CN110929070A - 图像处理方法、装置、电子设备及存储介质 - Google Patents
图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110929070A CN110929070A CN201911253811.1A CN201911253811A CN110929070A CN 110929070 A CN110929070 A CN 110929070A CN 201911253811 A CN201911253811 A CN 201911253811A CN 110929070 A CN110929070 A CN 110929070A
- Authority
- CN
- China
- Prior art keywords
- picture
- time sequence
- preset
- pictures
- classification
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 37
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 104
- 238000013145 classification model Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims description 51
- 238000003062 neural network model Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了一种图像处理方法、装置、电子设备及存储介质，包括：获取待处理的按时序关联的多个时序图片；根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片；将待分类的时序图片输入至预设的场景分类模型中进行分类；基于分类结果和预设的分类列表，筛选出至少一张时序图片为推荐图片。对时序图片进行挑选时，通过筛选规则，将部分不符合需求的时序图片进行调整或者删除，然后，对筛选得到的图片进行图像分类，并根据预设的分类列表对分类结果不符合需求的时序图片进行删除，进而挑选出即符合质量需求，又符合类型需求的图像，不仅提高了图像选取的效率，也提高了筛选图片的达标率。
Description
技术领域
本公开实施例涉及图像处理领域，尤其是一种图像处理方法、装置、电子设备及存储介质。
背景技术
21世纪是一个充满信息的时代，图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。在信息爆炸的今天，海量的视频信息被不断的发布，如何在其中汲取符合需求的内容成为一个难题。
现有技术中，在视频信息和海量图片中选取能够表征其内容的图片时，往往采用人为指定或者默认首尾图片的方式选取图片。本发明创造的发明人在研究中发现，通过默认指定或者人为选定的方式选取的图片方式，选取效率低下，且选取的图片往往不符合选取标准。
发明内容
本公开实施例提供一种能够快速在图集中筛选符合需求图片的图像处理方法、装置、电子设备及存储介质。
为解决上述技术问题，本公开创造的实施例采用的一个技术方案是：提供一种图像处理方法，包括：
获取待处理的按时序关联的多个时序图片；
根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片；
将待分类的时序图片输入至预设的场景分类模型中进行分类，其中，所述场景分类模型为预先训练至收敛状态，用于对输入图像进行场景分类的神经网络模型；
基于分类结果和预设的分类列表，筛选出至少一张时序图片为推荐图片。
为解决上述技术问题，本公开实施例还提供一种图像处理装置，包括：
获取模块，用于获取待处理的按时序关联的多个时序图片；
筛选模块，用于根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片；
处理模块，用于将待分类的时序图片输入至预设的场景分类模型中进行分类，其中，所述场景分类模型为预先训练至收敛状态，用于对输入图像进行场景分类的神经网络模型；
执行模块，用于基于分类结果和预设的分类列表，筛选出至少一张时序图片为推荐图片。
为解决上述技术问题，本公开实施例还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述图像处理方法的步骤。
为解决上述技术问题，本公开实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述图像处理方法的步骤。
本公开实施例的有益效果是：对时序图片进行挑选时，通过筛选规则，将部分不符合需求的时序图片进行调整或者删除，然后，对筛选得到的图片进行图像分类，并根据预设的分类列表对分类结果不符合需求的时序图片进行删除，进而挑选出即符合质量需求，又符合类型需求的图像，不仅提高了图像选取的效率，也提高了筛选图片的达标率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例图像处理方法的基本流程示意图；
图2为本公开实施例生成目标图集的流程示意图；
图3为本公开实施例通过第一种筛选规则进行图像筛选的流程示意图；
图4为本公开实施例通过第二种筛选规则进行图像筛选的流程示意图；
图5为本公开实施例通过第三种筛选规则进行图像筛选的流程示意图；
图6为本公开实施例通过第四种筛选规则进行图像筛选的流程示意图；
图7为本公开实施例对推荐图片进行筛选的流程示意图；
图8为本公开实施例一种菜品图片筛选方法的流程示意图；
图9为本公开实施例图像处理装置基本结构示意图；
图10为本公开实施电子设备基本结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对装置、模块或单元进行区分，并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元，也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本公开的实施例进行描述。
具体请参阅图1，图1为本实施例图像处理方法的基本流程示意图。
如图1所示，一种图像处理方法，包括：
S1100、获取待处理的按时序关联的多个时序图片；
本实施方式中时序图片的生成方法为根据视频信息进行采集，例如，以2秒/次的抽帧频率对视频信息进行抽帧，得到按时序排布的多个时序图片。
但是时序图片的生成方式不局限于此，根据具体应用场景的不同，时序图片的生成方法还能够为：开启连拍模式的相机，在一个连拍过程中生成的图像。
S1200、根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片；
根据设定的筛选规则对时序图片中的时序图片进行筛选生成待分类的时序图片，筛选的过程是对目标图集中不符合需求的时序图片进行删除或图像处理的过程。
在一实施方式中，筛选规则为：对包括预设的第一目标图像的时序图片进行裁剪。即将时序图片中的第一目标图像裁减掉。
在一些实施方式中，筛选规则为：删除图片参数不达标的时序图片。
在一些实施方式中，筛选规则为删除包括预设的第二目标图像，且第二目标图像的视图比例大于预设的视图阈值的时序图片。
在一些实施方式中，筛选规则为删除包括预设的第三目标图像的时序图片。
由此可见，针对于不同的应用场景，能够采用不同的筛选规则对时序图片进行筛选，不应当将筛选规则框定在所列举的实例当中。
将通过筛选规则筛选得到的时序图片组成的图集定义为待分类的时序图片。即待分类的时序图片为经过筛选规则进行筛选或者处理得到的时序图片的图集。
S1300、将待分类的时序图片输入至预设的场景分类模型中进行分类，其中，所述场景分类模型为预先训练至收敛状态，用于对输入图像进行场景分类的神经网络模型；
将筛选得到的待分类的时序图片进行分类处理。分类处理使用的模型为场景分类模型。
场景分类模型为预先训练至收敛用于对输入图像进行场景分类的神经网络模型。本实施方式中，场景分类模型为是卷积神经网络模型(CNN)，但是场景分类模型还能够是：深度神经网络模型(DNN)、循环神经网络模型(RNN)或者上述三种网络模型的变形模型。
场景分类模型通过用户预先的需求进行训练，设置不同的分类类别，将待分类的时序图片中的时序图片输入至场景分类模型后，能够根据输入时序图片的特征对其进行分类，将其分类至预设的多个分类类型中的一个。例如，场景分类模型中分为“门店类图片、菜品类图片、环境类图片和其他类图片”四种分类类型，当输入时序图片中的特征的置信度最高的类别为门店类图片时，将时序图片的分类结果确定为门店类图片。但是，分类类型的设置不局限于此，根据应用场景的不同，能够设置不同数量以及不同类别的分类类型。
S1400、基于分类结果和预设的分类列表，筛选出至少一张时序图片为推荐图片。
将待分类的时序图片中的各时序图片依次输入至场景分类模型中，得到待分类的时序图片中的各时序图片的分类结果，即各时序图片的分类类型。
本实施方式中，预设分类列表，分类列表中记录需要保留的分类类型。例如，场景分类模型中分为“门店类图片、菜品类图片、环境类图片和其他类图片”四种分类类型。分类列表列表中记载“门店类图片、菜品类图片和环境类图片”三个类型，即表明保留“门店类图片、菜品类图片和环境类图片”这三个分类类型的时序图片，将其他分类类型的时序图片进行删除。
在一些实施方式中，分类列表中记录需要删除的分类类型。即将归属于分类列表中记载的分类类型的时序图片进行删除。
通过分类列表进行筛选得到的时序图片组成推荐图片，推荐图片中的时序图片能够为1张、2张、3张或者更多张。推荐图片中的时序图片作为满足需求的图像，能够作为视频信息或者目标图集的封面图像或者展示图像。
上述实施方式对时序图片进行挑选时，通过筛选规则，将部分不符合需求的时序图片进行调整或者删除，然后，对筛选得到的图片进行图像分类，并根据预设的分类列表对分类结果不符合需求的时序图片进行删除，进而挑选出即符合质量需求，又符合类型需求的图像，不仅提高了图像选取的效率，也提高了筛选图片的达标率。
在一些实施方式中，目标图集是由视频信息抽帧得到。请参阅图2，图2为本实施例生成目标图集的流程示意图。
如图2所示，S1100之前包括：
S1011、获取待处理的目标视频；
本实施方式中，用户向服务器端上传的视频数据为目标视频。用户上传视频数据时，服务器端或者用户需要选择视频数据中的一帧图像作为封面图像，因此，需要对目标视频进行图像提取。但是目标视频的种类不局限于此，根据具体应用场景不同，目标视频能够为任意类型或者格式的视频数据。
S1012、根据预设的抽帧频率对所述目标视频进行抽帧生成多个时序图片。
获取目标视频后，根据预设的抽帧频率，对目标视频进行抽帧。本实施方式中，抽帧频率能够为2秒/次。但是抽帧频率不局限于此，根据具体应用场景的不同，用户能够根据需要设定目标视频的抽帧频率。
在一些实施方式中，通过默认抽帧频率进行抽帧时，经过筛选未确定推荐图片时，能够逐步增大抽帧频率，以增大目标图集中的时序图片的数量，直至能够确定推荐图片时结束抽帧。
将抽取目标视频的多个时序图片归集至预设的空白文件夹中，定义该文件夹为目标视频的目标图集。在一些实施方式中，为方便查找，目标图集建立后，将目标视频与目标图集进行关联存储。
在一些实施方式中，当目标图集的一些时序图片中包括第一目标图像时，需要将第一目标图像在时序图片中剪切掉。请参阅图3，图3为本实施例通过第一种筛选规则进行图像筛选的流程示意图。
如图3所示，S1200包括：
S1211、识别所述待分类的时序图片中是否包括预设的第一目标图像；
本实施方式中，第一目标图像为文字图像，即时序图片中包括文字信息。但是，第一目标图像不局限于文字图像，根据具体应用场景不同，在一些实施方式中，第一目标图像能够为用户指定任意图像，例如，肢体图像、动植物图像或者器械图像等。
当第一目标图像为文字图像时，通过OpenCV或者神经网络模型对时序图片中的文字图像进行识别。
S1212、当时序图片中包括所述第一目标图像时，根据所述第一目标图像所在的位置生成截图选区；
通过识别时序图片中包括第一目标图像时，确定第一目标图像的边界位置以及边界，然后，生成截图选区。生成的截图选区框选时序图相中不具有第一目标图像的部分，为最大限度的保留时序图片中内容，截图选区的面积要大于未选中区域的面积。在一些实施方式中，截图选区选取的图像为第一目标图像之上或者之下的图像区域。
S1213、根据所述截图选区将包括所述第一目标图像的图像区域从所述时序图片中删除。
生成截图选区后，由于，第一目标图像在截图选区之外，因此，根据截图选区对时序图片进行裁剪后，就能够将第一目标图像从时序图片中删除。
将目标图集中所有包括第一目标图像的时序图片均进行裁剪后，将进行过剪切以及不包括第一目标图像的时序图片进行归集生成待分类的时序图片。定义由S1211-S1213步骤生成的分类图集为第一分类图集。
在一些实施方式中，需要根据时序图片中的图片参数对时序图片进行筛选。请参阅图4，图4为本实施例通过第二种筛选规则进行图像筛选的流程示意图。
如图4所示，S1200包括：
S1221、获取所述待分类的时序图片的图片参数；
本实施方式中，为鉴别各个时序图中图像质量，避免时序图片中存在过度曝光、曝光不足或者图像模糊的问题。需要对各时序图片的图片参数进行提取。
本实施方式中的图片参数是指时序图片的直方图和灰度阶分布图平均值。其中，直方图中的平均值表示时序图片中像素点的像素值，灰度阶分布图平均值表示时序图片的清晰度。在一些实施方式中，时序图片的清晰度能够通过时序图片的图像噪声值表示。
S1222、基于预设的参数阈值，识别各时序图片的图片参数是否达标；
本实施方式中设置参数阈值，其中，参数阈值为直方图的取值区间，例如，参数阈值的取值范围为：100-180。当提取的时序图片中的直方图的图片参数在该取值范围内时，则表示时序图片的曝光度达标，否则，则时序图的曝光度不足。当识别时序图片的模糊度时，参数阈值为灰度阶分布图的参考取值，若，采集的图片参数小于参数阈值则表示时序图片的模糊，该时序图片不达标。当衡量时序图片模糊程度的指标为图像噪声值时，参数阈值为图像噪声值的上限取值，当时序图片的图像噪声值大于参数阈值时，表示时序图片不达标。
S1223、当时序图片的图片参数不达标时，将所述图片参数不达标的时序图片删除。
通过识别确定时序图片的图片参数不达标时，将不达标的时序图片进行删除，删除不达标时序图片的为待分类的时序图片。定义通过S1221-S1223步骤生成的待分类的时序图片为第二分类图集。
在一些实施方式中，S1221-S1223位于S1213之后，即先进行时序图片进行裁剪后生成第一分类图集，然后，在第一分类图集的基础上对第一分类图集中时序图片进行图片参数的筛选生成第二分类图集。223位于S1213之后，即先进行时序图片进行裁剪后生成第一分类图集，然后，在第一分类图集的基础上对第一分类图集中时序图片进行图片参数的筛选生成第二分类图集。
通过对时序图片的图片参数进行筛选，能够快速的筛选出图像质量较高的时序图片。
在一些实施方式中，筛选规则为删除包括预设的第二目标图像，且第二目标图像的视图比例大于预设的视图阈值的时序图片。请参阅图5，图5为本实施例通过第三种筛选规则进行图像筛选的流程示意图。
如图5所示，S1200包括：
S1231、将所述待分类的时序图片输入至预设的第一筛选模型中进行分类，其中，所述第一筛选模型为预先训练至收敛状态，用于对输入图像中的第二目标图像进行视图比例分类的神经网络模型；
本实施方式中，第二目标图像为人体的肢体图像。但是，第二目标图像不局限于肢体图像，根据具体应用场景不同，在一些实施方式中，第二目标图像能够为用户指定任意图像，例如，动植物图像或者器械图像等。
通过第一筛选模型对第二目标图像进行识别和视图比例识别。其中视图比例是指第二目标图像在时序图片中的面积占比。第一筛选模型为预先训练至收敛用于对输入图像进行场景分类的神经网络模型。本实施方式中，第一筛选模型为是卷积神经网络模型(CNN)，但是第一筛选模型还能够是：深度神经网络模型(DNN)、循环神经网络模型(RNN)或者上述三种网络模型的变形模型。
第一筛选模型通过用户预先的需求进行训练，设置不同的分类类别，将待分类的时序图片中的时序图片输入至第一筛选模型后，能够根据输入时序图片的特征对其进行分类，将其分类至预设的多个分类类型中的一个。例如，第一筛选模型中分为“第二目标图占比为0％的图片、第二目标图占比为0-20％的图片、第二目标图占比为20-40％的图片和第二目标图占比大于50％的图片”四种分类类型。根据第二目标图像的实际占比，第一筛选模型输出各时序图片的分类类型。
S1232、基于分类结果，将所述第二目标图像的视图比例大于预设的视图阈值的时序图片删除。
根据分类结果，当时序图片中第二目标图像的视图比例大于预设的视图阈值的时序图片从待分类的时序图片中删除生成所述分类图集。例如，当视图阈值取值为50％时，当时序图片中第二目标图像的视图比例大于50％，即将该时序图片从待分类的时序图片中删除。但是视图阈值取值不局限于此，根据具体应用场景不同，用户能够根据需要设定视图阈值的取值。删除第二目标图像视图比例超标的时序图片的待分类的时序图片为分类图集。定义通过S1231-S1232步骤生成的分类图集为第三分类图集。
在一些实施方式中，S1221-S1223位于S1213之后，即先进行时序图片进行裁剪后生成第一分类图集，然后，在第一分类图集的基础上对第一分类图集中时序图片进行图片参数的筛选生成第二分类图集。S1231-S1232位于S1223之后，即在第二分类图集的基础上，对第二分类图集中时序图片进行视图比例的筛选生成第三分类图集。
在一些实施方式中，筛选规则为删除包括预设的第三目标图像的时序图片。请参阅图6，图6为本实施例通过第四种筛选规则进行图像筛选的流程示意图。
如图6所示，S1200包括：
S1241、将所述待分类的时序图片输入至预设的第二筛选模型中进行分类，其中，所述第二筛选模型为预先训练至收敛状态，用于对输入图像中是否具有第三目标图像进行分类的神经网络模型；
本实施方式中，第三目标图像为人脸图像。但是，第三目标图像不局限于肢体图像，根据具体应用场景不同，在一些实施方式中，第三目标图像能够为用户指定任意图像，例如，动植物图像或者器械图像等。
通过第二筛选模型对第三目标图像进行识别。第二筛选模型为预先训练至收敛用于对输入图像进行场景分类的神经网络模型。本实施方式中，第二筛选模型为是卷积神经网络模型(CNN)，但是第二筛选模型还能够是：深度神经网络模型(DNN)、循环神经网络模型(RNN)或者上述三种网络模型的变形模型。
第二筛选模型通过用户预先的需求进行训练，设置不同的分类类别，将待分类的时序图片中的时序图片输入至第二筛选模型后，能够根据输入时序图片的特征对其进行分类，将其分类至预设的多个分类类型中的一个。例如，第二筛选模型中分为“具有人脸图像的图片和其他图片”两种分类类型。根据第三目标图像的有或无，第二筛选模型输出各时序图片的分类类型。
S1243、基于分类结果，将包括所述第三目标图像的时序图片删除。
根据分类结果，当时序图片中包括第三目标图像时，将该序图像从待分类的时序图片中删除生成所述分类图集。删除包括第三目标图像的待分类的时序图片为分类图集。定义通过S1241-S1242步骤生成的分类图集为第四分类图集。
在一些实施方式中，S1221-S1223位于S1213之后，即先进行时序图片进行裁剪后生成第一分类图集，然后，在第一分类图集的基础上对第一分类图集中时序图片进行图片参数的筛选生成第二分类图集。S1231-S1232位于S1223之后，即在第二分类图集的基础上，对第二分类图集中时序图片进行视图比例的筛选生成第三分类图集。S1241-S1242位于S1232之后，即在第三分类图集的基础上，对第三分类图集中时序图片进行第三目标图像的筛选生成第四分类图集。
在一些实施方式中，为保证推荐图片中的图像质量，需要对推荐图片中的异常图像进行删除。请参阅图7，图7为本实施例对推荐图片进行筛选的流程示意图。
如图7所示，S1400之后包括：
S1411、获取所述推荐图片中各时序图片的图片状态；
本实施方式中，通过图片状态识别模型对推荐图片中的时序图片进行状态识别。
通过图片状态识别模型对图片状态进行识别。图片状态识别模型为预先训练至收敛用于对输入图像进行图片状态识别的神经网络模型。本实施方式中，图片状态识别模型为是卷积神经网络模型(CNN)，但是像状态识别模型还能够是：深度神经网络模型(DNN)、循环神经网络模型(RNN)或者上述三种网络模型的变形模型。
图片状态用于表征时序图片是否具有正常的图像结构，其中，异常的图片状态包括：时序图片具有白框、时序图片上具有贴纸、时序图片为黑白图像、时序图片中有网格线以及时序图片被旋转。因此，图片状态识别模型的分类类型为“白框图像、贴纸图像、黑白图像、网格图像、旋转图像和正常图像”六种分类类型。根据时序图片的真实图片状态，图片状态识别模型输出各时序图片的分类类型。
S1412、基于预设的异常图片状态，识别所述各时序图片的图片状态是否异常；
由于，时序图片具有白框、时序图片上具有贴纸、时序图片为黑白图像、时序图片中有网格线以及时序图片被旋转均被定义为异常图像，因此，当分类结果为上述异常图像类别时，时序图片被定义为异常图像。
S1413、将所述图片状态异常的时序图片删除。
当确定时序图片为异常图像时，将异常图像从推荐图片中进行删除。推荐图片中剩余的时序图片被用于图像封面和图像展示。
在一些实施方式中，将上述筛选过程进行组合对图像进行筛选。请参阅图8，图8为本实施例一种菜品图片筛选方法的流程示意图。
如图8所示，1、抽帧服务
步骤一：一个视频采取固定的帧数抽取方式，即针对任一个视频，抽取固定的帧数，对应于S1011-S1013。
步骤二：负例过滤，先对各张图片进行字幕裁剪，得到各张裁剪字幕后的图片，然后将所有图片中图像评估中不合格的图片过滤掉，再将图像评估合格的图片中的人体占比较多的图片过滤掉，再过滤剩余图片中存在人脸的图片，对应于S1200。具体地：
(1)将所有图片经过字幕裁剪模块，输出为将字幕裁剪后的图。对应于S1211-S1213。
(2)将裁剪后的图片输入图像评估模块，若某张图片的图像评估结果为不合格的图片，如过曝、欠曝、模糊，则将该图过滤。对应于S1221-S1223。
(3)将图像评估合格的图片输入人体模型模块，如果人体模型模块检测到图像中存在人体区域，且人体占比超过阈值，如50％，则将该图过滤。对应于S1231-S1232。
(4)将剩余图片输入人脸模型模块，如果人脸模型模块检测到图片中存在人脸，则将该图过滤。对应于S1241-S1242。
步骤三：场景分类，将负例过滤后的所有图片输入至场景分类模型，将场景分类模型识别的门店类图片、菜品类图片和环境类图片保留，过滤不属于上述三类中的任一类的图片。对应于S1300。
步骤四：特殊case(事例)过滤，将上述三类图片中的特殊图片过滤，该特殊图片主要为图片中存在白框、贴纸以及网格，图片为黑白图片，图片为旋转图片。对应于S1411-S1413。
具体请参阅图9，图9为本实施例图像处理装置基本结构示意图。
如图9所示，一种图像处理装置，包括：获取模块2100、筛选模块2200、处理模块2300和执行模块2400。其中，获取模块2100用于获取待处理的按时序关联的多个时序图片；筛选模块2200用于根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片；处理模块2300用于将待分类的时序图片输入至预设的场景分类模型中进行分类，其中，所述场景分类模型为预先训练至收敛状态，用于对输入图像进行场景分类的神经网络模型；执行模块2400用于基于分类结果和预设的分类列表，筛选出至少一张时序图片为推荐图片。
下面参考图10，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端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10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。
电子设备包括：存储器以及处理器，其中，这里的处理器可以称为下文所述的处理装置601，存储器可以包括下文中的只读存储器(ROM)602、随机访问存储器(RAM)603以及存储装置608中的至少一项，具体如下所示：
如图10所示，电子设备600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600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、摄像头、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600与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备600，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，其包括承载在非暂态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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
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：获取待处理的用户请求；基于所述用户请求的数据类型，在预设的至少两个服务容器中确定与所述用户请求对应的目标服务容器，其中，各服务容器之间相互隔离；根据所述目标服务容器表征的图像处理方式对所述用户请求进行处理。
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但不限于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模块或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，模块或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，获取模块还可以被描述为“读取单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，提供了一种图像处理方法，包括：
获取待处理的按时序关联的多个时序图片；
根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片；
将待分类的时序图片输入至预设的场景分类模型中进行分类，其中，所述场景分类模型为预先训练至收敛状态，用于对输入图像进行场景分类的神经网络模型；
基于分类结果和预设的分类列表，筛选出至少一张时序图片为推荐图片。
可选地，所述获取待处理的目标图集包括：
获取待处理的目标视频；
根据预设的抽帧频率对所述目标视频进行抽帧生成多个时序图片。
可选地，所述筛选规则为对包括预设的第一目标图像的图像区域进行裁剪，所述根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片包括：
识别所述待分类的时序图片中是否包括预设的第一目标图像；
当时序图片中包括所述第一目标图像时，根据所述第一目标图像所在的位置生成截图选区；
根据所述截图选区将包括所述第一目标图像的图像区域从所述时序图片中删除。
可选地，所述筛选规则为删除图片参数不达标的时序图片，所述根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片包括：
获取所述待分类的时序图片的图片参数；
基于预设的参数阈值，识别各时序图片的图片参数是否达标；
当时序图片的图片参数不达标时，将所述图片参数不达标的时序图片删除。
可选地，所述筛选规则为删除包括预设的第二目标图像，且第二目标图像的视图比例大于预设的视图阈值的时序图片，所述根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片包括：
将所述待分类的时序图片输入至预设的第一筛选模型中进行分类，其中，所述第一筛选模型为预先训练至收敛状态，用于对输入图像中的第二目标图像进行视图比例分类的神经网络模型；
基于分类结果，将所述第二目标图像的视图比例大于预设的视图阈值的时序图片删除。
可选地，所述筛选规则为删除包括预设的第三目标图像的时序图片，所述根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片包括：
将所述待分类的时序图片输入至预设的第二筛选模型中进行分类，其中，所述第二筛选模型为预先训练至收敛状态，用于对输入图像中是否具有第三目标图像进行分类的神经网络模型；
基于分类结果，将包括所述第三目标图像的时序图片删除。
可选地，所述在所述分类图集筛选至少一张时序图片为推荐图片之后,包括：
获取所述推荐图片中各时序图片的图片状态；
基于预设的异常图片状态，识别所述各时序图片的图片状态是否异常；
将所述图片状态异常的时序图片删除。
根据本公开的一个或多个实施例，还提供了一种图像处理装置，包括：
获取模块，用于获取待处理的按时序关联的多个时序图片；
筛选模块，用于根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片；
处理模块，用于将待分类的时序图片输入至预设的场景分类模型中进行分类，其中，所述场景分类模型为预先训练至收敛状态，用于对输入图像进行场景分类的神经网络模型；
执行模块，用于基于分类结果和预设的分类列表，筛选出至少一张时序图片为推荐图片。
可选地，所述图像处理装置还包括：
第一获取子模块，用于获取待处理的目标视频；
第一处理子模块，用于根据预设的抽帧频率对所述目标视频进行抽帧生成多个时序图片。
可选地，所述筛选规则为对包括预设的第一目标图像的图像区域进行裁剪，所述图像处理装置还包括：
第一识别子模块，用于识别所述待分类的时序图片中是否包括预设的第一目标图像；
第二处理子模块，用于当时序图片中包括所述第一目标图像时，根据所述第一目标图像所在的位置生成截图选区；
第一执行子模块，用于根据所述截图选区将包括所述第一目标图像的图像区域从所述时序图片中删除。
可选地，所述筛选规则为删除图片参数不达标的时序图片，所述图像处理装置还包括：
第二获取子模块，用于获取所述待分类的时序图片的图片参数；
第三处理子模块，用于基于预设的参数阈值，识别各时序图片的图片参数是否达标；
第二执行子模块，用于当时序图片的图片参数不达标时，将所述图片参数不达标的时序图片删除。
可选地，所述筛选规则为删除包括预设的第二目标图像，且第二目标图像的视图比例大于预设的视图阈值的时序图片，所述图像处理装置还包括：
第四处理子模块，用于将所述待分类的时序图片输入至预设的第一筛选模型中进行分类，其中，所述第一筛选模型为预先训练至收敛状态，用于对输入图像中的第二目标图像进行视图比例分类的神经网络模型；
第三执行子模块，用于基于分类结果，将所述第二目标图像的视图比例大于预设的视图阈值的时序图片删除。
可选地，所述筛选规则为删除包括预设的第三目标图像的时序图片，所述图像处理装置还包括：
第五处理子模块，用于将所述待分类的时序图片输入至预设的第二筛选模型中进行分类，其中，所述第二筛选模型为预先训练至收敛状态，用于对输入图像中是否具有第三目标图像进行分类的神经网络模型；
第四执行子模块，用于基于分类结果，将包括所述第三目标图像的时序图片删除。
可选地，所述图像处理装置还包括：
第三获取子模块，用于获取所述推荐图片中各时序图片的图片状态；
第六处理子模块，用于基于预设的异常图片状态，识别所述各时序图片的图片状态是否异常；
第五执行子模块，用于将所述图片状态异常的时序图片删除。
根据本公开的一个或多个实施例，还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述图像处理方法的步骤。
根据本公开的一个或多个实施例，还提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述图像处理方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种图像处理方法，其特征在于，包括：
获取待处理的按时序关联的多个时序图片；
根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片；
将待分类的时序图片输入至预设的场景分类模型中进行分类，其中，所述场景分类模型为预先训练至收敛状态，用于对输入图像进行场景分类的神经网络模型；
基于分类结果和预设的分类列表，筛选出至少一张时序图片为推荐图片。
2.根据权利要求1所述的图像处理方法，其特征在于，所述获取待处理的目标图集包括：
获取待处理的目标视频；
根据预设的抽帧频率对所述目标视频进行抽帧生成多个时序图片。
3.根据权利要求1所述的图像处理方法，其特征在于，所述筛选规则为对包括预设的第一目标图像的图像区域进行裁剪，所述根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片包括：
识别所述待分类的时序图片中是否包括预设的第一目标图像；
当时序图片中包括所述第一目标图像时，根据所述第一目标图像所在的位置生成截图选区；
根据所述截图选区将包括所述第一目标图像的图像区域从所述时序图片中删除。
4.根据权利要求1所述的图像处理方法，其特征在于，所述筛选规则为删除图片参数不达标的时序图片，所述根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片包括：
获取所述待分类的时序图片的图片参数；
基于预设的参数阈值，识别各时序图片的图片参数是否达标；
当时序图片的图片参数不达标时，将所述图片参数不达标的时序图片删除。
5.根据权利要求1所述的图像处理方法，其特征在于，所述筛选规则为删除包括预设的第二目标图像，且第二目标图像的视图比例大于预设的视图阈值的时序图片，所述根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片包括：
将所述待分类的时序图片输入至预设的第一筛选模型中进行分类，其中，所述第一筛选模型为预先训练至收敛状态，用于对输入图像中的第二目标图像进行视图比例分类的神经网络模型；
基于分类结果，将所述第二目标图像的视图比例大于预设的视图阈值的时序图片删除。
6.根据权利要求1所述的图像处理方法，其特征在于，所述筛选规则为删除包括预设的第三目标图像的时序图片，所述根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片包括：
将所述待分类的时序图片输入至预设的第二筛选模型中进行分类，其中，所述第二筛选模型为预先训练至收敛状态，用于对输入图像中是否具有第三目标图像进行分类的神经网络模型；
基于分类结果，将包括所述第三目标图像的时序图片删除。
7.根据权利要求1所述的图像处理方法，其特征在于，所述在所述分类图集筛选至少一张时序图片为推荐图片之后，包括：
获取所述推荐图片中各时序图片的图片状态；
基于预设的异常图片状态，识别所述各时序图片的图片状态是否异常；
将所述图片状态异常的时序图片删除。
8.一种图像处理装置，其特征在于，包括：
获取模块，用于获取待处理的按时序关联的多个时序图片；
筛选模块，用于根据预设的筛选规则对各时序图片进行筛选，得到待分类的时序图片；
处理模块，用于将待分类的时序图片输入至预设的场景分类模型中进行分类，其中，所述场景分类模型为预先训练至收敛状态，用于对输入图像进行场景分类的神经网络模型；
执行模块，用于基于分类结果和预设的分类列表，筛选出至少一张时序图片为推荐图片。
9.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述图像处理方法的步骤。
10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述图像处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911253811.1A CN110929070A (zh) | 2019-12-09 | 2019-12-09 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911253811.1A CN110929070A (zh) | 2019-12-09 | 2019-12-09 | 图像处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110929070A true CN110929070A (zh) | 2020-03-27 |
Family
ID=69857801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911253811.1A Pending CN110929070A (zh) | 2019-12-09 | 2019-12-09 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110929070A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626922A (zh) * | 2020-05-11 | 2020-09-04 | 北京字节跳动网络技术有限公司 | 图片生成方法、装置、电子设备及计算机可读存储介质 |
| CN111901679A (zh) * | 2020-08-10 | 2020-11-06 | 广州繁星互娱信息科技有限公司 | 封面图像的确定方法、装置、计算机设备及可读存储介质 |
| CN113420170A (zh) * | 2021-07-15 | 2021-09-21 | 宜宾中星技术智能系统有限公司 | 大数据图像的多线程存储方法、装置、设备和介质 |
| CN114026874A (zh) * | 2020-10-27 | 2022-02-08 | 深圳市大疆创新科技有限公司 | 视频处理方法、装置、可移动设备及可读存储介质 |
| WO2022048204A1 (zh) * | 2020-09-03 | 2022-03-10 | 平安科技（深圳）有限公司 | 图像生成方法、装置、电子设备及计算机可读存储介质 |
| CN115082728A (zh) * | 2022-05-26 | 2022-09-20 | 中国平安人寿保险股份有限公司 | 图片分类方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145138A (zh) * | 2018-09-10 | 2019-01-04 | 北京点网聚科技有限公司 | 一种封面选取方法、装置、电子设备及存储介质 |
| CN109815352A (zh) * | 2019-01-17 | 2019-05-28 | 网易传媒科技（北京）有限公司 | 封面图像选取方法、介质、装置和计算设备 |
| CN109840559A (zh) * | 2019-01-24 | 2019-06-04 | 北京工业大学 | 图像筛选方法、装置以及电子设备 |
| US20190303682A1 (en) * | 2018-03-27 | 2019-10-03 | International Business Machines Corporation | Automatic video summary generation |
| CN110381368A (zh) * | 2019-07-11 | 2019-10-25 | 北京字节跳动网络技术有限公司 | 视频封面生成方法、装置及电子设备 |
-
2019
- 2019-12-09 CN CN201911253811.1A patent/CN110929070A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190303682A1 (en) * | 2018-03-27 | 2019-10-03 | International Business Machines Corporation | Automatic video summary generation |
| CN109145138A (zh) * | 2018-09-10 | 2019-01-04 | 北京点网聚科技有限公司 | 一种封面选取方法、装置、电子设备及存储介质 |
| CN109815352A (zh) * | 2019-01-17 | 2019-05-28 | 网易传媒科技（北京）有限公司 | 封面图像选取方法、介质、装置和计算设备 |
| CN109840559A (zh) * | 2019-01-24 | 2019-06-04 | 北京工业大学 | 图像筛选方法、装置以及电子设备 |
| CN110381368A (zh) * | 2019-07-11 | 2019-10-25 | 北京字节跳动网络技术有限公司 | 视频封面生成方法、装置及电子设备 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626922A (zh) * | 2020-05-11 | 2020-09-04 | 北京字节跳动网络技术有限公司 | 图片生成方法、装置、电子设备及计算机可读存储介质 |
| CN111626922B (zh) * | 2020-05-11 | 2023-09-15 | 北京字节跳动网络技术有限公司 | 图片生成方法、装置、电子设备及计算机可读存储介质 |
| CN111901679A (zh) * | 2020-08-10 | 2020-11-06 | 广州繁星互娱信息科技有限公司 | 封面图像的确定方法、装置、计算机设备及可读存储介质 |
| WO2022048204A1 (zh) * | 2020-09-03 | 2022-03-10 | 平安科技（深圳）有限公司 | 图像生成方法、装置、电子设备及计算机可读存储介质 |
| CN114026874A (zh) * | 2020-10-27 | 2022-02-08 | 深圳市大疆创新科技有限公司 | 视频处理方法、装置、可移动设备及可读存储介质 |
| CN113420170A (zh) * | 2021-07-15 | 2021-09-21 | 宜宾中星技术智能系统有限公司 | 大数据图像的多线程存储方法、装置、设备和介质 |
| CN115082728A (zh) * | 2022-05-26 | 2022-09-20 | 中国平安人寿保险股份有限公司 | 图片分类方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929070A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111368685B (zh) | 关键点的识别方法、装置、可读介质和电子设备 | |
| CN111369427B (zh) | 图像处理方法、装置、可读介质和电子设备 | |
| US11443438B2 (en) | Network module and distribution method and apparatus, electronic device, and storage medium | |
| CN110062157B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
| CN110211195B (zh) | 生成图像集合的方法、装置、电子设备和计算机可读存储介质 | |
| CN110349161B (zh) | 图像分割方法、装置、电子设备、及存储介质 | |
| CN114092678A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN110991373A (zh) | 图像处理方法、装置、电子设备及介质 | |
| CN115311178A (zh) | 图像拼接方法、装置、设备及介质 | |
| CN111310815A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN113033677A (zh) | 视频分类方法、装置、电子设备和存储介质 | |
| CN111488759A (zh) | 动物脸部的图像处理方法和装置 | |
| CN116501432A (zh) | 车辆壁纸生成方法、装置、电子设备及可读存储介质 | |
| CN111626922B (zh) | 图片生成方法、装置、电子设备及计算机可读存储介质 | |
| CN110349108B (zh) | 处理图像的方法、装置、电子设备、及存储介质 | |
| CN112949430A (zh) | 视频处理方法和装置、存储介质和电子设备 | |
| CN110084306B (zh) | 用于生成动态图像的方法和装置 | |
| US20240135972A1 (en) | Image processing method, apparatus, device and storage medium | |
| CN110765304A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN115278355B (zh) | 视频剪辑方法、装置、设备、计算机可读存储介质及产品 | |
| CN115830362A (zh) | 图像处理方法、装置、设备、介质及产品 | |
| CN111353330A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN114004229A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
| CN112306602A (zh) | 一种计时方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant after: Tiktok vision (Beijing) Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant after: Douyin Vision Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant before: Tiktok vision (Beijing) Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200327 |
|
| RJ01 | Rejection of invention patent application after publication |