前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >OpenCV快速傅里叶变换(FFT)用于图像和视频流的模糊检测

OpenCV快速傅里叶变换(FFT)用于图像和视频流的模糊检测

作者头像
周旋
发布2020-09-22 14:37:51
2.9K1
发布2020-09-22 14:37:51
举报
文章被收录于专栏:行走的机械人

翻译自【OpenCV Fast Fourier Transform (FFT) for blur detection in images and video streams】,原文链接:

https://www.pyimagesearch.com/2020/06/15/opencv-fast-fourier-transform-fft-for-blur-detection-in-images-and-video-streams/

本文仅作学习分享。

在本教程中,您将学习如何使用OpenCV和快速傅里叶变换(FFT)在图像和实时视流中执行模糊检测。

今天的教程是我上一篇关于OpenCV模糊检测的博客文章的扩展

(https://www.pyimagesearch.com/2015/09/07/blur-detection-with-opencv/)。

原始模糊检测方法:

  • 依赖于计算图像Laplacian算子的方差
  • 可以仅用一行代码实现
  • 使用起来非常简单

缺点是,Laplacian方法需要大量手动调整用于定义图像是否模糊的”阈值“。如果你能控制你的光线条件,环境和图像捕捉过程,这个方法工作得很好,但如果不是,那你很可能得到杂乱不堪的效果。

我们今天要讲的方法依赖于计算图像的快速傅里叶变换。它仍然需要一些手动调整,但正如我们将发现的,FFT模糊检测器比Laplacian方差更加可靠与稳定。

在本教程结束时,你将拥有一个可以应用于图像和视频流,且功能齐全的FFT模糊检测器。

OpenCV快速傅里叶变换(FFT)模糊检测

在本教程的第一部分,我们将简要讨论:

  • 什么是模糊检测
  • 为什么我们想检测图像/视频流中的模糊
  • 快速傅里叶变换如何让我们检测模糊

什么是模糊检测,什么时候我们需要检测模糊?

图1:如何使用OpenCV和快速傅里叶变换(FFT)算法自动检测照片是否模糊?(图片来源:https://www.cs.unm.edu/~brayer/vision/fourier.html)

模糊检测,顾名思义,是检测图像是否模糊的算法。

模糊检测可能的应用包括:

  • 图像质量的自动分级
  • 帮助专业摄影师在100到1000张的照片拍摄过程中自动丢弃模糊/低质量的照片
  • 将OCR应用于实时视频流,但仅对非模糊帧应用昂贵的OCR计算

这里的关键要点是,为在理想条件下捕获的图像编写计算机视觉代码总是比较容易的。

与其尝试处理质量非常差的图像的边缘情况,不如检测并丢弃质量差的图像(比如有明显模糊的图像)。

这种模糊检测程序既可以自动丢弃质量差的图像,也可以简单地告诉终端用户:”嘿,老兄,再试一次,让我们在这里捕捉一个更好的画面”。

请记住,计算机视觉应用程序应该是智能的,因此有了“人工智能”这个术语——有时候,“智能”可以只是检测输入数据的质量是否太差,而不是试图弄懂它。

什么是快速傅立叶变换(FFT)?

图2:在本教程中,我们将使用OpenCV和NumPy的组合在图像和视流中进行基于快速傅立叶变换(FFT)的模糊检测。

快速傅里叶变换是计算离散傅里叶变换的一种方便的数学算法。它用于将信号从一个域转换为另一个域。

FFT在许多学科中都很有用,包括音乐、数学、科学和工程。例如,电气工程师,特别是那些与无线、电源和音频信号打交道的工程师,需要FFT计算来将时间序列信号转换到频域,因为有些计算在频域更容易进行。相反,使用FFT可以将频域信号转换回时域。

在计算机视觉方面,我们通常认为FFT是一种图像处理工具,它可以将图片在两个图像域内转换:

  • 傅里叶(即频率)域
  • 空间域

此外,FFT同时用实分量和虚分量来表示图像。

通过分析这些值,我们可以执行图像处理程序,如模糊,边缘检测,阈值,纹理分析,以及模糊检测。

回顾快速傅里叶变换的数学细节超出了这篇博客文章的范围,所以如果你有兴趣学习更多关于它的知识,我建议你阅读这篇关于FFT及其与图像处理的关系的文章。

https://homepages.inf.ed.ac.uk/rbf/HIPR2/fourier.htm

对于有学术倾向的读者,可以看看Aaron Bobick在佐治亚理工学院计算机视觉课程上的精彩幻灯片。

https://www.cc.gatech.edu/~afb/classes/CS4495-Fall2014/slides/CS4495-Frequency.pdf

最后,维基百科关于傅里叶变换的页面更详细地介绍了数学,包括它在非图像处理任务中的应用。

项目结构

首先使用本教程的“下载”部分下载源代码和示例图像。一旦你解压缩文件,你将有一个目录组织如下:

代码语言:javascript
复制
$ tree --dirsfirst
.
├── images
│   ├── adrian_01.png
│   ├── adrian_02.png
│   ├── jemma.png
│   └── resume.png
├── pyimagesearch
│   ├── __init__.py
│   └── blur_detector.py
├── blur_detector_image.py
└── blur_detector_video.py
2 directories, 8 files

我们基于FFT的模糊检测算法位于blur_detector.py文件中的pyimagesearch模块中。内部实现了一个函数detect_blur_fft。

我们在两个Python驱动程序脚本中使用detect_blur_fft方法:

  • blur_detector_image:对静态图像进行模糊检测。我在images/目录中为我们提供了一些测试图像,您也应该在自己的图像(模糊的和不模糊的)上尝试这种算法。
  • blur_detector_video。在视频流中实现实时模糊检测。

使用OpenCV实现我们的FFT模糊检测器

现在我们准备用OpenCV实现我们的快速傅里叶变换模糊检测器。

我们将要介绍的方法是基于Liu等人在2008年CVPR出版物《图像部分模糊检测和分类》中实现的。

http://www.cse.cuhk.edu.hk/leojia/all_final_papers/blur_detect_cvpr08.pdf

在我们的目录结构中打开blur_detector.py文件,插入以下代码:

代码语言:javascript
复制
# import the necessary packages
import matplotlib.pyplot as plt
import numpy as np
def detect_blur_fft(image, size=60, thresh=10, vis=False):
  # grab the dimensions of the image and use the dimensions to
  # derive the center (x, y)-coordinates
  (h, w) = image.shape
  (cX, cY) = (int(w / 2.0), int(h / 2.0))

我们的模糊检测器实现需要matplotlib和NumPy。我们将使用内建在NumPy中的快速傅里叶变换算法作为我们方法的基础;

第4行定义detect_blur_fft函数,接受四个参数:

  • 图片image:我们对模糊检测输入图像
  • 大小size:以图像中心点为中心的半径的大小,我们将使FFT偏移为零
  • 阈值thresh:用于确定图像是否被认为是模糊的,将与震级的平均值(稍后详细说明)进行比较的一个值
  • 标识符vis:一个布尔值,指示是否使用matplotlib可视化/绘制原始输入图像和大小图像

给定输入图像,首先获取它的尺寸(第7行)并计算中心(x, y)坐标(第8行)。

接下来,我们将使用NumPy的快速傅里叶变换(FFT)算法实现来计算离散傅里叶变换(DFT):

代码语言:javascript
复制
  # compute the FFT to find the frequency transform, then shift
  # the zero frequency component (i.e., DC component located at
  # the top-left corner) to the center where it will be more
  # easy to analyze
  fft = np.fft.fft2(image)
  fftShift = np.fft.fftshift(fft)

在这里,我们使用NumPy的内置算法计算FFT(第5行)。

然后我们将结果的零频率分量(直流分量)移到中心以便于分析(第6行)。

现在我们已经有了图像的FFT,如果设置了vis标志,让我们可视化一下结果:

代码语言:javascript
复制
  # check to see if we are visualizing our output
  if vis:
    # compute the magnitude spectrum of the transform
    magnitude = 20 * np.log(np.abs(fftShift))
    # display the original input image
    (fig, ax) = plt.subplots(1, 2, )
    ax[0].imshow(image, cmap="gray")
    ax[0].set_title("Input")
    ax[0].set_xticks([])
    ax[0].set_yticks([])
    # display the magnitude image
    ax[1].imshow(magnitude, cmap="gray")
    ax[1].set_title("Magnitude Spectrum")
    ax[1].set_xticks([])
    ax[1].set_yticks([])
    # show our plots
    plt.show()

出于调试和好奇的目的,您可能希望通过设置vis=True来绘制输入图像的FFT幅度谱。

如果你选择这样做,首先我们计算变换的振幅谱(第4行)。

然后,我们将原始输入图像绘制在幅度谱图像旁边(第6-16行),并显示结果(第19行)。

现在我们有了可视化振幅谱的方法,让我们来确定输入图像是否模糊:

代码语言:javascript
复制
  # zero-out the center of the FFT shift (i.e., remove low
  # frequencies), apply the inverse shift such that the DC
  # component once again becomes the top-left, and then apply
  # the inverse FFT
  fftShift[cY - size:cY + size, cX - size:cX + size] = 0
  fftShift = np.fft.ifftshift(fftShift)
  recon = np.fft.ifft2(fftShift)

在这里,我们:

  • 设置我们的FFT移动为0(即,去除低频率)第5行
  • 应用反向位移将DC组件放回左上角(第6行)
  • 应用逆FFT(第7行)

到此,我们还有三个步骤来确定我们的图像是否模糊:

代码语言:javascript
复制
  # compute the magnitude spectrum of the reconstructed image,
  # then compute the mean of the magnitude values
  magnitude = 20 * np.log(np.abs(recon))
  mean = np.mean(magnitude)
  # the image will be considered "blurry" if the mean value of the
  # magnitudes is less than the threshold value
  return (mean, mean <= thresh

其余步骤包括:

  • 在我们已经将中心DC值归零之后,再次计算重建图像的幅度值(第3行)。
  • 计算幅度值的平均值(第4行)。
  • 返回一个2元组的平均值以及一个指示输入图像是否模糊的布尔值(第8行)。查看代码,我们可以看到,通过比较平均值和阈值,我们已经确定了模糊布尔值(判断图像是否模糊)。

我们实现了一个基于fft的模糊检测算法。但还没有完成。在下一节中,我们将对静态图像应用我们的算法,以确保它按照我们的期望执行。

用FFT检测图像中的模糊

现在我们的detect_blur_fft 辅助函数已经实现,让我们通过创建一个Python驱动程序脚本来使用它,该脚本从磁盘加载一个输入图像,然后对其应用FFT模糊检测。

打开一个新文件,命名为detect_blur_image.py,并插入以下代码:

代码语言:javascript
复制
# import the necessary packages
from pyimagesearch.blur_detector import detect_blur_fft
import numpy as np
import argparse
import imutils
import cv2
# construct the argument parser and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", type=str, required=True,
  help="path input image that we'll detect blur in")
ap.add_argument("-t", "--thresh", type=int, default=20,
  help="threshold for our blur detector to fire")
ap.add_argument("-v", "--vis", type=int, default=-1,
  help="whether or not we are visualizing intermediary steps")
ap.add_argument("-d", "--test", type=int, default=-1,
  help="whether or not we should progressively blur the image")
args = vars(ap.parse_args())

第2-6行进行导入,特别的是,我们需要导入我们在上一节中实现的detect_blur_fft函数。

从这里,我们解析四个命令行参数:

  • --image:用于模糊检测的输入图像的路径。
  • --thresh:我们的模糊检测器计算阈值。
  • --vis:我们的标志符,指示是否将输入图像的幅度值图像可视化。
  • --test:为了测试,我们可以逐步模糊输入图像,并对每个示例进行基于fft的模糊检测;此标志指示我们是否将执行此测试。

--image、--thresh和--vis参数分别对应于我们在上一节实现的detect_blur_fft函数的image、thresh和vis参数。

让我们继续,加载我们的输入图像,执行快速傅里叶变换模糊检测:

代码语言:javascript
复制
# load the input image from disk, resize it, and convert it to
# grayscale
orig = cv2.imread(args["image"])
orig = imutils.resize(orig, width=500)
gray = cv2.cvtColor(orig, cv2.COLOR_BGR2GRAY)
# apply our blur detector using the FFT
(mean, blurry) = detect_blur_fft(gray, size=60,
  thresh=args["thresh"], vis=args["vis"] > 0)

进行FFT模糊检测,我们:

  • 加载输入图像--image,并将其转换为灰度(第3-5行)
  • 使用detect_blur_fft函数应用我们的FFT模糊检测器(第7和8行)

接下来,我们将注释并显示我们的图像:

代码语言:javascript
复制
# draw on the image, indicating whether or not it is blurry
image = np.dstack([gray] * 3)
color = (0, 0, 255) if blurry else (0, 255, 0)
text = "Blurry ({:.4f})" if blurry else "Not Blurry ({:.4f})"
text = text.format(mean)
cv2.putText(image, text, (10, 25), cv2.FONT_HERSHEY_SIMPLEX, 0.7,
  color, 2)
print("[INFO] {}".format(text))
# show the output image
cv2.imshow("Output", image)
cv2.waitKey(0)

在这里,我们:

  • 向我们的单通道灰度图像添加两个通道,将结果存储在图像中(第2行)
  • 通过第32行将颜色设置为红色(如果模糊)和绿色(如果不模糊)
  • 在图像的左上角绘制模糊的文本指示和平均值(第4-7行),并在终端中打印相同的信息(第37行)
  • 显示输出图像,直到按下一个键为止(第11和12行)

至此,我们已经完成了确定输入图像是否模糊的目标。

我们可以就此打住。但是为了更严格地测试我们的算法,让我们实现一个健壮的方法来测试我们的图像在不同层次上的模糊:

代码语言:javascript
复制
# check to see if are going to test our FFT blurriness detector using
# various sizes of a Gaussian kernel
if args["test"] > 0:
  # loop over various blur radii
  for radius in range(1, 30, 2):
    # clone the original grayscale image
    image = gray.copy()
    # check to see if the kernel radius is greater than zero
    if radius > 0:
      # blur the input image by the supplied radius using a
      # Gaussian kernel
      image = cv2.GaussianBlur(image, (radius, radius), 0)
      # apply our blur detector using the FFT
      (mean, blurry) = detect_blur_fft(image, size=60,
        thresh=args["thresh"], vis=args["vis"] > 0)
      # draw on the image, indicating whether or not it is
      # blurry
      image = np.dstack([image] * 3)
      color = (0, 0, 255) if blurry else (0, 255, 0)
      text = "Blurry ({:.4f})" if blurry else "Not Blurry ({:.4f})"
      text = text.format(mean)
      cv2.putText(image, text, (10, 25), cv2.FONT_HERSHEY_SIMPLEX,
        0.7, color, 2)
      print("[INFO] Kernel: {}, Result: {}".format(radius, text))
    # show the image
    cv2.imshow("Test Image", image)
    cv2.waitKey(0)

当设置了--test标志时,我们将进入从第3行开始的条件块。第3-31行代码完成了以下工作:

  • 在逐渐增加的半径范围内对我们的灰度图像应用高斯模糊
  • 对每个人为模糊的图像进行快速的基于傅里叶变换的模糊检测
  • 注释并显示结果

为了完成我们的测试特性,第5行开始在[0,30]范围内的所有奇数半径上进行循环。从这里开始,第13行应用OpenCV的GaussianBlur方法有意地在我们的图像中引入模糊。

其他的都是一样的,包括模糊检测算法和注释步骤。您可以通过在屏幕上按一个键来循环测试结果图像,直到模糊半径在该范围内耗尽。

当然,我们测试例程的目的是让我们能够有效地感受和调整模糊阈值参数(—thresh)。

FFT模糊检测在图像结果

现在我们准备使用OpenCV和快速傅里叶变换来检测图像中的模糊。

首先,请确保使用本教程的“下载”部分下载源代码和示例图像。

然后打开终端,执行以下命令:

代码语言:javascript
复制
$ python blur_detector_image.py --image images/adrian_01.png
[INFO] Not Blurry (42.4630)

图3:结合快速傅里叶变换(FFT)算法,使用Python和OpenCV来确定照片是否模糊

这里你可以看到我在锡安国家公园的地铁徒步旅行的输入图像-图像被正确地标记为不模糊。

让我们试试另一张图片,这是我家的狗,Jemma:

代码语言:javascript
复制
$ python blur_detector_image.py --image images/jemma.png
[INFO] Blurry (12.4738)

图4:基于Python、OpenCV和NumPy的快速傅里叶变换(FFT)模糊检测算法已经自动判定Janie的这张图像模糊。

这幅图像有明显的模糊,因此被标记为模糊。

为了了解当图像变得越来越模糊时,FFT的平均幅度值是如何变化的,让我们提供——test命令行参数:

代码语言:javascript
复制
$ python blur_detector_image.py --image images/adrian_02.png --test 1
[INFO] Not Blurry (32.0934)
[INFO] Kernel: 1, Result: Not Blurry (32.0934)
[INFO] Kernel: 3, Result: Not Blurry (25.1770)
[INFO] Kernel: 5, Result: Not Blurry (20.5668)
[INFO] Kernel: 7, Result: Blurry (13.4830)
[INFO] Kernel: 9, Result: Blurry (7.8893)
[INFO] Kernel: 11, Result: Blurry (0.6506)
[INFO] Kernel: 13, Result: Blurry (-5.3609)
[INFO] Kernel: 15, Result: Blurry (-11.4612)
[INFO] Kernel: 17, Result: Blurry (-17.0109)
[INFO] Kernel: 19, Result: Blurry (-19.6464)
[INFO] Kernel: 21, Result: Blurry (-20.4758)
[INFO] Kernel: 23, Result: Blurry (-20.7365)
[INFO] Kernel: 25, Result: Blurry (-20.9362)
[INFO] Kernel: 27, Result: Blurry (-21.1911)
[INFO] Kernel: 29, Result: Blurry (-21.3853)

图5:使用Python模糊检测器脚本的——测试例程,我们应用了一系列有意的模糊以及快速傅里叶变换(FFT)方法来确定图像是否模糊。这个测试例程非常有用,因为它允许您调优模糊阈值参数。

在这里,你可以看到,当我们的图像变得越来越模糊,FFT的平均幅度值下降。

我们的FFT模糊检测方法也适用于非自然场景图像。

例如,假设我们想要构建一个自动文档扫描器应用程序——这样的计算机视觉项目应该会自动拒绝模糊图像。

然而,文档图像与自然场景图像有很大的不同,从本质上来说,文档图像对模糊更加敏感。

任何类型的模糊都会严重影响OCR的精度。

因此,我们应该增加我们的——thresh值(我还将使用——vis参数,以便我们可以可视化FFT幅度值的变化):

代码语言:javascript
复制
$ python blur_detector_image.py --image images/resume.png --thresh 27 --test 1 --vis 1
[INFO] Not Blurry (34.6735)
[INFO] Kernel: 1, Result: Not Blurry (34.6735)
[INFO] Kernel: 3, Result: Not Blurry (29.2539)
[INFO] Kernel: 5, Result: Blurry (26.2893)
[INFO] Kernel: 7, Result: Blurry (21.7390)
[INFO] Kernel: 9, Result: Blurry (18.3632)
[INFO] Kernel: 11, Result: Blurry (12.7235)
[INFO] Kernel: 13, Result: Blurry (9.1489)
[INFO] Kernel: 15, Result: Blurry (2.3377)
[INFO] Kernel: 17, Result: Blurry (-2.6372)
[INFO] Kernel: 19, Result: Blurry (-9.1908)
[INFO] Kernel: 21, Result: Blurry (-15.9808)
[INFO] Kernel: 23, Result: Blurry (-20.6240)
[INFO] Kernel: 25, Result: Blurry (-29.7478)
[INFO] Kernel: 27, Result: Blurry (-29.0728)
[INFO] Kernel: 29, Result: Blurry (-37.7561)

图6:OpenCV快速傅里叶变换(FFT)用于图像和视视频中的模糊检测,可以判断简历等文档是否模糊。

在这里,您可以看到我们的图像很快变得模糊和不可读,正如输出所示,我们的OpenCV FFT模糊检测器正确地将这些图像标记为模糊。

下面是一个可视化的快速傅里叶变换幅度值,图像变得越来越模糊:

图7:当图像变得越来越模糊时,我们可以看到幅度谱可视化的变化。本教程使用OpenCV和NumPy在图像和视流中执行快速傅里叶变换(FFT)模糊检测。

利用OpenCV和FFT检测视频中的模糊

到目前为止,我们已经对图像应用了快速傅里叶变换模糊检测器。

但是有可能将FFT模糊检测应用到视频流吗?

整个过程也能实时完成吗?

打开一个新文件,命名为blur_detector_video.py,并插入以下代码:

代码语言:javascript
复制
# import the necessary packages
from imutils.video import VideoStream
from pyimagesearch.blur_detector import detect_blur_fft
import argparse
import imutils
import time
import cv2
# construct the argument parser and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-t", "--thresh", type=int, default=10,
  help="threshold for our blur detector to fire")
args = vars(ap.parse_args())

我们从导入开始,特别是我们的VideoStream类和detect_blur_fft函数。

对于这个Python脚本,我们只有一个命令行参数:FFT模糊检测的阈值(——thresh)。

从这里,我们准备初始化我们的视频流,并开始循环从我们的摄像头的帧:

代码语言:javascript
复制
# initialize the video stream and allow the camera sensor to warm up
print("[INFO] starting video stream...")
vs = VideoStream(src=0).start()
time.sleep(2.0)
# loop over the frames from the video stream
while True:
  # grab the frame from the threaded video stream and resize it
  # to have a maximum width of 400 pixels
  frame = vs.read()
  frame = imutils.resize(frame, width=500)
  # convert the frame to grayscale and detect blur in it
  gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
  (mean, blurry) = detect_blur_fft(gray, size=60,
    thresh=args["thresh"], vis=False)

第3行和第4行初始化了我们的摄像头图像流,并允许相机有时间预热。

从这里开始,我们在第7行开始帧处理循环。在内部,我们抓取一帧并将其转换为灰度(第10-14行),就像在我们的单一图像模糊检测脚本。

然后,第15和16行应用我们的快速傅里叶变换模糊检测算法,同时传递我们的灰色框架和——thresh命令行参数。我们不会把幅度谱的表示形象化,所以vis=False。

接下来,我们将处理这个特定帧的结果:

代码语言:javascript
复制
  # draw on the frame, indicating whether or not it is blurry
  color = (0, 0, 255) if blurry else (0, 255, 0)
  text = "Blurry ({:.4f})" if blurry else "Not Blurry ({:.4f})"
  text = text.format(mean)
  cv2.putText(frame, text, (10, 25), cv2.FONT_HERSHEY_SIMPLEX,
    0.7, color, 2)
  # show the output frame
  cv2.imshow("Frame", frame)
  key = cv2.waitKey(1) & 0xFF
  # if the `q` key was pressed, break from the loop
  if key == ord("q"):
    break
# do a bit of cleanup
cv2.destroyAllWindows()
vs.stop()

最后一个代码块此时看起来应该非常熟悉,因为这是我们第三次看到这些代码行了。我们在这里:

  • 注释模糊(红色文本)或不模糊(绿色文本)以及平均值(第2-6行)
  • 显示结果(第9行)
  • 如果按下q键就退出(第10-14行),并执行家务清理(第17和18行)

快速傅里叶变换视频模糊检测结果

我们现在准备看看我们的OpenCV FFT模糊检测器是否可以应用于实时视频流。

请确保使用本教程的“下载”部分下载源代码。

然后打开终端,执行以下命令:

代码语言:javascript
复制
$ python blur_detector_video.py
[INFO] starting video stream...

当我移动我的笔记本电脑,运动模糊被引入帧。

如果我们要实现一个计算机视觉系统来自动提取关键、重要的帧,或者创建一个自动的视频OCR系统,我们会想要丢弃这些模糊的帧——使用我们的OpenCV FFT模糊检测器,我们可以做到这一点!

THE END

今天就到这里啦。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-09-15,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 Opencv视觉实践 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 什么是快速傅立叶变换(FFT)?
相关产品与服务
图像处理
图像处理基于腾讯云深度学习等人工智能技术,提供综合性的图像优化处理服务,包括图像质量评估、图像清晰度增强、图像智能裁剪等。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档