CN110930420B - 基于神经网络的稠密目标背景噪声抑制方法及设备 - Google Patents

基于神经网络的稠密目标背景噪声抑制方法及设备 Download PDF

Info

Publication number
CN110930420B
CN110930420B CN201911097155.0A CN201911097155A CN110930420B CN 110930420 B CN110930420 B CN 110930420B CN 201911097155 A CN201911097155 A CN 201911097155A CN 110930420 B CN110930420 B CN 110930420B
Authority
CN
China
Prior art keywords
segmented
target
frames
external
frame
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
Application number
CN201911097155.0A
Other languages
English (en)
Other versions
CN110930420A (zh
Inventor
欧阳瑶
周治尹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Zhiyun Technology Co ltd
Original Assignee
Zhongke Zhiyun Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongke Zhiyun Technology Co ltd filed Critical Zhongke Zhiyun Technology Co ltd
Priority to CN201911097155.0A priority Critical patent/CN110930420B/zh
Publication of CN110930420A publication Critical patent/CN110930420A/zh
Priority to PCT/CN2020/128021 priority patent/WO2021093756A1/zh
Application granted granted Critical
Publication of CN110930420B publication Critical patent/CN110930420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了基于神经网络的稠密目标背景噪声抑制方法及设备，该方法包括：获取图像并确定多个稠密分布的待分割目标；分别对上述待分割目标进行外接框分割，获得上述待分割目标所对应的外接框；进行所述待分割目标的层级排序处理；对待分割目标的旋转角度进行检测；对所述待分割目标进行外接框分割；输出待分割目标。计算机可读介质，其上存储有计算机可读指令，计算机可读指令可被处理器执行时，使处理器实现如上述的方法。该设备包括：处理器；计算机可读介质，用于存储计算机可读指令，当计算机可读指令被处理器执行，使得处理器实现上述的方法。当背景目标与待分割目标相互紧密连接时，本申请依然可以清晰地定位待分割目标的完整准确边界。

Description

基于神经网络的稠密目标背景噪声抑制方法及设备
技术领域
本申请涉及计算机领域，尤其涉及基于神经网络的稠密目标背景噪声抑制方法及设备。
背景技术
当使用一种基于神经网络的分割方法对如图1所示的稠密分布的多个目标用外接矩形进行分割，得到的结果如图2所示。但是，该分割方法存在以下问题：当外接矩形框中包含了大量的背景噪声，干扰目标与被检测目标相互紧密连接，无法清晰标定目标物体的完整准确边界。
当图像中包含多个待分割目标时，目标间相互干扰程度不同，存在无法直接精确定位分割目标物体的现象。图3为其中一个外接矩形框中的待分割目标分割的结果，从图3可知，该外接矩形框中存在多个紧密相连无关干扰目标，该外接矩形框中的待分割目标边界被大量噪声淹没，存在无法直接精确定位目标的问题。目前尚缺少一种对外接矩形框内稠密干扰目标噪声的有效抑制方法。
发明内容
本申请的一个目的是提供基于神经网络的稠密目标背景噪声抑制方法及设备，当多个稠密分布的待分割目标相互紧密连接时，本申请可清晰标定待分割目标的完整准确边界。
根据本申请的一个方面，提供了基于神经网络的稠密目标背景噪声抑制方法，所述方法包括：
获取图像并确定多个稠密分布的待分割目标；
分别对上述多个稠密分布的待分割目标进行外接框分割，获得上述多个稠密分布的待分割目标所对应的外接框；
基于上述多个稠密分布的待分割目标所对应的外接框，进行所述待分割目标的层级排序处理；
基于上述待分割目标的层级排序处理的结果，对待分割目标的旋转角度进行检测；
基于上述对待分割目标的旋转角度进行检测的结果，对所述待分割目标进行外接框分割；
基于待分割目标进行外接框分割结果，输出待分割目标。
进一步地，上述的基于神经网络的稠密目标背景噪声抑制方法中，上述的分别对上述多个稠密分布的待分割目标进行外接框分割，获得上述多个稠密分布的待分割目标所对应的外接框包括：通过外接矩形分割方法分别对上述多个稠密分布的待分割目标进行外接矩形框分割，获得所述多个稠密分布的待分割目标所对应的外接矩形框。
进一步地，上述的基于神经网络的稠密目标背景噪声抑制方法中，基于上述多个待分割目标的外接框，对所述外接框进行编号，并为每个所述外接框建立一个相交框的列表，并记录其中一个所述待分割目标的外接框与其他待分割目标的外接框的相交区域。
进一步地，上述的基于神经网络的稠密目标背景噪声抑制方法中，上述的基于上述多个稠密分布的待分割目标所对应的外接框，进行所述待分割目标的层级排序处理，包括：
基于每个上述外接框所建立一个相交框的列表，计算每个所述外接框被其他干扰的外接框所覆盖的面积比Pi，其中，
Pi＝areacover/areai
其中，areai表示其中任意一个外接框所覆盖的面积，areacover表示该外接框被其他干扰的外接框所覆盖的面积；
其中，定义外接框被覆盖的阈值为T，如果所覆盖的面积比Pi小于该阈值T，那么将符合该阈值要求的所述外接框并列在同一层级处理。
进一步地，上述的基于神经网络的稠密目标背景噪声抑制方法中，基于上述的将符合该阈值要求的所述外接框并列在同一层级处理结果，将上述符合阈值要求的外接框从余下外接框的相交框列表中删除，获得新的外接框的相交框列表；
基于上述获得的新的外接框的相交框列表结果，计算每个所述外接框被其他干扰的外接框所覆盖的面积比Pi，并将该覆盖的面积比Pi与阈值T比较，如果该覆盖的面积比Pi小于该阈值T，那么将符合该阈值要求的所述外接框并列在同一层级处理；
重复上述步骤，直至完成所有的待分割目标的层级排序处理。
进一步地，上述的基于神经网络的稠密目标背景噪声抑制方法中，基于上述的待分割目标的层级排序处理结果，按照层级排序图从上到下依次处理每一层的目标。
进一步地，上述的基于神经网络的稠密目标背景噪声抑制方法中，基于上述的待分割目标的层级排序处理结果，按照层级排序图从上到下依次处理每一层的目标，包括：采用目标旋转角度检测方法，分别计算出同一层的每个待分割目标的旋转角度。
进一步地，上述的基于神经网络的稠密目标背景噪声抑制方法中，基于上述的采用目标旋转角度检测方法，分别计算出同一层的每个待分割目标的旋转角度结果，再次进行外接矩形分割，获得同一层的每个待分割目标的精确位置。
进一步地，上述的基于神经网络的稠密目标背景噪声抑制方法中，基于上述的获得同一层的每个待分割目标的精确位置结果，将上述已经完成分割的同一层的每个待分割目标去除后，对层级排序图中的下一层的所有待分割目标进行分割，直至所有层的待分割目标均被分割完成。根据本申请的另一方面，还提供了计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如上述任一项所述的方法。
根据本申请的另一方面，还提供了基于神经网络的稠密目标背景噪声抑制设备，该设备包括：
一个或多个处理器；
计算机可读介质，用于存储一个或多个计算机可读指令，
当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述中任一项所述的方法。
与现有技术相比，本申请具有如下技术效果：
当外接框包含多个稠密分布的待分割目标时，本申请可以精确定位待分割目标边界和目标位置，并且可以抑制其他干扰目标形成的噪声；当背景目标与待分割目标相互紧密连接时，即使本申请外接框中包含了大量的背景噪声，本申请依然可以清晰地定位待分割目标的完整准确边界。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出现有技术中多个稠密分布的目标的示意图；
图2示出将如图1所示结构进行外接矩形框分割后的示意图；
图3示出基于如图2所示的分割方法所分割出的其中一个矩形外接框的局部放大图；
图4示出根据本申请基于神经网络的稠密目标背景噪声抑制方法一个方面的流程图；
图5示出本申请基于神经网络的稠密目标背景噪声抑制方法一个方面的采用外接矩形分割方法获得的外接矩形框图；
图6示出本申请中基于神经网络的稠密目标背景噪声抑制方法一个方面的层级排序处理结构示意图；
图7示出本申请中一个方面的以A为待分割目标的外接矩形框示意图；
图8示出本申请中一个方面的以A为待分割目标采用目标旋转角度检测结果图；
图9示出本申请中一个方面的以A为待分割目标旋转至水平方向的示意图；
图10示出基于如图9所示结构进行外接矩形分割后的示意图；
图11示出本申请中一个方面的以A为待分割目标的外接矩形框的裁剪示意图；
图12示出本申请中一个方面的待分割目标A的精确定位分割图；
图13示出本申请中一个方面的第一层待分割目标的精确定位分割图；
图14示出本申请基于神经网络的稠密目标背景噪声抑制方法获得的待分割目标的精确定位分割图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器，例如中央处理器(Central Processing Unit，CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RandomAccess Memory，RAM)和/或非易失性内存等形式，如只读存储器(Read Only Memory，ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(Phase-Change RAM，PRAM)、静态随机存取存储器(Static Random Access Memory，SRAM)、动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字多功能光盘(Digital Versatile Disk，DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
如图4所示，根据本实施例的一个方面，提供了基于神经网络的稠密目标背景噪声抑制方法，所述方法包括：
步骤S11，获取图像并确定多个稠密分布的待分割目标；
步骤S12，分别对上述多个稠密分布的待分割目标进行外接框分割，获得上述多个稠密分布的待分割目标所对应的外接框；
步骤S13，基于上述多个稠密分布的待分割目标所对应的外接框，进行所述待分割目标的层级排序处理；
步骤S14，基于上述待分割目标的层级排序处理的结果，对待分割目标的旋转角度进行检测；
步骤S15，基于上述对待分割目标的旋转角度进行检测的结果，对所述待分割目标进行外接框分割；
步骤S16，基于待分割目标进行外接框分割结果，输出待分割目标。
上述步骤S11至步骤S16，当外接框中包含多个稠密分布的待分割目标时，本实施例可以有效抑制背景噪声，还可以清晰地标定待分割目标的完整准确边界。
如图5至图10示出了本实施例基于神经网络的稠密目标背景噪声抑制方法中所涉及的稠密目标背景噪声抑制过程示意图。但是，附图中所涉及的待分割目标A、待分割目标B、待分割目标C、待分割目标D以及待分割目标E的结构示例(如不同瓶子或者食品包装袋的结构)仅仅是示意和解释说明，其并不对本申请的保护范围造成限定；当然，上述示意亦可有采用其他现有的常见的产品结构进行举例说明。
进一步地，待分割目标A、待分割目标B、待分割目标C、待分割目标D以及待分割目标E的确定仅仅示意了其中一种稠密分布情况进行了列举和说明，上述具体的稠密分布排列情况并不对本申请的保护范围造成限定。
再者，本实施例仅仅示意了与所述待分割目标稠密分布时仅仅设有5个情况，但在实际应用过程中，上述待分割目标的具体设置数量可以为至少两个，上述对待分割目标数量的公开并不对本申请的保护范围造成限定。
当然，在本实施例中，待分割目标A、待分割目标B、待分割目标C、待分割目标D以及待分割目标E优选采用类似食品外包装的结构进行显示，所涉及的外接框优选采用外接矩形框进行实例说明，如图5所示，以进一步清楚地了解本实施例。
接着本申请的上述实施例，步骤S12中，上述的分别对上述多个稠密分布的待分割目标进行外接框分割，获得上述多个稠密分布的待分割目标所对应的外接框包括：通过外接矩形分割方法分别对上述多个稠密分布的待分割目标进行外接矩形框分割，获得所述多个稠密分布的待分割目标所对应的外接矩形框。
接着本申请的上述实施例，步骤S12中，基于所述待分割目标以及与其所对应的外接矩形框，对所述外接矩形框进行编号。
例如，对每个上述的外接矩形框进行编号，分别为外接矩形框A’，外接矩形框B’，外接矩形框C’，外接矩形框D’，外接矩形框E’，为进一步将不同的外接矩形框更好或者更清楚地区分开来，亦可将上述外接矩形框在编号的同时标注为不同的颜色，如外接矩形框A’(黄)，外接矩形框B’(绿)，外接矩形框C’(蓝)，外接矩形框D’(红)以及外接矩形框E’(紫)。其中，上述的标注为不同的颜色，仅仅为列举示意并不对本申请的保护范围进行限定。
进一步地，基于上述多个待分割目标的外接框，对所述外接框进行编号，并为每个所述外接框建立一个相交框的列表，并记录其中一个所述待分割目标的外接框与其他待分割目标的外接框的相交区域。
在上述的外接矩形框A’，外接矩形框B’，外接矩形框C’，外接矩形框D’以及外接矩形框E’所建立的相交框列表，如图5所示，与外接矩形框A’相交的区域有：外接矩形框B’，外接矩形框C’以及外接矩形框D’，表示为A’:[B’,C’,D’]。那么依次类推，其余待分割目标依次表示为B’:[A’,C’,D’,E’]，C’:[A’,B’,D’]，D’:[A’,B’,C’,E’]以及E’:[B’,D’]。本实施例仅仅对其中一种稠密分布的多个待分割目标进行举例说明。
接着本申请的上述实施例，步骤S13中，上述的基于上述多个稠密分布的待分割目标所对应的外接框，进行所述待分割目标的层级排序处理，包括：
基于每个上述外接框所建立一个相交框的列表，计算每个所述外接框被其他干扰的外接框所覆盖的面积比Pi，其中，
Pi＝areacover/areai
其中，areai表示其中任意一个外接框所覆盖的面积，areacover表示该外接框被其他干扰的外接框所覆盖的面积；
其中，定义外接框被覆盖的阈值为T，如果所覆盖的面积比Pi小于该阈值T，那么将符合该阈值要求的所述外接框并列在同一层级处理。
那么，按照上述公式，分别对外接矩形框A’，外接矩形框B’，外接矩形框C’，外接矩形框D’以及外接矩形框E’各自被其他的外接矩形框所覆盖的面积比Pi和上述的阈值T进行比较，经计算，外接矩形框A’，外接矩形框B’以及外接矩形框E’符合要求，那么，分别将与外接矩形框A’，外接矩形框B’以及外接矩形框E’对应的待分割目标A、待分割目标B以及待分割目标E作为第一层优选处理。
接着本申请的上述实施例，步骤S13中，基于上述的将符合该阈值要求的所述外接框并列在同一层级处理结果，将上述符合阈值要求的外接框从余下外接框的相交框列表中删除，获得新的外接框的相交框列表；
基于上述获得的新的外接框的相交框列表结果，计算每个所述外接框被其他干扰的外接框所覆盖的面积比Pi，并将该覆盖的面积比Pi与阈值T比较，如果该覆盖的面积比Pi小于该阈值T，那么将符合该阈值要求的所述外接框并列在同一层级处理；
重复上述步骤，直至完成所有的待分割目标的层级排序处理。
在本实施例中，如图6所示，由于上述的外接矩形框A’，外接矩形框B’以及外接矩形框E’符合要求，作为第一层并行处理的目标外接矩形框。那么，将外接矩形框C’、外接矩形框D’的相交框列表中的外接矩形框A’，外接矩形框B’以及外接矩形框E’删除，得到新的相交框列表C’:[D’]，D’:[C’]。
然后基于该新的相交框列表，计算每个所述外接框被其他干扰的外接框所覆盖的面积比Pi，并将该覆盖的面积比Pi与阈值T比较，如果该覆盖的面积比Pi小于该阈值T，那么将符合该阈值要求的所述外接框并列在同一层级处理。经计算，外接矩形框C’和外接矩形框D’符合要求，作为第二层并行处理的目标外接矩形框，见图6所示。即，分别与外接矩形框C’、外接矩形框D’对应的待分割目标C和待分割目标D作为第二层进行处理。
基于上述，本实施例中的所有待分割目标均已被分割完成，本实施例仅仅示意了仅仅按照层级排序图排序为第一层和第二层的情况，如果还有更多的待分割目标或者按照其他稠密分布方式排列的多个待分割目标，那么，可能还会出现第三层、第四层……第N层的情况，这种情况则按照层级排序图从上到下依次处理每一层的目标，直至所有待分割目标被分割完成。
接着本申请的上述实施例，步骤S14中，基于上述的待分割目标的层级排序处理结果，按照层级排序图从上到下依次处理每一层的目标，包括：采用目标旋转角度检测方法，分别计算出同一层的每个待分割目标的旋转角度。
在本实施例中，按照层级排序图从上到下处理每一层的目标。
具体的方法如下所示：
以第一层的待分割目标A为例，如图7所示，采用目标旋转角度检测方法对待分割目标A的旋转角度进行检测，结果如图8所示，图中的线段G与水平方向的夹角θA，其中，θA即为待分割目标A的旋转角度；同理，依次计算待分割目标B的旋转角度θB和待分割目标E的旋转角度θE。
接着本申请的上述实施例，步骤S15中，基于上述的采用目标旋转角度检测方法，分别计算出同一层的每个待分割目标的旋转角度结果，并结合图5，再次进行外接矩形分割，获得同一层的每个待分割目标的精确位置。
具体步骤如下所示：
根据旋转角度θA旋转待分割目标A至水平方向，旋转正以后的外接框如下图9所示，将图9所示的结构进行外接矩形框的分割，其分割结果如图10所示，其中，图中的矩形外接框为真实的目标框的位置。然后将图10中的矩形外接框区域还原至图11中，得到的目标精确定位区域如图12所示，其中的多边形区域为待分割的目标区域，也就是待分割目标A的精确分割位置。
在本实施例中，基于待分割目标A的旋转角度θA和图5，再次进行外接矩形分割，最终获得的待分割目标A的精确位置如图12所示。
在本实施例中，按照上述方法，基于待分割目标B的旋转角度θB和图5，再次进行外接矩形分割，可获得的待分割目标B的精确位置；基于待分割目标E的旋转角度θE和图5，再次进行外接矩形分割，可获得的待分割目标E的精确位置。
接着本申请的上述实施例，步骤S15中，基于上述的获得同一层的每个待分割目标的精确位置结果，将上述已经完成分割的同一层的每个待分割目标去除后，对层级排序图中的下一层的所有待分割目标进行分割，直至所有层的待分割目标均被分割完成。
在本实施例中，首先将处于第一层的待分割目标A、待分割目标B以及待分割目标E处理完，最终获得的结果如图13所示。
在将处于第一层的待分割目标A、待分割目标B以及待分割目标E处理后，并将其第一层的待分割目标A、待分割目标B以及待分割目标E去除后，对层级排序图中的第二层的所有待分割目标进行分割，即，对本实施例中的处于第二层的待分割目标C和待分割目标D进行分割。
本实施例中，待分割目标C和待分割目标D的具体分割步骤为：
采用目标旋转角度检测方法对待分割目标C的旋转角度进行检测，并计算出待分割目标C的旋转角度θc；同理，依次计算待分割目标D的旋转角度θD；
基于待分割目标C的旋转角度θC和图5，再次进行外接矩形分割，最终可获得的待分割目标C的精确位置，该分割过程可参见上述待分割目标A的具体分割过程；同理，待分割目标D的旋转角度θD和图5，再次进行外接矩形分割，最终可获得的待分割目标D的精确位置，该分割过程可参见上述待分割目标A的具体分割过程。
上述处于第一层和第二层的待分割目标分割完成后，本实施例中的所有待分割目标均被处理完，最终的处理结果如图14所述。
根据本申请的另一方面，还提供了计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如上述的基于神经网络的稠密目标背景噪声抑制方法。
根据本申请的另一方面，还提供了基于神经网络的稠密目标背景噪声抑制设备，该设备包括：
一个或多个处理器；
计算机可读介质，用于存储一个或多个计算机可读指令，
当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的基于神经网络的稠密目标背景噪声抑制方法。
在此，所述设备的各实施例的详细内容，具体可参见上述设备端的基于神经网络的稠密目标背景噪声抑制方法实施例的对应部分，在此，不再赘述。
综上所述，在本申请中，当外接框中包含背景目标时，本申请可以有效抑制背景目标形成的噪声；当外接框包含稠密分布的背景目标时，本申请可以精确定位待分割目标边界和目标位置；当背景目标与待分割目标相互紧密连接时，即使本申请外接框中包含了大量的背景噪声，本申请依然可以清晰地标定待分割目标的完整准确边界。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (8)

1.基于神经网络的稠密目标背景噪声抑制方法，其特征在于，所述方法包括：
基于神经网络，获取图像并确定多个稠密分布的待分割目标；
分别对上述多个稠密分布的待分割目标进行外接框分割，获得上述多个稠密分布的待分割目标所对应的外接框；
基于上述多个稠密分布的待分割目标所对应的外接框，进行所述待分割目标的层级排序处理；基于上述多个待分割目标的外接框，对所述外接框进行编号，并为每个所述外接框建立一个相交框的列表，并记录其中一个所述待分割目标的外接框与其他待分割目标的外接框的相交区域；
基于每个上述外接框所建立一个相交框的列表，计算每个所述外接框被其他干扰的外接框所覆盖的面积比Pi，其中，
Pi＝areacover/areai
其中，areai表示其中任意一个外接框所覆盖的面积，areacover表示该外接框被其他干扰的外接框所覆盖的面积；其中，定义外接框被覆盖的阈值为T，如果所覆盖的面积比Pi小于该阈值T，那么将符合该阈值要求的所述外接框并列在同一层级处理；
基于上述的将符合该阈值要求的所述外接框并列在同一层级处理结果，将上述符合阈值要求的外接框从余下外接框的相交框列表中删除，获得新的外接框的相交框列表；
基于上述获得的新的外接框的相交框列表结果，计算每个所述外接框被其他干扰的外接框所覆盖的面积比Pi，并将该覆盖的面积比Pi与阈值T比较，如果该覆盖的面积比Pi小于该阈值T，那么将符合该阈值要求的所述外接框并列在同一层级处理；重复上述步骤，直至完成所有的待分割目标的层级排序处理；
基于上述待分割目标的层级排序处理的结果，对待分割目标的旋转角度进行检测；
基于上述对待分割目标的旋转角度进行检测的结果，对所述待分割目标进行外接框分割；
基于待分割目标进行外接框分割结果，输出待分割目标。
2.根据权利要求1所述的方法，其特征在于，上述的分别对上述多个稠密分布的待分割目标进行外接框分割，获得上述多个稠密分布的待分割目标所对应的外接框包括：通过外接矩形分割方法分别对上述多个稠密分布的待分割目标进行外接矩形框分割，获得所述多个稠密分布的待分割目标所对应的外接矩形框。
3.根据权利要求1所述的方法，其特征在于，基于上述的待分割目标的层级排序处理结果，按照层级排序图从上到下依次处理每一层的目标。
4.根据权利要求3所述的方法，其特征在于，基于上述的待分割目标的层级排序处理结果，按照层级排序图从上到下依次处理每一层的目标，包括：采用目标旋转角度检测方法，分别计算出同一层的每个待分割目标的旋转角度。
5.根据权利要求4所述的方法，其特征在于，基于上述的采用目标旋转角度检测方法，分别计算出同一层的每个待分割目标的旋转角度结果，再次进行外接矩形分割，获得同一层的每个待分割目标的精确位置。
6.根据权利要求5所述的方法，其特征在于，基于上述的获得同一层的每个待分割目标的精确位置结果，将上述已经完成分割的同一层的每个待分割目标去除后，对层级排序图中的下一层的所有待分割目标进行分割，直至所有层的待分割目标均被分割完成。
7.计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如权利要求1至6中任一项所述的方法。
8.基于神经网络的稠密目标背景噪声抑制设备，其特征在于，该设备包括：
一个或多个处理器；
计算机可读介质，用于存储一个或多个计算机可读指令，
当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一项所述的方法。
CN201911097155.0A 2019-11-11 2019-11-11 基于神经网络的稠密目标背景噪声抑制方法及设备 Active CN110930420B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911097155.0A CN110930420B (zh) 2019-11-11 2019-11-11 基于神经网络的稠密目标背景噪声抑制方法及设备
PCT/CN2020/128021 WO2021093756A1 (zh) 2019-11-11 2020-11-11 基于神经网络的目标背景噪声抑制方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911097155.0A CN110930420B (zh) 2019-11-11 2019-11-11 基于神经网络的稠密目标背景噪声抑制方法及设备

Publications (2)

Publication Number Publication Date
CN110930420A CN110930420A (zh) 2020-03-27
CN110930420B true CN110930420B (zh) 2022-09-30

Family

ID=69852676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911097155.0A Active CN110930420B (zh) 2019-11-11 2019-11-11 基于神经网络的稠密目标背景噪声抑制方法及设备

Country Status (2)

Country Link
CN (1) CN110930420B (zh)
WO (1) WO2021093756A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110930420B (zh) * 2019-11-11 2022-09-30 中科智云科技有限公司 基于神经网络的稠密目标背景噪声抑制方法及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018128741A1 (en) * 2017-01-06 2018-07-12 Board Of Regents, The University Of Texas System Segmenting generic foreground objects in images and videos
EP3392832A1 (en) * 2017-04-21 2018-10-24 General Electric Company Automated organ risk segmentation machine learning methods and systems
CN108875577A (zh) * 2018-05-11 2018-11-23 深圳市易成自动驾驶技术有限公司 目标检测方法、装置及计算机可读存储介质
CN109255320A (zh) * 2018-09-03 2019-01-22 电子科技大学 一种改进的非极大值抑制方法
CN109800735A (zh) * 2019-01-31 2019-05-24 中国人民解放军国防科技大学 一种船目标精确检测与分割方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8467607B1 (en) * 2011-11-21 2013-06-18 Google Inc. Segmentation-based feature pooling for object models
CN107451602A (zh) * 2017-07-06 2017-12-08 浙江工业大学 一种基于深度学习的果蔬检测方法
CN109948457B (zh) * 2019-02-26 2023-07-18 南京理工大学 基于卷积神经网络和cuda加速的实时目标识别方法
CN109961049B (zh) * 2019-03-27 2022-04-26 东南大学 一种复杂场景下香烟品牌识别方法
CN110298298B (zh) * 2019-06-26 2022-03-08 北京市商汤科技开发有限公司 目标检测及目标检测网络的训练方法、装置及设备
CN110930420B (zh) * 2019-11-11 2022-09-30 中科智云科技有限公司 基于神经网络的稠密目标背景噪声抑制方法及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018128741A1 (en) * 2017-01-06 2018-07-12 Board Of Regents, The University Of Texas System Segmenting generic foreground objects in images and videos
EP3392832A1 (en) * 2017-04-21 2018-10-24 General Electric Company Automated organ risk segmentation machine learning methods and systems
CN108875577A (zh) * 2018-05-11 2018-11-23 深圳市易成自动驾驶技术有限公司 目标检测方法、装置及计算机可读存储介质
CN109255320A (zh) * 2018-09-03 2019-01-22 电子科技大学 一种改进的非极大值抑制方法
CN109800735A (zh) * 2019-01-31 2019-05-24 中国人民解放军国防科技大学 一种船目标精确检测与分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Toward Arbitrary-Oriented Ship Detection With Rotated Region Proposal and Discrimination Networks;Zenghui Zhang et al;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20181130;第15卷(第11期);第1745-1749页 *
一种基于帧差分法与快速图分割相结合的运动目标检测方法;陈佳等;《现代电子技术》;20160201;第第39卷卷(第03期);第13-17页及第22页 *
基于背景感知的显著性目标检测算法;包晓安等;《计算机系统应用》;20180615;第第27卷卷(第06期);第103-110页 *

Also Published As

Publication number Publication date
CN110930420A (zh) 2020-03-27
WO2021093756A1 (zh) 2021-05-20

Similar Documents

Publication Publication Date Title
CN111091123A (zh) 文本区域检测方法及设备
CN110796647A (zh) 一种电子设备屏幕区域瑕疵检测方法与设备
CN109324796B (zh) 界面布局方法及装置
US20210350521A1 (en) Method for computer-implemented determination of blade-defects of a wind turbine
CN113300792B (zh) 一种用于极弱射频干扰的标记方法、系统和存储介质
WO2022088660A1 (zh) 提高晶圆检测灵敏度的方法、装置以及存储介质
CN110930420B (zh) 基于神经网络的稠密目标背景噪声抑制方法及设备
CN107451976A (zh) 一种图像处理方法及装置
US20190323882A1 (en) Unobtrusive and automated detection of frequencies of spatially located distinct parts of a machine
CN115147403A (zh) 液体污染物的检测方法、装置、电子设备及介质
WO2020135230A1 (zh) 一种内切圆确定方法及装置
CN109060830B (zh) 显示屏的杂质的检测方法和装置
CN110866928B (zh) 基于神经网络的目标边界分割及背景噪声抑制方法及设备
CN112634286A (zh) 图像的裁剪方法及装置
CN111696152B (zh) 检测包裹堆垛的方法、装置、计算设备、系统及存储介质
CN109855634B (zh) 一种栅格地图的图像处理的方法及设备
CN110955949A (zh) 发动机数据处理方法、装置与设备
CN113256608A (zh) 工件缺陷检测方法和装置
CN113298130A (zh) 目标图像的检测、目标对象检测模型的生成方法
CN112750065B (zh) 载体对象处理和水印嵌入方法、装置及电子设备
CN116486077A (zh) 遥感影像语义分割模型样本集生成方法和装置
CN116091784A (zh) 一种目标跟踪方法、设备及存储介质
CN112906708B (zh) 一种图片处理方法、装置、电子设备和计算机存储介质
CN114119594A (zh) 一种基于深度学习的油液渗漏检测方法和检测装置
CN114494398A (zh) 倾斜目标的处理方法、装置、存储介质与处理器

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