CN110111382B - 不规则区域面积计算方法、装置、计算机设备和存储介质 - Google Patents
不规则区域面积计算方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110111382B CN110111382B CN201910215904.9A CN201910215904A CN110111382B CN 110111382 B CN110111382 B CN 110111382B CN 201910215904 A CN201910215904 A CN 201910215904A CN 110111382 B CN110111382 B CN 110111382B
- Authority
- CN
- China
- Prior art keywords
- area
- irregular
- reference object
- determining
- pixel points
- 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.)
- Expired - Fee Related
Links
- 230000001788 irregular Effects 0.000 title claims abstract description 308
- 238000004364 calculation method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 10
- 208000027418 Wounds and injury Diseases 0.000 description 7
- 206010052428 Wound Diseases 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 231100000241 scar Toxicity 0.000 description 5
- 238000003973 irrigation Methods 0.000 description 4
- 230000002262 irrigation Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提出一种不规则区域面积计算方法、装置、计算机设备和存储介质，其中，方法包括：获取包括不规则区域及参考对象的图像；对图像进行识别处理，以确定不规则区域及参考对象分别对应的像素点数量；根据不规则区域及参考对象分别对应的像素点数量、及参考对象的实际面积，确定不规则区域的实际面积。该方法通过对图像进行识别处理，获得计算该图像中不规则区域和参考对象的像素点数量，进而根据不规则区域和参考对象对应的像素点数量，以及已知的参考对象的真实面积计算不规则区域面积的计算，不仅大大减少了人力物力，而且计算结果比较精确，应用场景也比较广泛。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种不规则区域面积计算方法、装置、计算机设备和存储介质。
背景技术
图像中不规则区域面积往往很难被定量化处理，即便是通过人工的方式可以计算出一个大概的数值，但是既麻烦又耗时，也不精确。
在实际的计算不规则区域面积的过程中，有一种图像中不规则区域面积计算方法及系统。但是，该方法主要应用于农业土壤中水灌溉的面积，应用场景单一，不能广泛应用于各种场景。
可见，相关技术中，人工计算不规则区域面积的方法，人力物力成本较高、且计算不够精确，而计算农业土壤中水灌溉面积的方法，应用场景有限。
发明内容
本申请提出一种不规则区域面积计算方法、装置、计算机设备和存储介质，用于解决相关技术中，人工计算不规则区域面积的方法，人力物力成本较高、且计算不够精确，及计算农业土壤中水灌溉面积的方法，应用场景有限的问题。
本申请一方面实施例提出了一种不规则区域面积计算方法，包括：
获取包括不规则区域及参考对象的图像；
对所述图像进行识别处理，以确定所述不规则区域及所述参考对象分别对应的像素点数量；
根据所述不规则区域及所述参考对象分别对应的像素点数量、及所述参考对象的实际面积，确定所述不规则区域的实际面积。
本申请实施例的不规则区域面积计算方法，通过对图像进行识别处理，获得计算该图像中不规则区域和参考对象的像素点数量，进而根据不规则区域和参考对象对应的像素点数量，以及已知的参考对象的真实面积计算不规则区域面积的计算，不仅大大减少了人力物力，而且计算结果比较精确，应用场景也比较广泛。
本申请另一方面实施例提出了一种不规则区域面积计算装置，包括：
获取模块，用于获取包括不规则区域及参考对象的图像；
识别模块，用于对所述图像进行识别处理，以确定所述不规则区域及所述参考对象分别对应的像素点数量；
第一确定模块，用于根据所述不规则区域及所述参考对象分别对应的像素点数量、及所述参考对象的实际面积，确定所述不规则区域的实际面积。
本申请实施例的不规则区域面积计算装置，通过对图像进行识别处理，获得计算该图像中不规则区域和参考对象的像素点数量，进而根据不规则区域和参考对象对应的像素点数量，以及已知的参考对象的真实面积计算不规则区域面积的计算，不仅大大减少了人力物力，而且计算结果比较精确，应用场景也比较广泛。
本申请另一方面实施例提出了一种计算机设备，包括处理器和存储器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上述一方面实施例所述的不规则区域面积计算方法。
本申请另一方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述一方面实施例所述的不规则区域面积计算方法。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例所提供的一种不规则区域面积计算方法的流程示意图；
图2为本申请实施例提供的一种训练识别模型的过程示意图；
图3为本申请实施例提供的另一种不规则区域面积计算方法的流程示意图；
图4为本申请实施例提供的又一种不规则区域面积计算方法的流程示意图；
图5为本申请实施例提供的再一种不规则区域面积计算方法的流程示意图；
图6为本申请实施例提供的还一种不规则区域面积计算方法的流程示意图；
图7为本申请实施例提供的一种不规则区域面积计算装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的不规则区域面积计算方法、装置、计算机设备和存储介质。
图像中不规则区域面积往往很难被定量化处理，即便是通过人工的方式可以计算出一个大概的数值，但是既麻烦又耗时，也不精确。
在实际的计算不规则区域面积的过程中，有一种图像中不规则区域面积计算方法及系统。但是，该方法主要应用于农业土壤中水灌溉的面积，应用场景单一，不能广泛应用于各种场景。
本申请实施例的不规则区域面积计算方法，通过对图像进行识别处理，获得计算该图像中不规则区域和参考对象的像素点数量，进而根据不规则区域和参考对象的像素点数量，以及已知的参考对象的真实面积计算不规则区域面积的计算，不仅大大减少了人力物力，而且计算结果比较精确，应用场景也比较广泛。
图1为本申请实施例提供的一种不规则区域面积计算方法的流程示意图。
本申请实施例的不规则区域面积计算方法，可由本申请实施例提供的不规则区域面积计算装置执行，该装置可配置于计算机中，以实现根据图像中已知的参考对象的实际面积，计算图像中不规则区域的实际面积。
本申请实施例的不规则区域面积计算方法可应用多种场景，例如医疗领域、农业领域等等。
如图1所示，该不规则区域面积计算方法包括：
步骤101，获取包括不规则区域及参考对象的图像。
本实施例中，参考对象的形状可以是圆形、正方形、矩形等等。在获取图像时，可将参考对象与不规则区域放在一起拍摄。
比如医疗领域，需要根据伤口的面积，确定病人的受伤程度，通常伤口的面积是由医生根据经验预估的，这种方式得出的伤口面积并不准确。本实施例中，在对伤口拍照时，把参考对象放到伤口周边一起拍摄，从而可以获得包括不规则区域及参考对象的图像。
在实际应用中，可选取一种形状或多种形状的参考对象，每种参考对象可以选取一个或多个，每个参考对象的摆放位置可以不同，比如：不规则区域的下方、周围、内外等等，参考对象和位置的选取可根据实际情况确定。
步骤102，对图像进行识别处理，以确定不规则区域及参考对象分别对应的像素点数量。
本实施例中，可以通过预先训练的识别模型对图像进行识别，以识别出图像中的不规则区域和参考对象，以及不规则区域对应的像素点数量和参考对象对应的像素点数量。
在对模型进行训练时，可利用已标注的图像，对初始的卷积神经网络模型进行训练，以得到用于识别图像的识别模型。
识别模型的训练过程，如图2所示，首先标注图像，比如标注出图像中的参考对象和不规则区域，以及不规则区域对应的像素点数量、参考对象对应的像素点数量和实际面积。然后，根据标注的大量图像制作数据集，之后对数据集中的图像进行训练，得到识别模型。
步骤103，根据不规则区域及参考对象分别对应的像素点数量、及参考对象的实际面积，确定不规则区域的实际面积。
本实施例中，参考对象的实际面积可以预先学习得到，比如正方形的参考对象的实际面积是A，长方形的参考对象的实际面积是B，圆形的参考对象的实际面积为C等等。
识别模型提前学习时，可以学习到不同形状的参考对象的实际面积。之后，在识别图像时，在识别出参考对象后，可以直接利用该参考对象对应的实际面积。
由于图像中某区域内像素点数量越多，那么该区域在图像中所占的面积越大，那么该区域的实际面积也越大。因此，在已知参考对象对应的实际面积的情况下，可以利用图像中规则区域与参考对象对应的像素点数量的比例关系，来计算出不规则区域对应的实际面积。
例如，不规则区域的像素点数量为Pixel(obj)，参考对象的像素点数量为Pixel(refe)，参考对象的实际面积为Area(refe)，根据公式
可以计算出不规则区域的实际面积
本申请实施例的，不仅可以用于伤口面积的计算，也可以用于疤痕面积的计算，例如要对疤痕进行去除，可能需要先在疤痕上涂抹适量的药物，而药物用量可能与疤痕的面积有关，那么可以通过本申请实施例的不规则区域面积计算方法，准确地计算出疤痕的实际面积，进而根据疤痕面积的大小确定药物用量。
本申请实施例的不规则区域面积计算方法，通过对图像进行识别处理，获得计算该图像中不规则区域和参考对象的像素点数量，进而根据不规则区域和参考对象的像素点数量，以及已知的参考对象的真实面积计算不规则区域面积的计算，不仅大大减少了人力物力，而且计算结果比较精确，应用场景也比较广泛。
在本申请的一个实施例中，图像中可能会包含多个参考对象，下面结合图3说明，在图像包含多个参考对象时，如何计算不规则区域的实际面积。图3为本申请实施例提供的另一种不规则区域面积计算方法的流程示意图。
如图3所示，该不规则区域面积计算方法包括：
步骤201，获取包括不规则区域及参考对象的图像。
本实施例中，在拍摄不规则区域时，可在不规则区域周边放置多个参考对象，将不规则区域与多个参考对象一起拍摄。
步骤202，对图像进行识别处理，以确定不规则区域对应的像素点数量，及图像中包括的每个参考对象的形状、位置及对应的像素点数量。
本实施例中，可利用预先训练的识别模型对图像进行识别，以识别出图像中的不规则区域和所有的参考对象，以及不规则区域对应的像素点数量，和每个参考对象的形状、位置及对应的像素点数量。其中，可将参考对象的中心点的位置作为参考对象在图像中的位置。
例如，通过识别处理确定图像中有3个参考对象，其形状均为圆形，对应的像素点数量分别为1600、1200、1000。
步骤203，若每个参考对象的形状相同、且分别与不规则区域间的距离相同，则根据每个参考对象对应的像素点数量，确定参考像素点数量。
本实施例中，在确定出图像中包含的每个参考对象的形状、位置后，可以确定参考对象的形状是否相同，并计算每个参考对象与不规则区域间的距离。其中，参考对象与不规则区域间的距离可以是参考对象的中心点与不规则区域边界之间最近的距离。
若所有参考对象的形状相同、且每个参考对象与不规则区域间的距离也相同，说明每个参考对象与不规则区域的放大、缩小程度一致性相同，可以根据每个参考对象对应的像素点数量，确定参考像素点数量，具体而言，可将所有参考对象对应的像素点数量的平均值，作为参考像素点数量。
例如，有2个形状均为圆形的参考对象，对应的像素点数量分别为1200、1000，那么参考像素点数量为
步骤204，根据不规则区域对应的像素点数量与参考像素点数量的比值、及参考对象的实际面积，确定不规则区域的实际面积。
由于形状相同的参考对象对应的实际面积相同，那么在确定参考像素点数量后，可将不规则区域对应的像素点数量与参考像素点数量的比值与参考对象的实际面积的乘积结果，作为不规则区域的实际面积。
比如，不规则区域对应的像素点数量为Pixel(obj)、参考像素点数量为Pixelrefe，参考对象的实际面积为D，那么不规则区域的实际面积为
本申请实施例中，若图像中包括多个参考对象，且每个参考对象的形状、与不规则区域间的距离均相同，那么可以确定参考像素点数量，根据不规则区域对应的像素点数量与参考像素点数量的比值、及参考对象的实际面积，计算不规则区域的实际面积，相比通过人工计算不规则区域面积的方法，节省了人力物力，提高了计算结果的准确性。
上述实施例阐述了在每个参考对象形状相同、且与不规则区域间的距离相同的情况下，计算不规则区域面积的方法。在实际应用中，也可能将不同形状的参考对象放置在不规则区域的周边，一起进行拍摄，也就是说，图像中可能会包含形状不同的参考对象。下面结合图4进行说明，图4为本申请实施例提供的又一种不规则区域面积计算方法的流程示意图。
如图4所示，该不规则区域面积计算方法包括：
步骤301，获取包括不规则区域及参考对象的图像。
步骤302，对图像进行识别处理，以确定不规则区域对应的像素点数量，及图像中包括的每个参考对象的形状、位置及对应的像素点数量。
本实施例中，步骤301-步骤302与上述步骤201-步骤202类似，故在此不再赘述。
步骤303，若多个参考对象中包括至少两个形状不同的参考对象，则根据多个参考对象的形状与不规则区域形状的匹配度，确定多个参考对象中的目标参考对象。
在确定图像中包含的每个参考对象的形状、位置后，比较参考对象之间的形状，若多个参考对象中包含至少两个形状不同的参考对象，可计算多个参考对象的形状与不规则区域形状的匹配度。本实施例中，可采用现有技术中的度量规则、动态规划等方法，确定参考对象的形状与不规则区域形状的匹配度。
然后，将匹配度最高的形状对应的参考对象，作为多个参考对象中的目标参考对象。
比如，图像中包含的参考对象有1个圆形、1个矩形，其中，不规则区域的形状更接近圆形，那么可将圆形参考对象作为目标参考对象。
步骤304，根据目标参考对象对应的像素点数量与不规则区域对应的像素点数量的比值、及目标参考对象的实际面积，确定不规则区域的实际面积。
在从多个参考对象中选出目标参考对象后，可计算目标参考对象对应的像素点数量与不规则区域对应的像素点数量的比值与目标参考对象的实际面积的乘积，乘积结果即为不规则区域的实际面积。
另外，也可比较每个参考对象与不规则区域间的距离，若多个参考对象中至少两个参考对象与不规则区域间的距离不同，可根据多个参考对象与不规则区域间的距离值，确定多个参考对象中的目标参考对象。
由于参考对象与不规则区域间的距离越近，对该参考对象和不规则区域的放大、缩小程度一致性越高，那么可将与不规则区域间的距离最近的参考对象，作为目标参考对象。进而，根据不规则区域对应的像素点数量与目标参考对象对应的像素点数量的比值，以及目标参考对象的实际面积，确定不规则区域的实际面积。
可以理解的是，目标参考对象的数量可能是一个，也可能是多个，例如有3个参考对象分别为a、b、c，其中，参考对象a和b与不规则区域间的距离相同均为，但与参考对象c与不规则区域间的距离不同，并且参考对象a与不规则区域间的距离最近，那么可将参考对象a和b作为目标参考对象。
当目标参考对象有多个时，可比较多个参考对象的形状与不规则区域的形状的匹配度，将匹配高的参考对象，作为计算不规则区域的实际面积的参考对象。
本申请实施例中，若多个参考对象中包含至少两个形状的参考对象，那么可根据参考对象的形状与不规则区域的形状的匹配，确定目标参考对象，或者若至少两个参考对象与不规则区域间的距离不同，那么根据多个参考对象与不规则区域间的距离值，确定目标参考对象，进而根据对应的像素点数量与不规则区域对应的像素点数量的比值、及目标参考对象的实际面积，计算出不规则区域的实际面积。
在本申请的一个实施例中，若图像中包含多个参考对象，为了提高计算结果的准确性，在确定图像中包括的每个参考对象的形状、位置及对应的像素点数量之后，可确定每个参考对象对应的权重值，根据权重值计算不规则区域的实际面积。
具体而言，计算每个参考对象的形状与不规则区域形状的匹配度，或者，确定每个参考对象的中心点到不规则区域边界的最短距离，作为参考对象与不规则区域间的距离，然后根据每个参考对象的形状与不规则区域形状的匹配度、或者，根据每个参考对象与不规则区域间的距离，确定每个参考对象的权重值。
例如，匹配度越高，或参考对象与不规则区域间的距离越近，参考对象对应的权重值越大。比如，图像包括两个参考对象，两个参考对象的形状与不规则区域形状的匹配对分别为90％和70％，可将两个参考对象对应的权重值确定为0.6和0.4。
之后，可根据不规则每个参考对象对应的像素点及对应的实际面积，和不规则区域对应的像素点数量，确定根据每个参考对象得到的不规则区域的实际面积，进而对根据每个参考对象得到的不规则区域的实际面积加权求和，得到不规则区域的实际面积。如公式(1)和(2)所示：
其中，Pixel(obj)表示不规则区域对应的像素点数量，N表示图像中包含的参考对象的数量，Pixel(refe)i表示第i个参考对象的像素点数量，Si表示第i个参考对象的实际面积，Area(obj)i表示根据第i个参考对象得到的不规则区域的面积，Pi表示第i个参考对象对应的权重值，Area(obj)表示不规则区域的实际面积。
可以理解的是，如果每个参考对象的形状与不规则区域形状的匹配度都相同，或者每个参考对象与不规则区域间距离相等，那么不规则区域的实际面积为根据每个参考对象得到不规则区域的实际面积的平均值。
本申请实施例中，通过根据每个参考对象的形状与不规则区域形状的匹配度、或者，根据每个参考对象与不规则区域间的距离，确定每个参考对象的权重值，根据权重值计算不规则区域的实际面积，从而可以提高计算结果的准确性。
在本申请的一个实施例中，若图像中包含多个参考对象，识别模型在输出识别结果时，还可以输出每个参考对象对应的识别概率值，那么也可根据每个参考对象的识别概率值，确定目标参考对象，进而根据目标参考对象的实际面积计算出不规则区域的实际面积。
具体而言，在对图像进行识别处理之后，可以根据识别模型的输出确定每个参考对象的识别概率值以及对应的像素点数量，然后从多个参考对象中选出识别概率值最高的参考对象，作为目标参考对象。进而，根据不规则区域对应的像素点数量与目标参考对象对应的像素点数量的比值、以及目标参考对象的实际面积，计算不规则区域的实际面积。具体地，可将不规则区域与目标参考对象的像素点数量的比值，与目标参考对象的实际面积的乘积，作为不规则区域的实际面积。
如果识别概率值最高的参考对象有多个，那么可根据上述实施例中，根据参考对象的形状、与不规则区域间的距离，确定出参考像素点数量，或者目标参考对象，进而计算出不规则区域的实际面积。
在本申请的再一个实施例中，若图像中包含多个参考对象，可计算出每个像素点平均对应的实际面积，进而根据每个像素点平均对应的实际面积，计算出不规则区域的实际面积。下面结合图5进行说明，图5为本申请实施例提供的再一种不规则区域面积计算方法的流程示意图。
如图5所示，该不规则区域面积计算方法包括：
步骤401，获取包括不规则区域及参考对象的图像。
本实施例中，步骤401与上述步骤101类似，故在此不再赘述。
步骤402，对图像进行识别处理，以确定不规则区域对应的像素点数量，及图像中包括的每个参考对象对应的像素点数量。
本实施例中，可利用预先训练的识别模型对图像进行识别，以识别出图像中的不规则区域和所有的参考对象，以及不规则区域对应的像素点数量，和每个参考对象对应的像素点数量。
步骤403，根据每个参考对象对应的像素点数量及每个参考对象的实际面积，确定每个像素点平均对应的实际面积。
本实施例中，可将所有参考对象对应的实际面积之和，除以所有参考对象对应的像素点数量之和，将计算结果作为每个像素点平均对应的实际面积。
比如，图像中包含3个参考对象，对应的像素点数量分别为Pixel(refe)1、Pixel(refe)2、Pixel(refe)3，3个参考对象的实际面积分别为Area(refe)1、Area(refe)2、Area(refe)3，那么每个像素点平均对应的实际面积Area(mrefe)为
步骤404，根据每个像素点平均对应的实际面积及不规则区域对应的像素点数量，确定所述不规则区域的实际面积。
在计算出每个像素点平均对应的实际面积后，不规则区域对应的像素点数量与每个像素点平均对应的实际面积的乘积，即为不规则区域的实际面积。
本申请实施例的不规则区域面积计算方法，通过根据每个参考对象对应的像素点数量和实际面积，计算出每个像素点平均对应的实际面积，从而根据不规则区域对应的像素点数量和每个像素点平均对应的实际面积，确定不规则区域的实际面积。
在实际应用中，图像中可能有多个不规则区域，例如，图像中包含多个伤口，又如图像中包含多个不规则的农田等。为了计算图像中每个不规则区域的面积，本申请实施例提出，确定与每个不规则区域对应的参考对象，进而根据每个不规则区域对应的参考对象，计算每个不规则区域的实际面积。下面结合图6进行说明，图6为本申请实施例提供的还一种不规则区域面积计算方法的流程示意图。
如图6所示，该不规则区域面积计算方法包括：
步骤501，获取包括不规则区域及参考对象的图像。
本实施例中，可在每个不规则区域周边放置参考对象，以对多个不规则区域和多个参考对象进行拍摄，从而得到获取包括不规则区域和参考对象的图像。
步骤502，对图像进行识别处理，以确定每个不规则区域的位置、形状及对应的像素点数量、每个参考对象的位置、形状及对应的像素点数量。
本实施例中，可利用预先训练的识别模型，识别图像中的所有不规则区域及参考对象，并确定每个不规则区域的位置、形状及对应的像素点数量，每个参考对象的位置、形状及对应的像素点数量。
需要说明的是，不规则区域的数量与参考对象的数量可以相同，也可以不不同。
步骤503，根据每个不规则区域与每个参考对象间的位置和/或形状的匹配度，确定与每个不规则区域对应的参考对象。
针对每个参考对象，可计算每个参考对象与不规则区域间的距离，和确定每个参考对象的形状与不规则区域的形状的匹配度，可将距离最近和匹配度最高的参考对象，作为该不规则区域对应的参考对象。
可以理解的是，也可将与不规则区域间的距离最近，或与不规则区域的形状匹配度最高的参考对象，作为该不规则区域对应的参考对象。当参考对象的数量小于不规则区域的数量时，存在至少两个不规则区域对应相同的参考对象。
步骤504，根据每个不规则区域对应的像素点数量、与每个不规则区域对应的参考对象的实际面积及对应的像素点数量，确定每个不规则区域对应的实际面积。
在确定每个不规则区域对应的参考对象后，可根据不规则区域的像素点数量、与该不规则区域对应的参考对象对应的像素点数量，以及该参考对象对应的实际面积，确定该不规则区域对应的实际面积，从而可以计算出图像中每个不规则区域的实际面积。
本申请实施例中，当图像中包含多个不规则区域时，可以通过确定每个不规则区域对应的参考对象，进而根据与每个不规则区域对应的参考对象的实际面积及对应的像素点数量，每个不规则区域对应的像素点数量，计算每个不规则区域的实际面积，不仅效率高、而且大大减少了人力物力，应用场景也比较广泛。
为了实现上述实施例，本申请实施例还提出一种不规则区域面积计算装置。图7为本申请实施例提供的一种不规则区域面积计算装置的结构示意图。
如图7所示，该不规则区域面积计算装置包括：获取模块610、识别模块620和第一确定模块630。
获取模块610，用于获取包括不规则区域及参考对象的图像；
识别模块620，用于对图像进行识别处理，以确定不规则区域及参考对象分别对应的像素点数量；
第一确定模块630，用于根据不规则区域及参考对象分别对应的像素点数量、及参考对象的实际面积，确定不规则区域的实际面积。
在本申请实施例一种可能的实现方式中，图像中包括多个参考对象，该装置还可包括：
上述识别模块620，还用于确定图像中包括的每个参考对象的形状、位置及对应的像素点数量；
第二确定模块，用于当每个参考对象的形状相同、且分别与不规则区域间的距离相同时，根据每个参考对象对应的像素点数量，确定参考像素点数量；
上述第一确定模块630，具体用于：根据不规则区域对应的像素点数量与参考像素点数量的比值、及参考对象的实际面积，确定不规则区域的实际面积。
在本申请实施例一种可能的实现方式中，该装置还可包括：
第三确定模块，用于当多个参考对象中包括至少两个形状不同的参考对象，则根据多个参考对象的形状与不规则区域形状的匹配度，确定多个参考对象中的目标参考对象；
或者，当多个参考对象中至少两个参考对象与不规则区域间的距离不同，则根据多个参考对象与不规则区域间的距离值，确定多个参考对象中的目标参考对象；
上述第一确定模块630，具体用于：根据目标参考对象对应的像素点数量与不规则区域对应的像素点数量的比值、及目标参考对象的实际面积，确定不规则区域的实际面积。
在本申请实施例一种可能的实现方式中，该装置还可包括：
第四确定模块，用于根据每个参考对象的形状与不规则区域形状的匹配度、或者，根据每个参考对象与所述不规则区域间的距离，确定每个参考对象的权重值；
上述第一确定模块630，具体用于：根据每个参考对象对应的像素点数量、实际面积及权重值、及不规则区域对应的像素点数量，确定不规则区域的实际面积。
在本申请实施例一种可能的实现方式中，图像中包括多个参考对象；该装置还可包括：
上述识别模块620，还用于确定每个参考对象的识别概率值及对应的像素点数量；
第五确模块，用于根据每个参考对象的识别概率值，确定多个参考对象中的目标参考对象；
上述第一确定模块630，具体用于：根据目标参考对象的实际面积、对应的像素点数量及不规则区域对应的像素点数量，确定不规则区域的实际面积。
在本申请实施例一种可能的实现方式中，图像中包括多个参考对象；该装置还包括：
上述识别模块620，还用于确定每个参考对象对应的像素点数量；
第六确定模块，用于根据每个参考对象对应的像素点数量及每个参考对象的实际面积，确定每个像素点平均对应的实际面积；
上述第一确定模块630，具体用于：根据每个像素点平均对应的实际面积及不规则区域对应的像素点数量，确定不规则区域的实际面积。
在本申请实施例一种可能的实现方式中，图像中包括多个不规则区域；该装置还可包括：
上述识别模块620，还用于确定每个不规则区域的位置、形状及对应的像素点数量、每个参考对象的位置、形状及对应的像素点数量；
第七确定模块，用于根据每个不规则区域与每个参考对象间的位置和/或形状的匹配度，确定与每个不规则区域对应的参考对象；
上述第一确定模块630，具体用于：根据每个不规则区域对应的像素点数量、与每个不规则区域对应的参考对象的实际面积及对应的像素点数量，确定每个不规则区域对应的实际面积。
需要说明的是，上述对不规则区域面积计算方法实施例的解释说明，也适用于该实施例的不规则区域面积计算装置，故在此不再赘述。
本申请实施例的不规则区域面积计算装置，通过对图像进行识别处理，获得计算该图像中不规则区域和参考对象的像素点数量，进而根据不规则区域和参考对象对应的像素点数量，以及已知的参考对象的真实面积计算不规则区域面积的计算，不仅大大减少了人力物力，而且计算结果比较精确，应用场景也比较广泛。
为了实现上述实施例，本申请实施例还提出一种计算机设备，包括处理器和存储器；
其中，处理器通过读取存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上述实施例所述的不规则区域面积计算方法。
为了实现上述实施例，本申请实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例所述的不规则区域面积计算方法。
在本说明书的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是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，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种不规则区域面积计算方法，其特征在于，包括：
获取包括不规则区域及参考对象的图像；
对所述图像进行识别处理，以确定所述不规则区域及所述参考对象分别对应的像素点数量；
根据所述不规则区域及所述参考对象分别对应的像素点数量、及所述参考对象的实际面积，确定所述不规则区域的实际面积；
所述图像中包括多个参考对象；所述对所述图像进行识别处理之后，还包括：
确定每个参考对象的识别概率值及对应的像素点数量；
根据每个参考对象的识别概率值，确定所述多个参考对象中的目标参考对象；
所述确定所述不规则区域的实际面积，包括：
根据所述目标参考对象的实际面积、对应的像素点数量及所述不规则区域对应的像素点数量，确定所述不规则区域的实际面积；
所述对所述图像进行识别处理之后，还包括：
确定所述图像中包括的每个参考对象的形状、位置及对应的像素点数量；
若每个参考对象的形状相同、且分别与所述不规则区域间的距离相同，则根据所述每个参考对象对应的像素点数量，确定参考像素点数量；
所述确定所述不规则区域的实际面积，包括：
根据所述不规则区域对应的像素点数量与所述参考像素点数量的比值、及所述参考对象的实际面积，确定所述不规则区域的实际面积；
所述确定所述图像中包括的每个参考对象的形状、位置及对应的像素点数量之后，还包括：
若所述多个参考对象中包括至少两个形状不同的参考对象，则根据所述多个参考对象的形状与所述不规则区域形状的匹配度，确定所述多个参考对象中的目标参考对象；
或者，若所述多个参考对象中至少两个参考对象与所述不规则区域间的距离不同，则根据所述多个参考对象与所述不规则区域间的距离值，确定所述多个参考对象中的目标参考对象；
所述确定所述不规则区域的实际面积，包括：
根据所述目标参考对象对应的像素点数量与所述不规则区域对应的像素点数量的比值、及所述目标参考对象的实际面积，确定所述不规则区域的实际面积。
2.如权利要求1所述的方法，其特征在于，所述确定所述图像中包括的每个参考对象的形状、位置及对应的像素点数量之后，还包括：
根据每个参考对象的形状与所述不规则区域形状的匹配度、或者，根据每个参考对象与所述不规则区域间的距离，确定每个参考对象的权重值；
所述确定所述不规则区域的实际面积，包括：
根据每个参考对象对应的像素点数量、实际面积及权重值、及所述不规则区域对应的像素点数量，确定所述不规则区域的实际面积。
3.如权利要求1所述的方法，其特征在于，所述图像中包括多个参考对象；
所述对所述图像进行识别处理之后，还包括：
确定每个参考对象对应的像素点数量；
根据每个参考对象对应的像素点数量及每个参考对象的实际面积，确定每个像素点平均对应的实际面积；
所述确定所述不规则区域的实际面积，包括：
根据每个像素点平均对应的实际面积及所述不规则区域对应的像素点数量，确定所述不规则区域的实际面积。
4.如权利要求1-3任一所述的方法，其特征在于，所述图像中包括多个不规则区域；
所述对所述图像进行识别处理之后，还包括：
确定每个不规则区域的位置、形状及对应的像素点数量、每个参考对象的位置、形状及对应的像素点数量；
根据每个不规则区域与每个参考对象间的位置和/或形状的匹配度，确定与每个不规则区域对应的参考对象；
所述确定所述不规则区域的实际面积，包括：
根据每个不规则区域对应的像素点数量、与每个不规则区域对应的参考对象的实际面积及对应的像素点数量，确定每个不规则区域对应的实际面积。
5.一种不规则区域面积计算装置，其特征在于，包括：
获取模块，用于获取包括不规则区域及参考对象的图像；
识别模块，用于对所述图像进行识别处理，以确定所述不规则区域及所述参考对象分别对应的像素点数量；
第一确定模块，用于根据所述不规则区域及所述参考对象分别对应的像素点数量、及所述参考对象的实际面积，确定所述不规则区域的实际面积；
所述图像中包括多个参考对象；
所述识别模块，还用于确定每个参考对象的识别概率值及对应的像素点数量；
第五确定模块，用于根据每个参考对象的识别概率值，确定所述多个参考对象中的目标参考对象；
所述第一确定模块，用于根据所述目标参考对象的实际面积、对应的像素点数量及所述不规则区域对应的像素点数量，确定所述不规则区域的实际面积；
所述识别模块，还用于确定所述图像中包括的每个参考对象的形状、位置及对应的像素点数量；
第二确定模块，用于若每个参考对象的形状相同、且分别与所述不规则区域间的距离相同，则根据所述每个参考对象对应的像素点数量，确定参考像素点数量；
所述第一确定模块，还用于根据所述不规则区域对应的像素点数量与所述参考像素点数量的比值、及所述参考对象的实际面积，确定所述不规则区域的实际面积；
第三确定模块，用于若所述多个参考对象中包括至少两个形状不同的参考对象，则根据所述多个参考对象的形状与所述不规则区域形状的匹配度，确定所述多个参考对象中的目标参考对象；或者，若所述多个参考对象中至少两个参考对象与所述不规则区域间的距离不同，则根据所述多个参考对象与所述不规则区域间的距离值，确定所述多个参考对象中的目标参考对象；
所述第一确定模块，还用于根据所述目标参考对象对应的像素点数量与所述不规则区域对应的像素点数量的比值、及所述目标参考对象的实际面积，确定所述不规则区域的实际面积。
6.一种计算机设备，其特征在于，包括处理器和存储器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-4中任一所述的不规则区域面积计算方法。
7.一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，该程序被处理器执行时实现如权利要求1-4中任一所述的不规则区域面积计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910215904.9A CN110111382B (zh) | 2019-03-21 | 2019-03-21 | 不规则区域面积计算方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910215904.9A CN110111382B (zh) | 2019-03-21 | 2019-03-21 | 不规则区域面积计算方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110111382A CN110111382A (zh) | 2019-08-09 |
| CN110111382B true CN110111382B (zh) | 2021-09-14 |
Family
ID=67484451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910215904.9A Expired - Fee Related CN110111382B (zh) | 2019-03-21 | 2019-03-21 | 不规则区域面积计算方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110111382B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112153320B (zh) * | 2020-09-23 | 2022-11-08 | 北京京东振世信息技术有限公司 | 一种物品尺寸的测量方法、装置、电子设备和存储介质 |
| CN112268352A (zh) * | 2020-10-15 | 2021-01-26 | 青岛海尔空调器有限总公司 | 空调的调节方法及装置、电子设备、计算机存储介质 |
| CN116479718B (zh) * | 2023-05-06 | 2023-09-19 | 宁波中海建材有限公司 | 基于面积检测的混凝土智能化加工系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103063143A (zh) * | 2012-12-03 | 2013-04-24 | 苏州佳世达电通有限公司 | 基于图像识别的测量方法及其系统 |
| CN109059808A (zh) * | 2018-08-15 | 2018-12-21 | 华南农业大学 | 叶片面积测量方法、系统、存储介质及移动终端 |
| CN109165645A (zh) * | 2018-08-01 | 2019-01-08 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置以及相关设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103090823A (zh) * | 2013-01-15 | 2013-05-08 | 北京汽车股份有限公司 | 一种不规则图形面积计算的方法及装置 |
| JP6852430B2 (ja) * | 2017-02-07 | 2021-03-31 | 株式会社リコー | 検査装置、検査方法及びプログラム |
| WO2018220681A1 (ja) * | 2017-05-29 | 2018-12-06 | オリンパス株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
| CN107424157A (zh) * | 2017-08-11 | 2017-12-01 | 南京航空航天大学 | 动物黏附接触区实际接触面积的计算方法及计算系统 |
-
2019
- 2019-03-21 CN CN201910215904.9A patent/CN110111382B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103063143A (zh) * | 2012-12-03 | 2013-04-24 | 苏州佳世达电通有限公司 | 基于图像识别的测量方法及其系统 |
| CN109165645A (zh) * | 2018-08-01 | 2019-01-08 | 腾讯科技（深圳）有限公司 | 一种图像处理方法、装置以及相关设备 |
| CN109059808A (zh) * | 2018-08-15 | 2018-12-21 | 华南农业大学 | 叶片面积测量方法、系统、存储介质及移动终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110111382A (zh) | 2019-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107464230B (zh) | 图像处理方法及装置 | |
| CN110111382B (zh) | 不规则区域面积计算方法、装置、计算机设备和存储介质 | |
| CN110889826B (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
| CN111508019A (zh) | 目标检测方法及其模型的训练方法及相关装置、设备 | |
| CN111369495B (zh) | 一种基于视频的全景图像的变化检测方法 | |
| CN113034389B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN111008561B (zh) | 一种牲畜的数量确定方法、终端及计算机存储介质 | |
| CN109273074B (zh) | 一种用于医疗图像的网络模型调整方法及设备 | |
| CN111325217B (zh) | 数据处理方法、装置、系统和介质 | |
| CN112669290A (zh) | 图像比对方法及装置 | |
| US10296810B2 (en) | Apparatus and method for determining lesion similarity of medical image | |
| CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及系统 | |
| CN114549445A (zh) | 图像检测及相关模型的训练方法、相关装置、设备和介质 | |
| CN111091507A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| CN113920109A (zh) | 医疗影像识别模型训练方法、识别方法、装置及设备 | |
| CN110288608B (zh) | 作物行中心线提取方法和装置 | |
| CN111368698A (zh) | 主体识别方法、装置、电子设备及介质 | |
| CN116824516B (zh) | 一种涉路施工安全监测及管理系统 | |
| CN111932536B (zh) | 病灶标注的验证方法、装置、计算机设备及存储介质 | |
| Kusuma | Determination of spinal curvature from scoliosis X-ray images using K-means and curve fitting for early detection of scoliosis disease | |
| CN111027474B (zh) | 人脸区域获取方法、装置、终端设备和存储介质 | |
| CN116977671A (zh) | 基于图像空间定位的目标跟踪方法、装置、设备及存储介质 | |
| CN116721344A (zh) | 基于航拍设备的植被检测方法、装置和设备 | |
| CN111626979B (zh) | 一种管径测量方法及其装置 | |
| CN114037993A (zh) | 变电站指针仪表读数方法、装置、存储介质以及电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210914 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |