CN112884787B - 图像剪裁方法、装置、可读介质及电子设备 - Google Patents
图像剪裁方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN112884787B CN112884787B CN202110118673.7A CN202110118673A CN112884787B CN 112884787 B CN112884787 B CN 112884787B CN 202110118673 A CN202110118673 A CN 202110118673A CN 112884787 B CN112884787 B CN 112884787B
- Authority
- CN
- China
- Prior art keywords
- image
- candidate
- target
- nodes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 100
- 238000004891 communication Methods 0.000 claims abstract description 91
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010043417 Therapeutic response unexpected Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012546 transfer 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
- G06T7/12—Edge-based segmentation
-
- 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
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像剪裁方法、装置、可读介质及电子设备,包括:通过预先训练的物体检测模型,获取待剪裁图像中的各物体轮廓的外接检测框;将外接检测框作为连通图中的节点,并将各外接检测框之间的距离作为节点之间的边的权重,以构建与待剪裁图像中的物体所对应的连通图作为第一连通图,并根据第一连通图确定目标连通图;确定目标连通图的连通子图,并将包括目标节点的连通子图确定为候选子图;根据候选子图确定目标剪裁区域,并根据目标剪裁区域对待剪裁图像进行剪裁。这样,能够将图像中的物体构成的连通图来对图像进行裁剪,这样不仅能够清楚地表示出图像中各个物体之间的相互依赖关系,而且能够根据不同的剪裁需求进行相应的智能剪裁。
Description
技术领域
本公开涉及图像处理领域,具体地,涉及一种图像剪裁方法、装置、可读介质及电子设备。
背景技术
在图片智能裁剪中,人为剪裁不仅耗时而且效果会根据人为因素而不稳定,因此为了能够检测得到效果好的图片,我们通过会使用机器来进行剪裁,通常可以使用物体检测模型在图片中检测出尽可能多的物体,然后根据检测得到的物体进行裁剪。或者,也可以直接根据训练好的模型从图像中确定需要剪裁的区域。
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剪裁方法,所述方法包括:
通过预先训练的物体检测模型,获取所述待剪裁图像中的各物体轮廓的外接检测框,并确定所述外接检测框所属的物体类别;
将所述外接检测框作为连通图中的节点,并将各外接检测框之间的距离作为所述节点之间的边的权重,以构建与所述待剪裁图像中的物体所对应的连通图作为第一连通图,并根据所述第一连通图确定目标连通图;
确定所述目标连通图的连通子图,并将包括目标节点的连通子图确定为候选子图,所述候选子图为一个或多个,所述目标节点对应的所述外接检测框所属的物体类别为所述待剪裁图像中需要保留的目标物体类别;
根据所述候选子图确定目标剪裁区域,并根据所述目标剪裁区域对所述待剪裁图像进行剪裁。
第二方面,本公开提供一种图像剪裁装置,所述装置包括:
物体检测模块,用于通过预先训练的物体检测模型,获取所述待剪裁图像中的各物体轮廓的外接检测框,并确定所述外接检测框所属的物体类别;
处理模块,用于将所述外接检测框作为连通图中的节点,并将各外接检测框之间的距离作为所述节点之间的边的权重,以构建与所述待剪裁图像中的物体所对应的连通图作为第一连通图,并根据所述第一连通图确定目标连通图;
确定模块,用于确定所述目标连通图的连通子图,并将包括目标节点的连通子图确定为候选子图,所述候选子图为一个或多个,所述目标节点对应的所述外接检测框所属的物体类别为所述待剪裁图像中需要保留的目标物体类别;
剪裁模块,用于根据所述候选子图确定目标剪裁区域,并根据所述目标剪裁区域对所述待剪裁图像进行剪裁。
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第一方面中所述方法的步骤。
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,以实现第一方面中所述方法的步骤。
通过上述技术方案,能够将图像中的物体作为节点,并构建相应的连通图,从而根据该连通图来对图像进行裁剪,这样不仅能够清楚地表示出图像中各个物体之间的相互依赖关系,而且能够根据不同的剪裁需求进行相应的智能剪裁。
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是根据本公开一示例性实施例示出的一种图像剪裁方法的流程图。
图2是根据本公开又一示例性实施例示出的一种图像剪裁方法的流程图。
图3是根据本公开又一示例性实施例示出的一种图像剪裁方法的流程图。
图4是根据本公开又一示例性实施例示出的一种图像剪裁方法的流程图。
图5是根据本公开一示例性实施例示出的一种图像剪裁装置的结构框图。
图6示出了适于用来实现本公开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。
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是根据本公开一示例性实施例示出的一种图像剪裁方法的流程图。如图1所示,所述方法包括步骤101至步骤104。
在步骤101中,通过预先训练的物体检测模型,获取所述待剪裁图像中的各物体轮廓的外接检测框,并确定所述外接检测框所属的物体类别。
该物体检测模型可以是例如使用RetinaNet的深度学习模型,或者基于YOLO(YouOnly Look Once)的深度学习模型,通过大量训练数据预先训练得到。
待剪裁图像可以是一段视频中的部分采样视频帧,也可以是一篇文章中所包括的部分配图等,还可以是包括多张图片的一组图像中的任意一张。例如,在需要确定一段短视频的封面图像时,可以先从该短视频中的所有视频帧中确定出用作封面图像的一帧,并将该帧作为该待剪裁图像,继而便可以通过对该视频帧进行剪裁得到该短视频的封面图像。确定该待剪裁图像的方法在本公开中不进行限制。
该外接检测框也即能够将该物体轮廓完全包括在内的检测框,该外接检测框的形式可以为矩形检测框、圆形检测框、椭圆形检测框和其他多边形检测框等,该外接检测框可以是最小外接框,也可以不为最小外接框。
该外接检测框所属的物体类别也即该外接检测框所对应的物体的类别,例如,若该外接检测框是根据一段文字的轮廓所构成的外接检测框,则该外接检测框所属的物体类别也即文字类别;若该外接检测框是根据该物体检测模型所检测得到的具有显著性的物体的轮廓所构成的外接检测框,则该外接检测框所属的物体类别也即显著性物体类别。
上述多种物体类别可以是分别通过不同的物体检测模型检测得到,也可以是根据同一物体检测模型直接检测得到的。
在步骤102中,将所述外接检测框作为连通图中的节点,并将各外接检测框之间的距离作为所述节点之间的边的权重,以构建与所述待剪裁图像中的物体所对应的连通图作为第一连通图,并根据所述第一连通图确定目标连通图。
在步骤103中,确定所述目标连通图的连通子图,并将包括目标节点的连通子图确定为候选子图,所述候选子图为一个或多个,所述目标节点对应的所述外接检测框所属的物体类别为所述待剪裁图像中需要保留的目标物体类别。
其中,各外接检测框之间的距离可以是各外接检测框的中心点之间的距离。
在根据该第一连通图确定该目标连通图时,可以直接将该第一连通图确定为该目标连通图,也可以先对该第一连通图进行一定程度的简化或者根据不同需求进行变换等操作之后,将更改后的图作为该目标连通图。具体可能进行的简化或者变换操作将在后续的实施例中进行描述。
该目标节点对应的所述外接检测框所属的物体类别,也即该目标节点所属的物体类别。该待剪裁图像中需要保留的目标物体类别可以为一种也可以为多种。例如,在一种可能的应用场景中,可以仅保留待剪裁图像中的脸部类别,在另一种可能的应用场景中,还可以既保留脸部类别,也保留文字类别等。
由于一个连通图中可以包括多个连通子图,通过对该目标节点的选取,就可以根据需求选取多个连通子图中用户所需的连通子图来作为候选子图,进而对待剪裁图像进行剪裁区域的划分。
在步骤104中,根据所述候选子图确定目标剪裁区域,并根据所述目标剪裁区域对所述待剪裁图像进行剪裁。
每个候选子图所确定的得到的剪裁区域可以为一个,也可以为多个,在确定得到所有候选子图所对应的所有剪裁区域之后,在其中选取最合适的剪裁区域作为该目标剪裁区域,进而便可以实现根据用户的需求对待剪裁图像进行只能裁剪。
通过上述技术方案,能够将图像中的物体作为节点,并构建相应的连通图,从而根据该连通图来对图像进行裁剪,这样不仅能够清楚地表示出图像中各个物体之间的相互依赖关系,而且能够根据不同的剪裁需求进行相应的智能剪裁。
图2是根据本公开又一示例性实施例示出的一种图像剪裁方法的流程图。如图2所示,所述方法还包括步骤201至步骤205。
在步骤201中,将外接检测框作为连通图中的节点,并将各外接检测框之间的距离作为节点之间的边的权重,以构建与待剪裁图像中的物体所对应的连通图作为第一连通图。
在步骤202中,查找所述第一连通图中的最小生成树作为第二连通图。
在步骤203中,根据所述第二连通图确定所述目标连通图。
通过查找该第一连通图中的最小生成树,就能够将该第一连通图中的各个节点之间的关系简化至最简状态,在保证各个节点都能与其他节点相连通的情况下减少了各个节点之间的组合数目,也即减少了待剪裁图像中各个物体之间的组合数目,也即减少了可能的裁剪方式,使得在该待剪裁图像中的物体数量较多的情况下,降低运算。
在步骤204中,根据所述第二连通图中各节点之间距离,分别对所述第二连通图中属于同一物体类别的节点进行聚类,并将被聚为同一类簇的节点合并为同一节点,其中,各类簇对应的合并后的节点中包括该类簇中被合并的所有节点,将经过所述聚类之后的所有节点构成的连通图作为第三连通图。
在步骤205中,将所述第三连通图确定为所述目标连通图。
在查找该第一连通图的最小生成树的基础上,还可以对距离相近的节点进行聚类,从而进一步减少各节点之间的组合数目。在进行聚类的过程中,节点所属的物体类别也即该节点对应的检测框所属的物体类别,并且仅对属于同一物体类别的节点进行聚类,这样就能使得被聚为同一类簇的多个节点在进行合并之后,合并后的节点所述的物体类别仍然不变。
由于连通图中的各个节点对应的都是外接检测框,而该外接检测框在该待剪裁图像中对应了固定的区域,因此,在对同一类簇中的多个节点进行合并时,合并后的节点中需要包括被合并的节点所对应的外接检测框的所有图像区域,且不改变该外接检测框的形式。例如,在该外接检测框为矩形检测框时,若当前属于同一类簇的节点有两个,且其中一个节点对应的外接检测框在该待剪裁图像中的位置为(X1,Y1,X2,Y2),其中(X1,Y1)为该矩形区域的左上方角点,(X2,Y2)为该矩形区域的右下方角点,另一个节点对应的外接检测框在该待剪裁图像中的位置为(X3,Y3,X4,Y4),其中(X3,Y3)为该矩形区域的左上方角点,(X4,Y4)为该矩形区域的右下方角点,且X1<X2<X3<X4,Y1<Y2<Y3<Y4,则合并之后的节点所对应的矩形区域在该待剪裁图像中位置应该为(X1,Y1,X4,Y4),其中,(X1,Y1)为合并后的节点对应的矩形区域的左上方角点,(X4,Y4)为合并后的节点对应的矩形区域的右下方角点。
图3是根据本公开又一示例性实施例示出的一种图像剪裁方法的流程图。如图3所示,所述方法还包括步骤301和步骤302。
在步骤301中,根据所述候选子图确定候选剪裁区域,其中,所述候选剪裁区域与所述候选子图之间为一对一或多对一的关系。
根据该候选子图确定候选剪裁区域的方法可以为多种,例如,可以在所述待剪裁图像中查找包括且仅包括所述候选子图中的所有节点,且满足预设剪裁比例的最大图像区域,并将与所述候选子图对应的所述最大图像区域确定为所述候选剪裁区域。在从该待剪裁图像中需要进行剪裁的图像为矩形的情况下,该预设剪裁比例可以为例如(1:1),在查找满足上述要求的最大图像区域时,可以以该候选子图中的所有节点所构成的外接矩形的中心,向四个方向进行寻找。
或者,在所述待剪裁图像中需要保留的所述目标物体类别包括脸部类别的情况下,在所述待剪裁图像中查找包括且仅包括所述候选子图中的所有节点、满足预设剪裁比例、且处于所述待剪裁图像中的预设位置中的最大图像区域,并将与所述候选子图对应的所述最大图像区域确定为所述候选剪裁区域。该预设位置可以根据该目标物体类别来确定,例如,该目标物体类别包括脸部类别的情况下,由于人体脸部通常会需要在图片中的上方位置,因此,可以将该预设位置设置为该最大图像区域的上部空间占该待剪裁图像高度的比例,该比例可以为例如(0,0.1,0.2,0.33,0.5)等等。
在步骤302中,通过所述排序模型从所述候选剪裁区域中选择所述目标剪裁区域,并根据所述目标剪裁区域对所述待剪裁图像进行剪裁。
该排序模型可以是预先训练得到的深度学习模型,训练该排序模型时的损失函数可以为如下所示:
其中,Φ为ResNet深度卷积网络模型,Xt为其他图片,Xk为标注的目标图片,该损失函数可以为rank loss。
图4是根据本公开又一示例性实施例示出的一种图像剪裁方法的流程图。如图4所示,所述方法还包括步骤401和步骤402。
在步骤401中,接收用户输入的物体类别选择指令。
在步骤402中,根据所述物体类别选择指令确定所述待剪裁图像中需要保留的所述目标物体类别。也即,在对待剪裁图像进行剪裁之前,用户能够根据自身需求,选择该待剪裁图像中可能的存在任意物体类型来进行裁剪。
图5是根据本公开一示例性实施例示出的一种图像剪裁装置的结构框图。如图5所示,所述装置包括:物体检测模块10,用于通过预先训练的物体检测模型,获取所述待剪裁图像中的各物体轮廓的外接检测框,并确定所述外接检测框所属的物体类别;处理模块20,用于将所述外接检测框作为连通图中的节点,并将各外接检测框之间的距离作为所述节点之间的边的权重,以构建与所述待剪裁图像中的物体所对应的连通图作为第一连通图,并根据所述第一连通图确定目标连通图;确定模块30,用于确定所述目标连通图的连通子图,并将包括目标节点的连通子图确定为候选子图,所述候选子图为一个或多个,所述目标节点对应的所述外接检测框所属的物体类别为所述待剪裁图像中需要保留的目标物体类别;剪裁模块40,用于根据所述候选子图确定目标剪裁区域,并根据所述目标剪裁区域对所述待剪裁图像进行剪裁。
在一种可能的实施方式中,所述处理模块20还用于:查找所述第一连通图中的最小生成树作为第二连通图;根据所述第二连通图确定所述目标连通图。
在一种可能的实施方式中,所述处理模块20还用于:根据所述第二连通图中各节点之间距离,分别对所述第二连通图中属于同一物体类别的节点进行聚类,并将被聚为同一类簇的节点合并为同一节点,其中,各类簇对应的合并后的节点中包括该类簇中被合并的所有节点,将经过所述聚类之后的所有节点构成的连通图作为第三连通图;将所述第三连通图确定为所述目标连通图。
在一种可能的实施方式中,所述剪裁模块40还用于:根据所述候选子图确定候选剪裁区域,其中,所述候选剪裁区域与所述候选子图之间为一对一或多对一的关系;通过所述排序模型从所述候选剪裁区域中选择所述目标剪裁区域,并根据所述目标剪裁区域对所述待剪裁图像进行剪裁。
在一种可能的实施方式中,所述剪裁模块40还用于:在所述待剪裁图像中查找包括且仅包括所述候选子图中的所有节点,且满足预设剪裁比例的最大图像区域;将与所述候选子图对应的所述最大图像区域确定为所述候选剪裁区域。
在一种可能的实施方式中,所述剪裁模块40还用于:所述待剪裁图像中需要保留的所述目标物体类别包括脸部类别的情况下,在所述待剪裁图像中查找包括且仅包括所述候选子图中的所有节点、满足预设剪裁比例、且处于所述待剪裁图像中的预设位置中的最大图像区域;将与所述候选子图对应的所述最大图像区域确定为所述候选剪裁区域。
在一种可能的实施方式中,所述装置还包括:接收模块,用于接收用户输入的物体类别选择指令;选择模块,用于根据所述物体类别选择指令确定所述待剪裁图像中需要保留的所述目标物体类别。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端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6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6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605: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606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,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609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601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,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:通过预先训练的物体检测模型,获取所述待剪裁图像中的各物体轮廓的外接检测框,并确定所述外接检测框所属的物体类别;将所述外接检测框作为连通图中的节点,并将各外接检测框之间的距离作为所述节点之间的边的权重,以构建与所述待剪裁图像中的物体所对应的连通图作为第一连通图,并根据所述第一连通图确定目标连通图;确定所述目标连通图的连通子图,并将包括目标节点的连通子图确定为候选子图,所述候选子图为一个或多个,所述目标节点对应的所述外接检测框所属的物体类别为所述待剪裁图像中需要保留的目标物体类别;根据所述候选子图确定目标剪裁区域,并根据所述目标剪裁区域对所述待剪裁图像进行剪裁。
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,物体检测模块还可以被描述为“通过预先训练的物体检测模型,获取所述待剪裁图像中的各物体轮廓的外接检测框,并确定所述外接检测框所属的物体类别的模块”。
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提供了一种图像剪裁方法,所述方法包括:
通过预先训练的物体检测模型,获取所述待剪裁图像中的各物体轮廓的外接检测框,并确定所述外接检测框所属的物体类别;
将所述外接检测框作为连通图中的节点,并将各外接检测框之间的距离作为所述节点之间的边的权重,以构建与所述待剪裁图像中的物体所对应的连通图作为第一连通图,并根据所述第一连通图确定目标连通图;
确定所述目标连通图的连通子图,并将包括目标节点的连通子图确定为候选子图,所述候选子图为一个或多个,所述目标节点对应的所述外接检测框所属的物体类别为所述待剪裁图像中需要保留的目标物体类别;
根据所述候选子图确定目标剪裁区域,并根据所述目标剪裁区域对所述待剪裁图像进行剪裁。
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,所述根据所述第一连通图确定目标连通图包括:
查找所述第一连通图中的最小生成树作为第二连通图;
根据所述第二连通图确定所述目标连通图。
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,所述根据所述第二连通图确定所述目标连通图包括:
根据所述第二连通图中各节点之间距离,分别对所述第二连通图中属于同一物体类别的节点进行聚类,并将被聚为同一类簇的节点合并为同一节点,其中,各类簇对应的合并后的节点中包括该类簇中被合并的所有节点,将经过所述聚类之后的所有节点构成的连通图作为第三连通图;
将所述第三连通图确定为所述目标连通图。
根据本公开的一个或多个实施例,示例4提供了示例1的方法,所述根据所述候选子图确定目标剪裁区域,并根据所述目标剪裁区域对所述待剪裁图像进行剪裁包括:
根据所述候选子图确定候选剪裁区域,其中,所述候选剪裁区域与所述候选子图之间为一对一或多对一的关系;
通过所述排序模型从所述候选剪裁区域中选择所述目标剪裁区域,并根据所述目标剪裁区域对所述待剪裁图像进行剪裁。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,所述根据所述候选子图确定候选剪裁区域包括:
在所述待剪裁图像中查找包括且仅包括所述候选子图中的所有节点,且满足预设剪裁比例的最大图像区域;
将与所述候选子图对应的所述最大图像区域确定为所述候选剪裁区域。
根据本公开的一个或多个实施例,示例6提供了示例4的方法,所述根据所述候选子图确定候选剪裁区域包括:
在所述待剪裁图像中需要保留的所述目标物体类别包括脸部类别的情况下,在所述待剪裁图像中查找包括且仅包括所述候选子图中的所有节点、满足预设剪裁比例、且处于所述待剪裁图像中的预设位置中的最大图像区域;
将与所述候选子图对应的所述最大图像区域确定为所述候选剪裁区域。
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,所述方法还包括:
接收用户输入的物体类别选择指令;
根据所述物体类别选择指令确定所述待剪裁图像中需要保留的所述目标物体类别。
根据本公开的一个或多个实施例,示例8提供了一种图像剪裁装置,所述装置包括:
物体检测模块,用于通过预先训练的物体检测模型,获取所述待剪裁图像中的各物体轮廓的外接检测框,并确定所述外接检测框所属的物体类别;
处理模块,用于将所述外接检测框作为连通图中的节点,并将各外接检测框之间的距离作为所述节点之间的边的权重,以构建与所述待剪裁图像中的物体所对应的连通图作为第一连通图,并根据所述第一连通图确定目标连通图;
确定模块,用于确定所述目标连通图的连通子图,并将包括目标节点的连通子图确定为候选子图,所述候选子图为一个或多个,所述目标节点对应的所述外接检测框所属的物体类别为所述待剪裁图像中需要保留的目标物体类别;
剪裁模块,用于根据所述候选子图确定目标剪裁区域,并根据所述目标剪裁区域对所述待剪裁图像进行剪裁。
根据本公开的一个或多个实施例,示例9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1-7中任一项所述方法的步骤。
根据本公开的一个或多个实施例,示例10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1-7中任一项所述方法的步骤。
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 (7)
1.一种图像剪裁方法,其特征在于,所述方法包括:
通过预先训练的物体检测模型,获取待剪裁图像中的各物体轮廓的外接检测框,并确定所述外接检测框所属的物体类别;
将所述外接检测框作为连通图中的节点,并将各外接检测框之间的距离作为所述节点之间的边的权重,以构建与所述待剪裁图像中的物体所对应的连通图作为第一连通图,并根据所述第一连通图确定目标连通图;
确定所述目标连通图的连通子图,并将包括目标节点的连通子图确定为候选子图,所述候选子图为一个或多个,所述目标节点对应的所述外接检测框所属的物体类别为所述待剪裁图像中需要保留的目标物体类别;其中,所述目标物体类别为至少一种;
根据所述候选子图确定候选剪裁区域,其中,所述候选剪裁区域与所述候选子图之间为一对一或多对一的关系;
通过排序模型从所述候选剪裁区域中选择所述目标剪裁区域,并根据所述目标剪裁区域对所述待剪裁图像进行剪裁;
其中,所述根据所述候选子图确定候选剪裁区域包括:在所述待剪裁图像中查找包括且仅包括所述候选子图中的所有节点,且满足预设剪裁比例的最大图像区域;将与所述候选子图对应的所述最大图像区域确定为所述候选剪裁区域;
或者,所述根据所述候选子图确定候选剪裁区域包括:在所述待剪裁图像中需要保留的所述目标物体类别包括脸部类别的情况下,在所述待剪裁图像中查找包括且仅包括所述候选子图中的所有节点、满足预设剪裁比例、且处于所述待剪裁图像中的预设位置中的最大图像区域;将与所述候选子图对应的所述最大图像区域确定为所述候选剪裁区域。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一连通图确定目标连通图包括:
查找所述第一连通图中的最小生成树作为第二连通图;
根据所述第二连通图确定所述目标连通图。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第二连通图确定所述目标连通图包括:
根据所述第二连通图中各节点之间距离,分别对所述第二连通图中属于同一物体类别的节点进行聚类,并将被聚为同一类簇的节点合并为同一节点,其中,各类簇对应的合并后的节点中包括该类簇中被合并的所有节点,将经过所述聚类之后的所有节点构成的连通图作为第三连通图;
将所述第三连通图确定为所述目标连通图。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收用户输入的物体类别选择指令;
根据所述物体类别选择指令确定所述待剪裁图像中需要保留的所述目标物体类别。
5.一种图像剪裁装置,其特征在于,所述装置包括:
物体检测模块,用于通过预先训练的物体检测模型,获取待剪裁图像中的各物体轮廓的外接检测框,并确定所述外接检测框所属的物体类别;
处理模块,用于将所述外接检测框作为连通图中的节点,并将各外接检测框之间的距离作为所述节点之间的边的权重,以构建与所述待剪裁图像中的物体所对应的连通图作为第一连通图,并根据所述第一连通图确定目标连通图;
确定模块,用于确定所述目标连通图的连通子图,并将包括目标节点的连通子图确定为候选子图,所述候选子图为一个或多个,所述目标节点对应的所述外接检测框所属的物体类别为所述待剪裁图像中需要保留的目标物体类别;其中,所述目标物体类别为至少一种;
剪裁模块,用于根据所述候选子图确定目标剪裁区域,并根据所述目标剪裁区域对所述待剪裁图像进行剪裁;
其中,所述剪裁模块,还用于根据所述候选子图确定候选剪裁区域,其中,所述候选剪裁区域与所述候选子图之间为一对一或多对一的关系;通过排序模型从所述候选剪裁区域中选择所述目标剪裁区域,并根据所述目标剪裁区域对所述待剪裁图像进行剪裁;
所述剪裁模块,还用于在所述待剪裁图像中查找包括且仅包括所述候选子图中的所有节点,且满足预设剪裁比例的最大图像区域;将与所述候选子图对应的所述最大图像区域确定为所述候选剪裁区域;
或者,所述剪裁模块,还用于所述待剪裁图像中需要保留的所述目标物体类别包括脸部类别的情况下,在所述待剪裁图像中查找包括且仅包括所述候选子图中的所有节点、满足预设剪裁比例、且处于所述待剪裁图像中的预设位置中的最大图像区域;将与所述候选子图对应的所述最大图像区域确定为所述候选剪裁区域。
6.一种计算机可读介质,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1-4中任一项所述方法的步骤。
7.一种电子设备,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1-4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110118673.7A CN112884787B (zh) | 2021-01-28 | 2021-01-28 | 图像剪裁方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110118673.7A CN112884787B (zh) | 2021-01-28 | 2021-01-28 | 图像剪裁方法、装置、可读介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884787A CN112884787A (zh) | 2021-06-01 |
CN112884787B true CN112884787B (zh) | 2023-09-15 |
Family
ID=76053010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110118673.7A Active CN112884787B (zh) | 2021-01-28 | 2021-01-28 | 图像剪裁方法、装置、可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884787B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544712A (zh) * | 2013-11-12 | 2014-01-29 | 中国科学院自动化研究所 | 一种利用先验知识的人类外侧膝状体自动分割方法 |
CN104809721A (zh) * | 2015-04-09 | 2015-07-29 | 香港中文大学深圳研究院 | 一种漫画分割方法及装置 |
US9327406B1 (en) * | 2014-08-19 | 2016-05-03 | Google Inc. | Object segmentation based on detected object-specific visual cues |
CN105787872A (zh) * | 2011-11-09 | 2016-07-20 | 乐天株式会社 | 图像处理装置、图像处理装置的控制方法 |
CN106127782A (zh) * | 2016-06-30 | 2016-11-16 | 北京奇艺世纪科技有限公司 | 一种图像分割方法及*** |
CN106778864A (zh) * | 2016-12-13 | 2017-05-31 | 东软集团股份有限公司 | 初始样本选择方法及装置 |
CN108597003A (zh) * | 2018-04-20 | 2018-09-28 | 腾讯科技(深圳)有限公司 | 一种文章封面生成方法、装置、处理服务器及存储介质 |
CN109712164A (zh) * | 2019-01-17 | 2019-05-03 | 上海携程国际旅行社有限公司 | 图像智能剪裁方法、***、设备及存储介质 |
CN110009654A (zh) * | 2019-04-10 | 2019-07-12 | 大连理工大学 | 基于最大流策略的三维体数据分割方法 |
CN110136142A (zh) * | 2019-04-26 | 2019-08-16 | 微梦创科网络科技(中国)有限公司 | 一种图像裁剪方法、装置、电子设备 |
CN110147833A (zh) * | 2019-05-09 | 2019-08-20 | 北京迈格威科技有限公司 | 人像处理方法、装置、***和可读存储介质 |
CN110189340A (zh) * | 2019-06-03 | 2019-08-30 | 北京达佳互联信息技术有限公司 | 图像分割方法、装置、电子设备及存储介质 |
CN110796663A (zh) * | 2019-09-17 | 2020-02-14 | 北京迈格威科技有限公司 | 图片剪裁方法、装置、设备和存储介质 |
CN110795925A (zh) * | 2019-10-12 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 基于人工智能的图文排版方法、图文排版装置及电子设备 |
CN111274981A (zh) * | 2020-02-03 | 2020-06-12 | 中国人民解放军国防科技大学 | 目标检测网络构建方法及装置、目标检测方法 |
CN112001406A (zh) * | 2019-05-27 | 2020-11-27 | 杭州海康威视数字技术股份有限公司 | 一种文本区域检测方法及装置 |
CN112017189A (zh) * | 2020-10-26 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8509526B2 (en) * | 2010-04-13 | 2013-08-13 | International Business Machines Corporation | Detection of objects in digital images |
US8831339B2 (en) * | 2012-06-19 | 2014-09-09 | Palo Alto Research Center Incorporated | Weighted feature voting for classification using a graph lattice |
CN109145931B (zh) * | 2018-09-03 | 2019-11-05 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置及存储介质 |
-
2021
- 2021-01-28 CN CN202110118673.7A patent/CN112884787B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787872A (zh) * | 2011-11-09 | 2016-07-20 | 乐天株式会社 | 图像处理装置、图像处理装置的控制方法 |
CN103544712A (zh) * | 2013-11-12 | 2014-01-29 | 中国科学院自动化研究所 | 一种利用先验知识的人类外侧膝状体自动分割方法 |
US9327406B1 (en) * | 2014-08-19 | 2016-05-03 | Google Inc. | Object segmentation based on detected object-specific visual cues |
CN104809721A (zh) * | 2015-04-09 | 2015-07-29 | 香港中文大学深圳研究院 | 一种漫画分割方法及装置 |
CN106127782A (zh) * | 2016-06-30 | 2016-11-16 | 北京奇艺世纪科技有限公司 | 一种图像分割方法及*** |
CN106778864A (zh) * | 2016-12-13 | 2017-05-31 | 东软集团股份有限公司 | 初始样本选择方法及装置 |
CN108597003A (zh) * | 2018-04-20 | 2018-09-28 | 腾讯科技(深圳)有限公司 | 一种文章封面生成方法、装置、处理服务器及存储介质 |
CN109712164A (zh) * | 2019-01-17 | 2019-05-03 | 上海携程国际旅行社有限公司 | 图像智能剪裁方法、***、设备及存储介质 |
CN110009654A (zh) * | 2019-04-10 | 2019-07-12 | 大连理工大学 | 基于最大流策略的三维体数据分割方法 |
CN110136142A (zh) * | 2019-04-26 | 2019-08-16 | 微梦创科网络科技(中国)有限公司 | 一种图像裁剪方法、装置、电子设备 |
CN110147833A (zh) * | 2019-05-09 | 2019-08-20 | 北京迈格威科技有限公司 | 人像处理方法、装置、***和可读存储介质 |
CN112001406A (zh) * | 2019-05-27 | 2020-11-27 | 杭州海康威视数字技术股份有限公司 | 一种文本区域检测方法及装置 |
CN110189340A (zh) * | 2019-06-03 | 2019-08-30 | 北京达佳互联信息技术有限公司 | 图像分割方法、装置、电子设备及存储介质 |
CN110796663A (zh) * | 2019-09-17 | 2020-02-14 | 北京迈格威科技有限公司 | 图片剪裁方法、装置、设备和存储介质 |
CN110795925A (zh) * | 2019-10-12 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 基于人工智能的图文排版方法、图文排版装置及电子设备 |
CN111274981A (zh) * | 2020-02-03 | 2020-06-12 | 中国人民解放军国防科技大学 | 目标检测网络构建方法及装置、目标检测方法 |
CN112017189A (zh) * | 2020-10-26 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
A shape context fully convolutional neural network for segmentation and classification of cervical nuclei in Pap smear images;Elima Hussain等;《Artificial Intelligence in Medicine》;1-11 * |
基于深度学习的图像目标检测与分割算法的研究与应用;刘培;《中国优秀硕士学位论文全文数据库 信息科技辑》;第2019年卷(第5期);I138-1309 * |
陈向宇.基于航拍图像的单木提取和机载LiDAR数据的树种分类研究.《中国优秀硕士学位论文全文数据库 农业科技辑》.2020,第2020年卷(第5期),第三章. * |
Also Published As
Publication number | Publication date |
---|---|
CN112884787A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184738B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN110634047B (zh) | 一种推荐房源的方法、装置、电子设备及存储介质 | |
CN114282581B (zh) | 基于数据增强的训练样本获取方法、装置和电子设备 | |
CN110852258A (zh) | 物体检测方法、装置、设备及存储介质 | |
CN111461968B (zh) | 图片处理方法、装置、电子设备和计算机可读介质 | |
CN111461967B (zh) | 图片处理方法、装置、设备和计算机可读介质 | |
CN110795196A (zh) | 窗口显示方法、装置、终端及存储介质 | |
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 | |
CN111461965B (zh) | 图片处理方法、装置、电子设备和计算机可读介质 | |
CN113205601A (zh) | 漫游路径生成方法、装置、存储介质及电子设备 | |
CN111158881B (zh) | 数据处理方法、装置、电子设备和计算机可读存储介质 | |
CN112884787B (zh) | 图像剪裁方法、装置、可读介质及电子设备 | |
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 | |
CN111461969B (zh) | 用于处理图片的方法、装置、电子设备和计算机可读介质 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN111461964B (zh) | 图片处理方法、装置、电子设备和计算机可读介质 | |
CN114004229A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN113255812A (zh) | 视频边框检测方法、装置和电子设备 | |
CN111835917A (zh) | 活动范围展示方法、装置、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 | |
CN111489286B (zh) | 图片处理方法、装置、设备和介质 | |
CN113256659B (zh) | 图片处理方法、装置和电子设备 | |
CN113283115B (zh) | 图像模型生成方法、装置和电子设备 | |
CN111368015B (zh) | 用于压缩地图的方法和装置 |
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 |