CN110930302B - 一种图片处理方法、装置、电子设备及可读存储介质 - Google Patents
一种图片处理方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN110930302B CN110930302B CN201811000293.8A CN201811000293A CN110930302B CN 110930302 B CN110930302 B CN 110930302B CN 201811000293 A CN201811000293 A CN 201811000293A CN 110930302 B CN110930302 B CN 110930302B
- Authority
- CN
- China
- Prior art keywords
- picture
- processed
- target document
- optimization model
- optimized
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 90
- 238000005457 optimization Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明实施例提供了一种图片处理方法、装置、电子设备及可读存储介质。该方法包括:当接收到针对目标文档的打开指令时,打开目标文档;当检测到针对目标文档中图片的处理指令时,将处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型;其中,图片细节优化模型用于:对待处理图片的图像细节进行优化,得到清晰度高于待处理图片的优化图片;利用优化图片替换目标文档中的待处理图片。应用本发明实施例,可以提高目标文档中待处理图片的清晰度,从而可以提高用户的文档阅读体验。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种图片处理方法、装置、电子设备及可读存储介质。
背景技术
目前,为了工作和学习,用户常常需要阅读各种各样的文档。例如,常常需要阅读word文档、PDF(Portable Document Format,便携式文档格式)文档和PPT(PowerPoint,演示文稿)文档等文档。
这些文档中常常会存储有一些图片,当这些图片的分辨率较低时,会使用户观看到较为模糊的图片,影响用户的阅读体验。
发明内容
本发明实施例的目的在于提供一种图片处理方法、装置、电子设备及可读存储介质,以能够提高文档中图片的清晰度,从而提高用户的文档阅读体验。具体技术方案如下:
第一方面,本发明实施提供了一种图片处理方法,该方法可以包括:
当接收到针对目标文档的打开指令时,打开目标文档;
当检测到针对目标文档中图片的处理指令时,将处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型;其中,图片细节优化模型用于:对待处理图片的图像细节进行优化,得到清晰度高于待处理图片的优化图片;
利用优化图片替换目标文档中的待处理图片。
可选地,在本发明的一个实施例中,在将处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型的步骤之前,该方法还可以包括:
获得多张预设的第一图片;
获得每张第一图片对应的、清晰度高于该第一图片的第二图片;
利用预设的机器算法对训练样本进行训练,得到图片细节优化模型;其中,一个训练样本中包括:一张第一图片和该第一图片所对应的第二图片。
可选地,在本发明实施例中,预设的机器算法可以包括:
快速精确的超级图像分辨率算法RAISR或像素卷积神经网络算法PixelCNN。
可选地,在本发明的另一个实施例中,在将处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型的步骤之前,该方法还可以包括:
接收用户发出的、针对待处理图片的处理指令;
或,当检测目标文档中存在图片满足预设处理条件时,将满足预设处理条件的图片确定为待处理图片,并生成针对待处理图片的处理指令。
可选地,在本发明实施例中,预设处理条件可以包括:
待处理图片的图片格式为非位图格式、待处理图片被缩小或待处理图片被放大且待处理图片的格式为非位图格式。
可选地,当预设处理条件为待处理图片被缩小时,利用优化图片替换目标文档中的待处理图片的步骤,可以包括:
将优化图片的图片大小调整为:待处理图片被缩小时所对应的图片大小;
将调整后的优化图片替换目标文档中的待处理图片。
第二方面,本发明实施例提供了一种图片处理装置,该装置可以包括:
打开模块,用于当接收到针对目标文档的打开指令时,打开目标文档;
输入模块,用于当检测到针对目标文档中图片的处理指令时,将处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型;其中,图片细节优化模型用于:对待处理图片的图像细节进行优化,得到清晰度高于待处理图片的优化图片;
替换模块,用于利用优化图片替换目标文档中的待处理图片。
可选地,在本发明实施例中,该装置还可以包括:
第一获得模块,用于在将处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型之前,获得多张预设的第一图片;
第二获得模块,用于获得每张第一图片对应的、清晰度高于该第一图片的第二图片;
训练模块,用于利用预设的机器算法对训练样本进行训练,得到图片细节优化模型;其中,一个训练样本中包括:一张第一图片和该第一图片所对应的第二图片。
可选地,在本发明实施例中,预设的机器算法可以包括:
快速精确的超级图像分辨率算法RAISR或像素卷积神经网络算法PixelCNN。
可选地,在本发明实施例中,该装置还可以包括:
接收模块,用于在将处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型之前,接收用户发出的、针对待处理图片的处理指令;
生成模块,用于在将处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型之前,当检测目标文档中存在图片满足预设处理条件时,将满足预设处理条件的图片确定为待处理图片,并生成针对待处理图片的处理指令。
可选地,在本发明实施例中,预设处理条件可以包括:
待处理图片的图片格式为非位图格式、待处理图片被缩小或待处理图片被放大且待处理图片的格式为非位图格式。
可选地,当预设处理条件为待处理图片被缩小时,替换模块具体可以用于:
将优化图片的图片大小调整为:待处理图片被缩小时所对应的图片大小;
将调整后的优化图片替换目标文档中的待处理图片。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一项图片处理方法的方法步骤。
第四方面,本发明实施例提供了一种可读存储介质,该可读存储介质内存储有计算机程序,计算机程序被电子设备的处理器执行时实现上述任一项图片处理方法的方法步骤。
第五方面,本发明实施例还提供了一种应用程序,当其在电子设备上运行时,使得电子设备执行:上述任一项图片处理方法的方法步骤。
在本发明实施例中,在接收到针对目标文档的打开指令后,可以打开该目标文档。当检测到针对目标文档中图片的处理指令时,可以将该处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型中。由于该图片优化模型可以对待处理图片的图像细节进行优化,因而可以得到该待处理图片对应的、清晰度高于该待处理图片的优化图片。然后,可以利用该优化图片替换该目标文档中的待处理图片,使得该目标文档中能够显示比该待处理图片更清晰的优化图片。这样,当用户调整该目标文档的页面大小时,用户也能看到较为清晰的图片,提高了用户的文档阅读体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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发明的一些实施例,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他的附图。
图1为本发明实施例提供的一种图片处理方法的流程图;
图2为本发明实施例提供的一种图片处理装置的结构示意图;
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了解决现有技术中存在的问题,本发明实施例提供了一种图片处理方法、装置、电子设备及可读存储介质。
下面首先对本发明实施例提供的图片处理方法进行说明。
本发明实施例提供的图片处理方法可以应用于安装有办公软件的电子设备。该电子设备包括但并不局限于电脑和手机。
其中,办公软件包括但并不局限于:WPS(WPS software,WPS软件)办公软件、PPT(PowerPoint,演示文稿)办公软件和PDF(Portable Document Format,便携式文档格式)办公软件,当然并不局限于此。
相应地,本发明实施例中的目标文档包括但并不局限于:WPS文档、PPT文档和PDF文档,当然并不局限于此。
参见图1,该方法可以包括如下步骤:
S101:当接收到针对目标文档的打开指令时,打开目标文档;
S102:当检测到针对目标文档中图片的处理指令时,将处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型;其中,图片细节优化模型用于:对待处理图片的图像细节进行优化,得到清晰度高于待处理图片的优化图片;
S103:利用优化图片替换目标文档中的待处理图片。
在本发明实施例中,在接收到针对目标文档的打开指令后,可以打开该目标文档。当检测到针对目标文档中图片的处理指令时,可以将该处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型中。由于该图片优化模型可以对待处理图片的图像细节进行优化,因而可以得到该待处理图片对应的、清晰度高于该待处理图片的优化图片。然后,可以利用该优化图片替换该目标文档中的待处理图片,使得该目标文档中能够显示比该待处理图片更清晰的优化图片。这样,当用户调整该目标文档的页面大小时,用户也能看到较为清晰的图片,提高了用户的文档阅读体验。
下面以PDF文档为示例,对本发明实施例提供的图片处理方法进行说明。
假设电子设备中安装有PDF办公软件,当该PDF办公软件在检测到针对目标PDF文档的打开指令后,可以打开该目标PDF文档。然后,电子设备可以通过该目标PDF文档的文档结构,确定该目标PDF文档的文档内容中是否存在图片对象(即图片标识)。若存在图片对象,则可以确定该PDF文档中存在图片。若不存在图片对象,则可以确定该PDF文档中不存在图片。
假设检测出该目标PDF文档中存在图片a和b。在一种实现方式中,当用户认为图片a不清晰并发出针对图片a的处理指令时,电子设备可以接收用户发出的、针对图片a的处理指令。该种情况下,电子设备可以检测到针对该目标PDF文档中图片a的处理指令,此时,图片a为待处理图片。
在另一种实现方式中,当电子设备在检测到图片a满足预设处理条件时,可以确定图片a为待处理图片,并生成针对图片a的处理指令。此时,电子设备可以检测到针对该目标PDF文档中图片a的处理指令。其中,满足预设处理条件的图片被认为是模糊不清的图片。
预设处理条件可以包括:待处理图片的图片格式为非位图Bitmap格式,或,待处理图片被缩小,或,待处理图片被放大且待处理图片的格式为非位图格式。当然,该预设处理条件并不局限于此。
可以理解的是,在对目标PDF文档进行页面缩小或放大时,会使该目标PDF文档中的待处理图片的图片大小被缩小或被放大。非位图Bitmap格式可以包括:便携式网络图形格式PNG格式、联合图像专家组JPEG和JPEG2000,当然并不局限于此。
当电子设备检测到针对该目标PDF文档中图片a的处理指令时,电子设备可以将该图片a输入至预先构建的图片细节优化模型。其中,该图片细节优化模型可以为任意的、能够优化待处理图片的图像细节,从而提高待处理图像的清晰度的模型。
该图片细节优化模型可以是存储在该电子设备中的模型,也可以是存储在除该电子设备之外的图片处理服务器中的模型,这都是合理的。其中,当该图片细节优化模型存储在该电子设备中时,可以减少该电子设备和图片处理服务器之间的数据传输量,节省了电子设备和图片处理服务器的传输带宽。当该图片细节优化模型存储在图片处理服务器上时,可以减少该电子设备的计算量,减轻该电子设备处理器的计算压力。
为了清晰布局,后续再对本发明实施例中的构建图片细节优化模型的方式进行详细说明。
电子设备在将该图片a输入至预先构建的图片细节优化模型后,图片细节优化模型可以输出对图片a的图像细节(也称图像特征)进行优化的、清晰度高于图片a的优化图片。并且,在得到图片a的优化图片的优化图片之后,可以利用图片a的优化图片替换目标PDF文档中的图片a。这样,可以实现对图片a的修复,并使用户能够阅读到比图片a更清晰的图片,提高了用户的文档阅读体验。
其中,图片a的图像细节包括:颜色特征、纹理特征和形状特征中的一种或多种,当然并不局限于此。
具体地,当用户在缩小目标PDF文档的页面大小后,目标PDF文档中的图片a被缩小。在该种情况下,电子设备在获得图片细节优化模型输出的、图片a的优化图片后,为了进一步提高用户的阅读体验,还可以将优化图片的图片大小调整为:图片a被缩小时所对应的图片大小。然后,将调整后的优化图片替换目标PDF文档中被缩小的图片a。
同理,当用户在放大目标PDF文档的页面大小后,目标PDF文档中的图片a被放大。并且,图片a的格式为非位图格式。在该种情况下,在电子设备获得图片细节优化模型输出的、图片a的优化图片后,为了进一步提高用户的阅读体验,还可以将优化图片的图片大小调整为:图片a被放大时所对应的图片大小。然后,将调整后的优化图片替换目标PDF文档中被放大的图片a。
需要说明的是,对word文档、WPS文档和PPT文档等文档的图片处理方式可以参考上述目标PDF文档的图片处理方式,在此不做详述。
下面对本发明实施例提供的图片细节优化模型的构建方式进行说明。
在将PDF文档中的图片a输入至预先构建的图片文字识别模型之前,可以获得多张预设的第一图片。并获得每张第一图片对应的、清晰度高于该第一图片的第二图片。然后,利用预设的机器算法对训练样本进行训练,得到图片细节优化模型。
一个训练样本中包括:一张第一图片和该第一图片所对应的第二图片。举例而言,一个训练样本包括:记录有模糊的小狗图像的第一图片,以及记录有清晰的该小狗图像的第二图片。
预设的机器算法可以包括:RAISR(Rapid and Accurate Super ImageResolution,快速精确的超级图像分辨率)算法,或,PixelCNN(Pixel Recurrent NeuralNetworks,像素卷积神经网络)算法。
其中,PixelCNN算法由两个卷积神经网络组成,一个是描述低分辨率图像骨架的优先网络,一个是用于优化细节特征的调节网络。RAISR算法可以对高低分辨率的成对图片进行学习,即先对低分辨率图片应用低功耗的升采样,然后在升采样图片和高分辨率图片的组合中学习出过滤器。
可以理解的是,任意一种能够优化图片细节,从而能够提高图片清晰度的算法均可用于训练本发明实施例提供的图片细节优化模型,这是合理的。
由于用于训练该图片细节优化模型的训练样本越多,则训练得到的图片细节优化模型的优化效果就越好,因而可以采用尽量多的训练样本来训练该图片细节优化模型。
另外,为了进一步提高图片细节优化模型的优化效果,在训练得到图片细节优化模型之后,还可以利用多个优化样本对该图片细节优化模型进行调优。其中,一个优化样本中包括:用于优化模型的模糊图片和该模糊图片对应的清晰图片。这样,可以对图片细节优化模型中的参数进行优化,从而使得该模型的输出优化图片更清晰。
其中,本发明实施例中的图片细节优化模型属于AI(Artificial Intelligence,人工智能)中的模型。其中,当该图片细节优化模型设置在图片处理服务器中时,电子设备可以通过图片细节优化模型接口,将待处理图片输入至该图片细节优化模型,并可以通过图片细节优化模型接口获得该模型输出的优化图片。
以上,可以利用该优化图片替换该目标文档中的待处理图片,使得该目标文档中能够显示比该待处理图片更清晰的优化图片。并且,当用户调整该目标文档的页面大小时,用户也能看到较为清晰的图片,提高了用户的文档阅读体验。
相应于上述方法实施例,本发明实施例还提供了一种图片处理装置,参见图2,该装置可以包括:
打开模块201,用于当接收到针对目标文档的打开指令时,打开目标文档;
输入模块202,用于当检测到针对目标文档中图片的处理指令时,将处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型;其中,图片细节优化模型用于:对待处理图片的图像细节进行优化,得到清晰度高于待处理图片的优化图片;
替换模块203,用于利用优化图片替换目标文档中的待处理图片。
在本发明实施例中,在接收到针对目标文档的打开指令后,可以打开该目标文档。当检测到针对目标文档中图片的处理指令时,可以将该处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型中。由于该图片优化模型可以对待处理图片的图像细节进行优化,因而可以得到该待处理图片对应的、清晰度高于该待处理图片的优化图片。然后,可以利用该优化图片替换该目标文档中的待处理图片,使得该目标文档中能够显示比该待处理图片更清晰的优化图片。这样,当用户调整该目标文档的页面大小时,用户也能看到较为清晰的图片,提高了用户的文档阅读体验。
可选地,在本发明实施例中,该装置还可以包括:
第一获得模块,用于在将处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型之前,获得多张预设的第一图片;
第二获得模块,用于获得每张第一图片对应的、清晰度高于该第一图片的第二图片;
训练模块,用于利用预设的机器算法对训练样本进行训练,得到图片细节优化模型;其中,一个训练样本中包括:一张第一图片和该第一图片所对应的第二图片。
可选地,在本发明实施例中,预设的机器算法可以包括:
快速精确的超级图像分辨率算法RAISR或像素卷积神经网络算法PixelCNN。
可选地,在本发明实施例中,该装置还可以包括:
接收模块,用于在将处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型之前,接收用户发出的、针对待处理图片的处理指令;
生成模块,用于在将处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型之前,当检测目标文档中存在图片满足预设处理条件时,将满足预设处理条件的图片确定为待处理图片,并生成针对待处理图片的处理指令。
可选地,在本发明实施例中,预设处理条件可以包括:
待处理图片的图片格式为非位图格式、待处理图片被缩小或待处理图片被放大且待处理图片的格式为非位图格式。
可选地,当预设处理条件为待处理图片被缩小时,替换模块203具体可以用于:
将优化图片的图片大小调整为:待处理图片被缩小时所对应的图片大小;
将调整后的优化图片替换目标文档中的待处理图片。
相应于上述方法实施例,本发明实施例还提供了一种电子设备,参见图3,该电子设备包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信,
存储器303,用于存放计算机程序;
处理器301,用于执行存储器303上所存放的程序时,实现上述任一项图片处理方法的方法步骤。
在本发明实施例中,电子设备在接收到针对目标文档的打开指令后,可以打开该目标文档。当检测到针对目标文档中图片的处理指令时,可以将该处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型中。由于该图片优化模型可以对待处理图片的图像细节进行优化,因而可以得到该待处理图片对应的、清晰度高于该待处理图片的优化图片。然后,可以利用该优化图片替换该目标文档中的待处理图片,使得该目标文档中能够显示比该待处理图片更清晰的优化图片。这样,当用户调整该目标文档的页面大小时,用户也能看到较为清晰的图片,提高了用户的文档阅读体验。
相应于上述方法实施例,本发明实施例还提供了一种可读存储介质,该可读存储介质内存储有计算机程序,计算机程序被电子设备的处理器执行时实现上述任一项图片处理方法的方法步骤。
本发明实施例提供的可读存储介质中存储的计算机程序被电子设备的处理器执行后,电子设备在接收到针对目标文档的打开指令后,可以打开该目标文档。当检测到针对目标文档中图片的处理指令时,可以将该处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型中。由于该图片优化模型可以对待处理图片的图像细节进行优化,因而可以得到该待处理图片对应的、清晰度高于该待处理图片的优化图片。然后,可以利用该优化图片替换该目标文档中的待处理图片,使得该目标文档中能够显示比该待处理图片更清晰的优化图片。这样,当用户调整该目标文档的页面大小时,用户也能看到较为清晰的图片,提高了用户的文档阅读体验。
相应于上述方法实施例,本发明实施例还提供了一种应用程序,当其在电子设备上运行时,使得电子设备执行:上述任一项图片处理方法的方法步骤。
本发明实施例提供的应用程序被电子设备的处理器执行后,电子设备在接收到针对目标文档的打开指令后,可以打开该目标文档。当检测到针对目标文档中图片的处理指令时,可以将该处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型中。由于该图片优化模型可以对待处理图片的图像细节进行优化,因而可以得到该待处理图片对应的、清晰度高于该待处理图片的优化图片。然后,可以利用该优化图片替换该目标文档中的待处理图片,使得该目标文档中能够显示比该待处理图片更清晰的优化图片。这样,当用户调整该目标文档的页面大小时,用户也能看到较为清晰的图片,提高了用户的文档阅读体验。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、可读存储介质和应用程序实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种文档中的图片处理方法,其特征在于,所述方法包括:
当电子设备接收到针对目标文档的打开指令时,打开所述目标文档;其中,所述电子设备为存储有图片细节优化模型的电子设备;
针对所述目标文档进行图片识别,确定所述目标文档中是否存在图片对象;
在确定所述目标文档中存在所述图片对象的情况下,当所述电子设备检测所述目标文档中存在图片满足预设处理条件时,将满足所述预设处理条件的图片确定为待处理图片,并生成针对所述待处理图片的处理指令,所述预设处理条件包括:所述待处理图片的图片格式为非位图格式,或所述待处理图片被缩小,或所述待处理图片被放大且所述待处理图片的格式为非位图格式;
当所述电子设备检测到针对所述目标文档中图片的处理指令时,将所述处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型;其中,所述图片细节优化模型用于:对所述待处理图片的图像细节进行优化,得到清晰度高于所述待处理图片的优化图片;
当所述电子设备检测针对所述目标文档的页面大小进行调整的情况下,所述图片细节优化模型将所述待处理图片处理为所述优化图片后,所述电子设备将所述优化图片调整为页面缩小情况下所述待处理图片被缩小时所对应的图片大小或者将所述优化图片调整为页面放大情况下所述待处理图片被放大时所对应的图片大小,并利用放大或者缩小后的优化图片替换所述目标文档中的待处理图片。
2.根据权利要求1所述的方法,其特征在于,在将所述处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型的步骤之前,所述方法还包括:
获得多张预设的第一图片;
获得每张第一图片对应的、清晰度高于该第一图片的第二图片;
利用预设的机器算法对训练样本进行训练,得到图片细节优化模型;其中,一个训练样本中包括:一张第一图片和该第一图片所对应的第二图片。
3.根据权利要求2所述的方法,其特征在于,所述预设的机器算法包括:
快速精确的超级图像分辨率算法RAISR或像素卷积神经网络算法PixelCNN。
4.一种文档中的图片处理装置,其特征在于,所述装置包括:
打开模块,用于当电子设备接收到针对目标文档的打开指令时,打开所述目标文档;其中,所述电子设备为存储有图片细节优化模型的电子设备;
生成模块,用于针对所述目标文档进行图片识别,确定所述目标文档中是否存在图片对象;并在确定所述目标文档中存在所述图片对象的情况下,当所述电子设备检测所述目标文档中存在图片满足预设处理条件时,将满足所述预设处理条件的图片确定为待处理图片,并生成针对所述待处理图片的处理指令,所述预设处理条件包括:所述待处理图片的图片格式为非位图格式,或所述待处理图片被缩小,或,所述待处理图片被放大且所述待处理图片的格式为非位图格式;
输入模块,用于当电子设备检测到针对所述目标文档中图片的处理指令时,将所述处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型;其中,所述图片细节优化模型用于:对所述待处理图片的图像细节进行优化,得到清晰度高于所述待处理图片的优化图片;
替换模块,用于当所述电子设备检测针对所述目标文档的页面大小进行调整的情况下,所述图片细节优化模型将所述待处理图片处理为所述优化图片后,所述电子设备将所述优化图片调整为页面缩小情况下所述待处理图片被缩小时所对应的图片大小或者将所述优化图片调整为页面放大情况下所述待处理图片被放大时所对应的图片大小;
所述替换模块,还用于利用放大或者缩小后的优化图片替换所述目标文档中的待处理图片。
5.根据权利要求4所述的装置,其特征在于,所述装置还包括:
第一获得模块,用于在将所述处理指令所指示处理的待处理图片输入至预先构建的图片细节优化模型之前,获得多张预设的第一图片;
第二获得模块,用于获得每张第一图片对应的、清晰度高于该第一图片的第二图片;
训练模块,用于利用预设的机器算法对训练样本进行训练,得到图片细节优化模型;其中,一个训练样本中包括:一张第一图片和该第一图片所对应的第二图片。
6.根据权利要求5所述的装置,其特征在于,所述预设的机器算法包括:
快速精确的超级图像分辨率算法RAISR或像素卷积神经网络算法PixelCNN。
7.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-3中任一所述的方法步骤。
8.一种可读存储介质,其特征在于,所述可读存储介质内存储有计算机程序,所述计算机程序被电子设备的处理器执行时实现权利要求1-3中任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811000293.8A CN110930302B (zh) | 2018-08-30 | 2018-08-30 | 一种图片处理方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811000293.8A CN110930302B (zh) | 2018-08-30 | 2018-08-30 | 一种图片处理方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110930302A CN110930302A (zh) | 2020-03-27 |
CN110930302B true CN110930302B (zh) | 2024-03-26 |
Family
ID=69854910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811000293.8A Active CN110930302B (zh) | 2018-08-30 | 2018-08-30 | 一种图片处理方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930302B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007194793A (ja) * | 2006-01-18 | 2007-08-02 | Fuji Xerox Co Ltd | 画像形成装置 |
RU2013104245A (ru) * | 2013-02-01 | 2014-08-10 | Корпорация "САМСУНГ ЭЛЕКТРОНИКС Ко., Лтд." | Способ и система преобразования моментального снимка экрана в метафайл |
CN104346136A (zh) * | 2013-07-24 | 2015-02-11 | 腾讯科技(深圳)有限公司 | 一种图片处理的方法及装置 |
CN104346322A (zh) * | 2013-08-08 | 2015-02-11 | 北大方正集团有限公司 | 文档格式处理装置和文档格式处理方法 |
CN106777007A (zh) * | 2016-12-07 | 2017-05-31 | 北京奇虎科技有限公司 | 相册分类优化方法、装置及移动终端 |
CN107463307A (zh) * | 2017-07-31 | 2017-12-12 | 北京京东尚科信息技术有限公司 | 文档显示方法和装置 |
CN108230232A (zh) * | 2016-12-21 | 2018-06-29 | 腾讯科技(深圳)有限公司 | 一种图像处理的方法以及相关装置 |
CN108416748A (zh) * | 2018-02-26 | 2018-08-17 | 阿博茨德(北京)科技有限公司 | Jpeg压缩文档的图像预处理方法及装置 |
CN110399598A (zh) * | 2018-04-24 | 2019-11-01 | 珠海金山办公软件有限公司 | 一种文档内容调整方法、装置、电子设备及可读存储介质 |
CN110633457A (zh) * | 2018-06-22 | 2019-12-31 | 广州金山移动科技有限公司 | 一种内容替换方法、装置、电子设备及可读存储介质 |
-
2018
- 2018-08-30 CN CN201811000293.8A patent/CN110930302B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007194793A (ja) * | 2006-01-18 | 2007-08-02 | Fuji Xerox Co Ltd | 画像形成装置 |
RU2013104245A (ru) * | 2013-02-01 | 2014-08-10 | Корпорация "САМСУНГ ЭЛЕКТРОНИКС Ко., Лтд." | Способ и система преобразования моментального снимка экрана в метафайл |
CN104346136A (zh) * | 2013-07-24 | 2015-02-11 | 腾讯科技(深圳)有限公司 | 一种图片处理的方法及装置 |
CN104346322A (zh) * | 2013-08-08 | 2015-02-11 | 北大方正集团有限公司 | 文档格式处理装置和文档格式处理方法 |
CN106777007A (zh) * | 2016-12-07 | 2017-05-31 | 北京奇虎科技有限公司 | 相册分类优化方法、装置及移动终端 |
CN108230232A (zh) * | 2016-12-21 | 2018-06-29 | 腾讯科技(深圳)有限公司 | 一种图像处理的方法以及相关装置 |
CN107463307A (zh) * | 2017-07-31 | 2017-12-12 | 北京京东尚科信息技术有限公司 | 文档显示方法和装置 |
CN108416748A (zh) * | 2018-02-26 | 2018-08-17 | 阿博茨德(北京)科技有限公司 | Jpeg压缩文档的图像预处理方法及装置 |
CN110399598A (zh) * | 2018-04-24 | 2019-11-01 | 珠海金山办公软件有限公司 | 一种文档内容调整方法、装置、电子设备及可读存储介质 |
CN110633457A (zh) * | 2018-06-22 | 2019-12-31 | 广州金山移动科技有限公司 | 一种内容替换方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于用户浏览行为的用户模型调整算法研究;余强;周良;丁秋林;;计算机与数字工程;20101120(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110930302A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11875262B2 (en) | Learning neural network structure | |
US11205099B2 (en) | Training neural networks using data augmentation policies | |
US10810721B2 (en) | Digital image defect identification and correction | |
CN111080528A (zh) | 图像超分辨率和模型训练方法、装置、电子设备及介质 | |
WO2020176588A1 (en) | Identifying key-value pairs in documents | |
US11836898B2 (en) | Method and apparatus for generating image, and electronic device | |
US9141596B2 (en) | System and method for processing markup language templates from partial input data | |
WO2023138188A1 (zh) | 特征融合模型训练及样本检索方法、装置和计算机设备 | |
US20220230065A1 (en) | Semi-supervised training of machine learning models using label guessing | |
CN111145202B (zh) | 模型生成方法、图像处理方法、装置、设备及存储介质 | |
WO2022252640A1 (zh) | 图像分类预处理、图像分类方法、装置、设备及存储介质 | |
CN113516697B (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
CN110363189B (zh) | 一种文档内容修复方法、装置、电子设备及可读存储介质 | |
CN110930302B (zh) | 一种图片处理方法、装置、电子设备及可读存储介质 | |
US20220004849A1 (en) | Image processing neural networks with dynamic filter activation | |
CN110633457B (zh) | 一种内容替换方法、装置、电子设备及可读存储介质 | |
CN110399598B (zh) | 一种文档内容调整方法、装置、电子设备及可读存储介质 | |
CN113011410A (zh) | 字符识别模型的训练方法、字符识别方法及装置 | |
CN114328916A (zh) | 事件抽取、及其模型的训练方法,及其装置、设备和介质 | |
CN113408702A (zh) | 音乐神经网络模型预训练方法及电子设备和存储介质 | |
CN113298083A (zh) | 一种数据处理方法及装置 | |
CN111868752A (zh) | 神经网络层权重的连续参数化 | |
CN111402276B (zh) | 一种二值图像生成方法、装置、电子设备及可读存储介质 | |
CN115859964B (zh) | 基于教育云平台的教育资源共享方法及系统 | |
CN113538413B (zh) | 图像检测方法及装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |