[go: up one dir, main page]

CN105760884B - 图片类型的识别方法及装置 - Google Patents

图片类型的识别方法及装置 Download PDF

Info

Publication number
CN105760884B
CN105760884B CN201610097153.1A CN201610097153A CN105760884B CN 105760884 B CN105760884 B CN 105760884B CN 201610097153 A CN201610097153 A CN 201610097153A CN 105760884 B CN105760884 B CN 105760884B
Authority
CN
China
Prior art keywords
picture
ratio
recognized
pixels
channel
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
Application number
CN201610097153.1A
Other languages
English (en)
Other versions
CN105760884A (zh
Inventor
李国盛
代琳
黄江涛
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 Xiaomi Mobile Software Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software 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 Xiaomi Mobile Software Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to CN201610097153.1A priority Critical patent/CN105760884B/zh
Publication of CN105760884A publication Critical patent/CN105760884A/zh
Priority to KR1020177033322A priority patent/KR102004079B1/ko
Priority to RU2017105475A priority patent/RU2669511C2/ru
Priority to PCT/CN2016/100456 priority patent/WO2017143776A1/zh
Priority to JP2016570049A priority patent/JP6328275B2/ja
Priority to EP17157179.7A priority patent/EP3208745B1/en
Priority to US15/437,989 priority patent/US10181184B2/en
Application granted granted Critical
Publication of CN105760884B publication Critical patent/CN105760884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本公开是关于一种图片类型的识别方法及装置，其中，图片类型的识别方法包括：获得待识别图片的预设颜色空间各个通道的直方图；根据直方图计算各个通道相邻灰阶像素数量的比值；若比值满足预设条件，则确定待识别图片为自然图片；若比值不满足预设条件，则确定待识别图片为合成图片。本公开实施例在整个识别过程不需要进行大量的计算，可适用于手机等移动终端上的图片类型识别，应用性强。

Description

图片类型的识别方法及装置
技术领域
本公开涉及通信技术领域，尤其涉及一种图片类型的识别方法及装置。
背景技术
在显示设备上显示的图片通常可以分为两种类型：一种是人工合成的图片，称作合成图片；一种是自然界中存在的图片，称作自然图片。合成图片通常根据显示设备的特性，人工绘制出比较符合显示设备特性的内容，例如按照显示设备能够显示的位深、色域和对比度，绘制出较为美观的图片。而自然图片通常都是自然界中真实存在的，没有针对特定显示设备的特性进行处理，所以后期可以使用特定的图像处理技术对自然图片进行处理，以使得自然图片更加美观，而如果后期对合成图片进行处理，则有可能会破坏合成图片的美观。
因此，在对图片进行后期处理之前，需要识别图片类型，以便根据图片类型确定是否对图片进行后期处理等操作，从而保持图片的美观。
目前可以采用计算图片熵值的方式来识别图片类型，如果图片熵值大于预设阈值，则可以确定该图片为自然图片，如果图片熵值小于或等于预设阈值，则可以确定该图片为合成图片。但是这种识别方式计算数据量巨大，不适合手机等移动终端上的图片类型识别。
发明内容
为克服相关技术中存在的问题，本公开提供一种图片类型的识别方法及装置。
根据本公开实施例的第一方面，提供一种图片类型的识别方法，包括：
获得待识别图片的预设颜色空间各个通道的直方图；
根据所述直方图计算各个通道相邻灰阶像素数量的比值；
若所述比值满足预设条件，则确定所述待识别图片为自然图片；
若所述比值不满足预设条件，则确定所述待识别图片为合成图片。
在一实施例中，所述预设颜色空间包括红绿蓝RGB颜色空间，所述预设条件包括：所述比值的小数位数超过5位。
在一实施例中，所述计算各个通道相邻灰阶像素数量的比值，包括：
针对所述各个通道，分别计算当前通道第i灰阶像素数量与第i-n灰阶像素数量的比值以及第i灰阶像素数量与第i+n灰阶像素数量的比值，其中，n≤i≤255-n，1≤n≤10，且i和n均为整数。
在一实施例中，所述方法还包括：
统计不满足所述预设条件的比值个数；
若所述比值个数超过预设数量，则确定所述待识别图片为合成图片。
在一实施例中，所述方法还包括：
在所述获得待识别图片的预设颜色空间各个通道的直方图之前，过滤掉所述待识别图片中的噪点。
在一实施例中，所述方法还包括：
获得所述待识别图片的特征信息；
判断所述待识别图片的特征信息是否与预先建立的特征库中的特征信息相匹配，所述特征库中包括属于合成图片的特征信息；
若二者相匹配，则确定所述待识别图片为合成图片。
根据本公开实施例的第二方面，提供一种图片类型的识别装置，包括：
获得模块，被配置为获得待识别图片的预设颜色空间各个通道的直方图；
计算模块，被配置为根据所述获得模块获得的所述直方图计算各个通道相邻灰阶像素数量的比值；
第一确定模块，被配置为若所述计算模块计算的所述比值满足预设条件，则确定所述待识别图片为自然图片；
第二确定模块，被配置为若所述计算模块计算的所述比值不满足预设条件，则确定所述待识别图片为合成图片。
在一实施例中，所述预设颜色空间包括红绿蓝RGB颜色空间，所述预设条件包括：所述比值的小数位数超过5位。
在一实施例中，所述计算模块，被配置为：
针对所述各个通道，分别计算当前通道第i灰阶像素数量与第i-n灰阶像素数量的比值以及第i灰阶像素数量与第i+n灰阶像素数量的比值，其中，n≤i≤255-n，1≤n≤10，且i和n均为整数。
在一实施例中，所述装置还包括：
统计模块，被配置为统计不满足所述预设条件的比值个数；
第三确定模块，被配置为若所述统计模块统计的所述比值个数超过预设数量，则确定所述待识别图片为合成图片。
在一实施例中，所述装置还包括：
过滤模块，被配置为在所述获得模块获得待识别图片的预设颜色空间各个通道的直方图之前，过滤掉所述待识别图片中的噪点。
在一实施例中，所述装置还包括：
特征信息获得模块，被配置为获得所述待识别图片的特征信息；
判断模块，被配置为判断所述特征信息获得模块获得的所述待识别图片的特征信息是否与预先建立的特征库中的特征信息相匹配，所述特征库中包括属于合成图片的特征信息；
第四确定模块，被配置为若所述判断模块判断出二者相匹配，则确定所述待识别图片为合成图片。
根据本公开实施例的第三方面，提供一种图片类型的识别装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为：
获得待识别图片的预设颜色空间各个通道的直方图；
根据所述直方图计算各个通道相邻灰阶像素数量的比值；
若所述比值满足预设条件，则确定所述待识别图片为自然图片；
若所述比值不满足预设条件，则确定所述待识别图片为合成图片。
本公开的实施例提供的技术方案可以包括以下有益效果：通过获得待识别图片的预设颜色空间各个通道的直方图，并根据获得的直方图计算各个通道相邻灰阶像素数量的比值，然后根据比值是否满足预设条件来确定待识别图片的类型，整个识别过程不需要进行大量的计算，可适用于手机等移动终端上的图片类型识别，应用性强。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种图片类型的识别方法的流程图。
图2a是根据一示例性实施例示出的待识别图片的红色通道直方图的示意图一。
图2b是根据一示例性实施例示出的待识别图片的绿色通道直方图的示意图一。
图2c是根据一示例性实施例示出的待识别图片的蓝色通道直方图的示意图一。
图3a是根据一示例性实施例示出的待识别图片的红色通道直方图的示意图二。
图3b是根据一示例性实施例示出的待识别图片的绿色通道直方图的示意图二。
图3c是根据一示例性实施例示出的待识别图片的蓝色通道直方图的示意图二。
图4是根据一示例性实施例示出的另一种图片类型的识别方法的流程图。
图5是根据一示例性实施例示出的另一种图片类型的识别方法的流程图。
图6是根据一示例性实施例示出的一种图片类型的识别装置的框图。
图7是根据一示例性实施例示出的另一种图片类型的识别装置的框图。
图8是根据一示例性实施例示出的另一种图片类型的识别装置的框图。
图9是根据一示例性实施例示出的另一种图片类型的识别装置的框图。
图10是根据一示例性实施例示出的一种适用于图片类型的识别装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种图片类型的识别方法的流程图，如图1所示，该图片类型的识别方法可应用于移动终端上，该移动终端可以包括但不局限于手机、平板电脑(PAD)等终端设备，该方法包括以下步骤S101-S104：
在步骤S101中，获得待识别图片的预设颜色空间各个通道的直方图。
在该实施例中，不同类型图片在预设颜色空间各个通道的直方图具有不同的特点，因此，可以通过对直方图特点的分析来识别出图片的类型。
其中，预设颜色空间可以为红绿蓝(RGB)颜色空间、亮度颜色(LAB)等颜色空间。
例如，可以获得待识别图片RGB颜色空间各个通道的直方图，如图2a-2c所示，可以为待识别图片的RGB三个通道的直方图示例，如图3a-3c所示，也可以为待识别图片的RGB三个通道的直方图示例。
其中，直方图的横轴表示0～255的灰阶数值，纵轴表示对应灰阶的像素数量。
在步骤S102中，根据获得的直方图计算各个通道相邻灰阶像素数量的比值。
在该实施例中，根据获得的直方图可以计算出图片各个通道相邻灰阶像素数量的比值。
例如，可以根据图2a-图2c所示的直方图或者图3a-图3c所示的直方图计算红绿蓝三个通道相邻灰阶像素数量的比值。
在该实施例中，计算各个通道相邻灰阶像素数量的比值的方式可以为：
针对各个通道，分别计算当前通道第i灰阶像素数量与第i-n灰阶像素数量的比值以及第i灰阶像素数量与第i+n灰阶像素数量的比值，其中，n≤i≤255-n，1≤n≤10，且i和n均为整数。而n的优选值可以为1-5。
例如，可以计算红色通道第1灰阶像素数量与第0灰阶像素数量的比值以及第1灰阶像素数量与第2灰阶像素数量的比值，第2灰阶像素数量与第1灰阶像素数量的比值以及第2灰阶像素数量与第3灰阶像素数量的比值，第3灰阶像素数量与第2灰阶像素数量的比值以及第3灰阶像素数量与第4灰阶像素数量的比值，……，第254灰阶像素数量与第253灰阶像素数量的比值以及第254灰阶像素数量与第255灰阶像素数量的比值。
假设，图3a所示的红色通道直方图中，第89灰阶有1624个像素，第90灰阶有1609个像素，第91灰阶有1554个像素，则第90灰阶和第89灰阶的比值是0.9907635，第90灰阶和第91灰阶的比值是1.03539253。
在步骤S103中，若计算的比值满足预设条件，则确定待识别图片为自然图片。
在该实施例中，当预设颜色空间为RGB时，预设条件可以为：比值的小数位数超过5位。
若计算的比值满足预设条件，即计算的比值的小数位数超过5位，则该待识别图片为自然图片。
继续上例进行描述，由于第90灰阶和第89灰阶的比值是0.9907635，第90灰阶和第91灰阶的比值是1.03539253，二者的小数位数均超过5位，因此，可以初步判断图3a对应的图片为自然图片。如果图3b-3c所示直方图中相邻灰阶像素数量的比值的小数位数也超过5位，则可以确定图3b-3c对应的图片为自然图片。
在步骤S104中，若计算的比值不满足预设条件，则确定待识别图片为合成图片。
在该实施例中，若计算的比值不满足预设条件，即计算的比值为整数或者小数位数不超过5位，则该待识别图片为合成图片。
假设，图2a所示的红色通道直方图中，第1灰阶和第0灰阶的比值是0.01，第1灰阶和第2灰阶的比值是100，由于计算的比值不满足预设条件，则可以初步判定图2a对应的图片为合成图片。如果图2b-2c所示直方图中相邻灰阶像素数量的比值也不满足预设条件，则可以确定图2a-2c对应的图片为合成图片。
在该实施例中，为了提高图片类型的识别准确率，还可以包括：统计不满足预设条件的比值个数，若比值个数超过预设数量，则可以确定待识别图片为合成图片。其中，预设数量可以根据需要灵活设置，例如可以为6个、8个等。
假设，图2a-图2c所示的三个通道直方图中，不满足预设条件的比值个数均为508个，则可以进一步确定图2a-图2c对应的图片为合成图片。
上述图片类型的识别方法实施例，通过获得待识别图片的预设颜色空间各个通道的直方图，并根据获得的直方图计算各个通道相邻灰阶像素数量的比值，然后根据比值是否满足预设条件来确定待识别图片的类型，整个识别过程不需要进行大量的计算，可适用于手机等移动终端上的图片类型识别，应用性强。
图4是根据一示例性实施例示出的另一种图片类型的识别方法的流程图，如图4所示，在上述步骤S101之前，该方法还包括如下步骤：
在步骤S100中，过滤掉待识别图片中的噪点。
其中，图片中的噪点主要是指相机的传感器在将光线作为接收信号并输出的过程中所产生的图像中的粗糙部分，也指图像中不该出现的外来像素，通常由电子干扰产生。
在该实施例中，在获得待识别图片的预设颜色空间各个通道的直方图之前，可以先过滤掉待识别图片中的噪点，从而使得获得的直方图更准确，进而提高图片类型的识别准确率。
上述图片类型的识别方法实施例，通过过滤掉待识别图片中的噪点，从而使得获得的直方图更准确，进而提高图片类型的识别准确率。
图5是根据一示例性实施例示出的另一种图片类型的识别方法的流程图，如图5所示，该方法还可以包括以下步骤：
在步骤S501中，获得待识别图片的特征信息。
在该实施例中，可以预先建立合成图片的特征库，该特征库中包括属于合成图片的特征信息。因此，可以通过获得待识别图片的特征信息，并将获得的特征信息与特征库进行比对，从而可以识别出待识别图片是否为合成图片。
其中，特征库可以包括但不局限于以下特征信息中的一种或几种：合成图片的RGB三个通道的像素数量特征信息、合成图片的单色图像特征信息等。
在该实施例中，为了与特征库中的特征信息进行比对，可以获得待识别图片的RGB三个通道的像素数量特征信息，也可以获得待识别图片的红色图像特征信息。
在步骤S502中，判断待识别图片的特征信息是否与预先建立的特征库中的特征信息相匹配，若二者相匹配，则执行步骤S503，否则，执行步骤S504。
在步骤S503中，确定待识别图片是合成图片，结束。
假设图2a-2c为待识别图片的RGB三个通道的直方图，从图2a-2c可以看出，待识别图片的RGB三个通道的直方图完全相同，因此，可以获得待识别图片的RGB三个通道的像素数量相等，即与特征库中的特征信息相匹配，因此，可以确定待识别图片为合成图片。
在步骤S504中，确定待识别图片不是合成图片。
在该实施例中，如果待识别图片的特征信息与预先建立的特征库中的特征信息不匹配，则可以确定待识别图片不是合成图片。
需要说明的是，除了可以采用该方式来识别图片类型，还可以通过该方式对已识别出的图片类型进行纠错，例如，假设之前已识别出当前图片为合成图片，则可以通过获得该图片的特征信息，并将该特征信息与特征库中的特征信息进行比对的方式来进一步确定该图片是否合成图片，从而大大提高识别准确率。
上述图片类型的识别方法实施例，通过判断获得的待识别图片的特征信息是否与预先建立的特征库中的特征信息相匹配来确定待识别图片是否为合成图片，从而又提供一种合成图片的识别方式，使得图片类型的识别方式多样化，另外，也可以对已识别的图片类型进行纠错，从而大大提高识别准确率。
与前述图片类型的识别方法实施例相对应，本公开还提供了图片类型的识别装置实施例。
图6是根据一示例性实施例示出的一种图片类型的识别装置的框图，如图6所示，图片类型的识别装置包括：获得模块61、计算模块62、第一确定模块63和第二确定模块64。
获得模块61被配置为获得待识别图片的预设颜色空间各个通道的直方图。
在该实施例中，不同类型图片在预设颜色空间各个通道的直方图具有不同的特点，因此，可以通过对直方图特点的分析来识别出图片的类型。
其中，预设颜色空间可以为红绿蓝(RGB)颜色空间、亮度颜色(LAB)等颜色空间。
例如，可以获得待识别图片RGB颜色空间各个通道的直方图，如图2a-2c所示，可以为待识别图片的RGB三个通道的直方图示例，如图3a-3c所示，也可以为待识别图片的RGB三个通道的直方图示例。
其中，直方图的横轴表示0～255的灰阶数值，纵轴表示对应灰阶的像素数量。
计算模块62被配置为根据获得模块61获得的直方图计算各个通道相邻灰阶像素数量的比值。
在该实施例中，根据获得的直方图可以计算出图片各个通道相邻灰阶像素数量的比值。
例如，可以根据图2a-图2c所示的直方图或者图3a-图3c所示的直方图计算红绿蓝三个通道相邻灰阶像素数量的比值。
在该实施例中，计算各个通道相邻灰阶像素数量的比值的方式可以为：
针对各个通道，分别计算当前通道第i灰阶像素数量与第i-n灰阶像素数量的比值以及第i灰阶像素数量与第i+n灰阶像素数量的比值，其中，n≤i≤255-n，1≤n≤10，且i和n均为整数。而n的优选值可以为1-5。
例如，可以计算红色通道第1灰阶像素数量与第0灰阶像素数量的比值以及第1灰阶像素数量与第2灰阶像素数量的比值，第2灰阶像素数量与第1灰阶像素数量的比值以及第2灰阶像素数量与第3灰阶像素数量的比值，第3灰阶像素数量与第2灰阶像素数量的比值以及第3灰阶像素数量与第4灰阶像素数量的比值，……，第254灰阶像素数量与第253灰阶像素数量的比值以及第254灰阶像素数量与第255灰阶像素数量的比值。
假设，图3a所示的红色通道直方图中，第89灰阶有1624个像素，第90灰阶有1609个像素，第91灰阶有1554个像素，则第90灰阶和第89灰阶的比值是0.9907635，第90灰阶和第91灰阶的比值是1.03539253。
第一确定模块63被配置为若计算模块62计算的比值满足预设条件，则确定待识别图片为自然图片。
在该实施例中，当预设颜色空间为RGB时，预设条件可以为：比值的小数位数超过5位。
若计算的比值满足预设条件，即计算的比值的小数位数超过5位，则该待识别图片为自然图片。
继续上例进行描述，由于第90灰阶和第89灰阶的比值是0.9907635，第90灰阶和第91灰阶的比值是1.03539253，二者的小数位数均超过5位，因此，可以初步判断图3a对应的图片为自然图片。如果图3b-3c所示直方图中相邻灰阶像素数量的比值的小数位数也超过5位，则可以确定图3b-3c对应的图片为自然图片。
第二确定模块64被配置为若计算模块62计算的比值不满足预设条件，则确定待识别图片为合成图片。
在该实施例中，若计算的比值不满足预设条件，即计算的比值为整数或者小数位数不超过5位，则该待识别图片为合成图片。
假设，图2a所示的红色通道直方图中，第1灰阶和第0灰阶的比值是0.01，第1灰阶和第2灰阶的比值是100，由于计算的比值不满足预设条件，则可以初步判定图2a对应的图片为合成图片。如果图2b-2c所示直方图中相邻灰阶像素数量的比值也不满足预设条件，则可以确定图2b-2c对应的图片为合成图片。
如图6所示的装置用于实现上述如图1所示的方法流程，涉及到的相关内容描述相同，此处不赘述。
上述图片类型的识别装置实施例，通过获得待识别图片的预设颜色空间各个通道的直方图，并根据获得的直方图计算各个通道相邻灰阶像素数量的比值，然后根据比值是否满足预设条件来确定待识别图片的类型，整个识别过程不需要进行大量的计算，可适用于手机等移动终端上的图片类型识别，应用性强。
图7是根据一示例性实施例示出的另一种图片类型的识别装置的框图，如图7所示，在上述图6所示实施例的基础上，该装置还可包括：统计模块65和第三确定模块66。
统计模块65被配置为统计不满足预设条件的比值个数。
第三确定模块66被配置为若统计模块65统计的比值个数超过预设数量，则确定待识别图片为合成图片。
在该实施例中，为了提高图片类型的识别准确率，还可以包括：统计不满足预设条件的比值个数，若比值个数超过预设数量，则可以确定待识别图片为合成图片。其中，预设数量可以根据需要灵活设置，例如可以为6个、8个等。
假设，图2a-图2c所示的三个通道直方图中，不满足预设条件的比值个数均为508个，则可以进一步确定图2a-图2c对应的图片为合成图片。
如图7所示的装置用于实现上述如图1所示的方法流程，涉及到的相关内容描述相同，此处不赘述。
上述图片类型的识别装置实施例，在统计的比值个数超过预设数量时，确定待识别图片为合成图片，可以提高图片类型的识别准确率。
图8是根据一示例性实施例示出的另一种图片类型的识别装置的框图，如图8所示，在上述图6所示实施例的基础上，该装置还可包括：过滤模块60。
过滤模块60被配置为在获得模块61获得待识别图片的预设颜色空间各个通道的直方图之前，过滤掉待识别图片中的噪点。
其中，图片中的噪点主要是指相机的传感器在将光线作为接收信号并输出的过程中所产生的图像中的粗糙部分，也指图像中不该出现的外来像素，通常由电子干扰产生。
在该实施例中，在获得待识别图片的预设颜色空间各个通道的直方图之前，可以先过滤掉待识别图片中的噪点，从而使得获得的直方图更准确，进而提高图片类型的识别准确率。
如图8所示的装置用于实现上述如图4所示的方法流程，涉及到的相关内容描述相同，此处不赘述。
上述图片类型的识别装置实施例，通过过滤掉待识别图片中的噪点，从而使得获得的直方图更准确，进而提高图片类型的识别准确率。
图9是根据一示例性实施例示出的另一种图片类型的识别装置的框图，如图9所示，在上述图6所示实施例的基础上，该装置还可包括：特征信息获得模块91、判断模块92和第四确定模块93。
特征信息获得模块91被配置为获得待识别图片的特征信息。
在该实施例中，可以预先建立合成图片的特征库，该特征库中包括属于合成图片的特征信息。因此，可以通过获得待识别图片的特征信息，并将获得的特征信息与特征库进行比对，从而可以识别出待识别图片是否为合成图片。
其中，特征库可以包括但不局限于以下特征信息中的一种或几种：合成图片的RGB三个通道的像素数量特征信息、合成图片的单色图像特征信息等。
在该实施例中，为了与特征库中的特征信息进行比对，可以获得待识别图片的RGB三个通道的像素数量特征信息，也可以获得待识别图片的红色图像特征信息。
判断模块92被配置为判断特征信息获得模块91获得的待识别图片的特征信息是否与预先建立的特征库中的特征信息相匹配，特征库中包括属于合成图片的特征信息。
第四确定模块93被配置为若判断模块92判断出二者相匹配，则确定待识别图片为合成图片。
假设图2a-2c为待识别图片的RGB三个通道的直方图，从图2a-2c可以看出，待识别图片的RGB三个通道的直方图完全相同，因此，可以获得待识别图片的RGB三个通道的像素数量相等，即与特征库中的特征信息相匹配，因此，可以确定待识别图片为合成图片。
在该实施例中，如果待识别图片的特征信息与预先建立的特征库中的特征信息不匹配，则可以确定待识别图片不是合成图片。
需要说明的是，除了可以采用该方式来识别图片类型，还可以通过该方式对已识别出的图片类型进行纠错，例如，假设之前已识别出当前图片为合成图片，则可以通过获得该图片的特征信息，并将该特征信息与特征库中的特征信息进行比对的方式来进一步确定该图片是否合成图片，从而大大提高识别准确率。
如图9所示的装置用于实现上述如图5所示的方法流程，涉及到的相关内容描述相同，此处不赘述。
上述图片类型的识别装置实施例，通过判断获得的待识别图片的特征信息是否与预先建立的特征库中的特征信息相匹配来确定待识别图片是否为合成图片，从而又提供一种合成图片的识别方式，使得图片类型的识别方式多样化，另外，也可以对已识别的图片类型进行纠错，从而大大提高识别准确率。
关于上述实施例中的装置，其中各个模块、子模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图10是根据一示例性实施例示出的一种适用于图片类型的识别装置的框图。例如，装置1000可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理，飞行器等。
参照图10，装置1000可以包括以下一个或多个组件：处理组件1002，存储器1004，电源组件1006，多媒体组件1008，音频组件1010，输入/输出(I/O)的接口1012，传感器组件1014，以及通信组件1016。
处理组件1002通常控制装置1000的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件1002可以包括一个或多个处理器1020来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1002可以包括一个或多个模块，便于处理组件1002和其他组件之间的交互。例如，处理部件1002可以包括多媒体模块，以方便多媒体组件1008和处理组件1002之间的交互。
存储器1004被配置为存储各种类型的数据以支持在设备1000的操作。这些数据的示例包括用于在装置1000上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1004可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件1006为装置1000的各种组件提供电力。电力组件1006可以包括电源管理系统，一个或多个电源，及其他与为装置1000生成、管理和分配电力相关联的组件。
多媒体组件1008包括在所述装置1000和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1008包括一个前置摄像头和/或后置摄像头。当设备1000处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1010被配置为输出和/或输入音频信号。例如，音频组件1010包括一个麦克风(MIC)，当装置1000处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1004或经由通信组件1016发送。在一些实施例中，音频组件1010还包括一个扬声器，用于输出音频信号。
I/O接口1012为处理组件1002和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1014包括一个或多个传感器，用于为装置1000提供各个方面的状态评估。例如，传感器组件1014可以检测到设备1000的打开/关闭状态，组件的相对定位，例如所述组件为装置1000的显示器和小键盘，传感器组件1014还可以检测装置1000或装置1000一个组件的位置改变，用户与装置1000接触的存在或不存在，装置1000方位或加速/减速和装置1000的温度变化。传感器组件1014可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1014还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1014还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件1016被配置为便于装置1000和其他设备之间有线或无线方式的通信。装置1000可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件1016经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件1016还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置1000可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1004，上述指令可由装置1000的处理器1020执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (12)

1.一种图片类型的识别方法，其特征在于，所述方法包括：
获得待识别图片的预设颜色空间各个通道的直方图；
根据所述直方图计算各个通道相邻灰阶像素数量的比值；
若所述比值满足预设条件，则确定所述待识别图片为自然图片；
若所述比值不满足预设条件，则确定所述待识别图片为合成图片；
其中，所述计算各个通道相邻灰阶像素数量的比值，包括：
针对所述各个通道，分别计算当前通道第i灰阶像素数量与第i-n灰阶像素数量的比值以及第i灰阶像素数量与第i+n灰阶像素数量的比值，其中，n≤i≤255-n，1≤n≤10，且i和n均为整数。
2.根据权利要求1所述的图片类型的识别方法，其特征在于，所述预设颜色空间包括红绿蓝RGB颜色空间，所述预设条件包括：所述比值的小数位数超过5位。
3.根据权利要求1所述的图片类型的识别方法，其特征在于，所述方法还包括：
统计不满足所述预设条件的比值个数；
若所述比值个数超过预设数量，则确定所述待识别图片为合成图片。
4.根据权利要求1所述的图片类型的识别方法，其特征在于，所述方法还包括：
在所述获得待识别图片的预设颜色空间各个通道的直方图之前，过滤掉所述待识别图片中的噪点。
5.根据权利要求1所述的图片类型的识别方法，其特征在于，所述方法还包括：
获得所述待识别图片的特征信息；
判断所述待识别图片的特征信息是否与预先建立的特征库中的特征信息相匹配，所述特征库中包括属于合成图片的特征信息；
若二者相匹配，则确定所述待识别图片为合成图片。
6.一种图片类型的识别装置，其特征在于，所述装置包括：
获得模块，被配置为获得待识别图片的预设颜色空间各个通道的直方图；
计算模块，被配置为根据所述获得模块获得的所述直方图计算各个通道相邻灰阶像素数量的比值，针对所述各个通道，分别计算当前通道第i灰阶像素数量与第i-n灰阶像素数量的比值以及第i灰阶像素数量与第i+n灰阶像素数量的比值，其中，n≤i≤255-n，1≤n≤10，且i和n均为整数；
第一确定模块，被配置为若所述计算模块计算的所述比值满足预设条件，则确定所述待识别图片为自然图片；
第二确定模块，被配置为若所述计算模块计算的所述比值不满足预设条件，则确定所述待识别图片为合成图片。
7.根据权利要求6所述的图片类型的识别装置，其特征在于，所述预设颜色空间包括红绿蓝RGB颜色空间，所述预设条件包括：所述比值的小数位数超过5位。
8.根据权利要求6所述的图片类型的识别装置，其特征在于，所述装置还包括：
统计模块，被配置为统计不满足所述预设条件的比值个数；
第三确定模块，被配置为若所述统计模块统计的所述比值个数超过预设数量，则确定所述待识别图片为合成图片。
9.根据权利要求6所述的图片类型的识别装置，其特征在于，所述装置还包括：
过滤模块，被配置为在所述获得模块获得待识别图片的预设颜色空间各个通道的直方图之前，过滤掉所述待识别图片中的噪点。
10.根据权利要求6所述的图片类型的识别装置，其特征在于，所述装置还包括：
特征信息获得模块，被配置为获得所述待识别图片的特征信息；
判断模块，被配置为判断所述特征信息获得模块获得的所述待识别图片的特征信息是否与预先建立的特征库中的特征信息相匹配，所述特征库中包括属于合成图片的特征信息；
第四确定模块，被配置为若所述判断模块判断出二者相匹配，则确定所述待识别图片为合成图片。
11.一种图片类型的识别装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获得待识别图片的预设颜色空间各个通道的直方图；
根据所述直方图计算各个通道相邻灰阶像素数量的比值；
若所述比值满足预设条件，则确定所述待识别图片为自然图片；
若所述比值不满足预设条件，则确定所述待识别图片为合成图片；
其中，所述计算各个通道相邻灰阶像素数量的比值，包括：
针对所述各个通道，分别计算当前通道第i灰阶像素数量与第i-n灰阶像素数量的比值以及第i灰阶像素数量与第i+n灰阶像素数量的比值，其中，n≤i≤255-n，1≤n≤10，且i和n均为整数。
12.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现权利要求1～5任一项所述方法的步骤。
CN201610097153.1A 2016-02-22 2016-02-22 图片类型的识别方法及装置 Active CN105760884B (zh)

Priority Applications (7)

Application Number Priority Date Filing Date Title
CN201610097153.1A CN105760884B (zh) 2016-02-22 2016-02-22 图片类型的识别方法及装置
KR1020177033322A KR102004079B1 (ko) 2016-02-22 2016-09-28 이미지 유형 식별 방법, 장치, 프로그램 및 기록매체
RU2017105475A RU2669511C2 (ru) 2016-02-22 2016-09-28 Способ и устройство для идентификации типа изображения
PCT/CN2016/100456 WO2017143776A1 (zh) 2016-02-22 2016-09-28 图片类型的识别方法及装置
JP2016570049A JP6328275B2 (ja) 2016-02-22 2016-09-28 画像タイプ識別方法、装置、プログラム及び記録媒体
EP17157179.7A EP3208745B1 (en) 2016-02-22 2017-02-21 Method and apparatus for identifying picture type
US15/437,989 US10181184B2 (en) 2016-02-22 2017-02-21 Method and apparatus for identifying image type

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610097153.1A CN105760884B (zh) 2016-02-22 2016-02-22 图片类型的识别方法及装置

Publications (2)

Publication Number Publication Date
CN105760884A CN105760884A (zh) 2016-07-13
CN105760884B true CN105760884B (zh) 2019-09-10

Family

ID=56331005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610097153.1A Active CN105760884B (zh) 2016-02-22 2016-02-22 图片类型的识别方法及装置

Country Status (7)

Country Link
US (1) US10181184B2 (zh)
EP (1) EP3208745B1 (zh)
JP (1) JP6328275B2 (zh)
KR (1) KR102004079B1 (zh)
CN (1) CN105760884B (zh)
RU (1) RU2669511C2 (zh)
WO (1) WO2017143776A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760884B (zh) * 2016-02-22 2019-09-10 北京小米移动软件有限公司 图片类型的识别方法及装置
CN106210446B (zh) * 2016-07-18 2019-08-30 北京小米移动软件有限公司 饱和度增强方法及装置
CN106339224B (zh) * 2016-08-24 2020-03-17 北京小米移动软件有限公司 可读性增强方法及装置
CN106331427B (zh) * 2016-08-24 2019-12-03 北京小米移动软件有限公司 饱和度增强方法及装置
US10277859B2 (en) * 2016-09-14 2019-04-30 Canon Kabushiki Kaisha Devices, systems, and methods for generating multi-modal images of a synthetic scene
CN109102467A (zh) * 2017-06-21 2018-12-28 北京小米移动软件有限公司 图片处理的方法及装置
CN108920700B (zh) * 2018-07-17 2021-04-27 中国联合网络通信集团有限公司 一种虚假图片识别方法及装置
CN114332479B (zh) * 2021-12-23 2024-12-13 浪潮(北京)电子信息产业有限公司 一种目标检测模型的训练方法及相关装置
US12026458B2 (en) 2022-11-11 2024-07-02 State Farm Mutual Automobile Insurance Company Systems and methods for generating document templates from a mixed set of document types
CN117351243B (zh) * 2023-12-05 2024-04-02 广东金志利科技股份有限公司 一种铸件冷铁种类数量识别方法及系统
CN117390600B (zh) * 2023-12-08 2024-02-13 中国信息通信研究院 用于深度合成信息的检测方法

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6450177A (en) * 1987-08-20 1989-02-27 Hitachi Ltd Digital picture coding system
JP3664395B2 (ja) * 1997-01-24 2005-06-22 セイコーエプソン株式会社 画像処理装置及び画像処理方法並びに画像処理プログラムを記録した媒体
US20040161152A1 (en) * 2001-06-15 2004-08-19 Matteo Marconi Automatic natural content detection in video information
US6983068B2 (en) * 2001-09-28 2006-01-03 Xerox Corporation Picture/graphics classification system and method
KR100453038B1 (ko) * 2001-12-24 2004-10-15 삼성전자주식회사 컬러 영상의 채도 조절 장치 및 방법
US6996277B2 (en) * 2002-01-07 2006-02-07 Xerox Corporation Image type classification using color discreteness features
JP4244584B2 (ja) * 2002-08-01 2009-03-25 ソニー株式会社 重要画像検出装置、重要画像検出方法、プログラム及び記録媒体並びに重要画像検出システム
US7116838B2 (en) * 2002-10-25 2006-10-03 Eastman Kodak Company Enhancing the tonal and spatial characteristics of digital images using selective spatial filters
ITMI20031449A1 (it) * 2003-07-15 2005-01-16 St Microelectronics Srl Metodo per classificare una immagine digitale
US7263208B1 (en) * 2003-08-04 2007-08-28 United States Of America As Represented By The Secretary Of The Navy Automated threshold selection for a tractable alarm rate
US7333656B2 (en) * 2003-11-26 2008-02-19 Matsushita Electric Industrial Co., Ltd. Image processing method and image processing apparatus
JP4547921B2 (ja) * 2004-01-21 2010-09-22 セイコーエプソン株式会社 印刷装置、印刷方法、及び印刷システム
EP1788795A4 (en) * 2004-09-01 2010-08-04 Nec Corp IMAGE CORRECTION DEVICE AND IMAGE CORRECTION
US20060204086A1 (en) * 2005-03-10 2006-09-14 Ullas Gargi Compression of palettized images
CN101131365A (zh) * 2006-08-23 2008-02-27 宝山钢铁股份有限公司 烧结矿主要矿物相自动识别方法
RU2400815C2 (ru) * 2006-10-09 2010-09-27 Самсунг Электроникс Ко., Лтд. Способ повышения качества цифрового фотоизображения
US9020263B2 (en) * 2008-02-15 2015-04-28 Tivo Inc. Systems and methods for semantically classifying and extracting shots in video
TWI381321B (zh) * 2009-04-30 2013-01-01 Ind Tech Res Inst 重組多張影像與辨識方法以及影像擷取與辨識系統
CN102663451A (zh) * 2012-03-29 2012-09-12 天津科技大学 一种基于色彩空间特征的图形图像分类方法
JP5889431B2 (ja) * 2012-10-25 2016-03-22 三菱電機株式会社 画像処理装置及び画像処理方法
US8903186B2 (en) * 2013-02-28 2014-12-02 Facebook, Inc. Methods and systems for differentiating synthetic and non-synthetic images
CN104200431A (zh) * 2014-08-21 2014-12-10 浙江宇视科技有限公司 图像灰度化的处理方法及处理装置
US9652688B2 (en) * 2014-11-26 2017-05-16 Captricity, Inc. Analyzing content of digital images
CN105118026A (zh) * 2015-07-28 2015-12-02 小米科技有限责任公司 色域模式切换方法及装置
CN105282531B (zh) * 2015-11-11 2017-08-25 深圳市华星光电技术有限公司 控制低灰阶白平衡的方法及装置
CN105760884B (zh) * 2016-02-22 2019-09-10 北京小米移动软件有限公司 图片类型的识别方法及装置

Also Published As

Publication number Publication date
WO2017143776A1 (zh) 2017-08-31
JP2018509663A (ja) 2018-04-05
KR20170139089A (ko) 2017-12-18
JP6328275B2 (ja) 2018-05-23
EP3208745A1 (en) 2017-08-23
CN105760884A (zh) 2016-07-13
RU2017105475A3 (zh) 2018-08-21
RU2669511C2 (ru) 2018-10-11
US20170243338A1 (en) 2017-08-24
EP3208745B1 (en) 2020-08-19
KR102004079B1 (ko) 2019-07-25
US10181184B2 (en) 2019-01-15
RU2017105475A (ru) 2018-08-21

Similar Documents

Publication Publication Date Title
CN105760884B (zh) 图片类型的识别方法及装置
CN107944447B (zh) 图像分类方法及装置
WO2017031901A1 (zh) 人脸识别方法、装置及终端
WO2019109563A1 (zh) 显示界面图像的方法和装置
CN107967459B (zh) 卷积处理方法、装置及存储介质
CN105118026A (zh) 色域模式切换方法及装置
CN104182967B (zh) 图像处理方法、装置及终端
CN105528765B (zh) 处理图像的方法及装置
WO2016112729A1 (zh) 图像处理方法及装置、电子设备
US10109248B2 (en) Method and device for adjusting liquid crystal display
CN105957037B (zh) 图像增强方法及装置
US10204403B2 (en) Method, device and medium for enhancing saturation
CN104050645A (zh) 图像处理方法及装置
JP2016532947A (ja) 構図変更方法、構図変更装置、端末、プログラム及び記録媒体
CN105574834B (zh) 图像处理方法及装置
US9665925B2 (en) Method and terminal device for retargeting images
CN104536713B (zh) 显示图像中的字符的方法及装置
CN107845094A (zh) 图像文字检测方法、装置及计算机可读存储介质
CN105472228B (zh) 图像处理方法、装置及终端
CN108647594B (zh) 信息处理方法及设备
CN105469411B (zh) 用于检测图像清晰度的方法、装置及终端
US10068151B2 (en) Method, device and computer-readable medium for enhancing readability
CN114339187B (zh) 图像处理方法、图像处理装置及存储介质
CN115914848A (zh) 图像处理方法、装置、电子设备和存储介质
CN114449242A (zh) 显示控制方法、装置及存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant