CN107220652B - 用于处理图片的方法和装置 - Google Patents
用于处理图片的方法和装置 Download PDFInfo
- Publication number
- CN107220652B CN107220652B CN201710400582.6A CN201710400582A CN107220652B CN 107220652 B CN107220652 B CN 107220652B CN 201710400582 A CN201710400582 A CN 201710400582A CN 107220652 B CN107220652 B CN 107220652B
- Authority
- CN
- China
- Prior art keywords
- picture
- processed
- image
- pixel value
- response
- 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
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
- G06V10/20—Image preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了用于处理图片的方法。该方法的一具体实施方式包括:识别待处理图片是否包括目标图像;响应于识别出该待处理图片包括该目标图像,确定包括该待处理图片的图像特征的特征图;根据所确定的特征图,生成该待处理图片的响应图,其中,该响应图包括像素值非零的目标区域和像素值为零的非目标区域;基于该响应图和该待处理图片,生成遮挡了目标图像的处理后图片。该实施方式丰富了图片处理的方式。
Description
技术领域
本申请涉及计算机技术领域,具体涉及图像处理技术领域,尤其涉及用于处理图片的方法和装置。
背景技术
图像处理(image processing)又称为影像处理,是用计算机对图像进行处理达到所需结果的技术。本申请中用于处理图片的方法本质也是图像处理过程。在实际应用中,通常需要对一些涉及敏感内容的图片进行处理。
然而,现有的图片处理方式通常需要人工参与处理,从而,存在着图片处理方式较为单一的问题。
发明内容
本申请的目的在于提出一种改进的用于处理图片的方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种用于处理图片的方法,上述方法包括:识别待处理图片是否包括目标图像;响应于识别出上述待处理图片包括上述目标图像,确定包括上述待处理图片的图像特征的特征图;根据所确定的特征图,生成上述待处理图片的响应图,其中,上述响应图包括像素值非零的目标区域和像素值为零的非目标区域;基于上述响应图和上述待处理图片,生成遮挡了目标图像的处理后图片。
第二方面,本申请实施例提供了一种用于处理图片的装置,上述装置包括:识别单元,用于识别待处理图片是否包括目标图像;确定单元,用于响应于识别出上述待处理图片包括上述目标图像,确定包括上述待处理图片的图像特征的特征图;第一生成单元,用于根据所确定的特征图,生成上述待处理图片的响应图,其中,上述响应图包括像素值非零的目标区域和像素值为零的非目标区域;第二生成单元,用于基于上述响应图和上述待处理图片,生成遮挡了目标图像的处理后图片。
第三方面,本申请实施例提供了一种设备,上述设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面的方法。
本申请实施例提供的用于处理图片的方法和装置,通过如果识别出待处理图片是否包括目标图像,则确定待处理图片的特征图,再生成待处理图片的响应图,在这里,响应图中包括像素值非零的目标区域和像素值为零的非目标区域,进而基于待处理图片和响应图,得到遮挡了目标图像的处理后图片,丰富了处理图片的方式。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于处理图片的方法的一个实施例的流程图;
图3是根据本申请的用于处理图片的方法的一个应用场景的示意图;
图4是根据本申请的用于处理图片的方法的又一个实施例的流程图;
图5是根据本申请的用于处理图片的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于处理图片的方法或用于处理图片的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如图像采集类应用、视频播放类应用、图片显示编辑类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持图片或视频上传、浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExperts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPicture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上传或显示的图片或视频提供支持的后台服务器。后台服务器可以对接收到的图片或视频等数据进行分析等处理,可选地,可以将处理结果(例如处理后图片)反馈给终端设备。
需要说明的是,本申请实施例所提供的用于处理图片的方法一般由服务器105执行,相应地,用于处理图片的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器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终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于处理图片的方法的一个实施例的流程200。上述的用于处理图片的方法,包括以下步骤:
步骤201,识别待处理图片是否包括目标图像。
在本实施例中,用于处理图片的方法运行于其上的电子设备(例如图1所示的服务器)可以识别待处理图片是否包括目标图像。
在本实施例中,待处理图片的来源可以有多种,作为示例,可以是上述电子设备本地存储的图片,也可以是其它电子设备实时发送至上述电子设备的图片,还可以是从视频中获取的图像帧。待处理图片的格式可以是各种常见的图片格式,在此不再赘述。
在本实施例中,目标图像可以是预先设置的图像。作为示例,目标图像可以目标人物的图像,也可以是目标物体的图像。
在本实施例中,本领域技术人员可以利用多种方式实现识别待处理图片是否包括目标图像。
在本实施例的一些可选的实现方式中,步骤201可以通过以下方式实现:对待处理图片进行图像分割,计算分割后的各个图像与目标图像的之间的各个图像相似度,如果存在大于预设图像相似度阈值的图像相似度,则确定上述待处理图片包括目标图像。
在本实施例的一些可选的实现方式中,步骤201还可以通过以下方式实现:如果上述待处理图片是视频中的图像帧,上述图像帧在上述视频中的上一图像帧包括上述目标图像。那么对于上述待处理图片中的每个像素,采用光流法,计算该像素与上述上一图像帧中与该像素指示相同物理实体区域的像素之间的光流向量。计算各光流向量的模,并加和平均各光流向量的模,得到平均值。响应于上述平均值小于预设平均值阈值,确定上述待处理图片包括目标图像。
在这里,光流是空间运动物体在观察成像平面上的像素运动的瞬时速度。光流法是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系,从而计算出相邻帧之间物体的运动信息的一种方法。作为示例,光流法可以是基于区域或者基于特征的匹配方法、基于频域的方法、基于梯度的方法。
需要说明的是,关于如何利用光流法计算待处理图片和上一图像帧中的多个光流向量技术本身,是本领域技术人员所公知的,在此不再赘述。上述平均值小于预设平均值阈值,通常可以认为待处理图片与上一图像帧之间的图像内容关联程度较高。在上一图像帧包括目标图像的情况,可以确定待处理图片包括目标图像。
需要说明的是,通过上一图像帧确定待处理图片是否包括目标图像的方式,可以丰富识别待处理图片是否包括目标图像的方式。并且,计算量较低,可以加快识别速度。
在本实施例的一些可选的实现方式中,步骤201还可以通过以下方式实现:可以先利用常见的图像识别方法,如基于计算图像相似度、基于图像识别模型的方法,对待处理图片是否包括目标图像进行识别。如果确定待处理图片不包括目标图片,并且在上述待处理图片是视频中的图像帧、上述图像帧在上述视频中的上一图像帧包括上述目标图像的情况下,可以再利用以下方式进行补充识别:对于上述待处理图片中的每个像素,采用光流法,计算该像素与上述上一图像帧中与该像素指示相同物理实体区域的像素之间的光流向量;计算各光流向量的模,并加和平均各光流向量的模,得到平均值;响应于上述平均值小于预设平均值阈值,确定上述待处理图片包括目标图像。
需要说明的是,通过上一图像帧确定待处理图片是否包括目标图像的方式,对待识别图片进行补充识别,可以丰富识别待处理图片是否包括目标图像的方式,并且可以提高识别的准确率。
步骤202,响应于识别出待处理图片包括目标图像,确定包括待处理图片的图像特征的特征图。
在本实施例中,用于处理图片的方法运行于其上的电子设备(例如图1所示的服务器)可以响应于识别出上述待处理图片包括上述目标图像,确定包括上述待处理图片的图像特征的特征图。
在本实施例中,待处理图片的图像特征可以是颜色特征、纹理特征、形状特征、空间关系特征。
在本实施例的一些可选的实现方式中,可以利用常见的图像特征提取算法提取待处理图片的图像特征,作为示例,图像特征提取算法可以是方向梯度直方图(Histogram ofOriented Gradient,HOG)特征提取算法、局部二值模式(Local Binary Pattern,LBP)特征提取算法等。如何利用常见的图像特征提取算法提取图片的图像特征这一技术本身,是本领域技术人员所公知的,在此不再赘述。
本领域技术人员可以理解,从图片的提取得到的图像特征仍然是一幅图片,所以提取待处理图片的图像特征可以得到包括待处理图片的图像特征的特征图。
需要说明的是,所确定特征图可能是一幅,也可能是多幅。
步骤203,根据所确定的特征图,生成待处理图片的响应图。
在本实施例中,用于处理图片的方法运行于其上的电子设备(例如图1所示的服务器)可以根据所确定的特征图,生成上述待处理图片的响应图。在这里,上述响应图包括像素值非零的目标区域和像素值为零的非目标区域。
作为示例,目标图像是玫瑰花的图像,识别出待处理图片中包括玫瑰花的图像。待处理图片的响应图,可以是玫瑰花的图像的区域像素值非零,即目标区域;在不是玫瑰花的图像的区域像素值为零,即非目标区域。
在本实施例的一些可选的实现方式中,步骤203可以通过以下方式实现:对于所确定的特征图,将特征图中不大于预设像素值阈值的像素值取零,将特征图中大于预设像素值阈值的像素值取非零的数值,得到待处理图片的响应图。
步骤204,基于响应图和待处理图片,生成遮挡了目标图像的处理后图片。
在本实施例中,用于处理图片的方法运行于其上的电子设备(例如图1所示的服务器)可以基于上述响应图和上述待处理图片,生成遮挡了目标图像的处理后图片。
在本实施例的一些可选的实现方式中,步骤204可以通过以下方式实现:根据上述响应图,得到位置信息,在这里,上述位置信息用于指示上述目标图像在上述待处理图片中的区域。将预设图片覆盖到上述待处理图片的上述区域之上以遮挡目标图像,得到上述处理后图片。
在这里,可以响应图中的目标区域将映射得到待处理图片中目标图像的区域,从而确定位置信息。预设图片可以对待处理图片中的目标图像进行遮挡。
继续参见图3,图3是根据本实施例的用于处理图片的方法的应用场景的一个示意图。在图3的应用场景中,服务器301可以首先获取待处理图片302;服务器301可以识别待处理图片是否包括目标图像,例如待处理图片302中的猫头上的蝴蝶结;然后,上述服务器301可以响应于识别出待处理图片包括目标图像,确定包括待处理图片的图像特征的特征图303;再后,上述服务器可以根据所确定的特征图,生成待处理图片的响应图304;再后,上述服务器可以基于响应图和待处理图片,生成遮挡了目标图像的处理后图片305,作为示例,处理后图片305遮挡了目标图像蝴蝶结。
本申请的上述实施例提供的方法,通过如果识别出待处理图片是否包括目标图像,则确定待处理图片的特征图,再生成待处理图片的响应图,在这里,响应图中包括像素值非零的目标区域和像素值为零的非目标区域,进而基于待处理图片和响应图,得到遮挡了目标图像的处理后图片,丰富了处理图片的方式。
进一步参考图4,其示出了用于处理图片的方法的又一个实施例的流程400。该用于处理图片的方法的流程400,包括以下步骤:
步骤401,将待处理图片导入预先建立的卷积神经网络模型,得到指示信息。
在本实施例中,用于处理图片的方法运行于其上的电子设备(例如图1所示的服务器)可以将上述待处理图片导入预先建立的卷积神经网络模型,得到指示信息。
在本实施例中,指示信息用于指示图片是否包括目标图像,上述卷积神经网络模型用于表征图片与上述指示信息之间的对应关系。作为示例,指示信息可以是卷积神经网络模型输出的数值形式的信息,输出的数值为1指示图片包括目标图像,输出的数值为0指示图片不包括目标图像。当然,指示信息也可以是卷积神经网络模型输出的矩阵形式的信息,并以不同的矩阵指示图片包括或不包括目标图像。
在本实施例中,上述卷积神经网络模型可以包括至少一个特征提取层,其中,特征提取层用于输出至少一个通道的特征图。
在本实施例中,可以利用以下方式建立上述卷积神经网络模型:利用预先标注有指示信息的图片作为训练样本,训练初始的卷积神经网络模型,得到可以用于处理待识别的图片的卷积神经网络模型。在这里,如何配置初始的卷积神经网络模型是本领域技术人员所公知的,在此不再赘述。
步骤402,将卷积神经网络模型的最后一个特征提取层输出的多个通道的特征图,确定为包括待处理图片的图像特征的特征图。
在本实施例中,用于处理图片的方法运行于其上的电子设备(例如图1所示的服务器)可以将上述卷积神经网络模型的最后一个特征提取层输出的多个通道的特征图,确定为包括上述待处理图片的图像特征的特征图。
需要说明的是,从利用其进行图像识别的卷积神经网络模型中,获取最后一个特征提取层输出的多个通道的特征图。将所获取的特征图确定为待处理图片的图像特征的特征图,可以快速得到待处理图片的特征图,由此可以提高处理图片的效率。
步骤403,根据线性整流函数、多个通道的特征图和预设的与多个通道分别对应的权重,生成待处理图片的响应图。
在本实施例中,用于处理图片的方法运行于其上的电子设备(例如图1所示的服务器)可以根据线性整流函数、上述多个通道的特征图和预设的与上述多个通道分别对应的权重,生成上述待处理图片的响应图。
在本实施例中,可以首先将多个通道的特征图中的像素值与预设的与多个通道分别对应的权重相乘,然后相加得到的各个乘积,得到各个乘积的和。
需要说明的是,在神经网络领域,线性整流函数(Rectified Linear Unit,ReLU),又称修正线性单元,可以作为激活函数使用,能够将小于0的值置0。
可选地,可以将得到的各个乘积的和作为线性整流函数输入,得到响应图。
可选地,可以将得到的各个乘积的和再加上一个偏置项,得到偏置后的和,将偏置后的和作为线性整流函数输入,得到响应图。
步骤404,将响应图中的各像素值归一化,得到归一化响应图。
在本实施例中,用于处理图片的方法运行于其上的电子设备(例如图1所示的服务器)可以将上述响应图中的各像素值归一化,得到归一化响应图。需要说明的是,如何对响应图的各像素值实现归一化本身是本领域技术人员所公知的,在此不再赘述。
步骤405,压缩待处理图片,得到压缩图片。
在本实施例中,用于处理图片的方法运行于其上的电子设备(例如图1所示的服务器)可以压缩上述待处理图片,得到压缩图片。
在本实施例中,可以利用图像处理领域常用的图像压缩算法实现对待处理图片的压缩,在此不再赘述。
步骤406,放大压缩图片,得到马赛克图片。
在本实施例中,用于处理图片的方法运行于其上的电子设备(例如图1所示的服务器)可以
在本实施例中,可以利用图像处理领域常用的图像放大算法实现对待处理图片的放大。作为示例,图像放大算法可以是最邻近法、双线性插值法等。
本领域技术人员可以理解,如果画面模糊看上去由一个个的小格子组成,便形象的称这种画面为马赛克。如果图片的细节劣化并造成色块打乱的效果,画面模糊看上去由一个个的小格子组成,则可以称此图片为马赛克图片。
本领域技术人员可以理解,图片经压缩后再放大可以得到马赛克图片。压缩过程中丢失一些图像信息,再放大很可能得到马赛克图片。
步骤407,将归一化响应图的各个像素值减1后取绝对值,得到归一化响应图的反向图。
在本实施例中,用于处理图片的方法运行于其上的电子设备(例如图1所示的服务器)可以将上述归一化响应图的各个像素值减1后取绝对值,得到上述归一化响应图的反向图。
步骤408,将第一图片的各个像素值与第二图片中对应位置的像素值的和,确定为上述处理后图片中对应位置的各个像素值。
在本实施例中,用于处理图片的方法运行于其上的电子设备(例如图1所示的服务器)可以将第一图片的各个像素值与第二图片中对应位置的像素值的和,确定为上述处理后图片中对应位置的各个像素值。
在本实施例中,上述第一图片中的各个像素值是上述马赛克图片中各个像素值与上述归一化响应图中对应位置的像素值的乘积。
在本实施例中,上述第二图片中的各个像素值是上述待处理图片中各个像素值与上述反向图中对应位置的像素值的乘积。
需要说明的是,第一图片中的目标区域呈现马赛克图像,非目标区域像素值均为0。第二图像中的非目标区域还是待处理图片的非目标区域的图像,目标区域是在原图像基础上模糊了的图像。将第一图片和第二图片对应位置的像素值加和,可以得到处理后图片。处理后图片在待处理图片的目标图像的位置呈现马赛克图像,在其它位置呈现待处理图片中的原图像。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于处理图片的方法的流程400突出了利用无需确定目标区域的位置,直接得到遮挡了目标图像的处理后图像的步骤。由此,本实施例描述的方案可以引入更多处理图片的方式。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于处理图片的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例上述的用于处理图片的装置500包括:识别单元501、确定单元502、第一生成单元503和第二生成单元504。其中,识别单元,用于识别待处理图片是否包括目标图像;确定单元,用于响应于识别出上述待处理图片包括上述目标图像,确定包括上述待处理图片的图像特征的特征图;第一生成单元,用于根据所确定的特征图,生成上述待处理图片的响应图,其中,上述响应图包括像素值非零的目标区域和像素值为零的非目标区域;第二生成单元,用于基于上述响应图和上述待处理图片,生成遮挡了目标图像的处理后图片。
在本实施例中,识别单元501、确定单元502、第一生成单元503和第二生成单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203以及步骤204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述识别单元501,还可以用于:将上述待处理图片导入预先建立的卷积神经网络模型,得到指示信息,其中,指示信息用于指示图片是否包括目标图像,上述卷积神经网络模型用于表征图片与上述指示信息之间的对应关系,并且上述卷积神经网络模型包括至少一个特征提取层,其中,特征提取层用于输出至少一个通道的特征图。
在本实施例的一些可选的实现方式中,上述确定单元502,还可以用于:将上述卷积神经网络模型的最后一个特征提取层输出的多个通道的特征图,确定为包括上述待处理图片的图像特征的特征图。
在本实施例的一些可选的实现方式中,上述第一生成单元503,还可以用于:根据线性整流函数、上述多个通道的特征图和预设的与上述多个通道分别对应的权重,生成上述待处理图片的响应图;将上述响应图中的各像素值归一化,得到归一化响应图。
在本实施例的一些可选的实现方式中,上述第二生成单元504,还可以用于:压缩上述待处理图片,得到压缩图片;放大上述压缩图片,得到马赛克图片,其中,上述马赛克图片与上述待处理图片的像素数量相同;将上述归一化响应图的各个像素值减1后取绝对值,得到上述归一化响应图的反向图;将第一图片的各个像素值与第二图片中对应位置的像素值的和,确定为上述处理后图片中对应位置的各个像素值,其中,上述第一图片中的各个像素值是上述马赛克图片中各个像素值与上述归一化响应图中对应位置的像素值的乘积,上述第二图片中的各个像素值是上述待处理图片中各个像素值与上述反向图中对应位置的像素值的乘积。
在本实施例的一些可选的实现方式中,上述待处理图片是视频中的图像帧,上述图像帧在上述视频中的上一图像帧包括上述目标图像;以及上述识别单元501,还可以用于:对于上述待处理图片中的每个像素,采用光流法,计算该像素与上述上一图像帧中与该像素指示相同物理实体区域的像素之间的光流向量;计算各光流向量的模,并加和平均各光流向量的模,得到平均值;响应于上述平均值小于预设平均值阈值,确定上述待处理图片包括目标图像。
在本实施例的一些可选的实现方式中,上述第二生成单元504,还可以用于:根据上述响应图,得到位置信息,其中,上述位置信息用于指示上述目标图像在上述待处理图片中的区域;将预设图片覆盖到上述待处理图片的上述区域之上,得到上述处理后图片。
需要说明的是,本实施例提供的用于处理图片的装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明,在此不再赘述。
下面参考图6,其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)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部分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,还存储有系统600操作所需的各种程序和数据。CPU 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。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
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部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请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、或半导体的系统、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。在本申请中,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系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的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。计算机可读的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,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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系统来实现,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:一种处理器包括识别单元、确定单元、第一生成单元和第二生成单元。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,识别单元还可以被描述为“识别待处理图片是否包括目标图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。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装置执行时,使得该装置:识别待处理图片是否包括目标图像;响应于识别出上述待处理图片包括上述目标图像,确定包括上述待处理图片的图像特征的特征图;根据所确定的特征图,生成上述待处理图片的响应图,其中,上述响应图包括像素值非零的目标区域和像素值为零的非目标区域;基于上述响应图和上述待处理图片,生成遮挡了目标图像的处理后图片。
以上描述仅为本申请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,本申请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。例如上述特征与本申请中公开的(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)
1.一种用于处理图片的方法,其特征在于,所述方法包括:
识别待处理图片是否包括目标图像;
响应于识别出所述待处理图片包括所述目标图像,确定包括所述待处理图片的图像特征的特征图;
根据所确定的特征图,生成所述待处理图片的响应图,其中,所述响应图包括像素值非零的目标区域和像素值为零的非目标区域;
将所述响应图中的各像素值归一化,得到归一化响应图;
压缩所述待处理图片,得到压缩图片;
放大所述压缩图片,得到马赛克图片,其中,所述马赛克图片与所述待处理图片的像素数量相同;
将所述归一化响应图的各个像素值减1后取绝对值,得到所述归一化响应图的反向图;
将第一图片的各个像素值与第二图片中对应位置的像素值的和,确定为所述处理后图片中对应位置的各个像素值,其中,所述第一图片中的各个像素值是所述马赛克图片中各个像素值与所述归一化响应图中对应位置的像素值的乘积,所述第二图片中的各个像素值是所述待处理图片中各个像素值与所述反向图中对应位置的像素值的乘积。
2.根据权利要求1所述的方法,其特征在于,所述识别待处理图片是否包括目标图像,包括:
将所述待处理图片导入预先建立的卷积神经网络模型,得到指示信息,其中,指示信息用于指示图片是否包括目标图像,所述卷积神经网络模型用于表征图片与所述指示信息之间的对应关系,并且所述卷积神经网络模型包括至少一个特征提取层,其中,特征提取层用于输出至少一个通道的特征图。
3.根据权利要求2所述的方法,其特征在于,所述响应于识别出所述待处理图片包括所述目标图像,确定包括所述待处理图片的图像特征的特征图,包括:
将所述卷积神经网络模型的最后一个特征提取层输出的多个通道的特征图,确定为包括所述待处理图片的图像特征的特征图。
4.根据权利要求3所述的方法,其特征在于,所述根据所确定的特征图,生成所述待处理图片的响应图,包括:
根据线性整流函数、所述多个通道的特征图和预设的与所述多个通道分别对应的权重,生成所述待处理图片的响应图。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述待处理图片是视频中的图像帧,所述图像帧在所述视频中的上一图像帧包括所述目标图像;以及
所述识别待处理图片是否包括目标图像,还包括:
对于所述待处理图片中的每个像素,采用光流法,计算该像素与所述上一图像帧中与该像素指示相同物理实体区域的像素之间的光流向量;
计算各光流向量的模,并加和平均各光流向量的模,得到平均值;
响应于所述平均值小于预设平均值阈值,确定所述待处理图片包括目标图像。
6.一种用于处理图片的装置,其特征在于,所述装置包括:
识别单元,用于识别待处理图片是否包括目标图像;
确定单元,用于响应于识别出所述待处理图片包括所述目标图像,确定包括所述待处理图片的图像特征的特征图;
第一生成单元,用于根据所确定的特征图,生成所述待处理图片的响应图,其中,所述响应图包括像素值非零的目标区域和像素值为零的非目标区域;将所述响应图中的各像素值归一化,得到归一化响应图;
第二生成单元,用于:压缩上述待处理图片,得到压缩图片;放大上述压缩图片,得到马赛克图片,其中,上述马赛克图片与上述待处理图片的像素数量相同;将上述归一化响应图的各个像素值减1后取绝对值,得到上述归一化响应图的反向图;将第一图片的各个像素值与第二图片中对应位置的像素值的和,确定为上述处理后图片中对应位置的各个像素值,其中,上述第一图片中的各个像素值是上述马赛克图片中各个像素值与上述归一化响应图中对应位置的像素值的乘积,上述第二图片中的各个像素值是上述待处理图片中各个像素值与上述反向图中对应位置的像素值的乘积。
7.一种电子设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
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。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该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 |
---|---|---|---|
CN201710400582.6A CN107220652B (zh) | 2017-05-31 | 2017-05-31 | 用于处理图片的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710400582.6A CN107220652B (zh) | 2017-05-31 | 2017-05-31 | 用于处理图片的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107220652A CN107220652A (zh) | 2017-09-29 |
CN107220652B true CN107220652B (zh) | 2020-05-01 |
Family
ID=59947307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710400582.6A Active CN107220652B (zh) | 2017-05-31 | 2017-05-31 | 用于处理图片的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220652B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491890B (zh) * | 2018-04-04 | 2022-05-27 | 百度在线网络技术(北京)有限公司 | 图像方法和装置 |
CN108550107A (zh) * | 2018-04-27 | 2018-09-18 | Oppo广东移动通信有限公司 | 一种图片处理方法、图片处理装置及移动终端 |
CN108805952A (zh) * | 2018-05-31 | 2018-11-13 | 北京金山安全软件有限公司 | 一种制作幻灯片特效的方法、装置、电子设备及介质 |
CN109101523A (zh) * | 2018-06-14 | 2018-12-28 | 北京搜狗科技发展有限公司 | 一种图像处理方法、装置和电子设备 |
CN108805989B (zh) * | 2018-06-28 | 2022-11-11 | 百度在线网络技术(北京)有限公司 | 场景穿越的方法、装置、存储介质和终端设备 |
CN108921792B (zh) * | 2018-07-03 | 2023-06-27 | 北京字节跳动网络技术有限公司 | 用于处理图片的方法和装置 |
CN110163864B (zh) * | 2019-05-28 | 2020-12-04 | 北京迈格威科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN112085680B (zh) * | 2020-09-09 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101081168A (zh) * | 2007-07-06 | 2007-12-05 | 深圳市迈科龙电子有限公司 | 胎儿图像性别部位识别屏蔽方法 |
CN101895728A (zh) * | 2010-06-08 | 2010-11-24 | 北京竞业达数码科技有限公司 | 对考场视频进行监控处理的方法及装置 |
CN102592141A (zh) * | 2012-01-04 | 2012-07-18 | 南京理工大学常熟研究院有限公司 | 一种对动态图像中人脸遮挡的方法 |
CN104504075A (zh) * | 2014-12-23 | 2015-04-08 | 北京奇虎科技有限公司 | 信息模糊处理方法及装置 |
CN104573731A (zh) * | 2015-02-06 | 2015-04-29 | 厦门大学 | 基于卷积神经网络的快速目标检测方法 |
CN104658249A (zh) * | 2013-11-22 | 2015-05-27 | 上海宝康电子控制工程有限公司 | 基于帧差和光流实现车辆快速检测的方法 |
CN105513104A (zh) * | 2015-12-01 | 2016-04-20 | 小米科技有限责任公司 | 图片拍摄方法、装置及系统 |
CN105550592A (zh) * | 2015-12-09 | 2016-05-04 | 上海斐讯数据通信技术有限公司 | 一种人脸图片的保护方法、系统及移动终端 |
-
2017
- 2017-05-31 CN CN201710400582.6A patent/CN107220652B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101081168A (zh) * | 2007-07-06 | 2007-12-05 | 深圳市迈科龙电子有限公司 | 胎儿图像性别部位识别屏蔽方法 |
CN101895728A (zh) * | 2010-06-08 | 2010-11-24 | 北京竞业达数码科技有限公司 | 对考场视频进行监控处理的方法及装置 |
CN102592141A (zh) * | 2012-01-04 | 2012-07-18 | 南京理工大学常熟研究院有限公司 | 一种对动态图像中人脸遮挡的方法 |
CN104658249A (zh) * | 2013-11-22 | 2015-05-27 | 上海宝康电子控制工程有限公司 | 基于帧差和光流实现车辆快速检测的方法 |
CN104504075A (zh) * | 2014-12-23 | 2015-04-08 | 北京奇虎科技有限公司 | 信息模糊处理方法及装置 |
CN104573731A (zh) * | 2015-02-06 | 2015-04-29 | 厦门大学 | 基于卷积神经网络的快速目标检测方法 |
CN105513104A (zh) * | 2015-12-01 | 2016-04-20 | 小米科技有限责任公司 | 图片拍摄方法、装置及系统 |
CN105550592A (zh) * | 2015-12-09 | 2016-05-04 | 上海斐讯数据通信技术有限公司 | 一种人脸图片的保护方法、系统及移动终端 |
Also Published As
Publication number | Publication date |
---|---|
CN107220652A (zh) | 2017-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220652B (zh) | 用于处理图片的方法和装置 | |
CN107911753B (zh) | 用于在视频中添加数字水印的方法和装置 | |
CN109255337B (zh) | 人脸关键点检测方法和装置 | |
CN109858333B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN109344762B (zh) | 图像处理方法和装置 | |
CN109711508B (zh) | 图像处理方法和装置 | |
CN111464833A (zh) | 目标图像生成方法、目标图像生成装置、介质及电子设备 | |
CN109389072B (zh) | 数据处理方法和装置 | |
CN109784304B (zh) | 用于标注牙齿图像的方法和装置 | |
CN112954450A (zh) | 视频处理方法、装置、电子设备和存储介质 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
CN112330527A (zh) | 图像处理方法、装置、电子设备和介质 | |
US9305603B2 (en) | Method and apparatus for indexing a video stream | |
CN109389096A (zh) | 检测方法和装置 | |
CN113033677A (zh) | 视频分类方法、装置、电子设备和存储介质 | |
CN109241930B (zh) | 用于处理眉部图像的方法和装置 | |
CN110852250B (zh) | 一种基于最大面积法的车辆排重方法、装置及存储介质 | |
CN111292333A (zh) | 用于分割图像的方法和装置 | |
CN108921792B (zh) | 用于处理图片的方法和装置 | |
CN108446737B (zh) | 用于识别对象的方法和装置 | |
CN110889470B (zh) | 用于处理图像的方法和装置 | |
CN112487943B (zh) | 关键帧去重的方法、装置和电子设备 | |
CN111311604A (zh) | 用于分割图像的方法和装置 | |
CN113112398A (zh) | 图像处理方法和装置 | |
Hsia et al. | Improvement of face recognition using light compensation technique on real-time imaging |
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 |