CN117274642B - 一种网络图像数据采集分析方法及*** - Google Patents
一种网络图像数据采集分析方法及*** Download PDFInfo
- Publication number
- CN117274642B CN117274642B CN202311217993.3A CN202311217993A CN117274642B CN 117274642 B CN117274642 B CN 117274642B CN 202311217993 A CN202311217993 A CN 202311217993A CN 117274642 B CN117274642 B CN 117274642B
- Authority
- CN
- China
- Prior art keywords
- image
- contour
- screened
- target
- area
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012216 screening Methods 0.000 claims abstract description 43
- 238000009877 rendering Methods 0.000 claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 230000002093 peripheral effect Effects 0.000 claims description 51
- 230000008569 process Effects 0.000 description 33
- 238000004364 calculation method Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种网络图像数据采集分析方法及***,所述方法的步骤包括:基于目标图像获取目标轮廓,基于图像轮廓与所述目标轮廓进行对比,对待筛选图像集进行初步筛选,得到更新后的待筛选图像集;基于预设的目标图像区域从更新后的待筛选图像集中的待筛选图像中获取对应的图像区域,基于对应的图像区域的灰度值与目标图像对应区域的灰度值计算灰度差值,基于预设的第一对照表确定灰度差值对应的第一转化像素值;获取待渲染图像,待渲染图像包括有对应每个目标图像区域的第一渲染区域,基于第一转化像素值对第一渲染区域进行渲染,得到渲染图像;将渲染图像输入到预训练的第一神经网络模型中,确定所述渲染图像对应的待筛选图像是否为近似图像。
Description
技术领域
本申请属于图像分析技术领域,尤其涉及一种网络图像数据采集分析方法及***。
背景技术
在医学图像分析领域中,精确的计算机医学图像分析工具可以协助医生进行分析,提高分析效率和准确性。
在医学图像的分析中,计算机辅助分析筛查人群的医学图像能够为医护人员对疾病的预测和分型提供重要参考,例如通过现有的机器学习模型将标准的图像与大量的筛查人员的医学图像进行比对,进而筛选出与标准图像近似的人群,再进一步通过医生进行筛查的方式,提升医生的工作效率。
然而,现有的医学图像往往通过建立神经网络模型的方式,计算每个图像与标准的图像的相似度,并设置相似的阈值以确定是否为近似的图像,完成筛选,现有技术的方式直接计算图像的相似度,直接将全部的像素点均参与计算,且没有对其中重点进行分析,在计算量较大的前提下,计算效率较低。
发明内容
本申请提供的一种网络图像数据采集分析方法,本方案首先通过目标图像的轮廓对所述待筛选图像集进行初步筛选,并再次构建渲染图像进行神经网络模型的处理,一方面降低了计算量,另一方面通过对重点位置的分析,提高计算精准度。
第一方面,本申请实施例提供了一种网络图像数据采集分析方法,所述方法的步骤包括:
基于目标图像获取目标轮廓,所述目标轮廓包括轮廓***线和轮廓内围线,所述轮廓***线为目标图像由最外圈像素点逐圈向内延伸最先接触到一圈像素点所在的圈,所述轮廓内围线为目标图像由最外圈像素点逐圈向内延伸最后接触到一圈像素点所在的圈;
获取待筛选图像集中每个待筛选图像的图像轮廓,基于所述图像轮廓与所述目标轮廓进行对比,对所述待筛选图像集进行初步筛选,得到更新后的待筛选图像集;
基于预设的目标图像区域从更新后的待筛选图像集中的待筛选图像中获取对应的图像区域,基于对应的图像区域的灰度值与目标图像对应区域的灰度值计算灰度差值,基于预设的第一对照表确定所述灰度差值对应的第一转化像素值;
获取待渲染图像,所述待渲染图像包括有对应每个目标图像区域的第一渲染区域,基于所述第一转化像素值对每个所述第一渲染区域进行渲染,得到渲染图像;
将所述渲染图像输入到预训练的第一神经网络模型中,确定所述渲染图像对应的待筛选图像是否为近似图像。
采用上述方案,本方案首先通过目标图像的轮廓对所述待筛选图像集进行初步筛选,将轮廓差异较大的图像排除出筛选范围,降低后续计算的计算量;进一步本方案仅仅需要提取出目标图像区域的图像区域,并基于对应的图像区域的灰度值与目标图像对应区域的灰度值计算灰度差值,并再次构建渲染图像,最终对仅具有少量计算元素的渲染图像进行神经网络模型的处理,判定是否为近似图像,一方面降低了计算量,另一方面通过对重点位置的分析,提高计算精准度。
在本发明的一些实施方式中,获取待筛选图像集中每个待筛选图像的图像轮廓,基于所述图像轮廓与所述目标轮廓进行对比,对所述待筛选图像集进行初步筛选,得到更新后的待筛选图像集的步骤包括:
基于所述图像轮廓和目标轮廓对所述待筛选图像集中的待筛选图像进行第一筛选,得到第一待筛选图像集;
基于所述第一待筛选图像集中的每个待筛选图像的图像轮廓得到轮廓图像,将所述轮廓图像输入到预训练的第一神经网络模型中,所述第一神经网络模型输出第一相似度,基于所述第一相似度对待筛选图像进行第二筛选,得到更新后的待筛选图像集。
采用上述方案,本方案在更新待筛选图像集的过程中对待筛选图像集进行两次筛选,在第一筛选过程中,直接对比图像的轮廓,将轮廓差异较大的图像排除出筛选范围,在第二次筛选过程中,仅需对存在较小数据的轮廓图像进行分析,再次基于轮廓差异将部分图像排除出筛选范围,降低后续计算的计算量的同时,提高图像筛选精度。
在本发明的一些实施方式中,在基于所述图像轮廓和目标轮廓对所述待筛选图像集中的待筛选图像进行第一筛选的步骤中,判断所述图像轮廓与所述目标轮廓的轮廓***线和轮廓内围线所围成的区域所否存在重合,若存在重合,则该待筛选图像被选入第一待筛选图像集。
采用上述方案,在第一筛选过程中,直接对比图像的轮廓,将轮廓差异较大的图像排除出筛选范围,仅需简单的对比即可完成,在付出较小计算量的前提下,删除部分差异较大的图像,降低后续计算量。
在本发明的一些实施方式中,在判断所述图像轮廓与所述目标轮廓的轮廓***线和轮廓内围线所围成的区域所否存在重合的步骤中;
基于所述图像轮廓确定待筛选轮廓***线和待筛选轮廓内围线;
判断所述待筛选轮廓***线和待筛选轮廓内围线中是否存在至少一个处于轮廓***线和轮廓内围线所围成的区域中,若是,则存在重合;若否,则不存在重合。
在本发明的一些实施方式中,在基于所述第一待筛选图像集中的每个待筛选图像的图像轮廓得到轮廓图像的步骤中,保留所述待筛选图像的图像轮廓所在的像素点的灰度值,并将其余像素点的灰度值设置为预设灰度值,得到所述轮廓图像。
采用上述方案,在第二筛选过程中,将基于待筛选图像的图像轮廓处理得到轮廓图像,需对存在较小数据的轮廓图像进行分析,再次基于轮廓差异将部分图像排除出筛选范围,降低后续计算的计算量的同时,提高图像筛选精度。
在本发明的一些实施方式中,所述待渲染图像还包括第二渲染区域,所述第二渲染区域包围全部的所述第一渲染区域,基于所述第一转化像素值对每个所述第一渲染区域进行渲染,得到渲染图像的步骤还包括,基于所述第一相似度确定第二转化像素值,基于所述第二转化像素值对所述第二渲染区域进行渲染。
采用上述方案,本方案首先继续先前计算的第一相似度确定第二转化像素值,充分利用了轮廓的差异,并基于轮廓的差异和目标图像区域的差异共同构建渲染图像,基于所述渲染图像确定所述渲染图像对应的待筛选图像是否为近似图像,提高图像判定的精准度。
在本发明的一些实施方式中,在基于对应的图像区域的灰度值与目标图像对应区域的灰度值计算灰度差值的步骤中,计算所述待筛选图像的目标图像区域的灰度值的平均值与目标图像对应区域的灰度值的平均值之差,作为该目标图像区域的灰度差值。
采用上述方案,所述目标图像区域设置有多个,基于所述待筛选图像的目标图像区域的灰度值的平均值与目标图像对应区域的灰度值的平均值的差异确定每处区域的差异,并对每个第一待渲染区域进行渲染,保证每处关键点的差异均被纳入计算。
在本发明的一些实施方式中,所述第一对照表中保存有灰度差值与第一转化像素值的对应关系,在基于预设的第一对照表确定所述灰度差值对应的第一转化像素值的步骤中,基于第一对照表中灰度差值与第一转化像素值的对应关系确定灰度差值对应的第一转化像素值。
在本发明的一些实施方式中,所述第一神经网络模型设置有分类器,在将所述渲染图像输入到预训练的第一神经网络模型中,确定所述渲染图像对应的待筛选图像是否为近似图像的步骤中,所述第一神经网络模型的分类器输出近似值,将预设的近似度阈值与所述近似值相比较确定所述渲染图像对应的待筛选图像是否为近似图像。
第二方面,本申请实施例提供了一种网络图像数据采集分析***,该***包括计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该装置实现所述网络图像数据采集分析方法所实现的步骤。
本发明的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出并获得。
本领域技术人员将会理解的是,能够用本发明实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。
在附图中:
图1是一种网络图像数据采集分析方法一种实施方式的流程示意图;
图2是一种网络图像数据采集分析方法另一种实施方式的流程示意图;
图3是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
一般而言,现有技术的方式直接计算图像的相似度,直接将全部的像素点均参与计算,且没有对其中重点进行分析,在计算量较大的前提下,计算效率较低。
因此,为了降低了计算量,并提高计算精准度,本申请提供了一种网络图像数据采集分析方法及***。
图1是本申请一实施例提供的一种网络图像数据采集分析方法的流程示意图。
如图1所示,本申请实施例提供了一种网络图像数据采集分析方法,所述方法的步骤包括:
步骤S100,基于目标图像获取目标轮廓,所述目标轮廓包括轮廓***线和轮廓内围线,所述轮廓***线为目标图像由最外圈像素点逐圈向内延伸最先接触到一圈像素点所在的圈,所述轮廓内围线为目标图像由最外圈像素点逐圈向内延伸最后接触到一圈像素点所在的圈;
在具体实施过程中,所述目标图像的最外圈像素点,即为图像外边缘处的像素点,由图像外边缘处的像素点逐个圈向内延伸,即为多个圈。
步骤S200,获取待筛选图像集中每个待筛选图像的图像轮廓,基于所述图像轮廓与所述目标轮廓进行对比,对所述待筛选图像集进行初步筛选,得到更新后的待筛选图像集;
在具体实施过程中,所述图像轮廓的获取方式可以为,基于预设的灰度值阈值,由所述目标图像的最外圈像素点逐渐向内延伸,若存在某个像素点的灰度值大于所述灰度阈值,将该像素点标记为轮廓点,基于上述方法标记全部轮廓点,将图像中每个横列和纵列中两个边缘的轮廓点作为标记轮廓点,全部的所述标记轮廓点构成图像轮廓。
采用上述方案,将图像中每个横列和纵列中两个边缘的轮廓点作为标记轮廓点,能够采集到的清晰的轮廓点,解决了一般采集方式中存在漏算部分轮廓缺失的情况,并最终保证分类精准度。
步骤S300,基于预设的目标图像区域从更新后的待筛选图像集中的待筛选图像中获取对应的图像区域,基于对应的图像区域的灰度值与目标图像对应区域的灰度值计算灰度差值,基于预设的第一对照表确定所述灰度差值对应的第一转化像素值;
在具体实施过程中,所述目标图像区域为预设的多个位置的区域,从待筛选图像中同样位置的区域获取该区域的图像。
步骤S400,获取待渲染图像,所述待渲染图像包括有对应每个目标图像区域的第一渲染区域,基于所述第一转化像素值对每个所述第一渲染区域进行渲染,得到渲染图像;
在具体实施过程中,所述待渲染图像中各个像素点均为相同的预设灰度值,在渲染过程中,将预设灰度值修改为渲染的灰度值。
步骤S500,将所述渲染图像输入到预训练的第一神经网络模型中,确定所述渲染图像对应的待筛选图像是否为近似图像。
采用上述方案,本方案首先通过目标图像的轮廓对所述待筛选图像集进行初步筛选,将轮廓差异较大的图像排除出筛选范围,降低后续计算的计算量;进一步本方案仅仅需要提取出目标图像区域的图像区域,并基于对应的图像区域的灰度值与目标图像对应区域的灰度值计算灰度差值,并再次构建渲染图像,最终对仅具有少量计算元素的渲染图像进行神经网络模型的处理,判定是否为近似图像,一方面降低了计算量,另一方面通过对重点位置的分析,提高计算精准度。
如图2所示,在本发明的一些实施方式中,获取待筛选图像集中每个待筛选图像的图像轮廓,基于所述图像轮廓与所述目标轮廓进行对比,对所述待筛选图像集进行初步筛选,得到更新后的待筛选图像集的步骤包括:
步骤S210,基于所述图像轮廓和目标轮廓对所述待筛选图像集中的待筛选图像进行第一筛选,得到第一待筛选图像集;
步骤S220,基于所述第一待筛选图像集中的每个待筛选图像的图像轮廓得到轮廓图像,将所述轮廓图像输入到预训练的第一神经网络模型中,所述第一神经网络模型输出第一相似度,基于所述第一相似度对待筛选图像进行第二筛选,得到更新后的待筛选图像集。
采用上述方案,本方案在更新待筛选图像集的过程中对待筛选图像集进行两次筛选,在第一筛选过程中,直接对比图像的轮廓,将轮廓差异较大的图像排除出筛选范围,在第二次筛选过程中,仅需对存在较小数据的轮廓图像进行分析,再次基于轮廓差异将部分图像排除出筛选范围,降低后续计算的计算量的同时,提高图像筛选精度。
在本发明的一些实施方式中,在基于所述图像轮廓和目标轮廓对所述待筛选图像集中的待筛选图像进行第一筛选的步骤中,判断所述图像轮廓与所述目标轮廓的轮廓***线和轮廓内围线所围成的区域所否存在重合,若存在重合,则该待筛选图像被选入第一待筛选图像集。
在具体实施过程中,若不存在重合,则该待筛选图像不被选入第一待筛选图像集。
采用上述方案,在第一筛选过程中,直接对比图像的轮廓,将轮廓差异较大的图像排除出筛选范围,仅需简单的对比即可完成,在付出较小计算量的前提下,删除部分差异较大的图像,降低后续计算量。
在本发明的一些实施方式中,在判断所述图像轮廓与所述目标轮廓的轮廓***线和轮廓内围线所围成的区域所否存在重合的步骤中;
基于所述图像轮廓确定待筛选轮廓***线和待筛选轮廓内围线;
判断所述待筛选轮廓***线和待筛选轮廓内围线中是否存在至少一个处于轮廓***线和轮廓内围线所围成的区域中,若是,则存在重合;若否,则不存在重合。
在具体实施过程中,若所述待筛选轮廓***线和待筛选轮廓内围线与轮廓***线或轮廓内围线重合,则判定不处于轮廓***线和轮廓内围线所围成的区域。
在本发明的一些实施方式中,在基于所述第一待筛选图像集中的每个待筛选图像的图像轮廓得到轮廓图像的步骤中,保留所述待筛选图像的图像轮廓所在的像素点的灰度值,并将其余像素点的灰度值设置为预设灰度值,得到所述轮廓图像。
采用上述方案,在第二筛选过程中,将基于待筛选图像的图像轮廓处理得到轮廓图像,需对存在较小数据的轮廓图像进行分析,再次基于轮廓差异将部分图像排除出筛选范围,降低后续计算的计算量的同时,提高图像筛选精度。
在本发明的一些实施方式中,所述待渲染图像还包括第二渲染区域,所述第二渲染区域包围全部的所述第一渲染区域,基于所述第一转化像素值对每个所述第一渲染区域进行渲染,得到渲染图像的步骤还包括,基于所述第一相似度确定第二转化像素值,基于所述第二转化像素值对所述第二渲染区域进行渲染。
在具体实施过程中,所述第二渲染区域包围全部的所述第一渲染区域,在体现了轮廓差异的同时,体现了轮廓和其他目标图像区域的位置关系,进一步在渲染图像中完整表现图像的内容。
采用上述方案,本方案首先继续先前计算的第一相似度确定第二转化像素值,充分利用了轮廓的差异,并基于轮廓的差异和目标图像区域的差异共同构建渲染图像,基于所述渲染图像确定所述渲染图像对应的待筛选图像是否为近似图像,提高图像判定的精准度。
在本发明的一些实施方式中,在基于对应的图像区域的灰度值与目标图像对应区域的灰度值计算灰度差值的步骤中,计算所述待筛选图像的目标图像区域的灰度值的平均值与目标图像对应区域的灰度值的平均值之差,作为该目标图像区域的灰度差值。
采用上述方案,所述目标图像区域设置有多个,基于所述待筛选图像的目标图像区域的灰度值的平均值与目标图像对应区域的灰度值的平均值的差异确定每处区域的差异,并对每个第一待渲染区域进行渲染,保证每处关键点的差异均被纳入计算。
在具体实施过程中,在计算所述待筛选图像的目标图像区域的灰度值的平均值与目标图像对应区域的灰度值的平均值之差的步骤中,在计算出平均值之差后,计算平均值之差的绝对值。
采用上述方案,由于实际计算过程中,平均值之差存在负值,本方案直接使用绝对值体现差异即可,避免负值导致的计算量增大。
在本发明的一些实施方式中,所述第一对照表中保存有灰度差值与第一转化像素值的对应关系,在基于预设的第一对照表确定所述灰度差值对应的第一转化像素值的步骤中,基于第一对照表中灰度差值与第一转化像素值的对应关系确定灰度差值对应的第一转化像素值。
在具体实施过程中,在基于所述第一相似度确定第二转化像素值的步骤中,基于预设的第二对照表中第一相似度与第二转化像素值的对应关系确定第二转化像素值。
在本发明的一些实施方式中,所述第一神经网络模型设置有分类器,在将所述渲染图像输入到预训练的第一神经网络模型中,确定所述渲染图像对应的待筛选图像是否为近似图像的步骤中,所述第一神经网络模型的分类器输出近似值,将预设的近似度阈值与所述近似值相比较确定所述渲染图像对应的待筛选图像是否为近似图像。
在具体实施过程中,所述第一神经网络模型和第二神经网络模型均为图神经网络模型。
在具体实施过程中,若近似值大于所述近似度阈值,则判定该待筛选图像为近似图像;若近似值不大于所述近似度阈值,则判定该待筛选图像不为近似图像。
第二方面,本申请实施例提供了一种网络图像数据采集分析***,该***包括计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该装置实现所述网络图像数据采集分析方法所实现的步骤。
第三方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现上述网络图像数据采集分析方法。
图3是本申请一实施例提供的电子设备的结构示意图。
如图3所示,本申请实施例提供了一种电子设备,设备包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现上述网络图像数据采集分析方法。
电子设备可以包括处理器1201以及存储有计算机程序指令的存储器1202。
具体地,上述处理器1201可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器1202可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器1202可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器1202可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器1202可在综合网关容灾设备的内部或外部。在特定实施例中,存储器1202是非易失性固态存储器。
存储器可包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器1201通过读取并执行存储器1202中存储的计算机程序指令,以实现上述实施例中的任意一种电池热失控参数的确定方法。
在一个示例中,电子设备还可包括通信接口1203和总线1210。其中,如图3所示,处理器1201、存储器1202、通信接口1203通过总线1210连接并完成相互间的通信。
通信接口1203,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线1210包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线1210可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,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,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (7)
1.一种网络图像数据采集分析方法,其特征在于,所述方法的步骤包括:
基于目标图像获取目标轮廓,所述目标轮廓包括轮廓***线和轮廓内围线,所述轮廓***线为目标图像由最外圈像素点逐圈向内延伸最先接触到一圈像素点所在的圈,所述轮廓内围线为目标图像由最外圈像素点逐圈向内延伸最后接触到一圈像素点所在的圈;
获取待筛选图像集中每个待筛选图像的图像轮廓,基于所述图像轮廓与所述目标轮廓进行对比,对所述待筛选图像集进行初步筛选,得到更新后的待筛选图像集;
基于预设的目标图像区域从更新后的待筛选图像集中的待筛选图像中获取对应的图像区域,基于对应的图像区域的灰度值与目标图像对应区域的灰度值计算灰度差值,计算所述待筛选图像的目标图像区域的灰度值的平均值与目标图像对应区域的灰度值的平均值之差,作为该目标图像区域的灰度差值,基于预设的第一对照表确定所述灰度差值对应的第一转化像素值,所述第一对照表中保存有灰度差值与第一转化像素值的对应关系,基于第一对照表中灰度差值与第一转化像素值的对应关系确定灰度差值对应的第一转化像素值;
获取待渲染图像,所述待渲染图像包括有对应每个目标图像区域的第一渲染区域,基于所述第一转化像素值对每个所述第一渲染区域进行渲染,得到渲染图像,所述待渲染图像还包括第二渲染区域,所述第二渲染区域包围全部的所述第一渲染区域,基于第一相似度确定第二转化像素值,基于所述第二转化像素值对所述第二渲染区域进行渲染;
将所述渲染图像输入到预训练的第一神经网络模型中,确定所述渲染图像对应的待筛选图像是否为近似图像。
2.根据权利要求1所述的网络图像数据采集分析方法,其特征在于,获取待筛选图像集中每个待筛选图像的图像轮廓,基于所述图像轮廓与所述目标轮廓进行对比,对所述待筛选图像集进行初步筛选,得到更新后的待筛选图像集的步骤包括:
基于所述图像轮廓和目标轮廓对所述待筛选图像集中的待筛选图像进行第一筛选,得到第一待筛选图像集;
基于所述第一待筛选图像集中的每个待筛选图像的图像轮廓得到轮廓图像,将所述轮廓图像输入到预训练的第一神经网络模型中,所述第一神经网络模型输出第一相似度,基于所述第一相似度对待筛选图像进行第二筛选,得到更新后的待筛选图像集。
3.根据权利要求2所述的网络图像数据采集分析方法,其特征在于,在基于所述图像轮廓和目标轮廓对所述待筛选图像集中的待筛选图像进行第一筛选的步骤中,判断所述图像轮廓与所述目标轮廓的轮廓***线和轮廓内围线所围成的区域所否存在重合,若存在重合,则该待筛选图像被选入第一待筛选图像集。
4.根据权利要求3所述的网络图像数据采集分析方法,其特征在于,在判断所述图像轮廓与所述目标轮廓的轮廓***线和轮廓内围线所围成的区域所否存在重合的步骤中;
基于所述图像轮廓确定待筛选轮廓***线和待筛选轮廓内围线;
判断所述待筛选轮廓***线和待筛选轮廓内围线中是否存在至少一个处于轮廓***线和轮廓内围线所围成的区域中,若是,则存在重合;若否,则不存在重合。
5.根据权利要求2所述的网络图像数据采集分析方法,其特征在于,在基于所述第一待筛选图像集中的每个待筛选图像的图像轮廓得到轮廓图像的步骤中,保留所述待筛选图像的图像轮廓所在的像素点的灰度值,并将其余像素点的灰度值设置为预设灰度值,得到所述轮廓图像。
6.根据权利要求1所述的网络图像数据采集分析方法,其特征在于,所述第一神经网络模型设置有分类器,在将所述渲染图像输入到预训练的第一神经网络模型中,确定所述渲染图像对应的待筛选图像是否为近似图像的步骤中,所述第一神经网络模型的分类器输出近似值,将预设的近似度阈值与所述近似值相比较确定所述渲染图像对应的待筛选图像是否为近似图像。
7.一种网络图像数据采集分析***,其特征在于,该***包括计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时装置实现如权利要求1-6任一项所述网络图像数据采集分析方法所实现的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311217993.3A CN117274642B (zh) | 2023-09-20 | 2023-09-20 | 一种网络图像数据采集分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311217993.3A CN117274642B (zh) | 2023-09-20 | 2023-09-20 | 一种网络图像数据采集分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274642A CN117274642A (zh) | 2023-12-22 |
CN117274642B true CN117274642B (zh) | 2024-03-26 |
Family
ID=89217196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311217993.3A Active CN117274642B (zh) | 2023-09-20 | 2023-09-20 | 一种网络图像数据采集分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274642B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298837A (zh) * | 2021-07-27 | 2021-08-24 | 南昌工程学院 | 一种图像边缘提取方法、装置、存储介质及设备 |
CN115272565A (zh) * | 2022-07-18 | 2022-11-01 | 聚好看科技股份有限公司 | 一种头部三维模型的重建方法及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182719B (zh) * | 2013-05-21 | 2017-06-30 | 宁波华易基业信息科技有限公司 | 一种图像识别方法及装置 |
-
2023
- 2023-09-20 CN CN202311217993.3A patent/CN117274642B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298837A (zh) * | 2021-07-27 | 2021-08-24 | 南昌工程学院 | 一种图像边缘提取方法、装置、存储介质及设备 |
CN115272565A (zh) * | 2022-07-18 | 2022-11-01 | 聚好看科技股份有限公司 | 一种头部三维模型的重建方法及电子设备 |
Non-Patent Citations (1)
Title |
---|
人脸图像灰度分布统计分析与检测特征设计;欧凡;刘冲;;大连理工大学学报;20100715(04);第65-71页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117274642A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11887064B2 (en) | Deep learning-based system and method for automatically determining degree of damage to each area of vehicle | |
CN109657716B (zh) | 一种基于深度学习的车辆外观损伤识别方法 | |
US10043090B2 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
WO2020177470A1 (zh) | 验证码识别方法、装置、终端及存储介质 | |
CN106326887B (zh) | 一种光学字符识别结果的校验方法及装置 | |
WO2020186790A1 (zh) | 车型识别方法、装置、计算机设备及存储介质 | |
CN109740609B (zh) | 一种轨距检测方法及装置 | |
CN111652209B (zh) | 损伤检测方法、装置、电子设备及介质 | |
CN116245876B (zh) | 缺陷检测方法、装置、电子设备、存储介质和程序产品 | |
CN113780492A (zh) | 一种二维码二值化方法、装置、设备及可读存储介质 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN112966618A (zh) | 着装识别方法、装置、设备及计算机可读介质 | |
CN112085721A (zh) | 基于人工智能的水淹车定损方法、装置、设备及存储介质 | |
CN117274642B (zh) | 一种网络图像数据采集分析方法及*** | |
CN111524171B (zh) | 图像处理方法、装置和电子设备 | |
CN115083008A (zh) | 运动目标检测方法、装置、设备及存储介质 | |
CN115984786A (zh) | 车辆损伤检测方法及装置、终端、存储介质 | |
CN115731179A (zh) | 轨道部件检测方法、终端及存储介质 | |
Chen et al. | Identification of the scraping quality for the machine tool using the smartphone | |
CN114972540A (zh) | 目标定位方法、装置、电子设备及存储介质 | |
CN114677552A (zh) | 用于深度学习的指纹细节数据库标注方法和*** | |
CN113870223A (zh) | 设备屏幕漏液检测方法及装置 | |
CN112990207A (zh) | 车牌图像提取方法、装置、***、存储介质和计算机设备 | |
CN111476807A (zh) | 用于分割图像的边缘处理方法和装置、分析仪器 | |
CN111242047A (zh) | 图像处理方法和装置、电子设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |