CN108170751B - 用于处理图像的方法和装置 - Google Patents
用于处理图像的方法和装置 Download PDFInfo
- Publication number
- CN108170751B CN108170751B CN201711394789.3A CN201711394789A CN108170751B CN 108170751 B CN108170751 B CN 108170751B CN 201711394789 A CN201711394789 A CN 201711394789A CN 108170751 B CN108170751 B CN 108170751B
- Authority
- CN
- China
- Prior art keywords
- probability
- map element
- region
- making
- image
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于处理图像的方法和装置。该方法的一具体实施方式包括:获取待处理图像;对待处理图像进行语义分割,生成待处理图像分割出的区域为各个地图元素对应的区域的概率集合;基于预先设置的先验信息校正概率集合中的概率;根据校正后的概率确定待处理图像分割出的区域对应的地图元素。该实施方式提供了一种基于先验信息的图像处理方法,提高了图像处理的效率。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及用于处理图像的方法和装置。
背景技术
随着科技的发展,电子地图的应用已经越来越普遍。一方面,人们可以使用电子地图进行导航来帮助人们出行;另外,随着无人驾驶车辆的兴起,无人驾驶车辆可以利用电子地图来对周围环境进行认知,从而控制等无人驾驶车辆的转向、加速或减速等行为。
目前,主要是通过人工的方式检测电子地图中的地图元素,例如。将工业相机采集的道路图像拼接成全景图像,使用扫街的方式,人工标记全景图像中的各个地图元素。
发明内容
本申请实施例提出了用于处理图像的方法和装置。
第一方面,本申请实施例提供了一种用于处理图像的方法,该方法包括:获取待处理图像;对待处理图像进行语义分割,生成待处理图像分割出的区域为各个地图元素对应的区域的概率集合;基于预先设置的先验信息校正概率集合中的概率;根据校正后的概率确定待处理图像分割出的区域对应的地图元素。
在一些实施例中,先验信息包括用于表征地图元素之间的位置关系的信息;以及基于预先设置的先验信息校正概率集合中的概率,包括:获取概率集合中超过预设阈值的概率;确定与所获取的概率关联的区域对应的地图元素;根据所确定的地图元素以及位置关系校正概率集合中除所获取的概率外的其他的概率。
在一些实施例中,先验信息包括用于表征地图元素之间的位置关系的信息;以及基于预先设置的先验信息校正概率集合中的概率,包括:根据概率集合中的概率确定待处理图像分割出的区域对应的至少一组备选地图元素;对于至少一组备选地图元素中的每组备选地图元素,响应于该组备选地图元素之间的位置关系与先验信息包括的位置关系匹配,增大概率集合中与该组备选地图元素关联的概率。
在一些实施例中,用于表征地图元素之间的位置关系的信息,包括以下至少一项:绿化带位于道路两侧,隔离带位于道路之间,掉头口位于隔离带之间。
在一些实施例中,先验信息包括用于表征图形特征与地图元素的对应关系的信息;以及基于预先设置的先验信息校正概率集合中的概率,包括:获取待处理图像分割出的待校正区域包括的图形特征;根据概率集合中的概率确定待校正区域对应的候选地图元素集合;根据对应关系确定候选地图元素集合中与所获取的图形特征对应的候选地图元素;增大概率集合中用于表征待校正区域为所确定的候选地图元素对应的区域的概率。
第二方面,本申请实施例提供了一种用于处理图像的装置,该装置包括:获取单元,用于获取待处理图像;生成单元,用于对待处理图像进行语义分割,生成待处理图像分割出的区域为各个地图元素对应的区域的概率集合;校正单元,用于基于预先设置的先验信息校正概率集合中的概率;确定单元,用于根据校正后的概率确定待处理图像分割出的区域对应的地图元素。
在一些实施例中,先验信息包括用于表征地图元素之间的位置关系的信息;以及校正单元,包括:第一获取子单元,用于获取概率集合中超过预设阈值的概率;第一确定子单元,用于确定与所获取的概率关联的区域对应的地图元素;第一校正子单元,用于根据所确定的地图元素以及位置关系校正概率集合中除所获取的概率外的其他的概率。
在一些实施例中,先验信息包括用于表征地图元素之间的位置关系的信息;以及校正单元,包括:第二确定子单元,用于根据概率集合中的概率确定待处理图像分割出的区域对应的至少一组备选地图元素;第二校正子单元,用于对于至少一组备选地图元素中的每组备选地图元素,响应于该组备选地图元素之间的位置关系与先验信息包括的位置关系匹配,增大概率集合中与该组备选地图元素关联的概率。
在一些实施例中,用于表征地图元素之间的位置关系的信息,包括以下至少一项:绿化带位于道路两侧,隔离带位于道路之间,掉头口位于隔离带之间。
在一些实施例中,先验信息包括用于表征图形特征与地图元素的对应关系的信息;以及校正单元,包括:第二获取子单元,用于获取待处理图像分割出的待校正区域包括的图形特征;第二确定子单元,用于根据概率集合中的概率确定待校正区域对应的候选地图元素集合;第四确定子单元,用于根据对应关系确定候选地图元素集合中与所获取的图形特征对应的候选地图元素;第三校正子单元,用于增大概率集合中用于表征待校正区域为所确定的候选地图元素对应的区域的概率。
第三方面,本申请实施例提供了一种设备,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,使得上述一个或多个处理器实现如第一方面上述的方法。
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,其特征在于,该程序被处理器执行时实现如第一方面上述的方法。
本申请实施例提供的用于处理图像的方法和装置,通过获取待处理图像,并对待处理图像进行语义分割,生成待处理图像分割出的区域为各个地图元素对应的区域的概率集合,而后基于预先设置的先验信息校正概率集合中的概率,最后根据校正后的概率确定待处理图像分割出的区域对应的地图元素,从而提供了一种基于先验信息的图像处理方法,提高了图像处理的效率。
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像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像的方法的一个实施例中待处理图像的图形特征的一个示意图;
图4是根据本申请的用于处理图像的方法的一个实施例中待处理图像的图形特征的又一个示意图;
图5是根据本申请的用于处理图像的方法的又一个实施例的流程图;
图6是根据本申请的用于处理图像的方法的应用场景的一个示意图;
图7是根据本申请的用于处理图像的装置的一个实施例的结构示意图;
图8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像的方法或用于处理图像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、服务器105和数据库服务器106。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110可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送数据等。终端设备101、102、103上可以安装有各种应用,例如地图类应用、电子商务类应用、社交类应用、网页浏览器应用、搜索引擎类应用、手机助手类应用等。
终端设备101、102、103可以是具有显示屏并且支持数据通信功能的各种电子设备,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。终端设备101、102、103可以接收服务器下发的地图数据并进行显示。
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上安装的地图类应用提供路网数据更新服务的服务器。服务器105可以从数据库服务器106获取待处理图像;对待处理图像进行语义分割,生成待处理图像分割出的区域为各个地图元素对应的区域的概率集合;基于预先设置的先验信息校正概率集合中的概率;根据校正后的概率确定待处理图像分割出的区域对应的地图元素。
需要说明的是,本申请实施例所提供的用于处理图像的方法可以由服务器105执行,相应地,用于处理图像的装置可以设置于服务器105中。
应该理解,图1中的终端设备、网络、服务器和数据库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、服务器和数据库。
继续参考图2,示出了根据本申请的用于处理图像的方法的一个实施例的流程200。该用于处理图像的方法,包括以下步骤:
步骤201,获取待处理图像。
在本实施例中,用于处理图像的方法运行于其上的电子设备(例如图1所示的服务器)可以首先获取待处理图像。待处理图像可以是包括地图元素的各类图像,例如,航拍图像、卫星图像以及地图采集车采集到的图像。上述电子设备可以从本地或其他电子设备处获取待处理图像。
步骤202,对待处理图像进行语义分割,生成待处理图像分割出的区域为各个地图元素对应的区域的概率集合。
在本实施例中,上述电子设备可以对步骤201中获取的待处理图像进行语义分割,生成待处理图像分割出的区域为各个地图元素对应的区域的概率集合。地图元素可以包括道路,硬隔离,车道线,绿化带、隔离带、栅栏、出入口、掉头口等标识交通规则的各种路面元素。作为示例,待处理图像分割出了子区域1,子区域2,地图元素包括道路、隔离带,则概率集合中的概率可以包括子区域1为道路对应的区域的概率、子区域1为隔离带对应的区域的概率、子区域2为道路对应的区域的概率以及子区域2为隔离带对应的区域的概率。
在本实施例中,图像分割可以是把图像分成若干个特定的、具有独特性质的区域,是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。图像语义分割,简单而言就是给定一张图片,对图片上的每一个像素点分类,对于地图元素的检测,可以通过判断图像中的像素点的颜色值所在的范围确定出各个像素点属于各个地图元素的概率值,在深度学习领域,可以使用多层神经网络模型,例如深度神经网络、卷积神经网络等来进行图像的语义分割。
作为示例,可以将待处理图像输入至预先训练的卷积神经网络述卷积神经网络可以包括用于提取图像特征的多个卷积层(需要说明的是,卷积层也可以实现对输入的信息进行降采样(downsample))。实践中,卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于图像处理有出色表现,因而,可以利用卷积神经网络进行图像特征的提取。上述卷积神经网络可以是利用机器学习方法,并基于训练样本对现有的卷积神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)进行有监督训练而得到的。训练样本可以包括关联有针对地图元素的标注信息的图片。
步骤203,基于预先设置的先验信息校正概率集合中的概率。
在本实施例中,上述电子设备可以基于预先设置的先验信息校正步骤202中生成的概率集合中的概率。先验信息是指获得样本的试验之前,获得的经验和历史资料。先验信息可以包括表征地图元素之间的位置关系的信息,用于表征图形特征与地图元素的对应关系的信息,以及其他根据实际需要进行设置的与地图元素相关的信息,例如,图片中特定地图元素的数量、大小。
在本实施例的一些可选实现方式中,先验信息包括用于表征地图元素之间的位置关系的信息;以及基于预先设置的先验信息校正概率集合中的概率,包括:根据概率集合中的概率确定待处理图像分割出的区域对应的至少一组备选地图元素;对于至少一组备选地图元素中的每组备选地图元素,响应于该组备选地图元素之间的位置关系与先验信息包括的位置关系匹配,增大概率集合中与该组备选地图元素关联的概率。
作为示例,待处理图像分割出了子区域1,子区域2,子区域3,生成的概率集合中子区域1、子区域3为道路对应的区域的概率均为95%,子区域2为隔离带对应的区域的概率为42%,子区域2为绿化带对应的区域的概率为41%,根据概率集合中的概率可以确定出两组备选地图元素,道路、隔离带、道路与道路、绿化带、道路,预先设置的先验信息中包括用于表征隔离带位于道路之间的信息,道路、隔离带、道路与先验信息包括的位置关系匹配,则可以增大概率集合中子区域2为隔离带对应的区域的概率。
在本实现方式中,响应于该组备选地图元素之间的位置关系与先验信息包括的位置关系不匹配,还可以减小概率集合中与该组备选地图元素关联的概率。增大减小的幅度可以根据实际需要进行设置。
在本实施例的一些可选实现方式中,用于表征地图元素之间的位置关系的信息,包括以下至少一项:绿化带位于道路两侧,隔离带位于道路区域之间,掉头口位于两个隔离带区域之间。还可以根据实际需要设置其他的用于表征地图元素之间的位置关系的信息。
在本实施例的一些可选实现方式中,先验信息包括用于表征图形特征与地图元素的对应关系的信息;以及基于预先设置的先验信息校正概率集合中的概率,包括:获取待处理图像分割出的待校正区域包括的图形特征;根据概率集合中的概率确定待校正区域对应的候选地图元素集合;根据对应关系确定候选地图元素集合中与所获取的图形特征对应的候选地图元素;增大概率集合中用于表征待校正区域为所确定的候选地图元素对应的区域的概率。
在本实现方式中,图形特征与地图元素的对应关系可以是基于交通标识的工艺信息进行设置的,图形特征可以是如图3所示,导流线对应的区域301中类似符号“^”的形状的尖斜线,其所在的区域附近为出入口,图形特征也可以是如图4所示,导流线对应的区域401中类似符号“\”的形状的斜线,其所在的区域附近为掉头口。
步骤204,根据校正后的概率确定待处理图像分割出的区域对应的地图元素。
在本实施例中,上述电子设备可以根据步骤203校正后的概率确定待处理图像分割出的区域对应的地图元素。上述电子设备可以根据预设的概率阈值进行确定待处理图像分割出的区域对应的地图元素,概率阈值可以根据实际需要进行设置,可以建立概率超过概率阈值的校正后的概率所关联的区域与地图元素之间的对应关系,例如,校正后的子区域1为隔离带对应的区域的概率为91%,超过预设的概率阈值90%,则确定子区域1对应的地图元素为隔离带。在本实施例的一些可选实现方式中,若待处理图像包括多帧图像,还可以根据多帧图像的处理结果,生成完整的路口序列。
本申请的上述实施例提供的方法通过获取待处理图像;对待处理图像进行语义分割,生成待处理图像分割出的区域为各个地图元素对应的区域的概率集合;基于预先设置的先验信息校正概率集合中的概率;根据校正后的概率确定待处理图像分割出的区域对应的地图元素,从而提供了一种基于先验信息的图像处理方法,提高了图像处理的效率。
进一步参考图5,其示出了用于处理图像的方法的又一个实施例的流程500。该用于处理图像的方法的流程500,包括以下步骤:
步骤501,获取待处理图像。
在本实施例中,用于处理图像的方法运行于其上的电子设备(例如图1所示的服务器)可以首先获取待处理图像。
步骤502,对待处理图像进行语义分割,生成待处理图像分割出的区域为各个地图元素对应的区域的概率集合。
在本实施例中,上述电子设备可以对步骤501中获取的待处理图像进行语义分割,生成待处理图像分割出的区域为各个地图元素对应的区域的概率集合。
步骤503,获取概率集合中超过预设阈值的概率。
在本实施例中,上述电子设备可以获取步骤502中生成的概率集合中超过预设阈值的概率。预设阈值可以根据实际需要进行设置,例如可以在80%~95%之间。
步骤504,确定与所获取的概率关联的区域对应的地图元素。
在本实施例中,上述电子设备可以确定与步骤503中获取的概率关联的区域对应的地图元素。作为示例,待处理图像分割出了子区域1,子区域2,子区域3,生成的概率集合中超过预设阈值90%的概率包括子区域1、子区域3为道路对应的区域的概率95%,则确定子区域1、子区域3对应的地图元素为道路。
步骤505,根据所确定的地图元素以及位置关系校正概率集合中除所获取的概率外的其他的概率。
在本实施例中,上述电子设备可以根据步骤504中确定的地图元素以及位置关系校正概率集合中除所获取的概率外的其他的概率。预先设置的先验信息中包括用于表征地图元素之间的位置关系的信息。作为示例,预先设置的先验信息中包括用于表征隔离带位于道路之间的信息,待处理图像分割出了子区域1,子区域2,子区域3,概率集合中子区域2为隔离带对应的区域的概率为42%,子区域2为绿化带对应的区域的概率为41%,确定子区域1、子区域3对应的地图元素为道路后,可以增大概率集合子区域2为隔离带对应的区域的概率,或减小子区域2为绿化带对应的区域的概率,具体的增大或减小的幅度可以根据实际需要进行设置。
步骤506,根据校正后的概率确定待处理图像分割出的区域对应的地图元素。
在本实施例中,上述电子设备可以根据步骤505校正后的概率确定待处理图像分割出的区域对应的地图元素。
在本实施例中,步骤501、步骤502、步骤506的操作与步骤201、步骤202、步骤204的操作基本相同,在此不再赘述。
继续参见图6,图6是根据本实施例的用于处理图像的方法的应用场景的一个示意图。在图6的应用场景中,待处理图像分割出了区域601,区域602,区域603。生成的概率集合中区域601为道路对应的区域的概率为98%,区域603为道路对应的区域的概率为98%,二者均超过了预设阈值95%,区域602为隔离带对应的区域的概率为42%,区域602为绿化带对应的区域的概率为41%。预先设置的先验信息中包括用于表征隔离带位于道路之间的信息。可以增大概率集合中区域602为隔离带对应的区域的概率,例如增大至96%。而后可以根据增大后的概率确定区域602对应的地图元素为隔离带。
从图5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像的方法的流程500中通过预先设置的地图元素之间的位置关系确定待处理图像分割出的区域对应的地图元素,由此,本实施例描述的方案进一步提高了图像处理结果的准确度。
进一步参考图7,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像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7所示,本实施例的用于处理图像的装置700包括:获取单元701、生成单元702、校正单元703和确定单元704。其中,获取单元701,用于获取待处理图像;生成单元702,用于对待处理图像进行语义分割,生成待处理图像分割出的区域为各个地图元素对应的区域的概率集合;校正单元703,用于基于预先设置的先验信息校正概率集合中的概率;确定单元704,用于根据校正后的概率确定待处理图像分割出的区域对应的地图元素。
在本实施例中,用于处理图像的装置700的获取单元701、生成单元702、校正单元703和确定单元704的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。
在本实施例的一些可选实现方式中,先验信息包括用于表征地图元素之间的位置关系的信息;以及校正单元703,包括:第一获取子单元(图中未示出),用于获取概率集合中超过预设阈值的概率;第一确定子单元(图中未示出),用于确定与所获取的概率关联的区域对应的地图元素;第一校正子单元(图中未示出),用于根据所确定的地图元素以及位置关系校正概率集合中除所获取的概率外的其他的概率。
在本实施例的一些可选实现方式中,先验信息包括用于表征地图元素之间的位置关系的信息;以及校正单元703,包括:第二确定子单元(图中未示出),用于根据概率集合中的概率确定待处理图像分割出的区域对应的至少一组备选地图元素;第二校正子单元(图中未示出),用于对于至少一组备选地图元素中的每组备选地图元素,响应于该组备选地图元素之间的位置关系与先验信息包括的位置关系匹配,增大概率集合中与该组备选地图元素关联的概率。
在本实施例的一些可选实现方式中,用于表征地图元素之间的位置关系的信息,包括以下至少一项:绿化带位于道路两侧,隔离带位于道路区域之间,掉头口位于两个隔离带区域之间。
在本实施例的一些可选实现方式中,先验信息包括用于表征图形特征与地图元素的对应关系的信息;以及校正单元703,包括:第二获取子单元(图中未示出),用于获取待处理图像分割出的待校正区域包括的图形特征;第二确定子单元(图中未示出),用于根据概率集合中的概率确定待校正区域对应的候选地图元素集合;第四确定子单元(图中未示出),用于根据对应关系确定候选地图元素集合中与所获取的图形特征对应的候选地图元素;第三校正子单元(图中未示出),用于增大概率集合中用于表征待校正区域为所确定的候选地图元素对应的区域的概率。
本申请的上述实施例提供的装置,通过获取待处理图像;对待处理图像进行语义分割,生成待处理图像分割出的区域为各个地图元素对应的区域的概率集合;基于预先设置的先验信息校正概率集合中的概率;根据校正后的概率确定待处理图像分割出的区域对应的地图元素,从而提供了一种基于先验信息的图像处理方法,提高了图像处理的效率。
下面参考图8,其示出了适于用来实现本申请实施例的电子设备的计算机系统800的结构示意图。图8示出的电子设备仅仅是一个示例,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8所示,计算机系统800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;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807;包括硬盘等的存储部分808;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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,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810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808。
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809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801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,本申请所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。
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申请的操作的计算机程序代码,所述程序设计语言包括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:一种处理器包括获取单元、生成单元、校正单元和确定单元。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,获取单元还可以被描述为“用于获取待处理图像的单元”。
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:获取待处理图像;对待处理图像进行语义分割,生成待处理图像分割出的区域为各个地图元素对应的区域的概率集合;基于预先设置的先验信息校正概率集合中的概率;根据校正后的概率确定待处理图像分割出的区域对应的地图元素。
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 (12)
1.一种用于处理图像的方法,包括:
获取待处理图像;
对所述待处理图像进行语义分割,生成所述待处理图像分割出的区域为各个地图元素对应的区域的概率集合;
基于预先设置的先验信息校正所述概率集合中的概率,其中,所述先验信息包括用于表征地图元素之间的位置关系的信息;
根据校正后的概率确定所述待处理图像分割出的区域对应的地图元素。
2.根据权利要求1所述的方法,所述基于预先设置的先验信息校正所述概率集合中的概率,包括:
获取所述概率集合中超过预设阈值的概率;
确定与所获取的概率关联的区域对应的地图元素;
根据所确定的地图元素以及所述位置关系校正所述概率集合中除所获取的概率外的其他的概率。
3.根据权利要求1所述的方法,其中,所述先验信息包括用于表征地图元素之间的位置关系的信息;以及
所述基于预先设置的先验信息校正所述概率集合中的概率,包括:
根据所述概率集合中的概率确定所述待处理图像分割出的区域对应的至少一组备选地图元素;
对于所述至少一组备选地图元素中的每组备选地图元素,响应于该组备选地图元素之间的位置关系与所述先验信息包括的位置关系匹配,增大所述概率集合中与该组备选地图元素关联的概率。
4.根据权利要求2或3所述的方法,其中,所述用于表征地图元素之间的位置关系的信息,包括以下至少一项:绿化带位于道路两侧,隔离带位于道路之间,掉头口位于隔离带之间。
5.根据权利要求1所述的方法,其中,所述先验信息包括用于表征图形特征与地图元素的对应关系的信息;以及
所述基于预先设置的先验信息校正所述概率集合中的概率,包括:
获取所述待处理图像分割出的待校正区域包括的图形特征;
根据所述概率集合中的概率确定所述待校正区域对应的候选地图元素集合;
根据所述对应关系确定所述候选地图元素集合中与所获取的图形特征对应的候选地图元素;
增大所述概率集合中用于表征所述待校正区域为所确定的候选地图元素对应的区域的概率。
6.一种用于处理图像的装置,包括:
获取单元,用于获取待处理图像;
生成单元,用于对所述待处理图像进行语义分割,生成所述待处理图像分割出的区域为各个地图元素对应的区域的概率集合;
校正单元,用于基于预先设置的先验信息校正所述概率集合中的概率,其中,所述先验信息包括用于表征地图元素之间的位置关系的信息;
确定单元,用于根据校正后的概率确定所述待处理图像分割出的区域对应的地图元素。
7.根据权利要求6所述的装置,所述校正单元,包括:
第一获取子单元,用于获取所述概率集合中超过预设阈值的概率;
第一确定子单元,用于确定与所获取的概率关联的区域对应的地图元素;
第一校正子单元,用于根据所确定的地图元素以及所述位置关系校正所述概率集合中除所获取的概率外的其他的概率。
8.根据权利要求6所述的装置,其中,所述先验信息包括用于表征地图元素之间的位置关系的信息;以及
所述校正单元,包括:
第二确定子单元,用于根据所述概率集合中的概率确定所述待处理图像分割出的区域对应的至少一组备选地图元素;
第二校正子单元,用于对于所述至少一组备选地图元素中的每组备选地图元素,响应于该组备选地图元素之间的位置关系与所述先验信息包括的位置关系匹配,增大所述概率集合中与该组备选地图元素关联的概率。
9.根据权利要求7或8所述的装置,其中,所述用于表征地图元素之间的位置关系的信息,包括以下至少一项:绿化带位于道路两侧,隔离带位于道路之间,掉头口位于隔离带之间。
10.根据权利要求6所述的装置,其中,所述先验信息包括用于表征图形特征与地图元素的对应关系的信息;以及
所述校正单元,包括:
第二获取子单元,用于获取所述待处理图像分割出的待校正区域包括的图形特征;
第二确定子单元,用于根据所述概率集合中的概率确定所述待校正区域对应的候选地图元素集合;
第四确定子单元,用于根据所述对应关系确定所述候选地图元素集合中与所获取的图形特征对应的候选地图元素;
第三校正子单元,用于增大所述概率集合中用于表征所述待校正区域为所确定的候选地图元素对应的区域的概率。
11.一种电子设备,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时,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。
12.一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权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711394789.3A CN108170751B (zh) | 2017-12-21 | 2017-12-21 | 用于处理图像的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711394789.3A CN108170751B (zh) | 2017-12-21 | 2017-12-21 | 用于处理图像的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108170751A CN108170751A (zh) | 2018-06-15 |
CN108170751B true CN108170751B (zh) | 2019-05-03 |
Family
ID=62523069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711394789.3A Active CN108170751B (zh) | 2017-12-21 | 2017-12-21 | 用于处理图像的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108170751B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145730B (zh) * | 2018-07-13 | 2021-08-13 | 安徽大学 | 一种遥感影像中矿区自动语义分割方法 |
CN109099929B (zh) * | 2018-07-13 | 2021-10-15 | 武汉理工大学 | 基于场景指纹的智能车定位装置及方法 |
CN110895699B (zh) | 2018-09-12 | 2022-09-13 | 北京字节跳动网络技术有限公司 | 用于处理图像的特征点的方法和装置 |
CN109801307A (zh) * | 2018-12-17 | 2019-05-24 | 中国科学院深圳先进技术研究院 | 一种全景分割方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364259A (zh) * | 2008-04-09 | 2009-02-11 | 武汉大学 | 多层次知识驱动的全色遥感影像的道路变化信息提取方法 |
CN102663744A (zh) * | 2012-03-22 | 2012-09-12 | 杭州电子科技大学 | 梯度点对约束下的复杂道路检测方法 |
CN106323323A (zh) * | 2016-11-14 | 2017-01-11 | 深圳市深水水务咨询有限公司 | 一种区域确定方法和装置 |
CN106997466A (zh) * | 2017-04-12 | 2017-08-01 | 百度在线网络技术(北京)有限公司 | 用于检测道路的方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834684A (zh) * | 2008-06-13 | 2015-08-12 | 电子湾有限公司 | 用于集群化的方法和系统 |
CN103337072B (zh) * | 2013-06-19 | 2016-02-10 | 北京航空航天大学 | 一种基于纹理与几何属性联合模型的室内对象解析方法 |
CN107145592A (zh) * | 2017-05-26 | 2017-09-08 | 浙江宇视科技有限公司 | 一种标定位置获取的方法及装置 |
-
2017
- 2017-12-21 CN CN201711394789.3A patent/CN108170751B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364259A (zh) * | 2008-04-09 | 2009-02-11 | 武汉大学 | 多层次知识驱动的全色遥感影像的道路变化信息提取方法 |
CN102663744A (zh) * | 2012-03-22 | 2012-09-12 | 杭州电子科技大学 | 梯度点对约束下的复杂道路检测方法 |
CN106323323A (zh) * | 2016-11-14 | 2017-01-11 | 深圳市深水水务咨询有限公司 | 一种区域确定方法和装置 |
CN106997466A (zh) * | 2017-04-12 | 2017-08-01 | 百度在线网络技术(北京)有限公司 | 用于检测道路的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108170751A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898086B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
CN108154196B (zh) | 用于输出图像的方法和装置 | |
CN108170751B (zh) | 用于处理图像的方法和装置 | |
WO2022257578A1 (zh) | 用于识别文本的方法和装置 | |
EP3637310A1 (en) | Method and apparatus for generating vehicle damage information | |
CN106997466A (zh) | 用于检测道路的方法和装置 | |
CN109410218A (zh) | 用于生成车辆损伤信息的方法和装置 | |
CN111310770B (zh) | 目标检测方法和装置 | |
CN112668588B (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
CN108831505A (zh) | 用于识别应用的使用场景的方法和装置 | |
CN111178357B (zh) | 车牌识别方法、系统、设备和存储介质 | |
CN109285181B (zh) | 用于识别图像的方法和装置 | |
CN109558779A (zh) | 图像检测方法和装置 | |
CN110414502A (zh) | 图像处理方法及装置、电子设备和计算机可读介质 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN108491812A (zh) | 人脸识别模型的生成方法和装置 | |
CN115578570A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN112464921A (zh) | 障碍物检测信息生成方法、装置、设备和计算机可读介质 | |
CN115937071A (zh) | 一种图像检测方法、装置、设备及介质 | |
CN111209856A (zh) | 发票信息的识别方法、装置、电子设备及存储介质 | |
CN110321854B (zh) | 用于检测目标对象的方法和装置 | |
CN115631205B (zh) | 图像分割及模型训练的方法、装置及设备 | |
CN113627241B (zh) | 一种用于行人重识别的背景抑制方法与系统 | |
CN115375657A (zh) | 息肉检测模型的训练方法、检测方法、装置、介质及设备 | |
CN113628349B (zh) | 基于场景内容自适应的ar导航方法、设备及可读存储介质 |
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 |