白图像中的各像素点按照灰度值分类,预设一个测地线距离阈值,确定灰度值最小的像素点,若最小的像素点与像素点的测地线距离小于阈值,则将该像素点淹没,否则在该像素点上设置大坝进行分类,所述测地线距离定义为在A中连接a与b的路径长度的最小值,记作dA(a,b)。
3.根据权利要求1所述网络图像实时处理方法,其特征在于,所述由所述黑白图像中各像素点的梯度值计算出梯度分布的累积概率,并与所述黑白图像中各像素点的梯度值综合匹配,得到所述黑白图像中各像素点的排序位置,将其存入排序数组的步骤中,包括:
所述黑白图像的梯度分布的累积概率公式为:
;
其中公式中t为图像灰度级,黑白图像的灰度直方图为具有灰度级k(k=0,1,2,...L-1)的像素个数,灰度级分布概率g(k)的值是灰度直方图中的像素点个数除以黑白图像总的像素个数,黑白图像的累积概率分布fs(t)为g(k)的前k项(k<t)之和。
4.根据权利要求1所述网络图像实时处理方法,其特征在于,所述黑白图像中各像素点的排序位置步骤为:
将所述黑白图像矩阵m×n按行扫描形成的一维序列P{P1,P2,...},利用混沌函数产生的混沌序列L{L1,L2,...},将混沌序列与所述一维序列中的元素一一对应,所述一维序列按顺序将每个元素构成一行,得到重构的黑白图像中各像素点的排序位置。
5.根据权利要求1所述网络图像实时处理方法,其特征在于,所述S3还包括:对所述梯度等级中已被标识的像素点进行再一次的扫描,检查是否仍有未标识点,若检测出未标识点,则将当前区域的标识值加1,并将该值赋予未标识点的标识值。
6.根据权利要求1所述网络图像实时处理方法,其特征在于,所述S5的步骤中,包括:
所述小波变换是对亮度分量和小波分解的高频系数,得到彩色图像的细节特征,对细节特征进行非线性反锐化掩模处理,锐化函数为:
;
其中,f(x,y)为小波系数绝对值的归一化值,a为任意实数控制K(x,y)的形状,K(x,y)为不同参数值a的曲线。
7.根据权利要求6所述网络图像实时处理方法,其特征在于,所述锐化函数中包括:
当f(x,y)=0时,K(x,y)=0;f(x,y)=1时,K(x,y)=1;f(x,y)=0.5时,K(x,y)=0.5;
除a=1外,当f(x,y)=0或f(x,y)=1时,K(x,y)=0,使与边缘两边的平滑区域能够平滑的连接。
8.根据权利要求1所述网络图像实时处理方法,其特征在于,所述将所述输出图像根据通信传输协议进行实时传输的步骤中,包括:
网络结构选择客户端/服务器结构,所述通信传输协议选择TCP网络传输协议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198471.3A CN116934905B (zh) | 2023-09-18 | 2023-09-18 | 网络图像实时处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198471.3A CN116934905B (zh) | 2023-09-18 | 2023-09-18 | 网络图像实时处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934905A CN116934905A (zh) | 2023-10-24 |
CN116934905B true CN116934905B (zh) | 2023-11-17 |
Family
ID=88382883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311198471.3A Active CN116934905B (zh) | 2023-09-18 | 2023-09-18 | 网络图像实时处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934905B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299277A (zh) * | 2008-06-25 | 2008-11-05 | 北京中星微电子有限公司 | 一种黑白图像彩色化处理的方法和*** |
CN103164843A (zh) * | 2011-12-15 | 2013-06-19 | 无锡中星微电子有限公司 | 一种医学影像彩色化方法 |
CN110717852A (zh) * | 2019-06-13 | 2020-01-21 | 内蒙古大学 | 一种基于fpga的田间视频图像实时分割***及方法 |
CN111985329A (zh) * | 2020-07-16 | 2020-11-24 | 浙江工业大学 | 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法 |
CN114820417A (zh) * | 2021-01-29 | 2022-07-29 | 深圳市万普拉斯科技有限公司 | 图像异常检测方法、装置、终端设备和可读存储介质 |
CN114820334A (zh) * | 2021-01-29 | 2022-07-29 | 深圳市万普拉斯科技有限公司 | 图像修复方法、装置、终端设备和可读存储介质 |
-
2023
- 2023-09-18 CN CN202311198471.3A patent/CN116934905B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299277A (zh) * | 2008-06-25 | 2008-11-05 | 北京中星微电子有限公司 | 一种黑白图像彩色化处理的方法和*** |
CN103164843A (zh) * | 2011-12-15 | 2013-06-19 | 无锡中星微电子有限公司 | 一种医学影像彩色化方法 |
CN110717852A (zh) * | 2019-06-13 | 2020-01-21 | 内蒙古大学 | 一种基于fpga的田间视频图像实时分割***及方法 |
CN111985329A (zh) * | 2020-07-16 | 2020-11-24 | 浙江工业大学 | 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法 |
CN114820417A (zh) * | 2021-01-29 | 2022-07-29 | 深圳市万普拉斯科技有限公司 | 图像异常检测方法、装置、终端设备和可读存储介质 |
CN114820334A (zh) * | 2021-01-29 | 2022-07-29 | 深圳市万普拉斯科技有限公司 | 图像修复方法、装置、终端设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116934905A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578390B (zh) | 一种使用神经网络进行图像白平衡校正的方法及装置 | |
CN109118445B (zh) | 一种基于多分支生成对抗网络的水下图像增强方法 | |
CN110728633B (zh) | 多曝光度高动态范围反色调映射模型构建方法及装置 | |
CN108615226B (zh) | 一种基于生成式对抗网络的图像去雾方法 | |
CN111292264A (zh) | 一种基于深度学习的图像高动态范围重建方法 | |
WO2022000397A1 (zh) | 低照度图像增强方法、装置及计算机设备 | |
Khan et al. | Localization of radiance transformation for image dehazing in wavelet domain | |
CN107590786A (zh) | 一种基于对抗学习网络的图像增强方法 | |
Ju et al. | BDPK: Bayesian dehazing using prior knowledge | |
Zhou et al. | FSAD-Net: feedback spatial attention dehazing network | |
CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
CN106603941A (zh) | 计算复杂度自适应的hdr图像转换方法及其*** | |
CN111105376B (zh) | 基于双分支神经网络的单曝光高动态范围图像生成方法 | |
CN114943893B (zh) | 一种土地覆盖分类的特征增强方法 | |
Acharya et al. | Directed searching optimized mean-exposure based sub-image histogram equalization for grayscale image enhancement | |
CN111683221B (zh) | 嵌入矢量红线数据的自然资源实时视频监测方法及*** | |
CN115205160A (zh) | 基于局部场景感知的无参考低照度图像增强方法 | |
CN115115685A (zh) | 一种基于自注意力神经网络的单目图像深度估计算法 | |
CN116543227A (zh) | 基于图卷积网络的遥感图像场景分类方法 | |
CN112164010A (zh) | 一种多尺度融合卷积神经网络图像去雾方法 | |
JP2021189527A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN111861949A (zh) | 一种基于生成对抗网络的多曝光图像融合方法及*** | |
CN116934905B (zh) | 网络图像实时处理方法 | |
CN110532935A (zh) | 一种大田作物表型信息高通量对等监测***及监测方法 | |
CN111815529B (zh) | 一种基于模型融合和数据增强的低质图像分类增强方法 |
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 |