CN110163866A - 一种图像处理方法、电子设备及计算机可读存储介质 - Google Patents
一种图像处理方法、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110163866A CN110163866A CN201910258249.5A CN201910258249A CN110163866A CN 110163866 A CN110163866 A CN 110163866A CN 201910258249 A CN201910258249 A CN 201910258249A CN 110163866 A CN110163866 A CN 110163866A
- Authority
- CN
- China
- Prior art keywords
- image
- rectangular area
- subgraph
- centre coordinate
- zoomed
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及一种图像处理方法、电子设备和计算机存储介质。该方法包括:获取第一图像,所述第一图像由背景图像和目标图像组成;从所述第一图像中获取第一子图像,所述第一子图像包括所述目标图像及其周边的部分背景图像;基于预先训练的第二神经网络分割所述第一子图像,分割出目标图像。通过本发明的实施例,能够实现高质量地分割图像中的小尺寸目标图像,边缘更加准确,提升了分割效果。
Description
技术领域
本发明总体上涉及图像处理领域,具体涉及一种图像处理方法、电子设备及计算机可读存储介质。
背景技术
图像分割是把图像分成一些互不重叠而又具有各自特征的子区域,每一区域是像素的一个连续集,这里的特性可以是图像的颜色、形状、灰度和纹理等。图像分割根据目标与背景的先验知识将图像表示为物理上有意义的连通区域的集合。即对图像中的目标、背景进行标记、定位,然后把目标从背景中分离出来。近年来,神经网络在图像识别、分割等领域得到了迅速的发展。
例如,在公开号为CN108876795A,发明名称为“一种图像中物体的分割方法及系统”的专利文献中,公开了一种图像中物体的分割方法及系统。依照该方法,对所述初始物体区域进行物体分割包括如下步骤:
S201:将所述原图像按预设比例缩小,作为采样图像;
S202:通过预设图像分割方法对所述采样图像进行物体分割,得到分割后的物体图像;
S203:将所述分割后的物体图像进行二值掩膜,将所述二值掩膜后的物体图像按原图像比例映射到所述原图像,得到分割后图像。
该专利公开的方法,并不适用于小尺寸物体的分割,即,待分割物体在原图像中的尺寸所占比例较小。小尺寸物体在原图像中尺寸占比小,经神经网络多次卷积/池化操作后,容易丢失图像细节特征,特别是,原图像经S201步骤后,待分割物体可能只占有几个或者十几个像素点,导致分割结果不准确。
发明内容
针对上述问题,本发明的实施例提供一种图像处理方法、电子设备及计算机可读存储介质。
在本发明的第一方面,提供一种图像处理方法。该方法包括:
获取第一图像,所述第一图像由背景图像和目标图像组成;从所述第一图像中获取第一子图像,所述第一子图像包括所述目标图像及其周边的部分背景图像;基于预先训练的第二神经网络分割所述第一子图像,分割出目标图像。
在某些实施例中,从所述第一图像中获取第一子图像包括:
基于预先训练的第一神经网络分割所述第一图像,根据所述第一图像的分割结果,从第一图像中获取第一子图像;或者,对所述第一图像进行缩放,获得预设尺寸的第一缩放图像;基于预先训练的第一神经网络,分割所述第一缩放图像;根据所述第一缩放图像的分割结果,从第一图像中获取第一子图像。
在某些实施例中,从所述第一图像中获取第一子图像包括:
确定所述第一图像中的第一矩形区域,所述第一矩形区域包括所述背景图像的一部分和所述目标图像;
从所述第一图像中裁剪所述第一矩形区域,获取所述第一子图像。
在某些实施例中,确定所述第一图像中的第一矩形区域包括:
确定所述第一矩形区域的中心坐标,根据所述第一矩形区域的中心坐标确定所述第一图像中的所述第一矩形区域。
在某些实施例中,确定所述第一图像中的第一矩形区域包括:
基于预先训练的第一神经网络分割所述第一图像;
根据所述第一图像的分割结果,确定包含所述目标图像的最小矩形区域的中心坐标;
以所述最小矩形区域的中心坐标作为所述第一矩形区域的中心坐标,确定所述第一图像中的第一矩形区域,所述第一矩形区域的尺寸大于所述最小矩形区域的尺寸。
在某些实施例中,确定所述第一图像中的第一矩形区域包括:
对所述第一图像进行缩放,获得预设尺寸的第一缩放图像;
基于预先训练的第一神经网络,分割所述第一缩放图像;
根据所述第一缩放图像的分割结果,确定包含被缩放的所述目标图像的最小矩形区域的中心坐标;
根据该最小矩形区域的中心坐标,确定第一图像的与所述最小矩形区域对应的区域的中心坐标,作为所述第一矩形区域的中心坐标;
根据所述第一矩形区域的中心坐标,确定所述第一图像的第一矩形区域,所述第一矩形区域的尺寸大于第一图像中包含所述目标图像的最小矩形区域的尺寸。
在某些实施例中,所述第一神经网络为目标检测神经网络、语义分割神经网络和实例分割神经网络中的一种。
在某些实施例中,所述第二神经网络为显著物体分割神经网络、语义分割神经网络、实例分割神经网络和matting神经网络中的一种。
在本发明的第二方面,提供一种电子设备,包括:处理器;以及,
存储有指令的存储器,所述指令在被所述处理器执行时促使所述设备执行上述任一项所述的方法。
在本发明的第三方面,提供一种计算机可读存储介质,其特征在于,其存储有机器可读的指令,所述指令在由所述机器执行时使得所述机器执行上述任一项所述的方法。
附图说明
图1示出根据本发明实施例的图像处理方法的流程图。
图2示出了本发明实施例从第一图像中获取第一子图像的一个实施方式的流程图。
图3示出了本发明实施例从第一图像中获取第一子图像的另一个实施方式的流程图。
图4示出了根据本发明实施例的一种图像处理装置。
图5示出了适合实现本发明实施例的电子设备的方框图。
图6示出了本发明实施例的一个应用场景的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。但本领域技术人员知晓,本发明并不局限于附图和以下实施例。
如本文中所述,术语“包括”及其各种变体可以被理解为开放式术语,其意味着“包括但不限于”。术语“基于”可以被理解为“至少部分地基于”。术语“一个实施例”或“一个实施方式”可以被理解为“至少一个实施例”或“至少一个实施方式”。术语“另一个实施例”或“另一个实施方式”可以被理解为“至少一个其它实施例”或“至少一个其他实施方式”。文中所使用的“第一”、“第二”等表述,仅是为了区分技术特征,并无实质含义。
图像分割是把图像分成一些互不重叠而又具有各自特征的子区域,每一区域是像素的一个连续集,这里的特性可以是图像的颜色、形状、灰度和纹理等。图像分割根据目标与背景的先验知识将图像表示为物理上有意义的连通区域的集合。即对图像中的目标、背景进行标记、定位,然后把目标从背景中分离出来。发明人注意到,现有技术中的图像分割方法,并不适用于小尺寸物体的分割,即,待分割物体在原图像中的尺寸所占比例较小。小尺寸物体在原图像中尺寸占比小,经神经网络多次卷积/池化操作后,容易丢失图像细节特征,特别是,原图像经缩放减小尺寸后,待分割物体可能只占有几个或者十几个像素点,导致分割结果不准确。
有鉴于此,本发明实施例提出一种对图像进行处理的方法,实现高质量地分割出图像中的目标图像,特别是高质量地分割出图像中的小尺寸物体。在本发明中,进行图像分割的图像可以来自于图片,也可以来自视频,对视频的处理可以逐帧进行,对视频的处理方法同样包括在本发明的范围内。为了便于描述,下文以对图片的图像处理为例进行说明。
需要说明的是,本发明实施例可以在任何适宜的处理装置处实现,诸如移动终端、计算机、服务器等。用户可以通过移动终端或计算机等终端设备对其希望处理的图片或视频进行处理,或者用户可以将其设备经由网络连接至服务器,通过与服务器交互,由服务器进行图像处理。
终端设备可以是具有显示屏并且支持图片查看的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器、MP4播放器、膝上型便携计算机和台式计算机等等。
终端设备上可以安装有各种通讯客户端应用,例如图片查看软件、图片处理软件、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
服务器可以是提供各种服务的服务器,例如对终端设备上显示的图片提供支持的后台图片处理服务器。后台图片处理服务器可以对接收到的待处理图片等进行分析处理,并将处理结果(例如生成的目标图片)反馈给终端设备。
下面结合附图对本发明实施例进行详细描述。为了便于理解本发明实施例,图1示出了根据本发明的一个实施例的图像处理方法100的流程图,方法100可以在任何适宜的处理装置处实现,诸如移动终端、计算机、服务器等。
在110,获取第一图像,所述第一图像由背景图像和目标图像组成。
本实施例中,第一图像可以来自于单独的图片或者来自于视频的图像帧,其通常是包含RGB三通道的图像,也可以是灰度图像。获取该第一图像作为待处理图像,第一图像由背景图像和目标图像组成,背景图像是第一图像中除目标图像的部分。示例性的,在一个实施方式中,所述第一图像中包括大尺寸人像,也包括小尺寸人像,该小尺寸人像作为目标图像,小尺寸人像以外的部分为背景图像。
所述第一图像可以为多种不同格式的图像,例如BMP格式、JPG格式、PNG格式和GIF格式等,本发明对此不做限定。
在120,从所述第一图像中获取第一子图像,所述第一子图像包括所述目标图像及其周边的部分背景图像。
从110获取的第一图像中获取第一子图像,所述第一子图像包括所述目标图像及其周边的部分背景图像。可以理解的是,所述第一子图像为所述第一图像的一部分,其尺寸小于所述第一图像。优选的,所述第一子图像呈矩形,其尺寸大于包含所述目标图像的最小矩形区域的尺寸,在另一个实施方式中,其尺寸也可以等于包含所述目标图像。
所述第一子图像为一个或多个,例如,当第一图像中包括多个小尺寸物体时,如包括人像和汽车,所述人像和汽车均可以作为目标图像,相应的,从所述第一图像中可以获取多个第一子图像。
可以采用多种方法从第一图像中获取第一子图像。在一个实施方式中,可以基于预先训练的第一神经网络分割所述第一图像,根据所述第一图像的分割结果,从第一图像中获取第一子图像。在另一个实施方式中,首先对所述第一图像进行缩放,获得预设尺寸的第一缩放图像;再基于预先训练的第一神经网络,分割所述第一缩放图像;最后根据所述第一缩放图像的分割结果,从第一图像中获取第一子图像。
本实施例中,优选的,先确定所述第一图像中的第一矩形区域,所述第一矩形区域包括所述背景图像的一部分和所述目标图像;再从所述第一图像中裁剪所述第一矩形区域,获取所述第一子图像。更优选的,通过确定所述第一矩形区域的中心坐标,根据所述第一矩形区域的中心坐标确定所述第一图像中的所述第一矩形区域。所述第一矩形区域的尺寸优选大于包含所述目标图像的最小矩形区域的尺寸。第一矩形区域的尺寸可以为预设的固定尺寸,也可以为所述最小矩形区域的尺寸的预设倍数,本发明对此不做限定。
具体的,图2示出了从第一图像中获取第一子图像的一个实施方式的流程图。
在1201,基于预先训练的第一神经网络分割所述第一图像;其中,所述第一神经网络为能够分割图像的神经网络,例如,可以为目标检测神经网络、语义分割神经网络和实例分割神经网络中的一种,还可以为其他深度神经网络。
在1202,根据所述第一图像的分割结果,确定包含所述目标图像的最小矩形区域的中心坐标。
在1203,以所述最小矩形区域的中心坐标作为所述第一矩形区域的中心坐标,确定所述第一图像中的第一矩形区域,所述第一矩形区域包括所述背景图像的一部分和所述目标图像;优选的,所述第一矩形区域的尺寸大于所述最小矩形区域的尺寸。
在1204,从所述第一图像中裁剪所述第一矩形区域,获取所述第一子图像。
具体的,图3示出了从第一图像中获取第一子图像的另一个实施方式的流程图。
在12011,对所述第一图像进行缩放,获得预设尺寸的第一缩放图像,优选的,第一缩放图像经对所述第一图像进行压缩尺寸获得。
在12012,基于预先训练的第一神经网络,分割所述第一缩放图像;其中,所述第一神经网络为能够分割图像的神经网络,例如,可以为目标检测神经网络、语义分割神经网络和实例分割神经网络中的一种,还可以为其他深度神经网络。
在12013,根据所述第一缩放图像的分割结果,确定包含被缩放的所述目标图像的最小矩形区域的中心坐标。
在12014,根据该最小矩形区域的中心坐标,确定第一图像的与所述最小矩形区域对应的区域的中心坐标,作为所述第一矩形区域的中心坐标。
在12015,根据所述第一矩形区域的中心坐标,确定所述第一图像的第一矩形区域;优选的,所述第一矩形区域的尺寸大于第一图像中包含所述目标图像的最小矩形区域的尺寸。
在12016,从所述第一图像中裁剪所述第一矩形区域,获取所述第一子图像。
在130,基于预先训练的第二神经网络分割所述第一子图像,分割出目标图像。
其中,所述第二神经网络为能够分割图像的神经网络,所述第二神经网络为显著物体分割神经网络、语义分割神经网络、实例分割神经网络和matting神经网络中的一种,还可以为其他深度神经网络。所述第一神经网络和第二神经网络可以相同,也可以不同。此类神经网络可以利用现有技术中的神经网络,或者本领域技术人员基于其知识和能力,在无需付出创造性劳动的情况下,基于现有技术获得。不必赘述。
还需要说明的是,“基于预先训练的第二神经网络分割所述第一子图像”还可以包括对第一子图像的预处理步骤,例如,先对第一子图像进行缩放处理,获得预设尺寸的第二缩放图像,再进行分割操作。
经本实施例的图像处理方法获得的目标图像可以用于多种实际应用中,例如用于合成新图片(如更换背景)、处理图片或视频,其中,图片合成主要是通过一定的算法,将多个源图片合成为新的图片。一幅图像C可以表示为前景图像F和背景图像B的组合,即C=αF+(1-α)B。确定了α和F即可用新的背景图像B′取代B,进行图像融合。本实施例中的目标图像即可作为前景图像用于与新的背景图像B′合成包含目标图像的新背景图像。
图4示出了根据本发明实施例的一种图像处理装置300。装置300包括:
获取单元310,用于获取第一图像,所述第一图像由背景图像和目标图像组成;
子图像获取单元320,用于从所述第一图像中获取第一子图像,所述第一子图像包括所述目标图像及其周边的部分背景图像;以及,
分割单元330,用于基于预先训练的第二神经网络分割所述第一子图像,分割出目标图像。
在一个实施例中,子图像获取单元320从所述第一图像中获取第一子图像包括:基于预先训练的第一神经网络分割所述第一图像,根据所述第一图像的分割结果,从第一图像中获取第一子图像;或者,对所述第一图像进行缩放,获得预设尺寸的第一缩放图像;基于预先训练的第一神经网络,分割所述第一缩放图像;根据所述第一缩放图像的分割结果,从第一图像中获取第一子图像。
在一个实施例中,子图像获取单元320从所述第一图像中获取第一子图像包括:确定所述第一图像中的第一矩形区域,所述第一矩形区域包括所述背景图像的一部分和所述目标图像;从所述第一图像中裁剪所述第一矩形区域,获取所述第一子图像。
在一个实施例中,子图像获取单元320确定所述第一图像中的第一矩形区域包括:确定所述第一矩形区域的中心坐标,根据所述第一矩形区域的中心坐标确定所述第一图像中的所述第一矩形区域。
在另一个实施例中,子图像获取单元320确定所述第一图像中的第一矩形区域包括:基于预先训练的第一神经网络分割所述第一图像;根据所述第一图像的分割结果,确定包含所述目标图像的最小矩形区域的中心坐标;以所述最小矩形区域的中心坐标作为所述第一矩形区域的中心坐标,确定所述第一图像中的第一矩形区域,所述第一矩形区域的尺寸大于所述最小矩形区域的尺寸。
在另一个实施例中,子图像获取单元320确定所述第一图像中的第一矩形区域包括:对所述第一图像进行缩放,获得预设尺寸的第一缩放图像;基于预先训练的第一神经网络,分割所述第一缩放图像;根据所述第一缩放图像的分割结果,确定包含被缩放的所述目标图像的最小矩形区域的中心坐标;根据该最小矩形区域的中心坐标,确定第一图像的与所述最小矩形区域对应的区域的中心坐标,作为所述第一矩形区域的中心坐标;根据所述第一矩形区域的中心坐标,确定所述第一图像的第一矩形区域,所述第一矩形区域的尺寸大于第一图像中包含所述目标图像的最小矩形区域的尺寸。
在一个实施例中,子图像获取单元320基于预先训练的第一神经网络分割所述第一图像,其中,所述第一神经网络为目标检测神经网络、语义分割神经网络和实例分割神经网络中的一种。
在另一个实施例中,子图像获取单元320基于预先训练的第一神经网络分割所述第一缩放图像,其中,所述第一神经网络为目标检测神经网络、语义分割神经网络和实例分割神经网络中的一种。
在一个实施例中,分割单元330基于预先训练的第二神经网络分割所述第一子图像,分割出目标图像,其中,所述第二神经网络为显著物体分割神经网络、语义分割神经网络、实例分割神经网络和matting神经网络中的一种。
图5示出了适合实现本发明的实施例的电子设备400的方框图。设备400可以作为显示设备的一部分或者与显示设备关联的装置。如图所示,设备400包括处理器410。处理器410控制设备400的操作和功能。例如,在某些实施例中,处理器410可以借助于与其耦合的存储器420中所存储的指令430来执行各种操作。存储器420可以是适用于本地技术环境的任何合适的类型,并且可以利用任何合适的数据存储技术来实现,包括但不限于基于半导体的存储器件、磁存储器件和系统、光存储器件和系统。尽管图5中仅仅示出了一个存储器单元,但是在设备400中可以有多个物理不同的存储器单元。
处理器410可以是适用于本地技术环境的任何合适的类型,并且可以包括但不限于通用计算机、专用计算机、微控制器、数字信号控制器(DSP)以及基于控制器的多核控制器架构中的一个或多个多个。设备400也可以包括多个处理器410。
当设备400作为显示设备的一部分或者充当与显示设备关联的装置时,处理器410在执行指令430时促使显示设备执行动作,以实现上文描述的方法100。
本发明的实施例还提供一种计算机可读存储介质,其存储有机器可读的指令,指令在由机器执行时使得机器执行根据本发明所描述的方法。
本发明实施例提出的方案能够更精确地对图像中的小尺寸物体进行分割,以获得目标图像,小尺寸物体的分割边缘更加精细,边缘更自然,更好地满足用户的需求。
下面,参照图6,结合具体应用对本发明的一个具体实施方式进行详细说明。
本实施方式中,图像处理方法执行主体为智能手机,作为源图像的第一图像S的尺寸为4000*4000像素,图像有多个可分割物体(图中仅示出作为目标图像的狗)。目标图像T在第一图像上的尺寸不超过200*200像素,所占比例不超过0.25%。
为了准确确定目标图像S的边缘,采用如下方法:
可实施本发明实施例的图像处理方法的智能手机应用程序在手机相册中获取第一图像S,该第一图像S中包含小尺寸目标图像T(即狗的图像);
在手机应用程序中,采用双线性插值算法,将第一图像S压缩成为800*800像素的第一缩放图像;
基于预先训练的开源神经网络DeepLabV3+分割第一缩放图像;
在神经网络DeepLabV3+的输出结果中,提取狗这一类所对应的蒙版(mask);统计蒙版中标注为狗的像素中的最左、最右、最上及最下四个像素的坐标位置,假设依次为(200,400),(220,410),(205,380),(215,420)。根据四个坐标位置确定蒙版中狗所对应的最小矩形区域的中心坐标为(210,400),宽为20像素,高为40像素。
基于所述最小矩形区域的中心坐标以及宽和高分别除以800乘以4000,四舍五入取整,获得在第一图像S上对应的最小矩形区域的中心坐标(1050,2000),宽为100像素,高为200像素。将第一图像S中的最小矩形区域的宽、高分别乘以1.5后取整,获得一个中心位置不变的第一矩形区域D,宽、高分别为150像素、300像素。
从第一图像S中裁剪所述第一矩形区域,保存为新图像,即第一子图像Sub。采用双线性插值算法,将第一子图像缩放至800*800像素,获得第二缩放图像。
基于预先训练的开源神经网络DeepLabV3+分割第二缩放图像,输出更加精细的狗这一类所对应的蒙版M,基于该分割结果,可分割出目标图像——狗,所获得的目标图像可以用于例如更换背景等应用场景。
本领域技术人员可以理解,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,本发明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。例如,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它们的组合来实现: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。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上对本发明的实施方式进行了说明。但是,本发明不限于上述实施方式。凡在本发明的精神和原则内所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取第一图像,所述第一图像由背景图像和目标图像组成;
从所述第一图像中获取第一子图像,所述第一子图像包括所述目标图像及其周边的部分背景图像;
基于预先训练的第二神经网络分割所述第一子图像,分割出目标图像。
2.如权利要求1所述的方法,其特征在于,从所述第一图像中获取第一子图像包括:
基于预先训练的第一神经网络分割所述第一图像,根据所述第一图像的分割结果,从第一图像中获取第一子图像;或者,
对所述第一图像进行缩放,获得预设尺寸的第一缩放图像;基于预先训练的第一神经网络,分割所述第一缩放图像;根据所述第一缩放图像的分割结果,从第一图像中获取第一子图像。
3.如权利要求1所述的方法,其特征在于,从所述第一图像中获取第一子图像包括:
确定所述第一图像中的第一矩形区域,所述第一矩形区域包括所述背景图像的一部分和所述目标图像;
从所述第一图像中裁剪所述第一矩形区域,获取所述第一子图像。
4.如权利要求3所述的方法,其特征在于,确定所述第一图像中的第一矩形区域包括:
确定所述第一矩形区域的中心坐标,根据所述第一矩形区域的中心坐标确定所述第一图像中的所述第一矩形区域。
5.如权利要求4所述的方法,其特征在于,确定所述第一图像中的第一矩形区域包括:
基于预先训练的第一神经网络分割所述第一图像;
根据所述第一图像的分割结果,确定包含所述目标图像的最小矩形区域的中心坐标;
以所述最小矩形区域的中心坐标作为所述第一矩形区域的中心坐标,确定所述第一图像中的第一矩形区域,所述第一矩形区域的尺寸大于所述最小矩形区域的尺寸。
6.如权利要求4所述的方法,其特征在于,确定所述第一图像中的第一矩形区域包括:
对所述第一图像进行缩放,获得预设尺寸的第一缩放图像;
基于预先训练的第一神经网络,分割所述第一缩放图像;
根据所述第一缩放图像的分割结果,确定包含被缩放的所述目标图像的最小矩形区域的中心坐标;
根据该最小矩形区域的中心坐标,确定第一图像的与所述最小矩形区域对应的区域的中心坐标,作为所述第一矩形区域的中心坐标;
根据所述第一矩形区域的中心坐标,确定所述第一图像的第一矩形区域,所述第一矩形区域的尺寸大于第一图像中包含所述目标图像的最小矩形区域的尺寸。
7.如权利要求2或5或6所述的方法,其特征在于,所述第一神经网络为目标检测神经网络、语义分割神经网络和实例分割神经网络中的一种。
8.如权利要求1所述的方法,其特征在于,所述第二神经网络为显著物体分割神经网络、语义分割神经网络、实例分割神经网络和matting神经网络中的一种。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储有指令的存储器,所述指令在被所述处理器执行时促使所述设备执行根据权利要求1-8中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其存储有机器可读的指令,所述指令在由所述机器执行时使得所述机器执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910258249.5A CN110163866A (zh) | 2019-04-01 | 2019-04-01 | 一种图像处理方法、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910258249.5A CN110163866A (zh) | 2019-04-01 | 2019-04-01 | 一种图像处理方法、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110163866A true CN110163866A (zh) | 2019-08-23 |
Family
ID=67638420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910258249.5A Pending CN110163866A (zh) | 2019-04-01 | 2019-04-01 | 一种图像处理方法、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163866A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675353A (zh) * | 2019-08-31 | 2020-01-10 | 电子科技大学 | 一种基于条件生成对抗网络的选择分割图像合成方法 |
CN111415358A (zh) * | 2020-03-20 | 2020-07-14 | Oppo广东移动通信有限公司 | 图像分割方法、装置、电子设备及存储介质 |
CN112802015A (zh) * | 2020-05-08 | 2021-05-14 | 视睿(杭州)信息科技有限公司 | 基于模板匹配的工业颗粒连片制品图像切割方法、装置 |
CN112954198A (zh) * | 2021-01-27 | 2021-06-11 | 北京有竹居网络技术有限公司 | 图像处理方法、装置和电子设备 |
WO2021179751A1 (zh) * | 2020-03-13 | 2021-09-16 | 上海哔哩哔哩科技有限公司 | 图像处理方法和系统 |
CN113469929A (zh) * | 2021-09-03 | 2021-10-01 | 北京美摄网络科技有限公司 | 训练数据生成方法、装置、电子设备及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488299A (zh) * | 2013-10-15 | 2014-01-01 | 大连市恒芯科技有限公司 | 一种融合人脸和手势的智能终端人机交互方法 |
CN107622504A (zh) * | 2017-09-30 | 2018-01-23 | 北京百度网讯科技有限公司 | 用于处理图片的方法和装置 |
CN108876795A (zh) * | 2018-06-07 | 2018-11-23 | 四川斐讯信息技术有限公司 | 一种图像中物体的分割方法及系统 |
-
2019
- 2019-04-01 CN CN201910258249.5A patent/CN110163866A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488299A (zh) * | 2013-10-15 | 2014-01-01 | 大连市恒芯科技有限公司 | 一种融合人脸和手势的智能终端人机交互方法 |
CN107622504A (zh) * | 2017-09-30 | 2018-01-23 | 北京百度网讯科技有限公司 | 用于处理图片的方法和装置 |
CN108876795A (zh) * | 2018-06-07 | 2018-11-23 | 四川斐讯信息技术有限公司 | 一种图像中物体的分割方法及系统 |
Non-Patent Citations (2)
Title |
---|
张国良等: "《移动机器人的SLAM与VSLAM方法》", 31 October 2018, 西安交通大学出版社 * |
李德毅 等: "《中国科协新一代信息技术系列丛书 人工智能导论》", 31 August 2018, 中国科学技术出版社 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675353A (zh) * | 2019-08-31 | 2020-01-10 | 电子科技大学 | 一种基于条件生成对抗网络的选择分割图像合成方法 |
WO2021179751A1 (zh) * | 2020-03-13 | 2021-09-16 | 上海哔哩哔哩科技有限公司 | 图像处理方法和系统 |
CN111415358A (zh) * | 2020-03-20 | 2020-07-14 | Oppo广东移动通信有限公司 | 图像分割方法、装置、电子设备及存储介质 |
CN111415358B (zh) * | 2020-03-20 | 2024-03-12 | Oppo广东移动通信有限公司 | 图像分割方法、装置、电子设备及存储介质 |
CN112802015A (zh) * | 2020-05-08 | 2021-05-14 | 视睿(杭州)信息科技有限公司 | 基于模板匹配的工业颗粒连片制品图像切割方法、装置 |
CN112954198A (zh) * | 2021-01-27 | 2021-06-11 | 北京有竹居网络技术有限公司 | 图像处理方法、装置和电子设备 |
CN113469929A (zh) * | 2021-09-03 | 2021-10-01 | 北京美摄网络科技有限公司 | 训练数据生成方法、装置、电子设备及计算机可读存储介质 |
CN113469929B (zh) * | 2021-09-03 | 2021-12-03 | 北京美摄网络科技有限公司 | 训练数据生成方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163866A (zh) | 一种图像处理方法、电子设备及计算机可读存储介质 | |
CN109493350B (zh) | 人像分割方法及装置 | |
KR100924689B1 (ko) | 모바일 기기의 이미지 변환 장치 및 방법 | |
US20140072242A1 (en) | Method for increasing image resolution | |
US20100328352A1 (en) | Multi-operator media retargeting | |
CN107622504B (zh) | 用于处理图片的方法和装置 | |
KR20130001213A (ko) | 입력 이미지로부터 증가된 픽셀 해상도의 출력 이미지를 생성하는 방법 및 시스템 | |
US20170329502A1 (en) | Method and device for processing image | |
US11308628B2 (en) | Patch-based image matting using deep learning | |
CN111553362A (zh) | 一种视频处理方法、电子设备和计算机可读存储介质 | |
CN113516666A (zh) | 图像裁剪方法、装置、计算机设备及存储介质 | |
US9036941B2 (en) | Reducing moiré patterns | |
CN108898604A (zh) | 用于处理图像的方法和设备 | |
CN115294055A (zh) | 图像处理方法、装置、电子设备和可读存储介质 | |
CN110827301A (zh) | 用于处理图像的方法和装置 | |
KR20130092240A (ko) | 디지털 사진의 드로잉 변환 방법 | |
Hsin | Combination of saliency histogram equalisation and seam carving for image resizing | |
US8405681B2 (en) | Image comparison by asymmetric dynamic warping | |
CN113506305A (zh) | 三维点云数据的图像增强方法、语义分割方法及装置 | |
Hsin | Saliency histogram equalisation and its application to image resizing | |
Liang et al. | Optimised image retargeting using aesthetic‐based cropping and scaling | |
US11200708B1 (en) | Real-time color vector preview generation | |
US8908986B1 (en) | Systems and methods for selecting ink colors | |
CN113256484A (zh) | 一种对图像进行风格化处理的方法及装置 | |
KR100903394B1 (ko) | 애니메이션 데이터를 경감시켜서 이동 통신 단말기에서 캐릭터 애니메이션하기 위한 처리 방법 |
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 |
Application publication date: 20190823 |
|
RJ01 | Rejection of invention patent application after publication |