CN108009563B - 图像处理方法、装置及终端 - Google Patents
图像处理方法、装置及终端 Download PDFInfo
- Publication number
- CN108009563B CN108009563B CN201711015888.6A CN201711015888A CN108009563B CN 108009563 B CN108009563 B CN 108009563B CN 201711015888 A CN201711015888 A CN 201711015888A CN 108009563 B CN108009563 B CN 108009563B
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- images
- aspect ratio
- preset
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Abstract
本发明实施例提供了一种图像处理方法、装置及终端,其中所述方法包括:确定待处理图像的宽高比;依据所述宽高比,将所述待处理图像分割成第一预设数量个子图像,所述子图像宽高比介于预设范围内;将分割后的各所述子图像堆叠后,输入卷积神经网络进行处理。通过本发明实施例提供的图像处理方案,将待处理图像分割成多个形状为矩形的子图像,将分割后的各子图像堆叠后输入卷积神经网络进行分类或检测时,能够有效避免尺寸失真的问题。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种图像处理方法、装置及终端。
背景技术
针对多尺度视频、图像的预处理技术近年来,在深度学习在视频图像、语音识别、自然语言处理等相关领域得到了广泛应用。卷积神经网络作为深度学习的一个重要分支,由于其超强的拟合能力以及端到端的全局优化能力,使得其在目标检测、分类等计算机视觉任务中所得预测结果的精度大幅提升。
输入卷积神经网络的数据必须是固定尺度的视频、图像的多媒体数据。然而互联网中的多媒体数据尺度千差万别,所以在将基于卷积神经网络的图像分类算法应用到多尺度的多媒体数据上进行分类或者检测时,由于互联网数据宽高比例、分辨率不一,易出现尺度失真的问题。
发明内容
本发明实施例提供一种图像预处理方法、装置及终端,以解决现有技术中存在卷积神经网络对多尺度多媒体数据进行分类或者检测时存在的尺度失真的问题。
依据本发明的一个方面,提供了一种图像处理方法,所述方法包括:确定待处理图像的宽高比;依据所述宽高比,将所述待处理图像分割成第一预设数量个子图像,所述子图像宽高比介于预设范围内;将分割后的各所述子图像堆叠后,输入卷积神经网络进行处理。
可选地,所述依据所述宽高比,将所述待处理图像分割成第一预设数量个子图像的步骤,包括:确定所述宽高比所属的比值范围,并确定所述比值范围对应的分割规则;依据所述分割规则将所述待处理图像分割成第一预设数量个子图像。
可选地,当所述宽高比大于第一预设值或小于第二预设值时,所述宽高比对应的分割规则为:使用横向和\或纵向分割模式,将所述待处理图像分割成第一预设数量个子图像;其中,所述第一预设值大于所述第二预设值;当所述宽高比介于所述第一预设值与所述第二预设值之间时,所述宽高比对应的分割规则为:使用横向和\或纵向分割模式将所述待处理图像分割成第二预设数量个子图像,使用中心图像分割模式将所述待处理图像分割成第三预设数量个子图像;其中,所述第二预设数量与所述第三预设数量之和为所述第一预设数量。
可选地,所述第一预设值为1.7,所述第二预设值为0.7,所述第一预设数量为6。
可选地,所述将分割后的各所述子图像堆叠后,输入卷积神经网络进行处理的步骤,包括:将分割后的各所述子图像的红绿蓝颜色通道进行堆叠,输入所述卷积神经网络进行处理。
可选地,所述子图像形状为正方形。
根据本发明的另一方面,提供了一种图像处理装置,所述装置包括:确定模块,被配置为确定待处理图像的宽高比;分割模块,被配置为依据所述宽高比,将所述待处理图像分割成第一预设数量个子图像,所述子图像宽高比介于预设范围内;堆叠模块,被配置为将分割后的各所述子图像堆叠后,输入卷积神经网络进行处理。
可选地,所述分割模块包括:规则确定子模块,被配置为确定所述宽高比所属的比值范围,并确定所述比值范围对应的分割规则;分割子模块,被配置为依据所述分割规则将所述待处理图像分割成第一预设数量个子图像。
可选地,当所述宽高比大于第一预设值或小于第二预设值时,所述宽高比对应的分割规则为:使用横向和\或纵向分割模式,将所述待处理图像分割成第一预设数量个子图像;其中,所述第一预设值大于所述第二预设值;当所述宽高比介于所述第一预设值与所述第二预设值之间时,所述宽高比对应的分割规则为:使用横向和\或纵向分割模式将所述待处理图像分割成第二预设数量个子图像,使用中心图像分割模式将所述待处理图像分割成第三预设数量个子图像;其中,所述第二预设数量与所述第三预设数量之和为所述第一预设数量。
可选地,所述第一预设值为1.7,所述第二预设值为0.7,所述第一预设数量为6。
可选地,所述堆叠模块具体被配置为:将分割后的各所述子图像的红绿蓝颜色通道进行堆叠,输入所述卷积神经网络进行处理。
可选地,所述子图像形状为正方形。
根据本发明的再一方面,提供了一种终端,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像处理程序,所述图像预处理程序被所述处理器执行时实现本发明中所述的任意一种图像处理方法的步骤。
根据本发明的又一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有图像预处理程序,所述图像处理程序被处理器执行时实现本发明中所述的任意一种图像处理方法的步骤。
与现有技术相比,本发明具有以下优点:
本发明实施例提供的图像处理方案,将待处理图像分割成多个形状为矩形的子图像,分割后的子图像尺寸一致且与卷积神经网络所支持处理的图像的尺寸匹配,因此,将分割后的各子图像堆叠后输入卷积神经网络进行分类或检测时,能够有效避免尺寸失真的问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是根据本发明实施例一的一种图像处理方法的步骤流程图;
图2是根据本发明实施例二的一种图像处理方法的步骤流程图;
图3是宽高比为3:2的图像分割示意图;
图4是宽高比为2:3的图像分割示意图;
图5是宽高比为1:1的图像横纵向分割示意图;
图6是宽高比为1:1的图像中心分割示意图;
图7是根据本发明实施例三的一种图像处理装置的结构框图;
图8是根据本发明实施例四的一种终端的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
参照图1,示出了本发明实施例一的一种图像预处理方法的步骤流程图。
本发明实施例的图像预处理方法可以包括以下步骤:
步骤101:确定待处理图像的宽高比。
待处理图像可以为视频中的单帧图像,也可以仅为一个多媒体图像。待处理对象的宽高比为图像的宽度、高度的比值。其中,宽高比可以为3:2,2:3,1:1等任意值。
步骤102:依据宽高比,将待处理图像分割成第一预设数量个子图像。
其中,子图像宽高比介于预设范围内,将子图像的宽高比限定在预设范围内目的是保证子图像为正方形或近似正方形。预设范围可以由本领域技术人员根据实际需求进行设置,例如设置成0.9~1.1,0.95~1.05。8~1.2等。优选地将待处理图像划分成多个宽高比为1:1的正方形子图像。卷积神经网络对尺寸为正方形图像进行检测时不会出现失真的问题,因此本发明实施例中在对图像进行预处理时需将待处理图像分割成多个正方形或近似正方形的子图像。
在具体实现过程中第一预设数量可以由本领域技术人员根据实际需求进行设置,本发明实施例中对此不作具体限制。例如:第一预设数量可以为2、4、6、8或者10等。
步骤103:将分割后的各子图像堆叠后,输入卷积神经网络进行处理。
对子图像进行堆叠时,可以将子图像的颜色通道进行堆叠。每个子图像包括红绿蓝三个颜色通道,若待处理图像分割成6个子图像,则堆叠后形成十八个颜色通道;若待处理图像分割成8个子图像,则堆叠后形成二十四个颜色通道。
本发明实施例提供的图像预处理方法,将待处理图像分割成多个形状为正方形或近似正方形的子图像,分割后的子图像尺寸一致且与卷积神经网络所支持处理的图像的尺寸匹配,因此,将分割后的各子图像堆叠后输入卷积神经网络进行分类或检测时,能够有效避免尺寸失真的问题。
实施例二
参照图2,示出了本发明实施例二的一种图像预处理方法的步骤流程图。
本发明实施例的图像预处理方法具体可以包括以下步骤:
步骤201:确定待处理图像的宽高比。
待处理对象的宽高比为图像的宽度、高度的比值。目前互联网中图像尺寸的宽高比为3:2或2:3或1:1的图像居多,当然,互联网中也可能存在其他尺寸的图像。本发明实施例提供的图像预处理方法适用于各种尺度高宽比的图像。
步骤202:确定宽高比所属的比值范围,并确定比值范围对应的分割规则。
一种优选地宽高比值范围与分割规则的对应方式如下:
当宽高比大于第一预设值或小于第二预设值时,宽高比对应的分割规则为:使用横向和\或纵向分割模式,将待处理图像分割成第一预设数量个子图像;其中,第一预设值大于第二预设值。优选地,第一预设值为1.7,第二预设值为0.7,第一预设数量为6。
当宽高比介于第一预设值与第二预设值之间时,高宽比对应的分割规则为:使用横向和\或纵向分割模式将待处理图像分割成第二预设数量个子图像,使用中心图像分割模式将待处理图像分割成第三预设数量个子图像;其中,第二预设数量与第三预设数量之和为第一预设数量。
该种优选地宽高比与图像分割规则的对应方式,更加适合处理宽高比为3:2或2:3或1:1的图像,而目前互联网中这三种宽高比例的图像居多,因此该种优选地图像分割规则设置方式具有良好的普适性。
需要说明的是,在具体实现过程中第一预设值、第二预设值并不局限于本发明实施例中所列举的第一预设值为1.7,第二预设值为0.7,第一预设数量为6,第一预设值、第二预设值、第一预设数量均可由本领域技术人员根据实际需求进行设置。
步骤203:依据分割规则将待处理图像分割成第一预设数量个子图像。
以第一预设值为1.7,第二预设值为0.7,第一预设数量为6为例,对宽高比为3:2的图像进行分割时,将图像沿纵向分割出三部分、沿横向分割出两部分,最终将图像分割成如图3中所示的6个子图像。对宽高比为2:3的图像进行分割时,将图像沿纵向分割出两部分、沿横向分割出三部分,最终将图像分割成如图4中所示的6个子图像。对宽高比为1:1的图像进行分割时,如图5所示先将图像沿纵向分割出两部分、沿横向分割出两部分得到四部分,然后如图6所示将原始图像按照中心分割的方式分割出两部分,最终将图像分割出6个子图像。
步骤204:将分割后的各子图像的红绿蓝颜色通道进行堆叠,输入卷积神经网络进行处理。
每个子图像均包含红绿蓝三个颜色通道,则堆叠后输入卷积神经网络的颜色通道则为第一预设数量的三倍。若待处理图像分割成6个子图像,则堆叠后形成十八个颜色通道;若待处理图像分割成8个子图像,则堆叠后形成二十四个颜色通道。
本发明实施例提供的图像处理方法,将待处理图像分割成多个形状为正方形或近似正方形的子图像,分割后的子图像尺寸一致且与卷积神经网络所支持处理的图像的尺寸匹配,因此,将分割后的各子图像堆叠后输入卷积神经网络进行分类或检测时,能够有效避免尺寸失真的问题。
实施例三
参照图7,示出了本发明实施例三的一种图像处理装置的结构框图。本发明实施例的图像处理装置可以包括:确定模块701,被配置为确定待处理图像的宽高比;分割模块702,被配置为依据所述宽高比,将所述待处理图像分割成第一预设数量个子图像,所述子图像宽高比介于预设范围内;堆叠模块703,被配置为将分割后的各所述子图像堆叠后,输入卷积神经网络进行处理。
优选地,所述分割模块702可以包括:规则确定子模块7021,被配置为确定所述宽高比所属的比值范围,并确定所述比值范围对应的分割规则;分割子模块7022,被配置为依据所述分割规则将所述待处理图像分割成第一预设数量个子图像。
优选地,当所述宽高比大于第一预设值或小于第二预设值时,所述宽高比对应的分割规则为:使用横向和\或纵向分割模式,将所述待处理图像分割成第一预设数量个子图像;其中,所述第一预设值大于所述第二预设值;当所述宽高比介于所述第一预设值与所述第二预设值之间时,所述宽高比对应的分割规则为:使用横向和\或纵向分割模式将所述待处理图像分割成第二预设数量个子图像,使用中心图像分割模式将所述待处理图像分割成第三预设数量个子图像;其中,所述第二预设数量与所述第三预设数量之和为所述第一预设数量。
优选地,所述第一预设值为1.7,所述第二预设值为0.7,所述第一预设数量为6。
优选地,所述堆叠模块可具体被配置为:将分割后的各所述子图像的红绿蓝颜色通道进行堆叠,输入所述卷积神经网络进行处理。
优选地,所述子图像形状为正方形。
本发明实施例的图像处理装置用于实现前述实施例一、实施例二中相应的图像处理方法,并具有与方法实施例相应的有益效果,在此不再赘述。
实施例四
参照图8,示出了本发明实施例四的一种用于图像处理的终端的结构框图。
本发明实施例的终端可以包括:存储器、处理器及存储在存储器上并可在处理器上运行的图像处理程序,图像预处理程序被处理器执行时实现本发明中所述的任意一种图像处理方法的步骤。
图8是根据一示例性实施例示出的一种图像处理终端600的框图。例如,终端600可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图8,终端600可以包括以下一个或多个组件:处理组件602,存储器604,电源组件606,多媒体组件608,音频组件610,输入/输出(I/O)的接口612,传感器组件614,以及通信组件616。
处理组件602通常控制装置600的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件602可以包括一个或多个模块,便于处理组件602和其他组件之间的交互。例如,处理部件602可以包括多媒体模块,以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在终端600的操作。这些数据的示例包括用于在终端600上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件606为终端600的各种组件提供电力。电源组件606可以包括电源管理系统,一个或多个电源,及其他与为终端600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述终端600和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件608包括一个前置摄像头和/或后置摄像头。当终端600处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如,音频组件610包括一个麦克风(MIC),当终端600处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器,用于为终端600提供各个方面的状态评估。例如,传感器组件614可以检测到终端600的打开/关闭状态,组件的相对定位,例如所述组件为终端600的显示器和小键盘,传感器组件614还可以检测终端600或终端600一个组件的位置改变,用户与终端600接触的存在或不存在,装置600方位或加速/减速和终端600的温度变化。传感器组件614可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件614还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件616被配置为便于终端600和其他设备之间有线或无线方式的通信。终端600可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信部件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信部件616还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,终端600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行图像预处理方法,具体地图像处理方法包括:确定待处理图像的宽高比;依据所述宽高比,将所述待处理图像分割成第一预设数量个子图像,所述子图像宽高比介于预设范围内;将分割后的各所述子图像堆叠后,输入卷积神经网络进行处理。
优选地,所述依据所述宽高比,将所述待处理图像分割成第一预设数量个子图像的步骤,包括:确定所述宽高比所属的比值范围,并确定所述比值范围对应的分割规则;依据所述分割规则将所述待处理图像分割成第一预设数量个子图像。
优选地,当所述宽高比大于第一预设值或小于第二预设值时,所述宽高比对应的分割规则为:使用横向和\或纵向分割模式,将所述待处理图像分割成第一预设数量个子图像;其中,所述第一预设值大于所述第二预设值;当所述宽高比介于所述第一预设值与所述第二预设值之间时,所述宽高比对应的分割规则为:使用横向和\或纵向分割模式将所述待处理图像分割成第二预设数量个子图像,使用中心图像分割模式将所述待处理图像分割成第三预设数量个子图像;其中,所述第二预设数量与所述第三预设数量之和为所述第一预设数量。
优选地,所述第一预设值为1.7,所述第二预设值为0.7,所述第一预设数量为6。
优选地,所述将分割后的各所述子图像堆叠后,输入卷积神经网络进行处理的步骤,包括:将分割后的各所述子图像的红绿蓝颜色通道进行堆叠,输入所述卷积神经网络进行处理。
优选地,所述子图像形状为正方形。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器604,上述指令可由终端600的处理器620执行以完成上述图像处理方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。当存储介质中的指令由终端的处理器执行时,使得终端能够执行本发明中所述的任意一种图像处理方法的步骤。
本发明实施例提供的终端,将待处理图像分割成多个形状为正方形或近似正方形的子图像,分割后的子图像尺寸一致且与卷积神经网络所支持处理的图像的尺寸匹配,因此,将分割后的各子图像堆叠后输入卷积神经网络进行分类或检测时,能够有效避免尺寸失真的问题。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在此提供的图像处理方案不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造具有本发明方案的系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的图像处理方案中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (7)
1.一种图像处理方法,其特征在于,所述方法包括:
确定待处理图像的宽高比;
依据所述宽高比,将所述待处理图像分割成第一预设数量个子图像,所述子图像宽高比介于预设范围内;
将分割后的各所述子图像堆叠后,输入卷积神经网络进行处理;
其中,所述依据所述宽高比,将所述待处理图像分割成第一预设数量个子图像的步骤,包括:
确定所述宽高比所属的比值范围,并确定所述比值范围对应的分割规则;
依据所述分割规则将所述待处理图像分割成第一预设数量个子图像;
其中,当所述宽高比大于第一预设值或小于第二预设值时,所述宽高比对应的分割规则为:使用横向和\或纵向分割模式,将所述待处理图像分割成第一预设数量个子图像;其中,所述第一预设值大于所述第二预设值;
当所述宽高比介于所述第一预设值与所述第二预设值之间时,所述宽高比对应的分割规则为:使用横向和\或纵向分割模式将所述待处理图像分割成第二预设数量个子图像,使用中心图像分割模式将所述待处理图像分割成第三预设数量个子图像;其中,所述第二预设数量与所述第三预设数量之和为所述第一预设数量。
2.根据权利要求1所述的方法,其特征在于,所述第一预设值为1.7,所述第二预设值为0.7,所述第一预设数量为6。
3.根据权利要求1所述的方法,其特征在于,所述将分割后的各所述子图像堆叠后,输入卷积神经网络进行处理的步骤,包括:
将分割后的各所述子图像的红绿蓝颜色通道进行堆叠,输入所述卷积神经网络进行处理。
4.根据权利要求1所述的方法,其特征在于,所述子图像形状为正方形。
5.一种图像处理装置,其特征在于,所述装置包括:
确定模块,被配置为确定待处理图像的宽高比;
分割模块,被配置为依据所述宽高比,将所述待处理图像分割成第一预设数量个子图像,所述子图像宽高比介于预设范围内;
堆叠模块,被配置为将分割后的各所述子图像堆叠后,输入卷积神经网络进行处理;其中,所述分割模块包括:
规则确定子模块,被配置为确定所述宽高比所属的比值范围,并确定所述比值范围对应的分割规则;
分割子模块,被配置为依据所述分割规则将所述待处理图像分割成第一预设数量个子图像;
其中,当所述宽高比大于第一预设值或小于第二预设值时,所述宽高比对应的分割规则为:使用横向和\或纵向分割模式,将所述待处理图像分割成第一预设数量个子图像;其中,所述第一预设值大于所述第二预设值;
当所述宽高比介于所述第一预设值与所述第二预设值之间时,所述宽高比对应的分割规则为:使用横向和\或纵向分割模式将所述待处理图像分割成第二预设数量个子图像,使用中心图像分割模式将所述待处理图像分割成第三预设数量个子图像;其中,所述第二预设数量与所述第三预设数量之和为所述第一预设数量。
6.一种终端,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像处理程序,所述图像处理程序被所述处理器执行时实现如权利要求1至4中任一项所述的图像处理方法的步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有图像处理程序,所述图像处理程序被处理器执行时实现如权利要求1至4中任一项所述的图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711015888.6A CN108009563B (zh) | 2017-10-25 | 2017-10-25 | 图像处理方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711015888.6A CN108009563B (zh) | 2017-10-25 | 2017-10-25 | 图像处理方法、装置及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108009563A CN108009563A (zh) | 2018-05-08 |
CN108009563B true CN108009563B (zh) | 2020-06-09 |
Family
ID=62051969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711015888.6A Active CN108009563B (zh) | 2017-10-25 | 2017-10-25 | 图像处理方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009563B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948689B (zh) * | 2019-03-13 | 2022-06-03 | 北京达佳互联信息技术有限公司 | 一种视频生成方法、装置、电子设备及存储介质 |
CN111901593B (zh) * | 2019-05-04 | 2024-01-02 | 华为技术有限公司 | 一种图像划分方法、装置及设备 |
CN112861836B (zh) * | 2019-11-28 | 2022-04-22 | 马上消费金融股份有限公司 | 文本图像处理方法、文本及卡证图像质量评价方法和装置 |
CN111223114B (zh) * | 2020-01-09 | 2020-10-30 | 北京达佳互联信息技术有限公司 | 一种图像区域的分割方法、装置及电子设备 |
CN112541911A (zh) * | 2020-12-23 | 2021-03-23 | 北京百度网讯科技有限公司 | 图像处理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010003041A2 (en) * | 2008-07-03 | 2010-01-07 | Nec Laboratories America, Inc. | Mitotic figure detector and counter system and method for detecting and counting mitotic figures |
CN105631880A (zh) * | 2015-12-31 | 2016-06-01 | 百度在线网络技术(北京)有限公司 | 车道线分割方法和装置 |
CN105678332A (zh) * | 2016-01-08 | 2016-06-15 | 昆明理工大学 | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 |
CN107239733A (zh) * | 2017-04-19 | 2017-10-10 | 上海嵩恒网络科技有限公司 | 连续手写字识别方法及系统 |
-
2017
- 2017-10-25 CN CN201711015888.6A patent/CN108009563B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010003041A2 (en) * | 2008-07-03 | 2010-01-07 | Nec Laboratories America, Inc. | Mitotic figure detector and counter system and method for detecting and counting mitotic figures |
CN105631880A (zh) * | 2015-12-31 | 2016-06-01 | 百度在线网络技术(北京)有限公司 | 车道线分割方法和装置 |
CN105678332A (zh) * | 2016-01-08 | 2016-06-15 | 昆明理工大学 | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 |
CN107239733A (zh) * | 2017-04-19 | 2017-10-10 | 上海嵩恒网络科技有限公司 | 连续手写字识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
"车辆牌照识别系统的设计与实现";吴佳;《中国优秀硕士学位论文全文数据库信息科技辑》;20151015(第10期);I138-371,第5,6,16,20,32页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108009563A (zh) | 2018-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651955B (zh) | 图片中目标物的定位方法及装置 | |
CN108009563B (zh) | 图像处理方法、装置及终端 | |
CN106557768B (zh) | 对图片中的文字进行识别的方法及装置 | |
CN108256555B (zh) | 图像内容识别方法、装置及终端 | |
JP6392468B2 (ja) | 領域認識方法及び装置 | |
US10452890B2 (en) | Fingerprint template input method, device and medium | |
RU2577188C1 (ru) | Способ, аппарат и устройство для сегментации изображения | |
US10534972B2 (en) | Image processing method, device and medium | |
CN113538407B (zh) | 锚点确定方法及装置、电子设备和存储介质 | |
CN105095881B (zh) | 人脸识别方法、装置及终端 | |
CN107944447B (zh) | 图像分类方法及装置 | |
US9959484B2 (en) | Method and apparatus for generating image filter | |
CN106557759B (zh) | 一种标志牌信息获取方法及装置 | |
CN110619350B (zh) | 图像检测方法、装置及存储介质 | |
KR20170020736A (ko) | 이미지에 의한 공간 파라미터 결정 방법, 장치, 단말기기, 프로그램 및 컴퓨터 판독가능한 기록매체 | |
CN107944367B (zh) | 人脸关键点检测方法及装置 | |
CN109034150B (zh) | 图像处理方法及装置 | |
US10297015B2 (en) | Method, device and computer-readable medium for identifying feature of image | |
CN105957037B (zh) | 图像增强方法及装置 | |
US20210326649A1 (en) | Configuration method and apparatus for detector, storage medium | |
CN105208284B (zh) | 拍摄提醒方法及装置 | |
US20220222831A1 (en) | Method for processing images and electronic device therefor | |
CN108717542B (zh) | 识别文字区域的方法、装置及计算机可读存储介质 | |
CN105678296B (zh) | 确定字符倾斜角度的方法及装置 | |
CN107219989B (zh) | 图标处理方法、装置及终端 |
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 |