CN110288037A - 图像处理方法、装置及电子设备 - Google Patents
图像处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110288037A CN110288037A CN201910579561.4A CN201910579561A CN110288037A CN 110288037 A CN110288037 A CN 110288037A CN 201910579561 A CN201910579561 A CN 201910579561A CN 110288037 A CN110288037 A CN 110288037A
- Authority
- CN
- China
- Prior art keywords
- image
- target area
- images
- identification model
- identification
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例中提供了一种图像处理方法、装置及电子设备，属于数据处理技术领域，该方法包括：获取包含目标区域的图像集合，所述图像集合中包含一个或多个具有固定尺寸的样本图像；根据所述样本图像中针对目标区域的标注结果，建立与所述标注结果相匹配的特征矩阵；通过所述图像集合及所述特征矩阵，构建用于训练识别模型的最小化目标函数，以得到识别图像中所述目标区域的训练后的识别模型；在将待识别图像的大小调整至目标尺寸之后，利用所述识别模型对所述待识别图像进行目标区域识别，以得到第一特征矩阵和第二特征矩阵，用以对待识别图像进行目标区域面积计算。通过本公开的方案，提高了图像识别的效率。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种图像处理方法、装置及电子设备。
背景技术
随着互联网技术的不断发展，网络上的视频及图像产品日益丰富，用户观看这些内容不再局限于电视，还可以通过互联网搜索感兴趣的内容进行观看，海量的内容对于视频图像或图片的质量管理提出了更多的挑战。
马赛克指现行广为使用的一种图像(视频)处理手段，此手段将影像特定区域的色阶细节劣化并造成色块打乱的效果，因为这种模糊看上去有一个个的小格子组成，便形象的称这种画面为马赛克。其目的通常是使之无法辨认。作为一种手段，马赛克图像主要是将原始图像划分若干图像块，通过提取图块的特征向量与数据库中素材图像特征向量匹配对比，获取相似度最高或距离最小的素材图像代替原来的图像块。
对于存在马赛克的图像或视频，会影响用户的观看体验，为此需要对图像或视频中存在的马赛克的面积进行计算。
发明内容
有鉴于此，本公开实施例提供一种图像处理方法、装置及电子设备，至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种图像处理方法，包括：
获取包含目标区域的图像集合，所述图像集合中包含一个或多个具有固定尺寸的样本图像；
根据所述样本图像中针对目标区域的标注结果，建立与所述标注结果相匹配的特征矩阵；
通过所述图像集合及所述特征矩阵，构建用于训练识别模型的最小化目标函数，以得到识别图像中所述目标区域的训练后的识别模型；
在将待识别图像的大小调整至目标尺寸之后，利用所述识别模型对所述待识别图像进行目标区域识别，以得到第一特征矩阵和第二特征矩阵，所述第一特征矩阵和第二特征矩阵，用以对待识别图像进行目标区域面积计算。
根据本公开实施例的一种具体实现方式，所述获取包含目标区域的图像集合，包括：
从图像库中选择一个或多个候选图像；
判断所述候选图像中是否大于预设尺寸；
若是，则基于所述大于预设尺寸的候选图像确定所述图像集合。
根据本公开实施例的一种具体实现方式，所述基于所述大于预设尺寸的候选图像确定所述图像集合，包括：
判断所述候选图像是是否存在目标区域；
若否，则在所述候选图像上选取部分区域进行预设图像处理，所述预设图像处理用于在所述部分区域生成包含目标区域的图像；
将经过预设图像处理的图像作为所述图像集合中的样本图像。
根据本公开实施例的一种具体实现方式，所述根据所述样本图像中针对目标区域的标注结果，建立与所述标注结果相匹配的特征矩阵之前，所述方法还包括：
对所述样本图像中的目标区域进行标注，形成标注结果。
根据本公开实施例的一种具体实现方式，所述根据所述样本图像中针对目标区域的标注结果，建立与所述标注结果相匹配的特征矩阵，包括：
将所述样本图像进行网格划分，得到与所述样本图像匹配的网格集合；
根据所述标注结果，设置所述网格集合中不同网格的数值；
基于所述不同网格中的数值，确定与所述标注结果相匹配的特征矩阵。
根据本公开实施例的一种具体实现方式，所述通过所述图像集合及所述特征矩阵，构建用于训练识别模型的最小化目标函数，包括：
基于所述图像集合和所述特征矩阵构建最小化目标函数；
基于所述最小化目标函数训练所述识别模型。
根据本公开实施例的一种具体实现方式，所述基于所述最小化目标函数训练所述识别模型，包括：
利用所述最小化目标函数对神经网络模型进行多次迭代，求取所述最小化目标函数的最小值。
根据本公开实施例的一种具体实现方式，所述利用所述识别模型对所述待识别图像进行目标区域识别，得到第一特征矩阵和第二特征矩阵，包括：
在所述识别模型的设置第一输出通道和第二输出通道；
利用所述第一输出通道获得不包含所述目标区域的第一特征矩阵；
利用所述第二输出通道获得包含所述目标区域的第二特征矩阵。
第二方面，本公开实施例提供了一种图像处理装置，包括：
获取模块，用于获取包含目标区域的图像集合，所述图像集合中包含一个或多个具有固定尺寸的样本图像；
建立模块，用于根据所述样本图像中针对目标区域的标注结果，建立与所述标注结果相匹配的特征矩阵；
确定模块，用于通过所述图像集合及所述特征矩阵，构建用于训练识别模型的最小化目标函数，以得到识别图像中所述目标区域的训练后的识别模型；
计算模块，用于在将待识别图像的大小调整至目标尺寸之后，利用所述识别模型对所述待识别图像进行目标区域识别，以得到第一特征矩阵和第二特征矩阵，所述第一特征矩阵和第二特征矩阵，用以对待识别图像进行目标区域面积计算。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的图像处理方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的图像处理方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的图像处理方法。
本公开实施例中的图像处理方案，包括获取包含目标区域的图像集合，所述图像集合中包含一个或多个具有固定尺寸的样本图像；根据所述样本图像中针对目标区域的标注结果，建立与所述标注结果相匹配的特征矩阵；通过所述图像集合及所述特征矩阵，构建用于训练识别模型的最小化目标函数，以得到识别图像中所述目标区域的训练后的识别模型；在将待识别图像的大小调整至目标尺寸之后，利用所述识别模型对所述待识别图像进行目标区域识别，以得到第一特征矩阵和第二特征矩阵，所述第一特征矩阵和第二特征矩阵，用以对待识别图像进行目标区域面积计算。通过本公开的方案，能够自动识别待识别图像上的目标区域，提高了图像识别的效率。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例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公开的一些实施例，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的附图。
图1为本公开实施例提供的一种图像处理流程示意图；
图2为本公开实施例提供的一种建立网格的示意图；
图3为本公开实施例提供的一种对待识别图像进行处理的示意图；
图4为本公开实施例提供的另一种图像处理流程示意图；
图5为本公开实施例提供的图像处理装置结构示意图；
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种图像处理方法。本实施例提供的图像处理方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。
参见图1，本公开实施例提供的一种图像处理方法，包括如下步骤：
S101，获取包含目标区域的图像集合，所述图像集合中包含一个或多个具有固定尺寸的样本图像。
目标区域是指在图像中部分或全部区域中对原始图像进行了特殊处理(例如，马赛克处理、模糊处理等)的区域，目标区域的图像经过特殊处理之后，会直接影响用户查看图像的体验。目标区域通常存在于一个独立的图像或者由视频帧图像组成的视频文件中，由于目标区域的存在，导致图像或视频的用户体验不高，需要将含有目标区域的图像或视频进行标注，用以进行进一步的处理。常规的识别文件中是否含有目标区域的方式，是通过人工查看的方式来进行，这种方式效率较低。
为此，本公开提出了一种通过机器自动识别图像中是否含有目标区域的方法。为了能够自动的对包含目标区域(例如，马赛克区域)的图像进行识别，需要选择包含目标图像的图像集合，图像集合中包含一个或多个样本图像，样本图像是含有目标区域的图像。通过机器学习的方式对图像集合中的图像进行学习，能够使机器自动的识别包含目标区域的图像。
为了方便图像处理，将图像集合中所有的样本图像的尺寸设置为统一的固定尺寸。
S102，根据所述样本图像中针对目标区域的标注结果，建立与所述标注结果相匹配的特征矩阵。
获得样本图像之后，参见图2，可以为每个样本图形设置一个单独的图像网格。例如，对于分辨率为400*400的图像，可以以50*50为一个网格单位，构健8*8的网格集合。网格集合与样本图像一一对应，这样一来，在设置好网格集合之后，便可以根据样本图像中是否存在目标区域来对网格集合中的网格值进行相应的设置。对于存在对应的目标区域的网格，可以设置为1，对于不存在目标区域的网格，可以设置为0。
这样以来，根据实际的需要，便可以将每个样本图像进行网格式划分，得到一个M*N大小的网格，根据目标区域的标注的结果，将标注结果与网格相对应，给网格中的每个格子打上是否包含目标区域的标签。因此，每幅图像均有一个M*N的矩阵作为它的标签，而M*N的矩阵便构成了与标注结果相匹配的特征矩阵。
S103，通过所述图像集合及所述特征矩阵，构建用于训练识别模型的最小化目标函数，以得到识别图像中所述目标区域的训练后的识别模型。
为了能够对样本图像中的目标区域进行识别，构建基于神经网络模型的识别模型，神经网络模型包括卷积层、池化层、采样层和全连接层。
卷积层主要参数包括卷积核的大小和输入特征图的数量，每个卷积层可以包含若干个相同大小的特征图，同一层特征值采用共享权值的方式，每层内的卷积核大小一致。卷积层对输入图像进行卷积计算，并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接，采样层用来求输入图像的局部平均值并进行二次特征提取，通过将采样层与卷积层连接，能够保证神经网络模型对于输入图像具有较好的鲁棒性。
为了加快神经网络模型的训练速度，在卷积层后面还设置有池化层，池化层采用最大池化的方式对卷积层的输出结果进行处理，能够更好的提取输入图像的不变性特征。
全连接层将经过多个卷积层和池化层的图像特征图中的特征进行整合，获取输入图像特征具有的目标对象特征，通过将目标对象特征进行整合，可以获得针对目标区域的预测值，通过将预测值与样本图像上的标注值进行比较，可能够对识别模型进行迭代训练，直至达到预设的收敛精度。
S104，在将待识别图像的大小调整至目标尺寸之后，利用所述识别模型对所述待识别图像进行目标区域识别，以得到第一特征矩阵和第二特征矩阵，所述第一特征矩阵和第二特征矩阵，用以对待识别图像进行目标区域面积计算。
在训练完成识别模型之后，可以通过该识别模型来自动的识别待识别图像上是否存在目标区域，以及在存在目标区域的情况下目标区域的面积。
待识别图像可以是任意的一张图像，也可以是从视频文件中提炼出来的视频帧图像，为了便于对待识别图像进行预测，在利用识别模型对待识别图像进行识别之前，将待识别图像设置为统一的图像尺寸。之后利用识别模型提取待识别图像的特征，对目标区域进行预测。
参见图3，通过识别模型输出2个通道的M*N的特征图，即2*M*N的三维矩阵，第1个通道的M*N的特征图中的每个元素对应原图像中相应网格区域不包含目标区域(例如，马赛克区域)的概率，第2个通道的M*N的特征图中的每个元素对应原图像中相应网格区域包含目标区域的概率。根据此特征图可预测该图像所有包含目标区域的区域。这样一来，可以通过如下公式计算目标区域的面积：包含目标区域的网格数/总网格数*100％，其中，总网格数为M*N。
参见图4，根据本公开实施例的一种具体实现方式，所述获取包含目标区域的图像集合，可以包括：
S401，从图像库中选择一个或多个候选图像。
图像库为预设的存储有多个图像的数据库，作为一种情况，图像库中的图像为用户推荐的常用图像。此外，图像库中的图像还可以是从视频文件中抽取的视频帧图像。
S402，判断所述候选图像中是否大于预设尺寸。
图像库中的图像具有不同的分辨率，为了便于进行样本训练，可以在图像库中的图像的尺寸进行判断，从而选择图像尺寸大于预设尺寸的图像。
S403，若是，则基于所述大于预设尺寸的候选图像确定所述图像集合。
步骤S403在实施的过程中，除了考虑图像的尺寸之外，作为另外一个因素，可以考虑图像中是否包含目标区域，具体包括：
S4031，判断所述候选图像是是否存在目标区域；
S4032，若否，则在所述候选图像上选取部分区域进行预设图像处理，所述预设图像处理用于在所述部分区域生成包含目标区域的图像；
S4033将经过预设图像处理的图像作为所述图像集合中的样本图像。
获取到样本图像之后，便可以对样本图像进行标注，并给予标注的结果对样本图像进行网格划分，得到与所述样本图像匹配的网格集合，根据所述标注结果，设置所述网格集合中不同网格的数值，并基于所述不同网格中的数值，确定与所述标注结果相匹配的特征矩阵。
根据本公开实施例的一种可选实现方式，可以通过图像集合和特征矩阵构建最小化目标函数，以此来训练识别模型，利用最小化目标函数对神经网络模型进行多次迭代，求取所述最小化目标函数的最小值。通过此方式，能够得到训练之后的识别模型。
在在将待识别图像的大小调整至目标尺寸之后，利用所述识别模型对所述待识别图像进行目标区域识别，以得到第一特征矩阵和第二特征矩阵，所述第一特征矩阵和第二特征矩阵，用以对待识别图像进行目标区域面积计算的过程中，需要将待识别图像的大小调整至目标尺寸(统一尺寸)，目标尺寸可以根据实际的需要进行设置。通过在识别模型中的输出中设置两个输出通道，分别利用识别模型的两个通道输出识别结果，得到第一特征矩阵和第二特征矩阵，第一输出通道获得不包含所述目标区域的第一特征矩阵，第二输出通道获得包含所述目标区域的第二特征矩阵。通过比较第一特征矩阵和第二特征矩阵中存在的包含目标区域的网格数，可以获得标区域的面积。
与上面的方法实施例相对应，参见图5，本公开开提供了一种图像处理装置50，包括：
获取模块501，用于获取包含目标区域的图像集合，所述图像集合中包含一个或多个具有固定尺寸的样本图像。
目标区域是指在图像中部分或全部区域中对原始图像进行了特殊处理(例如，马赛克处理、模糊处理等)的区域，目标区域的图像经过特殊处理之后，会直接影响用户查看图像的体验。目标区域通常存在于一个独立的图像或者由视频帧图像组成的视频文件中，由于目标区域的存在，导致图像或视频的用户体验不高，需要将含有目标区域的图像或视频进行标注，用以进行进一步的处理。常规的识别文件中是否含有目标区域的方式，是通过人工查看的方式来进行，这种方式效率较低。
为此，本公开提出了一种通过机器自动识别图像中是否含有目标区域的方法。为了能够自动的对包含目标区域(例如，马赛克区域)的图像进行识别，需要选择包含目标图像的图像集合，图像集合中包含一个或多个样本图像，样本图像是含有目标区域的图像。通过机器学习的方式对图像集合中的图像进行学习，能够使机器自动的识别包含目标区域的图像。
为了方便图像处理，将图像集合中所有的样本图像的尺寸设置为统一的固定尺寸。
建立模块502，用于根据所述样本图像中针对目标区域的标注结果，建立与所述标注结果相匹配的特征矩阵。
获得样本图像之后，参见图2，可以为每个样本图形设置一个单独的图像网格。例如，对于分辨率为400*400的图像，可以以50*50为一个网格单位，构健8*8的网格集合。网格集合与样本图像一一对应，这样一来，在设置好网格集合之后，便可以根据样本图像中是否存在目标区域来对网格集合中的网格值进行相应的设置。对于存在对应的目标区域的网格，可以设置为1，对于不存在目标区域的网格，可以设置为0。
这样以来，根据实际的需要，便可以将每个样本图像进行网格式划分，得到一个M*N大小的网格，根据目标区域的标注的结果，将标注结果与网格相对应，给网格中的每个格子打上是否包含目标区域的标签。因此，每幅图像均有一个M*N的矩阵作为它的标签，而M*N的矩阵便构成了与标注结果相匹配的特征矩阵。
确定模块503，用于通过所述图像集合及所述特征矩阵，构建用于训练识别模型的最小化目标函数，以得到识别图像中所述目标区域的训练后的识别模型。
为了能够对样本图像中的目标区域进行识别，构建基于神经网络模型的识别模型，参见图2，神经网络模型包括卷积层、池化层、采样层和全连接层。
卷积层主要参数包括卷积核的大小和输入特征图的数量，每个卷积层可以包含若干个相同大小的特征图，同一层特征值采用共享权值的方式，每层内的卷积核大小一致。卷积层对输入图像进行卷积计算，并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接，采样层用来求输入图像的局部平均值并进行二次特征提取，通过将采样层与卷积层连接，能够保证神经网络模型对于输入图像具有较好的鲁棒性。
为了加快神经网络模型的训练速度，在卷积层后面还设置有池化层，池化层采用最大池化的方式对卷积层的输出结果进行处理，能够更好的提取输入图像的不变性特征。
全连接层将经过多个卷积层和池化层的图像特征图中的特征进行整合，获取输入图像特征具有的目标对象特征，通过将目标对象特征进行整合，可以获得针对目标区域的预测值，通过将预测值与样本图像上的标注值进行比较，可能够对识别模型进行迭代训练，直至达到预设的收敛精度。
计算模块504，用于在将待识别图像的大小调整至目标尺寸之后，利用所述识别模型对所述待识别图像进行目标区域识别，以得到第一特征矩阵和第二特征矩阵，所述第一特征矩阵和第二特征矩阵，用以对待识别图像进行目标区域面积计算。
在训练完成识别模型之后，可以通过该识别模型来自动的识别待识别图像上是否存在目标区域，以及在存在目标区域的情况下目标区域的面积。
待识别图像可以是任意的一张图像，也可以是从视频文件中提炼出来的视频帧图像，为了便于对待识别图像进行预测，在利用识别模型对待识别图像进行识别之前，将待识别图像设置为统一的图像尺寸。之后利用识别模型提取待识别图像的特征，对目标区域进行预测。
参见图3，通过识别模型输出2个通道的M*N的特征图，即2*M*N的三维矩阵，第1个通道的M*N的特征图中的每个元素对应原图像中相应网格区域不包含目标区域(例如，马赛克区域)的概率，第2个通道的M*N的特征图中的每个元素对应原图像中相应网格区域包含目标区域的概率。根据此特征图可预测该图像所有包含目标区域的区域。这样一来，可以通过如下公式计算目标区域的面积：包含目标区域的网格数/总网格数*100％，其中，总网格数为M*N。
图5所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中图像处理方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的图像处理方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种图像处理方法，其特征在于，包括：
获取包含目标区域的图像集合，所述图像集合中包含一个或多个具有固定尺寸的样本图像；
根据所述样本图像中针对目标区域的标注结果，建立与所述标注结果相匹配的特征矩阵；
通过所述图像集合及所述特征矩阵，构建用于训练识别模型的最小化目标函数，以得到识别图像中所述目标区域的训练后的识别模型；
在将待识别图像的大小调整至目标尺寸之后，利用所述识别模型对所述待识别图像进行目标区域识别，以得到第一特征矩阵和第二特征矩阵，所述第一特征矩阵和第二特征矩阵，用以对待识别图像进行目标区域面积计算。
2.根据权利要求1所述的方法，其特征在于，所述获取包含目标区域的图像集合，包括：
从图像库中选择一个或多个候选图像；
判断所述候选图像中是否大于预设尺寸；
若是，则基于所述大于预设尺寸的候选图像确定所述图像集合。
3.根据权利要求2所述的方法，其特征在于，所述基于所述大于预设尺寸的候选图像确定所述图像集合，包括：
判断所述候选图像是是否存在目标区域；
若否，则在所述候选图像上选取部分区域进行预设图像处理，所述预设图像处理用于在所述部分区域生成包含目标区域的图像；
将经过预设图像处理的图像作为所述图像集合中的样本图像。
4.根据权利要求1所述的方法，其特征在于，所述根据所述样本图像中针对目标区域的标注结果，建立与所述标注结果相匹配的特征矩阵之前，所述方法还包括：
对所述样本图像中的目标区域进行标注，形成标注结果。
5.根据权利要求1所述的方法，其特征在于，所述根据所述样本图像中针对目标区域的标注结果，建立与所述标注结果相匹配的特征矩阵，包括：
将所述样本图像进行网格划分，得到与所述样本图像匹配的网格集合；
根据所述标注结果，设置所述网格集合中不同网格的数值；
基于所述不同网格中的数值，确定与所述标注结果相匹配的特征矩阵。
6.根据权利要求1所述的方法，其特征在于，所述通过所述图像集合及所述特征矩阵，构建用于训练识别模型的最小化目标函数，包括：
基于所述图像集合和所述特征矩阵构建最小化目标函数；
基于所述最小化目标函数训练所述识别模型。
7.根据权利要求6所述的方法，其特征在于，所述基于所述最小化目标函数训练所述识别模型，包括：
利用所述最小化目标函数对神经网络模型进行多次迭代，求取所述最小化目标函数的最小值。
8.根据权利要求1所述的方法，其特征在于，所述利用所述识别模型对所述待识别图像进行目标区域识别，得到第一特征矩阵和第二特征矩阵，包括：
在所述识别模型的设置第一输出通道和第二输出通道；
利用所述第一输出通道获得不包含所述目标区域的第一特征矩阵；
利用所述第二输出通道获得包含所述目标区域的第二特征矩阵。
9.一种图像处理装置，其特征在于，包括：
获取模块，用于获取包含目标区域的图像集合，所述图像集合中包含一个或多个具有固定尺寸的样本图像；
建立模块，用于根据所述样本图像中针对目标区域的标注结果，建立与所述标注结果相匹配的特征矩阵；
确定模块，用于通过所述图像集合及所述特征矩阵，构建用于训练识别模型的最小化目标函数，以得到识别图像中所述目标区域的训练后的识别模型；
计算模块，用于在将待识别图像的大小调整至目标尺寸之后，利用所述识别模型对所述待识别图像进行目标区域识别，以得到第一特征矩阵和第二特征矩阵，所述第一特征矩阵和第二特征矩阵，用以对待识别图像进行目标区域面积计算。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任一权利要求1-8所述的图像处理方法。
11.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一权利要求1-8所述的图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910579561.4A CN110288037A (zh) | 2019-06-28 | 2019-06-28 | 图像处理方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910579561.4A CN110288037A (zh) | 2019-06-28 | 2019-06-28 | 图像处理方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110288037A true CN110288037A (zh) | 2019-09-27 |
Family
ID=68019829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910579561.4A Pending CN110288037A (zh) | 2019-06-28 | 2019-06-28 | 图像处理方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110288037A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110781878A (zh) * | 2019-10-29 | 2020-02-11 | 秒针信息技术有限公司 | 目标区域的确定方法及装置、存储介质、电子装置 |
| CN111401224A (zh) * | 2020-03-13 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 目标检测方法、装置及电子设备 |
| CN111582109A (zh) * | 2020-04-28 | 2020-08-25 | 北京海益同展信息科技有限公司 | 识别方法、识别装置、计算机可读存储介质及电子设备 |
| CN117094965A (zh) * | 2023-08-21 | 2023-11-21 | 深圳市宝安信息管道管理有限公司 | 一种基于图像识别算法的镜头画面质量分析方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106657996A (zh) * | 2016-11-09 | 2017-05-10 | 广州视源电子科技股份有限公司 | 显示设备的性能参数检测方法和系统 |
| CN108805884A (zh) * | 2018-06-13 | 2018-11-13 | 北京搜狐新媒体信息技术有限公司 | 一种马赛克区域检测方法、装置及设备 |
| CN109145939A (zh) * | 2018-07-02 | 2019-01-04 | 南京师范大学 | 一种小目标敏感的双通道卷积神经网络语义分割方法 |
| CN109360222A (zh) * | 2018-10-25 | 2019-02-19 | 北京达佳互联信息技术有限公司 | 图像分割方法、装置及存储介质 |
-
2019
- 2019-06-28 CN CN201910579561.4A patent/CN110288037A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106657996A (zh) * | 2016-11-09 | 2017-05-10 | 广州视源电子科技股份有限公司 | 显示设备的性能参数检测方法和系统 |
| CN108805884A (zh) * | 2018-06-13 | 2018-11-13 | 北京搜狐新媒体信息技术有限公司 | 一种马赛克区域检测方法、装置及设备 |
| CN109145939A (zh) * | 2018-07-02 | 2019-01-04 | 南京师范大学 | 一种小目标敏感的双通道卷积神经网络语义分割方法 |
| CN109360222A (zh) * | 2018-10-25 | 2019-02-19 | 北京达佳互联信息技术有限公司 | 图像分割方法、装置及存储介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110781878A (zh) * | 2019-10-29 | 2020-02-11 | 秒针信息技术有限公司 | 目标区域的确定方法及装置、存储介质、电子装置 |
| CN110781878B (zh) * | 2019-10-29 | 2023-03-28 | 秒针信息技术有限公司 | 目标区域的确定方法及装置、存储介质、电子装置 |
| CN111401224A (zh) * | 2020-03-13 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 目标检测方法、装置及电子设备 |
| CN111401224B (zh) * | 2020-03-13 | 2023-05-23 | 北京字节跳动网络技术有限公司 | 目标检测方法、装置及电子设备 |
| CN111582109A (zh) * | 2020-04-28 | 2020-08-25 | 北京海益同展信息科技有限公司 | 识别方法、识别装置、计算机可读存储介质及电子设备 |
| CN111582109B (zh) * | 2020-04-28 | 2023-09-05 | 京东科技信息技术有限公司 | 识别方法、识别装置、计算机可读存储介质及电子设备 |
| CN117094965A (zh) * | 2023-08-21 | 2023-11-21 | 深圳市宝安信息管道管理有限公司 | 一种基于图像识别算法的镜头画面质量分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110288037A (zh) | 图像处理方法、装置及电子设备 | |
| CN111476309B (zh) | 图像处理方法、模型训练方法、装置、设备及可读介质 | |
| CN110399848A (zh) | 视频封面生成方法、装置及电子设备 | |
| CN110321958A (zh) | 神经网络模型的训练方法、视频相似度确定方法 | |
| CN108491816A (zh) | 在视频中进行目标跟踪的方法和装置 | |
| CN110222726A (zh) | 图像处理方法、装置及电子设备 | |
| CN110288082A (zh) | 卷积神经网络模型训练方法、装置和计算机可读存储介质 | |
| CN110276345A (zh) | 卷积神经网络模型训练方法、装置和计算机可读存储介质 | |
| CN110276346A (zh) | 目标区域识别模型训练方法、装置和计算机可读存储介质 | |
| CN110267097A (zh) | 基于分类特征的视频推送方法、装置及电子设备 | |
| CN111552888A (zh) | 内容推荐方法、装置、设备及存储介质 | |
| CN110189246A (zh) | 图像风格化生成方法、装置及电子设备 | |
| CN109410253B (zh) | 用于生成信息的方法、装置、电子设备和计算机可读介质 | |
| CN109360028A (zh) | 用于推送信息的方法和装置 | |
| CN110278447A (zh) | 基于连续特征的视频推送方法、装置及电子设备 | |
| CN110378410A (zh) | 多标签场景分类方法、装置及电子设备 | |
| CN110287891A (zh) | 基于人体关键点的手势控制方法、装置及电子设备 | |
| CN110189394A (zh) | 口型生成方法、装置及电子设备 | |
| CN110415276A (zh) | 运动信息计算方法、装置及电子设备 | |
| CN110287954A (zh) | 目标区域确定模型的训练方法、装置和计算机可读存储介质 | |
| CN110288549A (zh) | 视频修复方法、装置及电子设备 | |
| CN110209658A (zh) | 数据清洗方法和装置 | |
| CN109598304A (zh) | 分类模型校准方法、装置、设备及可读介质 | |
| CN108171167B (zh) | 用于输出图像的方法和装置 | |
| CN110046571A (zh) | 用于识别年龄的方法和装置 |
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 |