CN109272457B - 一种图像掩膜生成方法、装置及服务器 - Google Patents
一种图像掩膜生成方法、装置及服务器 Download PDFInfo
- Publication number
- CN109272457B CN109272457B CN201810904814.6A CN201810904814A CN109272457B CN 109272457 B CN109272457 B CN 109272457B CN 201810904814 A CN201810904814 A CN 201810904814A CN 109272457 B CN109272457 B CN 109272457B
- Authority
- CN
- China
- Prior art keywords
- mask
- pixel point
- image
- gray value
- frame
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000003287 optical effect Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 42
- 238000012937 correction Methods 0.000 claims description 25
- 238000006073 displacement reaction Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 description 21
- 238000013527 convolutional neural network Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像掩膜生成方法、装置及服务器，所述方法包括：将目标视频中每一帧视频图像输入第一掩膜预测模型进行掩膜预测，得到视频图像的第一图像掩膜和相应的置信度；利用光流算法建立每一帧视频图像中像素点与相邻的多帧视频图像中像素点之间的关联关系；将第一图像掩膜作为待校正掩膜，获取当前待校正掩膜所对应的视频图像中像素点，以及与该像素点具有关联关系的像素点在相应的待校正掩膜中所对应的像素点的灰度值和置信度；基于待校正掩膜中所对应的像素点的置信度对当前待校正掩膜中的像素点的灰度值进行校正处理，得到目标视频中每一帧视频图像的目标图像掩膜。利用本发明实施例的技术方案可以提高图像掩膜质量。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像掩膜生成方法、装置及服务器。
背景技术
在图像处理技术领域，常常需要对视频中图像进行编辑、分割等处理。目前，在对视频中图像的处理时，常常需要用到图像掩膜。图像掩膜是一种图像滤镜的模板。当需要分割或编辑视频中部分图像信息时，例如分割出街景视频中的道路或者房屋时，可以通过一个矩阵来对视频图像进行像素过滤，然后，将我们需要分割出的部分图像信息突出显示出来，这个矩阵就是一种图像掩膜。
现有技术中，视频图像中图像掩膜往往可以基于单帧卷积神经网络生成，具体的，可以包括：获取目标视频的每一帧视频图像，将每一帧视频图像输入掩膜预测模型进行掩膜预测，得到每一沈视频图像的图像掩膜；其中，掩膜预测模型的训练数据包括对目标视频的预设帧视频图像和设定的该预设帧视频图像的图像掩膜进行数据增强处理后得到的多帧视频图像和多帧视频图像所对应的图像掩膜。上述现有的图像掩膜生成过程中在处理每一帧视频图像都是单独处理，导致相邻帧视频图像的图像掩膜之间存在较大的差异，生成的单帧视频图像的图像掩膜质量差，严重影响视频对象分割的精度。因此，需要提供更可靠或更有效的方案。
发明内容
本发明提供了一种图像掩膜生成方法、装置及服务器，可以提高图像掩膜质量。
第一方面，本发明提供了一种图像掩膜生成方法，所述方法包括：
将目标视频中每一帧视频图像输入第一掩膜预测模型进行掩膜预测，得到所述每一帧视频图像的第一图像掩膜和所述第一图像掩膜的置信度，所述置信度表征所述第一图像掩膜中每个像素点的灰度值取值的准确概率；
利用光流算法建立所述每一帧视频图像中像素点与相邻的多帧视频图像中像素点之间的关联关系；
将所述第一图像掩膜作为待校正掩膜，确定当前待校正掩膜所对应的视频图像中每一像素点，以及与所述像素点具有关联关系的像素点在相应的待校正掩膜中所对应的像素点，获取所述所对应的像素点的灰度值和置信度；
基于待校正掩膜中所述所对应的像素点的置信度和灰度值对当前待校正掩膜中的像素点的灰度值进行校正处理，得到所述目标视频中每一帧视频图像的目标图像掩膜。
第二方面提供了一种图像掩膜生成装置，所述装置包括：
第一预测模块，用于将目标视频中每一帧视频图像输入第一掩膜预测模型进行掩膜预测，得到所述每一帧视频图像的第一图像掩膜和所述第一图像掩膜的置信度，所述置信度表征所述第一图像掩膜中每个像素点的灰度值取值的准确概率；
关联关系建立模块，用于利用光流算法建立所述每一帧视频图像中像素点与相邻的多帧视频图像中像素点之间的关联关系；
第一待校正掩膜确定模块，用于将所述第一图像掩膜作为待校正掩膜；
数据获取模块，用于确定当前待校正掩膜所对应的视频图像中每一像素点，以及与所述像素点具有关联关系的像素点在相应的待校正掩膜中所对应的像素点，获取所述所对应的像素点的灰度值和置信度；
校正处理模块，用于基于待校正掩膜中所述所对应的像素点的置信度和灰度值对当前待校正掩膜中的像素点的灰度值进行校正处理，得到所述目标视频中每一帧视频图像的目标图像掩膜。
第三方面提供了一种图像掩膜生成服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述的图像掩膜生成方法。
第四方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面所述的图像掩膜生成方法。
本发明提供的图像掩膜生成方法、装置及服务器，具有如下技术效果：
本发明通过对单帧视频图像得到的图像掩膜结合该帧视频图像相邻的多帧视频图像所对应的图像掩膜进行图像掩模的校正处理，可以保证每一帧视频图像的图像掩膜与相邻的多帧视频图像的掩膜图像之间具有一定的关联连贯性，提高每一帧视频图像的图像掩膜质量，大大提高视频对象分割的精度。
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和优点，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的介绍，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它附图。
图1是本发明实施例提供的一种图像掩膜生成方法的流程示意图；
图2是本发明提供的第一掩膜预测模型训练及应用的一种实施例的示意图；
图3是本发明实施例提供的训练得到每一帧视频图像的第一图像掩膜和第一图像掩膜的置信度的一种流程示意图；
图4是本发明实施例提供的基于待校正掩膜中所述所对应的像素点的置信度对当前待校正掩膜中的像素点的灰度值进行校正处理，得到所述目标视频中每一帧视频图像的目标图像掩膜的一种流程示意图；
图5是本发明实施例提供的另一种图像掩膜生成方法的流程示意图；
图6是本发明提供的第二掩膜预测模型训练及应用的一种实施例的示意图；
图7是本发明实施例提供的训练得到每一帧视频图像的第二图像掩膜和所述第二图像掩膜的置信度的一种流程示意图；
图8是本发明实施例提供的一种图像掩膜生成装置的结构示意图；
图9是本发明实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下介绍本发明提供的图像掩膜生成方法，图1是本发明实施例提供的一种图像掩膜生成方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图1所示，所述方法可以包括：
S101：将目标视频中每一帧视频图像输入第一掩膜预测模型进行掩膜预测，得到所述每一帧视频图像的第一图像掩膜和所述第一图像掩膜的置信度。
本说明书实施例中，所述目标视频可以包括需要提取每一视频图像的图像掩膜的视频。具体的，例如街景拍摄视频等动态的事物的记录视频。本说明书实施例中目标视频中每一帧视频图像可以根据设定的帧率以及目标视频的时长信息等来确定的单帧视频图像。
本说明书实施例，所述第一掩膜预测模型基于机器学习算法对第一预设训练数据进行掩膜转换训练得到的掩膜预测模型。具体的，本说明书实施例中所述机器学习算法可以包括但不限于卷积神经网络、传统神经网络，递归神经网络或深度置信网络等。在一个具体的实施例中，以卷积神经网络为例，基于卷积神经网络对第一预设训练数据进行掩膜转换训练得到的掩膜预测模型的具体的可以包括以下步骤：
1)获取训练视频的预设帧视频图像和所述预设帧视频图像的设定图像掩膜。
本说明书实施例中，所述预设帧视频图像可以包括目标视频的任一帧视频图像，一般的，可以为第一帧视频图像。在实际应用中，当用户需要对目标视频中的某一对象进行分割、编辑等处理时，用户可以从目标视频的某一帧视频图像中选定该对象，进而确定该帧视频图像的设定图像掩膜。
2)对所述预设帧视频图像和所述预设帧视频图像的设定图像掩膜进行数据增强处理，得到多帧视频图像和所述多帧视频图像的图像掩膜。
本说明书实施例中，对视频图像和图像掩膜进行数据增强处理可以包括但不限于：翻转变换、随机修剪、色彩抖动、平移变换、尺度变换、对比度变换、噪声扰动、旋转变换、反射变换等。
3)将所述多帧视频图像输入预先设置的卷积神经网络进行训练。
4)调整所述卷积神经网络中各层的参数直至所述卷积神经网络的当前输出的图像掩膜与当前输入的视频图像的图像掩膜相匹配，将当前卷积神经网络作为第一掩膜预测模型。
如图2所示，图2是本发明提供的第一掩膜预测模型训练及应用的一种实施例的示意图。从图2中可见，在以多帧视频图像为输入训练得到第一掩膜预测模型后，后续，将一帧新的视频图像输入该第一掩膜预测模型，该第一掩膜预测模型可以输出该帧新的视频图像的图像掩膜。
进一步的，本说明书实施例中，如图3所示，将目标视频中每一帧视频图像输入第一掩膜预测模型进行掩膜预测，得到每一帧视频图像的第一图像掩膜和所述第一图像掩膜的置信度可以包括：
S301：将目标视频中每一帧视频图像输入第一掩膜预测模型进行掩膜预测，得到每一帧视频图像的第一输出图像。
S303：遍历所述第一输出图像的每一像素点，当遍历每一像素点时，判断所述第一输出图像中像素点的灰度值是否大于等于0.5；
S305：当判断的结果为是时，将灰度值大于等于0.5的像素点的灰度值作为所述像素点的置信度，将所述灰度值大于等于0.5的像素点的灰度值修改为1；
S307：当判断的结果为否时，将1减去灰度值小于0.5的像素点的灰度值得到的差值作为所述灰度值小于0.5的像素点的置信度，将所述灰度值小于0.5像素点的灰度值修改为0；
S309：遍历结束时，将修改像素点的灰度值后的第一输出图像作为第一图像掩膜，将遍历结束时所述第一图像掩膜所对应的每一像素点的置信度作为所述第一图像掩膜的置信度。
具体的，所述第一图像掩膜的置信度表征所述第一图像掩膜中每个像素点的灰度值取值的准确概率。
此外，需要说明的是，本说明书实施例中，所述置信度的取值大于等于0.5，小于等于1。
进一步的，在一些实施例中，本说明书实施例中，可以预先设置每一帧视频图像的置信度，所述每一帧视频图像的置信度可以与该帧视频图像与预设帧视频图像之间帧数差成反比；当某一帧视频图像与所述预设帧视频图像之间的帧数差越大，该帧视频图像的置信度越小；反之，当某一帧视频图像与所述预设帧视频图像之间的帧数差越大，该帧视频图像的置信度越大。
相应的，本说明书实施例中，所述将目标视频中每一帧视频图像输入第一掩膜预测模型进行掩膜预测，得到每一帧视频图像的第一图像掩膜和所述第一图像掩膜的置信度可以包括：
将目标视频中每一帧视频图像输入第一掩膜预测模型进行掩膜预测，得到每一帧视频图像的第一输出图像。
遍历所述第一输出图像的每一像素点，当遍历每一像素点时，判断所述第一输出图像中像素点的灰度值是否大于等于0.5；
当判断的结果为是时，将灰度值大于等于0.5的像素点的灰度值作为所述像素点的置信度，将所述灰度值大于等于0.5的像素点的灰度值修改为1；
当判断的结果为否时，将1减去灰度值小于0.5的像素点的灰度值得到的差值作为所述灰度值小于0.5的像素点的置信度，将所述灰度值小于0.5像素点的灰度值修改为0；
遍历结束时，将修改像素点的灰度值后的第一输出图像作为第一图像掩膜，将遍历结束时所述第一图像掩膜所对应的每一像素点的置信度乘以所述第一掩膜图像所对应视频图像的置信度作为所述第一图像掩膜的置信度。
S103：利用光流算法建立所述每一帧视频图像中像素点与相邻的多帧视频图像中像素点之间的关联关系。
本说明书实施例中，所述利用光流算法建立所述每一帧视频图像中像素点与相邻的多帧视频图像中像素点之间的关联关系可以包括：
基于光流算法计算所述每一帧视频图像中像素点到每一相邻帧视频图像中像素点的第一像素位移；
基于光流算法计算所述每一相邻帧视频图像中像素点到所述视频图像中像素点的第二像素位移；
对所述第一像素位移和所述第二像素位移相匹配的两个像素点之间建立关联关系。
在一个具体的实施例中，当给定一帧视频图像I1与其相邻的某一帧视频图像I2，基于光流算法计算出I1中每个像素到I2中像素点的像素位移，以及计算出I2中每个像素到I1中像素点的像素位移，然后，如果将I1中的某个像素点A通过I1到I2的像素位移可以移动到I2中的B，同时，I2中的像素点B通过I2到I1的像素位移也可以移动到I1中的像素点A，则对I1中像素点A与I2中的像素点B建立关联关系。
本说明书实施例中，所述相邻多帧视频图像可以包括当前帧视频图像相邻的多帧视频图像，例如当前帧视频图像前后的两帧视频图像。
另外，相邻多帧视频图像为当前帧视频图像前后的两帧视频图像时，当前帧视频图像为第二帧以及最后两帧视频图像时，所述第二帧视频图像的相邻多帧视频图像可以包括前面一帧视频图像和后面三帧视频图像。最后第二帧视频图像的相邻多帧视频图像可以包括前面三帧视频图像和后面一帧视频图像。最后一帧视频图像的相邻多帧视频图像可以包括前面四帧视频图像。
此外，需要说明的是，与某一帧视频图像中像素点具有关联关系的像素点的数量可以与该帧视频图像相邻的视频图像的数量不同。一般的，某一帧视频图像中像素点具有关联关系的像素点的数量小于等于该帧视频图像相邻的视频图像的数量。
S105：将所述第一图像掩膜作为待校正掩膜。
S107：确定当前待校正掩膜所对应的视频图像中每一像素点，以及与所述像素点具有关联关系的像素点在相应的待校正掩膜中所对应的像素点，获取所述所对应的像素点的灰度值和置信度。
本说明书实施例中，假设步骤S103相邻的多帧视频图像为当前帧视频图像前后的两帧视频图像时，这里与当前待校正掩膜所对应的视频图像中每一像素点具有关联关系的像素点可以包括当前待校正掩膜所对应的视频图像前后的两帧视频图像中的像素点。
在一个具体的实施例中，假设当前待校正掩膜所对应的视频图像中的当前像素点为(x，y),与所述当前像素点具有关联关系的多个像素点为当前待校正掩膜所对应的视频图像前后的两帧视频图像中的与当前像素点具有关联关系的像素点：(x-1,y-2)、(x-3,y-4)、(x+2,y+1)、(x+2,y+3)，相应的，可以确定当前待校正掩膜中与像素点(x，y)所对应的像素点的灰度值和置信度，以及该前后的两帧视频图像所对应的待校正掩膜中与像素点(x-1,y-2)、(x-3,y-4)、(x+2,y+1)、(x+2,y+3)相对应的像素点的灰度值和置信度。
S109：基于待校正掩膜中所述所对应的像素点的置信度和灰度值对当前待校正掩膜中的像素点的灰度值进行校正处理，得到所述目标视频中每一帧视频图像的目标图像掩膜。
本说明书实施例中，在获取当前待校正掩膜所对应的视频图像中每一像素点，以及与所述像素点具有关联关系的像素点在相应的待校正掩膜中所对应的像素点的灰度值和置信度之后，可以基于待校正掩膜中所述所对应的像素点的置信度和灰度值对当前待校正掩膜中的像素点的灰度值进行校正处理，得到所述目标视频中每一帧视频图像的目标图像掩膜。具体的，如图4所示，可以包括：
S401：遍历每一帧视频图像中的每一像素点，当遍历每一像素点时，计算当前帧视频图像中当前像素点，以及与所述当前像素点具有关联关系的多个像素点在相应的待校正掩膜中所对应的像素点的灰度值为1的置信度之和，以及像素点的灰度值为0的置信度之和。
S403：当像素点的灰度值为1的置信度之和大于等于像素点的灰度值为0的置信度之和时，将所述当前像素点在相应的当前待校正掩膜中所对应的像素点的灰度值确定为1，得到当前的待校正掩膜。
S405：当像素点的灰度值为1的置信度之和小于像素点的灰度值为0的置信度之和时，将所述当前像素点在相应的当前待校正掩膜中所对应的像素点的灰度值确定为0，得到当前的待校正掩膜。
S407：将遍历结束时每一帧视频图像所对应的当前的待校正掩膜作为所述每一帧视频图像的目标图像掩膜。
在一个具体的实施例中，假设当前待校正掩膜所对应的视频图像中的当前像素点以及与所述当前像素点具有关联关系的像素点在相应的待校正掩膜中的像素点的灰度值和置信度依次为：(灰度值1，置信度0.5)，(灰度值1，置信度0.7)、(灰度值0，置信度0.7)，(灰度值1，置信度0.6)，(灰度值0，置信度0.8)。相应的，可以计算出像素点的灰度值为1的置信度之和为0.5+0.7+0.6＝1.8；计算出像素点的灰度值为0的置信度之和为0.7+0.8＝1.5。1.8大于1.5，即像素点的灰度值为1的置信度之和大于像素点的灰度值为0的置信度之和，相应的，可以当前像素点在相应的待校正掩膜中所对应的像素点的灰度值确定为1，得到当前的待校正掩膜。
在另一个具体的实施例中，假设当前待校正掩膜所对应的视频图像中的当前像素点以及与所述当前像素点具有关联关系的像素点在相应的待校正掩膜中的像素点的灰度值和置信度依次为：(灰度值1，置信度0.5)，(灰度值0，置信度0.7)，(灰度值0，置信度0.9)，(灰度值1，置信度0.6)，(灰度值0，置信度0.8)。相应的，可以计算出像素点的灰度值为1的置信度之和为0.5+0.6＝1.1；计算出像素点的灰度值为0的置信度之和为0.7+0.9+0.8＝2.4。1.1小于2.4，即像素点的灰度值为1的置信度之和小于像素点的灰度值为0的置信度之和，相应的，可以当前像素点在相应的待校正掩膜中所对应的像素点的灰度值确定为0，得到当前的待校正掩膜。
由以上本说明书实施例提供的技术方案可见，本说明书实施例通过对单帧视频图像得到的图像掩膜结合该帧视频图像相邻的多帧视频图像所对应的图像掩膜进行图像掩模的校正处理，保证每一帧视频图像的图像掩膜可以与相邻的多帧视频图像的掩膜图像之间具有一定的关联连贯性，提高每一帧视频图像的图像掩膜质量，大大提高视频对象分割的精度。
以下介绍本发明提供的图像掩膜生成方法的另一实施例，图5是本发明实施例提供的另一种图像掩膜生成方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图5所示，所述方法可以包括：
S501：将目标视频中每一帧视频图像输入第一掩膜预测模型进行掩膜预测，得到所述每一帧视频图像的第一图像掩膜和所述第一图像掩膜的置信度。
S503：利用光流算法建立所述每一帧视频图像中像素点与相邻的多帧视频图像中像素点之间的关联关系。
S505：将所述第一图像掩膜作为待校正掩膜。
S507：确定当前待校正掩膜所对应的视频图像中每一像素点，以及与所述像素点具有关联关系的像素点在相应的待校正掩膜中所对应的像素点，获取所述所对应的像素点的灰度值和置信度。
S509：基于待校正掩膜中所述所对应的像素点的置信度对当前待校正掩膜中的像素点的灰度值进行校正处理，得到所述目标视频中每一帧视频图像的目标图像掩膜。
S511：将每一帧视频图像和所述视频图像的目标图像掩膜输入第二掩膜预测模型得到所述每一帧视频图像的第二图像掩膜和所述第二图像掩膜的置信度。
本说明书实施例，所述第二掩膜预测模型基于机器学习算法对第二预设训练数据进行掩膜转换训练得到的掩膜预测模型。具体的，本说明书实施例中所述机器学习算法可以包括但不限于卷积神经网络、传统神经网络，递归神经网络或深度置信网络等。在一个具体的实施例中，以卷积神经网络为例，基于卷积神经网络对第二预设训练数据进行掩膜转换训练得到的掩膜预测模型的具体的可以包括以下步骤：
1)获取训练视频的预设帧视频图像和所述预设帧视频图像的设定图像掩膜。
2)对所述预设帧视频图像和所述预设帧视频图像的设定图像掩膜进行数据增强处理，得到多帧视频图像和所述多帧视频图像的图像掩膜。
3)将所述多帧视频图像和所述多帧视频图像的图像掩膜输入预先设置的卷积神经网络进行训练。
4)调整所述卷积神经网络中各层的参数直至所述卷积神经网络的当前输出的图像掩膜与当前输入的视频图像的图像掩膜相匹配，将当前卷积神经网络作为第二掩膜预测模型。
如图6所示，图6是本发明提供的第二掩膜预测模型训练及应用的一种实施例的示意图。从图6中可见，在以多帧视频图像和该多帧视频图像的图像掩膜为输入训练得到第二掩膜预测模型后，后续，将一帧新的视频图像和该帧新的视频图像的图像掩膜输入该第二掩膜预测模型，该第二掩膜预测模型可以输出该帧新的视频图像的新的图像掩膜。
进一步的，本说明书实施例中，如图7所示，将每一帧视频图像和所述视频图像的目标图像掩膜输入第二掩膜预测模型进行掩膜预测，得到所述每一帧视频图像的第二图像掩膜和所述第二图像掩膜的置信度可以包括：
S701：将每一帧视频图像和所述视频图像的目标图像掩膜输入第二掩膜预测模型进行掩膜预测，得到每一帧视频图像的第二输出图像。
S703：遍历所述第二输出图像的每一像素点，当遍历每一像素点时，判断所述第二输出图像中像素点的灰度值是否大于等于0.5；
S705：当判断的结果为是时，将灰度值大于等于0.5的像素点的灰度值作为所述像素点的置信度，将所述灰度值大于等于0.5的像素点的灰度值修改为1；
S707：当判断的结果为否时，将1减去灰度值小于0.5的像素点的灰度值得到的差值作为所述灰度值小于0.5的像素点的置信度，将所述灰度值小于0.5像素点的灰度值修改为0；
S709：遍历结束时，将修改像素点的灰度值后的第二输出图像作为第二图像掩膜，将遍历结束时所述第二图像掩膜所对应的每一像素点的置信度作为所述第二图像掩膜的置信度。
具体的，所述第二图像掩膜的置信度表征所述第二图像掩膜中每个像素点的灰度值取值的准确概率。
具体的，这里第二图像掩膜的置信度还可以包括遍历结束时所述第二图像掩膜所对应的每一像素点的置信度与所述第二掩膜图像所对应视频图像的置信度的乘积。具体的，这里第二图像掩膜的置信度可以参见上述第一图像掩膜的置信度的相关步骤，在此不再赘述。
S513：将所述第二图像掩膜作为所述待校正掩膜，执行校正处理的步骤至执行校正处理的次数达到预设处理次数。
本说明书实施例中，所述预设处理次数可以结合实际应用对图像掩膜质量要求进行设置，例如设置为5次，一般的，预设处理次数越大，得到的图像掩膜质量越高。
由以上本说明书实施例提供的技术方案可见，本说明书实施例通过对单帧视频图像得到的图像掩膜结合该帧视频图像相邻的多帧视频图像所对应的图像掩膜进行图像掩模的校正处理，保证每一帧视频图像的图像掩膜可以与相邻的多帧视频图像的掩膜图像之间具有一定的关联连贯性，另外，将校正后的图像掩膜和视频图像作为输入进行进一步的掩膜预测；并将得到的掩膜图像进行迭代校正，可以更好的提高每一帧视频图像的图像掩膜质量，大大提高视频对象分割的精度。
本发明实施例还提供了一种图像掩膜生成装置，如图8所示，所述装置包括：
第一预测模块810，可以用于将目标视频中每一帧视频图像输入第一掩膜预测模型进行掩膜预测，得到所述每一帧视频图像的第一图像掩膜和所述第一图像掩膜的置信度，所述置信度表征所述第一图像掩膜中每个像素点的灰度值取值的准确概率；
关联关系建立模块820，可以用于利用光流算法建立所述每一帧视频图像中像素点与相邻的多帧视频图像中像素点之间的关联关系；
第一待校正掩膜确定模块830，可以用于将所述第一图像掩膜作为待校正掩膜；
数据获取模块840，可以用于确定当前待校正掩膜所对应的视频图像中每一像素点，以及与所述像素点具有关联关系的像素点在相应的待校正掩膜中所对应的像素点，获取所述所对应的像素点的灰度值和置信度；
校正处理模块850，可以用于基于待校正掩膜中所述所对应的像素点的置信度和灰度值对当前待校正掩膜中的像素点的灰度值进行校正处理，得到所述目标视频中每一帧视频图像的目标图像掩膜。
另一实施例中，所述装置还可以包括：
第二预测模块，可以用于将每一帧视频图像和所述视频图像的目标图像掩膜输入第二掩膜预测模型进行掩膜预测，得到所述每一帧视频图像的第二图像掩膜和所述第二图像掩膜的置信度；
第二待校正掩膜确定模块，可以用于将所述第二图像掩膜作为所述待校正掩膜；
迭代处理模块，可以用于在所述第二待校正掩膜确定模块将所述第二图像掩膜作为所述待校正掩膜之后，基于所述数据获取模块和所述校正处理模块执行校正处理的步骤至执行校正处理的次数达到预设处理次数；
其中，所述第二图像掩膜的置信度表征所述第二图像掩膜中每个像素点的灰度值取值的准确概率。
另一实施例中，所述校正处理模块850可以包括：
遍历每一帧视频图像中的每一像素点，当遍历每一帧视频图像中的每一像素点时，采用下述单元执行校正处理：
计算单元，用于计算当前帧视频图像中当前像素点，以及与所述当前像素点具有关联关系的多个像素点在相应的待校正掩膜中所对应的像素点的灰度值为1的置信度之和，以及像素点的灰度值为0的置信度之和；
第一灰度值确定单元，用于当像素点的灰度值为1的置信度之和大于等于像素点的灰度值为0的置信度之和时，将所述当前像素点在相应的当前待校正掩膜中所对应的像素点的灰度值确定为1，得到当前的待校正掩膜；
第二灰度值确定单元，用于当像素点的灰度值为1的置信度之和小于像素点的灰度值为0的置信度之和时，将所述当前像素点在相应的当前待校正掩膜中所对应的像素点的灰度值确定为0，得到当前的待校正掩膜；
目标图像掩膜确定单元，将遍历结束时每一帧视频图像所对应的当前的待校正掩膜作为所述每一帧视频图像的目标图像掩膜。
另一实施例中，所述第一预测模块810可以包括：
第一输出图像获取单元，用于将目标视频中每一帧视频图像输入第一掩膜预测模型进行掩膜预测，得到每一帧视频图像的第一输出图像；
遍历所述第一输出图像的每一像素点，当遍历每一像素点时，采用下述单元执行置信度的确定和灰度值修改操作：
第一判断单元，用于判断所述第一输出图像中像素点的灰度值是否大于等于0.5；
第一数据处理单元，用于当所述第一判断单元判断的结果为是时，将灰度值大于等于0.5的像素点的灰度值作为所述像素点的置信度，将所述灰度值大于等于0.5的像素点的灰度值修改为1；
第二数据处理单元，用于当所述第一判断单元判断的结果为否时，将1减去灰度值小于0.5的像素点的灰度值得到的差值作为所述灰度值小于0.5的像素点的置信度，将所述灰度值小于0.5像素点的灰度值修改为0；
第一数据确定单元，用于遍历结束时，将修改像素点的灰度值后的第一输出图像作为第一图像掩膜，将遍历结束时所述第一图像掩膜所对应的每一像素点的置信度作为所述第一图像掩膜的置信度。
另一实施例中，所述第二预测模块可以包括：
第二输出图像获取单元，用于将每一帧视频图像和所述视频图像的目标图像掩膜输入第二掩膜预测模型进行掩膜预测，得到每一帧视频图像的第二输出图像；
遍历所述第二输出图像的每一像素点，当遍历每一像素点时，采用下述单元执行置信度的确定和灰度值修改操作：
第二判断单元，用于判断所述第二输出图像中像素点的灰度值是否大于等于0.5；
第二数据处理单元，用于当所述第二判断单元判断的结果为是时，将灰度值大于等于0.5的像素点的灰度值作为所述像素点的置信度，将所述灰度值大于等于0.5的像素点的灰度值修改为1；
第三数据处理单元，用于当所述第二判断单元判断的结果为否时，将1减去灰度值小于0.5的像素点的灰度值得到的差值作为所述灰度值小于0.5的像素点的置信度，将所述灰度值小于0.5像素点的灰度值修改为0；
第二数据确定单元，用于遍历结束时，将修改像素点的灰度值后的第二输出图像作为第二图像掩膜，将遍历结束时所述第二图像掩膜所对应的每一像素点的置信度作为所述第二图像掩膜的置信度。
另一实施例中，所述关联关系建立模块820可以包括：
第一像素位移计算单元，用于基于光流算法计算所述每一帧视频图像中像素点到每一相邻帧视频图像中像素点的第一像素位移；
第二像素位移计算单元，用于基于光流算法计算所述每一相邻帧视频图像中像素点到所述视频图像中像素点的第二像素位移；
第三像素位移计算单元，用于对所述第一像素位移和所述第二像素位移相匹配的两个像素点之间建立关联关系。
所述的装置实施例中的装置与方法实施例基于同样地发明构思。
本发明实施例提供了一种图像掩膜生成服务器，该图像掩膜生成服务器包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的图像掩膜生成方法。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要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、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器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、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
本发明实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图9是本发明实施例提供的一种图像掩膜生成方法的服务器的硬件结构框图。如图9所示，该服务器900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(Central Processing Units，CPU)910(处理器910可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器930，一个或一个以上存储应用程序923或数据922的存储介质920(例如一个或一个以上海量存储设备)。其中，存储器930和存储介质920可以是短暂存储或持久存储。存储在存储介质920的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器910可以设置为与存储介质920通信，在服务器900上执行存储介质920中的一系列指令操作。服务器900还可以包括一个或一个以上电源960，一个或一个以上有线或无线网络接口950，一个或一个以上输入输出接口940，和/或，一个或一个以上操作系统921，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
输入输出接口940可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器900的通信供应商提供的无线网络。在一个实例中，输入输出接口940包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口940可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解，图9所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器900还可包括比图9中所示更多或者更少的组件，或者具有与图9所示不同的配置。
本发明的实施例还提供了一种存储介质，所述存储介质可设置于服务器之中以保存用于实现方法实施例中一种图像掩膜生成方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的图像掩膜生成方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本发明提供的图像掩膜生成方法、装置、服务器或存储介质的实施例可见，本发明中通过对监测网络节点端口的输入数据包量与输出数据包量之间实时差异情况，可以及时全面的发现网络节点的故障情况，通过对单帧视频图像得到的图像掩膜结合该帧视频图像相邻的多帧视频图像所对应的图像掩膜进行图像掩模的校正处理，保证每一帧视频图像的图像掩膜可以与相邻的多帧视频图像的掩膜图像之间具有一定的关联连贯性，另外，将校正后的图像掩膜和视频图像作为输入进行进一步的掩膜预测；并将得到的掩膜图像进行迭代校正，可以更好的提高每一帧视频图像的图像掩膜质量，大大提高视频对象分割的精度。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和服务器实施例而言，由于其基本相似于方法实施例，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。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种图像掩膜生成方法，其特征在于，所述方法包括：
将目标视频中每一帧视频图像输入第一掩膜预测模型进行掩膜预测，得到所述每一帧视频图像的第一图像掩膜和所述第一图像掩膜的置信度，所述置信度表征所述第一图像掩膜中每个像素点的灰度值取值的准确概率；
利用光流算法建立所述每一帧视频图像中像素点与相邻的多帧视频图像中像素点之间的关联关系；
将所述第一图像掩膜作为待校正掩膜，确定当前待校正掩膜所对应的视频图像中每一像素点，以及与所述像素点具有关联关系的像素点在相应的待校正掩膜中所对应的像素点，获取所述所对应的像素点的灰度值和置信度；
遍历每一帧视频图像中的每一像素点，当遍历每一帧视频图像中的每一像素点时，执行下述步骤：
计算当前帧视频图像中当前像素点，以及与所述当前像素点具有关联关系的多个像素点在相应的待校正掩膜中所对应的像素点的灰度值为1的置信度之和，以及像素点的灰度值为0的置信度之和；
当像素点的灰度值为1的置信度之和大于等于像素点的灰度值为0的置信度之和时，将所述当前像素点在相应的当前待校正掩膜中所对应的像素点的灰度值确定为1，得到当前的待校正掩膜；
当像素点的灰度值为1的置信度之和小于像素点的灰度值为0的置信度之和时，将所述当前像素点在相应的当前待校正掩膜中所对应的像素点的灰度值确定为0，得到当前的待校正掩膜；
将遍历结束时每一帧视频图像所对应的当前的待校正掩膜作为所述每一帧视频图像的目标图像掩膜。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将每一帧视频图像和所述视频图像的目标图像掩膜输入第二掩膜预测模型进行掩膜预测，得到所述每一帧视频图像的第二图像掩膜和所述第二图像掩膜的置信度；
将所述第二图像掩膜作为所述待校正掩膜；
在将所述第二图像掩膜作为所述待校正掩膜之后，执行校正处理的步骤至执行校正处理的次数达到预设处理次数；所述校正处理的步骤包括所述确定当前待校正掩膜所对应的视频图像中每一像素点至所述将遍历结束时每一帧视频图像所对应的当前的待校正掩膜作为所述每一帧视频图像的目标图像掩膜的步骤；
其中，所述第二图像掩膜的置信度表征所述第二图像掩膜中每个像素点的灰度值取值的准确概率。
3.根据权利要求1或2所述的方法，其特征在于，所述将目标视频中每一帧视频图像输入第一掩膜预测模型进行掩膜预测，得到所述每一帧视频图像的第一图像掩膜和所述第一图像掩膜的置信度包括：
将目标视频中每一帧视频图像输入第一掩膜预测模型进行掩膜预测，得到每一帧视频图像的第一输出图像；
遍历所述第一输出图像的每一像素点，当遍历每一像素点时，执行下述置信度的确定和灰度值修改操作：
判断所述第一输出图像中像素点的灰度值是否大于等于0.5；
当判断的结果为是时，将灰度值大于等于0.5的像素点的灰度值作为所述像素点的置信度，将所述灰度值大于等于0.5的像素点的灰度值修改为1；
当判断的结果为否时，将1减去灰度值小于0.5的像素点的灰度值得到的差值作为所述灰度值小于0.5的像素点的置信度，将所述灰度值小于0.5像素点的灰度值修改为0；
遍历结束时，将修改像素点的灰度值后的第一输出图像作为第一图像掩膜，将遍历结束时所述第一图像掩膜所对应的每一像素点的置信度作为所述第一图像掩膜的置信度。
4.根据权利要求2所述的方法，其特征在于，所述将每一帧视频图像和所述视频图像的目标图像掩膜输入第二掩膜预测模型进行掩膜预测，得到所述每一帧视频图像的第二图像掩膜和所述第二图像掩膜的置信度包括：
将每一帧视频图像和所述视频图像的目标图像掩膜输入第二掩膜预测模型进行掩膜预测，得到每一帧视频图像的第二输出图像；
遍历所述第二输出图像的每一像素点，当遍历每一像素点时，执行下述置信度的确定和灰度值修改操作：
判断所述第二输出图像中像素点的灰度值是否大于等于0.5；
当判断的结果为是时，将灰度值大于等于0.5的像素点的灰度值作为所述像素点的置信度，将所述灰度值大于等于0.5的像素点的灰度值修改为1；
当判断的结果为否时，将1减去灰度值小于0.5的像素点的灰度值得到的差值作为所述灰度值小于0.5的像素点的置信度，将所述灰度值小于0.5像素点的灰度值修改为0；
遍历结束时，将修改像素点的灰度值后的第二输出图像作为第二图像掩膜，将遍历结束时所述第二图像掩膜所对应的每一像素点的置信度作为所述第二图像掩膜的置信度。
5.根据权利要求1或2所述的方法，其特征在于，所述利用光流算法建立所述每一帧视频图像中像素点与相邻的多帧视频图像中像素点之间的关联关系包括：
基于光流算法计算所述每一帧视频图像中像素点到每一相邻帧视频图像中像素点的第一像素位移；
基于光流算法计算所述每一相邻帧视频图像中像素点到所述每一帧视频图像中像素点的第二像素位移；
对所述第一像素位移和所述第二像素位移相匹配的两个像素点，建立关联关系。
6.一种图像掩膜生成装置，其特征在于，所述装置包括：
第一预测模块，用于将目标视频中每一帧视频图像输入第一掩膜预测模型进行掩膜预测，得到所述每一帧视频图像的第一图像掩膜和所述第一图像掩膜的置信度，所述置信度表征所述第一图像掩膜中每个像素点的灰度值取值的准确概率；
关联关系建立模块，用于利用光流算法建立所述每一帧视频图像中像素点与相邻的多帧视频图像中像素点之间的关联关系；
第一待校正掩膜确定模块，用于将所述第一图像掩膜作为待校正掩膜；
数据获取模块，用于确定当前待校正掩膜所对应的视频图像中每一像素点，以及与所述像素点具有关联关系的像素点在相应的待校正掩膜中所对应的像素点，获取所述所对应的像素点的灰度值和置信度；
校正处理模块，用于遍历每一帧视频图像中的每一像素点，当遍历每一帧视频图像中的每一像素点时，采用下述单元执行校正处理：
计算单元，用于计算当前帧视频图像中当前像素点，以及与所述当前像素点具有关联关系的多个像素点在相应的待校正掩膜中所对应的像素点的灰度值为1的置信度之和，以及像素点的灰度值为0的置信度之和；
第一灰度值确定单元，用于当像素点的灰度值为1的置信度之和大于等于像素点的灰度值为0的置信度之和时，将所述当前像素点在相应的当前待校正掩膜中所对应的像素点的灰度值确定为1，得到当前的待校正掩膜；
第二灰度值确定单元，用于当像素点的灰度值为1的置信度之和小于像素点的灰度值为0的置信度之和时，将所述当前像素点在相应的当前待校正掩膜中所对应的像素点的灰度值确定为0，得到当前的待校正掩膜；
目标图像掩膜确定单元，将遍历结束时每一帧视频图像所对应的当前的待校正掩膜作为所述每一帧视频图像的目标图像掩膜。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二预测模块，用于将每一帧视频图像和所述视频图像的目标图像掩膜输入第二掩膜预测模型进行掩膜预测，得到所述每一帧视频图像的第二图像掩膜和所述第二图像掩膜的置信度；
第二待校正掩膜确定模块，用于将所述第二图像掩膜作为所述待校正掩膜；
迭代处理模块，用于在所述第二待校正掩膜确定模块将所述第二图像掩膜作为所述待校正掩膜之后，基于所述数据获取模块和所述校正处理模块执行校正处理的步骤至执行校正处理的次数达到预设处理次数；
其中，所述第二图像掩膜的置信度表征所述第二图像掩膜中每个像素点的灰度值取值的准确概率。
8.一种图像掩膜生成服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至5任一所述的图像掩膜生成方法。
9.一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至5任一所述的图像掩膜生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810904814.6A CN109272457B (zh) | 2018-08-09 | 2018-08-09 | 一种图像掩膜生成方法、装置及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810904814.6A CN109272457B (zh) | 2018-08-09 | 2018-08-09 | 一种图像掩膜生成方法、装置及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109272457A CN109272457A (zh) | 2019-01-25 |
| CN109272457B true CN109272457B (zh) | 2022-07-22 |
Family
ID=65153500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810904814.6A Active CN109272457B (zh) | 2018-08-09 | 2018-08-09 | 一种图像掩膜生成方法、装置及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109272457B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978890B (zh) * | 2019-02-25 | 2023-07-07 | 平安科技（深圳）有限公司 | 基于图像处理的目标提取方法、装置及终端设备 |
| CN109886243B (zh) * | 2019-03-01 | 2021-03-26 | 腾讯医疗健康(深圳)有限公司 | 图像处理方法、装置、存储介质、设备以及系统 |
| CN110660011B (zh) * | 2019-09-29 | 2022-11-01 | 厦门美图之家科技有限公司 | 图像处理方法和装置、电子设备及存储介质 |
| CN111047526B (zh) * | 2019-11-22 | 2023-09-26 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN111145151B (zh) * | 2019-12-23 | 2023-05-26 | 维沃移动通信有限公司 | 一种运动区域确定方法及电子设备 |
| CN111340101B (zh) * | 2020-02-24 | 2023-06-30 | 广州虎牙科技有限公司 | 稳定性评估方法、装置、电子设备和计算机可读存储介质 |
| CN111429380B (zh) * | 2020-04-08 | 2023-11-03 | 京东科技信息技术有限公司 | 一种图像矫正方法、装置、电子设备及存储介质 |
| CN112163554B (zh) * | 2020-10-15 | 2021-08-17 | 北京达佳互联信息技术有限公司 | 获取视频中的标记掩模的方法和装置 |
| CN113205011B (zh) * | 2021-04-19 | 2024-07-05 | Oppo广东移动通信有限公司 | 图像掩膜确定方法及装置、存储介质和电子设备 |
| CN114782957A (zh) * | 2022-04-26 | 2022-07-22 | 中国建设银行股份有限公司 | 确定印章图像中文本信息的方法、装置、电子设备和介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015029613A1 (ja) * | 2013-08-28 | 2015-03-05 | シャープ株式会社 | 画像生成装置、および、表示装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8358691B1 (en) * | 2009-10-30 | 2013-01-22 | Adobe Systems Incorporated | Methods and apparatus for chatter reduction in video object segmentation using a variable bandwidth search region |
| US9269003B2 (en) * | 2013-04-30 | 2016-02-23 | Qualcomm Incorporated | Diminished and mediated reality effects from reconstruction |
| CN108229575A (zh) * | 2018-01-19 | 2018-06-29 | 百度在线网络技术（北京）有限公司 | 用于检测目标的方法和装置 |
| CN108197623A (zh) * | 2018-01-19 | 2018-06-22 | 百度在线网络技术（北京）有限公司 | 用于检测目标的方法和装置 |
| CN108154196B (zh) * | 2018-01-19 | 2019-10-22 | 百度在线网络技术（北京）有限公司 | 用于输出图像的方法和装置 |
| CN108305267B (zh) * | 2018-02-14 | 2020-08-11 | 北京市商汤科技开发有限公司 | 物体分割方法、装置、设备、存储介质及程序 |
-
2018
- 2018-08-09 CN CN201810904814.6A patent/CN109272457B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015029613A1 (ja) * | 2013-08-28 | 2015-03-05 | シャープ株式会社 | 画像生成装置、および、表示装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109272457A (zh) | 2019-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109272457B (zh) | 一种图像掩膜生成方法、装置及服务器 | |
| CN108345890B (zh) | 图像处理方法、装置和相关设备 | |
| JP6806412B2 (ja) | パターン認識に適用可能なモデルを最適化するための方法および装置ならびに端末デバイス | |
| CN107392842B (zh) | 图像风格化处理方法、装置、计算设备及计算机存储介质 | |
| CN108885787B (zh) | 训练图像修复模型的方法、图像修复方法、装置、介质及设备 | |
| CN110827297A (zh) | 基于改进的条件生成对抗网络的绝缘子分割方法 | |
| CN107808394B (zh) | 一种基于卷积神经网络的图像处理方法及移动终端 | |
| CN113011337B (zh) | 一种基于深度元学习的汉字字库生成方法及系统 | |
| CN115249315B (zh) | 面向异构计算设备的深度学习图像分类方法及装置 | |
| CN110675359A (zh) | 一种钢卷表面的缺陷样本生成方法、系统及电子设备 | |
| CN115829024B (zh) | 一种模型训练方法、装置、设备及存储介质 | |
| CN114255187A (zh) | 基于大数据平台的多层次多级图像优化方法及系统 | |
| CN111914285A (zh) | 一种基于差分隐私的地理分布式图计算方法及系统 | |
| CN114627139A (zh) | 基于像素特征学习的无监督图像分割方法、装置及设备 | |
| CN113673532A (zh) | 量化模型的优化方法及装置 | |
| CN110795623A (zh) | 一种图像增强训练方法及其系统、计算机可读存储介质 | |
| CN118196823A (zh) | 电网工程图纸的智能识别方法、装置和图纸识别系统 | |
| CN110874635A (zh) | 一种深度神经网络模型压缩方法及装置 | |
| CN113128664A (zh) | 神经网络压缩方法、装置、电子设备及存储介质 | |
| CN112232505A (zh) | 模型训练方法、处理方法、装置、电子设备及存储介质 | |
| CN112016487A (zh) | 一种智能识别方法及设备 | |
| CN110874387B (zh) | 移动设备识别符共现关系稀疏图的构建方法及装置 | |
| CN111860287A (zh) | 一种目标检测方法及装置、存储介质 | |
| CN110378852A (zh) | 图像增强方法、装置、计算机设备和存储介质 | |
| CN110120009A (zh) | 基于显著物体检测和深度估计算法的背景虚化实现方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |