CN111353536B - 图像的标注方法、装置、可读介质和电子设备 - Google Patents
图像的标注方法、装置、可读介质和电子设备 Download PDFInfo
- Publication number
- CN111353536B CN111353536B CN202010131364.9A CN202010131364A CN111353536B CN 111353536 B CN111353536 B CN 111353536B CN 202010131364 A CN202010131364 A CN 202010131364A CN 111353536 B CN111353536 B CN 111353536B
- Authority
- CN
- China
- Prior art keywords
- image
- color
- scene
- scene tag
- determining
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开涉及一种图像的标注方法、装置、可读介质和电子设备,涉及图像处理技术领域,该方法包括:获取当前采集时刻采集的第一图像,确定第一图像的第一颜色类别,根据第一颜色类别、第二图像的第二颜色类别和第二图像,确定第一场景标签,第二图像为上一采集时刻采集的图像,按照第一场景标签,对第一图像进行标注。本公开根据在时间顺序上连续的两幅图像的颜色类别和两幅图像中的前一幅图像,确定对后一幅图像标注的场景标签,能够提高图像标注的稳定度和准确度。
Description
技术领域
本公开涉及图像处理技术领域,具体地,涉及一种图像的标注方法、装置、可读介质和电子设备。
背景技术
随着终端技术和图像处理技术的不断发展,终端设备上所能提供的图像处理操作越来越丰富。例如,终端设备可以识别出图片中包括的不同场景(例如:室内、风景、人物、山、湖泊、沙滩等),并根据不同的场景执行相应的操作。通常情况下,针对视频(即连续多帧的图片)的场景识别,是通过机器学习的方法对每一帧图片中的场景进行识别,识别结果的跳跃性比较大,无法准确、稳定地反映出视频中包含的场景。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种图像的标注方法,所述方法包括:
获取当前采集时刻采集的第一图像;
确定所述第一图像的第一颜色类别;
根据所述第一颜色类别、第二图像的第二颜色类别和所述第二图像,确定第一场景标签,所述第二图像为上一采集时刻采集的图像;
按照所述第一场景标签,对所述第一图像进行标注。
第二方面,本公开提供一种图像的标注装置,所述装置包括:
获取模块,用于获取当前采集时刻采集的第一图像;
第一确定模块,用于确定所述第一图像的第一颜色类别;
第二确定模块,用于根据所述第一颜色类别、第二图像的第二颜色类别和所述第二图像,确定第一场景标签,所述第二图像为上一采集时刻采集的图像;
标注模块,用于按照所述第一场景标签,对所述第一图像进行标注。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
通过上述技术方案,本公开首先获取当前采集时刻采集的第一图像,之后确定第一图像的第一颜色类别,再根据上一采集时刻采集的第二图像、第二图像的第二颜色类别和第一颜色类别,确定第一场景标签,最后按照第一场景标签对第一图像进行标注。本公开根据在时间顺序上连续的两幅图像的颜色类别和两幅图像中的前一幅图像,确定对后一幅图像标注的场景标签,能够提高图像标注的稳定度和准确度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
在附图中:
图1是根据一示例性实施例示出的一种图像的标注方法的流程图;
图2是根据一示例性实施例示出的另一种图像的标注方法的流程图;
图3是根据一示例性实施例示出的另一种图像的标注方法的流程图;
图4是根据一示例性实施例示出的另一种图像的标注方法的流程图;
图5是根据一示例性实施例示出的另一种图像的标注方法的流程图;
图6是根据一示例性实施例示出的另一种图像的标注方法的流程图;
图7是根据一示例性实施例示出的一种图像的标注装置的框图;
图8是根据一示例性实施例示出的另一种图像的标注装置的框图;
图9是根据一示例性实施例示出的另一种图像的标注装置的框图;
图10是根据一示例性实施例示出的另一种图像的标注装置的框图;
图11是根据一示例性实施例使出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1是根据一示例性实施例示出的一种图像的标注方法的流程图,如图1所示,该方法包括:
步骤101,获取当前采集时刻采集的第一图像。
举例来说,终端设备可以按照预设的采集周期(例如:40ms)连续获取多幅图像,多幅图像例如可以是用户通过终端设备拍摄的视频中的每一帧图像,也可以是用户在终端设备上选择的视频(例如在终端设备的显示界面上播放的视频)中的每一帧图像。当前采集时刻采集到的图像即为第一图像,在上一采集时刻采集到的图像为第二图像,上一采集时刻与当前采集时刻之间的时间间隔为采集周期,第二图像可以理解为视频中第一图像的上一帧图像。
步骤102,确定第一图像的第一颜色类别。
示例的,在获取第一图像之后,可以按照预设的颜色识别算法来识别第一图像的第一颜色类别。第一颜色类别可以理解为第一图像中的主要颜色,第一颜色类别可以是一种颜色,也可以是多种颜色,本公开对此不做具体限定。预设的颜色识别算法例如可以是将第一图像输入到预先训练的颜色类别识别模型中,颜色类别识别模型会输出第一图像与颜色集合中的每个颜色的匹配程度,然后将匹配度最高的预设数量个(例如:3个)颜色作为第一颜色类别。预设的颜色识别算法也可以是根据第一图像中每个像素点的颜色坐标,确定第一图像中属于颜色集合中的每个颜色的像素点数目,将像素点数目最高的预设数量个颜色作为第一颜色类别。预设的颜色识别算法还可以是根据第一图像中每个像素点的颜色坐标,结合预先确定的颜色坐标与语义颜色的映射关系,确定每个像素点的语义颜色,再确定第一图像中属于不同语义颜色的像素点数目,最后将像素点数目最高的预设数量个语义颜色作为第一颜色类别。相应的,在上一采集时刻,对第二图像执行步骤102时,同样可以是按照上述的颜色识别算法识别出的第二图像的第二颜色类别。
步骤103,根据第一颜色类别、第二图像的第二颜色类别和第二图像,确定第一场景标签,第二图像为上一采集时刻采集的图像。
步骤104,按照第一场景标签,对第一图像进行标注。
示例的,可以先根据第一颜色类别和第二颜色类别确定第一图像和第二图像之间的差异程度,之后再根据第二图像来确定用于标注第一图像的第一场景标签,第一场景标签可以是一个场景标签,也可以是多个场景标签。其中,场景标签例如可以包括:室内、风景、人物、猫、狗、汽车、山、湖泊、沙滩等,还可以根据用户的不同需求添加个性化的场景标签。
当第一颜色类别和第二颜色类别相同时,表示第一图像和第二图像的差异程度很小,那么第一场景标签可以与第二图像所标注的场景标签(即后文的第二场景标签)相同,即可以直接使用第二图像所标注的场景标签来对第一图像进行标注,其中,第二图像所标注的场景标签可以是在上一采集时刻执行步骤104时所标注的标签。当第一颜色类别和第二颜色类别不同时,表示第一图像和第二图像之间存在差异,那么可以结合第二图像来确定第一场景标签。具体的,可以将第一图像与每个场景标签的匹配度,和第二图像与每个场景标签的匹配度进行加权求和,以确定第一场景标签。
其中,第一图像与每个场景标签的匹配度,例如可以是在步骤103之前通过预先训练的图像分类模型来获得的,也可以是在确定第一颜色类别和第二颜色类别不相同之后,再通过图像分类模型来获得的。相应的,第二图像与每个场景标签的匹配度,可以是在上一采集时刻采集到第二图像后,通过图像分类模型来获得的,也可以是根据上一采集时刻的上一采集时刻采集的图像与每个场景标签的匹配度来确定的。可以理解为,当终端设备开始采集图像时,首先将第一个采集时刻采集的初始图像输入到图像分类模型,得到图像分类模型输出的初始图像与每个场景标签的匹配度,从而对初始图像进行标注。若之后的每个采集时刻采集的图像的颜色类别均与初始图像的颜色类别相同,表示图像中的场景一直没有变化,那么每个采集时刻采集的图像均可以直接使用初始图像所标注的场景标签来进行标注。若之后的某一采集时刻采集的图像的颜色类别开始与初始图像的颜色类别不相同,那么可以结合初始图像来与每个场景标签的匹配度,来确定该图像与每个场景标签的匹配度。
由于确定第一场景标签的过程结合了第二图像与每个场景标签的匹配度,因此按照第一场景标签对第一图像进行标注,能够保持与第二图像所标注的场景标签的连续性,从而提高图像标注的稳定度和准确度。
举个例子,第二图像的第二颜色类别为:红色、白色、蓝色和绿色,第二图像所标注的场景标签为人物和湖泊。若第一图像的第一颜色类别与第二颜色类别相同,那么可以对第一图像也标注人物和湖泊的场景标签。若第一颜色类别与第二颜色类别不相同,那么可以先确定第一图像分别与室内、风景、人物、猫、狗、汽车、山、湖泊、沙滩等场景标签的匹配度,再与上一采集时刻确定的第二图像分别与室内、风景、人物、猫、狗、汽车、山、湖泊、沙滩等场景标签的匹配度进行加权求和,最后将加权求和后的匹配度最高的预设数量个(例如:2个)场景标签作为第一场景标签,并对第一图像进行标注。
综上所述,本公开首先获取当前采集时刻采集的第一图像,之后确定第一图像的第一颜色类别,再根据上一采集时刻采集的第二图像、第二图像的第二颜色类别和第一颜色类别,确定第一场景标签,最后按照第一场景标签对第一图像进行标注。本公开根据在时间顺序上连续的两幅图像的颜色类别和两幅图像中的前一幅图像,确定对后一幅图像标注的场景标签,能够提高图像标注的稳定度和准确度。
图2是根据一示例性实施例示出的另一种图像的标注方法的流程图,如图2所示,步骤103可以通过以下方式来实现:
步骤1031,若第一颜色类别与第二颜色类别相同,将第二图像所标注的第二场景标签作为第一场景标签。
步骤1032,若第一颜色类别与第二颜色类别不相同,将第一图像输入预先训练的图像分类模型,以获取图像分类模型输出的第一图像与多个场景标签中每个场景标签的匹配度。
步骤1033,根据第一图像与每个场景标签的匹配度,和第二图像与每个场景标签的匹配度,确定第一场景标签。
举例来说,当第一颜色类别和第二颜色类别相同时,表示第一图像和第二图像的差异程度很小,那么可以直接将第二场景标签作为第一场景标签,即可以直接使用第二场景标签来对第一图像进行标注。其中,第二场景标签即为上一采集时刻执行步骤104时对第二图像所标注的标签。当第一颜色类别和第二颜色类别不同时,表示第一图像和第二图像之间存在差异,那么可以结合第二图像来确定第一场景标签。具体的,可以先将第一图像输入到预先训练的图像分类模型中,图像分类模型会输出第一图像与多个场景标签中每个场景标签的匹配度。相应的,上一采集时刻也是采用相同的方式获得第二图像与每个场景标签的匹配度。最后,综合第一图像与每个场景标签的匹配度,和第二图像与每个场景标签的匹配度,确定第一场景标签,从而使第一场景标签与第二场景标签具有连续性。
其中,图像分类模型例如可以包括输入层、卷积层、反馈层、全连接层和输出层。步骤1032的实现过程可以是:首先将第一图像(或第二图像)输入到输入层,通过卷积层,从第一图像中提取卷积层特征。再通过反馈层,结合上一次的反馈层特征和后一次的反馈层特征,从卷积层中提取当前的反馈层特征,之后通过全连接层,对反馈层特征进行抽象处理,以生成第一图像与每个场景标签的匹配度,最后通过输出层输出多个匹配度。示例性的,图像分类模型例如可以是卷积神经网络(英文:Convolutional Neural Networks,缩写:CNN)。卷积神经网络仅是本公开实施例的神经网络的一个示例,本公开不限于此,还可以包括其他各种神经网络。
图3是根据一示例性实施例示出的另一种图像的标注方法的流程图,如图3所示,步骤1033的具体实现方式可以包括以下步骤:
步骤A,将第一图像与每个场景标签的匹配度,和第二图像与每个场景标签的匹配度进行加权求和,得到第一图像与每个场景标签的综合匹配度。
步骤B,根据第一图像与每个场景标签的综合匹配度,确定第一场景标签。
其中,步骤B的实现方式可以为:
首先,根据第一图像与每个场景标签的综合匹配度,确定每个场景标签的顺序。
之后,根据顺序选择预设数量个场景标签作为第一场景标签。
在具体的应用场景中,可以将第一图像与每个场景标签的匹配度,和第二图像与每个场景标签的匹配度进行加权求和,得到第一图像与每个场景标签的综合匹配度,综合匹配度可以理解为对图像分类模型输出的第一图像与每个场景标签的匹配度进行平滑的结果,能够综合考虑第一图像和第二图像。之后,根据第一图像与每个场景标签的综合匹配度,确定第一场景标签。例如,可以先对多个综合匹配度进行排序,然后根据顺序从多个场景标签中确定综合匹配度最高的预设数量(例如:4个)个场景标签作为第一场景标签。例如,可以对多个综合匹配度进行降序排列,那么可以选择排在最前的4个场景标签作为第一场景标签,或者对多个综合匹配度进行升序排列,那么可以选择排在最后的4个场景标签作为第一场景标签。
图4是根据一示例性实施例示出的另一种图像的标注方法的流程图,如图4所示,步骤1033的实现步骤还可以包括:
步骤C,根据第一颜色类别和第二颜色类别的差异度,确定第一权重和第二权重,第一权重与差异度正相关,第二权重与差异度负相关。
进一步的,在执行步骤A之前,还可以根据第一颜色类别和第二颜色类别的差异度,确定第一图像与每个场景标签的匹配度对应的第一权重,和第二图像与每个场景标签的匹配度对应的第二权重。第一颜色类别和第二颜色类别的差异度能够反映第一图像和第二图像的区别,可以理解为第一颜色类别和第二颜色类别中不相同的颜色种类,例如:第一颜色类别为红色、白色、黄色,第二颜色类别为红色、蓝色、绿色,那么差异度为2。第一颜色类别为红色、白色、黑色,第二颜色类别为红色、白色、灰色,那么差异度为1。其中,第一权重与差异度正相关,第二权重与差异度负相关。可以理解为,第一颜色类别和第二颜色类别的差异度越大,第一图像与每个场景标签的匹配度对综合匹配度的影响越大,第二图像与每个场景标签的匹配度对综合匹配度的影响越小。第一颜色类别和第二颜色类别的差异度越小,第一图像与每个场景标签的匹配度对综合匹配度的影响越小,第二图像与每个场景标签的匹配度对综合匹配度的影响越大。
相应的,步骤A的实现方式可以为:
首先,将第一图像与该场景标签的匹配度乘以第一权重,得到第一乘积,并将第二图像与该场景标签的匹配度乘以第二权重,得到第二乘积。
之后,将第一乘积与第二乘积的和,作为第一图像与该场景标签的综合匹配度。
例如,可以通过以下公式来确定综合匹配度:
OUTi=aPi+(1-a)Qi
其中,OUTi为第一图像与第i个场景标签的综合匹配度,Pi为第一图像与第i个场景标签的匹配度,Qi为第二图像与第i个场景标签的匹配度签,a为第一权重,(1-a)为第二权重。可以理解为,当第一颜色类别和第二颜色类别相同时,a为0,(1-a)为1,那么综合匹配度为Qi,,即直接使用第二场景标签的对第一图像进行标注的场景。当第一颜色类别和第二颜色类别完全不同时(即没有相同的颜色),a为1,(1-a)为0,那么综合匹配度为Pi,,即第一图像与第二图像完全不同,那么根据图像分类模型输出的第一图像与每个场景标签的匹配度作为综合匹配度,当第一颜色类别和第二颜色类别有相同的颜色,也有不同的颜色时,第一权重和第二权重的范围均在0到1之间。
图5是根据一示例性实施例示出的另一种图像的标注方法的流程图,如图5所示,在步骤101之后,该方法还包括;
步骤105,将第一图像输入预先训练的图像分类模型,以获取图像分类模型输出的第一图像与多个场景标签中每个场景标签的匹配度。
相应的,步骤103包括:
步骤1034,若第一颜色类别与第二颜色类别相同,将第二图像所标注的第二场景标签作为第一场景标签。
步骤1035,若第一颜色类别与第二颜色类别不相同,根据第一图像与每个场景标签的匹配度,和第二图像与每个场景标签的匹配度,确定第一场景标签。
举例来说,第一图像与每个场景标签的匹配度,也可以是在步骤101之后通过预先训练的图像分类模型来获得的,即不论第一颜色类别和第二颜色类别是否相同,都先将第一图像输入预先训练的图像分类模型,以获取第一图像与多个场景标签中每个场景标签的匹配度。之后,再判断第一颜色类别与第二颜色类别是否相同。步骤1034和步骤1035的实现过程和步骤1032、步骤1033的实现过程相同,此处不再赘述。
图6是根据一示例性实施例示出的另一种图像的标注方法的流程图,如图6所示,步骤102的实现方式可以包括:
步骤1021,获取第一图像的每个像素点在预设色彩空间中的颜色坐标。
步骤1022,根据预设色彩空间与语义颜色的映射关系,和每个像素点的颜色坐标,确定每个像素点的语义颜色。
步骤1023,根据每个像素点的语义颜色,确定第一图像的第一颜色类别。
举例来说,首先可以按照预设色彩空间确定第一图像中每个像素点的颜色坐标,其中预设色彩空间例如可以是:RGB(英文:Red Green Blue,中文:红-绿-蓝)色彩空间、LUV色彩空间、LAB色彩空间等。以RGB色彩空间来举例,每个像素点的颜色坐标可以为(x,y,z)的形式,x、y、z的范围均为0-255。
之后根据预设色彩空间与语义颜色的映射关系,查找每个像素点的颜色坐标对应的语义颜色,并将每个像素点的颜色坐标对应的语义颜色作为该像素点的语义颜色。其中,映射关系可以预先存储在终端设备中,也可以存储在服务器中,在终端设备需要使用映射关系时,再从服务器上获取。映射关系可以理解为预先建立的预设色彩空间中每一种颜色坐标与多种语义颜色之间的对应关系,即每种颜色坐标对应一个语义颜色。例如映射关系可以是表格的形式,表格中每一行中包含有一种颜色坐标,和该种颜色坐标对应的语义颜色。颜色坐标是一组数值,没有明确的含义。语义颜色可以理解为现实世界中的真实颜色,即包含有明确语义的颜色,例如可以包括:红色、橙色、黄色、绿色、蓝色、紫色、黑色、白色、灰色等。
在确定了每个像素点的语义颜色之后,可以根据第一图像中包含的语义颜色的分布数量,来确定第一图像的第一颜色类别。可以先确定第一图像中具有多种语义颜色的像素点的数目,然后对具有不同语义颜色的像素点的数目进行排序,选择像素点的数目最多的预设数量(例如:3)个语义颜色作为第一颜色类别,还可以将像素点数目大于预设阈值的语义颜色作为第一颜色类别,也可以再确定具有不同语义颜色的像素点的数目与第一图像的像素点总数的比值,将比值大于预设阈值的语义颜色作为第一颜色类别。例如,第一图像中包含有1000个像素点,对多种语义颜色的像素点的数目进行降序排列,其中有420个像素点的语义颜色为白色,310个像素点的语义颜色为蓝色,205个像素点的语义颜色为绿色,剩余65个像素点为其他颜色,那么可以将白色、蓝色、绿色作为第一颜色类别。
具体的,映射关系可以通过如下方式得到的:
步骤D,获取样本图像集,样本图像集中包括多个样本图像。
步骤E,根据每个样本图像的每个像素点在预设色彩空间中的颜色坐标,和每个样本图像的每个像素点标注的语义颜色,确定预设色彩空间中的每种颜色坐标被标注为每种语义颜色的数量。
步骤F,根据每种颜色坐标被标注为每种语义颜色的数量,确定映射关系。
在具体的应用场景中,建立映射关系的方式可以先采集大量样本图像,作为样本图像集。其中,样本图像例如可以是在现实世界拍摄的照片,为了进一步提高映射关系的准确度,样本图像集中可以包括多种场景中的每个场景在不同光照条件下的照片。之后,获取每个样本图像中每个像素点在预设色彩空间中的颜色坐标,和每个样本图像的每个像素点标注的语义颜色,从而确定预设色彩空间中的每种颜色坐标被标注为每种语义颜色的数量。其中,每个像素点在预设色彩空间中的颜色坐标,可以通过终端设备自动识别出来,每个像素点标注的语义颜色,可以通过人工进行标注,再记录人工标注的结果来确定,也可以在获取样本图像时,提前记录样本图像中包含的现实世界的场景对应的语义颜色,从而确定每个像素点标注的语义颜色。最后,可以统计每种颜色坐标被标注为每种语义颜色的数量,将数量最大的语义颜色确定为该颜色坐标对应的语义颜色,从而确定映射关系。
举个例子,颜色坐标为RGB色彩空间中的(128,128,50),被标注为灰色的数量为1500次,被标注被蓝色的数量为820次,被标注为黑色的数量为170次,那么可以将灰色作为RGB色彩空间中(128,128,50)对应的语义颜色。
综上所述,本公开首先获取当前采集时刻采集的第一图像,之后确定第一图像的第一颜色类别,再根据上一采集时刻采集的第二图像、第二图像的第二颜色类别和第一颜色类别,确定第一场景标签,最后按照第一场景标签对第一图像进行标注。本公开根据在时间顺序上连续的两幅图像的颜色类别和两幅图像中的前一幅图像,确定对后一幅图像标注的场景标签,能够提高图像标注的稳定度和准确度。
图7是根据一示例性实施例示出的一种图像的标注装置的框图,如图7所示,该装置200包括:
获取模块201,用于获取当前采集时刻采集的第一图像。
第一确定模块202,用于确定第一图像的第一颜色类别。
第二确定模块203,用于根据第一颜色类别、第二图像的第二颜色类别和第二图像,确定第一场景标签,第二图像为上一采集时刻采集的图像。
标注模块204,用于按照第一场景标签,对第一图像进行标注。
图8是根据一示例性实施例示出的另一种图像的标注装置的框图,如图8所示,第二确定模块203可以包括:
第一确定子模块2031,用于若第一颜色类别与第二颜色类别相同,将第二图像所标注的第二场景标签作为第一场景标签。
第二确定子模块2032,用于若第一颜色类别与第二颜色类别不相同,将第一图像输入预先训练的图像分类模型,以获取图像分类模型输出的第一图像与多个场景标签中每个场景标签的匹配度。
第二确定子模块2032,还用于根据第一图像与每个场景标签的匹配度,和第二图像与每个场景标签的匹配度,确定第一场景标签。
可选地,第二确定子模块2032可以用于执行以下步骤:
步骤A,将第一图像与每个场景标签的匹配度,和第二图像与每个场景标签的匹配度进行加权求和,得到第一图像与每个场景标签的综合匹配度;
步骤B,根据第一图像与每个场景标签的综合匹配度,确定第一场景标签。
可选地,第二确定子模块2032还可以用于执行以下步骤:
步骤C,根据第一颜色类别和第二颜色类别的差异度,确定第一权重和第二权重,第一权重与差异度正相关,第二权重与差异度负相关。
相应的,步骤A可以包括:
首先,将第一图像与该场景标签的匹配度乘以第一权重,得到第一乘积,并将第二图像与该场景标签的匹配度乘以第二权重,得到第二乘积。
之后,将第一乘积与第二乘积的和,作为第一图像与该场景标签的综合匹配度。
可选地,步骤B可以包括:
首先,根据第一图像与每个场景标签的综合匹配度,确定每个场景标签的顺序。
之后,根据顺序选择预设数量个场景标签作为第一场景标签。
图9是根据一示例性实施例示出的另一种图像的标注装置的框图,如图9所示,该装置200还包括:
输入模块205,用于在获取当前采集时刻采集的第一图像之后,将第一图像输入预先训练的图像分类模型,以获取图像分类模型输出的第一图像与多个场景标签中每个场景标签的匹配度。
相应的,第二确定模块203可以包括:
第三确定子模块,用于若第一颜色类别与第二颜色类别相同,将第二图像所标注的第二场景标签作为第一场景标签。
第四确定子模块,用于若第一颜色类别与第二颜色类别不相同,根据第一图像与每个场景标签的匹配度,和第二图像与每个场景标签的匹配度,确定第一场景标签。
图10是根据一示例性实施例示出的另一种图像的标注装置的框图,如图10所示,第一确定模块202可以包括:
坐标获取子模块2021,用于获取第一图像的每个像素点在预设色彩空间中的颜色坐标。
颜色确定子模块2022,用于根据预设色彩空间与语义颜色的映射关系,和每个像素点的颜色坐标,确定每个像素点的语义颜色。
颜色确定子模块2022,还用于根据每个像素点的语义颜色,确定第一图像的第一颜色类别。
可选地,映射关系为通过如下方式得到的:
步骤D,获取样本图像集,样本图像集中包括多个样本图像。
步骤E,根据每个样本图像的每个像素点在预设色彩空间中的颜色坐标,和每个样本图像的每个像素点标注的语义颜色,确定预设色彩空间中的每种颜色坐标被标注为每种语义颜色的数量。
步骤F,根据每种颜色坐标被标注为每种语义颜色的数量,确定映射关系。
关于上述实施例中的装置,其中各个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。
综上所述,本公开首先获取当前采集时刻采集的第一图像,之后确定第一图像的第一颜色类别,再根据上一采集时刻采集的第二图像、第二图像的第二颜色类别和第一颜色类别,确定第一场景标签,最后按照第一场景标签对第一图像进行标注。本公开根据在时间顺序上连续的两幅图像的颜色类别和两幅图像中的前一幅图像,确定对后一幅图像标注的场景标签,能够提高图像标注的稳定度和准确度。
下面参考图11,其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图11示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图11所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,终端设备、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取当前采集时刻采集的第一图像;确定所述第一图像的第一颜色类别;根据所述第一颜色类别、第二图像的第二颜色类别和所述第二图像,确定第一场景标签,所述第二图像为上一采集时刻采集的图像;按照所述第一场景标签,对所述第一图像进行标注。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,第一确定模块还可以被描述为“确定第一颜色类别的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种图像的标注方法,包括:获取当前采集时刻采集的第一图像;确定所述第一图像的第一颜色类别;根据所述第一颜色类别、第二图像的第二颜色类别和所述第二图像,确定第一场景标签,所述第二图像为上一采集时刻采集的图像;按照所述第一场景标签,对所述第一图像进行标注。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述根据所述第一颜色类别、第二图像的第二颜色类别和所述第二图像,确定第一场景标签,包括:若所述第一颜色类别与所述第二颜色类别相同,将所述第二图像所标注的第二场景标签作为所述第一场景标签;若所述第一颜色类别与所述第二颜色类别不相同,将所述第一图像输入预先训练的图像分类模型,以获取所述图像分类模型输出的所述第一图像与多个场景标签中每个所述场景标签的匹配度;根据所述第一图像与每个所述场景标签的匹配度,和所述第二图像与每个所述场景标签的匹配度,确定所述第一场景标签。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,所述根据所述第一图像与每个所述场景标签的匹配度,和所述第二图像与每个所述场景标签的匹配度,确定所述第一场景标签,包括:将所述第一图像与每个所述场景标签的匹配度,和所述第二图像与每个所述场景标签的匹配度进行加权求和,得到所述第一图像与每个所述场景标签的综合匹配度;根据所述第一图像与每个所述场景标签的综合匹配度,确定所述第一场景标签。
根据本公开的一个或多个实施例,示例4提供了示例3的方法,所述根据所述第一图像与每个所述场景标签的匹配度,和所述第二图像与每个所述场景标签的匹配度,确定所述第一场景标签,还包括:根据所述第一颜色类别和所述第二颜色类别的差异度,确定第一权重和第二权重,所述第一权重与所述差异度正相关,所述第二权重与所述差异度负相关;所述将所述第一图像与每个所述场景标签的匹配度,和所述第二图像与每个所述场景标签的匹配度进行加权求和,得到所述第一图像与每个所述场景标签的综合匹配度,包括:将所述第一图像与该场景标签的匹配度乘以所述第一权重,得到第一乘积,并将所述第二图像与该场景标签的匹配度乘以所述第二权重,得到第二乘积;将所述第一乘积与所述第二乘积的和,作为所述第一图像与该场景标签的综合匹配度。
根据本公开的一个或多个实施例,示例5提供了示例3的方法,所述根据所述第一图像与每个所述场景标签的综合匹配度,确定所述第一场景标签,包括:根据所述第一图像与每个所述场景标签的综合匹配度,确定每个所述场景标签的顺序;根据所述顺序选择预设数量个所述场景标签作为所述第一场景标签。
根据本公开的一个或多个实施例,示例6提供了示例1的方法,在所述获取当前采集时刻采集的第一图像之后,所述方法还包括:将所述第一图像输入预先训练的图像分类模型,以获取所述图像分类模型输出的所述第一图像与多个场景标签中每个所述场景标签的匹配度;所述根据所述第一颜色类别、第二图像的第二颜色类别和所述第二图像,确定第一场景标签,包括:若所述第一颜色类别与所述第二颜色类别相同,将所述第二图像所标注的第二场景标签作为所述第一场景标签;若所述第一颜色类别与所述第二颜色类别不相同,根据所述第一图像与每个所述场景标签的匹配度,和所述第二图像与每个所述场景标签的匹配度,确定所述第一场景标签。
根据本公开的一个或多个实施例,示例7提供了示例1的方法,所述确定所述第一图像的第一颜色类别,包括:获取所述第一图像的每个像素点在预设色彩空间中的颜色坐标;根据预设色彩空间与语义颜色的映射关系,和所述每个像素点的所述颜色坐标,确定所述每个像素点的语义颜色;根据所述每个像素点的所述语义颜色,确定所述第一图像的所述第一颜色类别。
根据本公开的一个或多个实施例,示例8提供了示例7的方法,所述映射关系为通过如下方式得到的:获取样本图像集,所述样本图像集中包括多个样本图像;根据每个所述样本图像的每个像素点在所述预设色彩空间中的颜色坐标,和每个所述样本图像的每个像素点标注的语义颜色,确定所述预设色彩空间中的每种颜色坐标被标注为每种语义颜色的数量;根据每种颜色坐标被标注为每种语义颜色的数量,确定所述映射关系。
根据本公开的一个或多个实施例,示例9提供了一种图像的标注装置,包括:获取模块,用于获取当前采集时刻采集的第一图像;第一确定模块,用于确定所述第一图像的第一颜色类别;第二确定模块,用于根据所述第一颜色类别、第二图像的第二颜色类别和所述第二图像,确定第一场景标签,所述第二图像为上一采集时刻采集的图像;标注模块,用于按照所述第一场景标签,对所述第一图像进行标注。
根据本公开的一个或多个实施例,示例10提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1至示例8中所述方法的步骤。
根据本公开的一个或多个实施例,示例11提供了一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1至示例8中所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个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。
Claims (9)
1.一种图像的标注方法,其特征在于,所述方法包括:
获取当前采集时刻采集的第一图像;
确定所述第一图像的第一颜色类别;
根据所述第一颜色类别、第二图像的第二颜色类别和所述第二图像,确定第一场景标签,所述第二图像为上一采集时刻采集的图像;
按照所述第一场景标签,对所述第一图像进行标注;
所述根据所述第一颜色类别、第二图像的第二颜色类别和所述第二图像,确定第一场景标签,包括:若所述第一颜色类别与所述第二颜色类别相同,将所述第二图像所标注的第二场景标签作为所述第一场景标签;若所述第一颜色类别与所述第二颜色类别不相同,将所述第一图像输入预先训练的图像分类模型,以获取所述图像分类模型输出的所述第一图像与多个场景标签中每个所述场景标签的匹配度;根据所述第一图像与每个所述场景标签的匹配度,和所述第二图像与每个所述场景标签的匹配度,确定所述第一场景标签。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一图像与每个所述场景标签的匹配度,和所述第二图像与每个所述场景标签的匹配度,确定所述第一场景标签,包括:
将所述第一图像与每个所述场景标签的匹配度,和所述第二图像与每个所述场景标签的匹配度进行加权求和,得到所述第一图像与每个所述场景标签的综合匹配度;
根据所述第一图像与每个所述场景标签的综合匹配度,确定所述第一场景标签。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一图像与每个所述场景标签的匹配度,和所述第二图像与每个所述场景标签的匹配度,确定所述第一场景标签,还包括:
根据所述第一颜色类别和所述第二颜色类别的差异度,确定第一权重和第二权重,所述第一权重与所述差异度正相关,所述第二权重与所述差异度负相关;
所述将所述第一图像与每个所述场景标签的匹配度,和所述第二图像与每个所述场景标签的匹配度进行加权求和,得到所述第一图像与每个所述场景标签的综合匹配度,包括:
将所述第一图像与该场景标签的匹配度乘以所述第一权重,得到第一乘积,并将所述第二图像与该场景标签的匹配度乘以所述第二权重,得到第二乘积;
将所述第一乘积与所述第二乘积的和,作为所述第一图像与该场景标签的综合匹配度。
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一图像与每个所述场景标签的综合匹配度,确定所述第一场景标签,包括:
根据所述第一图像与每个所述场景标签的综合匹配度,确定每个所述场景标签的顺序;
根据所述顺序选择预设数量个所述场景标签作为所述第一场景标签。
5.根据权利要求1所述的方法,其特征在于,所述确定所述第一图像的第一颜色类别,包括:
获取所述第一图像的每个像素点在预设色彩空间中的颜色坐标;
根据预设色彩空间与语义颜色的映射关系,和所述每个像素点的所述颜色坐标,确定所述每个像素点的语义颜色;
根据所述每个像素点的所述语义颜色,确定所述第一图像的所述第一颜色类别。
6.根据权利要求5所述的方法,其特征在于,所述映射关系为通过如下方式得到的:
获取样本图像集,所述样本图像集中包括多个样本图像;
根据每个所述样本图像的每个像素点在所述预设色彩空间中的颜色坐标,和每个所述样本图像的每个像素点标注的语义颜色,确定所述预设色彩空间中的每种颜色坐标被标注为每种语义颜色的数量;
根据每种颜色坐标被标注为每种语义颜色的数量,确定所述映射关系。
7.一种图像的标注装置,其特征在于,所述装置包括:
获取模块,用于获取当前采集时刻采集的第一图像;
第一确定模块,用于确定所述第一图像的第一颜色类别;
第二确定模块,用于根据所述第一颜色类别、第二图像的第二颜色类别和所述第二图像,确定第一场景标签,所述第二图像为上一采集时刻采集的图像;
标注模块,用于按照所述第一场景标签,对所述第一图像进行标注;
所述第二确定模块包括:
第一确定子模块,用于若所述第一颜色类别与所述第二颜色类别相同,将所述第二图像所标注的第二场景标签作为所述第一场景标签;
第二确定子模块,用于若所述第一颜色类别与所述第二颜色类别不相同,将所述第一图像输入预先训练的图像分类模型,以获取所述图像分类模型输出的所述第一图像与多个场景标签中每个所述场景标签的匹配度;
第二确定子模块,还用于根据所述第一图像与每个所述场景标签的匹配度,和所述第二图像与每个所述场景标签的匹配度,确定所述第一场景标签。
8.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-6中任一项所述方法的步骤。
9.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131364.9A CN111353536B (zh) | 2020-02-28 | 2020-02-28 | 图像的标注方法、装置、可读介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131364.9A CN111353536B (zh) | 2020-02-28 | 2020-02-28 | 图像的标注方法、装置、可读介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353536A CN111353536A (zh) | 2020-06-30 |
CN111353536B true CN111353536B (zh) | 2023-05-30 |
Family
ID=71197239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010131364.9A Active CN111353536B (zh) | 2020-02-28 | 2020-02-28 | 图像的标注方法、装置、可读介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353536B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111810B (zh) * | 2021-04-20 | 2023-12-08 | 北京嘀嘀无限科技发展有限公司 | 一种目标识别方法和*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107393017A (zh) * | 2017-08-11 | 2017-11-24 | 北京铂石空间科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102012939B (zh) * | 2010-12-13 | 2012-11-14 | 中国人民解放军国防科学技术大学 | 综合颜色和局部不变特征匹配的动画场景自动标注方法 |
US9179043B2 (en) * | 2012-10-19 | 2015-11-03 | Xerox Corporation | Obtaining user preferences using categories of images |
CN104091353A (zh) * | 2014-06-20 | 2014-10-08 | 浙江大学 | 一种图像颜色标签的提取方法 |
CN107871129B (zh) * | 2016-09-27 | 2019-05-10 | 北京百度网讯科技有限公司 | 用于处理点云数据的方法和装置 |
US10217243B2 (en) * | 2016-12-20 | 2019-02-26 | Canon Kabushiki Kaisha | Method, system and apparatus for modifying a scene model |
US10049297B1 (en) * | 2017-03-20 | 2018-08-14 | Beihang University | Data driven method for transferring indoor scene layout and color style |
CN107194348A (zh) * | 2017-05-19 | 2017-09-22 | 北京云识图信息技术有限公司 | 一种图像中目标物体的主颜色识别方法 |
CN108509891A (zh) * | 2018-03-27 | 2018-09-07 | 斑马网络技术有限公司 | 图像标注方法、装置、存储介质及电子设备 |
CN108875619B (zh) * | 2018-06-08 | 2021-09-07 | Oppo广东移动通信有限公司 | 视频处理方法和装置、电子设备、计算机可读存储介质 |
-
2020
- 2020-02-28 CN CN202010131364.9A patent/CN111353536B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107393017A (zh) * | 2017-08-11 | 2017-11-24 | 北京铂石空间科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111353536A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476309B (zh) | 图像处理方法、模型训练方法、装置、设备及可读介质 | |
CN111340131B (zh) | 图像的标注方法、装置、可读介质和电子设备 | |
CN112184738B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
KR102002024B1 (ko) | 객체 라벨링 처리 방법 및 객체 관리 서버 | |
CN111314614B (zh) | 图像的处理方法、装置、可读介质和电子设备 | |
CN112364829B (zh) | 一种人脸识别方法、装置、设备及存储介质 | |
CN111080595A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN112766284B (zh) | 图像识别方法和装置、存储介质和电子设备 | |
CN109816023B (zh) | 用于生成图片标签模型的方法和装置 | |
CN113610034B (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
CN115294501A (zh) | 视频识别方法、视频识别模型训练方法、介质及电子设备 | |
CN111353536B (zh) | 图像的标注方法、装置、可读介质和电子设备 | |
CN111797266B (zh) | 图像处理方法和装置、存储介质和电子设备 | |
CN112949430A (zh) | 视频处理方法和装置、存储介质和电子设备 | |
CN110674813B (zh) | 汉字识别方法、装置、计算机可读介质及电子设备 | |
WO2023130925A1 (zh) | 字体识别方法、装置、可读介质及电子设备 | |
CN113222050B (zh) | 图像分类方法、装置、可读介质及电子设备 | |
CN115115836B (zh) | 图像识别方法、装置、存储介质以及电子设备 | |
CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN112801997B (zh) | 图像增强质量评估方法、装置、电子设备及存储介质 | |
CN114399696A (zh) | 一种目标检测方法、装置、存储介质及电子设备 | |
CN114612909A (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN114187557A (zh) | 确定关键帧的方法、装置、可读介质及电子设备 |
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 |