CN111784710B - 图像处理方法、装置、电子设备和介质 - Google Patents
图像处理方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN111784710B CN111784710B CN202010648627.3A CN202010648627A CN111784710B CN 111784710 B CN111784710 B CN 111784710B CN 202010648627 A CN202010648627 A CN 202010648627A CN 111784710 B CN111784710 B CN 111784710B
- Authority
- CN
- China
- Prior art keywords
- image
- circumscribed rectangle
- rectangle
- area
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000003709 image segmentation Methods 0.000 claims abstract description 17
- 239000003086 colorant Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003711 image thresholding Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了图像处理方法、装置、电子设备和介质。该方法的一具体实施方式包括：对待处理图像根据像素颜色值进行图像分割，生成至少一个分割区域；生成每个分割区域的外接矩形，得到至少一个分割区域外接矩形；确定待处理图像中显示的对象的轮廓区域的轮廓区域外接矩形；对至少一个分割区域外接矩形和轮廓区域外接矩形进行图像分类，生成类别信息集合。该实施方式利用图像中显示的对象的外接矩形来实现外接矩形所围绕的图像的分类。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及图像处理方法、装置、电子设备和介质。
背景技术
图象处理技术是利用计算机、摄像机及其他数字处理技术对图像施加某种运算和处理，以提取图像中的各种信息的技术。图像分类是图象处理技术中的一种，图像分类技术可以根据在图像中所反映的不同特征，把不同类别的目标区分开来。存在着利用图像中显示的对象的外接矩形来进行对象分类的需求。
发明内容
本公开的内容部分用于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。本公开的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。
本公开的一些实施例提出了图像处理方法、装置、电子设备和介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种图像处理方法，包括：对待处理图像根据像素颜色值进行图像分割，生成至少一个分割区域；生成每个分割区域的外接矩形，得到至少一个分割区域外接矩形；确定待处理图像中显示的对象的轮廓区域的轮廓区域外接矩形；对至少一个分割区域外接矩形和轮廓区域外接矩形进行图像分类，生成类别信息集合。
第二方面，本公开的一些实施例提供了一种图像处理装置，包括：分割单元，被配置成对待处理图像根据像素颜色值进行图像分割，生成至少一个分割区域；生成单元，被配置成生成每个分割区域的外接矩形，得到至少一个分割区域外接矩形；确定单元，被配置成确定待处理图像中显示的对象的轮廓区域的轮廓区域外接矩形；分类单元，被配置成对至少一个分割区域外接矩形和轮廓区域外接矩形进行图像分类，生成类别信息集合。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：通过对待处理图像根据像素颜色值进行图像分割，生成至少一个分割区域，之后生成每个分割区域的外接矩形，得到至少一个分割区域外接矩形。由此得到第一种外接矩形，即分割区域外接矩形。然后，确定上述待处理图像中显示的对象的轮廓区域的轮廓区域外接矩形。由此，得到第二种外接矩形，即轮廓区域外接矩形。最后，对所得到的各个外接矩形进行图像分类，生成类别信息集合。由此，通过对不同的外接矩形的汇总，实现了对外接矩形所包括的图像的有效分类。
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。
图1是本公开的一些实施例的图像处理方法的一个应用场景的示意图；
图2是根据本公开的图像处理方法的一些实施例的流程图；
图3是根据本公开的图像处理方法的另一些实施例的流程图；
图4是根据本公开的图像处理装置的一些实施例的结构示意图；
图5是适于用来实现本公开的一些实施例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。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
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。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的一些实施例的图像处理方法的一个应用场景的示意图。
如图1所示，计算设备101可以获取待处理图像102。在这里，作为示例，待处理图像102包括了教具图103和教具图104。教具图103具有的一种像素颜色值在图1中用点表示。教具图104具有的另一种像素颜色值在图1中用网格线表示。由此，根据这两种不同的像素颜色值进行图像分割，可以得到与教具图103和教具图104对应的两个分割区域。之后，可以生成这两个分割区域的分割区域外接矩形，即分割区域外接矩形105和分割区域外接矩形106。
再后，计算设备101确定上述待处理图像102中的教具图103和教具图104的轮廓区域的轮廓区域外接矩形，即轮廓区域外接矩形107和轮廓区域外接矩形108。
最后，计算设备101对分割区域外接矩形105、分割区域外接矩形106、轮廓区域外接矩形107和轮廓区域外接矩形108进行图像分类，生成对应的类别信息集合109。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备101的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备101。
继续参考图2，示出了根据本公开的图像处理方法的一些实施例的流程200。该图像处理方法，包括以下步骤：
步骤201，对待处理图像根据像素颜色值进行图像分割，生成至少一个分割区域。
在一些实施例中，图像处理方法的执行主体(例如图1所示的计算设备)可以通过各种方式对待处理图像进行图像分割得到多个图像分割区域。
其中，待处理图像在这里可以是显示有目标对象的图像。上述目标对象包括但不限于以下至少一项：物品，例如教具；人。像素颜色值是待处理图像中的像素点的颜色值。例如，可以用“0(黑色)”，“1(白色)”来表示像素点的像素颜色值。还可以用三原色来表示像素点的像素颜色值。上述三原色是指色彩中不能再分解的三种基本颜色。例如，RGB(红色、绿色和蓝色，Red、Green、Blue)。
图像分割是将图像划分成多个区域的过程。可选地，可以对上述待处理图像进行图像阈值化分割。图像阈值化的目的可以是按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与景物相对应的区域。
可选地，还可以对待处理图像根据像素颜色值、按照预定语义颜色数目进行图像分割。其中，上述预定语义颜色数目是根据像素颜色值到语义颜色的映射关系的数目而确定的。例如，可以用“红色”，“绿色”，“蓝色”来表示三种类别的语义颜色。由于这里采用了三种类别，像素颜色值到语义颜色的映射关系的数目为3，语义颜色数目为3。作为示例，还可以将第一范围内的像素颜色值映射为“红色的语义颜色”，第二范围内的像素颜色值映射为“绿色的语义颜色”，第三范围内的像素颜色值映射为“蓝色的语义颜色”。第一范围、第二范围、第三范围可以是根据颜色的近似度来区分的，还可以是根据图中显示的不同对象来区分的。
步骤202，生成每个分割区域的外接矩形，得到至少一个分割区域外接矩形。
在一些实施例中，分割区域的外接矩形可以是包含了分割区域的矩形。可选的，上述外接矩形是分割区域的最小外接矩形。
在本实施例中，可以对上述每个分割区域，统计该分割区域内的像素点的坐标值(x,y)。分别确定该分割区域内的坐标x以及坐标y的最大值及最小值。之后，以上述x、y的最小值、最大值构成的坐标值为顶点，生成分割区域的外接矩形。作为示例，图像左上角的像素点的坐标值可以记为(0,0)。
在一些实施例的一些可选实现方式中，步骤202还可以如下进行：
第一步，对分割区域进行去除噪声处理，得到去除噪声后的分割区域。
可选的，可以选取中值滤波去除噪声的方式，去除分割区域的噪声点，得到去除噪声后的分割区域。
第二步，生成去除噪声后的分割区域的外接矩形。
可以利用去除噪声后的分割区域的像素点的坐标信息来获取分割区域的外接矩形。
步骤203，确定上述待处理图像中显示的对象的轮廓区域的轮廓区域外接矩形。
在一些实施例中，图像处理方法的执行主体可以采用各种轮廓检测算法提取待处理图像中显示的对象(例如教具)的轮廓。
作为示例，可以先对图片进行灰度处理，比如图像二值化。之后，通过轮廓检测算法，例如，二值图像轮廓提取算法，提取出轮廓信息。其中，二值图像轮廓提取算法，可以利用8邻域算法来提取出边界，并排除孤点，完成轮廓提取。
之后，可以用与步骤202类似的方式，确定所提取的轮廓的轮廓区域外接矩形。
步骤204，对上述至少一个分割区域外接矩形和轮廓区域外接矩形进行图像分类，生成类别信息集合。
在一些实施例中，可以将步骤202以及步骤203中待处理图像得到的上述两种外接矩形，映射到上述待处理图像上，得到带有矩形框的待处理图像。之后，可以采用各种图像分类算法，例如迁移学习算法，对带有矩形框的待处理图像进行图像分类，生成类别信息集合。
可选地，还可以将上述待处理图像输入到训练好的分类网络，对外接矩形内的图像区域进行分类。从而，得到矩形框内图像的类别信息和上述类别信息对应的分类概率。上述分类网络例如CNN(卷积神经网络，Convolutional Neural Networks)。
本公开的上述各个实施例中的一个实施例具有如下有益效果：通过对待处理图像根据像素颜色值进行图像分割，生成至少一个分割区域，之后生成每个分割区域的外接矩形，得到至少一个分割区域外接矩形。由此得到第一种外接矩形，即分割区域外接矩形。然后，通过传统的图像轮廓提取算法确定上述待处理图像中显示的对象的轮廓区域的轮廓区域外接矩形。由此，得到第二种外接矩形，即轮廓区域外接矩形。最后，对所得到的各个外接矩形进行图像分类，生成类别信息集合。由此，通过对不同的外接矩形的汇总，实现了对外接矩形所包括的图像的有效分类。
进一步参考图3，其示出了图像处理方法的另一些实施例的流程300。该图像处理方法的流程300，包括以下步骤：
步骤301，对待处理图像根据像素颜色值进行图像分割，生成至少一个分割区域。
步骤302，生成每个分割区域的外接矩形，得到至少一个分割区域外接矩形。
在一些实施例中，步骤301-302的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤201-202，在此不再赘述。
步骤303，确定上述待处理图像中显示的对象的轮廓区域的轮廓区域外接矩形。
在一些实施例中，图像处理方法的执行主体可以将待处理图像输入预先训练好的网络模型，输出待处理图像中显示的对象的轮廓区域。之后，生成上述轮廓区域的外接矩形。
步骤304，对于至少一个分割区域外接矩形和轮廓区域外接矩形中的每个外接矩形，采用分类网络对上述外接矩形进行图像分类，得到类别信息和类别信息对应的分类概率。
在一些实施例中，图像处理方法的执行主体可以利用分类网络例如CNN来实现图像分类。
步骤305，从符合预定条件的各个外接矩形对应的各个分类概率中选择出概率最大的分类概率对应的外接矩形，作为目标外接矩形。
其中，预定条件可以包括：各个外接矩形的重心距离小于等于预定值。
步骤306，将目标外接矩形的重心确定为与目标外接矩形对应的图案的位置。
在这里，在目标外接矩形围绕的图案是教具的情况下，上述目标外接矩形的重心就是教具图像的位置。
从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的图像处理方法的流程300突出了步骤305和步骤306。在步骤305中，通过限定条件，即各个外接矩形的重心距离小于等于预定值，选择出了某一对象的各个外接矩形。之后，从上述各个外接矩形对应的各个分类概率中选择出概率最大的分类概率对应的外接矩形作为目标外接矩形，再将目标外接矩形的重心确定为与目标外接矩形对应的图案的位置。由此，有助于更加准确地确定对象(例如教具)的类别和位置。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种图像处理装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的图像处理装置400包括：分割单元401、生成单元402、确定单元403和分类单元404。其中，分割单元，被配置成对待处理图像根据像素颜色值进行图像分割，生成至少一个分割区域；生成单元，被配置成生成每个分割区域的外接矩形，得到至少一个分割区域外接矩形；确定单元，被配置成确定上述待处理图像中显示的对象的轮廓区域的轮廓区域外接矩形；分类单元，被配置成对上述至少一个分割区域外接矩形和轮廓区域外接矩形进行图像分类，生成类别信息集合。
在一些实施例的可选实现方式中，上述图像处理装置400的分割单元401进一步被配置成：对待处理图像根据像素颜色值、按照预定语义颜色数目进行图像分割，其中，上述预定语义颜色数目是根据像素颜色值到语义颜色的映射关系的数目而确定的。
在一些实施例的可选实现方式中，上述图像处理装置400的生成单元402进一步被配置成：对上述分割区域进行去除噪声处理，得到去除噪声后的分割区域；生成上述去除噪声后的分割区域的外接矩形。
在一些实施例的可选实现方式中，上述图像处理装置400的确定单元403进一步被配置成：将上述待处理图像输入预先训练的卷积神经网络，输出上述待处理图像的轮廓区域；确定上述待处理图像的轮廓区域的外接矩形。
在一些实施例的可选实现方式中，上述图像处理装置400的分类单元404进一步被配置成：对于上述至少一个分割区域外接矩形和轮廓区域外接矩形中的每个外接矩形，采用分类网络对上述外接矩形进行图像分类，得到类别信息和所述类别信息对应的分类概率；从符合预定条件的各个外接矩形对应的各个分类概率中选择出概率最大的分类概率对应的外接矩形，作为目标外接矩形，其中，预定条件包括：各个外接矩形的重心距离小于等于预定值。
在一些实施例的可选实现方式中，上述图像处理装置400进一步被配置成：将上述目标外接矩形的重心确定为与上述目标外接矩形对应的图案的位置。
可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备)500的结构示意图。本公开的一些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5示出的电子设备仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：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506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，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，本公开的一些实施例包括一种计算机程序产品，其包括承载在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。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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，客户端、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：对待处理图像根据像素颜色值进行图像分割，生成至少一个分割区域；生成每个分割区域的外接矩形，得到至少一个分割区域外接矩形；确定上述待处理图像中显示的对象的轮廓区域的轮廓区域外接矩形；对上述至少一个分割区域外接矩形和轮廓区域外接矩形进行图像分类，生成类别信息集合。
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一些实施例的操作的计算机程序代码，所述程序设计语言包括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，图示了按照本申请各种实施例的***、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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括分割单元、生成单元、确定单元和分类单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，分割单元还可以被描述为“对待处理图像根据像素颜色值进行图像分割，生成至少一个分割区域的单元”。
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。
根据本公开的一个或多个实施例，提供了一种图像处理方法，包括：对待处理图像根据像素颜色值进行图像分割，生成至少一个分割区域；生成每个分割区域的外接矩形，得到至少一个分割区域外接矩形；确定所述待处理图像中显示的对象的轮廓区域的轮廓区域外接矩形；对所述至少一个分割区域外接矩形和轮廓区域外接矩形进行图像分类，生成类别信息集合。
根据本公开的一个或多个实施例，上述对待处理图像根据像素颜色值进行图像分割，包括：对待处理图像根据像素颜色值、按照预定语义颜色数目进行图像分割，其中，所述预定语义颜色数目是根据像素颜色值到语义颜色的映射关系的数目而确定的。
根据本公开的一个或多个实施例，所述生成每个分割区域的外接矩形，包括：对所述分割区域进行去除噪声处理，得到去除噪声后的分割区域；生成所述去除噪声后的分割区域的外接矩形。
根据本公开的一个或多个实施例，所述确定所述待处理图像中显示的对象的轮廓区域的轮廓区域外接矩形，包括：将所述待处理图像输入预先训练的卷积神经网络，输出所述待处理图像的轮廓区域；确定所述待处理图像的轮廓区域的外接矩形。
根据本公开的一个或多个实施例，所述对所述至少一个分割区域外接矩形和轮廓区域外接矩形进行图像分类，包括：对于所述至少一个分割区域外接矩形和轮廓区域外接矩形中的每个外接矩形，采用分类网络对所述外接矩形进行图像分类，得到类别信息和所述类别信息对应的分类概率；从符合预定条件的各个外接矩形对应的各个分类概率中选择出概率最大的分类概率对应的外接矩形，作为目标外接矩形，其中，预定条件包括：各个外接矩形的重心距离小于等于预定值。
根据本公开的一个或多个实施例，所述方法还包括：将所述目标外接矩形的重心确定为与所述目标外接矩形对应的图案的位置。
根据本公开的一个或多个实施例，提供了一种图像处理装置包括：分割单元，被配置成对待处理图像根据像素颜色值进行图像分割，生成至少一个分割区域；生成单元，被配置成生成每个分割区域的外接矩形，得到至少一个分割区域外接矩形；确定单元，被配置成确定所述待处理图像中显示的对象的轮廓区域的轮廓区域外接矩形；分类单元，被配置成对所述至少一个分割区域外接矩形和轮廓区域外接矩形进行图像分类，生成类别信息集合。
根据本公开的一个或多个实施例，分割单元进一步被配置成：对待处理图像根据像素颜色值、按照预定语义颜色数目进行图像分割，其中，所述预定语义颜色数目是根据像素颜色值到语义颜色的映射关系的数目而确定的。
根据本公开的一个或多个实施例，生成单元进一步被配置成：对所述分割区域进行去除噪声处理，得到去除噪声后的分割区域；生成所述去除噪声后的分割区域的外接矩形。
根据本公开的一个或多个实施例，确定单元进一步被配置成：将所述待处理图像输入预先训练的卷积神经网络，输出所述待处理图像的轮廓区域；确定所述待处理图像的轮廓区域的外接矩形。
根据本公开的一个或多个实施例，分类单元进一步被配置成：对于所述至少一个分割区域外接矩形和轮廓区域外接矩形中的每个外接矩形，采用分类网络对所述外接矩形进行图像分类，得到类别信息和所述类别信息对应的分类概率；从符合预定条件的各个外接矩形对应的各个分类概率中选择出概率最大的分类概率对应的外接矩形，作为目标外接矩形，其中，预定条件包括：各个外接矩形的重心距离小于等于预定值。
根据本公开的一个或多个实施例，上述图像处理装置进一步被配置成：将所述目标外接矩形的重心确定为与所述目标外接矩形对应的图案的位置。
根据本公开的一个或多个实施例，提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一所述的方法。
根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现上述任一的方法。
以上描述仅为本公开的一些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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的(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。
Claims (8)
1.一种图像处理方法，包括：
对待处理图像根据像素颜色值进行图像分割，生成至少一个分割区域；其中，所述待处理图像包括教具图；
生成每个分割区域的外接矩形，得到至少一个分割区域外接矩形；
确定所述待处理图像中显示的对象的轮廓区域的轮廓区域外接矩形；
对所述至少一个分割区域外接矩形和所述轮廓区域外接矩形进行汇总，得到外接矩形；以及
对所述外接矩形内的图像区域进行图像分类，生成所述图像区域内图像的类别信息集合；
其中，所述方法还包括：
对于所述至少一个分割区域外接矩形和轮廓区域外接矩形中的每个外接矩形，采用分类网络对所述外接矩形进行图像分类，得到类别信息和所述类别信息对应的分类概率；
从符合预定条件的各个外接矩形对应的各个分类概率中选择出概率最大的分类概率对应的外接矩形，作为目标外接矩形，其中，预定条件包括：各个外接矩形的重心距离小于等于预定值。
2.根据权利要求1所述的方法，其中，所述对待处理图像根据像素颜色值进行图像分割，包括：
对待处理图像根据像素颜色值、按照预定语义颜色数目进行图像分割，其中，所述预定语义颜色数目是根据像素颜色值到语义颜色的映射关系的数目而确定的。
3.根据权利要求1所述的方法，其中，所述生成每个分割区域的外接矩形，包括：
对所述分割区域进行去除噪声处理，得到去除噪声后的分割区域；
生成所述去除噪声后的分割区域的外接矩形。
4.根据权利要求1所述的方法，其中，所述确定所述待处理图像中显示的对象的轮廓区域的轮廓区域外接矩形，包括：
将所述待处理图像输入预先训练的卷积神经网络，输出所述待处理图像的轮廓区域；
确定所述待处理图像的轮廓区域的外接矩形。
5.根据权利要求4所述的方法，其中，所述方法还包括：
将所述目标外接矩形的重心确定为与所述目标外接矩形对应的图案的位置。
6.一种图像处理装置，包括：
分割单元，被配置成对待处理图像根据像素颜色值进行图像分割，生成至少一个分割区域；其中，所述待处理图像包括教具图；
生成单元，被配置成生成每个分割区域的外接矩形，得到至少一个分割区域外接矩形；
确定单元，被配置成确定所述待处理图像中显示的对象的轮廓区域的轮廓区域外接矩形；
分类单元，被配置成对所述至少一个分割区域外接矩形和所述轮廓区域外接矩形进行汇总，得到外接矩形；以及
对所述外接矩形内的图像区域进行图像分类，生成所述图像区域内图像的类别信息集合；
其中，所述分类单元，还被配置成对于所述至少一个分割区域外接矩形和轮廓区域外接矩形中的每个外接矩形，采用分类网络对所述外接矩形进行图像分类，得到类别信息和所述类别信息对应的分类概率；
从符合预定条件的各个外接矩形对应的各个分类概率中选择出概率最大的分类概率对应的外接矩形，作为目标外接矩形，其中，预定条件包括：各个外接矩形的重心距离小于等于预定值。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010648627.3A CN111784710B (zh) | 2020-07-07 | 2020-07-07 | 图像处理方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010648627.3A CN111784710B (zh) | 2020-07-07 | 2020-07-07 | 图像处理方法、装置、电子设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111784710A CN111784710A (zh) | 2020-10-16 |
| CN111784710B true CN111784710B (zh) | 2023-10-20 |
Family
ID=72758890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010648627.3A Active CN111784710B (zh) | 2020-07-07 | 2020-07-07 | 图像处理方法、装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111784710B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103377376A (zh) * | 2012-04-13 | 2013-10-30 | 阿里巴巴集团控股有限公司 | 图像分类的方法和***、图像检索的方法和*** |
| CN106802113A (zh) * | 2016-12-23 | 2017-06-06 | 西安交通大学 | 基于多弹孔模式识别算法的智能报靶***和方法 |
| CN107784301A (zh) * | 2016-08-31 | 2018-03-09 | 百度在线网络技术（北京）有限公司 | 用于识别图像中文字区域的方法和装置 |
| CN108710916A (zh) * | 2018-05-22 | 2018-10-26 | 重庆完美空间科技有限公司 | 图片分类的方法及装置 |
| CN109101897A (zh) * | 2018-07-20 | 2018-12-28 | 中国科学院自动化研究所 | 水下机器人的目标检测方法、***及相关设备 |
| CN109145746A (zh) * | 2018-07-20 | 2019-01-04 | 浙江浩腾电子科技股份有限公司 | 一种基于图像处理的信号灯检测方法 |
| CN109919149A (zh) * | 2019-01-18 | 2019-06-21 | 平安科技（深圳）有限公司 | 基于物体检测模型的物体标注方法及相关设备 |
| CN111314614A (zh) * | 2020-03-11 | 2020-06-19 | 北京字节跳动网络技术有限公司 | 图像的处理方法、装置、可读介质和电子设备 |
-
2020
- 2020-07-07 CN CN202010648627.3A patent/CN111784710B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103377376A (zh) * | 2012-04-13 | 2013-10-30 | 阿里巴巴集团控股有限公司 | 图像分类的方法和***、图像检索的方法和*** |
| CN107784301A (zh) * | 2016-08-31 | 2018-03-09 | 百度在线网络技术（北京）有限公司 | 用于识别图像中文字区域的方法和装置 |
| CN106802113A (zh) * | 2016-12-23 | 2017-06-06 | 西安交通大学 | 基于多弹孔模式识别算法的智能报靶***和方法 |
| CN108710916A (zh) * | 2018-05-22 | 2018-10-26 | 重庆完美空间科技有限公司 | 图片分类的方法及装置 |
| CN109101897A (zh) * | 2018-07-20 | 2018-12-28 | 中国科学院自动化研究所 | 水下机器人的目标检测方法、***及相关设备 |
| CN109145746A (zh) * | 2018-07-20 | 2019-01-04 | 浙江浩腾电子科技股份有限公司 | 一种基于图像处理的信号灯检测方法 |
| CN109919149A (zh) * | 2019-01-18 | 2019-06-21 | 平安科技（深圳）有限公司 | 基于物体检测模型的物体标注方法及相关设备 |
| CN111314614A (zh) * | 2020-03-11 | 2020-06-19 | 北京字节跳动网络技术有限公司 | 图像的处理方法、装置、可读介质和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111784710A (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111369427B (zh) | 图像处理方法、装置、可读介质和电子设备 | |
| CN111783777B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
| CN111414879A (zh) | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 | |
| CN110288625B (zh) | 用于处理图像的方法和装置 | |
| CN114494298A (zh) | 对象分割方法、装置、设备及存储介质 | |
| CN112418232B (zh) | 图像分割方法、装置、可读介质及电子设备 | |
| CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
| CN114399814B (zh) | 一种基于深度学习的遮挡物移除和三维重建方法 | |
| CN112085733B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
| CN113658196A (zh) | 红外图像中船舶的检测方法、装置、电子设备和介质 | |
| CN111783889B (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
| CN112101258A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
| CN111784709B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
| CN113435393B (zh) | 森林火灾烟雾根节点检测方法、装置和设备 | |
| CN115100536B (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
| CN111784710B (zh) | 图像处理方法、装置、电子设备和介质 | |
| CN110852242A (zh) | 基于多尺度网络的水印识别方法、装置、设备及存储介质 | |
| WO2022052889A1 (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
| CN114862720A (zh) | 画布还原方法、装置、电子设备和计算机可读介质 | |
| CN112085035A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
| CN114120423A (zh) | 人脸图像检测方法、装置、电子设备和计算机可读介质 | |
| CN110991312A (zh) | 生成检测信息的方法、装置、电子设备和介质 | |
| CN114359673B (zh) | 基于度量学习的小样本烟雾检测方法、装置和设备 | |
| CN113239943B (zh) | 基于部件语义图的三维部件提取组合方法和装置 | |
| CN111814807B (zh) | 用于处理图像的方法、装置、电子设备和计算机可读介质 |
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 | ||
| CB02 | Change of applicant information |
Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant after: Tiktok vision (Beijing) Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant after: Douyin Vision Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant before: Tiktok vision (Beijing) Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |