CN110533673A - 一种信息获取方法、装置、终端及介质 - Google Patents
一种信息获取方法、装置、终端及介质 Download PDFInfo
- Publication number
- CN110533673A CN110533673A CN201910782491.2A CN201910782491A CN110533673A CN 110533673 A CN110533673 A CN 110533673A CN 201910782491 A CN201910782491 A CN 201910782491A CN 110533673 A CN110533673 A CN 110533673A
- Authority
- CN
- China
- Prior art keywords
- resource
- image
- target area
- information
- target
- 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种信息获取方法、装置、终端及介质,其中方法包括:获取应用的目标界面图像,所述目标界面图像中包括多个资源;根据轮廓识别算法识别出所述目标界面图像中的目标区域,所述目标区域为所述目标界面图像中包括所有资源的最小图像区域;获取所述多个资源在所述目标区域中的资源分布信息。采用本申请实施例,能够基于图像处理识别出的目标区域来获取资源分布信息,有助于提升获取的资源分布的可靠性。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种信息获取方法、装置、终端及介质。
背景技术
对于资源类应用,经常存在需要获取资源的分布信息的情况,以根据获取到的资源分布信息来进行资源消除或应用测试等处理操作。在获取资源分布信息时,终端一般是直接从应用配置文件中获取该资源分布信息,不同的终端获取到的资源分布信息相同。然而,由于不同的终端间存在差异,可能导致获取到的资源分布信息与资源在应用界面中的实际资源分布存在偏差,导致获取的资源分布信息的不可靠,基于资源分布信息的处理操作可靠性低甚至出错。由此,如何获取资源分布以提升获取的资源分布信息的可靠性成为关键。
发明内容
本申请实施例提供了一种信息获取方法、装置、终端及介质,有助于提升获取的资源分布信息的可靠性。
一方面,本申请实施例提供了一种信息获取方法,包括:
获取应用的目标界面图像,所述目标界面图像中包括多个资源;
根据轮廓识别算法识别出所述目标界面图像中的目标区域,所述目标区域为所述目标界面图像中包括所有资源的最小图像区域;
获取所述多个资源在所述目标区域中的资源分布信息。
另一方面,本申请实施例提供了一种信息获取装置,包括:
获取单元,用于获取应用的目标界面图像,所述目标界面图像中包括多个资源;
识别单元,用于根据轮廓识别算法识别出所述目标界面图像中的目标区域,所述目标区域为所述目标界面图像中包括所有资源的最小图像区域;
所述获取单元,还用于获取所述多个资源在所述目标区域中的资源分布信息。
再一方面,本发明实施例提供了一种终端,所述终端包括输入设备和输出设备,所述终端还包括:
处理器,适于实现一条或多条指令;以及,
计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由所述处理器加载并执行上述方法。
再一方面,本发明实施例提供了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,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述方法;或者,所述计算机可读存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行上述方法。
在本申请实施例中,终端能够通过获取应用的目标界面图像,根据预设轮廓识别算法识别出该目标界面图像中包括多个资源的目标区域,并获取该多个资源在该目标区域中的资源分布信息,即能够基于识别出的可操作区域确定出资源分布信息,该基于图像处理的信息获取方式,能够适用于各种终端,灵活性较强,有助于提升获取的资源分布信息的可靠性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例描述中的附图作简单地介绍。
图1a是本申请实施例提供的一种资源分布示意图;
图1b是本申请实施例提供的另一种资源分布示意图;
图1c是本申请实施例提供的又一种资源分布示意图;
图1d是本申请实施例提供的又一种资源分布示意图;
图2是本申请实施例提供的一种信息获取方法的流程示意图;
图3是本申请实施例提供的一种确定目标区域的方法的流程示意图;
图4a是本申请实施例提供的一种识别目标区域的方式的架构示意图;
图4b是本申请实施例提供的另一种识别目标区域的方式的架构示意图;
图5a是本申请实施例提供的一种确定资源移动策略的方式的架构示意图;
图5b是本申请实施例提供的另一种确定资源移动策略的方式的架构示意图;
图6a是本申请实施例提供的另一种信息获取方法的流程示意图;
图6b是本申请实施例提供的又一种信息获取方法的流程示意图;
图7是本申请实施例提供的一种灰度化处理后的目标界面图像的示意图;
图8是本申请实施例提供的一种轮廓识别结果图像的示意图;
图9是本申请实施例提供的一种区域图像的示意图;
图10是本申请实施例提供的一种对资源进行分离的示意图;
图11a是本申请实施例提供的一种资源分类结果的示意图;
图11b是本申请实施例提供的一种资源分类结果的示意图;
图12是本申请实施例提供的一种信息获取装置的结构示意图;
图13是本申请实施例提供的一种终端的结构示意图。
具体实施方式
在本申请实施例中,对于资源类应用,该应用的界面图像中可包括多个资源。如本申请涉及的资源类应用可以是指三消类(消除型)应用。其中,该资源可以通过各种形状来表示,比如为矩形、圆形、五角星形等等;和/或,该资源可以包括多种颜色,比如为红色、蓝色、绿色等等;和/或,该资源可以包括各种特征,比如包括不同图案。该多个资源中任两个资源的形状可以相同也可以不同,任两个资源包括的颜色可以相同也可以不同,任两个资源包括的特征可以相同也可以不同。可选的,该资源的形状可基于轮廓识别算法确定出,该资源的颜色可基于色彩识别算法如色彩均值识别算法确定出,该资源的特征可以预设的特征算法确定出,等等,本申请不做限定。
例如,在一个实施例中,该资源可以由相同的形状如矩形来表示,并可通过颜色来区分,颜色相同的资源属于同一个分类。也即,如果两个资源的颜色相同,则该两个资源所属的分类相同;如果两个资源的颜色不同,则该两个资源所属的分类不同。如图1a所示,图像中包括红色(图中的标记“R”表示该红色)资源、黄色(图中的标记“Y”表示该黄色)资源和蓝色(图中的标记“B”表示该蓝色)资源,则红色资源属于同一分类,黄色资源属于同一分类,蓝色资源属于同一分类。
又如,在一个实施例中,该资源可以由不同形状来表示,并可通过颜色来区分,则形状相同且颜色相同的资源属于同一个分类。也即,如果两个资源的形状和颜色均相同,则该两个资源所属的分类相同;如果两个资源的形状不同或颜色不同,则该两个资源所属的分类不同。如图1b所示,图像包括圆形资源和矩形资源,且资源分为黄色(Y)和蓝色(B),则黄色圆形资源属于同一分类,蓝色圆形资源属于同一分类,黄色矩形资源属于同一分类,蓝色矩形资源属于同一分类。
又如,在一个实施例中,该资源可以由相同的形状如矩形来表示,并可通过颜色和特征来区分,颜色和特征相同的资源属于同一个分类。也即,如果两个资源的颜色和特征均相同,则该两个资源所属的分类相同;如果两个资源的颜色不同或特征不同,则该两个资源所属的分类不同。如图1c所示,图像包括红色(R)资源和蓝色(B)资源,且资源图像分为有星星和无星星,则红色星星资源属于同一分类,蓝色星星资源属于同一分类,红色无星星资源属于同一分类,蓝色无星星资源属于同一分类。对于可能的资源的表示方式,此处不一一例举。
在本申请实施例中,对于资源类应用,可以基于图像处理如预设的轮廓识别算法识别出应用界面的可操作区域,如上述图1a至1c的图像区域,进而可基于该可操作区域获取资源在该可操作区域的分布信息。进一步的,在获取到该资源分布信息之后,即可基于该资源分布信息进行预设的处理操作。例如,可根据该资源分布信息来实现对应用的自动测试,包括根据资源分布信息如资源的位置信息和资源所属的分类确定资源移动策略,并根据资源移动策略进行资源消除处理,以实现应用自动测试;该基于图像处理的应用测试方式,使得有助于提升测试效果,测试灵活性较强。又如,可根据该资源分布信息和用户移动资源的操作指令,进行资源消除处理,包括接收用户针对任一资源输入的操作指令,根据该操作指令携带的资源移动方向、该资源分布信息如资源的位置信息和资源所属的分类进行资源消除处理,以提升该消除处理的可靠性。又如,可根据该资源分布信息进行资源消除处理后,根据该消除处理后的资源分布信息产生新的资源(如可根据关卡级别产生新资源,关卡级别越高,基于产生新资源后的资源分布的消除处理操作难度越高;反之,关卡级别越低,基于产生新资源后的资源分布的消除处理操作难度越低),以提升资源产生的灵活性等等。
在一个实施例中,当该目标区域中的资源分布发生变化时,还可更新该目标区域中的资源分布信息,得到新的资源分布信息。进而可基于新的资源分布信息进行预设的处理操作。
在一个实施例中,资源消除处理可以是指移动某一资源(可以是指该资源与移动后的位置的资源交换位置)后,可能消除多个资源(如与该移动的资源相邻且属性相同的资源,如图1a所示,向左移动第四行第二个资源或向右移动第四行第一个资源后可消除第一列第二至第五这四个资源;也可能消除0个资源,如图1a所示,向左移动第一行第四个资源或向右移动第一行第三个资源后可消除0个资源),并可根据该消除的资源的位置移动该消除的资源关联的资源,以及可根据该资源消除处理所消除的资源的数目生成新的资源。此时该目标区域中的资源分布发生变化,由此可获取新的资源分布信息,比如根据移动后的资源和该新的资源更新该目标区域中的资源分布信息,又如重新获取该目标区域中所有资源的分布信息,以基于新的资源分布信息进行资源消除处理。例如,该相关联的资源可以是与消除资源的位置相邻的资源,如图1a所示,向左移动第四行第二个资源或向右移动第四行第一个资源消除第一列的四个资源后,该相关联的资源可以是指原来的第一行第一个的资源,进而该资源可以移动到第五行第一个资源的位置,原第一列前三个资源位置可产生新的资源,如图1d所示,假设新生成的资源从第一列第一个到第四个依次为蓝色资源、黄色资源、红色资源和蓝色资源,资源分布发生变化。
在一个实施例中,终端可基于该资源分布信息进行应用测试。在基于该资源分布信息进行应用测试时,还可结合测试桩的测试方式对终端上的应用进行测试,以提升测试可靠性。例如,在应用开发时,可预先部署测试桩,将测试桩预留在测试版本中,获取根据测试桩编写的测试脚本,并可从配置文件中获取资源的属性信息如坐标等,根据资源的属性信息和测试脚本确定资源移动方案,从而能够基于该测试桩快速实现对该应用的自动测试。然而,对于该基于测试桩的应用测试方式,需要在开发初期部署完成所有测试桩方案,后续再增加测试桩则成本较高,如果在开发初期没有部署完成所有的测试桩,会导致测试效果较差,甚至无法完成自动化测试;而且,由于部署了测试桩,导致在应用发布后容易遭到外挂攻击,安全性较差。由此,在进行应用测试时,终端还可结合上述基于图像处理的应用测试方式和该测试桩的测试方式对应用进行测试,比如在测试效果不佳(如在开发初期未部署完成所有测试桩方案导致)时,可以采用该基于图像处理的测试方式进行应用测试,因其无需在开发初期部署,有助于防止受到外挂攻击,安全性较好,且测试灵活性较高,由此提升了测试效果;又如终端可分别采用基于图像处理的测试方式和该测试桩的测试方式进行应用测试,从而有助于从多维度确保测试结果的可靠性,进一步提升测试效果。
在一个实施例中,终端可基于该资源分布信息进行应用测试。在基于该资源分布信息进行应用测试时,还可结合资源固定排布的方式对应用进行测试,以提升测试的灵活性。例如,应用开发时,可以将测试资源的排布顺序固定,并将新资源产生的顺序固定,由此可按照固定算法生成测试用例,以实现自动测试,测试复杂度较低。然而,该基于资源固定排布的测试方式,无法针对随机产生新资源的场景进行测试,针对随机产生资源的应用,测试效果较差;而且,不同终端的分辨率可能不同,不同分辨率可能会使得固定算法中的资源分布信息如坐标偏移,导致基于固定算法确定的坐标不可靠,测试的可靠性较差。由此,在进行应用测试时,终端还可结合上述基于图像处理的应用测试方式和该资源固定排布的方式对应用进行测试,比如可通过检测应用的类型如资源是随机产生还是固定排布和产生来确定测试方式,从而提升测试灵活性。如对于资源固定排布和新资源固定顺序产生的应用,可通过该资源固定排布的方式进行应用测试,以降低测试开销;又如,对于资源随机产生的应用,可通过该图像处理的测试方式进行应用测试,其能够针对随机产生的资源实现自动测试,且基于图像处理确定可操作区域后获取该可操作区域的资源分布信息如资源位置来进行测试,使得确定出的资源分布信息更可靠,即使对于不同分辨率的终端或界面,也能够确定出有效的资源分布信息,这就有助于应用测试的可靠性。或者,终端可分别采用基于图像处理的测试方式和该资源固定排布的方式进行应用测试,从而有助于从多维度确保测试结果的可靠性,进一步提升了测试效果。
可以理解,在其他实施例中,该资源还可以叫做其余名称,比如叫做对象、资源块、元素等等,本申请不做限定。
本申请的技术方案可应用于终端或其他测试设备中,用于实现对应用如三消类应用的测试。该终端可包括手机、平板电脑、计算机等等,本申请不做限定。可以理解,在其他实施例中,该终端还可叫做其余名称,比如叫做智能终端、用户设备、用户终端等等,此处不一一列举。
请参见图2是本申请实施例的一种信息获取方法的流程示意图,比如该信息获取方法可应用于上述的终端中。如图2所示,本实施例的信息获取方法包括以下步骤:
201、获取应用的目标界面图像,该目标界面图像中包括多个资源。
其中,该目标界面图像可以是应用启动完成之后,显示的包括多个资源的的界面图像,即初始界面图像,如开始对局之后的界面图像;或者,也可以是对该初始界面图像进行图像预处理之后得到的界面图像。
例如,该图像预处理可包括灰度化处理;终端可在应用启动完成进入包括多个资源的初始界面后,截取该应用的界面图像,即截取初始界面图像,并对截取的界面图像进行灰度化处理,得到灰度化处理后的界面图像,将灰度化处理后的界面图像作为目标界面图像。以便于基于对该灰度化处理后的界面图像进行识别来确定该界面图像中的可操作区域,这就有助于降低图像识别的复杂度,提升图像识别的效率,进而提升预设处理操作的效率如应用测试效率。
又如,该图像预处理可包括灰度化处理和二值化处理;终端可在截取初始界面图像之后,对截取的界面图像进行灰度化处理,得到灰度化处理后的界面图像,并对该灰度化处理后的界面图像进行二值化处理,将二值化处理后的界面图像作为目标界面图像。以便于基于对该灰度化和二值化处理后的界面图像进行识别来确定该界面图像中的可操作区域,相比于仅对界面图像进行灰度化处理,结合二值化处理使得图像中数据量进一步减少,以实现凸显出目标的轮廓,能够进一步降低图像识别的复杂度,进而进一步提升预设处理操作的效率如应用测试效率。
202、根据轮廓识别算法识别出该目标界面图像中的目标区域,该目标区域可以为该目标界面图像中包括所有资源的图像区域如最小图像区域。
其中,该轮廓识别算法可用于识别界面图像中的可操作区域,或者称为有效操作区域等,即目标区域。该目标区域还可以是指该目标界面图像中除图像边界以外的最大预设形状的区域,如最大矩形区域。可选的,该轮廓识别算法可以为边缘检测算法,或者可以包括边缘检测和霍夫线检测,即该轮廓识别算法可以是基于边缘检测算法以及霍夫线检测算法封装的一套算法。
例如,该轮廓识别算法包括边缘检测和霍夫线检测。如图3所示,该步骤202可以包括:301、分别采用预设阈值集合中的阈值对该目标界面图像进行边缘检测,以得到多个第一图像;302、分别采用该预设阈值集合中的阈值对该边缘检测后的目标界面图像进行霍夫线检测,以得到多个第二图像;303、从该多个第二图像中确定出图像信息满足预设条件的待识别图像,并从该待识别图像中确定出该目标区域。
其中,该预设阈值集合可包括多个阈值,该多个阈值可预先设置得到,用于进行边缘检测和霍夫线检测,该阈值可以由一个或多个参数组成。例如,该边缘检测可通过Canny算法实现,Canny算法使用双阈值算法检测和连接边缘,则该阈值集合包括的阈值可以是指双阈值,即由两个参数组成,比如包括用于调控边缘连接的阈值/参数(记为T1,可称为低阈值)和用于检测明显边缘(即控制强边缘的初始分割,检测到的边缘可能是断断续续的)的阈值/参数(记为T2,可称为高阈值)。也就是说,T2可用于将要提取轮廓的区域与背景区分开来,就像阈值分割的参数,可以决定目标与背景对比度;T1可用于平滑边缘的轮廓,如果T2设置太大,可能导致边缘轮廓不连续或者不够平滑,通过T1可以使不连续的部分连接起来,或者实现平滑轮廓线。可选的,可预先设置多个阈值集合,比如基于终端的特征信息设置该多个阈值集合,包括根据终端的型号设置该多个阈值集合,每个阈值集合可以与一个或多个型号相对应;和/或,根据终端所使用的操作系统来设置该多个阈值集合,每个阈值集合可以与一个或多个操作系统相对应;和/或,根据终端的分辨率来设置该多个阈值集合,每个阈值集合可以与一个或多个分辨率相对应;和/或,根据终端的屏幕尺寸来设置该多个阈值集合等等,每个阈值集合可以与一个或多个屏幕尺寸相对应。从而在进行轮廓识别时,能够基于待测试应用所运行终端的特征信息来确定阈值集合之后,基于确定出的阈值集合进行轮廓识别,这就有助于提升图像识别的可靠性,提升对该终端上的预设处理操作如应用测试的可靠性,且有助于快速识别出该目标区域,进而提升测试效率。
其中,该图像信息满足预设条件可以包括:图像中包括第一预设形状和多个第二预设形状,该第一预设形状和第二预设形状对应的形状可以相同也可以不同(如第一预设形状和第二预设形状均为矩形;又如第一预设形状为矩形,第二预设形状为圆形,等等),该多个第二预设形状均分布于该第一预设形状的区域范围内,该第一预设形状可以为包括该多个第二预设形状的最小图像区域对应的形状;进一步的,该多个第二预设形状的尺寸相匹配(如尺寸相同或尺寸差值在预设尺寸阈值范围内),且相邻第二预设形状之间的间距相匹配(如各个间距相同或者间距差值在预设间距阈值范围内);其中,该相邻可以包括上下相邻和左右相邻,相邻第二预设形状之间的间距相匹配可以包括上下相邻的第二预设形状之间的间距相匹配和/或左右相邻的第二预设形状之间的间距相匹配。如果满足上述条件筛选出了多个第二图像,该图像信息满足预设条件还可包括:该第二预设形状的数量为该多个第二图像中最大,即可筛选出的各第二图像中第二预设形状的数量最多的图像作为待识别图像。则该目标区域可以是指该第一预设形状对应的区域,或者说该第一预设形状为该目标区域对应的形状,该资源可以由该第二预设形状表示。例如,该第一预设形状和第二预设形状均为矩形,即图像中包括第一矩形(除图像边界以外的矩形)以及多个第二矩形,该多个第二矩形分布于该第一矩形的区域范围内,该多个第二矩形的尺寸相匹配(如长度值相同且宽度值相同,或,长度值之间的差值在预设长度阈值范围内且宽度值之间的差值在预设宽度阈值范围内,或,周长相同,或,周长之间的差值在预设差值范围内,等等,此处不一一列举),且相邻第二矩形之间的间距(如矩形中心点之间的距离)相匹配;进一步的,该第二矩形的数量为该多个第二图像中最大;则该目标区域可以是指该第一矩形对应的区域,该资源可以由该第二矩形表示。
在一个实施例中,如果该图像中包括多个第一矩形(该多个第一矩形的尺寸不同),该多个第二矩形均分布于该多个第一矩形范围内,即存在多个包括该多个第二矩形的大矩形时,即可将该多个第一矩形中尺寸最小的矩形对应的区域作为目标区域,以确保获取到的目标区域为包括所有资源的最小矩形区域。可选的,终端可确定该待识别图像对应的目标阈值(包括边缘检测对应的阈值和霍夫线检测对应的阈值),并可按照预设幅度对该目标阈值进行调整,进而可根据调整后的目标阈值对该目标界面图像进行边缘检测和霍夫线检测,比如可依次按照预设幅度在该目标阈值上增加或减少预设幅度,并按照增加或减少预设幅度的目标阈值进行边缘检测和霍夫线检测,直到检测结果对应的图像中仅包括一个第一矩形和该多个第二矩形,即仅包括该第二矩形和包含该第二矩形的最小矩形(也即将该第一矩形对应的区域作为该目标界面图像中包括所有资源的最小图像区域),而不存在其他矩形。进而可从该检测结果对应的图像中确定出该目标区域,以基于该目标区域确定资源分布信息来实现预设处理操作如应用测试。又如,可按照预设幅度和预设数目在该目标阈值上增加或减少预设幅度,得到调整阈值后的该预设数目的检测结果,从该预设数目的检测结果中确定出包括最小的第一矩形(也即将该预设数目的检测结果中最小第一矩形对应的区域作为该包括所有资源的最小图像区域)的图像,进而可从该图像中确定出该目标区域,以基于该目标区域确定资源分布信息来实现预设处理操作如应用测试。
在一个实施例中,在该从该多个第二图像中确定出图像信息满足预设条件的图像之前,该方法还可包括:分别获取各个该第二图像的尺寸信息,并将各个该第二图像的尺寸信息指示的尺寸与预设尺寸阈值进行比较;如果存在尺寸低于预设尺寸阈值的第二图像,删除该尺寸低于预设尺寸阈值的第二图像;进而可从该多个第二图像中删除该尺寸低于预设尺寸阈值的第二图像后的第二图像中,确定出图像信息满足预设条件的待识别图像。例如,该目标区域为矩形,则,可分别获取各个第二图像的尺寸信息如长度值和宽度值,并在某一第二图像的长度值低于预设长度阈值和/或该宽度值低于预设宽度阈值时,删除该第二图像,进而从其余第二图像中确定出该待识别图像。也就是说,可以删除尺寸明显不对的图像数据之后再确定该待识别图像,从而有助于降低图像识别的开销。
可选的,在进行轮廓识别时,可采用分布式识别方式来实现,包括基于多线程的轮廓识别方式和基于分布式服务器系统的轮廓识别方式。从而能够通过分布式识别方式来提升计算效率,提升图像识别效率,进而提升测试效率。
例如,在一个实施例中,可以采用多线程的方式来进行轮廓识别。终端可创建多个线程,比如根据该阈值集合中阈值的数量创建该多个线程,进而终端可运行该多个线程,并采用预设阈值集合包括的阈值对该目标界面图像进行边缘检测和霍夫线检测。其中,进行边缘检测和霍夫线检测的线程可以相同也可以不同,比如可以调用一线程根据对应阈值(可以是一个也可以是多个)进行边缘检测,得到第一图像后该线程基于该阈值集合包括的所有阈值分别对该第一图像进行霍夫线检测,以得到多个第二图像;又如,可以调用一线程根据某一阈值进行边缘检测,得到第一图像后调用其他线程基于该阈值集合包括的所有阈值分别对该第一图像进行霍夫线检测,以得到多个第二图像;又如,可以调用一线程根据对应阈值进行边缘检测,得到第一图像后调用该线程基于对应阈值分别对该第一图像进行霍夫线检测,以得到第二图像,等等,此处不一一例举。如图4a所示,假设预设阈值集合中的阈值为canny(T1,T2),该T1、T2的取值可以为0到n,则该阈值集合包括的阈值为(n*n)个,如n可以取250。从而终端可通过创建并运行(n*n)个线程,基于各线程进行边缘检测如canny边缘检测(Cv2.canny(T1,T2)可以取(0,0)到(n,n))和霍夫线检测如HoughLinesP(统计霍夫变换,Cv2.HoughLinesP(T1,T2)可以取(0,0)到(n,n)),进而得到多个检测结果即上述的第二图像。进而可从该多个第二图像中确定出该目标区域。
又如,在一个实施例中,还可以基于分布式服务器系统中的多个服务器来进行轮廓识别。比如终端在获取得到该目标界面图像之后,可以将该目标界面图像发送给该多个服务器,以使该多个服务器分别采用预设阈值集合中的阈值对该目标界面图像进行边缘检测以得到多个第一图像,以及分别采用该预设阈值集合中的阈值对该边缘检测后的目标界面图像进行霍夫线检测以得到多个第二图像,并可从该多个第二图像中确定出图像信息满足预设条件的待识别图像,进而可将该待识别图像发送给终端,终端可从该待识别图像中确定出该目标区域;或者,服务器可从该待识别图像中确定出目标区域之后,将包含该目标区域的区域图像发送给终端,从而终端可根据接收到的区域图像确定该目标区域。其中,进行边缘检测和霍夫线检测的服务器可以相同也可以不同,比如每一服务器可以根据对应阈值进行边缘检测,得到第一图像后基于该阈值集合包括的所有阈值分别对该第一图像进行霍夫线检测,以得到多个第二图像,并从中筛选出图像信息满足预设条件的一个或多个图像(如果不存在满足预设条件的图像,则筛选结果可以为空),进而可针对所有服务器对应的第二图像,从各服务器筛选出的满足预设条件的图像中确定出该待识别图像(比如将各服务器筛选出的满足预设条件的图像发送给该分布式服务器系统中任一服务器进行待识别图像的确定,或者可以发送给终端进行确定,或者可以发送给其他设备进行确定);或者,一服务器可以根据对应阈值进行边缘检测,得到第一图像后发送给另一服务器基于对应的阈值对该第一图像进行霍夫线检测,以得到第二图像,进而从得到的各个第二图像中确定出该待识别图像(比如将各第二图像发送给该分布式服务器系统中任一服务器进行待识别图像的确定,或者可以发送给终端进行确定,或者可以发送给其他设备进行确定,在发送之前,还可过滤掉尺寸小于预先配置的尺寸值的第二图像,以降低系统开销)。例如,如图4b所示,假设预设阈值集合中的阈值为canny(T1,T2),该T1、T2的取值可以为0到n,则该阈值集合包括的阈值为(n*n)个。终端将该目标界面图像发送给各服务器如(n*n)个服务器之后,各服务器可分别根据对应的阈值对该目标界面图像进行边缘检测如canny边缘检测和霍夫线检测如HoughLinesP,该阈值和服务器一一对应,服务器可以将检测结果如得到的第二图像发送给终端,或者可以将检测结果如待识别图像发送给终端,或者可以将检测结果如该目标区域对应的区域图像发送给终端,进而终端接收该检测结果,并可根据检测结果确定出该目标区域。
在其他可选的实施例中,该轮廓识别算法可以为点阵识别或线识别算法,从而能够通过点阵识别或线识别算法识别出该目标区域,以便于从该目标区域确定出各资源的分布信息如位置信息和分类信息。或者,还可进一步结合该点阵识别或线识别算法来进行区域识别,以提升区域识别的可靠性,进而提升测试可靠性。
203、获取该多个资源在该目标区域中的资源分布信息。
其中,该资源分布信息可包括资源的位置信息和资源所属的分类。
在识别出该目标区域之后,终端即可根据该目标区域的信息获取该多个资源在该目标区域中的资源分布信息,比如该多个资源中每个资源的位置信息以及每个资源所属的分类等等。其中,资源的位置信息可包括以下任一项或多项:资源的坐标、目标区域的行列数、资源所在的行列数、资源所在位置的标识等等。
在一个实施例中,终端在获取该多个资源在该目标区域中的资源分布信息如位置信息时,可分别获取该多个资源中每个资源的尺寸信息,以及该目标区域的尺寸信息,根据该每个资源的尺寸信息计算该多个资源的尺寸均值,并根据该目标区域的尺寸信息、该尺寸均值确定该目标区域包括的资源的行数和列数。进一步的,终端还可根据该行数、列数、该尺寸均值确定该每个资源在该目标区域中的位置信息如坐标。例如,目标区域和资源对应的形状均为矩形;则终端可分别获取各资源的长度值和宽度值,以及该目标区域的长度值和宽度值,并根据各资源的长度值计算该多个资源的长度均值,以及根据各资源的宽度值计算该多个资源的宽度均值,进而可根据目标区域的长度值和宽度值、该长度均值和宽度均值确定目标区域包括的资源的行列数,并可根据该行列数、长度均值和宽度均值确定各资源在目标区域中的坐标信息。
在一个实施例中,终端在获取该多个资源在该目标区域中的资源分布信息如资源所属分类时,可使用预设聚类算法对该多个资源进行聚类处理,以得到该多个资源中每个资源所属的分类。其中,该预设聚类算法可包括以下任一种或多种:色彩识别算法、轮廓识别算法、特征识别算法或其他聚类算法。
其中,色彩识别算法可以是指根据资源对应的颜色来确定资源的分类,比如通过色彩均值算法计算资源如上述的第二矩形的颜色(如RGB均值),将颜色相同的资源确定为同一分类。轮廓识别算法可以是指根据资源对应的形状来确定资源的分类,将形状相同的资源确定为同一分类。特征识别算法可以是指根据资源对应的颜色来确定资源的分类,将特征如图案相同的资源确定为同一分类,此处不赘述。从而能够采用预设聚类算法获取各资源的特征信息,如颜色、形状、特征图案等等,基于该特征信息对该多个资源进行聚类处理,以确定各资源的分类。
在一个实施例中,可以根据应用的特征信息为应用选取聚类算法,比如可预先设置得到应用特征和聚类算法的种类的对应关系,以便于基于该对应关系使用应用对应的聚类算法进行资源分类,以提升资源分类的效率和可靠性,并有助于降低分类开销。可选的,还可预先设置多种聚类算法的执行顺序,并可预先设置得到应用对应的资源分类数,比如设置执行顺序由先到后依次为:色彩识别算法、轮廓识别算法、特征识别算法。则终端可先基于色彩识别算法对该多个资源进行聚类处理,确定出该多个资源的分类,如果基于该色彩识别算法得到的分类数与预先设置的资源分类数相同,则可不再执行剩余的聚类算法。如果得到的分类数小于预先设置的资源分类数,可以采用下一个聚类算法如轮廓识别算法对该多个资源进行聚类处理,结合该色彩识别算法和该轮廓识别算法确定出该多个资源的分类。如果基于该色彩识别算法和该轮廓识别算法得到的分类数与预先设置的资源分类数相同,则可不再执行剩余的聚类算法;如果得到分类数小于预先设置的资源分类数,可以采用下一个聚类算法如特征识别算法对该多个资源进行聚类处理,以此类推,从而确定出各资源的分类。由此能够在实现确定资源分类的同时降低聚类处理开销,降低终端功耗。可选的,针对不同的应用,设置的聚类算法的执行顺序可以不同,涉及的聚类算法的种类也可不同,比如可预先设置得到应用特征和该执行顺序的对应关系,又如预先设置得到应用特征、该执行顺序和聚类算法的种类三者之间的对应关系,等等,以提升确定资源分类的灵活性。
在一个实施例中,在进行聚类处理时,可以采用分布式方式实现,比如通过多个线程采用预设聚类算法分别对对应的资源(如一个线程对应一个资源,或者一个线程对应一行资源,或者一个线程对应一列资源等等)进行聚类处理,以获取该对应的资源的特征信息;或者可通过多个服务器采用预设聚类算法分别对对应的资源(如一个服务器对应一个资源,或者一个服务器对应一行资源,或者一个服务器对应一列资源等等)进行聚类处理,以获取该对应的资源的特征信息,进而可根据各特征信息确定各资源的分类。从而能够通过该分布式处理方式提升资源分类的效率。
在一个实施例中,在使用预设聚类算法对该多个资源进行聚类处理之前,终端还可从该应用的界面图像(如上述的初始界面图像)中截取该目标区域,以得到原始的区域图像即目标区域图像,并可对该目标区域图像中的该多个资源进行描边处理,比如采用预设标记线实现该描边处理,该描边处理可用于分离各个该资源,以便于更好地区分各个资源。进一步的,终端在使用预设聚类算法对该多个资源进行聚类处理时,可以是使用预设聚类算法对该目标区域图像中进行描边处理后的多个资源进行聚类处理。可选的,在进行描边处理时,可以根据各资源的位置信息如坐标以及资源的尺寸信息如小矩形的边长信息(如长度值和宽度值)为依据,确定描边的位置,以实现该描边处理。从而能够结合描边处理增强聚类效果,有助于提升确定资源分类的效率。
在一个实施例中,在获取到该资源分布信息之后,终端还可根据该资源的位置信息和该资源所属的分类确定资源移动策略,并根据该资源移动策略进行资源消除处理,以实现对该应用进行测试。
其中,该资源移动策略可以用于指示移动的资源、资源的移动方向(向左、向右、向上、向下等)等信息。进而终端可根据确定出的资源移动策略进行资源移动,以实现应用测试。可以理解,该资源移动策略一般是指能够获得虚拟资源量(或者称为收益等等)的移动方案,比如为获得虚拟资源量最多的移动方案。例如,在确定资源移动策略时,可以分别计算移动各资源所获得的虚拟资源量,进而将获取虚拟资源量最大的移动方案作为该资源移动策略。该虚拟资源量可以是分值、等级或其他虚拟量。可选的,在计算移动一资源所获得的虚拟资源量时,可以分别计算向可移动的各个方向移动该资源所获得虚拟资源量。在分别计算移动各资源所获得的虚拟资源量时,可以采用分布式方式进行分布式计算,包括采用多线程分别计算移动对应资源所获得的虚拟资源量,例如,如图5a所示,一个线程对应一个资源(其中,(x,y)表示资源的位置,如可表示处于第(x+1)列(col)第(y+1)行(row)的资源);或者,通过多服务器分别计算移动对应资源所获得的虚拟资源量,并可将计算结果返回给终端,例如,如图5b所示,一个服务器对应一个资源。以通过各线程或各服务器分别计算得到移动各资源所获得的虚拟资源量来确定获取最大虚拟资源量的资源移动方案作为该资源移动策略。从而根据从而能够通过分布式方式提升资源移动策略的确定效率,进而提升测试效率。
在一个实施例中,在获取该多个资源在该目标区域中的资源分布信息之后,终端还可根据该资源分布信息建立资源矩阵,比如该资源分布信息中位置信息可包括坐标,则该资源矩阵可以为包括每个资源的坐标以及每个资源所属的分类的二维数组。进一步的,终端在根据该资源分布信息确定资源移动策略时,即可根据该资源矩阵确定资源移动策略。从而结合创建的资源矩阵来实现应用测试,有助于提升确定资源移动策略的效率,进而提升应用测试效率。
在一个实施例中,在根据该资源移动策略移动资源之后,可能会消除多个资源,如可能消除3-5个资源,并可随机生成新的资源。进而可重新获取新的界面图像(该新的界面图像中的资源分布可能发生了改变),以基于新的界面图像进行应用测试,如可重复执行步骤201-203,或者可重复执行步骤203,得到新的资源分布信息,并可基于新的资源分布信息确定资源移动策略,并根据该资源移动策略进行资源消除处理,以完成应用测试。
在一个实施例中,在获取到该资源分布信息之后,终端还可接收用户针对任一资源输入的操作指令,该操作指令携带有资源移动方向,进而可根据该资源移动方向、该资源分布信息如资源的位置信息和该资源所属的分类进行资源消除处理。
在本申请实施例中,终端能够通过获取应用的目标界面图像,根据预设轮廓识别算法识别出该目标界面图像中包括多个资源的目标区域,并获取该多个资源在该目标区域中的资源分布信息,即能够基于识别出的可操作区域确定出资源分布信息,该基于图像处理的信息获取方式,能够适用于各种终端,灵活性较强,有助于提升获取的资源分布信息的可靠性。
下面以应用为三消类游戏应用(以下简称游戏应用),对该游戏应用进行测试为例,对本申请的信息获取方法进行详细说明。如图6a所示,该信息获取方法包括:
6101、启动游戏应用,进入对局界面。
如果对该游戏应用预先设置有多种进入对局界面的路径,在对该游戏应用进行测试时,终端可选取最短路径进入对局界面,即用最少的步骤进入对局界面。从而能够减少应用启动时间,有助于提升测试效率。
在本实施例中,假设资源的行列数为10*10,包括红色星星资源、绿色星星资源、黄色星星资源、蓝色星星资源、粉色星星资源,可操作区域即目标区域为矩形,且各资源为矩形。
6102、将界面图像截图,得到界面图像。
启动游戏应用之后,即可截取启动完成后的界面图像,比如通过调用终端截屏接口进行截图。进行截图处理时可以是调用相应的图形处理函数来实现截图的,比如window_capture()函数、get_screenshot_as_file()(函数截图当前页面并保存到指定的路径下面)等等。
6103、对界面图像进行灰度化处理,以得到目标界面图像。
灰度图像是一种R、G、B三通道值均相同的图像,即对界面图像进行灰度化(灰化)处理之后,该灰度化处理后的界面图像的像素点的R、G、B值相同。针对每个像素点,该相同的值可以称为灰度值,该灰度值可以是该像素点的任一个分量(R或G或B),或者可以将该像素点R、G、B分量中最大的一个作为灰度值,或者可以将该像素点R、G、B的平均值作为该像素点的灰度值,或者可以采取加权求和的方式获得该灰度值,等等,此处不一一列举。进行图像灰度化处理时可以是调用相应的图形处理函数来实现灰度化处理的,比如取平均值作为灰度值的函数、取最大值作为灰度值的函数等等。例如,在本实施例中,该灰度化处理后的目标界面图像可以如图7所示。
6104、根据预设阈值集合中的阈值,进行分布式轮廓识别,并记录结果。
可以设定一个初始阈值以及阈值的范围作为动态阈值,即设置得到阈值集合。例如,该阈值集合包括(0,0)到(n,n),如可以将(0,0)作为该初始阈值,进行轮廓识别,如进行canny边缘检测和霍夫线检测,并可从(0,0)到(n,n)进行循环检测,直到基于阈值最大值(n,n)完成轮廓识别,得到识别/检测结果,如上述的第二图像,并可记录该结果。如图8所示,是本申请实施例提供的一种轮廓识别结果图像的示意图,即一种第二图像的示意图。在得到该结果之后,还可进行初步筛选,删除长或宽过小(如小于对应的阈值)的数据,剔除不合规的矩形(如矩形不是全封闭的)和直线(如直线不连续)等等,保存全封闭的矩形。
6105、从该结果中确定出目标区域,该目标区域是一个大矩形包括多个排列均匀分布的小矩形的区域。
在得到该结果之后,即可从该结果中确定出目标区域。具体可分析所有结果中是否存在一个大矩形包括多个排列均匀分布(如矩形间的间距相同)的小矩形(尺寸相同),即如果存在,则可从该结果中提取出该大矩形包括多个排列均匀分布的小矩形的区域,即目标区域。如果存在多个结果中存在大矩形包括多个排列均匀分布的小矩形,则可从中确定出该小矩形最多的结果,并从该结果中提取出该目标区域。进而可得到该目标区域对应的图像,即区域图像。如图9所示,为本申请实施例提供的一种区域图像的示意图。
进一步的,还可即记录该目标区域所在的图像对应的阈值,比如为边缘检测(45,89)、霍夫线检测(12,76)。可选的,还可在该阈值的基础上进行微调,进而基于该微调的阈值使用轮廓识别算法,从得到的结果中确定该目标区域,以提升确定出的目标区域的可靠性。比如在检测到该图像中还有除该大矩形和该小矩形以外的其他矩形,或者该大矩形内部还有除该小矩形以外的其他矩形时,可在该阈值的基础上进行微调,比如按照预设幅度如0.1依次增加或减少阈值,如调整为(45.1,89.1),(12.1,76.1),或者调整为(44.9,88.9),(11.9,75.9),或者调整(45.1,89.0),(12.1,76),或者调整为(45.0,89.1),(12,76.1)等等,基于调整后的阈值对图像进行边缘检测和霍夫线检测,直到获取到的图像不存在该其他矩形,即确保该目标区域为目标界面图像中包含所有资源的最小矩形区域。以便于筛选出包含具有等宽等高且间距基本相等的小矩形的大矩形完成资源矩阵的建立。
在一个实施例中,在确定该小矩形时,可以以矩形的周长为维度进行聚类,以确定不同的矩形,每一类矩形对应一个周长区间,该小矩形为数量最多的一个聚类的矩形,并可将该数量最多的聚类的矩形对应的平均周长即周长均值作为该小矩形的周长,将该数量最多的聚类的矩形对应的长度均值作为该小矩形的长度,将该数量最多的聚类的矩形对应的宽度均值作为该小矩形的宽度等等。
6106、建立二维资源矩阵。
在建立二维资源矩阵时,可以创建一个空的二维数组;并遍历所有小矩形,计算得到小矩形的长度均值和宽度均值,并根据该小矩形的长度均值和宽度均值,以及该目标区域即该大矩形的长度值和宽度值,获取该大矩形内的小矩形的行列数,即资源的行列数;还可计算得到每个小矩形的中心点,如以目标区域的左下角顶点为原点建立坐标系(或者还可以以其他点作为原点建立坐标系,本申请不做限定),基于目标区域的长度值和宽度值、以及小矩形的长度均值和宽度均值等,确定每个小矩形的中心点坐标,所在的行列信息等,即确定资源的位置;进而可将计算得到的结果如该行列信息、坐标信息填入二维数组,完成资源矩阵建立。
例如,假设建立的资源矩阵为:
map=[
[{“1”:(025,035)},{“2”:(095,035)},{“3”:(165,035)},{“4”:(235,035)},
“5”:(305,035)},{“6”:(375,035)},{“7”:(445,035)},{“8”:(515,035)},{“9”:(585,035)},{“10”:(655,035)}]
[{“1”:(025,105)},{“2”:(095,105)},{“3”:(165,105)},{“4”:(235,105)},
“5”:(305,105)},{“6”:(375,105)},{“7”:(445,105)},{“8”:(515,105)},{“9”:(585,105)},{“10”:(655,105)}]
[{“1”:(025,175)},{“2”:(095,175)},{“3”:(165,175)},{“4”:(235,175)},
“5”:(305,175)},{“6”:(375,175)},{“7”:(445,175)},{“8”:(515,175)},{“9”:(585,175)},{“10”:(655,175)}]
[{“1”:(025,245)},{“2”:(095,245)},{“3”:(165,245)},{“4”:(235,245)},
“5”:(305,245)},{“6”:(375,245)},{“7”:(445,245)},{“8”:(515,245)},{“9”:(585,245)},{“10”:(655,245)}]
[{“1”:(025,315)},{“2”:(095,315)},{“3”:(165,315)},{“4”:(235,315)},
“5”:(305,315)},{“6”:(375,315)},{“7”:(445,315)},{“8”:(515,315)},{“9”:(585,315)},{“10”:(655,315)}]
[{“1”:(025,385)},{“2”:(095,385)},{“3”:(165,385)},{“4”:(235,385)},
“5”:(305,385)},{“6”:(375,385)},{“7”:(445,385)},{“8”:(515,385)},{“9”:(585,385)},{“10”:(655,385)}]
[{“1”:(025,455)},{“2”:(095,455)},{“3”:(165,455)},{“4”:(235,455)},
“5”:(305,455)},{“6”:(375,455)},{“7”:(445,455)},{“8”:(515,455)},{“9”:(585,455)},{“10”:(655,455)}]
[{“1”:(025,525)},{“2”:(095,525)},{“3”:(165,525)},{“4”:(235,525)},
“5”:(305,525)},{“6”:(375,525)},{“7”:(445,525)},{“8”:(515,525)},{“9”:(585,525)},{“10”:(655,525)}]
[{“1”:(025,595)},{“2”:(095,595)},{“3”:(165,595)},{“4”:(235,595)},
“5”:(305,595)},{“6”:(375,595)},{“7”:(445,595)},{“8”:(515,595)},{“9”:(585,595)},{“10”:(655,595)}]
[{“1”:(025,665)},{“2”:(095,665)},{“3”:(165,665)},{“4”:(235,665)},
“5”:(305,665)},{“6”:(375,665)},{“7”:(445,665)},{“8”:(515,665)},{“9”:(585,665)},{“10”:(655,665)}]
]
6107、根据目标区域的信息截取该目标区域对应的界面图像。
在确定出该目标区域之后,还可根据该目标信息的信息从初始界面图像中截取该目标区域对应的界面图像即目标区域图像,也即根据该目标区域的范围截取原彩色图像,以便于根据该目标区域的彩色图像确定资源分布如资源的分类,从而有助于提升确定出的资源分布的可靠性。或者,可以对初始界面图像中的目标区域进行蒙板处理,以获取该目标区域对应的原彩色图。
在可选的实施例中,也可基于上述的区域图像确定资源分布,或者从该灰度化处理后的目标界面图像中截取该目标区域对应的图像来确定资源分布,比如在各资源对应的颜色相同时,无需提取该目标区域对应的彩色图像,以降低终端开销。
6108、在该界面图像上绘制白色标记线将各资源进行分离。
可选的,在截取得到该目标区域对应的原彩色图像之后,可以在该彩色图像上绘制出白色矩形边框,即采用白色标记线对资源即该小矩形进行描边处理,以将资源对应的彩色图案进行分离。在进行描边处理时,可以具体根据各小矩形的坐标信息以及每个小矩形的边长信息,对各小矩形进行描边处理。例如,如图10所示,是本申请实施例提供的一种对资源进行分离的示意图,图10中未显示该彩色图像的颜色,以灰度图像进行示意。
6109、基于色彩均值识别算法、轮廓识别算法、特征识别算法,对资源进行聚类。
进一步的,终端可基于预设聚类算法如色彩均值识别算法、轮廓识别算法和特征识别算法,对该多个资源进行聚类处理,以确定资源的分类。在本实施例中,资源可分为红色星星资源、绿色矩形星星资源、黄色矩形星星资源、蓝色矩形星星资源、粉色矩形星星资源五类,各分类的资源间仅颜色不同。
6110、得到资源分类,更新该二维资源矩阵。
在得到资源分布信息如上述的资源分类之后,即可基于该分类结果更新建立的资源矩阵。或者,在其他可选的实施例中,终端可在确定资源分类之后再建立资源矩阵。
例如,更新后的资源矩阵为:
map=[
[{“R”:(025,035)},{“G”:(095,035)},{“Y”:(165,035)},{“B”:(235,035)},
“G”:(305,035)},{“B”:(375,035)},{“Y”:(445,035)},{“Y”:(515,035)},{“G”:(585,035)},{“G”:(655,035)}]
[{“Y”:(025,105)},{“R”:(095,105)},{“P”:(165,105)},{“Y”:(235,105)},
“R”:(305,105)},{“R”:(375,105)},{“G”:(445,105)},{“P”:(515,105)},{“B”:(585,105)},{“P”:(655,105)}]
[{“P”:(025,175)},{“B”:(095,175)},{“Y”:(165,175)},{“Y”:(235,175)},
“Y”:(305,175)},{“R”:(375,175)},{“G”:(445,175)},{“P”:(515,175)},{“Y”:(585,175)},{“R”:(655,175)}]
[{“Y”:(025,245)},{“B”:(095,245)},{“P”:(165,245)},{“G”:(235,245)},
“Y”:(305,245)},{“R”:(375,245)},{“B”:(445,245)},{“B”:(515,245)},{“Y”:(585,245)},{“P”:(655,245)}]
[{“Y”:(025,315)},{“G”:(095,315)},{“B”:(165,315)},{“R”:(235,315)},
“Y”:(305,315)},{“Y”:(375,315)},{“P”:(445,315)},{“P”:(515,315)},{“B”:(585,315)},{“R”:(655,315)}]
[{“Y”:(025,385)},{“B”:(095,385)},{“R”:(165,385)},{“G”:(235,385)},
“P”:(305,385)},{“R”:(375,385)},{“G”:(445,385)},{“G”:(515,385)},{“Y”:(585,385)},{“Y”:(655,385)}]
[{“B”:(025,455)},{“R”:(095,455)},{“Y”:(165,455)},{“B”:(235,455)},
“P”:(305,455)},{“Y”:(375,455)},{“B”:(445,455)},{“G”:(515,455)},{“Y”:(585,455)},{“Y”:(655,455)}]
[{“G”:(025,525)},{“B”:(095,525)},{“P”:(165,525)},{“B”:(235,525)},
“R”:(305,525)},{“P”:(375,525)},{“P”:(445,525)},{“R”:(515,525)},{“R”:(585,525)},{“Y”:(655,525)}]
[{“R”:(025,595)},{“R”:(095,595)},{“P”:(165,595)},{“B”:(235,595)},
“P”:(305,595)},{“Y”:(375,595)},{“B”:(445,595)},{“R”:(515,595)},{“G”:(585,595)},{“G”:(655,595)}]
[{“P”:(025,665)},{“P”:(095,665)},{“R”:(165,665)},{“G”:(235,665)},
“B”:(305,665)},{“Y”:(375,665)},{“R”:(445,665)},{“P”:(515,665)},{“B”:(585,665)},{“R”:(655,665)}]
]
其中,“R”表示红色,“G”表示绿色,“Y”表示黄色,“B”表示蓝色、“P”表示粉红色。如图11a和11b所示,是本申请实施例提供的一种资源分类结果的示意图,其得到的是针对颜色的分类结果,图11a和11b展示包括各颜色的资源的分布(为便于查看,图中用黑色框线圈出了对应颜色的资源)。
6111、计算最大化收益,确定对应的资源移动策略。
6112、根据该资源移动策略移动资源。
在得到该资源矩阵之后,可通过算法确定针对当前画面,如何移动一步最大化收益,即可基于该资源矩阵计算移动资源的所获得的最大虚拟资源量,以得到该最大收益对应的资源移动策略。也即,按照该资源移动策略移动资源后所获得的收益相比移动其他资源为最大,如增加的得分最多。
例如,终端可通过循环判断每一行是否存在两个颜色相同的资源,并记录至可消除列表中,以及通过循环判断每一列是否存在两个颜色相同的资源,并记录至可消除列表中。进而可遍历可消除列表判断是否有相同颜色资源与其相隔1个其他颜色资源,并记录至高级可消除列表。进而可遍历高级可消除列表,判断其上下行或左右列是否存在相同颜色的资源,并根据最优解进行资源移动,即进行消除操作,以获得最大收益。
6113、判断当前对局是否结束。如果是,则执行步骤6114;否则可执行步骤6102,获取新的界面图像继续进行测试,或者可执行步骤6109,基于新的资源分布进行测试。
6114、判断是否结束测试。如果是,即可执行步骤6115,结束对该游戏应用的测试;否则可执行步骤6101,基于新的对局界面继续进行测试。
6115、结束测试。
如果完成本次对局,可判断测试是否结束,如果结束,则测试结束,否则可自动进入下一对局。如果对局失败,可重新开始当前对局,重新执行步骤6102-6113,或者重新执行步骤6109-6113,以降低测试开销。
在本申请实施例中,终端能够通过获取待测试的应用的目标界面图像,根据动态阈值并采用边缘检测和霍夫线检测,识别出该目标界面图像中包括大矩形包括多个排列均匀分布的小矩形的目标区域,进而获取该多个小矩形在该目标区域中的分布信息,以根据该分布信息确定资源移动策略以实现应用测试,使得有助于提升应用测试效果。
下面以应用为游戏应用,运行该游戏应用为例,对本申请的信息获取方法进行详细说明。如图6b所示,该信息获取方法包括:
6201、启动游戏应用,进入对局界面。
6202、将界面图像截图,得到界面图像。
6203、对界面图像进行灰度化处理,以得到目标界面图像。
6204、根据预设阈值集合中的阈值,进行分布式轮廓识别,并记录结果。
6205、从该结果中确定出目标区域,该目标区域是一个大矩形包括多个排列均匀分布的小矩形的区域。
可选的,该步骤6201-6205的描述可参照上述图6a所示实施例中6101-6105的相关描述,此处不赘述。
6206、根据目标区域的信息截取该目标区域对应的界面图像。
6207、在该界面图像上绘制白色标记线将各资源进行分离。
6208、基于色彩均值识别算法、轮廓识别算法、特征识别算法,对资源进行聚类。
可选的,该步骤6206-6208的描述可参照上述图6a所示实施例中6107-6109的相关描述,此处不赘述。进一步可选的,还可基于该资源分布建立资源矩阵,以基于资源矩阵进行消除处理,此处不赘述。
6209、接收操作指令,根据操作指令对应的资源及资源移动方向进行资源消除处理。
在接收到用户针对某一资源的操作指令时,终端可以根据该操作指令对应的资源移动方向移动该资源,以实现资源消除处理(可能消除0个或多个资源)。
6210、判断当前对局是否结束。如果是,则执行步骤6211;否则可执行步骤6202,获取新的界面图像继续进行测试,或者可执行步骤6208,基于新的资源分布实现资源消除处理。
6211、判断是否接收到退出指令。如果是,即可执行步骤6212,退出对局;否则可执行步骤6201,基于新的对局界面继续进行游戏。
6212、退出对局。
在本申请实施例中,终端能够通过获取待测试的应用的目标界面图像,根据动态阈值并采用边缘检测和霍夫线检测,识别出该目标界面图像中包括大矩形包括多个排列均匀分布的小矩形的目标区域,进而获取该多个小矩形在该目标区域中的分布信息,以根据该分布信息和用户移动资源的操作指令进行资源消除处理,使得有助于提升消除处理的可靠性,提升游戏效果。
基于上述信息获取方法实施例的描述,本发明实施例还公开了一种信息获取装置,该信息获取装置可以是运行于终端中的一个计算机程序(包括程序代码/程序指令)。例如,该信息获取装置可以执行图2、图3、图6a或图6b所示的方法。请参见图12,该信息获取装置1200可以运行如下单元:
获取单元1201,用于获取应用的目标界面图像,所述目标界面图像中包括多个资源;
识别单元1202,用于根据轮廓识别算法识别出所述目标界面图像中的目标区域,所述目标区域为所述目标界面图像中包括所有资源的最小图像区域;
所述获取单元1201,还用于获取所述多个资源在所述目标区域中的资源分布信息。
在一个实施例中,所述资源分布信息包括资源的位置信息和资源所属的分类;所述装置还可包括:处理单元1203;
处理单元1203,用于根据所述资源的位置信息和所述资源所属的分类确定资源移动策略,并根据所述资源移动策略进行资源消除处理。
在一个实施例中,所述资源分布信息包括资源的位置信息和资源所属的分类;所述装置还可包括:处理单元1203;
获取单元1201,还用于接收用户针对任一资源输入的操作指令,所述操作指令携带有资源移动方向;
处理单元1203,用于根据所述资源移动方向、所述资源的位置信息和所述资源所属的分类进行资源消除处理。
在一个实施例中,所述轮廓识别算法包括边缘检测和霍夫线检测;所述识别单元1202在根据轮廓识别算法识别出所述目标界面图像中的目标区域时,可具体用于:分别采用预设阈值集合中的阈值对所述目标界面图像进行边缘检测,以得到多个第一图像,所述预设阈值集合包括多个阈值;分别采用所述预设阈值集合中的阈值对所述边缘检测后的目标界面图像进行霍夫线检测,以得到多个第二图像;从所述多个第二图像中确定出图像信息满足预设条件的待识别图像,并从所述待识别图像中确定出所述目标区域。
在一个实施例中,所述图像信息满足预设条件包括:图像中包括第一矩形以及多个第二矩形,所述多个第二矩形分布于所述第一矩形的区域范围内,所述多个第二矩形的尺寸相匹配,且相邻第二矩形之间的间距相匹配,所述第二矩形的数量为所述多个第二图像中最大;其中,所述目标区域为所述第一矩形的区域,所述资源由所述第二矩形表示。
在一个实施例中,该装置还可包括处理单元1203;
获取单元1201,还可用于分别获取各个所述第二图像的尺寸信息,并将各个所述第二图像的尺寸信息指示的尺寸与预设尺寸阈值进行比较;
处理单元1203,可用于当存在尺寸低于预设尺寸阈值的第二图像时,删除所述尺寸低于预设尺寸阈值的第二图像;
识别单元1202在从所述多个第二图像中确定出图像信息满足预设条件的待识别图像时,可具体用于:从所述多个第二图像中删除所述尺寸低于预设尺寸阈值的第二图像后的第二图像中,确定出图像信息满足预设条件的待识别图像。
在一个实施例中,获取单元1201在获取所述多个资源在所述目标区域中的资源分布信息时,可具体用于:分别获取所述多个资源中每个资源的尺寸信息,以及所述目标区域的尺寸信息;根据所述每个资源的尺寸信息计算所述多个资源的尺寸均值;根据所述目标区域的尺寸信息、所述尺寸均值确定所述目标区域包括的资源的行数和列数;根据所述行数、所述列数、所述尺寸均值确定所述每个资源在所述目标区域中的位置信息。
在一个实施例中,获取单元1201在获取所述多个资源在所述目标区域中的资源分布信息时,可具体用于:使用预设聚类算法对所述多个资源进行聚类处理,以得到所述多个资源中每个资源所属的分类,所述预设聚类算法包括以下任一种或多种:色彩识别算法、轮廓识别算法、特征识别算法。
在一个实施例中,该装置可包括处理单元1203;
获取单元1201,还可用于从所述应用的界面图像中截取所述目标区域,以得到目标区域图像;
处理单元1203,可用于采用预设标记线对所述目标区域图像中的所述多个资源进行描边处理,所述描边处理用于分离各个所述资源;
获取单元1201在使用预设聚类算法对所述多个资源进行聚类处理时,可具体用于:使用预设聚类算法对所述目标区域图像中进行描边处理后的多个资源进行聚类处理。
在一个实施例中,所述位置信息可包括坐标;该装置可包括处理单元1203;
处理单元1203,还可用于根据所述资源分布信息建立资源矩阵,所述资源矩阵为包括每个资源的坐标以及每个资源所属的分类的二维数组;
处理单元1203在根据所述资源分布信息确定资源移动策略时,可具体用于:根据所述资源矩阵确定资源移动策略。
在一个实施例中,获取单元1201在获取应用的目标界面图像时,可具体用于:截取应用的界面图像,所述界面图像中包括多个资源;对截取的界面图像进行灰度化处理,得到灰度化处理后的界面图像,并将所述灰度化处理后的界面图像作为所述目标界面图像。
根据本申请的一个实施例,图2、图3、图6a或图6b所示的方法所涉及的各个步骤均可以是由图12所示的信息获取装置中的各个单元来执行的。例如,图2中所示的步骤201和203可以由图12中所示的获取单元1201来执行,步骤202可以由图12所示的识别单元来执行;又如,图3所示步骤301至303可以由图12所示的识别单元来执行,此处不赘述。
根据本申请的另一个实施例,图12所示的信息获取装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本申请的实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以由多个单元来实现,或者多个单元的功能由一个单元实现。在本申请的其它实施例中,基于信息获取装置也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由多个单元协作实现。
根据本申请的另一个实施例,可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行如图2、图3、图6a或图6b中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码/程序指令),来构造如图12中所示的信息获取装置,以及来实现本申请实施例的信息获取方法。所述计算机程序可以记载于例如计算机可读记录介质上,并通过计算机可读记录介质装载于上述计算设备中,并在其中运行。
基于上述方法实施例以及装置实施例的描述,本申请实施例还提供一种终端。请参见图13,该终端至少包括处理器1301、输入设备1302、输出设备1303以及计算机(可读)存储介质1304。其中,终端内的处理器1301、输入设备1302、输出设备1303以及计算机存储介质1304可通过总线或其他方式连接。
计算机存储介质1304可以存储在终端的存储器中,计算机存储介质1304用于存储计算机程序,所述计算机程序包括程序指令,处理器1301用于执行所述计算机存储介质1304存储的程序指令。处理器1301(或称CPU(Central Processing Unit,中央处理器))是终端的计算核心以及控制核心,其适于实现一条或多条指令,具体适于加载并执行一条或多条指令从而实现相应方法流程或相应功能;在一个实施例中,本申请实施例所述的处理器1301可用于进行一系列的信息获取处理,包括:获取应用的目标界面图像;根据轮廓识别算法识别出目标界面图像中的目标区域,目标区域为目标界面图像中包括所有资源的最小图像区域;获取多个资源在目标区域中的资源分布信息,等等。
其中,该输入设备1302可包括键盘、触摸屏、射频接收器或其他输入设备中的一种或多种;输出设备1303可包括扬声器、显示器、射频发送器或其他输出设备中的一种或多种。可选的,该终端还可包括内存模块、电源模块、应用客户端等等。
本申请实施例还提供了一种计算机存储介质(Memory),所述计算机存储介质是终端中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机存储介质既可以包括终端中的内置存储介质,当然也可以包括终端所支持的扩展存储介质。计算机存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器1301加载并执行的一条或多条的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器;可选的还可以是至少一个位于远离前述处理器的计算机存储介质。
在一个实施例中,可由处理器1301加载并执行计算机存储介质中存放的一条或多条指令,以实现上述有关信息获取实施例中的方法的相应步骤;具体实现中,计算机存储介质中的一条或多条指令由处理器1301加载并执行如下步骤:获取应用的目标界面图像,所述目标界面图像中包括多个资源;根据轮廓识别算法识别出所述目标界面图像中的目标区域,所述目标区域为所述目标界面图像中包括所有资源的最小图像区域;获取所述多个资源在所述目标区域中的资源分布信息。
在一个实施例中,所述资源分布信息包括资源的位置信息和资源所属的分类;所述一条或多条指令还可由处理器1301加载并具体执行:根据所述资源的位置信息和所述资源所属的分类确定资源移动策略,并根据所述资源移动策略进行资源消除处理。
在一个实施例中,所述资源分布信息包括资源的位置信息和资源所属的分类;所述一条或多条指令还可由处理器1301加载并具体执行:接收用户针对任一资源输入的操作指令,所述操作指令携带有资源移动方向;根据所述资源移动方向、所述资源的位置信息和所述资源所属的分类进行资源消除处理。
在一个实施例中,所述轮廓识别算法包括边缘检测和霍夫线检测;在根据轮廓识别算法识别出所述目标界面图像中的目标区域时,所述一条或多条指令还可由处理器1301加载并具体执行:分别采用预设阈值集合中的阈值对所述目标界面图像进行边缘检测,以得到多个第一图像,所述预设阈值集合包括多个阈值;分别采用所述预设阈值集合中的阈值对所述边缘检测后的目标界面图像进行霍夫线检测,以得到多个第二图像;从所述多个第二图像中确定出图像信息满足预设条件的待识别图像,并从所述待识别图像中确定出所述目标区域。
在一个实施例中,所述图像信息满足预设条件包括:图像中包括第一矩形以及多个第二矩形,所述多个第二矩形分布于所述第一矩形的区域范围内,所述多个第二矩形的尺寸相匹配,且相邻第二矩形之间的间距相匹配,所述第二矩形的数量为所述多个第二图像中最大;其中,所述目标区域为所述第一矩形的区域,所述资源由所述第二矩形表示。
在一个实施例中,在所述从所述多个第二图像中确定出图像信息满足预设条件的待识别图像之前,所述一条或多条指令还可由处理器1301加载并具体执行:分别获取各个所述第二图像的尺寸信息,并将各个所述第二图像的尺寸信息指示的尺寸与预设尺寸阈值进行比较;如果存在尺寸低于预设尺寸阈值的第二图像,删除所述尺寸低于预设尺寸阈值的第二图像;
在从所述多个第二图像中确定出图像信息满足预设条件的待识别图像时,所述一条或多条指令还可由处理器1301加载并具体执行:从所述多个第二图像中删除所述尺寸低于预设尺寸阈值的第二图像后的第二图像中,确定出图像信息满足预设条件的待识别图像。
在一个实施例中,在获取所述多个资源在所述目标区域中的资源分布信息时,所述一条或多条指令还可由处理器1301加载并具体执行:分别获取所述多个资源中每个资源的尺寸信息,以及所述目标区域的尺寸信息;根据所述每个资源的尺寸信息计算所述多个资源的尺寸均值;根据所述目标区域的尺寸信息、所述尺寸均值确定所述目标区域包括的资源的行数和列数;根据所述行数、所述列数、所述尺寸均值确定所述每个资源在所述目标区域中的位置信息。
在一个实施例中,在获取所述多个资源在所述目标区域中的资源分布信息时,所述一条或多条指令还可由处理器1301加载并具体执行:使用预设聚类算法对所述多个资源进行聚类处理,以得到所述多个资源中每个资源所属的分类,所述预设聚类算法包括以下任一种或多种:色彩识别算法、轮廓识别算法、特征识别算法。
在一个实施例中,在所述识别出所述目标界面图像中的目标区域之后,以及在所述使用预设聚类算法对所述多个资源进行聚类处理之前,所述一条或多条指令还可由处理器1301加载并具体执行:从所述应用的界面图像中截取所述目标区域,以得到目标区域图像;采用预设标记线对所述目标区域图像中的所述多个资源进行描边处理,所述描边处理用于分离各个所述资源;
在使用预设聚类算法对所述多个资源进行聚类处理时,所述一条或多条指令还可由处理器1301加载并具体执行:使用预设聚类算法对所述目标区域图像中进行描边处理后的多个资源进行聚类处理。
在一个实施例中,所述位置信息包括坐标;在获取所述多个资源在所述目标区域中的资源分布信息之后,所述一条或多条指令还可由处理器1301加载并具体执行:根据所述资源分布信息建立资源矩阵,所述资源矩阵为包括每个资源的坐标以及每个资源所属的分类的二维数组;
在根据所述资源分布信息确定资源移动策略时,所述一条或多条指令还可由处理器1301加载并具体执行:根据所述资源矩阵确定资源移动策略。
在一个实施例中,在获取应用的目标界面图像时,所述一条或多条指令还可由处理器1301加载并具体执行:截取应用的界面图像,所述界面图像中包括多个资源;对截取的界面图像进行灰度化处理,得到灰度化处理后的界面图像,并将所述灰度化处理后的界面图像作为所述目标界面图像。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (14)
1.一种信息获取方法,其特征在于,包括:
获取应用的目标界面图像,所述目标界面图像中包括多个资源;
根据轮廓识别算法识别出所述目标界面图像中的目标区域,所述目标区域为所述目标界面图像中包括所有资源的最小图像区域;
获取所述多个资源在所述目标区域中的资源分布信息。
2.根据权利要求1所述的方法,其特征在于,所述资源分布信息包括资源的位置信息和资源所属的分类;所述方法还包括:
根据所述资源的位置信息和所述资源所属的分类确定资源移动策略,并根据所述资源移动策略进行资源消除处理。
3.根据权利要求1所述的方法,其特征在于,所述资源分布信息包括资源的位置信息和资源所属的分类;所述方法还包括:
接收用户针对任一资源输入的操作指令,所述操作指令携带有资源移动方向;
根据所述资源移动方向、所述资源的位置信息和所述资源所属的分类进行资源消除处理。
4.根据权利要求1所述的方法,其特征在于,所述轮廓识别算法包括边缘检测和霍夫线检测;所述根据轮廓识别算法识别出所述目标界面图像中的目标区域,包括:
分别采用预设阈值集合中的阈值对所述目标界面图像进行边缘检测,以得到多个第一图像,所述预设阈值集合包括多个阈值;
分别采用所述预设阈值集合中的阈值对所述边缘检测后的目标界面图像进行霍夫线检测,以得到多个第二图像;
从所述多个第二图像中确定出图像信息满足预设条件的待识别图像,并从所述待识别图像中确定出所述目标区域。
5.根据权利要求4所述的方法,其特征在于,所述图像信息满足预设条件包括:图像中包括第一矩形以及多个第二矩形,所述多个第二矩形分布于所述第一矩形的区域范围内,所述多个第二矩形的尺寸相匹配,且相邻第二矩形之间的间距相匹配,所述第二矩形的数量为所述多个第二图像中最大;
其中,所述目标区域为所述第一矩形的区域,所述资源由所述第二矩形表示。
6.根据权利要求4所述的方法,其特征在于,在所述从所述多个第二图像中确定出图像信息满足预设条件的待识别图像之前,所述方法还包括:
分别获取各个所述第二图像的尺寸信息,并将各个所述第二图像的尺寸信息指示的尺寸与预设尺寸阈值进行比较;
如果存在尺寸低于预设尺寸阈值的第二图像,删除所述尺寸低于预设尺寸阈值的第二图像;
所述从所述多个第二图像中确定出图像信息满足预设条件的待识别图像,包括:
从所述多个第二图像中删除所述尺寸低于预设尺寸阈值的第二图像后的第二图像中,确定出图像信息满足预设条件的待识别图像。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述资源分布信息包括资源的位置信息;所述获取所述多个资源在所述目标区域中的资源分布信息,包括:
分别获取所述多个资源中每个资源的尺寸信息,以及所述目标区域的尺寸信息;
根据所述每个资源的尺寸信息计算所述多个资源的尺寸均值;
根据所述目标区域的尺寸信息、所述尺寸均值确定所述目标区域包括的资源的行数和列数;
根据所述行数、所述列数、所述尺寸均值确定所述每个资源在所述目标区域中的位置信息。
8.根据权利要求1-6任一项所述的方法,其特征在于,所述资源分布信息包括资源所属的分类;所述获取所述多个资源在所述目标区域中的资源分布信息,包括:
使用预设聚类算法对所述多个资源进行聚类处理,以得到所述多个资源中每个资源所属的分类,所述预设聚类算法包括以下任一种或多种:色彩识别算法、轮廓识别算法、特征识别算法。
9.根据权利要求8所述的方法,其特征在于,在所述识别出所述目标界面图像中的目标区域之后,以及在所述使用预设聚类算法对所述多个资源进行聚类处理之前,所述方法还包括:
从所述应用的界面图像中截取所述目标区域,以得到目标区域图像;
采用预设标记线对所述目标区域图像中的所述多个资源进行描边处理,所述描边处理用于分离各个所述资源;
所述使用预设聚类算法对所述多个资源进行聚类处理,包括:
使用预设聚类算法对所述目标区域图像中进行描边处理后的多个资源进行聚类处理。
10.根据权利要求2所述的方法,其特征在于,所述位置信息包括坐标;在获取所述多个资源在所述目标区域中的资源分布信息之后,所述方法还包括:
根据所述资源分布信息建立资源矩阵,所述资源矩阵为包括每个资源的坐标以及每个资源所属的分类的二维数组;
所述根据所述资源的位置信息和所述资源所属的分类确定资源移动策略,包括:
根据所述资源矩阵确定资源移动策略。
11.根据权利要求1-6任一项所述的方法,其特征在于,所述获取应用的目标界面图像,包括:
截取应用的界面图像,所述界面图像中包括多个资源;
对截取的界面图像进行灰度化处理,得到灰度化处理后的界面图像,并将所述灰度化处理后的界面图像作为所述目标界面图像。
12.一种信息获取装置,其特征在于,包括:
获取单元,用于获取应用的目标界面图像,所述目标界面图像中包括多个资源;
识别单元,用于根据轮廓识别算法识别出所述目标界面图像中的目标区域,所述目标区域为所述目标界面图像中包括所有资源的最小图像区域;
所述获取单元,还用于获取所述多个资源在所述目标区域中的资源分布信息。
13.一种终端,包括输入设备和输出设备,其特征在于,还包括:
处理器,适于实现一条或多条指令;以及,
计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由所述处理器加载并执行如权利要求1-11任一项所述的方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行如权利要求1-11任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782491.2A CN110533673A (zh) | 2019-08-22 | 2019-08-22 | 一种信息获取方法、装置、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782491.2A CN110533673A (zh) | 2019-08-22 | 2019-08-22 | 一种信息获取方法、装置、终端及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110533673A true CN110533673A (zh) | 2019-12-03 |
Family
ID=68662684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910782491.2A Pending CN110533673A (zh) | 2019-08-22 | 2019-08-22 | 一种信息获取方法、装置、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533673A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353503A (zh) * | 2020-02-28 | 2020-06-30 | 北京字节跳动网络技术有限公司 | 一种用户界面图像中功能区域的识别方法及装置 |
CN111931670A (zh) * | 2020-08-14 | 2020-11-13 | 成都数城科技有限公司 | 基于卷积神经网的深度图像头部检测与定位方法及系统 |
-
2019
- 2019-08-22 CN CN201910782491.2A patent/CN110533673A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353503A (zh) * | 2020-02-28 | 2020-06-30 | 北京字节跳动网络技术有限公司 | 一种用户界面图像中功能区域的识别方法及装置 |
CN111353503B (zh) * | 2020-02-28 | 2023-08-11 | 北京字节跳动网络技术有限公司 | 一种用户界面图像中功能区域的识别方法及装置 |
CN111931670A (zh) * | 2020-08-14 | 2020-11-13 | 成都数城科技有限公司 | 基于卷积神经网的深度图像头部检测与定位方法及系统 |
CN111931670B (zh) * | 2020-08-14 | 2024-05-31 | 成都数城科技有限公司 | 基于卷积神经网的深度图像头部检测与定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
WO2017092431A1 (zh) | 基于肤色的人手检测方法及装置 | |
Ajmal et al. | A comparison of RGB and HSV colour spaces for visual attention models | |
CN109711407B (zh) | 一种车牌识别的方法及相关装置 | |
CN106295644B (zh) | 符号识别方法及装置 | |
CN110555464A (zh) | 一种基于深度学习模型的车辆颜色识别方法 | |
CN109919002A (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
CN111860494A (zh) | 图像目标检测的优化方法、装置、电子设备和存储介质 | |
CN107704797B (zh) | 基于安防视频中行人和车辆的实时检测方法和系统及设备 | |
CN110503682A (zh) | 矩形控件识别方法、装置、终端及存储介质 | |
CN110533673A (zh) | 一种信息获取方法、装置、终端及介质 | |
CN111046746A (zh) | 一种车牌检测方法及装置 | |
CN106682670B (zh) | 一种台标识别方法及系统 | |
CN112164030A (zh) | 水稻穗粒快速检测方法、装置、计算机设备及存储介质 | |
CN113112511B (zh) | 试卷批改的方法、装置、存储介质及电子设备 | |
JP4967045B2 (ja) | 背景判別装置、方法及びプログラム | |
CN116993654B (zh) | 摄像头模组缺陷检测方法、装置、设备、存储介质及产品 | |
CN105184809A (zh) | 运动对象检测方法和运动对象检测装置 | |
CN107368847A (zh) | 一种作物叶部病害识别方法及系统 | |
CN109978889A (zh) | 一种图像处理方法、系统、装置、存储介质及黑板装置 | |
CN111695557B (zh) | 一种图像处理方法及装置 | |
CN113674215A (zh) | 光伏板的光斑识别方法、装置及计算机可读存储介质 | |
CN110532947A (zh) | 一种用于车检表格的去偏色处理的方法及设备 | |
CN106251468B (zh) | 一种纸币鉴伪方法和装置 | |
CN109214434A (zh) | 一种交通标志检测方法及装置 |
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 |