CN108921167A - 一种彩色图片自动裁剪方法及系统 - Google Patents

一种彩色图片自动裁剪方法及系统 Download PDF

Info

Publication number
CN108921167A
CN108921167A CN201810654107.6A CN201810654107A CN108921167A CN 108921167 A CN108921167 A CN 108921167A CN 201810654107 A CN201810654107 A CN 201810654107A CN 108921167 A CN108921167 A CN 108921167A
Authority
CN
China
Prior art keywords
color image
matrix
coordinate
singular point
automatic cutting
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
CN201810654107.6A
Other languages
English (en)
Inventor
史欣炜
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.)
Hangzhou Jiji Intellectual Property Operation Co ltd
Original Assignee
Sichuan Feixun Information 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 Sichuan Feixun Information Technology Co Ltd filed Critical Sichuan Feixun Information Technology Co Ltd
Priority to CN201810654107.6A priority Critical patent/CN108921167A/zh
Publication of CN108921167A publication Critical patent/CN108921167A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种彩色图片自动裁剪方法及系统，该方法包括步骤：S11.获取待处理的彩色图片；S12.获取所述彩色图片的三维数字矩阵Am×n×3；S13.计算所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值；S14.根据所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值生成矩阵Bm×(n‑1)；S15.获取所述矩阵Bm×(n‑1)中的所有奇异点；S16.根据奇异点的坐标获取所述彩色图片中物体的位置信息；S17.根据所述位置信息对所述彩色图片进行裁剪。本发明自动地将图片中的物体进行裁剪，从而减少物体识别的计算量，提高图像中物体识别的效率。

Description

一种彩色图片自动裁剪方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种彩色图片自动裁剪方法及系统。
背景技术
随着计算机技术和数字媒体技术的快速发展，人们对计算机视觉、人工智能、机器感知等领域的需求与期盼也越来越高。图像识别技术作为人工智能的重要组成部分，正进行着突飞猛进的发展。图像识别技术是指对图像进行对象识别，以识别各种不同模式的目标和对像的技术。而在图像识别领域，图像识别的应用越来越广泛，图像识别技术的产品也在越来越丰富起来，图像识别技术能够为用户提供很多方便，例如对于车牌进行识别能够快速筛选车牌；再如对一些网站的验证码进行识别能够方便用户下订单、购买等操作，更可以为用户提供替代执行某些操作的便捷服务。
图像识别是通过对存储的信息与当前图片信息进行比较、计算等一系列的加工过程，实现对图像的再认。图像识别是人工智能的一个重要领域。目前图像识别应用场景下的产品，由于受到图像识别算法模型的精度、图像匹配库的丰富度和识别算法计算量等方面的制约，产品体验度并不好，图像识别计算量大，识别效率低。
公开号为CN 106599840A的专利公开了一种图像识别协处理器，包括：第一数据获取模块，用于获取数据类型为单精度浮点型的原始待处理图像数据；第一转换模块，用于将原始待处理图像数据的数据类型由单精度浮点型转换成整型，得到转换后的待处理图像数据；数据处理模块，用于利用预设的图像识别算法，对转换后的待处理图像数据进行相应的计算处理，得到数据类型为整型的初始图像识别结果；第二转换模块，用于将初始图像识别结果的数据类型由整型转换成单精度浮点型，得到最终的图像识别结果。本申请公开的技术方案有利于提高图像识别效果。虽然该方法可以有效提高图形识别的效果，但是该方法还是从原始图像中经过转换后进行图像识别，还是存在识别算法的计算量大，识别效率低的问题。
发明内容
本发明的目的是针对现有技术的缺陷，提供了一种彩色图片自动裁剪方法及系统，能够自动地对彩色图片中的物体进行裁剪，从而减少图像物体识别的计算量。
为了实现以上目的，本发明采用以下技术方案：
一种彩色图片自动裁剪方法，包括步骤：
S1.获取待处理的彩色图片；
S2.获取所述彩色图片的三维数字矩阵Am×n×3；
S3.计算所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值；
S4.根据所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值生成矩阵Bm×(n-1)；
S5.获取所述矩阵Bm×(n-1)中的所有奇异点；
S6.根据奇异点的坐标获取所述彩色图片中物体的位置信息；
S7.根据所述位置信息对所述彩色图片进行裁剪。
进一步的，所述相邻像素欧式距离的差值为从第二列的每个像素开始与其相邻左边像素的欧式距离。
进一步的，所述获取所述矩阵Bm×(n-1)中的所有奇异点具体方法为：
A1.设定阈值β；
A2.获取所述矩阵Bm×(n-1)中大于所述阈值β的点为奇异点。
进一步的，所述根据奇异点的坐标获取所述彩色图片中物体的位置信息具体方法为：
B1.获取所有奇异点在所述矩阵Bm×(n-1)中的坐标；
B2.获取奇异点中X轴坐标的最大值和最小值以及Y轴的最大值和最小值；
B3.根据所述奇异点中X轴坐标的最大值和最小值以及Y轴的最大值和最小值确定所述彩色图片中物体的位置信息。
进一步的，所述阈值β是根据所述矩阵Bm×(n-1)中每个像素点的值来设定的。
相应的，还提供一种彩色图片自动裁剪系统，包括：
第一获取模块，用于获取待处理的彩色图片；
第二获取模块，用于获取所述彩色图片的三维数字矩阵Am×n×3；
计算模块，用于计算所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值；
矩阵生成模块，用于根据所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值生成矩阵Bm×(n-1)；
第三获取模块，用于获取所述矩阵Bm×(n-1)中的所有奇异点；
第四获取模块，用于根据奇异点的坐标获取所述彩色图片中物体的位置信息；
裁剪模块，用于根据所述位置信息对所述彩色图片进行裁剪。
进一步的，所述相邻像素欧式距离的差值为从第二列的每个像素开始与其相邻左边像素的欧式距离。
进一步的，所述获取所述矩阵Bm×(n-1)中的所有奇异点具体方法为：
A1.设定阈值β；
A2.获取所述矩阵Bm×(n-1)中大于所述阈值β的点为奇异点。
进一步的，所述根据奇异点的坐标获取所述彩色图片中物体的位置信息具体方法为：
B1.获取所有奇异点在所述矩阵Bm×(n-1)中的坐标；
B2.获取奇异点中X轴坐标的最大值和最小值以及Y轴的最大值和最小值；
B3.根据所述奇异点中X轴坐标的最大值和最小值以及Y轴的最大值和最小值确定所述彩色图片中物体的位置信息。
进一步的，所述阈值β是根据所述矩阵Bm×(n-1)中每个像素点的值来设定的。
与现有技术相比，本发明通过对每一帧彩色图片的三维矩阵中，对横向相邻像素做欧式距离差值，从而生成一个二维矩阵，从而可以刻画出图片中物体的轮廓，然后设定适当阈值，过滤图片中的奇异点，并根据这些奇异点的坐标，做出最小长方块体并覆盖住图片中物体，从而自动地将图片中的物体进行裁剪，从而减少物体识别的计算量，提高图像中物体识别的效率。
附图说明
图1是实施例一提供的一种彩色图片自动裁剪方法流程图；
图2是实施例二提供的一种彩色图片自动裁剪系统结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明是以彩色图片为研究对象，主要的着力点在于改善彩色图片中物体识别的效率，提供了一种彩色图片自动裁剪方法及系统，能够自动地对彩色图片中的物体进行裁剪，从而减少图像物体识别的计算量。
实施例一
本实施例提供一种彩色图片自动裁剪方法，如图1所示，包括步骤：
S11.获取待处理的彩色图片；
S12.获取所述彩色图片的三维数字矩阵Am×n×3；
S13.计算所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值；
S14.根据所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值生成矩阵Bm×(n-1)；
S15.获取所述矩阵Bm×(n-1)中的所有奇异点；
S16.根据奇异点的坐标获取所述彩色图片中物体的位置信息；
S17.根据所述位置信息对所述彩色图片进行裁剪。
本实施例的彩色图片自动裁剪方法的执行主体为安装有图像处理软件的终端设备，所述步骤S11至步骤S17都是利用终端设备中的图像处理软件来完成。
具体的，所述的终端设备为计算机，所述的图像处理软件为TensorFlow。
需要说明的是，TensorFlow是一个相当完整的深度学习软件开放平台，是一个采用数据流图(data flow graphs)，用于数值计算的开源软件库，它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU(或GPU)，服务器，移动设备等等。TensorFlow最初由Google大脑小组(隶属于Google机器智能研究机构)的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，通用性广，可广泛用于计算领域。而图像处理说到底就是对图像进行各种计算，因此，在本实施例中利用TensorFlow来执行图像处理的过程。
首先，待处理的彩色图片需要输入终端设备，终端设备获取到所述待处理的彩色图片后，就会将所述彩色图片读入图像处理软件进行后续的处理。
图像处理软件读入所述彩色图片后首先就是要获取与所述彩色图片对应的三维数字矩阵Am×n×3。图片的实质就是一个标准的矩形，图片有着宽度(width)和高度(height)，而矩阵有着行(row)和列(column)，矩阵的操作在数学和计算机中的处理都很常见且成熟，于是很自然的就把图片作为一个矩阵，把对图片的操作转换成对矩阵的操作，实际上图片处理的过程就是对图片对应的矩阵的计算和处理过程，彩色图像同样是一个矩阵，只是矩阵中的每一个点不是一个值，而是包含3个值的数组，这3个值就是RGB值，因此在本实施例中获取到彩色图片对应的三维矩阵Am×n×3，就可以很方便的进行后续的一些操作，例如获取图片中某个区域的值、获取某个点的位置坐标等等。
获取到所述彩色图片的三维数字矩阵Am×n×3后，然后计算所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值，并根据所述三维维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值生成矩阵Bm×(n-1)；
需要说明的是，欧式距离是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。例如，三维空间的欧式距离公式为
进一步的，所述相邻像素欧式距离的差值为从第二列的每个像素开始与其相邻左边像素的欧式距离。
例如三维数字矩阵Am×n×3为
其中A11、A12……Amn都是包含3个值的数组。
那么，矩阵Bm×(n-1)为
例如A11＝(r1,g1,b1)、A12＝(r2,g2,b2)；
那么
生成矩阵Bm×(n-1)后，就需要获取矩阵Bm×(n-1)中的所有奇异点，所述奇异点就是在矩阵中与其他点差异较大的点，因为矩阵Bm×(n-1)中每个点都是矩阵Am×n×3从第二列的每个像素与其相邻左边像素的欧式距离，因此在矩阵Bm×(n-1)中的奇异点就是说明是矩阵Am×n×3相邻两个像素点差值较大的点，就是所述彩色图片中物体区域与其他背景区域的分界点，所以可以根据这些奇异点的位置来确定所述彩色图片中物体的位置。
进一步的，所述获取所述矩阵Bm×(n-1)中的所有奇异点具体方法为：
A1.设定阈值β；
A2.获取所述矩阵Bm×(n-1)中大于所述阈值β的点为奇异点。
所述的阈值β是通过参考所述矩阵Bm×(n-1)中每个像素点的值来设定的。通过设定阈值β就可以获取矩阵Bm×(n-1)中的所有奇异点，然后就可以根据奇异点的坐标来获取到所述彩色图片中物体的位置信息。
进一步的，所述根据奇异点的坐标获取所述彩色图片中物体的位置信息具体方法为：
B1.获取所有奇异点在所述矩阵Bm×(n-1)中的坐标；
B2.获取奇异点中X轴坐标的最大值和最小值以及Y轴的最大值和最小值；
B3.根据所述奇异点中X轴坐标的最大值和最小值以及Y轴的最大值和最小值确定所述彩色图片中物体的位置信息。
具体的，首先获取到所有奇异点在矩阵Bm×(n-1)中的坐标(xi,yi)，然后在从所有坐标中获取到X轴坐标中的最大值maxX和最小值minX，以及Y轴坐标中的最大值maxY和最小值minY，那么在矩阵Bm×(n-1)中四个坐标(maxX，maxY)、(maxX，minY)、(minX，maxY)、(minX，minY)组成的区域就包含了所有的奇异点，因为矩阵Bm×(n-1)是通过矩阵Am×n×3横向每个相邻像素的欧式距离，所以在矩阵Am×n×3中8个坐标(maxX，maxY+1，0)、(maxX，maxY+1，2)、(maxX，minY+1，0)、(maxX，minY+1，2)、(minX，maxY+1，0)、(minX，maxY+1，2)、(minX，minY+1，0)、(minX，minY+1，2)组成的区域就包括了所述彩色图片中的物体区域。具体的，对坐标位置(maxX，maxY+1，0)、(maxX，maxY+1，2)、(maxX，minY+1，0)、(maxX，minY+1，2)、(minX，maxY+1，0)、(minX，maxY+1，2)、(minX，minY+1，0)、(minX，minY+1，2)8个点所组成的长方体区域的边缘进行裁剪(即去除该长方体区域以外的区域)，这样剩下的这个长方体区域就包含了所述彩色图片中的物体区域，实现了彩色图片中物体区域的自动裁剪。
裁剪后图片因为去除了大部分物体区域以外的区域，大大减小了图片的尺寸，这样在后续的物体识别过程中可以大大减少计算量，提高物体识别的效率。
本实施例通过对每一帧彩色图片的二维矩阵中，对横向相邻像素做欧式距离计算，从而生成一个二维矩阵，从而可以刻画出图片中物体的轮廓，然后设定适当阈值，过滤图片中的奇异点，并根据这些奇异点的坐标，做出最小长方块体并覆盖住图片中物体，从而自动地将图片中的物体进行裁剪，从而减少物体识别的计算量，提高图像中物体识别的效率。
实施例二
本实施例还提供一种彩色图片自动裁剪系统，如图2所示，包括：
第一获取模块11，用于获取待处理的彩色图片；
第二获取模块12，用于获取所述彩色图片的三维数字矩阵Am×n×3；
计算模块13，用于计算所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值；
矩阵生成模块14，用于根据所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值生成矩阵Bm×(n-1)；
第三获取模块15，用于获取所述矩阵Bm×(n-1)中的所有奇异点；
第四获取模块16，用于根据奇异点的坐标获取所述彩色图片中物体的位置信息；
裁剪模块17，用于根据所述位置信息对所述彩色图片进行裁剪。
本实施例的彩色图片自动裁剪系统各个模块所执行的效果都是通过装有图像处理软件的终端设备来完成的。
具体的，所述的终端设备为计算机，所述的图像处理软件为TensorFlow。
需要说明的是，TensorFlow是一个相当完整的深度学习软件开放平台，是一个采用数据流图(data flow graphs)，用于数值计算的开源软件库，它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU(或GPU)，服务器，移动设备等等。TensorFlow最初由Google大脑小组(隶属于Google机器智能研究机构)的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，通用性广，可广泛用于计算领域。而图像处理说到底就是对图像进行各种计算，因此，在本实施例中利用TensorFlow来执行图像处理的过程。
首先，待处理的彩色图片需要输入终端设备，终端设备获取到所述待处理的彩色图片后，就会将所述彩色图片读入图像处理软件进行后续的处理。
图像处理软件读入所述彩色图片后首先就是要获取与所述彩色图片对应的三维数字矩阵Am×n×3。图片的实质就是一个标准的矩形，图片有着宽度(width)和高度(height)，而矩阵有着行(row)和列(column)，矩阵的操作在数学和计算机中的处理都很常见且成熟，于是很自然的就把图片作为一个矩阵，把对图片的操作转换成对矩阵的操作，实际上图片处理的过程就是对图片对应的矩阵的计算和处理过程，彩色图像同样是一个矩阵，只是矩阵中的每一个点不是一个值，而是包含3个值的数组，这3个值就是RGB值，因此在本实施例中获取到彩色图片对应的三维矩阵Am×n×3，就可以很方便的进行后续的一些操作，例如获取图片中某个区域的值、获取某个点的位置坐标等等。
获取到所述彩色图片的三维数字矩阵Am×n×3后，然后计算所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值，并根据所述三维维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值生成矩阵Bm×(n-1)；
需要说明的是，欧式距离是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。例如，三维空间的欧式距离公式为
进一步的，所述相邻像素欧式距离的差值为从第二列的每个像素开始与其相邻左边像素的欧式距离。
例如三维数字矩阵Am×n×3为
其中A11、A12……Amn都是包含3个值的数组。
那么，矩阵Bm×(n-1)为
例如A11＝(r1,g1,b1)、A12＝(r2,g2,b2)；
那么
生成矩阵Bm×(n-1)后，就需要获取矩阵Bm×(n-1)中的所有奇异点，所述奇异点就是在矩阵中与其他点差异较大的点，因为矩阵Bm×(n-1)中每个点都是矩阵Am×n×3从第二列的每个像素与其相邻左边像素的欧式距离，因此在矩阵Bm×(n-1)中的奇异点就是说明是矩阵Am×n×3相邻两个像素点差值较大的点，就是所述彩色图片中物体区域与其他背景区域的分界点，所以可以根据这些奇异点的位置来确定所述彩色图片中物体的位置。
进一步的，所述获取所述矩阵Bm×(n-1)中的所有奇异点具体方法为：
A1.设定阈值β；
A2.获取所述矩阵Bm×(n-1)中大于所述阈值β的点为奇异点。
所述的阈值β是通过参考所述矩阵Bm×(n-1)中每个像素点的值来设定的。通过设定阈值β就可以获取矩阵Bm×(n-1)中的所有奇异点，然后就可以根据奇异点的坐标来获取到所述彩色图片中物体的位置信息。
进一步的，所述根据奇异点的坐标获取所述彩色图片中物体的位置信息具体方法为：
B1.获取所有奇异点在所述矩阵Bm×(n-1)中的坐标；
B2.获取奇异点中X轴坐标的最大值和最小值以及Y轴的最大值和最小值；
B3.根据所述奇异点中X轴坐标的最大值和最小值以及Y轴的最大值和最小值确定所述彩色图片中物体的位置信息。
具体的，首先获取到所有奇异点在矩阵Bm×(n-1)中的坐标(xi,yi)，然后在从所有坐标中获取到X轴坐标中的最大值maxX和最小值minX，以及Y轴坐标中的最大值maxY和最小值minY，那么在矩阵Bm×(n-1)中四个坐标(maxX，maxY)、(maxX，minY)、(minX，maxY)、(minX，minY)组成的区域就包含了所有的奇异点，因为矩阵Bm×(n-1)是通过矩阵Am×n×3横向每个相邻像素的欧式距离，所以在矩阵Am×n×3中8个坐标(maxX，maxY+1，0)、(maxX，maxY+1，2)、(maxX，minY+1，0)、(maxX，minY+1，2)、(minX，maxY+1，0)、(minX，maxY+1，2)、(minX，minY+1，0)、(minX，minY+1，2)组成的区域就包括了所述彩色图片中的物体区域。具体的，对坐标位置(maxX，maxY+1，0)、(maxX，maxY+1，2)、(maxX，minY+1，0)、(maxX，minY+1，2)、(minX，maxY+1，0)、(minX，maxY+1，2)、(minX，minY+1，0)、(minX，minY+1，2)8个点所组成的长方体区域的边缘进行裁剪(即去除该长方体区域以外的区域)，这样剩下的这个长方体区域就包含了所述彩色图片中的物体区域，实现了彩色图片中物体区域的自动裁剪。
裁剪后图片因为去除了大部分物体区域以外的区域，大大减小了图片的尺寸，这样在后续的物体识别过程中可以大大减少计算量，提高物体识别的效率。
本实施例通过对每一帧彩色图片的二维矩阵中，对横向相邻像素做欧式距离计算，从而生成一个二维矩阵，从而可以刻画出图片中物体的轮廓，然后设定适当阈值，过滤图片中的奇异点，并根据这些奇异点的坐标，做出最小长方块体并覆盖住图片中物体，从而自动地将图片中的物体进行裁剪，从而减少物体识别的计算量，提高图像中物体识别的效率。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种彩色图片自动裁剪方法，其特征在于，包括步骤：
S1.获取待处理的彩色图片；
S2.获取所述彩色图片的三维数字矩阵Am×n×3；
S3.计算所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值；
S4.根据所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值生成矩阵Bm×(n-1)；
S5.获取所述矩阵Bm×(n-1)中的所有奇异点；
S6.根据奇异点的坐标获取所述彩色图片中物体的位置信息；
S7.根据所述位置信息对所述彩色图片进行裁剪。
2.根据权利要求1所述的一种彩色图片自动裁剪方法，其特征在于，所述相邻像素欧式距离的差值为从第二列的每个像素开始与其相邻左边像素的欧式距离。
3.根据权利要求1所述的一种彩色图片自动裁剪方法，其特征在于，所述获取所述矩阵Bm×(n-1)中的所有奇异点具体方法为：
A1.设定阈值β；
A2.获取所述矩阵Bm×(n-1)中大于所述阈值β的点为奇异点。
4.根据权利要求1所述的一种彩色图片自动裁剪方法，其特征在于，所述根据奇异点的坐标获取所述彩色图片中物体的位置信息具体方法为：
B1.获取所有奇异点在所述矩阵Bm×(n-1)中的坐标；
B2.获取奇异点中X轴坐标的最大值和最小值以及Y轴的最大值和最小值；
B3.根据所述奇异点中X轴坐标的最大值和最小值以及Y轴的最大值和最小值确定所述彩色图片中物体的位置信息。
5.根据权利要求3所述的一种彩色图片自动裁剪方法，其特征在于，所述阈值β是根据所述矩阵Bm×(n-1)中每个像素点的值来设定的。
6.一种彩色图片自动裁剪系统，其特征在于，包括：
第一获取模块，用于获取待处理的彩色图片；
第二获取模块，用于获取所述彩色图片的三维数字矩阵Am×n×3；
计算模块，用于计算所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值；
矩阵生成模块，用于根据所述三维数字矩阵Am×n×3横向每个相邻像素欧式距离的差值生成矩阵Bm×(n-1)；
第三获取模块，用于获取所述矩阵Bm×(n-1)中的所有奇异点；
第四获取模块，用于根据奇异点的坐标获取所述彩色图片中物体的位置信息；裁剪模块，用于根据所述位置信息对所述彩色图片进行裁剪。
7.根据权利要求6所述的一种彩色图片自动裁剪系统，其特征在于，所述相邻像素欧式距离的差值为从第二列的每个像素开始与其相邻左边像素的欧式距离。
8.根据权利要求6所述的一种彩色图片自动裁剪系统，其特征在于，所述获取所述矩阵Bm×(n-1)中的所有奇异点具体方法为：
A1.设定阈值β；
A2.获取所述矩阵Bm×(n-1)中大于所述阈值β的点为奇异点。
9.根据权利要求6所述的一种彩色图片自动裁剪系统，其特征在于，所述根据奇异点的坐标获取所述彩色图片中物体的位置信息具体方法为：
B1.获取所有奇异点在所述矩阵Bm×(n-1)中的坐标；
B2.获取奇异点中X轴坐标的最大值和最小值以及Y轴的最大值和最小值；
B3.根据所述奇异点中X轴坐标的最大值和最小值以及Y轴的最大值和最小值确定所述彩色图片中物体的位置信息。
10.根据权利要求8所述的一种彩色图片自动裁剪系统，其特征在于，所述阈值β是根据所述矩阵Bm×(n-1)中每个像素点的值来设定的。
CN201810654107.6A 2018-06-22 2018-06-22 一种彩色图片自动裁剪方法及系统 Pending CN108921167A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810654107.6A CN108921167A (zh) 2018-06-22 2018-06-22 一种彩色图片自动裁剪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810654107.6A CN108921167A (zh) 2018-06-22 2018-06-22 一种彩色图片自动裁剪方法及系统

Publications (1)

Publication Number Publication Date
CN108921167A true CN108921167A (zh) 2018-11-30

Family

ID=64420017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810654107.6A Pending CN108921167A (zh) 2018-06-22 2018-06-22 一种彩色图片自动裁剪方法及系统

Country Status (1)

Country Link
CN (1) CN108921167A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101359365A (zh) * 2008-08-07 2009-02-04 电子科技大学中山学院 一种基于最大类间方差和灰度信息的虹膜定位方法
CN102592260A (zh) * 2011-12-26 2012-07-18 广州商景网络科技有限公司 证照图像裁剪方法及系统
CN102855478A (zh) * 2011-06-30 2013-01-02 富士通株式会社 图像中文本区域定位方法和装置
CN105069757A (zh) * 2015-08-17 2015-11-18 长安大学 无人机载红外获取沥青图像的双向迭代双边滤波方法
CN105678301A (zh) * 2016-01-05 2016-06-15 珠海全志科技股份有限公司 一种自动识别并分割文本图像的方法、系统及装置
CN106650553A (zh) * 2015-10-30 2017-05-10 比亚迪股份有限公司 车牌识别方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101359365A (zh) * 2008-08-07 2009-02-04 电子科技大学中山学院 一种基于最大类间方差和灰度信息的虹膜定位方法
CN102855478A (zh) * 2011-06-30 2013-01-02 富士通株式会社 图像中文本区域定位方法和装置
CN102592260A (zh) * 2011-12-26 2012-07-18 广州商景网络科技有限公司 证照图像裁剪方法及系统
CN105069757A (zh) * 2015-08-17 2015-11-18 长安大学 无人机载红外获取沥青图像的双向迭代双边滤波方法
CN106650553A (zh) * 2015-10-30 2017-05-10 比亚迪股份有限公司 车牌识别方法及系统
CN105678301A (zh) * 2016-01-05 2016-06-15 珠海全志科技股份有限公司 一种自动识别并分割文本图像的方法、系统及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张闯等: "基于欧氏距离图的图像边缘检测", 《中国图象图形学报》 *
来煜: "螺纹钢表面缺陷检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Similar Documents

Publication Publication Date Title
Liu et al. Global attention mechanism: Retain information to enhance channel-spatial interactions
WO2021057027A1 (zh) 人体检测方法、装置、计算机设备及存储介质
CN109522874B (zh) 人体动作识别方法、装置、终端设备及存储介质
CN109416727B (zh) 一种人脸图像中眼镜去除方法及装置
CN110738207A (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
CN108021923B (zh) 一种用于深度神经网络的图像特征提取方法
CN105844653B (zh) 一种多层卷积神经网络优化系统及方法
CN108650434B (zh) 一种图像加密的方法
DE112016004535T5 (de) Universelles Übereinstimmungsnetz
CN104658030B (zh) 二次图像混合的方法和装置
CN109711268B (zh) 一种人脸图像筛选方法及设备
CN105654458A (zh) 图像处理的方法及装置
CN107203963A (zh) 一种图像处理方法及装置、电子设备
CN103440633B (zh) 一种数字图像自动祛除斑点的方法
CN112183517B (zh) 证卡边缘检测方法、设备及存储介质
CN109919992A (zh) 估测图像中的深度的方法
CN113378721B (zh) 一种基于对称和局部判别的生成对抗人脸校正方法及系统
CN108921942A (zh) 对图像进行2d转制3d的方法及装置
CN109670516A (zh) 一种图像特征提取方法、装置、设备及可读存储介质
CN113689436A (zh) 图像语义分割方法、装置、设备及存储介质
Xu et al. AutoSegNet: An automated neural network for image segmentation
CN110826534B (zh) 一种基于局部主成分分析的人脸关键点检测方法及系统
CN103544488A (zh) 一种人脸识别方法及装置
CN104796624B (zh) 一种光场编辑传播方法
CN111641822A (zh) 一种重定位立体图像质量评价方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20190412

Address after: 201616 No. 3666 Sixian Road, Songjiang District, Shanghai

Applicant after: PHICOMM (SHANGHAI) Co.,Ltd.

Address before: 610100 125 Longquan Street Park Road, Longquanyi District, Chengdu, Sichuan.

Applicant before: Sichuan fixun Information Technology Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201124

Address after: Room 10242, No. 260, Jiangshu Road, Xixing street, Binjiang District, Hangzhou City, Zhejiang Province

Applicant after: Hangzhou Jiji Intellectual Property Operation Co.,Ltd.

Address before: 201616 Shanghai city Songjiang District Sixian Road No. 3666

Applicant before: Phicomm (Shanghai) Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181130