CN109711419A - 图像处理方法、装置、计算机设备及存储介质 - Google Patents
图像处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109711419A CN109711419A CN201811536970.8A CN201811536970A CN109711419A CN 109711419 A CN109711419 A CN 109711419A CN 201811536970 A CN201811536970 A CN 201811536970A CN 109711419 A CN109711419 A CN 109711419A
- Authority
- CN
- China
- Prior art keywords
- image
- vertical
- value
- horizontal
- contour area
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 239000000523 sample Substances 0.000 claims abstract description 101
- 238000000034 method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 74
- 238000004590 computer program Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000000605 extraction Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000011549 displacement method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种图像处理方法、装置、计算机设备及存储介质，有效地降低了图像特征提取中的时间复杂度和空间复杂度。方法部分包括：获取待处理图像对应的灰度图；确定所述灰度图的所有相邻像素点之间灰度值的差异值，所述差异值为反映相邻像素点之间灰度值差异程度的值；将所述差异值大于或等于预设阈值的相邻像素点对应的区域作为所述待处理图像的轮廓区域；根据水平直线探针和所述轮廓区域获取所述灰度图水平方向上的水平图像特征，以及根据垂直直线探针和所述轮廓区域获取所述灰度图垂直方向上的垂直图像特征；根据所述水平图像特征和所述垂直图像特征确定目标图像特征；将所述目标图像特征作为所述待处理图像的全局图像特征。
Description
技术领域
本申请涉及图像处理领域，尤其涉及一种图像处理方法、装置、计算机设备及存储介质。
背景技术
为了便于分析图像，目前已有多种用于提取图像特征的算法，例如lbp、hog算法等用于提取局部特征的局部特征提取算法。可理解，上述提取的为局部特征，为了得到图像的全局特征，通常需要进一步求解以获得图像的全局特征。此外，还出现了直接用于提取全局特征的全局特征提取算法，但是，在上述传统的方案中，由于传统技术使用神经网络类似的分类算法如svm，这类分类算法涉及到数学数理统计、神经网络、梯度推算等，导致进行图像提取的时间复杂度和空间复杂度都比较高。
发明内容
本申请公开了一种图像处理方法、装置、计算机设备及存储介质，有效地降低了图像特征提取中的时间复杂度和空间复杂度。
一种图像处理方法，包括：
获取待处理图像对应的灰度图；
确定所述灰度图的所有相邻像素点之间灰度值的差异值，所述差异值为反映相邻像素点之间灰度值差异程度的值；
将所述差异值大于或等于预设阈值的相邻像素点对应的区域作为所述待处理图像的轮廓区域；
根据水平直线探针和所述轮廓区域获取所述灰度图水平方向上的水平图像特征，以及根据垂直直线探针和所述轮廓区域获取所述灰度图垂直方向上的垂直图像特征；
根据所述水平图像特征和所述垂直图像特征确定目标图像特征；
将所述目标图像特征作为所述待处理图像的全局图像特征。
一种图像处理装置，包括：
第一获取模块，用于获取待处理图像对应的灰度图；
第一确定模块，用于确定所述第一获取模块获取的所述灰度图的所有相邻像素点之间灰度值的差异值，所述差异值为反映相邻像素点之间灰度值差异程度的值；
第二确定模块，用于将所述第一确定模块确定的所述差异值大于或等于预设阈值的相邻像素点对应的区域作为所述待处理图像的轮廓区域；
第二获取模块，用于根据水平直线探针和所述第二确定模块确定的所述轮廓区域获取所述灰度图水平方向上的水平图像特征，以及根据垂直直线探针和所述第二确定模块确定的所述轮廓区域获取所述灰度图垂直方向上的垂直图像特征；
第三确定模块，用于根据所述第二获取模块获取的所述水平图像特征和所述垂直图像特征确定目标图像特征；
第四确定模块，用于将所述第三确定模块确定的所述目标图像特征作为所述待处理图像的全局图像特征。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述图像处理方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述图像处理方法的步骤。
上述图像处理方法、装置、计算机设备及存储介质所实现的方案中，与传统的方案相比，先是确定出了体现待处理图像的轮廓区域，可以理解轮廓区域反映出了待处理图像的图像特征的变化，包括各个像素点的跳变，也就是说，确定出的轮廓区域反映出待处理图像的图像特征，继而轮廓区域的基础上，结合垂直、水平直线探针得到待处理图像垂直、水平方向的图像特征，最终得到待处理图像全局的图像特征，与传统的方案相比，通过水平、垂直直线探针、轮廓区域即可提取到待处理图像全局的图像特征，有效地降低了图像特征提取中的时间复杂度和空间复杂度。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请中图像处理装置一个系统框架示意图；
图2是本申请中图像处理方法一个实施例流程示意图；
图3是本申请中图像处理方法另一实施例流程示意图；
图4是本申请中图像处理方法另一实施例流程示意图；
图5是本申请中图像处理方法另一实施例流程示意图；
图6是本申请中图像处理方法另一实施例流程示意图；
图7是本申请中图像处理装置一个实施例结构示意图；
图8是本申请中计算机设备一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请提供了一种图像处理方法，可应用在如图1的网络框架示意图中，其中，本方案中的图像处理方法由图像处理装置执行，图像处理装置可由服务器或服务器集群来实现，也可以是一般计算机设备，例如，图像处理装置可作为独立的装置运行于服务器中，或者图像处理装置指的就是服务器本身，具体不做限定。其中，图像处理装置可获取待处理图像对应的灰度图；确定灰度图的所有相邻像素点之间的差异值，差异值为反映相邻像素点之间的差异程度的值；将差异值大于或等于预设阈值的相邻像素点对应的区域作为待处理图像的轮廓区域；根据水平直线探针和轮廓区域获取待处理图像水平方向上的水平图像特征，以及根据垂直直线探针和轮廓区域获取待处理图像垂直方向上的垂直图像特征；根据水平图像特征和垂直图像特征确定目标图像特征；将目标图像特征作为待处理图像的图像特征。可见，本方案提出的图像处理方法用于提取待处理图像的图像特征，与传统的方案相比，先是确定出了体现待处理图像的轮廓区域，可以理解轮廓区域反映出了待处理图像的图像特征的变化，包括各个像素点的跳变，也就是说，确定出的轮廓区域反映出待处理图像的图像特征，继而轮廓区域的基础上，结合垂直、水平直线探针得到待处理图像垂直、水平方向的图像特征，最终得到待处理图像全局的图像特征，与传统的方案相比，通过水平、垂直直线探针、轮廓区域即可提取到待处理图像全局的图像特征，有效地降低了图像特征提取中的时间复杂度和空间复杂度。下面对本方案中的图像处理方法进行详细描述，如图2所示，包括如下步骤：
S10、获取待处理图像对应的灰度图；
在本方案中，当需要提取待处理图像对应的灰度图示，获取待处理图像对应的灰度图。待处理图像，也就是本方案中需要被提取图像特征的图像，其中，在一些应用场景中，图像处理装置获取的待处理图像为彩色图像时，则图像处理装置需将待处理图像转化为对应的灰度图。在一些应用场景中，图像处理装置直接获取待处理图像对应的灰度图。其中，在将待处理图像转化为上灰度图的过程中，可使用常规的灰度图转化方法，这里不做限定，示例性的，可使用RGB位图进行转化。例如，待处理图像中原来某点的颜色为RGB(R,G,B)，具体可通过下面几种方式将该某点进行转化得到该某点Gray，包括：1、浮点算法：Gray＝R*0.3+G*0.59+B*0.11；2、整数方法：Gray＝(R*30+G*59+B*11)/100；3、移位方法：Gray＝(R*76+G*151+B*28)>>8；4、平均值法：Gray＝(R+G+B)/3，具体不做限定。
S20、确定灰度图的所有相邻像素点之间灰度值的差异值，差异值为反映相邻像素点之间灰度值差异程度的值；
应理解，灰度图中的每个像素点由灰度值表示，也就是灰度图中的每个像素点的像素值指的是灰度值。通常，灰度值的范围为0-255。在得到待处理图像对应的灰度的后，确定灰度图的所有相邻像素点之间灰度值的差异值，其中，其中，相邻像素点之间的差异值为反映这相邻像素点之间的灰度值差异程度的值。为了便于理解，这里举个简单例子说明下，可以理解，灰度图由多个像素点组成的文件，而在文件里存储的是对应xy坐标的各像素点的灰度值，将xy坐标映射为一个二维矩阵，则二维矩阵中的每个点对应即是各像素点的灰度值，这里假设灰度图为3*4的二维矩阵，则该灰度图共有12个像素点，则在本方案，可确定这12个像素点中，所有相邻像素点之间的灰度值的差异值，例如12个像素点中的像素点1和像素点2为相邻像素点，像素点1和像素点3也为相邻像素点，则确定像素点1和像素点2之间灰度值的差异值，并确定像素点1和像素点3之间灰度值的差异值，需要说明的是，上述例子在这里真是举例说明，并不对本方案造成限定。另外值得一提的是，在实际应用中，待处理图像的像素点个数通常都比较巨大，因此为了便于后续步骤的计算，再确定灰度图的所有相邻像素点之间灰度值的差异值之后，可将相邻像素点对应的灰度值的差异值关联存储至差异值文件中，当后续需要用到时，通过查询上述差异值文件获得每对相邻像素对应的差异值。
在一实施例，如图3所示，步骤S20中，也即确定灰度图的所有相邻像素点之间灰度值的差异值，具体包括如下步骤：
S21、确定灰度图的所有相邻像素点之间灰度值的差值；
S22、将灰度图的所有相邻像素点之间灰度值的差值对应作为灰度图的所有相邻像素点之间灰度值的差异值。
对于步骤S21-S22，在本方案中，可直接将相邻像素点之间的灰度值的差值作为相邻像素点之间灰度值的差异值，从而可确定灰度图中所有相邻像素点之间灰度图的差异值。应理解，这里提出了一种具体地求取差异值的方式，提高了方案的可实施性。
在一实施例中，如图4所示，步骤S21之前，该图像处理方法具体还包括如下步骤S23-S26：
S23、确定目标像素点对应的目标矩阵，目标矩阵为由目标像素点与目标像素点的周围像素点构成的3X3矩阵，目标像素点为灰度图中的像素点，当目标像素点为灰度图中的边缘像素点时，目标像素点的周围像素点用0表达；
如前述，灰度图由多个像素点组成的文件，而在文件里存储的是对应xy坐标的各像素点的灰度值，将xy坐标映射为一个二维矩阵，则二维矩阵中的每个点对应即是各像素点的灰度值，这里假设灰度图为3*3的二维矩阵，该3*3二维矩阵可表达如下：
假设目标像素点是指a22，则a22的周围像素点为周围的8个像素点，也就是说，a22对应的目标矩阵为
假设目标像素点是指边缘像素点a21，则a21的周围像素点为周围的8个像素点，也就是说，a21对应的目标矩阵为
可以理解，通过上述方式，可以确定上述3*3二维矩阵的所有像素点对应的目标矩阵，也就是说，可以确定出灰度图中所有像素点对应的目标矩阵，具体这里不针对每个像素点进行描述。需要说明的是，上述例子在这里只是举例说明，并不对本方案中的灰度图构成限定。
S24、将目标矩阵与水平矩阵模板进行叉乘以获得目标像素点对应的水平矩阵，将目标矩阵与垂直矩阵模板进行叉乘以获得目标像素点对应的垂直矩阵；
水平、垂直矩阵模板为与目标矩阵的行列数目相同的矩阵，在一应用场景中，上述水平矩阵模板为：垂直矩阵模板为需要说明的是，上述水平、垂直矩阵模板在这里只是举例说明，具体不做限定，例如，在另一应用场景中，上述水平矩阵模板为：垂直矩阵模板为
在本方案中，在得到了目标矩阵后，可将目标矩阵与上述水平矩阵模板进行叉乘以获得目标像素点对应的水平矩阵，将目标矩阵与垂直矩阵模板进行叉乘以获得目标像素点对应的垂直矩阵。也就是说，通过本步骤可获得灰度图中，所有像素点对应额水平矩阵和垂直矩阵。
S25、计算水平矩阵的绝对值与垂直矩阵的绝对值之间的和；
S26、将水平矩阵的绝对值与垂直矩阵的绝对值之间的和作为目标像素点的灰度值。
对于步骤S25-26，可以理解，在得到目标像素点对应的水平矩阵和垂直矩阵后，可分别计算出水平矩阵和垂直矩阵的绝对值，再计算水平矩阵的绝对值与垂直矩阵的绝对值之间的和，将水平矩阵的绝对值与垂直矩阵的绝对值之间的和作为目标像素点的灰度值。那么经过步骤S23-S26，上述对灰度图中的每个像素点的灰度值都得到了更新。之后将根据更新的每个像素点的灰度值执行步骤S21-S22。可以理解，这么做的目的在于，可以提高灰度图中图像特征的曝光度，有效地提高了后续的图像特征的提取。
在一实施例中，在步骤S26之后，还对整张灰度图做归一化处理，其中这里的归一化处理指的是，将步骤S26之后，灰度图中每个像素点的灰度值取最大的值P，然后用A*254/P的方式归一化灰度图中的像素点，其中A指的是灰度图中的像素点的灰度值。经过上述归一化处理，可以有效地减少图像处理装置的计算量。
S30、将差异值大于或等于预设阈值的相邻像素点对应的区域作为待处理图像的轮廓区域；
如前述，相邻像素点之间的差异值为反映这相邻像素点之间的灰度值差异程度的值。在获得了灰度图中相邻像素点之间灰度图的差异值后，若差异值大于或等于预设阈值，则可确定相邻像素点之间对应的区域存在轮廓，因此，本方案中，可将差异值大于或等于预设阈值的相邻像素点对应的区域作为待处理图像的轮廓区域。需要说明的是，这里的预设阈值可以根据实际需求或场景进行配置，具体这里不做限定。例如，灰度图的图像内容、亮度等会不同与实际获取待处理图像的应用场景有关，具体得到需要根据不同图像场景做统计，统计出不同应用场景下的预设阈值，即可暴露对应应用场景的轮廓。举个例子：若待处理图像为在黑暗场景下拍摄得到的，那么该预设阈值设置比较低才能暴露出待处理图像中的各种物体的轮廓。若待处理图像为在白天场景下拍摄得到的，则预设阈值可大一些，减少暴露出过多轮廓，干扰后续图像特征的提取。
S40、根据水平直线探针和轮廓区域获取灰度图水平方向上的水平图像特征，以及根据垂直直线探针和轮廓区域获取灰度图垂直方向上的垂直图像特征；
其中，水平直线探针为用于结合轮廓区域获取灰度图水平方向上的水平图像特征的直线，垂直直线探针为用于结合轮廓区域获取灰度图垂直方向上的垂直图像特征的直线，水平直线探针与垂直直线探针为相互垂直的直线探针。
在一实施例中，如图5所示，步骤S40中，根据水平直线探针和图像轮廓区域获取待处理图像水平方向上的水平图像特征，具体包括如下步骤：
S41、利用N条水平直线探针穿过轮廓区域，以得到N条水平直线探针中，每一条水平直线探针与轮廓区域相交的每个位置；
其中，N大于或等2，具体不做限定。应理解，当水平直线探针穿过轮廓区域时，自然会与轮廓区域存在交点，本方案可以确定出N条水平直线探针中每一条水平直线探针与轮廓存在交点，也即是相交的每个位置。如前述，灰度图由多个像素点组成的文件，而在文件里存储的是对应xy坐标的各像素点的灰度值，将xy坐标映射为一个二维矩阵，也就是说，灰度图中的每个像素点的位置都有唯一的坐标确定。在本方案中，当利用水平直线探针穿过轮廓区域时，可得到每一条水平直线探针与轮廓区域相交位置对应的坐标，包括纵坐标x和横坐标y。
S42、确定每一条直线探针与轮廓区域相交的每个位置中相邻位置之间的水平坐标位置差值；
在确定了N条水平直线探针中与与轮廓区域相交的每个位置后，也就是相交的每个坐标后，可确定每一条直线探针与轮廓区域相交的每个位置中相邻位置之间的水平坐标位置差值。示例性的，假设水平直线探针与轮廓区域相交的每个位置中相邻位置为坐标a(234,100)和b(254,100)，则水平坐标位置差值为20。通过上述方式，可以确定出N条水平直线探针与灰度图之间的所有水平坐标位置差。
S43、将相邻位置之间的所有水平坐标位置差值作为灰度图水平方向上的垂直图像特征。
也就是说，N条水平直线探针与灰度图之间的所有水平坐标位置差，作为灰度图水平方向上的垂直图像特征。这里，提取了一种具体的根据水平直线探针和轮廓区域获取灰度图水平方向上的水平图像特征的方式，提高了方案的可实施性。
在一实施例中，N条水平直线探针相互平行。
在一实施例中，N条水平直线探针为相互平行且相邻两条水平直线探针之间的间距相同。应理解，这里之所以要各个直线探针平行且间距相同，是为了有效地保证后续提取到待处理图像的不同位置的图像特征的基本单位是相等的，相等的好处在于可以有效地降低后续利用到上述图像特征的相关计算复杂度，例如建立图像特征的特征向量等。
在一实施例中，如图6所示，步骤S40中，根据垂直直线探针和轮廓区域获取待处理图像垂直方向上的垂直图像特征，具体包括如下步骤：
S44、利用N条垂直直线探针穿过轮廓区域，以得到N条垂直直线探针中，每一条水垂直直线探针与轮廓区域相交的每个位置；
其中，N大于或等2，具体不做限定。应理解，当垂直直线探针穿过轮廓区域时，自然会与轮廓区域存在交点，本方案可以确定出N条垂直直线探针中每一条水平直线探针与轮廓存在交点，也即是相交的每个位置。
S45、确定每一条垂直直线探针与轮廓区域相交的每个位置中相邻位置之间的垂直位置差值；
在确定了N条垂直直线探针中与与轮廓区域相交的每个位置后，也就是相交的每个坐标后，可确定每一条直线探针与轮廓区域相交的每个位置中相邻位置之间的垂直坐标位置差值。示例性的，假设垂直直线探针与轮廓区域相交的每个位置中相邻位置为坐标c(100,236)和d(100,266)，则垂直坐标位置差值为30。通过上述方式，可以确定出N条垂直直线探针与灰度图之间的所有垂直坐标位置差值。
S46、将相邻位置之间的所有垂直坐标位置差值作为灰度图垂直方向上的垂直图像特征。
也就是说，N条垂直直线探针与灰度图之间的所有水平坐标位置差，作为灰度图垂直方向上的垂直图像特征。这里，提取了一种具体的根据水平直线探针和轮廓区域获取灰度图水平方向上的水平图像特征的方式，提高了方案的可实施性。
在一实施例中，N条垂直直线探针相互平行；
在一实施例中，N条垂直直线探针为相互平行且相邻两条水平直线探针之间的间距相同。应理解，这里之所以要各个直线探针平行且间距相同，是为了有效地保证后续提取到待处理图像的不同位置的图像特征的基本单位是相等的，相等的好处在于可以有效地降低后续利用到上述图像特征的相关计算复杂度，例如建立图像特征的特征向量等。
S50、根据水平图像特征和垂直图像特征确定目标图像特征。
S60、将目标图像特征作为待处理图像的全局图像特征。
经过上述步骤，在得到灰度图的水平图像特征和垂直图像特征后，可根据水平图像特征和垂直图像特征确定目标图像特征，在将目标图像特征作为待处理图像的全局图像特征，从而完成待处理图像的全局特征的提取。其中，在一实施例中，步骤S50中，也即根据水平图像特征和垂直图像特征确定目标图像特征，具体是指：
将水平图像特征和垂直图像特征进行整合以得到目标图像特征。可以理解，水平图像特征反映了待处理图像水平方向的纹理特性，垂直图像特征反映了待处理图像垂直方向的纹理特征，因此可对水平图像特征和垂直图像特征进行整合以得到目标图像特征，例如对水平图像特征和垂直图像特征进行简单叠加从而得到目标图像特征，也就是待处理图像的全局图像特征。另外，在一些实施例中，可将水平图像特征和垂直图像特征做概率分布直方图统计，即可反映整张待处理图像的全局图像特征。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在一实施例中，提供一种图像处理装置，该图像处理装置与上述实施例中图像处理方法一一对应。如图7所示，该图像处理装置70包括第一获取模块701、第一确定模块702、第二确定模块703、第二获取模块704、第三确定模块705和第四确定模块706。各功能模块详细说明如下：
第一获取模块701，用于获取待处理图像对应的灰度图；
第一确定模块702，用于确定所述第一获取模块701获取的所述灰度图的所有相邻像素点之间灰度值的差异值，所述差异值为反映相邻像素点之间灰度值差异程度的值；
第二确定模块703，用于将所述第一确定模块702确定的所述差异值大于或等于预设阈值的相邻像素点对应的区域作为所述待处理图像的轮廓区域；
第二获取模块704，用于根据水平直线探针和所述第二确定模块703确定的所述轮廓区域获取所述灰度图水平方向上的水平图像特征，以及根据垂直直线探针和所述第二确定模块703确定的所述轮廓区域获取所述灰度图垂直方向上的垂直图像特征；
第三确定模块705，用于根据所述第二获取模块704获取的所述水平图像特征和所述垂直图像特征确定目标图像特征；
第四确定模块706，用于将所述第三确定模块705确定的所述目标图像特征作为所述待处理图像的全局图像特征。
在一实施例中，第一确定模块702，具体用于：
确定所述灰度图的所有相邻像素点之间灰度值的差值；
将所述灰度图的所有相邻像素点之间灰度值的差值对应作为所述灰度图的所有相邻像素点之间灰度值的差异值。
在一实施例中，第一确定模块702还用于：确定灰度图的所有相邻像素点之间灰度值的差值之前，确定目标像素点对应的目标矩阵，所述目标矩阵为由所述目标像素点与所述目标像素点的周围像素点构成的3X3矩阵，所述目标像素点为所述灰度图中的像素点，当所述目标像素点为所述灰度图中的边缘像素点时，所述目标像素点的周围像素点用0表达；
将所述目标矩阵与水平矩阵模板进行叉乘以获得所述目标像素点对应的水平矩阵，将所述目标矩阵与垂直矩阵模板进行叉乘以获得所述目标像素点对应的垂直矩阵；
计算所述水平矩阵的绝对值与所述垂直矩阵的绝对值之间的和；
将所述水平矩阵的绝对值与所述垂直矩阵的绝对值之间的和作为所述目标像素点的灰度值。
在一实施例中，第二获取模块704，具体用于：
利用N条水平直线探针穿过所述轮廓区域，以得到所述N条水平直线探针中，每一条水平直线探针与所述轮廓区域相交的每个位置；
确定所述每一条水平直线探针与所述轮廓区域相交的每个位置中相邻位置之间的水平坐标位置差值；
将所述相邻位置之间的所有水平坐标位置差值作为所述灰度图水平方向上的水平图像特征。
在一实施例中，第二获取模块704，还具体用于：
利用N条所述垂直直线探针穿过所述轮廓区域，以得到所述N条垂直直线探针中，每一条垂直直线探针与所述轮廓区域相交的每个位置；
确定所述每一条垂直直线探针与所述轮廓区域相交的每个位置中相邻位置之间的垂直位置差值；
将苏所述相邻位置之间的所有垂直坐标位置差值作为所述灰度图垂直方向上的垂直图像特征。
在一实施例中，所述N条水平直线探针为相互平行的水平直线探针；
或，
所述N条水平直线探针为相互平行且在间距相同的直线探针。
在一实施例中，所述N条垂直直线探针为相互平行的直线探针；
或，
所述N条垂直直线探针为相互平行且在间距相同的直线探针。
可见，与传统的方案相比，本申请提出的图像处理装置中，先是确定出了体现待处理图像的轮廓区域，可以理解轮廓区域反映出了待处理图像的图像特征的变化，包括各个像素点的跳变，也就是说，确定出的轮廓区域反映出待处理图像的图像特征，继而轮廓区域的基础上，结合垂直、水平直线探针得到待处理图像垂直、水平方向的图像特征，最终得到待处理图像全局的图像特征，与传统的方案相比，通过水平、垂直直线探针、轮廓区域即可提取到待处理图像全局的图像特征，有效地降低了图像特征提取中的时间复杂度和空间复杂度。
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8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获取的灰度图等。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。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取待处理图像对应的灰度图；
确定所述灰度图的所有相邻像素点之间灰度值的差异值，所述差异值为反映相邻像素点之间灰度值差异程度的值；
将所述差异值大于或等于预设阈值的相邻像素点对应的区域作为所述待处理图像的轮廓区域；
根据水平直线探针和所述轮廓区域获取所述灰度图水平方向上的水平图像特征，以及根据垂直直线探针和所述轮廓区域获取所述灰度图垂直方向上的垂直图像特征；
根据所述水平图像特征和所述垂直图像特征确定目标图像特征；
将所述目标图像特征作为所述待处理图像的全局图像特征。
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：
获取待处理图像对应的灰度图；
确定所述灰度图的所有相邻像素点之间灰度值的差异值，所述差异值为反映相邻像素点之间灰度值差异程度的值；
将所述差异值大于或等于预设阈值的相邻像素点对应的区域作为所述待处理图像的轮廓区域；
根据水平直线探针和所述轮廓区域获取所述灰度图水平方向上的水平图像特征，以及根据垂直直线探针和所述轮廓区域获取所述灰度图垂直方向上的垂直图像特征；
根据所述水平图像特征和所述垂直图像特征确定目标图像特征；
将所述目标图像特征作为所述待处理图像的全局图像特征。
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。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像处理方法，其特征在于，包括：
获取待处理图像对应的灰度图；
确定所述灰度图的所有相邻像素点之间灰度值的差异值，所述差异值为反映相邻像素点之间灰度值差异程度的值；
将所述差异值大于或等于预设阈值的相邻像素点对应的区域作为所述待处理图像的轮廓区域；
根据水平直线探针和所述轮廓区域获取所述灰度图水平方向上的水平图像特征，以及根据垂直直线探针和所述轮廓区域获取所述灰度图垂直方向上的垂直图像特征；
根据所述水平图像特征和所述垂直图像特征确定目标图像特征；
将所述目标图像特征作为所述待处理图像的全局图像特征。
2.如权利要求1所述的图像处理方法，其特征在于，所述确定所述灰度图的所有相邻像素点之间灰度值的差异值，包括：
确定所述灰度图的所有相邻像素点之间灰度值的差值；
将所述灰度图的所有相邻像素点之间灰度值的差值对应作为所述灰度图的所有相邻像素点之间灰度值的差异值。
3.如权利要求2所述的图像处理方法，其特征在于，所述确定灰度图的所有相邻像素点之间灰度值的差值之前，所述方法还包括：
确定目标像素点对应的目标矩阵，所述目标矩阵为由所述目标像素点与所述目标像素点的周围像素点构成的3X3矩阵，所述目标像素点为所述灰度图中的像素点，当所述目标像素点为所述灰度图中的边缘像素点时，所述目标像素点的周围像素点用0表达；
将所述目标矩阵与水平矩阵模板进行叉乘以获得所述目标像素点对应的水平矩阵，将所述目标矩阵与垂直矩阵模板进行叉乘以获得所述目标像素点对应的垂直矩阵；
计算所述水平矩阵的绝对值与所述垂直矩阵的绝对值之间的和；
将所述水平矩阵的绝对值与所述垂直矩阵的绝对值之间的和作为所述目标像素点的灰度值。
4.如权利要求3所述的图像处理方法，其特征在于，所述根据水平直线探针和所述轮廓区域获取所述灰度图水平方向上的水平图像特征，包括：
利用N条水平直线探针穿过所述轮廓区域，以得到所述N条水平直线探针中，每一条水平直线探针与所述轮廓区域相交的每个位置；
确定所述每一条水平直线探针与所述轮廓区域相交的每个位置中相邻位置之间的水平坐标位置差值；
将所述相邻位置之间的所有水平坐标位置差值作为所述灰度图水平方向上的水平图像特征。
5.如权利要求3所述的图像处理方法，其特征在于，所述根据垂直直线探针和所述轮廓区域获取所述灰度图垂直方向上的垂直图像特征，包括：
利用N条所述垂直直线探针穿过所述轮廓区域，以得到所述N条垂直直线探针中，每一条垂直直线探针与所述轮廓区域相交的每个位置；
确定所述每一条垂直直线探针与所述轮廓区域相交的每个位置中相邻位置之间的垂直位置差值；
将苏所述相邻位置之间的所有垂直坐标位置差值作为所述灰度图垂直方向上的垂直图像特征。
6.如权利要求4所述的图像处理方法，其特征在于，
所述N条水平直线探针相互平行；
或，
所述N条水平直线探针相互平行且相邻两条水平直线探针之间的间距相同。
7.如权利要求5所述的图像处理方法，其特征在于，
所述N条垂直直线探针相互平行；
或，
所述N条垂直直线探针相互平行且相邻两条垂直直线探针之间的间距相同。
8.一种图像处理装置，其特征在于，包括：
第一获取模块，用于获取待处理图像对应的灰度图；
第一确定模块，用于确定所述第一获取模块获取的所述灰度图的所有相邻像素点之间灰度值的差异值，所述差异值为反映相邻像素点之间灰度值差异程度的值；
第二确定模块，用于将所述第一确定模块确定的所述差异值大于或等于预设阈值的相邻像素点对应的区域作为所述待处理图像的轮廓区域；
第二获取模块，用于根据水平直线探针和所述第二确定模块确定的所述轮廓区域获取所述灰度图水平方向上的水平图像特征，以及根据垂直直线探针和所述第二确定模块确定的所述轮廓区域获取所述灰度图垂直方向上的垂直图像特征；
第三确定模块，用于根据所述第二获取模块获取的所述水平图像特征和所述垂直图像特征确定目标图像特征；
第四确定模块，用于将所述第三确定模块确定的所述目标图像特征作为所述待处理图像的全局图像特征。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述图像处理方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811536970.8A CN109711419A (zh) | 2018-12-14 | 2018-12-14 | 图像处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811536970.8A CN109711419A (zh) | 2018-12-14 | 2018-12-14 | 图像处理方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109711419A true CN109711419A (zh) | 2019-05-03 |
Family
ID=66256610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811536970.8A Pending CN109711419A (zh) | 2018-12-14 | 2018-12-14 | 图像处理方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109711419A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111143589A (zh) * | 2019-12-06 | 2020-05-12 | Oppo广东移动通信有限公司 | 一种图像处理方法及装置、存储介质 |
| CN111192250A (zh) * | 2019-12-30 | 2020-05-22 | 合肥联宝信息技术有限公司 | 一种数据处理方法、装置及计算机存储介质和计算机 |
| CN112614160A (zh) * | 2020-12-24 | 2021-04-06 | 中标慧安信息技术股份有限公司 | 多对象人脸跟踪方法和系统 |
| CN112652004A (zh) * | 2020-12-31 | 2021-04-13 | 珠海格力电器股份有限公司 | 一种图像处理方法、装置、设备及介质 |
| CN113205497A (zh) * | 2021-04-30 | 2021-08-03 | 扬州能煜检测科技有限公司 | 双丝型像质计图像处理方法、装置、设备及介质 |
| CN113592720A (zh) * | 2021-09-26 | 2021-11-02 | 腾讯科技（深圳）有限公司 | 图像的缩放处理方法、装置、设备、存储介质、程序产品 |
| CN114998841A (zh) * | 2022-08-01 | 2022-09-02 | 易凯医疗建筑设计(深圳)有限公司 | 核酸采样的样本识别方法、装置、设备及存储介质 |
| CN115186655A (zh) * | 2022-07-06 | 2022-10-14 | 重庆软江图灵人工智能科技有限公司 | 基于深度学习的文字语义识别方法、系统、介质及设备 |
| CN115330657A (zh) * | 2022-10-14 | 2022-11-11 | 威海凯思信息科技有限公司 | 一种海洋探测图像的处理方法、装置和服务器 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080101663A1 (en) * | 2006-10-31 | 2008-05-01 | Motorola, Inc. | Methods for gray-level ridge feature extraction and associated print matching |
| CN104077773A (zh) * | 2014-06-23 | 2014-10-01 | 北京京东方视讯科技有限公司 | 图像边缘检测方法、图像目标识别方法及装置 |
| CN106295656A (zh) * | 2016-08-03 | 2017-01-04 | 徐庆 | 基于图像色块内容的图像轮廓特征提取方法和装置 |
| CN106372583A (zh) * | 2016-08-25 | 2017-02-01 | 华讯方舟科技有限公司 | 一种基于毫米波图像的人体异物检测方法及系统 |
| CN107016389A (zh) * | 2017-04-07 | 2017-08-04 | 广东工业大学 | 一种车牌定位的方法以及装置 |
-
2018
- 2018-12-14 CN CN201811536970.8A patent/CN109711419A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080101663A1 (en) * | 2006-10-31 | 2008-05-01 | Motorola, Inc. | Methods for gray-level ridge feature extraction and associated print matching |
| CN104077773A (zh) * | 2014-06-23 | 2014-10-01 | 北京京东方视讯科技有限公司 | 图像边缘检测方法、图像目标识别方法及装置 |
| WO2015196616A1 (zh) * | 2014-06-23 | 2015-12-30 | 京东方科技集团股份有限公司 | 图像边缘检测方法、图像目标识别方法及装置 |
| CN106295656A (zh) * | 2016-08-03 | 2017-01-04 | 徐庆 | 基于图像色块内容的图像轮廓特征提取方法和装置 |
| CN106372583A (zh) * | 2016-08-25 | 2017-02-01 | 华讯方舟科技有限公司 | 一种基于毫米波图像的人体异物检测方法及系统 |
| CN107016389A (zh) * | 2017-04-07 | 2017-08-04 | 广东工业大学 | 一种车牌定位的方法以及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 云廷进;郭永彩;高潮;: "基于图像局部区域梯度特征描述的红外人体识别算法", 光学技术, no. 03, 15 May 2008 (2008-05-15), pages 122 - 125 * |
| 孙亮;李敬文;: "一种简单的灰度图像边缘检测算法", 兰州交通大学学报, no. 01, 15 February 2013 (2013-02-15), pages 117 - 121 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111143589A (zh) * | 2019-12-06 | 2020-05-12 | Oppo广东移动通信有限公司 | 一种图像处理方法及装置、存储介质 |
| CN111192250A (zh) * | 2019-12-30 | 2020-05-22 | 合肥联宝信息技术有限公司 | 一种数据处理方法、装置及计算机存储介质和计算机 |
| CN111192250B (zh) * | 2019-12-30 | 2022-02-08 | 合肥联宝信息技术有限公司 | 电脑b面边框检测方法、装置及计算机存储介质和计算机 |
| CN112614160A (zh) * | 2020-12-24 | 2021-04-06 | 中标慧安信息技术股份有限公司 | 多对象人脸跟踪方法和系统 |
| CN112614160B (zh) * | 2020-12-24 | 2021-08-31 | 中标慧安信息技术股份有限公司 | 多对象人脸跟踪方法和系统 |
| CN112652004A (zh) * | 2020-12-31 | 2021-04-13 | 珠海格力电器股份有限公司 | 一种图像处理方法、装置、设备及介质 |
| CN112652004B (zh) * | 2020-12-31 | 2024-04-05 | 珠海格力电器股份有限公司 | 一种图像处理方法、装置、设备及介质 |
| CN113205497A (zh) * | 2021-04-30 | 2021-08-03 | 扬州能煜检测科技有限公司 | 双丝型像质计图像处理方法、装置、设备及介质 |
| CN113592720A (zh) * | 2021-09-26 | 2021-11-02 | 腾讯科技（深圳）有限公司 | 图像的缩放处理方法、装置、设备、存储介质、程序产品 |
| CN115186655A (zh) * | 2022-07-06 | 2022-10-14 | 重庆软江图灵人工智能科技有限公司 | 基于深度学习的文字语义识别方法、系统、介质及设备 |
| CN114998841A (zh) * | 2022-08-01 | 2022-09-02 | 易凯医疗建筑设计(深圳)有限公司 | 核酸采样的样本识别方法、装置、设备及存储介质 |
| CN115330657A (zh) * | 2022-10-14 | 2022-11-11 | 威海凯思信息科技有限公司 | 一种海洋探测图像的处理方法、装置和服务器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711419A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN110517278B (zh) | 图像分割和图像分割网络的训练方法、装置和计算机设备 | |
| Shim et al. | Robust reference-based super-resolution with similarity-aware deformable convolution | |
| KR102592270B1 (ko) | 얼굴 랜드마크 검출 방법과 장치, 컴퓨터 장치, 및 저장 매체 | |
| US10740897B2 (en) | Method and device for three-dimensional feature-embedded image object component-level semantic segmentation | |
| CN109154973B (zh) | 执行卷积图像变换估算的方法和系统 | |
| US9715761B2 (en) | Real-time 3D computer vision processing engine for object recognition, reconstruction, and analysis | |
| CN111079632A (zh) | 文本检测模型的训练方法、装置、计算机设备和存储介质 | |
| CN113808253B (zh) | 场景三维重建的动态对象处理方法、系统、设备及介质 | |
| CN111598779B (zh) | 图像超分辨率处理方法和装置、电子设备及存储介质 | |
| CN110852949B (zh) | 点云数据补全方法、装置、计算机设备和存储介质 | |
| CN110832501A (zh) | 用于姿态不变面部对准的系统和方法 | |
| CN109584327B (zh) | 人脸老化模拟方法、装置以及设备 | |
| CN115239861A (zh) | 人脸数据增强方法、装置、计算机设备和存储介质 | |
| CN112348116B (zh) | 利用空间上下文的目标检测方法、装置和计算机设备 | |
| US20230326173A1 (en) | Image processing method and apparatus, and computer-readable storage medium | |
| KR20220120674A (ko) | 3차원 재구성 방법, 장치, 기기 및 저장 매체 | |
| CN113689578A (zh) | 一种人体数据集生成方法及装置 | |
| CN104504387A (zh) | 文本图像的校正方法和装置 | |
| CN113850807A (zh) | 图像亚像素匹配定位方法、系统、设备及介质 | |
| CN111583381A (zh) | 游戏资源图的渲染方法、装置及电子设备 | |
| CN111325828B (zh) | 一种基于三目相机的三维人脸采集方法及装置 | |
| CN114787828A (zh) | 利用具有有意受控畸变的成像器进行人工智能神经网络的推理或训练 | |
| US20120038785A1 (en) | Method for producing high resolution image | |
| CN114170231A (zh) | 基于卷积神经网络的图像语义分割方法、装置及电子设备 |
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 |