CN109035370B - 一种图片标注方法与系统 - Google Patents
一种图片标注方法与系统 Download PDFInfo
- Publication number
- CN109035370B CN109035370B CN201810814221.0A CN201810814221A CN109035370B CN 109035370 B CN109035370 B CN 109035370B CN 201810814221 A CN201810814221 A CN 201810814221A CN 109035370 B CN109035370 B CN 109035370B
- Authority
- CN
- China
- Prior art keywords
- picture
- mask
- target area
- labeling
- edge
- 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
- 238000002372 labelling Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 64
- 230000035040 seed growth Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 239000011800 void material Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000012010 growth Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
Abstract
本发明公开了一种图片标注方法与系统包括:获取与数据标注任务相对应的数据集和标注规则;从数据集中载入并显示图片;确定图片的目标区域的边缘;填充目标区域的内部孔洞;根据目标区域生成并显示掩码;根据标注规则保存掩码。本发明能够针对不同类别标签或不同类型的类别标签进行逐像素标注,使得多边形标注规则可以自动执行,进而提高图片标注的精确性和效率,解放人工。
Description
技术领域
本发明涉及计算机领域,更具体地,特别是指一种图片标注方法与系统。
背景技术
随着人工智能技术的发展,计算机视觉的应用领域越来越广泛。目前计算机视觉技术发展的最大推动力是深度学习技术。深度学习技术可以基于数字图片的标注信息来执行目标检测、目标跟踪、图片分类、图片分割等任务。在当前大数据时代信息爆炸的背景下,数字图片快速标注技术成为计算机视觉领域内的关键技术之一。
目前计算机视觉领域不乏标注工具。虽然这些标注工具在一定程度上提高了目标识别、分类、和跟踪领域的图片标注的精确性和效率,但是对于图片分割领域来说,使用这些标注工具来手动标注目标边缘的方法仍然效率较低。标注效率低直接导致图片分割领域标注图片的效率有限,进而限制了图片分割领域技术的快速发展。
现有技术中常见的标注规则是矩形框标注:通过鼠标选择图片中的左上角点、右下角点(鼠标手势可以是拖动的方法)、或直接点击两个角点来获取目标的矩形框位置信息,并针对每个矩形框添加目标类别信息,最后将图片标注信息输出到json文件、VOC数据格式或者PASCAL等数据标注格式。这种标注规则只能适用于目标检测、定位等仅需矩形框定位的任务,在深度学习技术中通过矩形框的标注格式进行图片训练,通过训练模型对输入图片进行处理,输出结果也为矩形框的形式锁定目标。
现有技术中其它的标注规则还有通过多边形圈定目标的方法:通过多次点击鼠标左键选择目标边缘点,使点与点之间通过线段连接,最后构成围绕目标的多边形。这种标注规则在矩形框标注方法的基础上功能添加了多边形标注功能,而对于图片分割逐像素点标注类别标签的任务,这种标注规则无法提供解决方案。
针对现有技术中多边形标注规则不能兼容对各类别标签进行逐像素标注的问题,目前尚未有有效的解决方案。
发明内容
有鉴于此,本发明实施例的目的在于提出一种图片标注方法与系统,能够针对不同类别标签或不同类型的类别标签进行逐像素标注,使得多边形标注规则可以自动执行,进而提高图片标注的精确性和效率,解放人工。
基于上述目的,本发明的一方面提供了一种图片标注方法,包括以下步骤:
获取与数据标注任务相对应的数据集和标注规则;
从数据集中载入并显示图片;
确定图片的目标区域的边缘;
填充目标区域的内部孔洞;
根据目标区域生成并显示掩码;和
根据标注规则保存掩码。
在一些实施方式中,确定图片的目标区域的边缘包括:
获取目标区域的种子生长点;
根据种子生长点使用区域生长算法来确定目标区域的边缘。
在一些实施方式中,获取目标区域的种子生长点包括:
在接收到任意点击时进入选择种子生长点模式;
在接收到单击时,将点击位置确定为种子生长点;和
在接收到双击时,将点击位置确定为种子生长点并退出选择种子生长点模式。
在一些实施方式中,根据种子生长点使用区域生长算法来确定目标区域的边缘包括:
依次选定每个种子生长点;
选定每个选定点的邻域像素中的非边界像素;
重复上一步骤直到图片的选定点不再发生变化;和
从选定点所构成的形状中提取出目标区域的边缘;
其中,邻域像素为选定点的上、下、左、右四个像素,或上、下、左、右、左上、左下、右上、右下八个像素。
在一些实施方式中,填充目标区域的内部孔洞包括:
将图片转化为二值图片;和
对二值图片使用孔洞填充算法来填充内部孔洞。
在一些实施方式中,在填充目标区域的内部孔洞后,方法还包括:
获取目标区域的边缘修正;和
根据边缘修正来修正目标区域的掩码。
在一些实施方式中,根据边缘修正来修正目标区域的掩码包括:
将边缘修正加入种子生长点;和
根据更新过的种子生长点使用区域生长算法来重新确定目标区域的边缘。
在一些实施方式中,根据目标区域生成并显示掩码的包括:生成并更新显示掩码的类别标签;根据标注规则保存掩码包括:保存类别标签。
在一些实施方式中,根据目标区域生成并显示掩码包括:在目标区域中已包括掩码时,以不同的显示方式显示不同的掩码。
本发明实施例的另一方面,还提供了一种图片标注系统,包括:
获取模块,用于获取与数据标注任务相对应的数据集和标注规则;
载入模块,用于从数据集中载入并显示图片;
算法模块,用于确定图片的目标区域的边缘;
调整模块,用于填充目标区域的内部孔洞;
显示模块,用于根据目标区域生成并显示掩码;
保存模块,用于根据标注规则保存掩码。
本发明具有以下有益技术效果:本发明实施例提供的图片标注方法与系统,通过获取与数据标注任务相对应的数据集和标注规则、从数据集中载入并显示图片、确定图片的目标区域的边缘、填充目标区域的内部孔洞、根据目标区域生成并显示掩码、根据标注规则保存掩码的技术方案,能够针对不同类别标签或不同类型的类别标签进行逐像素标注,使得多边形标注规则可以自动执行,进而提高图片标注的精确性和效率,解放人工。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的图片标注方法的流程示意图;
图2为本发明提供的图片标注方法的获取种子生长点的流程示意图;
图3为本发明提供的图片标注方法的从确定目标区域边缘到为目标区域设置类别标签的流程示意图;
图4为本发明提供的图片标注系统的结构示意图;
图5为本发明提供的图片标注方法的计算机设备的一个实施例的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
基于上述目的,本发明实施例的第一个方面,提出了一种能够针对不同类别标签或不同类型的类别标签进行逐像素标注的方法的实施例。图1示出的是本发明提供的图片标注方法的实施例的流程示意图。
所述图片标注方法,如图1所示,包括以下步骤:
步骤S101,获取与数据标注任务相对应的数据集和标注规则;
步骤S103,从数据集中载入并显示图片;
步骤S105,确定图片的目标区域的边缘;
步骤S107,填充目标区域的内部孔洞;
步骤S109,根据目标区域生成并显示掩码;
步骤S111,根据标注规则保存掩码。
本发明实施例方案的核心思想是:获取与数据标注任务对应的数据集和标注规则(步骤S101);载入用户的选择图片,在图片显示区域显示所述图片(步骤S103);接收用户点击的图片中的位置,作为目标区域种子生长点,调用区域生长算法,形成目标区域边缘形状(步骤S105);对目标区域填充内部孔洞(步骤S107);形成目标区域掩码,并在图片显示区域及掩码显示区域分别显示,按照掩码类别不同分为不同的层,用不同颜色显示(步骤S109);将掩码边缘像素点位置及类别标签保存为json格式(步骤S111)。
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,可以通过计算机程序来指令相关硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。所述计算机程序的实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
本发明实施例所述的数字图片标注标签是对图片中特定掩码的描述性数据,包括掩码所代表的被标注对象的位置和类别。掩码(mask)将被标注对象的空间布局进行编码,在输入网络时通过二值掩码来说明给定像素是否是目标的一部分。将图片分割应用于多目标分类时,需要与物体类别相同数目的二值掩码来分别编码不同对象。
在步骤S101中,获取与数据标注任务对应的数据集和标注规则。在本发明实施例中,数据集中的多个图片可使用多种数字图片格式;同时,还获取以一定规则存储的当前数据集的多个图片下的已标注的标签。如有必要,同时可以显示操作方法及效果的动图或者视频教程;在第一次使用时进行指引以促进正确地使用和标注图片。标注规则是在进行图片分割时使用的标注方法,在本发明实施例中,矩形框标注规则及多边形标注规则的对应实现方法都是兼容的。
在步骤S103中,在图片显示区域显示用户选择图片。可以将数据集按照图片名称排列。可以在本发明实施例中添加图片翻页功能,上下页选取的规则可以按照该步骤的队列顺序。
根据本发明的一些实施例,在步骤S103中,从数据集中载入并显示图片包括:在图片本身已经包含掩码的情况下载入图片和已有掩码。在后续的步骤109中,根据目标区域生成掩码包括:在图片本身已经包含掩码的情况下生成并更新掩码。
在一些实施方式中,确定图片的目标区域的边缘包括:
获取目标区域的种子生长点;
根据种子生长点使用区域生长算法来确定目标区域的边缘。
确定图片的目标区域的边缘可以包括多种实施方式。可以根据种子生长点来使用区域生长算法,也可以遍历图片的所有像素点来使用区域生长算法。其区别在于,前者更有针对性;后者是在难以获取种子生长点时使用的方法。
如图2所示,获取目标区域的种子生长点包括:
步骤S201,流程开始;
步骤S203,识别到用户点击;
步骤S205,显示点击位置;
步骤S207,录入点击位置;
步骤S209,判断点击类型,是单击则返回步骤S203,双击则前进到步骤S211;
步骤S211,流程结束。
简而言之,当识别到用户点击按钮时,进入选择种子生长点模式;当识别到用户操作手势为单击时,在点击位置显示标志,录入点击位置队列;当识别到用户操作手势为双击时,在点击位置显示标志,录入点击位置队列,退出选择种子生长点模式。也可以使用“+”、“*”、“O”等标志来突出显示种子生长点。
根据本发明实施例公开的方法还可以被实现为由CPU执行的计算机程序,该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时,执行本发明实施例公开的方法中限定的上述功能。上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
在一些实施方式中,根据种子生长点使用区域生长算法来确定目标区域的边缘包括:
依次选定每个种子生长点;
选定每个选定点的邻域像素中的非边界像素;
重复上一步骤直到图片的选定点不再发生变化;
从选定点所构成的形状中提取出目标区域的边缘;
其中,邻域像素为选定点的上、下、左、右四个像素,或上、下、左、右、左上、左下、右上、右下八个像素。
本领域技术人员应当理解,区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体地,先对每个需要分割的区域找一个种子像素作为生长起点,然后将种子像素和周围邻域中与种子像素有相同或相似性质的像素合并到种子像素所在的区域中(这里的“相同或相似性质”是根据本领域技术人员在事先确定的那些经常使用的生长或其它准则来判定的)。将这些新像素当作新的种子继续上面的过程,直到没有满足条件的像素可被包括进来。最终获得一个区域的生长结果。
结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能,但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
根据种子生长点使用区域生长算法来确定目标区域的边缘的基体流程详见图3。如图3所示,确定目标区域的边缘包括:
步骤S301,获取种子生长点;
步骤S303,利用当前种子生长点进行区域生长。
不过如前所述,本发明实施例还存在不使用种子生长点而直接遍历图片的所有像素点的区域生长方法。在该方法中,对图像扫描找到一个没有被选定的像素;以该像素为中心当做种子生长点,对其邻域像素并进行生长;在该生长接收后再重新对图像扫描找到另一个没有被选定的像素执行上一步骤,直到图像中的所有点都被选定。
以上两种区域生长方法在检测相邻像素时可以是检测四向相邻像素和八向相邻像素。四向相邻像素即指定点的四个方向(上、下、左、右)的像素,而八向相邻像素是指定点的八个方向(上、下、左、右、左上、左下、右上、右下)的像素。
在一些实施方式中,填充目标区域的内部孔洞包括:
将图片转化为二值图片;
对二值图片使用孔洞填充算法来填充内部孔洞。
如图3所示,填充目标区域的内部孔洞包括:
步骤S305,判断图片是三通道图还是灰度图,是三通道图则继续到步骤S307,是灰度图则继续到步骤S309;
步骤S307,使图像灰度化;
步骤S309,通过阈值处理使图像二值化;
步骤S311,使用填充内部孔洞算法。
为目标区域填充内部孔洞的方法,是对步骤S105在少数情况下的补充。当感兴趣目标区域整体内部在区域生长后,有可能出现部分区域未分割到掩码内的情况,需要填充内部孔洞。其中,对灰度图进行阈值处理,既可以自己根据灰度图片本身设置阈值,也可以根据opencv中的graythresh函数自动确定阈值。
阈值可以通过迭代选择阈值法确定最佳阈值。选择一个初始估计灰度值T,利用T把图像分为两个区域R1和R2;对区域R1和R2中的所有像素计算平均灰度值μ1和μ2,并迭代计算新的阈值得到T’=1/2(μ1+μ2),以T’替代T。另外,阈值T可以是可调整的,可以在步骤S313使用滑动窗口来在[0.8,1.2]*T的范围内调整阈值以进行优化。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器,使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中,所述存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中,处理器和存储介质可以作为分立组件驻留在用户终端中。
在一些实施方式中,在填充目标区域的内部孔洞后,方法还包括:
获取目标区域的边缘修正;
根据边缘修正来修正目标区域的掩码。
在一些实施方式中,根据边缘修正来修正目标区域的掩码包括:
将边缘修正加入种子生长点;
根据更新过的种子生长点使用区域生长算法来重新确定目标区域的边缘。
如图3所示,可以在步骤S315判断用户是否修改边缘区域,是则返回步骤S303进行重新处理,否则继续到步骤S317标注类别标签。
在一些实施方式中,在根据目标区域生成并更新显示掩码的同时,还生成并更新显示掩码的类别标签;在根据标注规则保存掩码的同时,还保存类别标签。标注类别标签是可选的,本领域技术人员在执行本方法时可以按需省略。
在一些实施方式中,在根据目标区域更新显示掩码时,以不同的显示方式显示不同的掩码。
本发明实施例在步骤S101中已经获取了当前图片已有的掩码数据(如果有的话),在步骤S109中在显示区域显示不同类别的掩码图层,特别地,类别信息以不同颜色区分差别。掩码图层按照标注次序加入队列,在掩码显示区域显示当前目标区域的掩码以及类别信息(如果有的话)。
从上述实施例可以看出,本发明实施例提供的图片标注方法,通过获取与数据标注任务相对应的数据集和标注规则、从数据集中载入并显示图片和掩码、确定图片的目标区域的边缘、填充目标区域的内部孔洞、根据目标区域生成并更新显示掩码、根据标注规则保存掩码的技术方案,能够针对不同类别标签或不同类型的类别标签进行逐像素标注,使得多边形标注规则可以自动执行,进而提高图片标注的精确性和效率,解放人工。
需要特别指出的是,上述图片标注方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减,因此,这些合理的排列组合变换之于图片标注方法也应当属于本发明的保护范围,并且不应将本发明的保护范围局限在所述实施例之上。
基于上述目的,本发明实施例的第二个方面,提出了一种图片标注系统的一个实施例。图4示出的是本发明提供的图片标注系统的实施例的结构示意图。
所述图片标注系统包括:
获取模块41,用于获取与数据标注任务相对应的数据集和标注规则;
载入模块42,用于从数据集中载入并显示图片和掩码;
算法模块43,用于确定图片的目标区域的边缘;
调整模块44,用于填充目标区域的内部孔洞;
显示模块45,用于根据目标区域生成并更新显示掩码;
保存模块46,用于根据标注规则保存掩码;
其中,所述图片标注系统执行上述的图片标注方法。
本发明实施例公开所述的装置、设备等可为各种电子终端设备,例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等,也可以是大型终端设备,如服务器等,因此本发明实施例公开的保护范围不应限定为某种特定类型的装置、设备。本发明实施例公开所述的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里所述功能的下列部件来实现或执行:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器,但是可替换地,处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
从上述实施例可以看出,本发明实施例提供的图片标注系统,通过获取与数据标注任务相对应的数据集和标注规则、从数据集中载入并显示图片和掩码、确定图片的目标区域的边缘、填充目标区域的内部孔洞、根据目标区域生成并更新显示掩码、根据标注规则保存掩码的技术方案,能够针对不同类别标签或不同类型的类别标签进行逐像素标注,使得多边形标注规则可以自动执行,进而提高图片标注的精确性和效率,解放人工。
基于上述目的,本发明实施例的第三个方面,提出了一种执行所述图片标注方法的计算机设备的一个实施例。
所述执行所述图片标注方法的计算机设备包括存储器、和至少一个处理器,存储器存储有可在处理器上运行的计算机程序,处理器执行程序时执行上述任意一种方法。
如图5所示,为本发明提供的执行所述图片标注方法的计算机设备的一个实施例的硬件结构示意图。
以如图5所示的计算机设备为例,在该计算机设备中包括处理器501以及存储器502,并还可以包括:输入装置503和输出装置504。
处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的所述图片标注方法对应的程序指令/模块。处理器501通过运行存储在存储器502中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的图片标注方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据图片标注装置的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本文所述的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
输入装置503可接收输入的数字或字符信息,以及产生与图片标注装置的用户设置以及功能控制有关的键信号输入。输出装置504可包括显示屏等显示设备。
所述一个或者多个图片标注方法对应的程序指令/模块存储在所述存储器502中,当被所述处理器501执行时,执行上述任意方法实施例中的图片标注方法。
所述执行所述图片标注方法的计算机设备的任何一个实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上所述的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (9)
1.一种图片标注方法,其特征在于,包括以下步骤:
获取与数据标注任务相对应的数据集和标注规则;
从所述数据集中载入并显示图片;
确定所述图片的目标区域的边缘,其中确定所述图片的所述目标区域的边缘包括:获取所述目标区域的种子生长点;以及根据所述种子生长点使用区域生长算法来确定所述目标区域的边缘;
填充所述目标区域的内部孔洞;
根据所述目标区域生成并显示掩码;和
根据所述标注规则保存所述掩码,
其中数字图片标注标签是对图片中特定掩码的描述性数据,包括掩码所代表的被标注对象的位置和类别,所述掩码将被标注对象的空间布局进行编码,在输入网络时通过二值掩码来说明给定像素是否是目标的一部分;将图片分割应用于多目标分类时,需要与物体类别相同数目的二值掩码来分别编码不同对象。
2.根据权利要求1所述的方法,其特征在于,获取所述目标区域的所述种子生长点包括:
在接收到任意点击时进入选择种子生长点模式;
在接收到单击时,将点击位置确定为所述种子生长点;和
在接收到双击时,将点击位置确定为所述种子生长点并退出所述选择种子生长点模式。
3.根据权利要求1所述的方法,其特征在于,根据所述种子生长点使用区域生长算法来确定所述目标区域的边缘包括:
依次选定每个所述种子生长点;
选定每个选定点的邻域像素中的非边界像素;
重复上一步骤直到所述图片的所述选定点不再发生变化;和
从所述选定点所构成的形状中提取出所述目标区域的边缘;
其中,所述邻域像素为选定点的上、下、左、右四个像素,或上、下、左、右、左上、左下、右上、右下八个像素。
4.根据权利要求1所述的方法,其特征在于,填充所述目标区域的所述内部孔洞包括:
将所述图片转化为二值图片;和
对所述二值图片使用孔洞填充算法来填充所述内部孔洞。
5.根据权利要求1所述的方法,其特征在于,在填充所述目标区域的内部孔洞后,所述方法还包括:
获取所述目标区域的边缘修正;和
根据所述边缘修正来修正所述目标区域的所述掩码。
6.根据权利要求5所述的方法,其特征在于,根据所述边缘修正来修正所述目标区域的所述掩码包括:
将所述边缘修正加入种子生长点;和
根据更新过的所述种子生长点使用区域生长算法来重新确定所述目标区域的边缘。
7.根据权利要求1所述的方法,其特征在于,
根据所述目标区域生成并显示所述掩码包括:生成并显示所述掩码的类别标签;和
根据所述标注规则保存所述掩码包括:保存所述类别标签。
8.根据权利要求1所述的方法,其特征在于,根据所述目标区域生成并显示掩码包括:在所述目标区域中已包括掩码时,以不同的显示方式显示不同的所述掩码。
9.一种图片标注系统,其特征在于,包括:
获取模块,用于获取与数据标注任务相对应的数据集和标注规则;
载入模块,用于从所述数据集中载入并显示图片;
算法模块,用于确定所述图片的目标区域的边缘,其中确定所述图片的所述目标区域的边缘包括:获取所述目标区域的种子生长点;以及根据所述种子生长点使用区域生长算法来确定所述目标区域的边缘;
调整模块,用于填充所述目标区域的内部孔洞;
显示模块,用于根据所述目标区域生成并显示掩码;和
保存模块,用于根据所述标注规则保存所述掩码,
其中数字图片标注标签是对图片中特定掩码的描述性数据,包括掩码所代表的被标注对象的位置和类别,所述掩码将被标注对象的空间布局进行编码,在输入网络时通过二值掩码来说明给定像素是否是目标的一部分;将图片分割应用于多目标分类时,需要与物体类别相同数目的二值掩码来分别编码不同对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810814221.0A CN109035370B (zh) | 2018-07-23 | 2018-07-23 | 一种图片标注方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810814221.0A CN109035370B (zh) | 2018-07-23 | 2018-07-23 | 一种图片标注方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035370A CN109035370A (zh) | 2018-12-18 |
CN109035370B true CN109035370B (zh) | 2022-02-22 |
Family
ID=64644462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810814221.0A Active CN109035370B (zh) | 2018-07-23 | 2018-07-23 | 一种图片标注方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035370B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489283B (zh) * | 2019-01-25 | 2023-08-11 | 鸿富锦精密工业(武汉)有限公司 | 图片格式转换方法、装置及计算机存储介质 |
CN110009712B (zh) | 2019-03-01 | 2021-05-04 | 华为技术有限公司 | 一种图文排版方法及其相关装置 |
CN111144395B (zh) * | 2019-12-27 | 2022-05-24 | 苏州浪潮智能科技有限公司 | 一种基于Cadence Skill快速反标文字图形的方法和装置 |
CN111539481B (zh) * | 2020-04-28 | 2024-03-08 | 北京市商汤科技开发有限公司 | 图像标注方法、装置、电子设备及存储介质 |
CN111652204B (zh) * | 2020-06-03 | 2023-05-26 | 广东小天才科技有限公司 | 目标文本区域选择的方法、装置、电子设备和存储介质 |
CN112633266A (zh) * | 2020-11-26 | 2021-04-09 | 华南师范大学 | 染色体簇分割方法、系统和存储介质 |
CN112819843B (zh) * | 2021-01-20 | 2022-08-26 | 上海大学 | 一种夜间电力线的提取方法及系统 |
CN113806573A (zh) * | 2021-09-15 | 2021-12-17 | 上海商汤科技开发有限公司 | 标注方法、装置、电子设备、服务器及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2363273A1 (en) * | 1999-02-15 | 2000-08-24 | Digital Accelerator Corporation | Method and system of region-based image coding with dynamic streaming of code blocks |
CN101425186A (zh) * | 2008-11-17 | 2009-05-06 | 华中科技大学 | 一种基于ct图像的肝脏分段方法及其系统 |
CN104217225A (zh) * | 2014-09-02 | 2014-12-17 | 中国科学院自动化研究所 | 一种视觉目标检测与标注方法 |
CN105551025A (zh) * | 2015-12-08 | 2016-05-04 | 昆明理工大学 | 一种识别天文图像中太阳米粒的方法 |
CN105719276A (zh) * | 2016-01-07 | 2016-06-29 | 于翠妮 | 一种基于ct图像的肝实质分割方法 |
CN106169186A (zh) * | 2016-07-01 | 2016-11-30 | 西安电子科技大学 | 基于水平集运动目标检测中获取初始轮廓的方法 |
CN107492135A (zh) * | 2017-08-21 | 2017-12-19 | 维沃移动通信有限公司 | 一种图像分割标注方法、装置及计算机可读存储介质 |
CN107679502A (zh) * | 2017-10-12 | 2018-02-09 | 南京行者易智能交通科技有限公司 | 一种基于深度学习图像语义分割的人数估计方法 |
CN107886512A (zh) * | 2016-09-29 | 2018-04-06 | 法乐第(北京)网络科技有限公司 | 一种确定训练样本的方法 |
-
2018
- 2018-07-23 CN CN201810814221.0A patent/CN109035370B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2363273A1 (en) * | 1999-02-15 | 2000-08-24 | Digital Accelerator Corporation | Method and system of region-based image coding with dynamic streaming of code blocks |
CN101425186A (zh) * | 2008-11-17 | 2009-05-06 | 华中科技大学 | 一种基于ct图像的肝脏分段方法及其系统 |
CN104217225A (zh) * | 2014-09-02 | 2014-12-17 | 中国科学院自动化研究所 | 一种视觉目标检测与标注方法 |
CN105551025A (zh) * | 2015-12-08 | 2016-05-04 | 昆明理工大学 | 一种识别天文图像中太阳米粒的方法 |
CN105719276A (zh) * | 2016-01-07 | 2016-06-29 | 于翠妮 | 一种基于ct图像的肝实质分割方法 |
CN106169186A (zh) * | 2016-07-01 | 2016-11-30 | 西安电子科技大学 | 基于水平集运动目标检测中获取初始轮廓的方法 |
CN107886512A (zh) * | 2016-09-29 | 2018-04-06 | 法乐第(北京)网络科技有限公司 | 一种确定训练样本的方法 |
CN107492135A (zh) * | 2017-08-21 | 2017-12-19 | 维沃移动通信有限公司 | 一种图像分割标注方法、装置及计算机可读存储介质 |
CN107679502A (zh) * | 2017-10-12 | 2018-02-09 | 南京行者易智能交通科技有限公司 | 一种基于深度学习图像语义分割的人数估计方法 |
Non-Patent Citations (2)
Title |
---|
Edge-Aware Label Propagation for Mobile Facial Enhancement on the Cloud;Liang, LY;Jin, LW;Liu, D;《IEEE Transactions on Circuits and Systems for Video Technology》;20171231;第27卷(第1期);第135-138页 * |
基于卷积神经网络改进的图像自动分割方法;温佩芝等;《计算机应用研究》;20170930(第09期);第2848-2852页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109035370A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035370B (zh) | 一种图片标注方法与系统 | |
US10019655B2 (en) | Deep-learning network architecture for object detection | |
CN109741332B (zh) | 一种人机协同的图像分割与标注方法 | |
CN110443140B (zh) | 文本定位的方法、装置、计算机设备及存储介质 | |
CN110136198B (zh) | 图像处理方法及其装置、设备和存储介质 | |
CN109493400B (zh) | 手写样本生成方法、装置、计算机设备及存储介质 | |
US20120092357A1 (en) | Region-Based Image Manipulation | |
CN109948549B (zh) | Ocr数据生成方法、装置、计算机设备及存储介质 | |
US11676279B2 (en) | Utilizing a segmentation neural network to process initial object segmentations and object user indicators within a digital image to generate improved object segmentations | |
CN111091167B (zh) | 标志识别训练数据合成方法、装置、电子设备及存储介质 | |
CN113012265B (zh) | 针式打印字符图像生成方法、装置、计算机设备和介质 | |
CN113822116A (zh) | 文本识别方法、装置、计算机设备和存储介质 | |
CN112102929A (zh) | 医学图像标注方法、装置、存储介质及电子设备 | |
CN112101386A (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
CN107122785B (zh) | 文本识别模型建立方法和装置 | |
US10691884B2 (en) | System and method for cheque image data masking using data file and template cheque image | |
CN114332895A (zh) | 文本图像合成方法、装置、设备、存储介质和程序产品 | |
CN109697722B (zh) | 用于生成三分图的方法及装置 | |
CN111126372B (zh) | 视频中logo区域的标记方法、装置及电子设备 | |
US11232616B2 (en) | Methods and systems for performing editing operations on media | |
CN110287988B (zh) | 数据增强方法、装置及计算机可读存储介质 | |
CN109598206B (zh) | 动态手势识别方法及装置 | |
CN111242829A (zh) | 一种水印提取方法、装置、设备及存储介质 | |
CN106649707B (zh) | 一种管理图像内容标签的方法和装置 | |
CN113766147B (zh) | 视频中嵌入图像的方法、平面预测模型获取方法和装置 |
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 |