CN110070083A - 图像处理方法、装置、电子设备和计算机可读存储介质 - Google Patents
图像处理方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN110070083A CN110070083A CN201910332557.8A CN201910332557A CN110070083A CN 110070083 A CN110070083 A CN 110070083A CN 201910332557 A CN201910332557 A CN 201910332557A CN 110070083 A CN110070083 A CN 110070083A
- Authority
- CN
- China
- Prior art keywords
- area
- image
- interest
- processed
- neural network
- 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
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像处理方法、装置、电子设备和计算机可读存储介质。该方法包括：获取待处理图像；通过预设神经网络模型识别待处理图像中目标物体所在的感兴趣区域；当从感兴趣区域中查找到与预设模板信息相匹配的目标区域时，输出目标区域对应的位置信息，其中，感兴趣区域包含的图像信息多于目标区域包含的图像信息。采用本方法可以避免直接识别目标区域导致的准确性低的问题，即实现了对待处理图像的二次定位，可以得到准确的目标区域并输出，提高图像定位的准确性。
Description
技术领域
本申请涉及影像技术领域，特别是涉及一种图像处理方法、装置、电子设备和计算机可读存储介质。
背景技术
随着工业自动化技术的发展，越来越多的工业流程采用自动化方式进行作业。在需要定位后进行操作的工业流程中，可以引入图像识别技术，即可以采集工业流程中产品的图像，并通过图像识别技术识别图像中的定位区域，以对产品对应的定位区域进行作业。
然而，目前工业流程中所采用的图像识别技术通常适用于图像信息差别较大的场景，在图像中存在相似度较高区域、或者定位精度要求较高的情况下，现有的图像识别技术往往无法正确识别所需要的定位区域，存在定位准确性低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高定位准确性的图像处理方法、装置、电子设备和计算机可读存储介质。
一种图像处理方法，所述方法包括：
获取待处理图像；
通过预设神经网络模型识别所述待处理图像中目标物体所在的感兴趣区域；
当从所述感兴趣区域中查找到与预设模板信息相匹配的目标区域时，输出所述目标区域对应的位置信息，其中，所述感兴趣区域包含的图像信息多于所述目标区域包含的图像信息。
在其中一个实施例中，还包括：
当从所述感兴趣区域中没有查找与预设模板信息相匹配的目标区域或所述感兴趣区域中包含两个或两个以上的目标区域时，获取所述待处理图像的真实感兴趣区域；
根据所述待处理图像及对应的真实感兴趣区域对所述预设神经网络模型进行训练；
训练后，返回所述通过预设神经网络模型识别所述待处理图像的所述目标物体所在的感兴趣区域的步骤。
在其中一个实施例中，还包括：
当没有识别到所述感兴趣区域和/或没有查找到所述目标区域时，检测所述待处理图像是否曝光过度；
当确定所述待处理图像曝光过度时，对所述待处理图像进行曝光减弱处理；
返回执行所述通过预设神经网络模型识别所述待处理图像中所述目标物体所在的感兴趣区域的步骤。
在其中一个实施例中，还包括：
获取训练图像及对应的真实感兴趣区域；
将所述训练图像输入至神经网络模型中，得到所述训练图像对应的预测感兴趣区域；
当所述预测感兴趣区域与所述训练图像的真实感兴趣区域不匹配时，根据所述预测感兴趣区域与所述训练图像的真实感兴趣区域得到损失函数；
根据所述损失函数对所述神经网络模型进行调整，并返回执行将所述训练图像输入至神经网络模型中，得到所述训练图像对应的预测感兴趣区域的步骤；
直至得到所述预测感兴趣区域与所述真实感兴趣区域匹配时停止，并将得到的神经网络模型作为所述预设神经网络模型。
在其中一个实施例中，获取训练图像及对应的真实感兴趣区域的过程，包括：
获取训练图像的第一区域；
检测所述训练图像中是否包含第二区域，其中，所述第一区域和所述第二区域为不同的区域，所述第一区域中包含的图像信息与所述第二区域中的图像信息匹配；
当所述训练图像中包含第二区域时，增大所述第一区域，并返回执行检测所述训练图像中是否包含第二区域的步骤，直至所述训练图像不包含第二区域时停止，并将得到的所述第一区域作为所述感兴趣区域。
在其中一个实施例中，通过预设神经网络模型识别所述待处理图像中所述目标物体所在的感兴趣区域之前，还包括：
获取所述待处理图像的图像尺寸；
当所述图像尺寸大于预设尺寸时，根据预设尺寸区间对所述待处理图像进行压缩处理。
在其中一个实施例中，还包括：
所述目标区域为焊接点所在的区域。
一种图像处理装置，所述装置包括：
图像获取模块，用于获取待处理图像；
识别模块，用于通过预设神经网络模型识别所述待处理图像中目标物体所在的感兴趣区域；
查找输出模块，用于当从所述感兴趣区域中查找到与预设模板信息相匹配的目标区域时，输出所述目标区域对应的位置信息，其中，所述感兴趣区域包含的图像信息多于所述目标区域包含的图像信息。
一种电子设备，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：
获取待处理图像；
通过预设神经网络模型识别所述待处理图像中目标物体所在的感兴趣区域；
当从所述感兴趣区域中查找到与预设模板信息相匹配的目标区域时，输出所述目标区域，其中，所述感兴趣区域包含的图像信息多于所述目标区域包含的图像信息。
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：
获取待处理图像；
通过预设神经网络模型识别所述待处理图像中目标物体所在的感兴趣区域；
当从所述感兴趣区域中查找到与预设模板信息相匹配的目标区域时，输出所述目标区域对应的位置信息，其中，所述感兴趣区域包含的图像信息多于所述目标区域包含的图像信息。
上述图像处理方法、装置、电子设备和计算机可读存储介质，可以通过预设神经网络模型识别待处理图像中目标物体所在的感兴趣区域，并在感兴趣区域中查找与预设模板信息相匹配的目标区域，感兴趣区域包含的图像信息多于目标区域包含的图像信息，可以避免直接识别目标区域导致的准确性低的问题，即实现了对待处理图像的二次定位，可以得到准确的目标区域并输出，提高图像定位的准确性。
附图说明
图1为一个实施例中电子设备的内部结构示意图；
图2为一个实施例中图像处理方法的流程图；
图3为一个实施例中待处理图像的示意图；
图4为一个实施例中训练预设神经网络模型的流程图；
图5为一个实施例中图像处理装置的结构框图；
图6为另一个实施例中图像处理装置的结构框图。
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。
图1为一个实施例中电子设备的内部结构示意图。如图1所示，在一个实施例中，提供了一种电子设备，该电子设备可以是终端。电子设备包括通过系统总线连接的处理器、存储器。其中，该电子设备的处理器用于提供计算和控制能力。该电子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和计算机程序。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。该计算机程序被处理器执行时以实现一种图像处理方法。该电子设备可以是手机、平板电脑或者个人数字助理或穿戴式设备、工业自动化设备等。
图2为一个实施例中图像处理方法的流程图。在一个实施例中，如图2所示，提供了一种图像处理方法，包括以下步骤：
步骤202，获取待处理图像。
待处理图像是电子设备通过摄像头采集的图像。具体地，电子设备可以通过摄像头捕捉周围的场景画面生成待处理图像。可选地，待处理图像也可以是电子设备在录像时获取的视频帧图像。在一些实施例中，待处理图像也可以是存储在电子设备本地的图像，还可以是电子设备从网络下载的图像等。
电子设备可以获取待处理图像。可选地，待处理图像中可以包含目标物体。根据实际应用需求，目标物体可以不限于是各种产品的部件、部件的指定位置、人脸、或人脸中的指定部位如眼睛、嘴巴等。电子设备可以控制摄像头进行拍摄，以得到待处理图像。
步骤204，通过预设神经网络模型识别待处理图像中目标物体所在的感兴趣区域。
预设神经网络模型是对卷积神经网络(Convolutional Neural Networks，CNN)进行训练得到的，卷积神经网络是包含卷积计算且具有深度结构的前馈神经网路。电子设备可以根据标注有目标物体所在区域的图像对卷积神经网络进行训练，以使训练后的卷积神经网络可以准确地识别目标物体所在的区域。可选地，待处理图像中包含的目标物体可以是一个或多个，则待处理图像对应的感兴趣区域也可以是一个或多个。
电子设备可以将获取的待处理图像输入至预设神经网络模型中，以获取预设神经网络模型输出的感兴趣区域。
步骤206，当从感兴趣区域中查找到与预设模板信息相匹配的目标区域时，输出目标区域对应的位置信息，其中，感兴趣区域包含的图像信息多于目标区域包含的图像信息。
目标区域为需要定位的区域。预设模板信息是预先设定的，与需要定位的区域所包含的图像信息相匹配的信息。例如，当需要对瞳孔进行定位时，则预设模型信息即为瞳孔对应的图像信息。可选地，预设模板信息可以包括但不限于是轮廓信息、纹理信息、色彩信息、特征点信息中的至少一种。
感兴趣区域包含的图像信息多于目标区域包含的图像信息。电子设备可以在获取待处理图像的感兴趣区域后，从感兴趣区域中查找与预设模板信息相匹配的目标区域。具体地，电子设备可以通过模板匹配算法、轮廓匹配算法、或色度(Hue、Saturation、Value，色调、饱和度、明度)匹配算法、或特征点匹配等结合预设模板信息遍历感兴趣区域，以确定感兴趣区域中与预设模板信息匹配的目标区域，并输出该目标区域对应的位置信息。目标区域对应的位置信息即为目标区域在图像所处的位置的信息。待处理图像可以是二维图像、三维图像等，以待处理图像为二维图像为例，位置信息可以以坐标的形式进行展示。例如，可以以图像最左下角为原点建立坐标系，当目标区域为长方形时，则目标区域的位置信息可以采用至少两个角点的坐标进行表示，当目标区域为圆形时，则目标区域的位置信息可以采用圆点的坐标及半径长度进行表示等，在此不做限定。
待处理图像可能包含多个与预设模板信息匹配的区域，这些区域可能位于感兴趣区域内，也可能位于感兴趣区域之外，可以理解的是，感兴趣区域之外与预设模板信息匹配的区域并不为所需要的目标区域，如果直接在待处理图像中查找与预设模板信息匹配的区域，则存在查找的区域不为目标区域的情况。例如，当预设模板信息为左眼瞳孔的图像信息、待处理图像为人像时，由于左右眼瞳孔较为相似，若直接采用预设模板信息对待处理图像进行匹配，则会查找到左眼瞳孔区域和右眼瞳孔区域；而本方案中先采用预设神经网络模型识别待处理图像中图像信息多于目标区域(左眼瞳孔)的感兴趣区域(如左眼区域)，左右眼之间由于眼睑大小、睫毛方向等不同使得左眼区域可以被神经网络模型所识别，再进一步根据预设模板信息在左眼区域内查找左眼瞳孔区域，则不会出现定位错误的情况(即定位到右眼瞳孔的情况)。
本申请实施例提供的图像处理方法，可以获取待处理图像，通过预设神经网络模型识别待处理图像中目标物体所在的感兴趣区域，并在感兴趣区域中查找与预设模板信息相匹配的目标区域，感兴趣区域包含的图像信息多于目标区域包含的图像信息，可以避免直接识别目标区域导致的准确性低的问题，即实现了对待处理图像的二次定位，可以得到准确的目标区域，提高图像定位的准确性。
在一个实施例中，目标区域为焊接点所在的区域。以该图像处理方法应用于焊接的工业流程为例进行说明，工业流程的目的在于将连接杆的一侧焊接至固定杆，将连接杆靠近固定杆的一侧称为杆头，则电子设备获取的待处理图像中可以包含固定杆和至少一个连接杆，通过预设神经网络模型可以识别待处理图像中至少一个杆头所对应的至少一个感兴趣区域，从而通过预设模板信息可以从各个感兴趣区域中查找到焊接点所在的区域。
如图3所示为一个实施例中待处理图像的示意图。如图3所示，在待处理图像中包含连接杆302和固定杆304，连接杆302靠近固定杆304的一端为杆头303，该待处理图像中还包含有后置杆306，后置杆306位于连接杆302与固定杆304的后侧，预设神经网络模型可以区分连接杆302和后置杆306，通过预设神经网络模型可以识别出连接杆302的杆头303所在的感兴趣区域308，进而通过图像经典算法如模板匹配算法、轮廓匹配算法等识别感兴趣区域308中的目标区域310，目标区域310即为将连接杆302的杆头303焊接至固定杆304的焊接点所在的区域。电子设备可以在检测到目标区域310时，输出该目标区域310的位置信息，在工业流程中，可以根据该目标区域310的位置信息对连接杆302和固定杆304进行焊接操作。
本申请实施例采用的图像处理方法可以避免在焊接工业流程中直接采用神经网络或经典算法等识别图像的目标区域，由于存在后置杆、物体相似度较高或识别精度要求等原因而造成的定位准确性低的问题，并且采用二次定位的处理方式，可以满足高精度要求的定位需求，达到毫米级别的定位精度，提高图像定位的准确性。
可选地，在一些实施例中，当没有识别到感兴趣区域和/或没有查找到目标区域时，电子设备可以暂停工业流程，并发出错误提示；电子设备也可以将该待处理图像记录下来，以后续对该待处理图像对应的工件进行人工检验。
可选地，在一个实施例中，电子设备可以采用轮廓匹配算法查找感兴趣区域中与预设目标信息相匹配的目标区域。具体地，轮廓匹配算法需要将待处理图像划分为多个通道，以查找边缘并转化为轮廓，进而根据预设模板信息进行轮廓匹配，其中，轮廓匹配方法可以包括轮廓矩，成对几何直方图，凸包和凸缺陷，等级匹配等，在此不做限定。采用轮廓匹配算法可以避免由于大小、位置、旋转角度等不同而导致的匹配不准确的问题，可以提高匹配的准确性。
可选地，在一个实施例中，电子设备可以采用模板匹配算法查找感兴趣区域中与预设目标信息相匹配的目标区域。以待处理图像为S(W,H)，预设模板为T(m，n)，预设模板覆盖待处理图像的区域为子图Sij；其中，i，j为子图在待处理图像S上的坐标，搜索范围为1≤i≤W-n，1≤j≤H-m；采用以下公式可以表示子图Sij与预设模板T之间的相似性为：
将上述公式(1)进行归一化处理，可以得到模板匹配的相关系数为：
当预设模板与子图完全一致时，相关系统R(i，j)＝1，电子设备可以在感兴趣区域S完成全部搜索后，找出R的最大值及对应的子图，则该子图所在的区域为目标区域。
可选地，电子设备也可以采用误差法衡量预设模板与子图Sij的误差，其公式为：
其中E(i,j)为最小值处即为匹配的目标区域。可选地，为提高计算速度，取一误差阈值E0，当E(i,j)>E0时便停止该点的计算，继续计算下一点。其中，E0可以根据实际应用需求进行设定，在此不做限定。
在一个实施例中，提供的图像处理方法还包括：当没有识别到感兴趣区域和/或没有查找到目标区域时，检测待处理图像是否曝光过度；当确定待处理图像曝光过度时，对待处理图像进行曝光减弱处理；返回执行通过预设神经网络模型识别待处理图像中目标物体所在的感兴趣区域的步骤。
曝光过度是指由于采集图像时环境亮度过强、或者曝光时间过长等造成的图像颜色偏白的现象。曝光减弱处理是指通过调整图像的亮度、饱和度、或对比度以减弱图像偏白的操作。电子设备可以根据待处理图像的亮度信息检测待处理图像是否曝光过度。当确定待处理图像曝光过度时，电子设备可以对待处理图像进行曝光减弱处理，具体地，电子设备可以通过降低待处理图像的亮度、提高待处理图像的饱和度、提高待处理图像的对比度、或锐化待处理图像等操作对待处理图像进行曝光减弱处理。在一些实施例中，电子设备也可以重新采集待处理图像，具体地，电子设备在确定待处理图像曝光过度时，对拍摄环境的灯光强度、光圈的大小或者曝光时间的长短等进行调整，调整后重新采集待处理图像。电子设备可以在对待处理图像进行曝光减弱处理或者重新采集待处理图像之后，返回通过预设神经网络模型识别待处理图像中目标物体所在的感兴趣区域的操作，以确保准确识别出待处理图像的目标区域。
在一个实施例中，提供的图像处理方法还包括：当从感兴趣区域中没有查找与预设模板信息相匹配的目标区域或感兴趣区域中包含两个或两个以上的目标区域时，获取待处理图像的真实感兴趣区域；根据待处理图像及对应的真实感兴趣区域对预设神经网络模型进行训练；训练后，返回通过预设神经网络模型识别待处理图像的目标物体所在的感兴趣区域的步骤。
真实感兴趣区域是用户确定的，待处理图像中目标物体所在的区域。感兴趣区域没有查找到预设模板信息相匹配的目标区域，说明预设神经网络模型识别的感兴趣区域错误；感兴趣区域中包含两个或两个以上的目标区域，说明预设神经网络识别模型的感兴趣区域过大，不够精确。电子设备可以在感兴趣区域中没有查找与预设模板信息相匹配的目标区域或感兴趣区域中包含两个或两个以上的目标区域时，获取待处理图像的真实感兴趣区域，根据待处理图像及对应的感兴趣区域对预设神经网络模型进行训练，可以提高预设神经网络模型识别感兴趣区域的准确性和精确性。
图4为一个实施例中训练预设神经网络模型的流程图。如图4所示，在一个实施例中，提供的图像处理方法中训练预设神经网络模型的过程包括：
步骤402，获取训练图像及对应的真实感兴趣区域。
训练图像是用于对神经网络进行训练的图像。真实感兴趣区域是用户输入的训练图像中目标物体所在的区域，电子设备可以获取用户选定的真实感兴趣区域。可选地，训练图像对应的真实感兴趣区域可以是一个或多个。
步骤404，将训练图像输入至神经网络模型中，得到训练图像对应的预测感兴趣区域。
具体地，电子设备可以采用CNN作为该神经网络模型。神经网络模型一般包括输入层、隐层和输出层；输入层用于接收输入的图像；隐层用于提取图像的特征信息，并进行映射处理；输出层用于输出图像处理的最终结果。在本申请实施例中，电子设备可以将训练图像输入至神经网络模型中，得到神经网络模型输出的该训练图像对应的预测感兴趣区域。
步骤406，当预测感兴趣区域与训练图像的真实感兴趣区域不匹配时，根据预测感兴趣区域与训练图像的真实感兴趣区域得到损失函数。
具体地，电子设备可以计算预测感兴趣区域与训练图像的真实感兴趣区域之间的匹配度，并根据预设的匹配度阈值确定预测感兴趣区域与真实感兴趣区域是否相匹配。其中，匹配度阈值可以根据对神经网络模型识别准确度的要求来确定，例如，匹配度阈值可以是70％、80％、85％、90％等，在此不做限定。电子设备可以在预测感兴趣区域与真实感兴趣区域不匹配时，根据预测感兴趣区域与真实感兴趣区域得到损失函数。可选地，在一些实施例中，电子设备也可以获取预测感兴趣区域的置信度，根据该置信度与真实感兴趣区域得到损失函数；还可以获取训练图像中与真实感兴趣区域对应的区域的置信度，根据该置信度与真实感兴趣区域得到损失函数等。
步骤408，根据损失函数对神经网络模型进行调整，并返回执行将训练图像输入至神经网络模型中，得到训练图像对应的预测感兴趣区域的步骤。
步骤410，直至得到预测感兴趣区域与真实感兴趣区域匹配时停止，并将得到的神经网络模型作为预设神经网络模型。
电子设备根据损失函数调整神经网络模型，具体地，电子设备可以根据损失函数采用反向传播算法调整神经网络模型，对神经网络模型进行训练，即重复执行将训练图像输入至神经网络模型，得到预测感兴趣区域，当预测感兴趣区域与真实感兴趣区域不匹配时，则根据预测感兴趣区域和真实感兴趣区域得到损失函数，根据损失函数对神经网络模型进行调整的操作，直至得到的预测感兴趣区域与真实感兴趣区域匹配时停止。预测感兴趣区域与真实感兴趣区域匹配，则说明此时的神经网络模型已经可以准确识别图像的感兴趣区域，电子设备可以将该神经网络模型作为预设神经网络模型，用于识别待处理图像的感兴趣区域。
通过采用训练图像对神经网络模型进行训练，将图像推荐模型基于训练图像输出的预测感兴趣区域与真实感兴趣区域进行比对，当不匹配时则根据预测感兴趣区域和真实感兴趣区域生成损失函数，以对神经网络模型的参数做调整，直至神经网络模型输出的预测感兴趣区域与真实感兴趣区域匹配，可以得到可准确地输出感兴趣区域的预设神经网络模型。
在一个实施例中，获取训练图像及对应的真实感兴趣区域的过程，包括：获取训练图像的第一区域；检测训练图像中是否包含第二区域，其中，第一区域和第二区域为不同的区域，第一区域中包含的图像信息与第二区域中的图像信息匹配；当训练图像中包含第二区域时，增大第一区域，并返回执行检测训练图像中是否包含第二区域的步骤，直至训练图像不包含第二区域时停止，并将得到的第一区域作为感兴趣区域。
第一区域是电子设备获取的用户输入的区域，即为用户选定的目标物体所在的区域。第一区域可以是一个或多个。电子设备可以根据第一区域检测训练图像中是否存在图像信息与第一区域包含的图像信息匹配的第二区域；若有，则说明用户选定的第一区域无法区别于训练图像的其他区域，此时电子设备可以增大第一区域，即增大第一区域的面积，可选地，电子设备也可以对用户发出提示，以再次获取用户输入的第一区域，并再一次检测训练图像中是否包含第二区域，直至训练图像不包含第二区域时停止，将得到的第一区域作为训练图像的真实感兴趣区域。其中，增大第一区域的幅度可以根据实际应用需求设定，在此不做限定。
通过获取训练图像的第一区域，并在训练图像中包含第二区域时，增大第一区域，直至训练图像中不包含第二区域，可以确保训练图像中第一区域的唯一性，避免第一区域包含的图像信息过少而导致图像识别不准确的问题，可以提高图像定位的准确性。
在一个实施例中，提供的图像处理方法在通过预设神经网络模型识别待处理图像中目标物体所在的感兴趣区域之前，还包括：获取待处理图像的图像尺寸；当图像尺寸大于预设尺寸时，根据预设尺寸区间对待处理图像进行压缩处理。
预设尺寸和预设尺寸区间可以根据实际应用需求进行设定，在此不做限定。可选地，预设尺寸大于或等于预设尺寸区间的最大值。例如，当预设尺寸为600*600时，预设尺寸区间可以是320*320至600*600；当预设尺寸为500*600时，预设尺寸区间可以是350*400至500*500等。图像的大小会影响神经网络识别感兴趣区域的速度，电子设备在待处理图像的图像尺寸大于预设尺寸时，根据预设尺寸区间对待处理图像进行压缩处理，以压缩处理后的待处理图像进行感兴趣区域的识别操作，可以提高图像识别速率。
可选地，在一个实施例中，电子设备可以在以压缩处理后的待处理图像识别感兴趣区域后，从压缩前的待处理图像中与感兴趣区域对应的区域查找与预设模板信息相匹配的目标区域，可以在提高识别效率的同时保证定位的精确性。
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：图像获取模块502、识别模块504和查找输出模块506，其中：
图像获取模块502，用于获取待处理图像。
识别模块504，用于通过预设神经网络模型识别待处理图像中目标物体所在的感兴趣区域。
查找输出模块506，用于当从感兴趣区域中查找到与预设模板信息相匹配的目标区域时，输出目标区域对应的位置信息，其中，感兴趣区域包含的图像信息多于目标区域包含的图像信息。
本申请实施例提供的图像处理装置，可以获取待处理图像，通过预设神经网络模型识别待处理图像中目标物体所在的感兴趣区域，并在感兴趣区域中查找与预设模板信息相匹配的目标区域，感兴趣区域包含的图像信息多于目标区域包含的图像信息，可以避免直接识别目标区域导致的准确性低的问题，即实现了对待处理图像的二次定位，可以得到准确的目标区域，提高图像定位的准确性。
如图6所示，在一个实施例中，提供的图像处理装置还包括曝光处理模块508，曝光处理模块508用于当没有识别到感兴趣区域和/或没有查找到目标区域时，检测待处理图像是否曝光过度；当确定待处理图像曝光过度时，对待处理图像进行曝光减弱处理；返回执行通过预设神经网络模型识别待处理图像中目标物体所在的感兴趣区域的步骤。
在一个实施例中，提供的图像处理装置还包括模型训练模块510，模型训练模块510用于获取训练图像及对应的真实感兴趣区域；将训练图像输入至神经网络模型中，得到训练图像对应的预测感兴趣区域；当预测感兴趣区域与训练图像的真实感兴趣区域不匹配时，根据预测感兴趣区域与训练图像的真实感兴趣区域得到损失函数；根据损失函数对神经网络模型进行调整，并返回执行将训练图像输入至神经网络模型中，得到训练图像对应的预测感兴趣区域的步骤；直至得到预测感兴趣区域与真实感兴趣区域匹配时停止，并将得到的神经网络模型作为预设神经网络模型。
在一个实施例中，模型训练模块510还可以用于当从感兴趣区域中没有查找与预设模板信息相匹配的目标区域或感兴趣区域中包含两个或两个以上的目标区域时，获取待处理图像的真实感兴趣区域；根据待处理图像及对应的真实感兴趣区域对预设神经网络模型进行训练；训练后，返回通过预设神经网络模型识别待处理图像的目标物体所在的感兴趣区域的步骤。
在一个实施例中，图像获取模块502还可以用于获取训练图像的第一区域；检测训练图像中是否包含第二区域，其中，第一区域和第二区域为不同的区域，第一区域中包含的图像信息与第二区域中的图像信息匹配；当训练图像中包含第二区域时，增大第一区域，并返回执行检测训练图像中是否包含第二区域的步骤，直至训练图像不包含第二区域时停止，并将得到的第一区域作为感兴趣区域。
在一个实施例中，提供的图像处理装置还包括压缩模块512，压缩模块512用于获取待处理图像的图像尺寸；当图像尺寸大于预设尺寸时，根据预设尺寸区间对待处理图像进行压缩处理。
在一个实施例中，提供的图像处理装置中查找输出模块506还可以用于输出焊接点所在的目标区域。
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电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本领域技术人员可以理解，图5、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电子设备的限定，具体的电子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，提供了一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待处理图像；
通过预设神经网络模型识别待处理图像中目标物体所在的感兴趣区域；
当从感兴趣区域中查找到与预设模板信息相匹配的目标区域时，输出目标区域对应的位置信息，其中，感兴趣区域包含的图像信息多于目标区域包含的图像信息。
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：
当从感兴趣区域中没有查找与预设模板信息相匹配的目标区域或感兴趣区域中包含两个或两个以上的目标区域时，获取待处理图像的真实感兴趣区域；
根据待处理图像及对应的真实感兴趣区域对预设神经网络模型进行训练；
训练后，返回通过预设神经网络模型识别待处理图像的目标物体所在的感兴趣区域的步骤。
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：
当没有识别到感兴趣区域和/或没有查找到目标区域时，检测待处理图像是否曝光过度；
当确定待处理图像曝光过度时，对待处理图像进行曝光减弱处理；
返回执行通过预设神经网络模型识别待处理图像中目标物体所在的感兴趣区域的步骤。
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：
获取训练图像及对应的真实感兴趣区域；
将训练图像输入至神经网络模型中，得到训练图像对应的预测感兴趣区域；
当预测感兴趣区域与训练图像的真实感兴趣区域不匹配时，根据预测感兴趣区域与训练图像的真实感兴趣区域得到损失函数；
根据损失函数对神经网络模型进行调整，并返回执行将训练图像输入至神经网络模型中，得到训练图像对应的预测感兴趣区域的步骤；
直至得到预测感兴趣区域与真实感兴趣区域匹配时停止，并将得到的神经网络模型作为预设神经网络模型。
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：
获取训练图像的第一区域；
检测训练图像中是否包含第二区域，其中，第一区域和第二区域为不同的区域，第一区域中包含的图像信息与第二区域中的图像信息匹配；
当训练图像中包含第二区域时，增大第一区域，并返回执行检测训练图像中是否包含第二区域的步骤，直至训练图像不包含第二区域时停止，并将得到的第一区域作为感兴趣区域。
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：
获取待处理图像的图像尺寸；
当图像尺寸大于预设尺寸时，根据预设尺寸区间对待处理图像进行压缩处理。
在一个实施例中，目标区域为焊接点所在的区域。
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；
通过预设神经网络模型识别待处理图像中目标物体所在的感兴趣区域；
当从感兴趣区域中查找到与预设模板信息相匹配的目标区域时，输出目标区域对应的位置信息，其中，感兴趣区域包含的图像信息多于目标区域包含的图像信息。
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：
当从感兴趣区域中没有查找与预设模板信息相匹配的目标区域或感兴趣区域中包含两个或两个以上的目标区域时，获取待处理图像的真实感兴趣区域；
根据待处理图像及对应的真实感兴趣区域对预设神经网络模型进行训练；
训练后，返回通过预设神经网络模型识别待处理图像的目标物体所在的感兴趣区域的步骤。
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：
当没有识别到感兴趣区域和/或没有查找到目标区域时，检测待处理图像是否曝光过度；
当确定待处理图像曝光过度时，对待处理图像进行曝光减弱处理；
返回执行通过预设神经网络模型识别待处理图像中目标物体所在的感兴趣区域的步骤。
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：
获取训练图像及对应的真实感兴趣区域；
将训练图像输入至神经网络模型中，得到训练图像对应的预测感兴趣区域；
当预测感兴趣区域与训练图像的真实感兴趣区域不匹配时，根据预测感兴趣区域与训练图像的真实感兴趣区域得到损失函数；
根据损失函数对神经网络模型进行调整，并返回执行将训练图像输入至神经网络模型中，得到训练图像对应的预测感兴趣区域的步骤；
直至得到预测感兴趣区域与真实感兴趣区域匹配时停止，并将得到的神经网络模型作为预设神经网络模型。
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：
获取训练图像的第一区域；
检测训练图像中是否包含第二区域，其中，第一区域和第二区域为不同的区域，第一区域中包含的图像信息与第二区域中的图像信息匹配；
当训练图像中包含第二区域时，增大第一区域，并返回执行检测训练图像中是否包含第二区域的步骤，直至训练图像不包含第二区域时停止，并将得到的第一区域作为感兴趣区域。
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：
获取待处理图像的图像尺寸；
当图像尺寸大于预设尺寸时，根据预设尺寸区间对待处理图像进行压缩处理。
在一个实施例中，目标区域为焊接点所在的区域。
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，所述方法包括：
获取待处理图像；
通过预设神经网络模型识别所述待处理图像中目标物体所在的感兴趣区域；
当从所述感兴趣区域中查找到与预设模板信息相匹配的目标区域时，输出所述目标区域对应的位置信息，其中，所述感兴趣区域包含的图像信息多于所述目标区域包含的图像信息。
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：
当从所述感兴趣区域中没有查找与预设模板信息相匹配的目标区域或所述感兴趣区域中包含两个或两个以上的目标区域时，获取所述待处理图像的真实感兴趣区域；
根据所述待处理图像及对应的真实感兴趣区域对所述预设神经网络模型进行训练；
训练后，返回所述通过预设神经网络模型识别所述待处理图像的所述目标物体所在的感兴趣区域的步骤。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当没有识别到所述感兴趣区域和/或没有查找到所述目标区域时，检测所述待处理图像是否曝光过度；
当确定所述待处理图像曝光过度时，对所述待处理图像进行曝光减弱处理；
返回执行所述通过预设神经网络模型识别所述待处理图像中所述目标物体所在的感兴趣区域的步骤。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取训练图像及对应的真实感兴趣区域；
将所述训练图像输入至神经网络模型中，得到所述训练图像对应的预测感兴趣区域；
当所述预测感兴趣区域与所述训练图像的真实感兴趣区域不匹配时，根据所述预测感兴趣区域与所述训练图像的真实感兴趣区域得到损失函数；
根据所述损失函数对所述神经网络模型进行调整，并返回执行将所述训练图像输入至神经网络模型中，得到所述训练图像对应的预测感兴趣区域的步骤；
直至得到所述预测感兴趣区域与所述真实感兴趣区域匹配时停止，并将得到的神经网络模型作为所述预设神经网络模型。
5.根据权利要求4所述的方法，其特征在于，所述获取训练图像及对应的真实感兴趣区域，包括：
获取训练图像的第一区域；
检测所述训练图像中是否包含第二区域，其中，所述第一区域和所述第二区域为不同的区域，所述第一区域中包含的图像信息与所述第二区域中的图像信息匹配；
当所述训练图像中包含第二区域时，增大所述第一区域，并返回执行检测所述训练图像中是否包含第二区域的步骤，直至所述训练图像不包含第二区域时停止，并将得到的所述第一区域作为所述感兴趣区域。
6.根据权利要求1所述的方法，其特征在于，所述通过预设神经网络模型识别所述待处理图像中所述目标物体所在的感兴趣区域之前，还包括：
获取所述待处理图像的图像尺寸；
当所述图像尺寸大于预设尺寸时，根据预设尺寸区间对所述待处理图像进行压缩处理。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述目标区域为焊接点所在的区域。
8.一种图像处理装置，其特征在于，所述装置包括：
图像获取模块，用于获取待处理图像；
识别模块，用于通过预设神经网络模型识别所述待处理图像中目标物体所在的感兴趣区域；
查找输出模块，用于当从所述感兴趣区域中查找到与预设模板信息相匹配的目标区域时，输出所述目标区域对应的位置信息，其中，所述感兴趣区域包含的图像信息多于所述目标区域包含的图像信息。
9.一种电子设备，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7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7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910332557.8A CN110070083A (zh) | 2019-04-24 | 2019-04-24 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910332557.8A CN110070083A (zh) | 2019-04-24 | 2019-04-24 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110070083A true CN110070083A (zh) | 2019-07-30 |
Family
ID=67368725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910332557.8A Pending CN110070083A (zh) | 2019-04-24 | 2019-04-24 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110070083A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110992439A (zh) * | 2019-12-02 | 2020-04-10 | 上海联影智能医疗科技有限公司 | 纤维束追踪方法、计算机设备和存储介质 |
| CN111028283A (zh) * | 2019-12-11 | 2020-04-17 | 北京迈格威科技有限公司 | 图像检测方法、装置、设备及可读存储介质 |
| CN111369588A (zh) * | 2020-02-21 | 2020-07-03 | 上海联影医疗科技有限公司 | 感兴趣区域处理方法、装置、设备和存储介质 |
| CN112348894A (zh) * | 2020-11-03 | 2021-02-09 | 中冶赛迪重庆信息技术有限公司 | 废钢货车位置及状态识别方法、系统、设备及介质 |
| CN112926580A (zh) * | 2021-03-29 | 2021-06-08 | 深圳市商汤科技有限公司 | 图像定位方法、装置、电子设备及存储介质 |
| CN113343895A (zh) * | 2021-06-24 | 2021-09-03 | 北京欧珀通信有限公司 | 目标检测方法、目标检测装置、存储介质与电子设备 |
| CN113568733A (zh) * | 2020-04-29 | 2021-10-29 | 北京金山云网络技术有限公司 | 资源分配方法、装置、电子设备及存储介质 |
| CN113743398A (zh) * | 2020-05-29 | 2021-12-03 | 富泰华工业（深圳）有限公司 | 图像标识方法、装置、计算机装置及存储介质 |
| WO2022082361A1 (zh) * | 2020-10-19 | 2022-04-28 | 深圳市锐明技术股份有限公司 | 图像信息处理方法及终端设备 |
| CN114466130A (zh) * | 2020-11-09 | 2022-05-10 | 哲库科技(上海)有限公司 | 图像处理器、装置、方法及电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102172225A (zh) * | 2011-02-28 | 2011-09-07 | 中国科学技术大学 | 斑马鱼行为诱发和分析方法及其系统 |
| CN103632672A (zh) * | 2012-08-28 | 2014-03-12 | 腾讯科技（深圳）有限公司 | 一种变声系统、方法及人机交互系统及方法 |
| CN103632129A (zh) * | 2012-08-28 | 2014-03-12 | 腾讯科技（深圳）有限公司 | 一种人脸特征点定位方法及装置 |
| CN103870814A (zh) * | 2014-03-18 | 2014-06-18 | 上海理工大学 | 基于智能相机的非接触式实时眼动识别方法 |
| CN103876764A (zh) * | 2013-11-21 | 2014-06-25 | 沈阳东软医疗系统有限公司 | 一种血管显影方法及装置 |
| CN104658016A (zh) * | 2013-11-22 | 2015-05-27 | Ge医疗系统环球技术有限公司 | 一种用于ct透视影像的目标跟踪方法、装置及ct机 |
| CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
| CN105205437A (zh) * | 2014-06-16 | 2015-12-30 | 浙江宇视科技有限公司 | 基于头部轮廓验证的侧脸检测方法及装置 |
| CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
| CN109635846A (zh) * | 2018-11-16 | 2019-04-16 | 哈尔滨工业大学（深圳） | 一种多类医学图像判断方法和系统 |
-
2019
- 2019-04-24 CN CN201910332557.8A patent/CN110070083A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102172225A (zh) * | 2011-02-28 | 2011-09-07 | 中国科学技术大学 | 斑马鱼行为诱发和分析方法及其系统 |
| CN103632672A (zh) * | 2012-08-28 | 2014-03-12 | 腾讯科技（深圳）有限公司 | 一种变声系统、方法及人机交互系统及方法 |
| CN103632129A (zh) * | 2012-08-28 | 2014-03-12 | 腾讯科技（深圳）有限公司 | 一种人脸特征点定位方法及装置 |
| CN103876764A (zh) * | 2013-11-21 | 2014-06-25 | 沈阳东软医疗系统有限公司 | 一种血管显影方法及装置 |
| CN104658016A (zh) * | 2013-11-22 | 2015-05-27 | Ge医疗系统环球技术有限公司 | 一种用于ct透视影像的目标跟踪方法、装置及ct机 |
| CN103870814A (zh) * | 2014-03-18 | 2014-06-18 | 上海理工大学 | 基于智能相机的非接触式实时眼动识别方法 |
| CN105205437A (zh) * | 2014-06-16 | 2015-12-30 | 浙江宇视科技有限公司 | 基于头部轮廓验证的侧脸检测方法及装置 |
| CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
| CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
| CN109635846A (zh) * | 2018-11-16 | 2019-04-16 | 哈尔滨工业大学（深圳） | 一种多类医学图像判断方法和系统 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110992439B (zh) * | 2019-12-02 | 2023-09-26 | 上海联影智能医疗科技有限公司 | 纤维束追踪方法、计算机设备和存储介质 |
| CN110992439A (zh) * | 2019-12-02 | 2020-04-10 | 上海联影智能医疗科技有限公司 | 纤维束追踪方法、计算机设备和存储介质 |
| CN111028283A (zh) * | 2019-12-11 | 2020-04-17 | 北京迈格威科技有限公司 | 图像检测方法、装置、设备及可读存储介质 |
| CN111028283B (zh) * | 2019-12-11 | 2024-01-12 | 北京迈格威科技有限公司 | 图像检测方法、装置、设备及可读存储介质 |
| CN111369588A (zh) * | 2020-02-21 | 2020-07-03 | 上海联影医疗科技有限公司 | 感兴趣区域处理方法、装置、设备和存储介质 |
| CN111369588B (zh) * | 2020-02-21 | 2024-08-02 | 上海联影医疗科技股份有限公司 | 感兴趣区域处理方法、装置、设备和存储介质 |
| US11911201B2 (en) | 2020-02-21 | 2024-02-27 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for determining position of region of interest |
| CN113568733A (zh) * | 2020-04-29 | 2021-10-29 | 北京金山云网络技术有限公司 | 资源分配方法、装置、电子设备及存储介质 |
| CN113743398A (zh) * | 2020-05-29 | 2021-12-03 | 富泰华工业（深圳）有限公司 | 图像标识方法、装置、计算机装置及存储介质 |
| CN113743398B (zh) * | 2020-05-29 | 2023-11-17 | 富泰华工业（深圳）有限公司 | 图像标识方法、装置、计算机装置及存储介质 |
| WO2022082361A1 (zh) * | 2020-10-19 | 2022-04-28 | 深圳市锐明技术股份有限公司 | 图像信息处理方法及终端设备 |
| CN112348894A (zh) * | 2020-11-03 | 2021-02-09 | 中冶赛迪重庆信息技术有限公司 | 废钢货车位置及状态识别方法、系统、设备及介质 |
| CN114466130A (zh) * | 2020-11-09 | 2022-05-10 | 哲库科技(上海)有限公司 | 图像处理器、装置、方法及电子设备 |
| CN112926580B (zh) * | 2021-03-29 | 2023-02-03 | 深圳市商汤科技有限公司 | 图像定位方法、装置、电子设备及存储介质 |
| CN112926580A (zh) * | 2021-03-29 | 2021-06-08 | 深圳市商汤科技有限公司 | 图像定位方法、装置、电子设备及存储介质 |
| CN113343895A (zh) * | 2021-06-24 | 2021-09-03 | 北京欧珀通信有限公司 | 目标检测方法、目标检测装置、存储介质与电子设备 |
| CN113343895B (zh) * | 2021-06-24 | 2024-01-23 | 北京欧珀通信有限公司 | 目标检测方法、目标检测装置、存储介质与电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110070083A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
| KR102117050B1 (ko) | 이미지 내 휴먼 분리를 위한 전자 장치 및 방법 | |
| WO2021047232A1 (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
| CN110738101B (zh) | 行为识别方法、装置及计算机可读存储介质 | |
| US8363933B2 (en) | Image identification method and imaging apparatus | |
| US9092662B2 (en) | Pattern recognition method and pattern recognition apparatus | |
| CN109993086B (zh) | 人脸检测方法、装置、系统及终端设备 | |
| CN108381549B (zh) | 一种双目视觉引导机器人快速抓取方法、装置及存储介质 | |
| CN110300264A (zh) | 图像处理方法、装置、移动终端以及存储介质 | |
| CN110837580A (zh) | 一种行人图片标注方法、装置、存储介质和智能设备 | |
| CN110765814B (zh) | 一种黑板书写行为识别方法、装置及摄像机 | |
| US8315457B2 (en) | System and method for performing multi-image training for pattern recognition and registration | |
| CN109063598A (zh) | 人脸毛孔检测方法、装置、计算机设备和存储介质 | |
| CN117078677B (zh) | 一种用于始极片的缺陷检测方法及系统 | |
| CN112101312A (zh) | 手部关键点的识别方法、装置、机器人和存储介质 | |
| CN109697421A (zh) | 基于微表情的评价方法、装置、计算机设备和存储介质 | |
| CN114979499A (zh) | 灯光调节方法及装置 | |
| CN117444450A (zh) | 一种焊缝焊接方法、电子设备和存储介质 | |
| KR101741758B1 (ko) | 가려짐에 강인한 깊이정보 사용 캠쉬프트 기반의 실시간 얼굴추적 방법 | |
| KR101217231B1 (ko) | 물체 인식 방법 및 시스템 | |
| JP2021534521A (ja) | 拡張現実ディスプレイデバイスにおける動作のためのシステムおよび方法 | |
| CN113012030A (zh) | 图像拼接方法、装置及设备 | |
| US20210149948A1 (en) | Generation of object databases | |
| CN110751163A (zh) | 目标定位方法及其装置、计算机可读存储介质和电子设备 | |
| CN109407842A (zh) | 界面操作方法、装置、电子设备和计算机可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190730 |