CN105261001A - 图像处理方法和装置 - Google Patents
图像处理方法和装置 Download PDFInfo
- Publication number
- CN105261001A CN105261001A CN201410334247.7A CN201410334247A CN105261001A CN 105261001 A CN105261001 A CN 105261001A CN 201410334247 A CN201410334247 A CN 201410334247A CN 105261001 A CN105261001 A CN 105261001A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- image processing
- mark
- data
- 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
Landscapes
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种图像处理方法和图像处理装置,该图像处理方法包括:基于图像中不同物体所对应的标记,确定每个物体所占的区域;确定图像中每个被标记物体所对应的数据;在接收到用户输入的纹理数据的情况下,利用输入的纹理数据对部分或全部被标记物体所对应的数据进行替换。本发明基于图像中不同物体所对应的标记,能够对图像中的任何被标记物体进行精确识别和区域提取,不仅对提取物体的类型(例如头像)没有限制,还提高了对图像中物体提取的准确度;还能够准确的确定每个被标记物体所对应的数据,在保持原图物体展现效果的同时实现对识别物体的纹理替换。
Description
技术领域
本发明涉及图片处理领域,具体来说,涉及一种图像处理方法和图像处理装置。
背景技术
目前,市场上对图像的识别和提取方法主要是采用对特殊物体的模式识别和基于颜色区域的图像分割的方式。
其中,对于特殊物体的模式识别方式来说,其主要是利用已有的图像来对特定的物体进行模式提取的方式,然后再通过对目标图像进行模式匹配,从达到提取已知特征的物体的目的。但是,该模式识别方式实施的前提是需要存在对应不同类型物体的物体模式,而为了获取不同类型的物体模式,在现有技术中是采用对某种模式进行反复的学习或建模的方式实现对某种物体的模式的获取的,显然,前期的准备工作是十分漫长和复杂的;此外,对应不同类型物体的物体模式,其定义也不同,这就更加大了对特殊物体建模的难度。
而在现有技术中,除了经过几十年研究的人脸识别具有较高成功率外(例如,社交网络服务网站Facebook利用人脸识别技术对照片上的人物进行标识),采用特殊物体的模式识别的方式对图像中其他的物体,如风景、植物、动物、生活用品、衣物等内容的识别和提取往往很难成功,因为,物体在不同图像中的角度、大小、颜色和周围环境等方面均是存在差异的,并且,一些物品(例如,衣服)本身其特征就是存在非常大的差异的,因此,获取特殊物体的模式本身就是存在极大难度的。显然,对于特殊物体的模式识别方式来说,其也仅仅可以在人脸识别方面得到比较广泛的应用。
另一方面,对于基于颜色区域的图像分割方式来说,其主要是利用图像中不同物体的颜色或轮廓来对图像进行分割,从而达到提取图像中的内容的目的。但是,基于颜色区域的图像分割方法对图像的颜色、亮度等因素的依赖性较强,特别是对照片的光学效果的依赖性更加强,因此,如果图像中物体的轮廓不清晰或颜色相似,则会导致提取的准确度降低。另外,该方法还受限于用于界定图像颜色划分区域的阈值,其中,阈值的确定一般是依赖于人为的经验,而如果阈值确定的不合理,则同样会导致提取的准确度降低。
由此可见,现有技术中对图像物体的识别和提取方法是存在识别、提取的对象类型少、精度低的问题。
针对相关技术中对图像的识别、提取的对象类型少、精度低的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中对图像的识别、提取的对象类型少、精度低的问题,本发明提出一种图片处理方法和图片处理装置,能够对图像中的任何被标记物体进行精确识别和区域提取,不仅对提取物体的类型(例如头像)没有限制,还提高了对图像中物体提取的准确度;还能够准确的确定每个被标记物体所对应的数据,在保持原图物体展现效果的同时实现对识别物体的纹理替换。
本发明的技术方案是这样实现的:
根据本发明的一个方面,提供了一种图片处理方法。
该图片处理方法包括:
基于图像中不同物体所对应的标记,确定每个物体所占的区域;
确定图像中每个被标记物体所对应的数据;
在接收到用户输入的纹理数据的情况下,利用输入的纹理数据对部分或全部被标记物体所对应的数据进行替换。
其中,在确定每个物体所占的区域时,可通过确定图像中的有效标记区域;并对有效标记区域进行单联通区域的提取,从而获得有效标记区域内的所有单联通区域;并根据不同物体所对应的标记的差异,对获取的每个单联通区域进行拆分,从而确定每个物体所占的区域。
此外,在确定图像中的有效标记区域时,还可通过统计矩阵和/或有效标记矩阵来确定。
另外,在确定图像中每个被标记物体所对应的数据时,可忽略所占区域的面积小于预定阈值的物体。
此外,在确定每个物体所占的区域后,如果接收到用户在图像中增加的新标记,则进行叠加有效区域的计算,并基于对每个单联通区域进行拆分后的结果、以及新标记的区域重新进行单连通区域拆分。
优选的,在确定每个物体所占的区域时,可将具有相同标记的物体的区域进行合并。
另外,在利用输入的纹理数据对部分或全部被标记物体所对应的数据进行替换时,可通过对图像的原始图像进行特征点提取;并对完成特征点提取的原始图像进行三角剖分,从而得到原始图像的凹凸面;并根据凹凸面,获取原始图像在三维空间的网格数据;根据用户需要在图像中进行纹理替换的位置确定需要进行替换的凹凸面所在的位置;根据网格数据和贴图算法将目标纹理覆盖至确定的凹凸面所在的位置。
此外,该图像处理方法还可包括:
提取已覆盖目标纹理的凹凸面添加到图像中的对应位置。
根据本发明的另一方面,提供了一种图片处理装置。
该图像处理装置包括:
第一确定模块,用于基于图像中不同物体所对应的标记,来确定每个物体所占的区域;
第二确定模块,用于确定图像中每个被标记物体所对应的数据;
替换模块,用于在接收到用户输入的纹理数据的情况下,利用输入的纹理数据对部分或全部被标记物体所对应的数据进行替换。
其中,确定模块还可用于确定图像中的有效标记区域;并对有效标记区域进行单联通区域的提取,从而获得有效标记区域内的所有单联通区域;并根据不同物体所对应的标记的差异,对获取的每个单联通区域进行拆分,从而确定每个物体所占的区域。
本发明基于图像中不同物体所对应的标记,能够对图像中的任何被标记物体进行精确识别和区域提取,不仅对提取物体的类型(例如头像)没有限制,还提高了对图像中物体提取的准确度;还能够准确的确定每个被标记物体所对应的数据,在保持原图物体展现效果的同时实现对识别物体的纹理替换。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的图像处理方法的流程图;
图2是根据本发明一具体实施例的图像处理方法的流程图;
图3是根据本发明实施例的原始图像的示意图;
图4是根据本发明实施例的提取有效标记区域的示意图;
图5是根据本发明实施例的对有效标记区域提取单联通区域的示意图;
图6是根据本发明实施例的对单联通区域拆分的示意图;
图7是根据本发明实施例的对具有相同标记的物体的区域合并的示意图;
图8是根据本发明实施例的对图像进行目标纹理替换的示意图;
图9是根据本发明实施例的图像特征点提取的示意图;
图10是根据本发明实施例的图像三角剖分构建凹凸面的示意图;
图11是根据本发明实施例的图像处理装置的框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种图像处理方法。
如图1所示,根据本发明实施例的图像处理方法包括:
步骤S101,基于图像中不同物体所对应的标记,确定每个物体所占的区域;
步骤S103,确定图像中每个被标记物体所对应的数据;
步骤S105,在接收到用户输入的纹理数据的情况下,利用输入的纹理数据对部分或全部被标记物体所对应的数据进行替换。
通过本发明的上述方案,能够对图像中的任何被标记物体进行精确识别和区域提取,不仅对提取物体的类型(例如头像)没有限制,还提高了对图像中物体提取的准确度;还能够准确的确定每个被标记物体所对应的数据,在保持原图物体展现效果的同时实现对识别物体的纹理替换。
在上述过程中,所谓的标记是指用户在图像中选择的物体所构成的一个图像,其中,该标记可以是不同的用户利用不同的颜色对同一副图像中不同的物体进行不同的颜色的标注后标记形成的一个图像,其中,被标记图像的大小可以和原图一致,也可以是原图的等比例缩放,当然,在实际标记过程中,并不限定于通过使用不同颜色来完成标记,也可以是通过不同的纹理或图形来对图像中不同物体进行不同的标记,从而形成不同的标记,本发明对此并不做限定。
在一个实施例中,本发明可以是一个智能图像识别系统,如图2所示,通过用户交互系统,用户输入对一副图像中任何物体的区域识别和边界提取标记后,系统通过后台智能算法的精确计算(有效区域计算、单联通区域拆分、叠加有效区域计算、区域合并等),筛选出代表物体区域的准确像素点,从而完成对图像中任何物体的提取,同时针对提取结果(特别针对服装),进行材质替换(服装可以实现试穿功能),并且上述步骤可以简化为:系统输入:用户对图像中物体的手工标记;系统输出:图像中任何物体的具体区域像素集合;图像替换:针对输出的物体提供材质替换。
在一个实施例中,可通过用户交互系统来获取用户对图像中不同物体的标记,其中,用户通过交互系统实现对图片的标记,对于交互界面来说,在本实施例中,在交互界面中提供了用户需要标记的原始图片,并提供了不同颜色的颜色按钮,用户可以通过选择不同颜色的按钮来对原始图片中不同的物体进行标记,当然,对于同一图片中的同一物体来说,不同的用户可以根据用户的自由选择使用不同的颜色来标记,本发明对此并不做限定。
在实际操作中,用户可以通过输入设备(pc设备的鼠标,移动设备(带触摸屏)的手指)来对预期希望标注的物体通过选择不同颜色按钮来对图片中不同的物体进行涂抹操作,以此实现用户对图片中物体的标记。其中,在实际标注过程中,如果该颜色已经标记过,则会用该颜色高亮显示被标记的物体,便于用户修正标记;此外,用户也可以从交互界面中选择取消标记的按钮来对当前的标记进行修正,或选择其他颜色直接将当前标记中的区域修改为其他颜色的标记;当用户完成对图片的标记后,可以通过选择交互界面的done按钮来提交用户对图片的标记;另外,也可以用reset按钮重置所有标记,使标记的图像恢复为原始图像。
在实际操作其中,系统对用户选择的图像的提取是依赖于用户提交的对图片的标记的,并且,每个用户对同一个图片仅生成一个标记,而不同的用户对同一图片的标记可能不同,因为,在实际应用中,对于同一图片中的同一物体来说,不同的用户可能选择不同的颜色来进行标注,由此,就形成了对应同一图片的不同用户标记。
在另一个实施例中,在用户完成对图片的标记并提交后,系统获取标记的方式则是,通过对用户提交的标记中的不同颜色进行编码(转换为一个数字),然后将未标记的区域转换为一个特定编码,最后形成一个和原图尺寸一致的编码矩阵(可将矩阵压缩后存储,从而达到降低存储空间的目的)。
其中,在一个实施例中,由于同一图片可以对应的不同的用户标记,而每个用户对同一图片的不同颜色标记,代表了输入该标记的用户对如图3所示的原始图片的理解,而标记的计算则是对标记用户的意见进行综合,因此,在获取标记后,则需要对标记作叠加处理,最后得到该图片的合理的标记。
其中,在一个实施例中,在确定每个物体所占的区域时,可通过确定图像中的有效标记区域;对有效标记区域进行单联通区域的提取,从而获得有效标记区域内的所有单联通区域;并根据不同物体所对应的标记的差异,对获取的每个单联通区域进行拆分,从而确定每个物体所占的区域。
其中,在一个实施例中,由于并非所有用户的标记都是有效标记,因此,需要确定图像中的有效标记区域,在实际操作中,需要对用户的标记进行过滤,从而提取出用户认为有意义的物体的区域,得到有效标记区域,与之相应的,无效标记区域则是用户在图片中的物体进行标记时,由于操作的误差,而标记的非有意义的物体的区域,即无效标记区域。例如,用户想要标记的是图片中的房子(有效标记区域),但是在标记房子时,将房子旁的部分云彩也标记了,而这部分的云彩则是无效标记区域,在此步骤中,为了提取用户认为有意义的物体的区域,则需要将这部分云彩的标记过滤掉。
在另一个实施例中,在确定图像中的有效标记区域时,可通过统计矩阵和/或有效标记矩阵来确定。具体的,创建和当前图片尺寸一致的统计矩阵--M-Statistics,矩阵中的每个元素代表原图中该点被标记的次数,然后初始化矩阵的所有元素为0;遍历一个标记的所有点,如果该点是物体的标记,则对统计矩阵(M-statistics)中相应的元素加1,对所有的用户标记重复该操作,得到M-Statistics的最终结果;对统计矩阵进行滤波;将统计矩阵中的每元素的值除标记总数,并更新当前标记矩阵;设定有效标记阈值为a,同时创建和原图尺寸一致的有效标记矩阵--M-Valid,并初始化该有效标记矩阵所有元素值为0,遍历统计矩阵的所有元素,如果该元素的值大于有效标记阈值a,则认为该元素对应的点是有效标记,并标记有效标记矩阵对应的元素为1,由此,确定了如图4所示的有效标记区域。
此外,在另一个实施例中,由于在上述过程中提取到有效标记区域并非是一个单联通区域,因此,需要对上述过程得到的有效标记区域进行单联通区域的提取,从而获得有效标记区域内的所有单联通区域,也就是说,提取上述过程获取的有效标记矩阵(M-Valid)的所有单联通区域,进而获取到该有效标记矩阵的单联通区域集合u-set,如图5所示提取的单联通区域,但是,在本例中,仅示意了一个单联通区域,实际操作中可能会有多个单联通区域。
另外,在一个实施例中,由于在上个实施例中获取的每个单联通区域中可能含有多个物体的标注,因此,需要根据不同物体所对应的标记的差异,对获取的每个单联通区域进行拆分,从而确定每个物体所占的区域。
在实际操作中,可以遍历每个单联通区域,并对当前单联通区域的所有未遍历过的点进行遍历,并计算当前点的上下左右点(目标点)和当前点是否在一个物体内,如果相同,则是在一个区域内;否则进行拆分。
具体步骤:遍历所有用户标记,获取目标点为中心n*n的点在同一个用户标记里面的标记颜色,90%和当前点的标记颜色相同则认为是该标记内是同一个区域。;60%的用户标记认为改点和目标点是同一个物体,则认为是同一个物体,反之不是同一个物体;如果是同一个区域则继续扩张(目标点变为当前点,它的上下左右未遍历的点作为目标点进行扩张),并标记为已遍历;当无法扩展的时候,再寻找该联通区域内未遍历的区域进行同样的操作。
通过以上的步骤可以把当前的单联通区域划分为不同的小区域,每个区域代表一个物体,如图6所示的不同衣服区域。
但是,在实际操作中,由于用户标识每个物体的边界不同,经过以上步骤拆分后获得的每个小区域中会获取很多无效区域,即对应的并非是用户选择的有意义的物体,因此,在确定所述图像中每个被标记物体所对应的数据时,可忽略所占区域的面积小于预定阈值的物体。也就是说,在实际操作中,对拆分后的每个区域,可对面积小于图片面积1%的区域进行过滤,从而获取所有的物体区域。
在另一个实施例中,在完成单联通区域的拆分后,由于有些物体是由两个或多个非连通部分组成,而上述步骤会把该类型的物体拆分为多个区域,因此,在确定每个物体所占的区域时,可将具有相同标记的物体的区域进行合并。在实际操作中,可对不同区域进行同一物体的检测,完成对用户标记为一个颜色的区域的合并操作。
在实际操作中,具体检测步骤可以是:计算每个用户标识中的这两个区域的颜色均值,如果小于某个阈值,则认为该标志中的两个区域是同一个物体;当60%的用户标识认为这两个区域是同一个物体时,则进行合并,其中,合并后的图像如图7所示;否则不进行合并操作。
通过上述过程确定了每个物体所占的区域,但是,在一个实施例中,在确定每个物体所占的区域后,系统如果接收到用户在图像中增加的新标记,则需要重新进行运算,并把该标记纳入识别结果(已确定的每个物体所占的区域)中,而在实际操作中,为了提高重新计算的效率,系统则进行叠加有效区域计算,并基于对每个单联通区域进行拆分后的结果、以及所述新标记的区域重新进行单连通区域拆分。
在实际操作中,可以如图2所示,将新标记和已有的有效标记区域按照上述提取有效标记区域的方式获取新的有效标记区域,并按照上述提取单联通区域的方式,获取新的有效区域的单联通区域,并对所有单联通区域进行拆分。在单联通区域拆分计算中,需要计算已有的各点和点的是否拆分信息,而除了新标记未计算外其他的均已计算,因此,本次仅计算在新标记里面的拆分情况,并将其纳入到是否拆分的比例计算中即可;然后进行上述步骤中相同的过滤操作;然后进行区域的合并,由于合并操作受新标记的影响,获取到的各拆分会和原来的不同,因此,需要重新计算;最后输出识别结果(每个物体所占的区域)。
在另一个实施例中,在基于图像中不同物体所对应的标记,确定了每个物体所占的区域后,可确定图像中每个被标记物体所对应的数据,在实际操作中,可将物体识别结果进行存储,在存储时,可建立一个结果矩阵对不同的物体进行编号,其中,矩阵的高和宽与原始图片相同,矩阵中的每个元素代表图片中的像素点,每个点的至是物体的编号,其中,无标记的点在矩阵中值为0。
在另一个实施例中,在对图片中的某个物体(例如服装)进行目标纹理的替换(例如,服装的试穿)时,系统可以在接收到用户输入的纹理数据(目标纹理)的情况下,利用输入的所述纹理数据对部分或全部被标记物体所对应的数据进行替换,实现服装试穿的功能。
其中,为了实现对图片中模特的服装试穿功能,在利用输入的纹理数据对部分或全部被标记物体所对应的数据进行替换时,可通过以下的方式完成:对图像的原始图像进行特征点提取;并对完成特征点提取的原始图像进行三角剖分,从而得到原始图像的凹凸面;根据凹凸面,获取原始图像在三维空间的网格数据;根据用户需要在图像中进行纹理替换的位置确定需要进行替换的凹凸面所在的位置;根据网格数据和贴图算法将目标纹理覆盖至确定的凹凸面所在的位置。
在另一个实施例中,为了实现服装的试穿,该图像处理方法还包括提取已覆盖目标纹理的凹凸面添加到图像中的对应位置。
为了更好的理解本发明对图片中物体的材质替换的功能,如图8所示,下面以对图片的模特的服装试穿为例来对本发明的上述方案进行详细阐述。
首先对图像的原始图像进行特征点提取,其中,特征点提取的方法包括以下至少之一:Sobel算子、拉普拉斯算子、Canny算子、霍夫线变换、霍夫圆变换、Harris角点、ShiTomasi角点、亚像素级角点、SURF角点、Star关键点、FAST角点、SIFT角点、MSER区域;在本实施例中,如图9所示,采用常用的Shi-Tomasi角点检测,对原始图片的进行特征点检测;
然后,对完成特征点提取的原始图像(二维图片)进行三角剖分,得到如图10所示的原始图像的凹凸面;其中,在本实施例中,采用的是Delaunay三角剖分(算法原理参考:TwoAlgorithmsforConstructingaDelaunayTriangulation(D.T.LeeandB.J.Schachter));
接着,根据该凹凸面,获取原始图像在三维空间的网格数据,此时,已经获取到原始图片在三维空间中的网格数据;
根据用户需要在图像中进行纹理替换的位置确定需要进行替换的凹凸面所在的位置,其中,此步骤可在确定了凹凸面后即可进行,本发明并不限定该步骤和确定网格数据之间的顺序关系;
然后,根据网格数据和贴图算法将目标纹理覆盖至确定的凹凸面所在的位置,此步骤可以称为模型贴图渲染,其中,该贴图算法可以是一个3D贴图算法。
最后,提取已覆盖目标纹理的凹凸面添加到图像中的对应位置。
在实际操作中,也就是将渲染后的模型效果图的对应区域提取并覆盖到原图区域,以实现图片中模特对新服装的试穿,此步骤可称为原始服装替换。
通过上述步骤,完成了对图片的模特的服装进行目标纹理的试穿。
根据本发明的实施例,还提供了一种图像处理装置。
如图11所示,根据本发明实施例的图像处理装置包括:
第一确定模块111,用于基于图像中不同物体所对应的标记,来确定每个物体所占的区域;
第二确定模块112,用于确定图像中每个被标记物体所对应的数据;
替换模块113,用于在接收到用户输入的纹理数据的情况下,利用输入的纹理数据对部分或全部被标记物体所对应的数据进行替换。
其中,在一个实施例中,确定模块还可用于确定图像中的有效标记区域;并对有效标记区域进行单联通区域的提取,从而获得有效标记区域内的所有单联通区域;并根据不同物体所对应的标记的差异,对获取的每个单联通区域进行拆分,从而确定每个物体所占的区域。
综上所述,借助于本发明的上述技术方案,通过后台的精准算法(有效标记区域计算、单联通拆分计算、叠加有效区域计算、区域合并计算等),可对用户交互数据(标记)进行处理,实现对图像中的任何被标记物体进行精确识别和区域提取,不仅对提取物体的类型(例如头像)没有限制,还提高了对图像中物体提取的准确度;本发明还能够准确的确定每个被标记物体所对应的数据,在保持原图物体展现效果的同时实现对识别物体的纹理替换。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
基于图像中不同物体所对应的标记,确定每个物体所占的区域;
确定所述图像中每个被标记物体所对应的数据;
在接收到用户输入的纹理数据的情况下,利用输入的所述纹理数据对部分或全部被标记物体所对应的数据进行替换。
2.根据权利要求1所述的图像处理方法,其特征在于,确定每个物体所占的区域包括:
确定所述图像中的有效标记区域;
对有效标记区域进行单联通区域的提取,获得有效标记区域内的所有单联通区域;
根据不同物体所对应的标记的差异,对获取的每个单联通区域进行拆分,确定每个物体所占的区域。
3.根据权利要求2所述的图像处理方法,其特征在于,在确定所述图像中的有效标记区域时,通过统计矩阵和/或有效标记矩阵来确定。
4.根据权利要求2所述的图像处理方法,其特征在于,在确定所述图像中每个被标记物体所对应的数据时,忽略所占区域的面积小于预定阈值的物体。
5.根据权利要求2所述的图像处理方法,其特征在于,在确定每个物体所占的区域后,如果接收到用户在所述图像中增加的新标记,则进行叠加有效区域计算,并基于对每个单联通区域进行拆分后的结果、以及所述新标记的区域重新进行单连通区域拆分。
6.根据权利要求1所述的图像处理方法,其特征在于,在确定每个物体所占的区域时,将具有相同标记的物体的区域进行合并。
7.根据权利要求1所述的图像处理方法,其特征在于,利用输入的所述纹理数据对部分或全部被标记物体所对应的数据进行替换包括:
对所述图像的原始图像进行特征点提取;
对完成特征点提取的所述原始图像进行三角剖分,得到所述原始图像的凹凸面;
根据所述凹凸面,获取所述原始图像在三维空间的网格数据;
根据用户需要在所述图像中进行纹理替换的位置确定需要进行替换的凹凸面所在的位置;
根据所述网格数据和贴图算法将所述目标纹理覆盖至确定的所述凹凸面所在的位置。
8.根据权利要求7所述的图像处理方法,其特征在于,进一步包括:
提取已覆盖目标纹理的凹凸面添加到所述图像中的对应位置。
9.一种图像处理装置,其特征在于,包括:
第一确定模块,用于基于图像中不同物体所对应的标记,确定每个物体所占的区域;
第二确定模块,用于确定所述图像中每个被标记物体所对应的数据;
替换模块,用于在接收到用户输入的纹理数据的情况下,利用输入的所述纹理数据对部分或全部被标记物体所对应的数据进行替换。
10.根据权利要求9所述的图像处理装置,其特征在于,确定模块还用于确定所述图像中的有效标记区域;对有效标记区域进行单联通区域的提取,获得有效标记区域内的所有单联通区域;根据不同物体所对应的标记的差异,对获取的每个单联通区域进行拆分,确定每个物体所占的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410334247.7A CN105261001A (zh) | 2014-07-14 | 2014-07-14 | 图像处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410334247.7A CN105261001A (zh) | 2014-07-14 | 2014-07-14 | 图像处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105261001A true CN105261001A (zh) | 2016-01-20 |
Family
ID=55100675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410334247.7A Pending CN105261001A (zh) | 2014-07-14 | 2014-07-14 | 图像处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105261001A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255807A (zh) * | 2017-07-13 | 2019-01-22 | 腾讯科技(深圳)有限公司 | 一种图像信息处理方法及服务器、计算机存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030076334A1 (en) * | 2001-10-11 | 2003-04-24 | Adriana Dumitras | Texture replacement in video sequences and images |
US20130286032A1 (en) * | 2002-02-21 | 2013-10-31 | At&T Intellectual Property Ii, L.P. | System and Method for Encoding and Decoding Using Texture Replacement |
CN103873741A (zh) * | 2014-04-02 | 2014-06-18 | 北京奇艺世纪科技有限公司 | 一种用于替换视频中感兴趣区域的方法及装置 |
-
2014
- 2014-07-14 CN CN201410334247.7A patent/CN105261001A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030076334A1 (en) * | 2001-10-11 | 2003-04-24 | Adriana Dumitras | Texture replacement in video sequences and images |
US20130286032A1 (en) * | 2002-02-21 | 2013-10-31 | At&T Intellectual Property Ii, L.P. | System and Method for Encoding and Decoding Using Texture Replacement |
CN103873741A (zh) * | 2014-04-02 | 2014-06-18 | 北京奇艺世纪科技有限公司 | 一种用于替换视频中感兴趣区域的方法及装置 |
Non-Patent Citations (2)
Title |
---|
张云哲 等: "一种新的连通区域标记算法", 《计算机应用研究》 * |
焦少慧 等: "卡通化图像和视频的毛发纹理生成和替换", 《计算机辅助涉及与图形学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255807A (zh) * | 2017-07-13 | 2019-01-22 | 腾讯科技(深圳)有限公司 | 一种图像信息处理方法及服务器、计算机存储介质 |
CN109255807B (zh) * | 2017-07-13 | 2023-02-03 | 腾讯科技(深圳)有限公司 | 一种图像信息处理方法及服务器、计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Achanta et al. | Superpixels and polygons using simple non-iterative clustering | |
CN105931295B (zh) | 一种地质图专题信息提取方法 | |
CN103941866B (zh) | 一种基于Kinect深度图像的三维手势识别方法 | |
Hoiem et al. | Recovering surface layout from an image | |
CN110084243B (zh) | 一种基于二维码和单目相机的档案识别与定位方法 | |
CN102999152B (zh) | 一种手势动作识别方法和系统 | |
Barnea et al. | Segmentation of terrestrial laser scanning data using geometry and image information | |
CN108875595A (zh) | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 | |
CN105493078B (zh) | 彩色草图图像搜索 | |
CN103646249B (zh) | 一种温室智能移动机器人视觉导航路径识别方法 | |
CN104932804B (zh) | 一种智能虚拟装配动作识别方法 | |
CN105068918B (zh) | 一种页面测试方法及装置 | |
CN109584302A (zh) | 相机位姿优化方法、装置、电子设备和计算机可读介质 | |
CN104376596A (zh) | 一种基于单幅图像的三维场景结构建模与注册方法 | |
CN102930561A (zh) | 一种基于Delaunay三角网的栅格地图矢量化方法 | |
CN108010123A (zh) | 一种保留拓扑信息的三维点云获取方法 | |
CN111178170B (zh) | 一种手势识别方法和一种电子设备 | |
CN108921120A (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
CN109341692A (zh) | 一种沿线导航方法及机器人 | |
Cui et al. | Transductive object cutout | |
CN107330980A (zh) | 一种基于无标志物的虚拟家具布置系统 | |
Wang et al. | Image-based building regularization using structural linear features | |
Zhou et al. | Stratified Object‐Oriented Image Classification Based on Remote Sensing Image Scene Division | |
CN101887522A (zh) | 基于多点同时快速行进的遥感影像道路提取方法 | |
CN109166172B (zh) | 服装模型的构建方法、装置、服务器和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160120 |
|
RJ01 | Rejection of invention patent application after publication |