CN108830197A - 图像处理方法、装置、计算机设备和存储介质 - Google Patents

图像处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN108830197A
CN108830197A CN201810551564.2A CN201810551564A CN108830197A CN 108830197 A CN108830197 A CN 108830197A CN 201810551564 A CN201810551564 A CN 201810551564A CN 108830197 A CN108830197 A CN 108830197A
Authority
CN
China
Prior art keywords
image
target
detected
detection
testing result
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
Application number
CN201810551564.2A
Other languages
English (en)
Inventor
赵旭
王垂新
柴旭峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Health Cloud Co Ltd
Ping An Healthcare Technology Co Ltd
Original Assignee
Ping An Health Cloud Co Ltd
Ping An Healthcare Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Health Cloud Co Ltd, Ping An Healthcare Technology Co Ltd filed Critical Ping An Health Cloud Co Ltd
Priority to CN201810551564.2A priority Critical patent/CN108830197A/zh
Publication of CN108830197A publication Critical patent/CN108830197A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种图像处理方法、装置、计算机设备和存储介质。所述方法包括：接收终端发送的待检测图像；对待检测图像进行亮度检测和清晰度检测，并获得检测结果；将检测结果与预设标准进行比对；当检测结果符合预设标准时，将待检测图像传输至目标检测模型，进行目标检测，获得目标图像；将目标图像传输至性状识别模型，对多个性状特征进行处理，获得识别结果；将识别结果输出至终端。采用本方法能够在执行目标图像获取操作之前，删除亮度不够或过度曝光以及清晰度不足的图像，提高目标图像获取效率，结合多个性状识别模型，对目标图像进行性状特征处理，所获得的舌像识别结果包括舌像的多个性状特征，所能体现的舌头的状态信息更为精确。

Description

图像处理方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像技术领域，特别是涉及一种图像方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，出现了利用图像处理技术对舌像进行处理的方案，通过获取舌像的多个参数和特征，包括舌质颜色、舌苔厚薄以及纹理特征等，并利用图像处理技术对舌像的多个特征进行分析，以判断舌像中舌头的状态是否正常。
在传统的方式中，对于舌像中的舌质颜色、舌苔厚薄以及纹理特征等进行处理，主要是针对舌像中单个特征进行研究，比如从舌头图像中划分出舌苔。实际上用数码相机取得的图像还存在取样时环境问题，比如光度以及清晰度的问题，还需要进行进一步处理才能进行分割，因此，传统的方式在实现舌像中舌头状态的判断时还存在精确度不够高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高对于舌像中舌头状态的判断精确度的图像处理方法、装置、计算机设备和存储介质。
一种图像处理方法，所述方法包括：
接收终端发送的待检测图像；
对所述待检测图像进行亮度检测和清晰度检测，并获得检测结果；
将所述检测结果与预设标准进行比对；
当所述检测结果符合所述预设标准时，将所述待检测图像传输至目标检测模型，进行目标检测，获得目标图像；
将所述目标图像传输至性状识别模型，对所述目标图像包含的多个性状特征进行处理，获得识别结果；
将所述识别结果输出至所述终端。
在其中一个实施例中，所述对所述待检测图像进行亮度检测和清晰度检测，并获得检测结果包括：
计算所述待检测图像在灰度图上的均值和方差；
通过判断所述均值和所述方差处于预设标准值范围内时，获得亮度检测结果；
计算所述待检测图像相邻像素间灰度特征的梯度差；
通过判断所述梯度差处于预设标准梯度差范围内时，获得清晰度检测结果。
在其中一个实施例中，所述当所述检测结果符合所述预设标准时，将所述待检测图像传输至目标检测模型，进行目标检测，获得目标图像包括：
从所述待检测图像中提取目标特征，并将所述目标特征共享至候选框提取网络；
根据所述候选框提取网络生成候选区域；
根据所述目标特征和所述候选区域，生成候选窗口；
利用边框回归方程修正所述候选窗口，获得所述待检测图像中的所述目标图像。
在其中一个实施例中，所述将所述目标图像传输至性状识别模型，对所述目标图像包含的多个性状特征进行处理，，获得识别结果包括：
获取所述目标图像中的所述多个性状特征；
建立所述多个性状特征与所述性状识别模型中多个分类器间的对应关系；
根据所述多个性状特征与所述多个分类器间的对应关系，分别对所述多个性状特征进行处理；
获取所述多个分类器对所述多个性状特征进行处理的处理结果；综合对所述多个性状特征进行处理的处理结果，得到所述识别结果。
在其中一个实施例中，所述方法还包括：
采集多个图像样本，并提取所述图像样本对应的样本参数；
获取所述待检测图像的目标特征参数；
将所述样本参数与所述目标特征参数进行比对，当所述目标特征参数大小与所述样本参数大小相等时，表示存在所述目标图像。
一种图像处理装置，所述装置包括：
接收模块，用于接收终端发送的待检测图像；
检测模块，用于对所述待检测图像进行亮度检测和清晰度检测，并获得检测结果；
目标检测模块，用于将所述检测结果与预设标准进行比对；当所述检测结果符合所述预设标准时，将所述待检测图像传输至目标检测模型，进行目标检测，获得目标图像；
性状识别模块，用于将所述目标图像传输至性状识别模型，对所述目标图像包含的多个性状特征进行处理，并获得识别结果；
发送模块，用于将所述识别结果输出至所述终端。
在其中一个实施例中，所述目标检测模块，还用于计算所述待检测图像在灰度图上的均值和方差；通过判断所述均值和所述方差处于预设标准值范围内时，获得亮度检测结果；计算所述待检测图像相邻像素间灰度特征的梯度差；通过判断所述梯度差处于预设标准梯度差范围内时，获得清晰度检测结果。
在其中一个实施例中，所述目标检测模块，还用于从所述待检测图像中提取目标特征，并将所述目标特征共享至候选框提取网络；根据所述候选框提取网络生成候选区域；根据所述目标特征和所述候选区域，生成候选窗口；利用边框回归方程修正所述候选窗口，获得所述待检测图像中的所述目标图像。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
接收终端发送的待检测图像；
对所述待检测图像进行亮度检测和清晰度检测，并获得检测结果；
将所述检测结果与预设标准进行比对；
当所述检测结果符合预设标准时，将待检测图像传输至目标检测模型，进行目标检测，获得目标图像；
将所述目标图像传输至性状识别模型，对多个性状特征进行处理，获得识别结果；
将所述识别结果输出至终端。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
接收终端发送的待检测图像；
对所述待检测图像进行亮度检测和清晰度检测，并获得检测结果；
将所述检测结果与预设标准进行比对；
当所述检测结果符合预设标准时，将待检测图像传输至目标检测模型，进行目标检测，获得目标图像；
将所述目标图像传输至性状识别模型，对多个性状特征进行处理，获得识别结果；
将所述识别结果输出至终端。
上述图像处理方法、装置、计算机设备和存储介质，通过对待检测图像执行亮度检测和清晰度检测，可在执行目标图像获取操作之前，删除亮度不够或过度曝光以及清晰度不足的图像，提高目标图像获取效率，进行目标检测获得目标图像，由于结合多个性状识别模型，对目标图像进行性状特征处理，所获得的舌像识别结果包括舌像的多个性状特征，所能体现的舌头的状态信息更为精确。
附图说明
图1为一个实施例中图像处理方法的应用场景图；
图2为一个实施例中图像处方法的流程示意图；
图3为一个实施例中当所述检测结果符合预设标准时，将待检测图像传输至目标检测模型，进行目标检测，获得目标图像的流程示意图；
图4为一个实施例中所述将所述目标图像传输至性状识别模型，对多个性状特征进行处理，获得识别结果的流程示意图；
图5为一个实施例中图像处理装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的图像处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服务器104接收终端102发送的待检测图像，并对待检测图像进行亮度检测和清晰度检测，获得检测结果。将检测结果与预设标准进行比对，当检测结果符合预设标准时，将待检测图像传输至目标检测模型，进行目标检测，获得目标图像。将目标图像传输至性状识别模型，对多个性状特征进行处理，获得识别结果，将识别结果输出至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种图像处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202，接收终端发送的待检测图像。
服务器接收终端发送的待检测图像。例如，待检测图像可以是舌像，舌像可体现舌头的舌质颜色、舌苔厚薄以及纹理特征等基本特征。
S204，对待检测图像进行亮度检测和清晰度检测，并获得检测结果。
S206，将检测结果与预设标准进行比对。
服务器可通过对待检测图像分别进行亮度检测和清晰度检测，可获得亮度检测结果和清晰度检测结果。
具体地，服务器可通过计算图像在灰度图上的均值和方差，判断均值是否偏离均值点以及方差是否偏小，来评估图像是否存在曝光或曝光不足，得到图像的亮度检测结果。
当存在亮度异常时，待检测图像在灰度图上的均值偏离预设均值点。例如，可将均值点设为128，但检测到待检测图像的均值为135，大于所设均值点，因此，亮度存在异常。
更进一步地，可采用以下公式对图片的均值以及方差是否异常进行计算：
g(i，j)＝αf(i，j)+β
其中，以f(i,j)代表原像素值，g(i,j)为输出像素的值,α和β为两个参数，α为增益，β为偏置参数，可用于调节图像亮度和对比对。进一步地，可以通过以上公式对图像像素值进行数值运算，从而达到调节图像亮度和对比度的目的。
具体地，服务器可通过考察图像的领域对比度，即相邻像素间的灰度特征的梯度差，根据梯度差与预设标准的大小，来获得图像清晰度检测结果。也就是说，当梯度差小于预设标准时，图像处于模糊状态，清晰度不够，聚焦模糊。
更进一步地，可采用如下的Laplacian(拉普拉斯)算法实现梯度差的计算：
D(f)＝∑y∑x|G(x，y)| (G(x，y)＞T)
其中，G(x,y)是像素点(x,y)处Laplacian算子的卷积。
S208，当所检测结果符合预设标准时，将待检测图像传输至目标检测模型，进行目标检测，获得目标图像。
其中，在图形处理器环境中对目标检测算法的离线模型进行训练，针对图片样本进行处理，包括处理负样本，归一到样本预设尺寸，旋转图片等，结合深度学习框架，得到目标检测模型，将训练后的目标检测模型存储至分布式文件系统中，将样本参数存入数据库中。
进一步地，目标检测采用Faster R-CNN算法来实现，包括候选区域生成、特征提取和目标精修等几个部分，包括以下过程：
服务器从目标图像中提取目标特征，并将所述目标特征共享至候选框提取网络层和全连接层。其中，Faster R-CNN算法是利用深度学习来实现目标检测的算法，首先使用一组基础层提取待检测图像的目标特征，该目标特征被共享用于后续候选框提取网络层和全连接层。
服务器利用候选框提取网络生成候选区域，其中，候选框提取网络模型以任意大小的图像作为输入，输出一系列候选框，以及每个候选框是目标的可能性。
RPN的损失函数为：
其中有：
其中，i为mini-batch中的anchor的索引，Pi是目标的预测概率，ti是用于预测坐标的向量，表示预测框的目标，ti*为gt包围盒的坐标，表示候选框的目标。
根据目标特征和候选区域生成候选窗口，对于候选框中提取的特征使用分类器判断是够属于一个特定类。
其中，特征可看做一个通道图像，对于该图像的每一个目标，考虑多个可能的候选窗口，收集舌像的样本特征和精确目标，并综合舌像的样本特征和精确目标后，提取候选框在样本特征上的目标，将所提取的候选框在样本特征上的目标传输至全连接层。
服务器利用边框回归方程修正候选窗口，进一步调整待检测图像中目标图像的位置。其中，全连接层接收候选框在样本特征上的目标，并计算目标的类别，根据边框回归方程计算检测框的精确位置。
其中，边框回归方程如下，用于计算边框回归中的各个参数：
tx＝(x-xa)/wa，ty＝(y-ya)/ha
tw＝log(w/wa)，th＝log(h/ha)
其中，x和y、w、h为边框的中心坐标和宽、高。
S210，将目标图像传输至性状识别模型，对目标图像包含的多个性状特征进行处理，获得识别结果。
性状识别模型包括多个分类器，具体包括：颜色模型、形态模型、纹理模型、规则模型和苔质模型，具体地，颜色模型与舌色/苔色对应、形态模型与舌态/舌形对应、形态模型与舌形对应、规则模型与舌形对应、以及苔质模型与苔质对应。
具体地，各个性状识别的特征，共有13组特征，通过各个模型来预测各组的识别结果，其中，颜色模型对应舌色和苔色，其中，舌色包括淡白、淡红、红、绛以及暗紫，苔色包括白、淡黄、黄以及灰黑。形态模型与舌态/舌形对应，其中，舌态包括正常和歪斜，舌形包括正常、老和嫩。纹理模型与舌形对应，舌形包括无齿痕和有齿痕、有点刺和无点刺、有裂纹和无裂纹、有瘀斑和无瘀斑。规则模型与舌形对应，舌形包括正常、胖以及瘦。苔质模型与苔质对应，苔质包括正常、剥落、少苔、镜面，润、燥和正常、腐、腻以及薄、厚。
服务器根据颜色模型对舌态/苔色进行处理，获取目标图像中的苔色和苔色，判断舌色属于淡白、淡红、红、绛以及暗紫中的其中哪一个颜色，判断苔色属于白、淡黄、黄以及灰黑中的哪一个颜色。根据形态模型对舌态和舌形进行处理，判断舌态属于正常和歪斜中的哪一个形态，判断舌形属于正常、老和嫩中的哪一个形态。根据纹理模型对舌形进行处理，判断舌形处于无齿痕和有齿痕、有点刺和无点刺、有裂纹和无裂纹、有瘀斑和无瘀斑中的哪一种形态。根据规则模型对舌形进行处理，判断舌形属于正常、胖以及瘦中的哪一种状态。根据苔质模型对苔质进行处理，判断苔质属于正常、剥落、少苔、镜面，润、燥和正常、腐、腻以及薄、厚中的哪一种状态。
S212，将识别结果输出至终端。
上述图像处理方法中，通过对待检测图像执行亮度检测和清晰度检测，可在执行目标图像获取操作之前，删除亮度不够或过度曝光以及清晰度不足的图像，提高目标图像获取效率，进行目标检测获得目标图像，由于结合多个性状识别模型，对目标图像进行性状特征处理，所获得的舌像识别结果包括舌像的多个性状特征，所能体现的舌头的状态信息更为精确。
在一个实施例中，提供了一种对待检测图像进行亮度检测和清晰度检测，并获得检测结果的步骤，包括：
计算待检测图像在灰度图上的均值和方差；通过判断所述均值和方差处于预设标准值范围内时，获得亮度检测结果。
其中，服务器可通过计算图像在灰度图上的均值和方差，判断均值是否偏离均值点以及方差是否偏小，来评估图像是否存在曝光或曝光不足，得到图像的亮度检测结果。当存在亮度异常时，待检测图像在灰度图上的均值偏离预设均值点。例如，可将均值点设为128，但检测到待检测图像的均值为135，大于所设均值点，因此，亮度存在异常。
具体地，可采用以下公式对图片的均值以及方差是否异常进行计算：
g(i，j)＝αf(i，j)+β
其中，以f(i,j)代表原像素值，g(i,j)为输出像素的值,α和β为两个参数，α为增益，β为偏置参数，可用于调节图像亮度和对比对。进一步地，可以通过以上公式对图像像素值进行数值运算，从而达到调节图像亮度和对比度的目的。
计算所述待检测图像相邻像素间灰度特征的梯度差；通过判断所述梯度差处于预设标准梯度差范围内时，获得清晰度检测结果。
具体地，服务器可通过考察图像的领域对比度，即相邻像素间的灰度特征的梯度差，根据梯度差与预设标准的大小，来获得图像清晰度检测结果。也就是说，当梯度差小于预设标准时，图像处于模糊状态，清晰度不够，聚焦模糊。
进一步地，可采用如下的Laplacian(拉普拉斯)算法实现梯度差的计算：
D(f)＝∑y∑x|G(x，y)| (G(x，y)＞T)
其中，G(x,y)是像素点(x,y)处Laplacian算子的卷积。
上述步骤，通过对待检测图像执行亮度检测和清晰度检测，可在执行目标图像获取操作之前，删除亮度不够或过度曝光以及清晰度不足的图像，提高目标图像获取效率，进行目标检测获得目标图像。
在一个实施例中，如图3所示，提供了一种当所述检测结果符合预设标准时，将待检测图像传输至目标检测模型，进行目标检测，获得目标图像的步骤，包括：
S302，从待检测图像中提取目标特征，并将目标特征共享至候选框提取网络。
其中，Faster R-CNN算法是利用深度学习来实现目标检测的算法，首先使用一组基础层提取待检测图像的目标特征，该目标特征被共享用于后续候选框提取网络层和全连接层。
S304，根据候选框提取网络生成候选区域。
RPN的损失函数为：
其中有：
其中，i为mini-batch中的anchor的索引，Pi是目标的预测概率，ti是用于预测坐标的向量，表示预测框的目标，ti*为gt包围盒的坐标，表示候选框的目标。
S306，根据目标特征和所述候选区域，生成候选窗口。
根据目标特征和候选区域生成候选窗口，对于候选框中提取的特征使用分类器判断是够属于一个特定类。
其中，特征可看做一个通道图像，对于该图像的每一个目标，考虑多个可能的候选窗口，收集舌像的样本特征和精确目标，并综合舌像的样本特征和精确目标后，提取候选框在样本特征上的目标，将所提取的候选框在样本特征上的目标传输至全连接层。
S308，利用边框回归方程修正所述候选窗口，获得所待检测图像中的目标图像。
具体地，全连接层接收候选框在样本特征上的目标，并计算目标的类别，根据边框回归方程计算检测框的精确位置。
其中，边框回归方程如下，用于计算边框回归中的各个参数：
tx＝(x-xa)/Wa，ty＝(y-ya)/ha
tw＝log(w/wa)，th＝log(h/ha)
其中，x和y、w、h为边框的中心坐标和宽、高。
上述步骤，通过采用深度学习算法(Faster R-CNN)进行目标检测，从目标图像中提取目标特征，利用候选框提取网络生成候选区域，根据目标特征和候选区域生成候选窗口，利用边框回归方程修正候选窗口，进一步调整待检测图像中目标图像的位置，可提高目标图像定位的精确度。
在一个实施例中，如图4所示，提供了一种将所述目标图像传输至性状识别模型，对多个性状特征进行处理，获得识别结果的步骤，包括：
S402，获取目标图像中的多个性状特征。
本实施例中，目标图像为舌像，舌像包括的性状特征为：苔色、苔态、舌形、舌形和苔质。
S404，建立多个性状特征与性状识别模型中多个分类器间的对应关系。
其中，性状识别模型包括多个分类器，具体包括：颜色模型、形态模型、纹理模型、规则模型和苔质模型，根据舌像的性状特征，建立与多个分类器的对应关系。
具体地，颜色模型与舌色/苔色对应、形态模型与舌态/舌形对应、纹理模型与舌形对应、规则模型与舌形对应、以及苔质模型与苔质对应。
进一步地，颜色模型对应舌色和苔色，其中，舌色包括淡白、淡红、红、绛以及暗紫，苔色包括白、淡黄、黄以及灰黑。形态模型与舌态/舌形对应，其中，舌态包括正常和歪斜，舌形包括正常、老和嫩。纹理模型与舌形对应，舌形包括无齿痕和有齿痕、有点刺和无点刺、有裂纹和无裂纹、有瘀斑和无瘀斑。规则模型与舌形对应，舌形包括正常、胖以及瘦。苔质模型与苔质对应，苔质包括正常、剥落、少苔、镜面，润、燥和正常、腐、腻以及薄、厚。
S406，根据多个性状特征与多个分类器间的对应关系，分别对多个性状特征进行处理。
具体地，颜色模型与舌色/苔色对应、形态模型与舌态/舌形对应、纹理模型与舌形对应、规则模型与舌形对应、以及苔质模型与苔质对应。
服务器根据颜色模型对舌态/苔色进行处理，获取目标图像中的苔色和苔色，判断舌色属于淡白、淡红、红、绛以及暗紫中的其中哪一个颜色，判断苔色属于白、淡黄、黄以及灰黑中的哪一个颜色。根据形态模型对舌态和舌形进行处理，判断舌态属于正常和歪斜中的哪一个形态，判断舌形属于正常、老和嫩中的哪一个形态。根据纹理模型对舌形进行处理，判断舌形处于无齿痕和有齿痕、有点刺和无点刺、有裂纹和无裂纹、有瘀斑和无瘀斑中的哪一种形态。根据规则模型对舌形进行处理，判断舌形属于正常、胖以及瘦中的哪一种状态。根据苔质模型对苔质进行处理，判断苔质属于正常、剥落、少苔、镜面，润、燥和正常、腐、腻以及薄、厚中的哪一种状态。
S408，获取多个分类器对多个性状特征进行处理的处理结果；综合对多个性状特征进行处理的处理结果，得到识别结果。
具体地，服务器获取不同分类器对不同性状特征的处理结果，即根据颜色模型判断舌色/苔色分别属于什么颜色的结果，根据形态模型判断舌态/舌形分别属于什么形态的结果，根据纹理模型判断舌形属于什么形态的结果，根据规则模型判断舌形属于什么形态的结果，根据苔质模型判断苔质属于什么状态的结果。
服务器综合上述获取的多个处理结果，形成舌像识别结果。
上述步骤，利用多个分类器对不同性状特征进行处理，获得多方面的舌像识别结果，由于结合多个性状识别模型，对目标图像进行性状特征处理，所获得的舌像识别结果包括舌像的多个性状特征，所能体现的舌头的状态信息更为精确。
在另一个实施例中，提供了一种图像处理方法，该方法还包括：
采集多个图像样本，并提取图像样本对应的样本参数；获取待检测图像的目标特征参数；将所述样本参数与所述目标特征参数进行比对，当所述目标特征参数大小与所述样本参数大小相等时，表示存在目标图像。
其中，图像样本的样本参数包括图像：像素、分辨率、大小、颜色、位深、色调、饱和度、亮度、色彩通道以及图像的层次等，同样的也获取待检测图片的特征参数，包括上述样本参数中涉及的参数。
具体地，服务器将样本参数与目标特征参数进行比对，当目标特征参数大小与样本参数大小相等时，表示存在目标图像。也就是说，当判断目标特征参数中的素、分辨率、大小、颜色、位深、色调、饱和度、亮度、色彩通道以及图像的层次等，与样本参数中对应的参数大小相等，或处于预设的样本参数范围内时，表示存在目标图像。
上述方法，服务器通过预先判断待检测图像中是否存在目标图像，可删除不符合要求的待检测图片，减少不必要的工作量，提高检测和识别效率。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种图像处理装置，包括：接收模块502、检测模块504、目标检测模块506、性状识别模块508和发送模块510，其中：
接收模块502，用于接收终端发送的待检测图像。
具体地，由服务器接收终端发送的待检测图片，待检测图像可以是舌像，可体现舌头的舌质颜色、舌苔厚薄以及纹理特征等基本特征。
检测模块504，用于对待检测图像进行亮度检测和清晰度检测，并获得检测结果。
目标检测模块506，用于将检测结果与预设标准进行比对；当检测结果符合预设标准时，将待检测图像传输至目标检测模型，进行目标检测，获得目标图像。
其中，可通过对舌像分别进行亮度检测和清晰度检测，可获得亮度检测结果和清晰度检测结果。
具体地，可通过计算图像在灰度图上的均值和方差，判断均值是否偏离均值点以及方差是否偏小或偏大，来评估图像是否存在曝光或曝光不足，得到图像的亮度检测结果。
当存在亮度异常时，待检测图像在灰度图上的均值偏离预设均值点。例如，可将均值点设为128，但检测到待检测图像的均值为135，大于所设均值点，因此，亮度存在异常。
具体地，可通过考察图像的领域对比度，即相邻像素间的灰度特征的梯度差，根据梯度差与预设标准的大小，来获得图像清晰度检测结果。也就是说，当梯度差小于预设标准时，图像处于模糊状态，清晰度不够，聚焦模糊。
其中，在图形处理器环境中对目标检测算法的离线模型进行训练，针对图片样本进行处理，包括处理负样本，归一到具体某个尺寸，旋转图片等，结合深度学习框架，得到目标检测模型，将训练后的目标检测模型存储至分布式文件系统中，将样本参数存入远程数据服务中。
进一步地，目标检测采用Faster R-CNN算法来实现，包括候选区域生成、特征提取和目标精修等几个部分，包括以下过程：
服务器从目标图像中提取目标特征，并将所述目标特征共享至候选框提取网络层和全连接层。
服务器利用候选框提取网络生成候选区域。
具体地，使用分割手段，根据候选框将图像分割成小区域，查看小区域，并将可能性最高的两个区域进行合并，重复直到整个图像合并成一个区域位置，所有曾经存在过的区域即为候选区域。
其中，候选框提取网络模型以任意大小的图像作为输入，输出一系列候选框，以及每个候选框是目标的可能性。
服务器根据目标特征和候选区域生成候选窗口，对于候选框中提取的特征使用分类器判断是够属于一个特定类。
服务器利用边框回归方程修正候选窗口，进一步调整待检测图像中目标图像的位置。
具体地，全连接层接收候选框在样本特征上的目标，并计算目标的类别，根据边框回归方程计算检测框的精确位置。
性状识别模块508，用于将目标图像传输至性状识别模型，对目标图像包含的多个性状特征进行处理，并获得识别结果。
其中，性状识别模型包括多个分类器，具体包括：颜色模型、形态模型、纹理模型、规则模型和苔质模型，具体地，颜色模型与舌色/苔色对应、形态模型与舌态/舌形对应、形态模型与舌形对应、规则模型与舌形对应、以及苔质模型与苔质对应。
服务器根据颜色模型对舌态/苔色进行处理，获取目标图像中的苔色和苔色，判断舌色属于淡白、淡红、红、绛以及暗紫中的其中哪一个颜色，判断苔色属于白、淡黄、黄以及灰黑中的哪一个颜色。根据形态模型对舌态和舌形进行处理，判断舌态属于正常和歪斜中的哪一个形态，判断舌形属于正常、老和嫩中的哪一个形态。根据纹理模型对舌形进行处理，判断舌形处于无齿痕和有齿痕、有点刺和无点刺、有裂纹和无裂纹、有瘀斑和无瘀斑中的哪一种形态。根据规则模型对舌形进行处理，判断舌形属于正常、胖以及瘦中的哪一种状态。根据苔质模型对苔质进行处理，判断苔质属于正常、剥落、少苔、镜面，润、燥和正常、腐、腻以及薄、厚中的哪一种状态。
具体地，服务器获取不同分类器对不同性状特征的处理结果，即根据颜色模型判断舌色/苔色分别属于什么颜色的结果，根据形态模型判断舌态/舌形分别属于什么形态的结果，根据纹理模型判断舌形属于什么形态的结果，根据规则模型判断舌形属于什么形态的结果，根据苔质模型判断苔质属于什么状态的结果。
发送模块510，用于将识别结果输出至终端。
综合上述获取的多个处理结果，形成舌像识别结果。
上述图像处理装置，通过对待检测图像执行亮度检测和清晰度检测，可在执行目标图像获取操作之前，删除亮度不够或过度曝光以及清晰度不足的图像，提高目标图像获取效率，进行目标检测获得目标图像，由于结合多个性状识别模型，对目标图像进行性状特征处理，所获得的舌像识别结果包括舌像的多个性状特征，所能体现的舌头的状态信息更为精确。
在另一个实施例中，提供了一种图像处理装置，该装置还包括：
提取模块，用于采集多个图像样本，并提取图像样本对应的样本参数。获取模块，获取待检测图像的目标特征参数。判断模块，用于将所述样本参数与所述目标特征参数进行比对，当所述目标特征参数大小与所述样本参数大小相等时，表示存在目标图像。
具体地，服务器将样本参数与目标特征参数进行比对，当目标特征参数大小与样本参数大小相等时，表示存在目标图像。也就是说，当判断目标特征参数中的素、分辨率、大小、颜色、位深、色调、饱和度、亮度、色彩通道以及图像的层次等，与样本参数中对应的参数大小相等，或处于预设的样本参数范围内时，表示存在目标图像。
上述装置，通过预先判断待检测图像中是否存在目标图像，可删除不符合要求的待检测图片，减少不必要的工作量，提高检测和识别效率。
在一个实施例中，提供了一种目标检测模块，还用于：
计算待检测图像在灰度图上的均值和方差；通过判断所述均值和方差处于预设标准值范围内时，获得亮度检测结果。
其中，可通过计算图像在灰度图上的均值和方差，判断均值是否偏离均值点以及方差是否偏小或偏大，来评估图像是否存在曝光或曝光不足，得到图像的亮度检测结果。当存在亮度异常时，待检测图像在灰度图上的均值偏离预设均值点。例如，可将均值点设为128，但检测到待检测图像的均值为135，大于所设均值点，因此，亮度存在异常。
计算所述待检测图像相邻像素间灰度特征的梯度差；通过判断所述梯度差处于预设标准梯度差范围内时，获得清晰度检测结果。
计算所述待检测图像相邻像素间灰度特征的梯度差；通过判断所述梯度差处于预设标准梯度差范围内时，获得清晰度检测结果。
具体地，可通过考察图像的领域对比度，即相邻像素间的灰度特征的梯度差，根据梯度差与预设标准的大小，来获得图像清晰度检测结果。也就是说，当梯度差小于预设标准时，图像处于模糊状态，清晰度不够，聚焦模糊。
上述目标检测模块，通过对待检测图像执行亮度检测和清晰度检测，可在执行目标图像获取操作之前，删除亮度不够或过度曝光以及清晰度不足的图像，提高目标图像获取效率，进行目标检测获得目标图像。
在一个实施例中，提供了一种目标检测模块，还用于：
从待检测图像中提取目标特征，并将目标特征共享至候选框提取网络。
其中，Faster R-CNN算法是利用深度学习来实现目标检测的算法，首先使用一组基础层提取待检测图像的目标特征，该目标特征被共享用于后续候选框提取网络层和全连接层。
根据所述候选框提取网络生成候选区域。
具体地，使用分割手段，根据候选框将图像分割成小区域，查看小区域，并将可能性最高的两个区域进行合并，重复直到整个图像合并成一个区域位置，所有曾经存在过的区域即为候选区域。
其中，候选框提取网络模型以任意大小的图像作为输入，输出一系列候选框，以及每个候选框是目标的可能性。
根据所述目标特征和所述候选区域，生成候选窗口。
根据目标特征和候选区域生成候选窗口，对于候选框中提取的特征使用分类器判断是够属于一个特定类。
其中，特征可看做一个通道图像，对于该图像的每一个目标，考虑多个可能的候选窗口，收集舌像的样本特征和精确目标，并综合舌像的样本特征和精确目标后，提取候选框在样本特征上的目标，将所提取的候选框在样本特征上的目标传输至全连接层。
利用边框回归方程修正所述候选窗口，获得所述待检测图像中的目标图像。
具体地，全连接层接收候选框在样本特征上的目标，并计算目标的类别，根据边框回归方程计算检测框的精确位置。
上述目标检测模块，通过采用深度学习算法(Faster R-CNN)进行目标检测，从目标图像中提取目标特征，利用候选框提取网络生成候选区域，根据目标特征和候选区域生成候选窗口，利用边框回归方程修正候选窗口，进一步调整待检测图像中目标图像的位置，可提高目标图像定位的精确度。
在一个实施例中，提供了一种性状识别模块，还用于：
获取目标图像中的多个性状特征。
本实施例中，目标图像为舌像，舌像包括的性状特征为：苔色、苔态、舌形、舌形和苔质。
建立所述性状特征与所述性状识别模型中多个分类器间的对应关系。
其中，性状识别模型包括多个分类器，具体包括：颜色模型、形态模型、纹理模型、规则模型和苔质模型，根据舌像的性状特征，建立与多个分类器的对应关系。颜色模型与舌色/苔色对应、形态模型与舌态/舌形对应、纹理模型与舌形对应、规则模型与舌形对应、以及苔质模型与苔质对应。
根据所述性状特征与所述多个分类器间的对应关系，分别对目标图像包含的多个性状特征进行处理。
具体地，服务器根据颜色模型对舌态/苔色进行处理，获取目标图像中的苔色和苔色，判断舌色属于淡白、淡红、红、绛以及暗紫中的其中哪一个颜色，判断苔色属于白、淡黄、黄以及灰黑中的哪一个颜色。
服务器根据形态模型对舌态和舌形进行处理，判断舌态属于正常和歪斜中的哪一个形态，判断舌形属于正常、老和嫩中的哪一个形态。根据纹理模型对舌形进行处理，判断舌形处于无齿痕和有齿痕、有点刺和无点刺、有裂纹和无裂纹、有瘀斑和无瘀斑中的哪一种形态。根据规则模型对舌形进行处理，判断舌形属于正常、胖以及瘦中的哪一种状态。根据苔质模型对苔质进行处理，判断苔质属于正常、剥落、少苔、镜面，润、燥和正常、腐、腻以及薄、厚中的哪一种状态。
获取多个分类器对所述多个性状特征进行处理的处理结果；综合所述对多个性状特征进行处理的处理结果，得到识别结果。
具体地，服务器获取不同分类器对不同性状特征的处理结果，即根据颜色模型判断舌色/苔色分别属于什么颜色的结果，根据形态模型判断舌态/舌形分别属于什么形态的结果，根据纹理模型判断舌形属于什么形态的结果，根据规则模型判断舌形属于什么形态的结果，根据苔质模型判断苔质属于什么状态的结果。
服务器综合上述获取的多个处理结果，形成舌像识别结果。
上述性状识别模块，利用多个分类器对不同性状特征进行处理，获得多方面的舌像识别结果，由于结合多个性状识别模型，对目标图像进行性状特征处理，所获得的舌像识别结果包括舌像的多个性状特征，所能体现的舌头的状态信息更为精确。
关于图像处理装置的具体限定可以参见上文中对于图像处理方法的限定，在此不再赘述。上述图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待检测图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像处理方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
接收终端发送的待检测图像；
对所述待检测图像进行亮度检测和清晰度检测，并获得检测结果；
将所述检测结果与预设标准进行比对；
当所述检测结果符合预设标准时，将待检测图像传输至目标检测模型，进行目标检测，获得目标图像；
将所述目标图像传输至性状识别模型，对目标图像包含的多个性状特征进行处理，获得识别结果；
将所述识别结果输出至终端。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
采集多个图像样本，并提取图像样本对应的样本参数；
获取待检测图像的目标特征参数；
将所述样本参数与所述目标特征参数进行比对，图像当所述目标特征参数大小与所述样本参数大小相等时，表示存在目标图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
从所述待检测图像中提取目标特征，并将所述目标特征共享至候选框提取网络；
根据所述候选框提取网络生成候选区域；
根据所述目标特征和所述候选区域，生成候选窗口；
利用边框回归方程修正所述候选窗口，获得所述待检测图像中的目标图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取目标图像中的多个性状特征；
建立所述多个性状特征与所述性状识别模型中多个分类器间的对应关系；
根据所述多个性状特征与所述多个分类器间的对应关系，分别对多个性状特征进行处理；
获取多个分类器对所述多个性状特征进行处理的处理结果；综合对所述多个性状特征进行处理的处理结果，得到识别结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
接收终端发送的待检测图像；
对所述待检测图像进行亮度检测和清晰度检测，并获得检测结果；
将所述检测结果与预设标准进行比对；
当所述检测结果符合预设标准时，将待检测图像传输至目标检测模型，进行目标检测，获得目标图像；
将所述目标图像传输至性状识别模型，对目标图像包含的多个性状特征进行处理，获得识别结果；
将所述识别结果输出至终端。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
采集多个图像样本，并提取图像样本对应的样本参数；
获取待检测图像的目标特征参数；
将所述样本参数与所述目标特征参数进行比对，图像当所述目标特征参数大小与所述样本参数大小相等时，表示存在目标图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从所述待检测图像中提取目标特征，并将所述目标特征共享至候选框提取网络；
根据所述候选框提取网络生成候选区域；
根据所述目标特征和所述候选区域，生成候选窗口；
利用边框回归方程修正所述候选窗口，获得所述待检测图像中的目标图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取目标图像中的多个性状特征；
建立所述性状特征与所述性状识别模型中多个分类器间的对应关系；
根据所述性状特征与所述多个分类器间的对应关系，分别对多个性状特征进行处理；
获取多个分类器对所述多个性状特征进行处理的处理结果；综合对所述多个性状特征进行处理的处理结果，得到识别结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像处理方法，其特征在于，所述方法包括：
接收终端发送的待检测图像；
对所述待检测图像进行亮度检测和清晰度检测，并获得检测结果；
将所述检测结果与预设标准进行比对；
当所述检测结果符合所述预设标准时，将所述待检测图像传输至目标检测模型，进行目标检测，获得目标图像；
将所述目标图像传输至性状识别模型，对所述目标图像包含的多个性状特征进行处理，获得识别结果；
将所述识别结果输出至所述终端。
2.根据权利要求1所述的方法，其特征在于，所述对所述待检测图像进行亮度检测和清晰度检测，并获得检测结果包括：
计算所述待检测图像在灰度图上的均值和方差；
通过判断所述均值和所述方差处于预设标准值范围内时，获得亮度检测结果；
计算所述待检测图像相邻像素间灰度特征的梯度差；
通过判断所述梯度差处于预设标准梯度差范围内时，获得清晰度检测结果。
3.根据权利要求1所述的方法，其特征在于，所述当所述检测结果符合所述预设标准时，将所述待检测图像传输至目标检测模型，进行目标检测，获得目标图像包括：
从所述待检测图像中提取目标特征，并将所述目标特征共享至候选框提取网络；
根据所述候选框提取网络生成候选区域；
根据所述目标特征和所述候选区域，生成候选窗口；
利用边框回归方程修正所述候选窗口，获得所述待检测图像中的所述目标图像。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述将所述目标图像传输至性状识别模型，对所述目标图像包含的多个性状特征进行处理，获得识别结果包括：
获取所述目标图像中的所述多个性状特征；
建立所述多个性状特征与所述性状识别模型中多个分类器间的对应关系；
根据所述多个性状特征与所述多个分类器间的对应关系，分别对所述多个性状特征进行处理；
获取所述多个分类器对所述多个性状特征进行处理的处理结果；综合对所述多个性状特征进行处理的处理结果，得到所述识别结果。
5.根据权利要求1至3任意一项所述的方法，其特征在于，所述方法还包括：
采集多个图像样本，并提取所述图像样本对应的样本参数；
获取所述待检测图像的目标特征参数；
将所述样本参数与所述目标特征参数进行比对，当所述目标特征参数大小与所述样本参数大小相等时，表示存在所述目标图像。
6.一种图像处理装置，其特征在于，所述装置包括：
接收模块，用于接收终端发送的待检测图像；
检测模块，用于对所述待检测图像进行亮度检测和清晰度检测，并获得检测结果；
目标检测模块，用于将所述检测结果与预设标准进行比对；当所述检测结果符合所述预设标准时，将所述待检测图像传输至目标检测模型，进行目标检测，获得目标图像；
性状识别模块，用于将所述目标图像传输至性状识别模型，对所述目标图像包含的多个性状特征进行处理，并获得识别结果；
发送模块，用于将所述识别结果输出至所述终端。
7.根据权利要求6所述的装置，其特征在于，所述目标检测模块，还用于计算所述待检测图像在灰度图上的均值和方差；通过判断所述均值和所述方差处于预设标准值范围内时，获得亮度检测结果；计算所述待检测图像相邻像素间灰度特征的梯度差；通过判断所述梯度差处于预设标准梯度差范围内时，获得清晰度检测结果。
8.根据权利要求6所述的装置，其特征在于，所述目标检测模块，还用于从所述待检测图像中提取目标特征，并将所述目标特征共享至候选框提取网络；根据所述候选框提取网络生成候选区域；根据所述目标特征和所述候选区域，生成候选窗口；利用边框回归方程修正所述候选窗口，获得所述待检测图像中的所述目标图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN201810551564.2A 2018-05-31 2018-05-31 图像处理方法、装置、计算机设备和存储介质 Pending CN108830197A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810551564.2A CN108830197A (zh) 2018-05-31 2018-05-31 图像处理方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810551564.2A CN108830197A (zh) 2018-05-31 2018-05-31 图像处理方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN108830197A true CN108830197A (zh) 2018-11-16

Family

ID=64147028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810551564.2A Pending CN108830197A (zh) 2018-05-31 2018-05-31 图像处理方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN108830197A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615613A (zh) * 2018-11-22 2019-04-12 广州金域医学检验中心有限公司 病理切片染色质量评价方法、装置、计算机设备及存储介质
CN109829859A (zh) * 2018-12-05 2019-05-31 平安科技（深圳）有限公司 图像处理方法及终端设备
CN110781811A (zh) * 2019-10-24 2020-02-11 腾讯科技（深圳）有限公司 异常工单识别方法、装置、可读存储介质和计算机设备
CN110969193A (zh) * 2019-11-15 2020-04-07 常州瑞昇科技有限公司 织物图像获取方法、装置、计算机设备和存储介质
CN111080583A (zh) * 2019-12-03 2020-04-28 上海联影智能医疗科技有限公司 医学图像检测方法、计算机设备和可读存储介质
CN111340749A (zh) * 2018-12-17 2020-06-26 顺丰科技有限公司 图像质量的检测方法、装置、设备及存储介质
CN111597272A (zh) * 2020-05-26 2020-08-28 广州迈安信息科技有限公司 工程造价数据的存储方法、装置、数据服务器和存储介质
CN111898641A (zh) * 2020-07-01 2020-11-06 中国建设银行股份有限公司 一种目标模型检测、装置、电子设备及计算机可读存储介质
CN112330666A (zh) * 2020-11-26 2021-02-05 成都数之联科技有限公司 基于改进孪生网络的图像处理方法及系统及装置及介质
CN112396050A (zh) * 2020-12-02 2021-02-23 上海优扬新媒信息技术有限公司 图像的处理方法、设备以及存储介质
CN113344858A (zh) * 2021-05-14 2021-09-03 云从科技集团股份有限公司 特征检测方法、装置及计算机存储介质
CN113688850A (zh) * 2020-05-14 2021-11-23 武汉Tcl集团工业研究院有限公司 一种图像处理的方法及终端

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107493403A (zh) * 2017-08-11 2017-12-19 宁波江丰生物信息技术有限公司 一种数字病理切片扫描系统
CN107977671A (zh) * 2017-10-27 2018-05-01 浙江工业大学 一种基于多任务卷积神经网络的舌象分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107493403A (zh) * 2017-08-11 2017-12-19 宁波江丰生物信息技术有限公司 一种数字病理切片扫描系统
CN107977671A (zh) * 2017-10-27 2018-05-01 浙江工业大学 一种基于多任务卷积神经网络的舌象分类方法

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615613A (zh) * 2018-11-22 2019-04-12 广州金域医学检验中心有限公司 病理切片染色质量评价方法、装置、计算机设备及存储介质
CN109829859B (zh) * 2018-12-05 2024-05-24 平安科技（深圳）有限公司 图像处理方法及终端设备
CN109829859A (zh) * 2018-12-05 2019-05-31 平安科技（深圳）有限公司 图像处理方法及终端设备
CN111340749B (zh) * 2018-12-17 2023-08-29 丰翼科技(深圳)有限公司 图像质量的检测方法、装置、设备及存储介质
CN111340749A (zh) * 2018-12-17 2020-06-26 顺丰科技有限公司 图像质量的检测方法、装置、设备及存储介质
CN110781811A (zh) * 2019-10-24 2020-02-11 腾讯科技（深圳）有限公司 异常工单识别方法、装置、可读存储介质和计算机设备
CN110969193A (zh) * 2019-11-15 2020-04-07 常州瑞昇科技有限公司 织物图像获取方法、装置、计算机设备和存储介质
CN110969193B (zh) * 2019-11-15 2023-04-18 常州瑞昇科技有限公司 织物图像获取方法、装置、计算机设备和存储介质
CN111080583B (zh) * 2019-12-03 2024-02-27 上海联影智能医疗科技有限公司 医学图像检测方法、计算机设备和可读存储介质
CN111080583A (zh) * 2019-12-03 2020-04-28 上海联影智能医疗科技有限公司 医学图像检测方法、计算机设备和可读存储介质
CN113688850A (zh) * 2020-05-14 2021-11-23 武汉Tcl集团工业研究院有限公司 一种图像处理的方法及终端
CN111597272B (zh) * 2020-05-26 2023-10-27 广州迈安信息科技有限公司 工程造价数据的存储方法、装置、数据服务器和存储介质
CN111597272A (zh) * 2020-05-26 2020-08-28 广州迈安信息科技有限公司 工程造价数据的存储方法、装置、数据服务器和存储介质
CN111898641A (zh) * 2020-07-01 2020-11-06 中国建设银行股份有限公司 一种目标模型检测、装置、电子设备及计算机可读存储介质
CN112330666A (zh) * 2020-11-26 2021-02-05 成都数之联科技有限公司 基于改进孪生网络的图像处理方法及系统及装置及介质
CN112330666B (zh) * 2020-11-26 2022-04-29 成都数之联科技股份有限公司 基于改进孪生网络的图像处理方法及系统及装置及介质
CN112396050B (zh) * 2020-12-02 2023-09-15 度小满科技(北京)有限公司 图像的处理方法、设备以及存储介质
CN112396050A (zh) * 2020-12-02 2021-02-23 上海优扬新媒信息技术有限公司 图像的处理方法、设备以及存储介质
CN113344858A (zh) * 2021-05-14 2021-09-03 云从科技集团股份有限公司 特征检测方法、装置及计算机存储介质
CN113344858B (zh) * 2021-05-14 2024-07-09 云从科技集团股份有限公司 特征检测方法、装置及计算机存储介质

Similar Documents

Publication Publication Date Title
CN108830197A (zh) 图像处理方法、装置、计算机设备和存储介质
CN110110799B (zh) 细胞分类方法、装置、计算机设备和存储介质
CN111179251B (zh) 基于孪生神经网络利用模板比对的缺陷检测系统及方法
WO2021000524A1 (zh) 孔位保护门检测方法、装置、计算机设备和存储介质
CN111080628A (zh) 图像篡改检测方法、装置、计算机设备和存储介质
CN108764306A (zh) 图像分类方法、装置、计算机设备和存储介质
CN111753692B (zh) 目标对象提取方法、产品检测方法、装置、计算机和介质
CN112215201B (zh) 评估人脸识别模型、针对图像的分类模型的方法及装置
JP2015176169A (ja) 画像処理装置、画像処理方法およびプログラム
CN111985554A (zh) 一种模型训练方法、手镯识别方法及对应装置
CN111401387A (zh) 异常样本构建方法、装置、计算机设备和存储介质
CN116012291A (zh) 工业零件图像缺陷检测方法及系统、电子设备和存储介质
AU2017443986B2 (en) Color adaptation using adversarial training networks
CN112651468A (zh) 一种多尺度轻量化图像分类方法及其存储介质
CN113283388B (zh) 活体人脸检测模型的训练方法、装置、设备及存储介质
Wang et al. Local defect detection and print quality assessment
CN115375674B (zh) 胃白光瘤变图像识别方法、装置及存储介质
Ma et al. Deep attention network for melanoma detection improved by color constancy
CN115861259A (zh) 一种基于模板匹配的引线框架表面缺陷检测方法及装置
CN111209922B (zh) 基于svm和opencv的图像色系风格标记方法、装置、设备及介质
CN115018820A (zh) 基于纹理加强的乳腺癌多分类方法
CN112307908B (zh) 一种视频语义提取方法及装置
CN117726627B (zh) 芯片表面缺陷检测方法及设备
CN115049746B (zh) 图像颜色校正方法、装置、电子设备和存储介质
JP2023152476A (ja) 検査装置、検査方法及び検査用コンピュータプログラム

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