CN110288614A - 图像处理方法、装置、设备及存储介质 - Google Patents
图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110288614A CN110288614A CN201910548864.XA CN201910548864A CN110288614A CN 110288614 A CN110288614 A CN 110288614A CN 201910548864 A CN201910548864 A CN 201910548864A CN 110288614 A CN110288614 A CN 110288614A
- Authority
- CN
- China
- Prior art keywords
- image
- target area
- background image
- processing
- final
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 127
- 230000003416 augmentation Effects 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000015654 memory Effects 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 9
- 241000239290 Araneae Species 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000669244 Unaspis euonymi Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种图像处理方法、装置、设备及存储介质。其中方法包括:遍历分割图像,确定分割图像中满足增广条件的至少一个目标区域;对至少一个目标区域的每个目标区域进行增广处理,并将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像;将最终背景图像与对应的目标区域进行融合,得到最终的处理图像。本发明实施例通过对图像中目标区域进行增广处理,并将最终的处理图像作为识别模型的训练样本,使得在识别应用时,能够提高识别模型的准确度,改善识别模型的识别效果,从而提升用户满意度。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种图像处理方法、装置、设备及存储介质。
背景技术
随着人工智能和机器视觉技术的发展,目标识别得到了广泛应用。其中,诸如手势识别、人脸识别等识别任务更是受到研究人员的关注。然而,实际应用过程中,目标识别任务除了与目标本身有关外,还往往会受到目标本身所处环境的影响。尤其是手势识别和人脸识别中,当识别的目标背景环境中具有与肤色相似的色调时,存在识别不稳定的问题。
为了解决上述肤色颜色背景引起的识别不稳定问题。相关技术中,通过对原始图像的整体或者局部像素值进行调整,例如调整亮度、对比度、色相、饱和度等,以模拟出更多情况的图像分布,使识别模型具有更好的泛化能力,从而提高识别的稳定性。
然而,上述方式是一种较为通用但缺乏针对性的处理方式,相对于识别目标背景环境与肤色相似的图像时,仍存在识别准确度低,效果差的问题。
发明内容
本发明实施例提供一种图像处理方法、装置、设备及存储介质,以实现通过对图像中目标区域进行增广处理,以最终的处理图像作为识别模型的训练样本,使得在识别应用时,能够提高识别模型的准确度,改善识别模型的识别效果,从而提升用户满意度。
第一方面,本发明实施例提供了一种图像处理方法,该方法包括:遍历分割图像,确定所述分割图像中满足增广条件的至少一个目标区域;对所述至少一个目标区域的每个目标区域进行增广处理,并将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像;将所述最终背景图像与对应的目标区域进行融合,得到最终的处理图像。
第二方面,本发明实施例还提供了一种图像处理装置,该装置包括:遍历模块,用于遍历分割图像,确定所述分割图像中满足增广条件的至少一个目标区域;处理模块,用于对所述至少一个目标区域的每个目标区域进行增广处理,并将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像;融合模块,用于将所述最终背景图像与对应的目标区域进行融合,得到最终的处理图像。
第三方面,本发明实施例还提供了一种计算机设备,该计算机设备包括: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第一方面实施例所述的图像处理方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时以第一方面实施例所述的图像处理方法。
本发明实施例公开的技术方案,具有如下有益效果:
本发明通过遍历分割图像,确定分割图像中满足增广条件的至少一个目标区域,然后对至少一个目标区域的每个目标区域进行增广处理,并将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像,然后将最终背景图像与对应的目标区域进行融合,得到最终的处理图像。由此,实现了通过对图像中目标区域进行增广处理,并将最终的处理图像作为识别模型的训练样本,使得在识别应用时,能够提高识别模型的准确度,改善识别模型的识别效果,从而提升用户满意度。
附图说明
图1是本发明实施例一提供的一种图像处理方法的流程示意图;
图2是本发明实施例一提供的确定满足增广条件的至少一个目标区域的示意图;
图3是本发明实施例二提供的一种图像处理方法的流程示意图;
图4是本发明实施例二提供的对均值图像进行线性处理,得到初始背景图的示意图;
图5是本发明实施例二提供的将初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像的示意图;
图6是本发明实施例三提供的一种图像处理方法的流程示意图;
图7是本发明实施例三提供的将目标区域与最终背景图像进行融合,得到最终的处理图像的示意图;
图8是本发明实施例四提供的一种图像处理装置的结构示意图;
图9是本发明实施例五提供的一种图像处理装置的结构示意图;
图10是本发明实施例六提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明实施例,而非对本发明实施例的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明实施例相关的部分而非全部结构。
本发明实施例针对相关技术中,利用现有方式处理图像之后进行识别时,存在识别准确度低,效果差的问题,提出一种图像处理方法。
本发明实施例,通过遍历分割图像,确定分割图像中满足增广条件的至少一个目标区域,然后对至少一个目标区域的每个目标区域进行增广处理,并将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像。由此,实现了通过对图像中目标区域进行增广处理,并将最终的处理图像作为识别模型的训练样本,使得在识别应用时,能够提高识别模型的准确度,改善识别模型的识别效果,从而提升用户满意度。
下面参考附图描述本发明实施例的图像处理方法、装置、设备及存储介质进行详细说明。
实施例一
图1是本发明实施例一提供的一种图像处理方法的流程示意图,本发明实施例可适用于对图像进行处理,以提高后续的识别准确度的场景,该方法可由图像处理装置来执行,以对图像处理过程进行控制,该装置可以由软件和/硬件实现,可集成于计算机设备的内部。在本实施例中,计算机设备可以是任意具有数据处理功能的设备,比如智能手机、电脑、可穿戴式设备等。该方法具体包括如下步骤:
S101,遍历分割图像,确定所述分割图像中满足增广条件的至少一个目标区域。
在本发明实施例中,增广条件是指预设的判断规则,以用于判断图像中任一区域是否满足要求。
其中,目标区域可以包括,但不限于:手势区域和/或人脸区域。
需要说明的是,在本实施例中,手势区域和/或人脸区域,可以是指:手势区域;或者,人脸区域;又或者;手势区域和人脸区域,此处对其不做具体限定。
可选的,本实施例在执行步骤S101时,可先获取分割图像,然后再对获取的分割图像进行遍历操作。
作为一种可选的实现方式,可通过以下方式,获取分割图像:
第一种实现方式
从图像存储单元中,读取分割图像。
在本实施例中,图像存储单元中预先存储有待处理图像的相关图像,例如分割图像、原始图像及纹理背景图像等。
也就是说,图像处理装置,可根据需要从图像存储单元中获取对应的图像,以节省获取图像花费的时间,从而提高处理速度。
另一种实现方式
根据图像处理请求,获取分割图像。
其中,图像处理请求,可以是计算机设备发送的,也可以是用户发送的,此处对其不做限定。
可选的,当获取到图像处理请求之后,图像处理装置可对上述图像处理请求进行解析处理,以获取与图像处理请求对应的分割图像。
需要说明的是,在本实施例中,当获取的图像处理请求是计算机设备发送的,则通过对图像处理请求进行解析,获取图像处理请求中携带的分割图像。
当获取的图像处理请求是用户所发送的,则图像处理装置根据图像处理请求获取到的图像为原始图像,此时需要利用现有的图像分割技术,对原始图像进行分割处理,得到对应的分割图像。
值得注意的是,上述几种方式,获取分割图像的方式仅为示例性说明,不作为对本实施例的具体限定。
进一步的,在获取到分割图像之后,图像处理装置即可对获取的分割图像进行遍历,以确定满足增广条件的至少一个目标区域。
可选的,本实施例在确定满足增广条件的至少一个目标区域时,可通过以下方式实现。
方式一:
若任一区域中各像素所在位置的值为预设值,则确定该区域为目标区域。
本实施例中,预设值可为1。
也就是说,本发明实施例通过获取分割图像中各像素所在位置的值,并判断各像素所在位置的值是否为预设值,若存在像素所在位置的值为预设值,则将上述像素所在区域为目标区域,否则不是目标区域。
例如,若预设值为1,即对于分割图像,像素所在位置若为目标区域则用1表示,若为非目标区域则用0表示;如分割图像中存在10个像素,分别为A1、A2、A3、A4、A5、A6、A7、A8、A9、A10,则遍历上述10个像素,确定各像素所在位置的值,若像素A2、A3、A4、A5、A6、A7所在位置的值均为1,像素A1、A8、A9、A10所在位置的值均为0,则可确定像素A2、A3、A4、A5、A6、A7所在区域为目标区域。
方式二:
比对原始图像与分割图像,确定目标区域。
也就是说,本实施例可以获取原始图像,然后根据原始图像与分割图像进行比对,确定目标对象在分割图像中的目标区域。
例如,如图2所示,原始图像为T1,分割图像为T2,若原始图像T1中目标对象为手,则将原始图像T1和分割图像T2进行比对,即可确定分割图像T2上满足增广条件的目标区域B1。
需要说明的是,上述确定目标区域的实现方式,仅作为对本实施例的示例性说明,并不作为本申请的具体限定。
S102,对所述至少一个目标区域的每个目标区域进行增广处理,并将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像。
S103,将所述最终背景图像与对应的目标区域进行融合,得到最终的处理图像。
在本实施例中,预设的纹理背景图像,可以从图像存储单元中获取,也可以是通过对原始图像进行处理后得到的,此处对其不做具体限定。
可选的,在确定出满足增广条件的至少一个目标区域之后,图像处理装置即可对至少一个目标区域的每个目标区域进行增广处理,以得到初始背景图像。然后,将初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像。
进一步的,通过将最终背景图像与对应的目标区域进行融合,即可得到最终的处理图像。即如图7所示,将目标区域叠加于带纹理的肤色背景图像的对应位置上,得到最终的处理图像。
对目标区域进行增广处理,可以增加数据的多样性,每种增广方式都有各自的特点,有自己的针对性,将增广处理得到的初始背景图像与预设的纹理背景图像进行融合得到最终背景图像,将最终背景图像与对应的目标区域进行融合得到最终的处理图像,而最终的处理图像将作为识别模式的训练样本,能提高识别模型训练样本分布的多样性,有利于提高训练得到的识别模型的识别稳定性。
本发明实施例提供的图像处理方法,通过遍历分割图像,确定分割图像中满足增广条件的至少一个目标区域,然后对至少一个目标区域的每个目标区域进行增广处理,并将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像,然后将最终背景图像与对应的目标区域进行融合,得到最终的处理图像。由此,实现了通过对图像中目标区域进行增广处理,并将最终的处理图像作为识别模型的训练样本,使得在识别应用时,能够提高识别模型的准确度,改善识别模型的识别效果,从而提升用户满意度。
实施例二
通过上述分析可知,本发明实施例通过对确定的目标区域进行增广处理,并根据初始背景图像与预设的纹理背景图像,得到最终背景图像,然后将最终背景图像与对应的目标区域进行融合,得到最终的处理图像。
作为本发明实施例的一种实现形式,本实施例中对目标区域进行增广处理,得到初始背景图像,可通过计算目标区域的均值图像,然后对均值图像进行处理得到初始背景图像。下面结合图3,对本发明实施例的图像处理方法的上述情况进行说明。
图3是本发明实施例二提供的一种图像处理方法的流程示意图。
如图3所示,该图像处理方法可以包括以下步骤:
S301,遍历分割图像,确定所述分割图像中满足增广条件的至少一个目标区域。
其中,步骤S301的具体实现过程和原理,与上述实施例中步骤S101类似,具体可参见上述实施例,此处对其不做过多赘述。
S302,计算所述至少一个目标区域的每个目标区域中各通道的像素均值,并根据所述各通道的像素均值,生成均值图像。
可选的,可首先计算至少一个目标区域的每个目标区域中各通道的像素均值,然后再根据各通道的像素均值,生成均值图像。
作为一种可选的实现方式,本实施例中计算至少一个目标区域的每个目标区域中各通道的像素均值,可通过公式(1)实现:
其中,n为目标区域所包含的像素个数,mean(c)为每个通道的像素均值,c∈{b,g,r},imgA为原始图像、且imgA通过h×w×3矩阵表示,其中,h表示图像所包含像素的行数,w表示图像所包含像素的列数,3表示该图像有3个颜色通道,分别为b、g、r通道,即蓝色、绿色、红色3个颜色通道;i为像素所在的行,j为像素所在列;mask为分割图像,由于mask图像是单通道的灰度图像,故用h×w矩阵表示。
进一步的,在计算得到各通道的像素均值之后,本实施例可根据各通道的像素均值,生成均值图像。
作为一种可选的实现方式,本实施例可根据预设的纹理背景图像大小、像素值为每个区域中各通道的像素均值来生成均值图像。
也就是说,本实施例根据各通道的像素均值,生成均值图像,包括:根据预设的纹理背景图像的尺寸,生成一张与所述预设的纹理背景图像相同尺寸的图像,并将所述各通道的像素均值,作为该图像中各像素的像素值,以得到均值图像。
例如,假设预设的纹理背景图像的尺寸为:h′×w′×3,则可取一个大小同样为h′×w′×3的全零矩阵作为新的图像,然后再将各通道的像素均值作为该新的图像中各像素的像素值,以得到均值图像。其中,均值图像可为:imgMean,并且imgMean∈Rh′×w′×3。
S303,对所述均值图像进行线性处理,得到初始背景图像。
可选的,本实施例可通过对均值图像的所有像素值进行线性随机缩放和偏移处理,得到初始背景图像。需要说明的是,本实施例中初始背景图像,可以是与原始图像中目标对象具有一定随机性差异的图像。
作为一种可选的实现方式,本实施例对均值图像的所有像素值进行线性随机缩放和偏移处理,得到初始背景图像,可通过以下公式(2)实现。
imgSkin=imgMean×scale+δ………………………………(2)
其中,imgSkin表示初始背景图像,imgMean表示均值图像,scale∈[s1,s2]表示随机缩放参数,其中s1和s2根据经验进行设置,例如:s1为0.5,s2为1.5,即scale∈[0.5,1.5];δ∈[a,b]表示偏移参数,其中a和b根据经验进行设置,例如,a为-20,b为20,即δ∈[-20,20]。
继续以图2为例进行说明,根据图2可知,在分割图像T2中确定的目标区域B1为手势区域,且得到手势区域B1对应的均值图像之后,图像处理装置可对上述均值图像的所有像素值进行线性随机缩放和偏移处理,得到初始背景图像(即图4中的肤色图像),具体过程如图4所示。
S304,将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像。
可选的,本实施例可将得到的初始背景图像与预设的纹理背景图像进行加权叠加,以得到最终背景图像。
作为一种可选的实现方式,本实施例可通过公式(3),得到最终背景图像。
imgC=α×imgSkin+(1-α)×imgB……………………….(3)
其中,imgC表示最终背景图像,α∈[0,1]表示初始背景图像的权重,imgB表示预设的背景纹理图像。
以图4中的肤色图像进行举例说明,如图5所示将初始背景图像(肤色图像)和预设的纹理背景图像进行加权叠加,得到最终背景图像(即图5中的带纹理的肤色背景图像)。
S305,将所述最终背景图像与对应的目标区域进行融合,得到最终的处理图像。
本发明实施例提供的图像处理方法,通过计算至少一个目标区域的每个目标区域中各通道的像素均值,以根据各通道的像素均值,生成均值图像,对均值图像进行线性处理,得到初始背景图像,并将初始背景图像与预设的纹理背景图像进行加权叠加,得到最终背景图像,然后将最终背景图像与对应的目标区域进行融合,得到最终的处理图像。由此,通过对均值图像进行线性随机缩放和偏移处理,以实现对目标区域进行数据增广,使得增广后的图像更具多样性,使得识别模型能够在后续的识别操作中,更易识别出目标,从而提高识别准确度。
实施例三
通过上述分析可知,本发明实施例通过对均值图像进行线性缩放和偏移处理,得到初始背景图像,并将初始背景图像与预设的纹理背景图像进行加权叠加得到最终背景图像,然后将最终背景图像与对应的目标区域进行融合,得到最终的处理图像。
在本发明实施例的另一实现形式中,本实施例在得到最终的处理图像时,通过将最终背景图像与对应的目标区域进行融合得到。下面结合图6,对本发明实施例的图像处理方法中,得到最终的处理图像的过程进行详细说明。
图6是本发明实施例三提供的一种图像处理方法的流程示意图。
如图6所示,该图像处理方法可以包括以下步骤:
S601,遍历分割图像,确定所述分割图像中满足增广条件的至少一个目标区域。
S602,计算所述至少一个目标区域的每个目标区域中各通道的像素均值,并根据所述各通道的像素均值,生成均值图像。
S603,对所述均值图像进行线性处理,得到初始背景图像。
S604,将所述初始背景图像与预设的纹理背景图像进行加权叠加,得到最终背景图像。
S605,在所述最终背景图像中任取位置M,将所述位置M作为所述至少一个目标区域的顶角位置,以将所述至少一个目标区域的图像添加至所述最终背景图像中,得到最终的处理图像。
其中,所述任取位置M的数量与所述至少一个目标区域数量相对应。
实际应用过程中,目标区域的图像尺寸与最终背景图像的尺寸通常不一致,那么为了防止目标区域添加至最终背景图像中时,目标区域超出最终背景图像,本实施例可以设置位置M满足以下条件:
其中,x表示M的横坐标,y表示M的纵坐标,w′表示最终背景图像的宽度,w表示目标区域的宽度,h′表示最终背景图像的高度,h表示目标区域的高度。
进一步的,在选取位置M之后,将该位置M作为目标区域的左上顶点,将目标区域添加到最终背景图像中。
例如,若目标区域R5的宽度为w,高度为h,则将目标区域添加到以位置M为左上角,宽度为w,高度为h的区域中。
相应的,将目标区域添加至最终背景图像中时,目标区域上的任一点N(p,q)均需满足以下条件:
其中,imgC表示最终背景图像,mask表示分割图像,imgA表示原始图像。
以图2和图5为例进行说明,将图2中目标区域B1与图5中带纹理的肤色背景图像进行融合,得到最终的处理图像,具体如图7所示。
需要说明的是,本实施例中,还可将位置M作为目标区域的右下顶点,以将目标区域添加到最终背景图像中。相应的,位置M满足的条件也相应进行调整。
本发明实施例提供的图像处理方法,通过遍历分割图像,确定满足增广条件的至少一个目标区域,并计算至少一个目标区域的每个目标区域中各通道的像素均值,以根据各通道的像素均值,生成均值图像,对均值图像进行线性处理,得到初始背景图像,并将初始背景图像与预设的纹理背景图像进行加权叠加,得到最终背景图像,然后将对应目标区域添加至最终背景图像中,得到最终的处理图像,使得处理后的图像中待识别区域与其他区域之间的区别变得明显,作为识别模型的训练样本,能使识别模型在后续进行图像识别时,能够更准确的识别出目标区域,从而提高用户使用体验。
实施例四
为了实现上述目的,本发明实施例四还提出了一种图像处理装置。
图8是本发明实施例四提供的一种图像处理装置的结构示意图。
如图8所示,本发明实施例图像处理装置包括:遍历模块11、处理模块12及融合模块13。
其中,遍历模块11用于遍历分割图像,确定所述分割图像中满足增广条件的至少一个目标区域;
处理模块12用于对所述至少一个目标区域的每个目标区域进行增广处理,并将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像;
融合模块13用于将所述最终背景图像与对应的目标区域进行融合,得到最终的处理图像。
作为本发明实施例的一种可选的实现方式,所述目标区域,包括:手势区域和/或人脸区域。
作为本发明实施例的一种可选的实现方式,所述遍历模块11具体用于:
若任一区域中各像素所在位置的值为预设值,则确定该区域为目标区域。
作为本发明实施例中的一种可选的实现方式,所述融合模块13具体用于:
在所述最终背景图像中任取位置M,将所述位置M作为所述至少一个目标区域的顶角位置,以将所述至少一个目标区域的图像添加至所述最终背景图像中;
其中,所述任取位置M的数量与所述至少一个目标区域数量相对应。
需要说明的是,前述对图像处理方法实施例的解释说明也适用于该实施例的图像处理装置,其实现原理类似,此处不再赘述。
本发明实施例提供的图像处理装置,通过遍历分割图像,确定分割图像中满足增广条件的至少一个目标区域,然后对至少一个目标区域的每个目标区域进行增广处理,并将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像,然后将最终背景图像与对应的目标区域进行融合,得到最终的处理图像。由此,实现了通过对图像中目标区域进行增广处理,并将最终的处理图像作为识别模型的训练样本,使得在识别应用时,能够提高识别模型的准确度,改善识别模型的识别效果,从而提升用户满意度。
实施例五
图9是本发明实施例五提供的一种图像处理装置的结构示意图。
如图9所示,本发明实施例图像处理装置包括:遍历模块11、处理模块12及融合模块13。
其中,遍历模块11用于遍历分割图像,确定所述分割图像中满足增广条件的至少一个目标区域;
处理模块12用于对所述至少一个目标区域的每个目标区域进行增广处理,并将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像;
融合模块13用于将所述最终背景图像与对应的目标区域进行融合,得到最终的处理图像。
作为本发明实施例的一种可选的实现方式,所述处理模块12,包括:计算子单元122、处理子单元124。
其中,计算子单元122用于计算所述至少一个目标区域的每个目标区域中各通道的像素均值,并根据所述各通道的像素均值,生成均值图像;
处理子单元124用于对所述均值图像进行线性处理,得到初始背景图像。
作为本发明实施例的一种可选的实现方式,所述计算子单元122具体用于:
根据预设的纹理背景图像的尺寸,生成一张与所述预设的纹理背景图像相同尺寸的图像,并将所述各通道的像素均值,作为该图像中各像素的像素值,以得到均值图像。
作为本发明实施例的一种可选的实现方式,所述处理子单元124具体用于:
对所述均值图像的所有像素值进行线性缩放和偏移处理,得到初始背景图像。
作为本发明实施例的一种可选的实现方式,所述处理模块12还用于:
将所述初始背景图像与预设的纹理背景图像进行加权叠加,得到最终背景图像。
需要说明的是,前述对图像处理方法实施例的解释说明也适用于该实施例的图像处理装置,其实现原理类似,此处不再赘述。
本发明实施例提供的图像处理装置,通过计算至少一个目标区域的每个目标区域中各通道的像素均值,以根据各通道的像素均值,生成均值图像,对均值图像进行线性处理,得到初始背景图像,并将初始背景图像与预设的纹理背景图像进行加权叠加,得到最终背景图像,然后将最终背景图像与对应的目标区域进行融合,得到最终的处理图像。由此,通过对均值图像进行线性随机缩放和偏移处理,以实现对目标区域进行数据增广,使得增广后的图像更具多样性,使得识别模型能够在后续的识别操作中,更易识别出目标,从而提高识别准确度。
实施例六
为了实现上述目的,本发明实施例还提出了一种计算机设备。
图10是本发明实施例六提供的一种计算机设备的结构示意图,如图10所示,该计算机设备包括处理器70、存储器71、输入装置72和输出装置73;计算机设备中处理器70的数量可以是一个或多个,图10中以一个处理器70为例;计算机设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接,图10中以通过总线连接为例。
存储器71作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的信号处理方法对应的程序指令/模块(例如,图像处理装置中的遍历模块11、处理模块12及融合模块13)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的图像处理方法,该图像处理方法包括:遍历分割图像,确定所述分割图像中满足增广条件的至少一个目标区域;对所述至少一个目标区域的每个目标区域进行增广处理,并将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像;将所述最终背景图像与对应的目标区域进行融合,得到最终的处理图像。
当然,本发明实施例所提供的一种计算机设备,该计算机设备不限于如上所述的方法操作,还可以执行本发明实施例任意实施例所提供的图像处理方法中的相关操作。
存储器71可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器71可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器71可进一步包括相对于处理器70远程设置的存储器,这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
本发明实施例提供的计算机设备,通过遍历分割图像,确定分割图像中满足增广条件的至少一个目标区域,然后对至少一个目标区域的每个目标区域进行增广处理,并将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像,然后将最终背景图像与对应的目标区域进行融合,得到最终的处理图像。由此,实现了通过对图像中目标区域进行增广处理,并将最终的处理图像作为识别模型的训练样本,使得在识别应用时,能够提高识别模型的准确度,改善识别模型的识别效果,从而提升用户满意度。
实施例七
为了实现上述目的,本发明实施例还提出了一种计算机可读存储介质。
本发明实施例七还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现如下的图像处理方法,该图像处理方法包括:遍历分割图像,确定所述分割图像中满足增广条件的至少一个目标区域;对所述至少一个目标区域的每个目标区域进行增广处理,并将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像;将所述最终背景图像与对应的目标区域进行融合,得到最终的处理图像。
当然,本发明实施例所提供的一种计算机可读存储介质,其程序指令不限于如上所述的方法操作,还可以执行本发明实施例任意实施例所提供的图像处理方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明实施例可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明实施例的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,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明实施例各个实施例所述的方法。
值得注意的是,上述搜索装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
注意,上述仅为本发明实施例的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明实施例不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明实施例的保护范围。因此,虽然通过以上实施例对本发明实施例进行了较为详细的说明,但是本发明实施例不仅仅限于以上实施例,在不脱离本发明实施例构思的情况下,还可以包括更多其他等效实施例,而本发明实施例的范围由所附的权利要求范围决定。
Claims (11)
1.一种图像处理方法,其特征在于,包括:
遍历分割图像,确定所述分割图像中满足增广条件的至少一个目标区域;
对所述至少一个目标区域的每个目标区域进行增广处理,并将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像;
将所述最终背景图像与对应的目标区域进行融合,得到最终的处理图像。
2.根据权利要求1所述的方法,其特征在于,所述目标区域,包括:手势区域和/或人脸区域。
3.根据权利要求1所述的方法,其特征在于,所述遍历分割图像,确定所述分割图像中满足增广条件的至少一个目标区域,包括:
若任一区域中各像素所在位置的值为预设值,则确定该区域为目标区域。
4.根据权利要求1所述的方法,其特征在于,所述对所述至少一个目标区域的每个目标区域进行增广处理,包括:
计算所述至少一个目标区域的每个目标区域中各通道的像素均值,并根据所述各通道的像素均值,生成均值图像;
对所述均值图像进行线性处理,得到初始背景图像。
5.根据权利要求4所述的方法,其特征在于,所述根据所述各通道的像素均值,生成均值图像,包括:
根据预设的纹理背景图像的尺寸,生成一张与所述预设的纹理背景图像相同尺寸的图像,并将所述各通道的像素均值,作为该图像中各像素的像素值,以得到均值图像。
6.根据权利要求4所述的方法,其特征在于,所述对均值图像进行线性处理,得到初始背景图像,包括:
对所述均值图像的所有像素值进行线性缩放和偏移处理,得到初始背景图像。
7.根据权利要求1所述的方法,其特征在于,所述将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像包括:
将所述初始背景图像与预设的纹理背景图像进行加权叠加,得到最终背景图像。
8.根据权利要求1所述的方法,其特征在于,所述将所述最终背景图像与对应的目标区域进行融合,得到最终的处理图像,包括:
在所述最终背景图像中任取位置M,将所述位置M作为所述至少一个目标区域的顶角位置,以将所述至少一个目标区域的图像添加至所述最终背景图像中;
其中,所述任取位置M的数量与所述至少一个目标区域数量相对应。
9.一种图像处理装置,其特征在于,包括:
遍历模块,用于遍历分割图像,确定所述分割图像中满足增广条件的至少一个目标区域;
处理模块,用于对所述至少一个目标区域的每个目标区域进行增广处理,并将处理得到的初始背景图像与预设的纹理背景图像进行融合,得到最终背景图像;
融合模块,用于将所述最终背景图像与对应的目标区域进行融合,得到最终的处理图像。
10.一种计算机设备,其特征在于,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权利要求1-8中任一所述的图像处理方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现如权利要求1-8中任一所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548864.XA CN110288614B (zh) | 2019-06-24 | 2019-06-24 | 图像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548864.XA CN110288614B (zh) | 2019-06-24 | 2019-06-24 | 图像处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288614A true CN110288614A (zh) | 2019-09-27 |
CN110288614B CN110288614B (zh) | 2022-01-11 |
Family
ID=68004419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910548864.XA Active CN110288614B (zh) | 2019-06-24 | 2019-06-24 | 图像处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288614B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028189A (zh) * | 2019-12-09 | 2020-04-17 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111179282A (zh) * | 2019-12-27 | 2020-05-19 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、存储介质与电子设备 |
CN111325698A (zh) * | 2020-03-17 | 2020-06-23 | 北京迈格威科技有限公司 | 图像处理方法、装置及***、电子设备 |
CN111524100A (zh) * | 2020-04-09 | 2020-08-11 | 武汉精立电子技术有限公司 | 一种缺陷图像样本生成方法、装置及面板缺陷检测方法 |
CN111783814A (zh) * | 2019-11-27 | 2020-10-16 | 北京沃东天骏信息技术有限公司 | 数据扩增方法、装置、设备和计算机可读介质 |
CN111914722A (zh) * | 2020-07-27 | 2020-11-10 | 睿魔智能科技(深圳)有限公司 | 一种提升背面人体检出率的数据增广方法、***及模型 |
CN111914725A (zh) * | 2020-07-27 | 2020-11-10 | 睿魔智能科技(深圳)有限公司 | 一种数据增广方法、***及人体检测模型 |
CN113012188A (zh) * | 2021-03-23 | 2021-06-22 | 影石创新科技股份有限公司 | 图像融合方法、装置、计算机设备和存储介质 |
CN113743258A (zh) * | 2021-08-20 | 2021-12-03 | 科大讯飞股份有限公司 | 目标识别方法、装置、电子设备以及计算机可读存储介质 |
CN113762422A (zh) * | 2021-11-09 | 2021-12-07 | 广州思德医疗科技有限公司 | 一种图像训练集合成方法及*** |
WO2022037634A1 (zh) * | 2020-08-19 | 2022-02-24 | 北京字节跳动网络技术有限公司 | 一种图片处理方法、装置、设备及存储介质 |
CN114387652A (zh) * | 2022-01-12 | 2022-04-22 | 北京百度网讯科技有限公司 | 图像识别方法、识别模型的训练方法、装置和电子设备 |
CN114549728A (zh) * | 2022-03-25 | 2022-05-27 | 北京百度网讯科技有限公司 | 图像处理模型的训练方法、图像处理方法、装置及介质 |
CN117952820A (zh) * | 2024-03-26 | 2024-04-30 | 杭州食方科技有限公司 | 图像增广方法、装置、电子设备和计算机可读介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718860A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 基于驾驶安全地图及双目交通标志识别的定位方法及*** |
CN108932735A (zh) * | 2018-07-10 | 2018-12-04 | 广州众聚智能科技有限公司 | 一种生成深度学习样本的方法 |
CN109102501A (zh) * | 2018-08-06 | 2018-12-28 | 北京市商汤科技开发有限公司 | 一种关节图像处理方法及图像处理设备 |
CN109344883A (zh) * | 2018-09-13 | 2019-02-15 | 西京学院 | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 |
CN109829932A (zh) * | 2019-01-18 | 2019-05-31 | 创新奇智(宁波)科技有限公司 | 一种自动前景提取的数据采集方法及装置 |
CN109903272A (zh) * | 2019-01-30 | 2019-06-18 | 西安天伟电子***工程有限公司 | 目标检测方法、装置、设备、计算机设备和存储介质 |
CN109920538A (zh) * | 2019-03-07 | 2019-06-21 | 中南大学 | 一种基于数据增强的零样本学习方法 |
-
2019
- 2019-06-24 CN CN201910548864.XA patent/CN110288614B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718860A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 基于驾驶安全地图及双目交通标志识别的定位方法及*** |
CN108932735A (zh) * | 2018-07-10 | 2018-12-04 | 广州众聚智能科技有限公司 | 一种生成深度学习样本的方法 |
CN109102501A (zh) * | 2018-08-06 | 2018-12-28 | 北京市商汤科技开发有限公司 | 一种关节图像处理方法及图像处理设备 |
CN109344883A (zh) * | 2018-09-13 | 2019-02-15 | 西京学院 | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 |
CN109829932A (zh) * | 2019-01-18 | 2019-05-31 | 创新奇智(宁波)科技有限公司 | 一种自动前景提取的数据采集方法及装置 |
CN109903272A (zh) * | 2019-01-30 | 2019-06-18 | 西安天伟电子***工程有限公司 | 目标检测方法、装置、设备、计算机设备和存储介质 |
CN109920538A (zh) * | 2019-03-07 | 2019-06-21 | 中南大学 | 一种基于数据增强的零样本学习方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783814A (zh) * | 2019-11-27 | 2020-10-16 | 北京沃东天骏信息技术有限公司 | 数据扩增方法、装置、设备和计算机可读介质 |
CN111028189A (zh) * | 2019-12-09 | 2020-04-17 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111028189B (zh) * | 2019-12-09 | 2023-06-27 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111179282A (zh) * | 2019-12-27 | 2020-05-19 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、存储介质与电子设备 |
CN111179282B (zh) * | 2019-12-27 | 2024-04-23 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、存储介质与电子设备 |
CN111325698A (zh) * | 2020-03-17 | 2020-06-23 | 北京迈格威科技有限公司 | 图像处理方法、装置及***、电子设备 |
CN111524100B (zh) * | 2020-04-09 | 2023-04-18 | 武汉精立电子技术有限公司 | 一种缺陷图像样本生成方法、装置及面板缺陷检测方法 |
CN111524100A (zh) * | 2020-04-09 | 2020-08-11 | 武汉精立电子技术有限公司 | 一种缺陷图像样本生成方法、装置及面板缺陷检测方法 |
CN111914722A (zh) * | 2020-07-27 | 2020-11-10 | 睿魔智能科技(深圳)有限公司 | 一种提升背面人体检出率的数据增广方法、***及模型 |
CN111914725A (zh) * | 2020-07-27 | 2020-11-10 | 睿魔智能科技(深圳)有限公司 | 一种数据增广方法、***及人体检测模型 |
WO2022037634A1 (zh) * | 2020-08-19 | 2022-02-24 | 北京字节跳动网络技术有限公司 | 一种图片处理方法、装置、设备及存储介质 |
CN113012188A (zh) * | 2021-03-23 | 2021-06-22 | 影石创新科技股份有限公司 | 图像融合方法、装置、计算机设备和存储介质 |
CN113743258A (zh) * | 2021-08-20 | 2021-12-03 | 科大讯飞股份有限公司 | 目标识别方法、装置、电子设备以及计算机可读存储介质 |
CN113762422B (zh) * | 2021-11-09 | 2022-04-05 | 广州思德医疗科技有限公司 | 一种图像训练集合成方法及*** |
CN113762422A (zh) * | 2021-11-09 | 2021-12-07 | 广州思德医疗科技有限公司 | 一种图像训练集合成方法及*** |
CN114387652A (zh) * | 2022-01-12 | 2022-04-22 | 北京百度网讯科技有限公司 | 图像识别方法、识别模型的训练方法、装置和电子设备 |
CN114549728A (zh) * | 2022-03-25 | 2022-05-27 | 北京百度网讯科技有限公司 | 图像处理模型的训练方法、图像处理方法、装置及介质 |
CN117952820A (zh) * | 2024-03-26 | 2024-04-30 | 杭州食方科技有限公司 | 图像增广方法、装置、电子设备和计算机可读介质 |
CN117952820B (zh) * | 2024-03-26 | 2024-06-21 | 杭州食方科技有限公司 | 图像增广方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110288614B (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288614A (zh) | 图像处理方法、装置、设备及存储介质 | |
TWI742690B (zh) | 人體檢測方法、裝置、電腦設備及儲存媒體 | |
WO2021169307A1 (zh) | 人脸图像的试妆处理方法、装置、计算机设备和存储介质 | |
Fang et al. | Bottom-up saliency detection model based on human visual sensitivity and amplitude spectrum | |
CN113994384A (zh) | 使用机器学习的图像着色 | |
CN104899563A (zh) | 一种二维人脸关键特征点定位方法及*** | |
EP3815047A1 (en) | Image colorization based on reference information | |
CN107291802B (zh) | 关系图谱展示方法及装置 | |
CN107689035A (zh) | 一种基于卷积神经网络的单应性矩阵确定方法及装置 | |
CN109584358A (zh) | 一种三维人脸重建方法及装置、设备和存储介质 | |
CN107566688A (zh) | 一种基于卷积神经网络的视频防抖方法及装置 | |
CN109871845A (zh) | 证件图像提取方法及终端设备 | |
CN109741338A (zh) | 一种人脸分割方法、装置及设备 | |
CN110008961A (zh) | 文字实时识别方法、装置、计算机设备及存储介质 | |
CN112215171A (zh) | 目标检测方法、装置、设备及计算机可读存储介质 | |
US20230074060A1 (en) | Artificial-intelligence-based image processing method and apparatus, electronic device, computer-readable storage medium, and computer program product | |
CN108550132A (zh) | 一种基于全局紧凑先验和全局相似度显著传播的协同显著目标检测方法 | |
WO2023005743A1 (zh) | 图像处理方法及装置、计算机设备、存储介质和计算机程序产品 | |
CN110990617B (zh) | 一种图片标记方法、装置、设备及存储介质 | |
CN108921810A (zh) | 一种颜色迁移方法及计算设备 | |
CN108596070A (zh) | 人物识别方法、装置、存储介质、程序产品和电子设备 | |
CN115205925A (zh) | 表情系数确定方法、装置、电子设备及存储介质 | |
KR20190088379A (ko) | 자세 추정 방법, 추정된 자세를 이용하여 가상 객체를 디스플레이하는 방법, 및 이를 수행하는 장치들 | |
CN113838134B (zh) | 图像关键点检测方法、装置、终端和存储介质 | |
CN113516697B (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 |
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 |