CN112418249A - 掩膜图像生成方法、装置、电子设备和计算机可读介质 - Google Patents
掩膜图像生成方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112418249A CN112418249A CN202011299864.XA CN202011299864A CN112418249A CN 112418249 A CN112418249 A CN 112418249A CN 202011299864 A CN202011299864 A CN 202011299864A CN 112418249 A CN112418249 A CN 112418249A
- Authority
- CN
- China
- Prior art keywords
- image
- damaged
- edge
- feature
- mask
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 53
- 230000001131 transforming effect Effects 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4084—Scaling of whole images or parts thereof, e.g. expanding or contracting in the transform domain, e.g. fast Fourier transform [FFT] domain scaling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开的实施例公开了掩膜图像生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:提取破损图像中的边缘信息,得到破损图像的边缘图像;基于破损图像和边缘图像,对破损图像进行特征提取,得到破损图像的特征图像;将边缘图像进行变换,得到与特征图像尺寸匹配的缩小边缘图像;基于特征图像与缩小边缘图像,生成破损图像中破损区域的掩膜图像。该实施方式提供了一种生成破损图像中破损区域的掩膜图像的方法。该掩膜图像可以将破损区域定位出来,为后续修复破损图像中破损区域提供了基础。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及掩膜图像生成方法、装置、电子设备和计算机可读介质。
背景技术
随着互联网的发展和以深度学习为核心的人工智能技术的普及,计算机视觉等技术已经应用到人们生活的各个领域。图像修复技术成是计算机视觉领域研究的一项重要的研究内容。图像修复技术通过对破损区域进行修复,得到修复后的图像。但是,图像修复技术无法直接从破损图像中确定需修复的破损图像中的破损区域,为了能够完成对破损图像的修复,存在着事先确定破损图像中破损区域的需要。
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掩膜图像生成方法、装置、电子设备和计算机可读介质,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掩膜图像生成方法,该方法包括:提取破损图像中的边缘信息,得到破损图像的边缘图像;基于破损图像和边缘图像,对破损图像进行特征提取,得到破损图像的特征图像;将边缘图像进行变换,得到与特征图像尺寸匹配的缩小边缘图像;基于特征图像与缩小边缘图像,生成破损图像中破损区域的掩膜图像。
第二方面,本公开的一些实施例提供了一种掩膜图像生成装置,装置包括:边缘提取单元,被配置成提取破损图像中的边缘信息,得到破损图像的边缘图像;特征提取单元,被配置成基于破损图像和边缘图像,对破损图像进行特征提取,得到破损图像的特征图像;变换单元,被配置成将边缘图像进行变换,得到与特征图像尺寸匹配的缩小边缘图像;生成单元,被配置成基于特征图像与缩小边缘图像,生成破损图像中破损区域的掩膜图像。
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的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的掩膜图像生成方法通过生成破损区域的掩膜图像,确定了破损图像中的破损区域。该掩膜图像可以确定到破损图像中的破损区域,为后续进行图像修复提供了基础。方便了后续的图像修复。具体来说,发明人发现,造成相关技术不能确定破损图像中破损区域的原因在于:相关技术并没有提供确定破损图像中破损区域的方法。基于此,本公开的一些实施例的掩膜图像生成方法通过提取破损图像中大量的边缘信息,得到像素之间的关联性。进而得到破损图像的主体信息,从而可以确定破损图像中的破损区域。进一步,生成破损图像中破损区域的掩膜图像。在此基础上,上述破损区域的掩膜图像确定了破损图像中的破损区域。因此,可以利用破损图像中的边缘信息,得到像素之间的关联性。利用像素之间的关联性生成破损图像中破损区域的掩膜图像。进而,确定破损图像中的破损区域。为后对破损图像中破损区域进行修复提供了基础。
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是根据本公开的一些实施例的掩膜图像生成方法的一个应用场景的示意图;
图2是根据本公开的掩膜图像生成方法的一些实施例的流程图;
图3是根据本公开的掩膜图像生成方法的另一些实施例的流程图;
图4是根据本公开的掩膜图像生成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是根据本公开一些实施例的掩膜图像生成方法的一个应用场景的示意图100。
如图1所示,计算设备101提取破损图像102的边缘信息,得到边缘图像103。作为示例,计算设备101可以利用Sobel边缘检测算法提取破损图像中的边缘信息。之后,结合破损图像102和边缘图像103,进一步对破损图像进行特征提取,得到特征图像104。作为示例,可以先将表示破损图像102的R、G、B三个颜色通道的矩阵和表示边缘图像103的单通道矩阵进行通道的拼接,得到拼接图像。之后,利用特征提取算法对上述拼接图像进一步进行特征提取。作为示例,上述特特征提取算法可以是LBP(Local Binary Pattern,局部二值模式)算法。再之后,计算设备101对边缘图像103进行变换,得到与特征图像104尺寸匹配的缩小边缘图像105。最后,计算设备101基于特征图像104与缩小边缘图像105,生成破损图像102中破损区域的掩膜图像106。作为示例,可以将特征图像104与缩小边缘图像105进行通道拼接。并利用拼接后的图像生成掩膜图像106。
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,可以安装在上述所列举的硬件设备中。其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。
继续参考图2,示出了根据本公开的掩膜图像生成方法的一些实施例的流程200。该掩膜图像生成方法,包括以下步骤:
步骤201,提取破损图像中的边缘信息,得到破损图像的边缘图像。
在一些实施例中,上述破损图像可以包含但不限于以下至少一项:包含有划痕区域或折痕区域的图像及包含有褪色区域的图像。上述破损图像可以通过扫描带有划痕或折痕或褪色的纸质图像得到。
在一些实施例中,掩膜图像生成方法的执行主体(例如图1所示的计算设备)可以通过各种边缘检测算法提取上述破损图像中的边缘信息,得到破损图像的边缘图像。作为示例,上述执行主体可以利用canny算子提取上述破损图像的边缘信息,也可以利用sobel算子提取上述破损图像的边缘信息。
步骤202,基于破损图像和边缘图像,对破损图像进行特征提取,得到破损图像的特征图像。
在一些实施例中,基于破损图像和边缘图像,上述执行主体可以通过各种方式来对上述破损图像进行特征提取,得到特征图像。作为示例,上述执行主体可以将上述破损图像进行灰度化处理,并利用图像归一化算法将灰度化后图像的像素点的像素值转化到0、1之间。之后,分别将归一化处理后的图像与边缘图像对应像素点的像素值进行相加,得到相加后图像。再之后,基于特征提取算法对相加后图像进行特征提取,得到破损图像的特征图像。作为示例,上述特征提取算法可以是SIFT(Scale-Invariant Feature Transform,尺度不变特征转换)特征提取算法。作为又一示例,上述特征提取算法可以是LBP(Local BinaryPattern,局部二值模式)特征提取算法。
步骤203,将边缘图像进行变换,得到与特征图像尺寸匹配的缩小边缘图像。
在一些实施例中,作为示例,上述执行主体可以将上述边缘图像输入卷积网络的下采样层,得到与特征图像尺寸匹配的缩小边缘图像。作为又一示例,上述执行主体可以基于等间隔采样对图像进行变换,得到与特征图像尺寸匹配的缩小边缘图像。
步骤204,基于特征图像与缩小边缘图像,生成破损图像中破损区域的掩膜图像。
在一些实施例中,上述方法的执行主体基于特征图像与缩小边缘图像,生成破损图像中破损区域的掩膜图像。其中,上述掩膜图像通过将目标区域与背景区域设为不同的像素值,将目标区域划分出来。例如,上述破损图像的掩膜图像可以是破损区域中像素点的像素值设为1,其他像素点的像素值设为0的图像。
在一些实施例中,作为示例,上述执行主体可以将上述特征图像灰度化处理。之后,将灰度化的特征图像与上述缩小边缘图像进行融合。作为示例,可以将灰度化的特征图像与上述缩小边缘图像对应像素点的像素值进行相加。作为又一示例,也可以将灰度化的特征图像与上述缩小边缘图像进行通道合并。最后,基于融合后的图像生成掩膜图像。作为示例,将融合后的图像输入到解码网络,例如GAN网络的生成器网络。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的掩膜图像生成方法通过生成破损区域的掩膜图像,确定了破损图像中的破损区域。该掩膜图像可以确定到破损图像中的破损区域,为后续进行图像修复提供了基础。方便了后续的图像修复。具体来说,发明人发现,造成相关技术不能确定破损图像中破损区域的原因在于:相关技术并没有提供确定破损图像中破损区域的方法。基于此,本公开的一些实施例的掩膜图像生成方法通过提取破损图像中大量的边缘信息,得到像素之间的关联性。进而得到破损图像的主体信息,从而可以确定破损图像中的破损区域。进一步,生成破损图像中破损区域的掩膜图像。在此基础上,上述破损区域的掩膜图像确定了破损图像中的破损区域。因此,可以利用破损图像中的边缘信息,得到像素之间的关联性。利用像素之间的关联性生成破损图像中破损区域的掩膜图像。进而,确定破损图像中的破损区域。为后对破损图像中破损区域进行修复提供了基础
进一步参考图3,其示出了掩膜图像生成方法的另一些实施例的流程300。该掩膜图像生成方法的流程300,包括以下步骤:
步骤301,提取破损图像中的边缘信息,得到破损图像的边缘图像。
步骤302,将破损图像和边缘图像输入到预训练的掩膜生成模型中的特征提取网络,得到破损图像的特征图像。
在一些实施例中,上述掩膜生成模型包括特征提取网络和图像生成网络。作为示例,上述掩膜生成模型可以是Unet网络、FCN网络。
在一些实施例中,上述执行主体将破损图像和边缘图像输入到预训练的掩膜生成模型中的特征提取网络,得到破损图像的特征图像。作为示例,上述执行主体通过特征提取网络对上述破损图像和边缘图像进行卷积操作和下采样操作得到破损图像的特征图像。
该过程通过输入破损图像的边缘信息可以为特征提取网络提供更丰富的纹理信息,进而得到破损图像的主体信息。同时也能使特征提取网络提取到像素之间的关联性信息。
步骤303,将边缘图像进行变换,得到与特征图像尺寸匹配的缩小边缘图像。
在一些实施例中,步骤301、303的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201、203,在此不再赘述。
步骤304,将特征图像与缩小边缘图像输入至预训练的掩膜生成模型中的图像生成网络,得到破损图像中破损区域的掩膜图像。
在一些实施例的一些可选的实现方式中,上述图像生成网络包括卷积层和上采样层,以及步骤304可以通过以下步骤实现:
步骤3041,将特征图像与缩小边缘图像输入卷积层,得到第一类型特征图像。
步骤3042,将第一类型特征图像输入至少一个上采样层,得到掩膜图像。
可选的,将第一类型特征图像输入至少一个上采样层,包括:对于至少一个上采样层中的每个上采样层,将上采样之前的网络输出的第一类型特征图像与上采样层对应的边缘图像输入上采样层,得到第二类型特征图像,其中,上采样层对应的边缘图像通过将边缘图像变换至上采样层的输入尺寸得到。
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掩膜图像生成方法的流程300突出了利用预训练的掩膜生成模型生成掩膜图像的过程。该过程首先利用掩膜生成模型的特征提取网络提取图像特征,得到特征图像。之后,将特征图像与缩小边缘图像的特征信息输入到图像生成网络,生成破损区域的掩膜图像。通过向图像生成网络输入缩小边缘图像,为图像生成网络提供了破损图像中破损区域的更丰富的内容信息。方便图像生成网络提取到破损图像像素之间的关联性,及能够沿着边缘信息生成破损区域的掩膜图像。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种掩膜图像生成装置的一些实施例,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,一些实施例的掩膜图像生成装置400包括:边缘提取单元401、特征提取单元402、变换单元403和生成单元404。其中,边缘提取单元401,被配置成提取破损图像中的边缘信息,得到破损图像的边缘图像;特征提取单元402,被配置成基于破损图像和边缘图像,对破损图像进行特征提取,得到破损图像的特征图像;变换单元403,被配置成将边缘图像进行变换,得到与特征图像尺寸匹配的缩小边缘图像;生成单元404,被配置成基于特征图像与缩小边缘图像,生成破损图像中破损区域的掩膜图像。
在一些实施例的可选实现方式中,掩膜图像生成装置400的特征提取单元402进一步被配置成:将破损图像和边缘图像输入到预训练的掩膜生成模型中的特征提取网络,得到破损图像的特征图像,其中,掩膜生成模型包括特征提取网络和图像生成网络。
在一些实施例的可选实现方式中,掩膜图像生成装置400的生成单元404进一步被配置成:将特征图像与缩小边缘图像输入至预训练的掩膜生成模型中的图像生成网络,得到破损图像中破损区域的掩膜图像。
在一些实施例的可选实现方式中,掩膜图像生成装置400的图像生成网络包括卷积层和上采样层;以及生成单元404进一步被配置成:将特征图像与缩小边缘图像输入卷积层,得到第一类型特征图像;将第一类型特征图像输入至少一个上采样层,得到掩膜图像。
在一些实施例的可选实现方式中,掩膜图像生成装置400的生成单元404进一步被配置成:对于至少一个上采样层中的每个上采样层,将上采样之前的网络输出的第一类型特征图像与上采样层对应的边缘图像输入上采样层,得到第二类型特征图像,其中,上采样层对应的边缘图像通过将所述边缘图像变换至所述上采样层的输入尺寸得到。
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计算设备中所包含的;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:提取破损图像中的边缘信息,得到破损图像的边缘图像;基于破损图像和边缘图像,对破损图像进行特征提取,得到破损图像的特征图像;将边缘图像进行变换,得到与特征图像尺寸匹配的缩小边缘图像;基于特征图像与缩小边缘图像,生成破损图像中破损区域的掩膜图像。
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,上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。
描述于本公开的一些实施例中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:一种处理器包括边缘提取单元、特征提取单元、变换单元和生成单元。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,边缘提取单元还可以被描述为“提取破损图像中的边缘信息,得到破损图像的边缘图像的单元”。
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,提供了一种掩膜图像生成方法,包括:提取破损图像中的边缘信息,得到破损图像的边缘图像;基于破损图像和边缘图像,对破损图像进行特征提取,得到破损图像的特征图像;将边缘图像进行变换,得到与特征图像尺寸匹配的缩小边缘图像;基于特征图像与缩小边缘图像,生成破损图像中破损区域的掩膜图像。
根据本公开的一个或多个实施例,上述基于破损图像和边缘图像,对破损图像进行特征提取,得到破损图像的特征图像,包括:将破损图像和边缘图像输入到预训练的掩膜生成模型中的特征提取网络,得到破损图像的特征图像,其中,掩膜生成模型包括特征提取网络和图像生成网络。
根据本公开的一个或多个实施例,上述基于特征图像与缩小边缘图像,生成破损图像中破损区域的掩膜图像,包括:将特征图像与缩小边缘图像输入至预训练的掩膜生成模型中的图像生成网络,得到破损图像中破损区域的掩膜图像。
根据本公开的一个或多个实施例,上述图像生成网络包括卷积层和上采样层;以及将特征图像与缩小边缘图像输入至预训练的掩膜生成模型中的图像生成网络,得到破损图像中破损区域的掩膜图像,包括:将特征图像与缩小边缘图像输入卷积层,得到第一类型特征图像;将第一类型特征图像输入至少一个上采样层,得到掩膜图像。
根据本公开的一个或多个实施例,上述将第一类型特征图像输入至少一个上采样层,包括:对于至少一个上采样层中的每个上采样层,将上采样之前的网络输出的第一类型特征图像与上采样层对应的边缘图像输入上采样层,得到第二类型特征图像,其中,上采样层对应的边缘图像通过将边缘图像变换至上采样层的输入尺寸得到。
根据本公开的一个或多个实施例,提供了一种掩膜图像生成装置,包括:边缘提取单元,被配置成提取破损图像中的边缘信息,得到破损图像的边缘图像;特征提取单元,被配置成基于破损图像和边缘图像,对破损图像进行特征提取,得到破损图像的特征图像;变换单元,被配置成将边缘图像进行变换,得到与特征图像尺寸匹配的缩小边缘图像;生成单元,被配置成基于特征图像与缩小边缘图像,生成破损图像中破损区域的掩膜图像。
根据本公开的一个或多个实施例,掩膜图像生成装置的特征提取单元进一步被配置成:将破损图像和边缘图像输入到预训练的掩膜生成模型中的特征提取网络,得到破损图像的特征图像,其中,掩膜生成模型包括特征提取网络和图像生成网络。
根据本公开的一个或多个实施例,掩膜图像生成装置的生成单元进一步被配置成:将特征图像与缩小边缘图像输入至预训练的掩膜生成模型中的图像生成网络,得到破损图像中破损区域的掩膜图像。
根据本公开的一个或多个实施例,掩膜图像生成装置的图像生成网络包括卷积层和上采样层;以及生成单元进一步被配置成:将特征图像与缩小边缘图像输入卷积层,得到第一类型特征图像;将第一类型特征图像输入至少一个上采样层,得到掩膜图像。
根据本公开的一个或多个实施例,掩膜图像生成装置的:生成单元进一步被配置成:对于至少一个上采样层中的每个上采样层,将上采样之前的网络输出的第一类型特征图像与上采样层对应的边缘图像输入上采样层,得到第二类型特征图像,其中,上采样层对应的边缘图像通过将边缘图像变换至上采样层的输入尺寸得到。
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,当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现任一上述的方法。
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,上述程序被处理器执行时实现任一上述的方法。
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 (12)
1.一种掩膜图像生成方法,包括:
提取破损图像中的边缘信息,得到所述破损图像的边缘图像;
基于所述破损图像和所述边缘图像,对所述破损图像进行特征提取,得到所述破损图像的特征图像;
将所述边缘图像进行变换,得到与所述特征图像尺寸匹配的缩小边缘图像;
基于所述特征图像与所述缩小边缘图像,生成所述破损图像中破损区域的掩膜图像。
2.根据权利要求1所述的方法,其中,所述基于所述破损图像和所述边缘图像,对所述破损图像进行特征提取,得到所述破损图像的特征图像,包括:
将所述破损图像和所述边缘图像输入到预训练的掩膜生成模型中的特征提取网络,得到所述破损图像的特征图像,其中,所述掩膜生成模型包括所述特征提取网络和图像生成网络。
3.根据权利要求2所述的方法,其中,所述基于所述特征图像与所述缩小边缘图像,生成所述破损图像中破损区域的掩膜图像,包括:
将所述特征图像与所述缩小边缘图像输入至所述预训练的掩膜生成模型中的所述图像生成网络,得到所述破损图像中破损区域的掩膜图像。
4.根据权利要求3所述的方法,其中,所述图像生成网络包括卷积层和至少一个上采样层;以及
所述将所述特征图像与所述缩小边缘图像输入至所述预训练的掩膜生成模型中的所述图像生成网络,得到所述破损图像中破损区域的掩膜图像,包括:
将所述特征图像与所述缩小边缘图像输入所述卷积层,得到第一类型特征图像;
将所述第一类型特征图像输入所述至少一个上采样层,得到所述掩膜图像。
5.根据权利要求4所述的方法,其中,所述将所述第一类型特征图像输入所述至少一个上采样层,包括:
对于所述至少一个上采样层中的每个上采样层,将所述上采样之前的网络输出的第一类型特征图像与所述上采样层对应的边缘图像输入所述上采样层,得到第二类型特征图像,其中,所述上采样层对应的边缘图像通过将所述边缘图像变换至所述上采样层的输入尺寸得到。
6.一种掩膜图像生成装置,包括:
边缘提取单元,被配置成提取破损图像中的边缘信息,得到所述破损图像的边缘图像;
特征提取单元,被配置成基于所述破损图像和所述边缘图像,对所述破损图像进行特征提取,得到所述破损图像的特征图像;
变换单元,被配置成将所述边缘图像进行变换,得到与所述特征图像尺寸匹配的缩小边缘图像;
生成单元,被配置成基于所述特征图像与所述缩小边缘图像,生成所述破损图像中破损区域的掩膜图像。
7.根据权利要求6所述的装置,其中,所述特征提取单元进一步被配置成:
将所述破损图像和所述边缘图像输入到预训练的掩膜生成模型中的特征提取网络,得到所述破损图像的特征图像,其中,所述掩膜生成模型包括特征提取网络和图像生成网络。
8.根据权利要求7所述的装置,其中,所述生成单元进一步被配置成:
将所述特征图像与所述缩小边缘图像输入至所述预训练的掩膜生成模型中的所述图像生成网络,得到所述破损图像中破损区域的掩膜图像。
9.根据权利要求8所述的装置,其中,所述图像生成网络包括卷积层和上采样层;以及
所述生成单元进一步被配置成:
将所述特征图像与所述缩小边缘图像输入所述卷积层,得到第一类型特征图像;
将所述第一类型特征图像输入所述至少一个上采样层,得到所述掩膜图像。
10.根据权利要求9所述的装置,其中,所述生成单元进一步被配置成:
对于所述至少一个上采样层中的每个上采样层,将所述上采样之前的网络输出的第一类型特征图像与所述上采样层对应的边缘图像输入所述上采样层,得到第二类型特征图像,其中,所述上采样层对应的边缘图像通过将所述边缘图像变换至所述上采样层的输入尺寸得到。
11.一种电子设备,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。
12.一种计算机可读介质,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 |
---|---|---|---|
CN202011299864.XA CN112418249A (zh) | 2020-11-18 | 2020-11-18 | 掩膜图像生成方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299864.XA CN112418249A (zh) | 2020-11-18 | 2020-11-18 | 掩膜图像生成方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112418249A true CN112418249A (zh) | 2021-02-26 |
Family
ID=74773474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011299864.XA Pending CN112418249A (zh) | 2020-11-18 | 2020-11-18 | 掩膜图像生成方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418249A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744199A (zh) * | 2021-08-10 | 2021-12-03 | 南方科技大学 | 图像的破损检测方法、电子设备及存储介质 |
CN115115537A (zh) * | 2022-05-13 | 2022-09-27 | 大连理工大学 | 一种基于掩码训练的图像修复方法 |
CN116152250A (zh) * | 2023-04-20 | 2023-05-23 | 广州思德医疗科技有限公司 | 病灶掩膜图像生成方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1153534A (ja) * | 1997-07-31 | 1999-02-26 | Sony Corp | 画像の修復方法及び装置 |
KR20030084591A (ko) * | 2002-04-25 | 2003-11-01 | 마이크로소프트 코포레이션 | 세그먼트된 계층화 이미지 시스템 |
CN102509319A (zh) * | 2011-10-20 | 2012-06-20 | 西北民族大学 | 结合破损块形状和邻域分类的唐卡图像修复方法 |
CN108537292A (zh) * | 2018-04-10 | 2018-09-14 | 上海白泽网络科技有限公司 | 语义分割网络训练方法、图像语义分割方法及装置 |
CN111353965A (zh) * | 2020-02-28 | 2020-06-30 | Oppo广东移动通信有限公司 | 图像修复方法、装置、终端及存储介质 |
CN111861901A (zh) * | 2020-06-05 | 2020-10-30 | 西安工程大学 | 一种基于gan网络的边缘生成图像修复方法 |
CN112418054A (zh) * | 2020-11-18 | 2021-02-26 | 北京字跳网络技术有限公司 | 图像处理方法、装置、电子设备和计算机可读介质 |
-
2020
- 2020-11-18 CN CN202011299864.XA patent/CN112418249A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1153534A (ja) * | 1997-07-31 | 1999-02-26 | Sony Corp | 画像の修復方法及び装置 |
KR20030084591A (ko) * | 2002-04-25 | 2003-11-01 | 마이크로소프트 코포레이션 | 세그먼트된 계층화 이미지 시스템 |
CN102509319A (zh) * | 2011-10-20 | 2012-06-20 | 西北民族大学 | 结合破损块形状和邻域分类的唐卡图像修复方法 |
CN108537292A (zh) * | 2018-04-10 | 2018-09-14 | 上海白泽网络科技有限公司 | 语义分割网络训练方法、图像语义分割方法及装置 |
CN111353965A (zh) * | 2020-02-28 | 2020-06-30 | Oppo广东移动通信有限公司 | 图像修复方法、装置、终端及存储介质 |
CN111861901A (zh) * | 2020-06-05 | 2020-10-30 | 西安工程大学 | 一种基于gan网络的边缘生成图像修复方法 |
CN112418054A (zh) * | 2020-11-18 | 2021-02-26 | 北京字跳网络技术有限公司 | 图像处理方法、装置、电子设备和计算机可读介质 |
Non-Patent Citations (2)
Title |
---|
MANYU ZHU,等: "Image Inpainting by End-to-End Cascaded Refinement With Mask Awareness", 《IEEE TRANSACTIONS ON IMAGE PROCESSING, 》, vol. 30, pages 4855 - 4866, XP011853534, DOI: 10.1109/TIP.2021.3076310 * |
李良福,等: "基于渐进式特征推理的裂缝图像修复方法研究", 《光电子激光》, vol. 33, no. 4, pages 393 - 402 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744199A (zh) * | 2021-08-10 | 2021-12-03 | 南方科技大学 | 图像的破损检测方法、电子设备及存储介质 |
CN113744199B (zh) * | 2021-08-10 | 2023-09-26 | 南方科技大学 | 图像的破损检测方法、电子设备及存储介质 |
CN115115537A (zh) * | 2022-05-13 | 2022-09-27 | 大连理工大学 | 一种基于掩码训练的图像修复方法 |
CN115115537B (zh) * | 2022-05-13 | 2024-05-28 | 大连理工大学 | 一种基于掩码训练的图像修复方法 |
CN116152250A (zh) * | 2023-04-20 | 2023-05-23 | 广州思德医疗科技有限公司 | 病灶掩膜图像生成方法及装置 |
CN116152250B (zh) * | 2023-04-20 | 2023-09-08 | 广州思德医疗科技有限公司 | 病灶掩膜图像生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
CN111915480B (zh) | 生成特征提取网络的方法、装置、设备和计算机可读介质 | |
CN111459364B (zh) | 图标更新方法、装置和电子设备 | |
CN112381717A (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
WO2023179310A1 (zh) | 图像修复方法、装置、设备、介质及产品 | |
CN112598673A (zh) | 全景分割方法、装置、电子设备和计算机可读介质 | |
CN111311609B (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN111461965B (zh) | 图片处理方法、装置、电子设备和计算机可读介质 | |
CN112418054A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN112764629B (zh) | 增强现实界面展示方法、装置、设备和计算机可读介质 | |
CN112070888B (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
CN112488947A (zh) | 模型训练和图像处理方法、装置、设备和计算机可读介质 | |
CN112418233A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN112241744A (zh) | 图像颜色迁移方法、装置、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 | |
CN112233207A (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN112215789B (zh) | 图像去雾方法、装置、设备和计算机可读介质 | |
CN112215774B (zh) | 模型训练和图像去雾方法、装置、设备和计算机可读介质 | |
CN111738899B (zh) | 用于生成水印的方法、装置、设备和计算机可读介质 | |
CN116974684B (zh) | 地图页面布局方法、装置、电子设备与计算机可读介质 | |
CN111797932B (zh) | 图像分类方法、装置、设备和计算机可读介质 | |
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 | |
CN111968028A (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
CN112070701A (zh) | 图像生成方法、装置、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 |