CN111091507A - 图像处理方法、装置、电子设备以及存储介质 - Google Patents
图像处理方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN111091507A CN111091507A CN201911253769.3A CN201911253769A CN111091507A CN 111091507 A CN111091507 A CN 111091507A CN 201911253769 A CN201911253769 A CN 201911253769A CN 111091507 A CN111091507 A CN 111091507A
- Authority
- CN
- China
- Prior art keywords
- image
- area
- image processing
- point
- face
- 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 62
- 238000003672 processing method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012937 correction Methods 0.000 claims description 15
- 239000006185 dispersion Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 14
- 238000001514 detection method Methods 0.000 description 11
- 230000009466 transformation Effects 0.000 description 11
- 238000001914 filtration Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 238000003708 edge detection Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 210000000746 body region Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 241000190070 Sarracenia purpurea Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G06T5/80—
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本申请提出一种图像处理方法、装置、电子设备以及存储介质,其中,方法包括:通过获取拍摄图像;对拍摄图像进行识别,得到人像区域和物体区域;对人像区域,根据人体结构分割,得到多个分割区域;展示拍摄图像的多个分割区域和物体区域,以响应于用户操作,根据多个分割区域和物体区域,得到选定的区域集合;对区域集合去畸变。该方法通过响应于用户操作,仅对用户选定的区域集合进行去畸变处理,满足不同用户需求的同时,还避免了对整个拍摄图像进行去畸变处理导致图像处理效率低的技术问题,从而有利于提高图像处理的效率。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像处理方法、装置、电子设备以及存储介质。
背景技术
目前,随着智能终端制造技术的进步,智能终端上设置有相机模组以供用户拍照,其中,智能终端上安装广角摄像头较为普遍。其中,广角镜头相机与传统镜头相机相比,具有更大的视场角(Field of Vision,FOV),但广角镜头畸变较大,图像边缘会产生严重失真。
相关技术中,为了补偿广角摄像头拍摄的图像的畸变,需要对图像进行畸变校正处理。当前对图像进行畸变校正处理,是对整体拍摄图像进行畸变校正处理,存在处理效率低的问题。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请提出一种图像处理方法,通过用户自主选择校正区域,以满足不同用户需求,避免了对整个拍摄图像进行去畸变处理导致图像处理效率低的技术问题,从而有利于提高图像处理的效率。
本申请第一方面实施例提出了一种图像处理方法,包括:
获取拍摄图像;
对所述拍摄图像进行识别,得到人像区域和物体区域;
对所述人像区域,根据人体结构分割,得到多个分割区域;
展示所述拍摄图像的所述多个分割区域和所述物体区域,以响应于用户操作,根据所述多个分割区域和所述物体区域,得到选定的区域集合;
对所述区域集合去畸变。
作为本申请实施例的第一种可能的情况,所述对所述拍摄图像进行识别,得到人像区域和物体区域之后,还包括:
将所述人像区域中的人脸部分与设置的人脸图匹配;
根据匹配的人脸图确定出所述人像区域呈现有目标用户,则将所述人像区域添加至所述区域集合。
作为本申请实施例的第二种可能的情况,所述将所述人像区域中的人脸部分与设置的人脸图匹配之前,还包括:
对存储的多张历史图像进行人脸识别,以得到对应的多张所述人脸图;
所述根据匹配的人脸图确定出所述人像区域呈现有目标用户,包括:
若匹配的人脸图占比大于阈值,则确定所述人像区域呈现有目标用户。
作为本申请实施例的第三种可能的情况,所述对所述区域集合去畸变,包括:
若所述区域集合中包括所述人像区域,对所述人像区域中的人脸部分采用球面投影方式去畸变;
根据去畸变后人脸部分,调整所述人像区域中躯体部分的大小,以使所述去畸变后人脸部分与大小调整后躯体部分比例协调。
作为本申请实施例的第四种可能的情况,所述对所述区域集合去畸变,包括:
若所述区域集合中包括所述至少一分割区域,对所述至少一分割区域采用球面投影方式去畸变;
根据去畸变后的分割区域,调整相应人像区域中其余未去畸变的分割区域的大小,以使所述去畸变后分割区域与大小调整后分割区域之间比例协调。
作为本申请实施例的第五种可能的情况,所述对所述区域集合去畸变,包括:
若所述区域集合中包括所述物体区域,采用透视投影方式对所述物体区域去畸变。
作为本申请实施例的第六种可能的情况,所述对所述区域集合去畸变之前,还包括:
识别所述拍摄图像中的直线线段;
所述对所述区域集合去畸变,包括:
根据所述拍摄图像中的直线线段,对所述区域集合去畸变,以保持所述直线线段在去畸变前后形态相同。
作为本申请实施例的第七种可能的情况,所述识别所述拍摄图像中的直线线段,包括:
根据所述拍摄图像中各像素点的梯度值和相邻像素点的像素值,从各像素点中确定多个边缘点;
对所述多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的;
对所述多条初始直线段合并,得到所述拍摄图像中的直线线段。
作为本申请实施例的第八种可能的情况,所述对所述多个边缘点拟合,得到多条初始直线段,包括:
根据所述多个边缘点中梯度方向相似的边缘点,确定多个集合;其中,同一集合中的边缘点梯度方向相似;
对每一个集合,对相应集合中的边缘点拟合,得到一条初始直线段。
作为本申请实施例的第九种可能的情况,从未添加到任一点集合的边缘点中确定初始的参考点;
查询与所述参考点之间梯度方向差值小于角度阈值,且与所述参考点相邻的边缘点;
将查询到的边缘点和所述参考点添加至同一点集合中;
若所述同一点集合中各边缘点的梯度方向离散程度小于或等于设定离散程度,则将所述查询到的边缘点作为更新的参考点,以重复执行查询与所述参考点之间梯度方向差值小于角度阈值,且与所述参考点相邻的边缘点,将查询到的边缘点和所述参考点添加至相应点集合中的步骤,直至相应点集合中各边缘点的梯度方向离散程度大于所述设定离散程度。
本申请实施例的图像处理方法,获取拍摄图像;对拍摄图像进行识别,得到人像区域和物体区域;对人像区域,根据人体结构分割,得到多个分割区域;展示拍摄图像的多个分割区域和物体区域,以响应于用户操作,根据多个分割区域和物体区域,得到选定的区域集合;对区域集合去畸变。该方法通过响应于用户操作,仅对用户选定的区域集合进行去畸变处理,满足不同用户需求的同时,还避免了对整个拍摄图像进行去畸变处理导致图像处理效率低的技术问题,从而有利于提高图像处理的效率。
本申请第二方面实施例提出了一种图像处理装置,包括:
获取模块,用于获取拍摄图像;
识别模块,用于对所述拍摄图像进行识别,得到人像区域和物体区域;
分割模块,用于对所述人像区域,根据人体结构分割,得到多个分割区域;
展示模块,用于展示所述拍摄图像的所述多个分割区域和所述物体区域,以响应于用户操作,根据所述多个分割区域和所述物体区域,得到选定的区域集合;
校正模块,用于对所述区域集合去畸变。
本申请实施例的图像处理装置,获取拍摄图像;对拍摄图像进行识别,得到人像区域和物体区域;对人像区域,根据人体结构分割,得到多个分割区域;展示拍摄图像的多个分割区域和物体区域,以响应于用户操作,根据多个分割区域和物体区域,得到选定的区域集合;对区域集合去畸变。该方法通过响应于用户操作,仅对用户选定的区域集合进行去畸变处理,满足不同用户需求的同时,还避免了对整个拍摄图像进行去畸变处理导致图像处理效率低的技术问题,从而有利于提高图像处理的效率。
本申请第三方面实施例提出了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如上述实施例中所述的图像处理方法。
本申请第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例中所述的图像处理方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提供的第一种图像处理方法的流程示意图;
图2为本申请实施例提供的第二种图像处理方法的流程示意图;
图3为本申请实施例提供的第三种图像处理方法的流程示意图;
图4为本申请实施例提供的第四种图像处理方法的流程示意图;
图5为本申请实施例提供的第五种图像处理方法的流程示意图;
图6为本申请实施例提供的一种图像处理装置的结构示意图;
图7是根据本申请一个实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
相关技术中,对拍摄图像进行去畸变处理时,通常对整体的拍摄图像进行校正,从而导致整个去畸变过程运算量较大的技术问题。
针对上述技术问题,本申请提出了一种图像处理方法,通过获取拍摄图像;对拍摄图像进行识别,得到人像区域和物体区域;对人像区域,根据人体结构分割,得到多个分割区域;展示拍摄图像的多个分割区域和物体区域,以响应于用户操作,根据多个分割区域和物体区域,得到选定的区域集合;对区域集合去畸变。
下面参考附图描述本申请实施例的图像处理方法、装置、电子设备以及存储介质。
图1为本申请实施例提供的第一种图像处理方法的流程示意图。
本申请实施例以该基于图像的图像处理方法被配置于图像处理装置中来举例说明,该图像处理装置可以应用于任一电子设备中,以使该电子设备可以执行图像处理功能。
其中,电子设备可以为个人电脑(Personal Computer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统的硬件设备。
如图1所示,该图像处理方法包括以下步骤:
步骤101,获取拍摄图像。
本申请实施例中,可以通过设置于电子设备的图像传感器采集得到拍摄图像。
作为一种可能的情况,电子设备可以包括可见光图像传感器,可以基于电子设备中的可见光图像传感器采集拍摄图像。具体地,可见光图像传感器可以包括可见光摄像头,可见光摄像头可以捕获由成像对象反射的可见光进行成像。
作为另一种可能的情况,本申请实施例中,电子设备还可以包括结构光图像传感器,可以基于电子设备中的结构光图像传感器采集拍摄图像。可选地,结构光图像传感器可以包括镭射灯以及激光摄像头。脉冲宽度调制(Pulse Width Modulation,简称PWM)可以调制镭射灯以发出结构光,结构光照射至成像对象,激光摄像头可以捕获由成像对象反射的结构光进行成像,得到成像对象对应的结构光图像。
需要说明的是,设置于电子设备的图像传感器,不限于上述的可见光传感器和结构光传感器,还可以为其他类型的图像传感器,例如深度传感器,等等,本申请中对此不做限制。
步骤102,对拍摄图像进行识别,得到人像区域和物体区域。
本申请实施例中,在获取到拍摄图像后,进一步的对拍摄图像进行识别,以识别得到拍摄图像中的人像区域和物体区域。其中,物体区域为常见物体对应的区域,例如桌子、椅子、水杯、书本,等等。
作为一种可能的实现方式,可以将拍摄图像输入已经经过训练的图像识别模型中,以识别得到拍摄图像中的人像区域和物体区域。
具体地,可以采用基于卷积神经网络(Convolutional Neural Network,简称CNN)的图像识别模型对拍摄图像中的人脸和物体进行识别,以识别得到拍摄图像中的每一个人脸和常见物体,并确定每一个人脸的人脸尺寸和位置。其中,图像识别模型,是采用大量的训练样本图像进行训练得到的。其中,训练样本图像中对人脸和物体进行了标记。进而,根据识别得到拍摄图像中的每一个人脸区域,确定各人脸区域对应的人像区域。其中,人像区域包括每一个人像的头部、躯干部分以及四肢部分。
步骤103,对人像区域,根据人体结构分割,得到多个分割区域。
本申请实施例中,对拍摄图像进行识别得到人像区域后,根据人体结构对人像区域进行分割,得到多个分割区域。其中,多个分割区域可以包括头部区域、躯干区域和四肢区域,等等。
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看,图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程,即把属于同一区域的像素赋予相同的编号。
本申请实施例中,从拍摄图像中识别得到人像区域后,将人像区域输入预先训练的人体检测模型中的人体检测网络和部件分割网络,其中,人体检测模型用于提取人像区域中的人体结构,以对提取到的人体结构进行分割,得到多个各分割区域。
需要说明的是,从拍摄图像中识别得到的人像区域可以为多个,进而分别对多个人像区域进行分割,得到各人像区域对应的多个分割区域。
步骤104,展示拍摄图像的多个分割区域和物体区域,以响应于用户操作,根据多个分割区域和物体区域,得到选定的区域集合。
本申请实施例中,根据人体结构对人像区域进行分割得到多个分割区域后,在电子设备的显示界面展示拍摄图像的多个分割区域和物体区域。用户可以根据电子设备的显示界面展示的拍摄图像的多个分割区域和物体区域,选择想要去畸变的分割区域和物体区域中至少一个区域进行校正。进而,电子设备响应于用于操作,得到用于选定的区域集合。
其中,选定的区域集合中包含有用户通过电子设备的交互界面选中的所有的分割区域和物体区域。
在一种可能的情况下,选定的区域集合中可以仅包括一个区域,例如,用户只想对人像头部进行去畸变处理,这种情况下,用户仅选中分割区域中的头部区域,电子设备响应于用户操作,得到的选定的区域集合中仅包含头部分割区域。
在另一种可能的情况下,选定的区域集合中还可以包括多个区域,例如,用户想要对人像头部和头上戴的帽子进行去畸变处理,这种情况下,用户选中分割区域中的头部区域和帽子对应的物体区域,电子设备响应于用户操作,得到选定的区域集合中包括头部区域和物体区域。
需要说明的是,上述选定的区域集合仅作为一种示例,当然选定的区域集合中还可以包括有其他可能情况下的分割区域和物体区域,在此不再一一示例。
可以理解的是,对人像区域进行分割得到多个分割区域后,用户根据自己的需求,根据电子设备的显示界面展示的拍摄图像的多个分割区域和物体区域,对多个分割区域和物体区域进行选定得到区域集合。由此,实现了校正区域由用户自行选中,而不是对预先设定的单纯的人物头像或某些特定区域进行校正处理,提高了图像处理的适用性。
步骤105,对区域集合去畸变。
本申请实施例中,电子设备响应于用户操作,根据多个分割区域和物体区域得到选定的区域集合后,进而对选定的区域集合进行去畸变处理。可以理解的是,选定的区域集合中包括的区域不同时,去畸变处理的方式也不相同。
在一种可能的情况下,选定的区域集合中包括人像区域,在对区域集合中的人像区域进行去畸变处理时,可以首先对人像区域中的人脸部分采用球面投影方式去畸变,进而根据去畸变后人脸部分,调整人像区域中躯体部分的大小,以使去畸变后人脸部分与大小调整后躯体部分比例协调。
本申请实施例中,在对区域集合中的人像区域进行去畸变处理时,还可以首先将人像区域划分为脸部区域和躯体区域,进而根据预设的初始投影网格对人像区域校正计算,获取与脸部区域对应的第一校正尺寸值和与躯体区域对应的第二校正尺寸值,进一步的,在第一校正尺寸值和第二校正尺寸值中,确定满足预设条件的目标校正尺寸值,以根据目标校正尺寸值对图像中的人像区域进行校正处理,以得到去畸变后的拍摄图像。
在获取与脸部区域对应的第一校正尺寸值和与躯体区域对应的第二校正尺寸值时,作为一种可能的实现方式,可以根据人像区域中像素点的坐标构建人像区域中的原始网格,预设的初始投影网格对人像区域校正计算,获取与脸部区域对应的第一变换网格以及与躯体区域对应的第二变换网格,计算第一变换网格与原始网格的尺寸比值获取第一校正尺寸值,并计算第二变换网格与原始网格的尺寸比值获取第二校正尺寸值。
在获取与人脸区域对应的第一校正尺寸值和与身体区域对应的第二校正尺寸值时,作为另一种可能的实现方式,可以通过获取人像区域中每个像素点坐标的深度值,将人像区域中每个像素点的像素坐标和深度值输入初始投影网格,获取与每个像素点对应的映射像素坐标。进一步的,计算每个像素点的映射像素坐标和对应的像素坐标的像素差值;计算脸部区域中所有像素点对应的像素差值的均值,获取第一校正尺寸值;计算躯体区域中所有像素点对应的像素差值的均值,获取第二校正尺寸值。
在另一种可能的情况下,选定的区域集合中包至少一括分割区域,可以首先对至少一分割区域采用球面投影方式去畸变,进而根据去畸变后的分割区域,调整相应人像区域中其余未去畸变的分割区域的大小,以使去畸变后分割区域与大小调整后分割区域比例协调。
在又一种可能的情况下,选定的区域集合中包括物体区域时,由于摄像头视角的原因,导致拍摄得到的物体存在一定程度的畸变,本申请中,可以采用透视投影方式对物体区域进行去畸变处理。
其中,透视投影方式,也称为透视变换,对物体区域的校正需要取得物体区域的一组4个点的坐标,例如,物体为书本时,选择书本的4个角对应的点的坐标,和目标图像的一组4个点的坐标,通过两组坐标点可以计算出透视变换的变换矩阵,之后对整个物体区域执行变换矩阵的变换,就可以实现物体区域的校正。本申请中,采用透视投影方式对物体区域进行去畸变处理,主要是透视变换能保持“直线性”,即物体区域里面的直线,经透视变换后仍为直线。
本申请实施例的图像处理方法,获取拍摄图像;对拍摄图像进行识别,得到人像区域和物体区域;对人像区域,根据人体结构分割,得到多个分割区域;展示拍摄图像的多个分割区域和物体区域,以响应于用户操作,根据多个分割区域和物体区域,得到选定的区域集合;对区域集合去畸变。该方法通过响应于用户操作,仅对用户选定的区域集合进行去畸变处理,满足不同用户需求的同时,还避免了对整个拍摄图像进行去畸变处理导致图像处理效率低的技术问题,从而有利于提高图像处理的效率。
在一种可能的情况下,在上述步骤102中对拍摄图像进行识别,得到人像区域和物体区域之后,还可以对电子设备中存储的多张历史图像进行人脸识别,以得到对应的多张人脸图,根据多张人脸图确定人像区域中是否呈现有目标用户,在人脸图确定出人像区域呈现有目标用户,则将人像区域添加至区域集合。下面结合图2对上述过程进行详细介绍,图2为本申请实施例提供的第二种图像处理方法的流程示意图。
如图2所示,该图像处理方法可以包括以下步骤:
步骤201,对存储的多张历史图像进行人脸识别,以得到对应的多张人脸图。
本申请实施例中,对电子设备的存储器中存储的多张历史图像分别进行人脸识别,以得到多张历史图像对应的多张人脸图。
进一步的,统计多张人脸图中不同人脸的个数,可以将出现次数最多的人脸作为目标用户,也就是机主。
举例来说,对电子设备的存储器中存储的10张历史图像进行人脸识别,得到10张人脸图后,确定8张人脸图中均包含有同一人脸,这种情况下,可以将该人脸对应的用户确定为目标用户。
步骤202,将人像区域中的人脸部分与设置的人脸图匹配。
其中,设置的人脸图可以为电子设备的内置程序设置的人脸图,也可以为电子设备响应于用户操作设置的人脸图。例如,设置的人脸图可以为多张历史图像识别得到的多个人脸图。
本申请实施例中,对拍摄图像进行识别,得到人像区域后,将人像区域中的人脸部分与设置的人脸图进行匹配,以根据匹配结果判断人像区域中是否呈现有电子设备中存储的历史人脸图。
在一种可能的情况下,将人像区域中的人脸部分与设置的人脸图匹配后,确定人像区域中的人脸部分与设置的人脸图不匹配,这种情况下,不做任何处理。
在另一种可能的情况下,将人像区域中的人脸部分与设置的人脸图匹配后,确定人像区域中的人脸部分与设置的人脸图匹配,这种情况下,进一步执行步骤203。
步骤203,根据匹配的人脸图确定出人像区域呈现有目标用户,则将人像区域添加至区域集合。
其中,目标用户包括机主。但是,目标用户不限于机主一人,也可以设置多个目标用户。
本申请实施例中,将人像区域中的人脸部分与设置的人脸图匹配,根据匹配的人脸图确定出人像区域呈现有目标用户时,将人像区域添加至区域集合。由此,将呈现有目标用户的人像区域添加至区域集合中,以实现默认对目标用户校正,减少了用户操作,从而有利于提高图像处理效率。
作为一种可能的实现方式,统计人像区域中的人脸部分与设置的人脸图匹配的个数,若匹配的人脸图占比大于阈值,则确定人像区域呈现有目标用户,这种情况下,将人像区域添加至区域集合。
本申请实施例的图像处理方法,通过对存储的多张历史图像进行人脸识别,以得到对应的多张人脸图,将人像区域中的人脸部分与设置的人脸图匹配,根据匹配的人脸图确定出人像区域呈现有目标用户,则将人像区域添加至区域集合。由此,将呈现有目标用户的人像区域添加至区域集合中,以实现默认对目标用户校正,减少了用户操作,从而有利于提高图像处理效率。
在一种可能的情况下,对区域集合去畸变之前,还可以识别拍摄图像中的直线线段,根据拍摄图像中的直线线段,对区域集合去畸变,以保持直线线段在去畸变前后形态相同,以提高人像区域去畸变的准确度。下面结合图3对上述过程进行详细介绍,图3为本申请实施例提供的第三种图像处理方法的流程示意图。
如图3所示,该图像处理方法,还可以包括以下步骤:
步骤301,识别拍摄图像中的直线线段。
本申请实施例中,获取到拍摄图像后,可以进一步识别得到拍摄图像中的直线线段。
作为一种可能的实现方式,可以采用霍夫变换识别拍摄图像中的直线线段。其中,霍夫变换是图像处理中从图像中识别几何形状的基本方法之一,应用很广泛,也有很多改进算法。霍夫变换主要用来从图像中分离出具有某种相同特征的几何形状(如,直线,圆等)。最基本的霍夫变换是从图像中检测直线线段。
需要说明的是,本申请中对识别拍摄图像中直线线段的方法不做限制,也可以为其他直线检测方法。
步骤302,根据拍摄图像中的直线线段,对区域集合去畸变,以保持直线线段在去畸变前后形态相同。
本申请实施例中,识别得到拍摄图像中的直线线段后,可以根据拍摄图像中的直线线段,对拍摄图像中选定的区域集合进行去畸变处理,以保持直线线段在去畸变前后形态相同。
可以理解的是,三维空间中的直线投影到图像平面上仍然为直线,但是,由于图像传感器性能的影响可能导致三维空间中的直线投影到平面上为曲线。因此,需要根据拍摄图像中的直线线段对拍摄图像中选定的区域集合进行去畸变处理,以使得三维空间中的直线线段投影到平面上后仍为形态一致的直线线段。
本申请实施例的图像处理方法,通过识别拍摄图像中的直线线段,根据拍摄图像中的直线线段,对区域集合去畸变,以保持直线线段在去畸变前后形态相同。由此,通过根据拍摄图像中的直线线段对区域集合进行去畸形处理,确保直线线段在去畸变前后形态相同,从而在最大程度上保留了拍摄图像的原始状态。
作为一种可能的实现方式,在上述步骤301中,还可以根据拍摄图像中各像素点的梯度值和相邻像素点的像素值,从各像素点中确定多个边缘点,对多个边缘点拟合,得到各初始直线段,对多条初始直线段合并,得到拍摄图像中的直线线段。下面结合图4对上述过程进行详细介绍,图4为本申请实施例提供的第四种图像处理方法的流程示意图。
如图4所示,上述步骤301还可以包括以下步骤:
步骤401,根据拍摄图像中各像素点的梯度值和相邻像素点的像素值,从各像素点中确定多个边缘点。
本申请实施例中,拍摄图像中各像素点的梯度值包括各像素点的梯度和梯度方向。当图像中存在边缘时,一定有较大的梯度值,相反,当图像中有比较平滑的部分时,灰度值变化较小,则相应的梯度也较小,图像处理中把梯度的模简称为梯度,由图像梯度构成的图像成为梯度图像。图像的梯度相当于两个相邻像素之间的差值,图像中某一点的梯度方向即通过计算该点与其8邻域点的梯度角,梯度角最大即为梯度方向。其中,8邻域点为某个点的上、下、左、右、左上、右上、左下、右下的8个点。
本申请实施例中,获取到拍摄图像后,可以对拍摄图像进行边缘检测,以确定多个边缘点。边缘检测的算法主要是基于图像强度的一阶和二阶导数,但是导数通常对噪声很敏感,因此首先要对拍摄图像进行滤波,以去除拍摄图像中的噪声。其中,常见的滤波方法有高斯滤波,即采用离散化的高斯函数产生一组归一化的高斯核,然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和。对检测图像进行高斯滤波时的高斯核半径可根据检测图像的尺寸调整,例如,高斯核半径可以设置为5。
其中,高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。高斯滤波通过高斯核对图像的逐个像素进行卷积,从而得到每个像素的值。在卷积的过程中,利用周围像素的值,将距离作为权重计算卷积核中心位置的像素。高斯滤波的具体操作是:用一个大小为2*N+1的模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
由此,通过对拍摄图像进行高斯滤波,避免了图像的噪声影响各像素点的梯度方向,继而影响直线段检测精度的技术问题,从而提高了直线段的检测精度。
本申请实施例中的边缘检测方法,包括但不限于canny边缘检测方法、prewitt边缘检测方法,等等。
作为一种可能的实现方式,确定拍摄图像中各像素点的梯度值和相邻像素点的像素值后,针对每一个像素点,将各像素点的梯度值和第一梯度阈值进行比较,在一种可能的情况下,若某一像素点的梯度值大于第一梯度阈值,则查询在梯度方向上与相应像素点相邻的第一相邻像素点;若相应像素点与第一相邻像素点的像素值之差大于第二梯度阈值,则确定相应像素点为边缘点。
作为一种示例,以第一相邻像素点为各像素点8邻域内的各像素点为例,针对检测图像中的每一个像素点,若梯度值大于第一梯度阈值,则将相应像素点的梯度值与8邻域内像素点点的梯度值进行差值计算,若在其梯度方向上与8邻域内像素点的梯度值的差值均大于第二梯度阈值,则确定相应像素点为边缘点。
需要说明的是,从增强处理后的拍摄图像的各像素点中确定多个边缘点时,可能会将一些噪点确定为边缘点,因此,需要进一步的对各边缘点进行筛选,以筛选掉图像中的噪点,从而有利于提高直线段检测的精确度。
本申请实施例中,从各像素点中确定多个边缘点之后,针对每一个边缘点,查询在梯度方向上与相应边缘点相邻的第二相邻像素点,若相应边缘点与第二相邻像素点的梯度值之差大于第三梯度阈值,则保留相应的边缘点,若相应边缘点与第二相邻像素点的梯度值之差小于或等于第三梯度阈值,则筛选掉相应的边缘点。由此,通过对边缘点的筛选,以筛选掉图像中的噪点,从而有利于提高直线检测方法的识别率。
步骤402,对多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的。
本申请实施例中,根据拍摄图像中各像素点的梯度值和相邻像素点的像素值,从各像素点中确定出多个边缘点之后,由于多个边缘点为多个离散的点,需要对多个边缘点进行拟合,得到多条初始直线段。
需要说明的是,每一条初始直线段可以是对梯度方向相似的边缘点拟合得到的。具体地,根据拍摄图像中各像素点的梯度值和相邻像素点的像素值,确定多个边缘点后,将多个边缘点中梯度方向相似的边缘点,确定为一个集合。进而,可以将多个边缘点划分为多个集合。其中,同一集合中的边缘点梯度方向相似。针对各个集合,对相应集合中的边缘点拟合,得到多条初始直线段。
步骤403,对多条初始直线段合并,得到拍摄图像中的直线线段。
本申请实施例中,由于图像中噪声的影响,可能存在拍摄图像中边缘线段被切断,导致图像边缘不连续。因此,需对多个边缘点拟合得到的多条初始直线段进行合并,以得到拍摄图像中的目标直线线段。
本申请实施例的图像处理方法,通过根据拍摄图像中各像素点的梯度值和相邻像素点的像素值,从各像素点中确定多个边缘点,对多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的,对多条初始直线段合并,得到检测图像中的目标直线线段。该方法通过对拍摄图像中各像素点中确定的多个边缘点进行拟合,得到多条初始直线段,进而对多条初始直线段进行合并得到检测图像中的目标直线段,由于不需要对图像中各像素点进行重复处理,因此能够快速的检测出图像中的直线段,从而提高了图像中的直线检测速度。
在上述实施例的基础上,在上述步骤402中,对多个边缘点拟合,得到各初始直线段时,还可以首先根据多个边缘点中梯度方向相似的边缘点,确定多个集合,进而,针对每一个集合,对相应集合中的边缘点拟合,得到一条初始直线段。下面结合图5对上述过程进行详细介绍,图5为本申请实施例提供的第五种图像处理方法的流程示意图。
如图5所示,上述步骤402还可以包括以下步骤:
步骤501,根据多个边缘点中梯度方向相似的边缘点,确定多个集合;其中,同一集合中的边缘点梯度方向相似。
本申请实施例中,根据拍摄图像中各像素点的梯度值和相邻像素点的像素值,从各像素点中确定多个边缘点后,将边缘点梯度方向相似的边缘点,划分到同一个集合中,以得到多个集合。
作为一种可能的实现方式,针对多个边缘点,从未添加到任一集合的边缘点中确定一边缘点为初始的参考点,查询与参考点之间梯度方向差值小于角度阈值,且与参考点相邻的边缘点,将查询到的边缘点和参考点添加至同一集合中。
本申请实施例中,从各像素点中确定多个边缘点后,可以根据各边缘点的梯度值大小对各边缘点进行排序,在未添加到任一集合的边缘点中,可以将梯度最大的边缘点作为初始的参考点。与参考点相邻的边缘点,可以为初始的参考点8邻域内的边缘点,即参考点的上、下、左、右、左上、右上、左下、右下的8个点。
例如,可以计算参考点的梯度方向与8邻域内的各边缘点的梯度方向之间的差值,假设参考点的上方和左上方的边缘点与参考点之间的梯度方向差值小于角度阈值,此时,可以将上方和左上方的边缘点与参考点一起添加至同一集合中。
本申请实施例中,若同一集合中各边缘点的梯度方向离散程度小于或等于设定离散程度,则将查询到的边缘点作为更新的参考点,以重复执行查询与参考点之间梯度方向差值小于角度阈值,且与参考点相邻的边缘点,将查询到的边缘点和参考点添加至相应集合中的步骤,直至相应集合中各边缘点的梯度方向离散程度大于设定离散程度。
步骤502,对每一个集合,对相应集合中的边缘点拟合,得到一条初始直线段。
本申请实施例中,根据多个边缘点中梯度方向相似的边缘点,确定多个集合后,对每一个集合中的多个边缘点进行拟合,以得到一条初始直线段。
本申请实施例中,对对每一个集合中的多个边缘点进行拟合,就是把每一个集合中的多个边缘点,用一条直线段连接起来,以得到一条初始直线段。
本申请实施例的图像处理方法,通过根据多个边缘点中梯度方向相似的边缘点,确定多个集合;其中,同一集合中的边缘点梯度方向相似,对每一个集合,对相应集合中的边缘点拟合,得到一条初始直线段。由此,通过对每一个集合中的边缘点进行拟合,得到相应集合的初始直线段,实现了对离散的边缘点进行结合的操作。
为了实现上述实施例,本申请还提出一种图像处理装置。
图6为本申请实施例提供的一种图像处理装置的结构示意图。
如图6所示,该图像处理装置600,可以包括:获取模块610、识别模块620、分割模块630、展示模块640以及校正模块650。
获取模块610,用于获取拍摄图像。
识别模块620,用于对拍摄图像进行识别,得到人像区域和物体区域。
分割模块630,用于对人像区域,根据人体结构分割,得到多个分割区域。
展示模块640,用于展示拍摄图像的多个分割区域和物体区域,以响应于用户操作,根据多个分割区域和物体区域,得到选定的区域集合。
校正模块650,用于对区域集合去畸变。
作为一种可能的情况,该图像处理装置600,还可以包括:
匹配模块,用于将人像区域中的人脸部分与设置的人脸图匹配。
添加模块,用于根据匹配的人脸图确定出人像区域呈现有目标用户,则将人像区域添加至区域集合。
作为另一种可能的情况,识别模块620,还可以用于:
对存储的多张历史图像进行人脸识别,以得到对应的多张人脸图。
添加模块,还可以用于:
若匹配的人脸图占比大于阈值,则确定人像区域呈现有目标用户。
作为另一种可能的情况,校正模块650,还可以用于:
若区域集合中包括人像区域,对人像区域中的人脸部分采用球面投影方式去畸变;
根据去畸变后人脸部分,调整人像区域中躯体部分的大小,以使去畸变后人脸部分与大小调整后躯体部分比例协调。
作为另一种可能的情况,校正模块650,还可以用于:
若区域集合中包括至少一分割区域,对至少一分割区域采用球面投影方式去畸变;
根据去畸变后的分割区域,调整相应人像区域中其余未去畸变的分割区域的大小,以使去畸变后分割区域与大小调整后分割区域比例协调。
作为另一种可能的情况,校正模块650,还可以用于:
若区域集合中包括物体区域,采用透视投影方式对物体区域去畸变。
作为另一种可能的情况,识别模块620,还可以用于:
识别拍摄图像中的直线线段。
校正模块650,还可以用于:根据拍摄图像中的直线线段,对区域集合去畸变,以保持直线线段在去畸变前后形态相同。
作为另一种可能的情况,识别模块620,还可以包括:
确定单元,用于根据拍摄图像中各像素点的梯度值和相邻像素点的像素值,从各像素点中确定多个边缘点。
拟合单元,用于对多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的。
合并单元,用于对多条初始直线段合并,得到拍摄图像中的直线线段。
作为另一种可能的情况,拟合单元,还可以用于:
根据多个边缘点中梯度方向相似的边缘点,确定多个集合;其中,同一集合中的边缘点梯度方向相似;
对每一个集合,对相应集合中的边缘点拟合,得到一条初始直线段。
作为另一种可能的情况,拟合单元,还可以用于:
从未添加到任一点集合的边缘点中确定初始的参考点;
查询与参考点之间梯度方向差值小于角度阈值,且与参考点相邻的边缘点;
将查询到的边缘点和参考点添加至同一点集合中;
若同一点集合中各边缘点的梯度方向离散程度小于或等于设定离散程度,则将查询到的边缘点作为更新的参考点,以重复执行查询与参考点之间梯度方向差值小于角度阈值,且与参考点相邻的边缘点,将查询到的边缘点和参考点添加至相应点集合中的步骤,直至相应点集合中各边缘点的梯度方向离散程度大于设定离散程度。
需要说明的是,前述对图像处理方法实施例的解释说明也适用于该实施例的图像处理装置,此处不再赘述。
本申请实施例的图像处理装置,获取拍摄图像;对拍摄图像进行识别,得到人像区域和物体区域;对人像区域,根据人体结构分割,得到多个分割区域;展示拍摄图像的多个分割区域和物体区域,以响应于用户操作,根据多个分割区域和物体区域,得到选定的区域集合;对区域集合去畸变。该方法通过响应于用户操作,仅对用户选定的区域集合进行去畸变处理,满足不同用户需求的同时,还避免了对整个拍摄图像进行去畸变处理导致图像处理效率低的技术问题,从而有利于提高图像处理的效率。
为了实现上述实施例,本申请还提出一种电子设备,图7是根据本申请一个实施例的电子设备的结构示意图,如图7所示,电子设备110包括存储器111、处理器112及存储在存储器111上并可在处理器112上运行的计算机程序,所述处理器执行所述程序时,实现如上述实施例中所述的图像处理方法。
为了实现上述实施例,本申请还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例中所述的图像处理方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (13)
1.一种图像处理方法,其特征在于,所述方法包括:
获取拍摄图像;
对所述拍摄图像进行识别,得到人像区域和物体区域;
对所述人像区域,根据人体结构分割,得到多个分割区域;
展示所述拍摄图像的所述多个分割区域和所述物体区域,以响应于用户操作,根据所述多个分割区域和所述物体区域,得到选定的区域集合;
对所述区域集合去畸变。
2.根据权利要求1所述的图像处理方法,其特征在于,所述对所述拍摄图像进行识别,得到人像区域和物体区域之后,还包括:
将所述人像区域中的人脸部分与设置的人脸图匹配;
根据匹配的人脸图确定出所述人像区域呈现有目标用户,则将所述人像区域添加至所述区域集合。
3.根据权利要求2所述的图像处理方法,其特征在于,所述将所述人像区域中的人脸部分与设置的人脸图匹配之前,还包括:
对存储的多张历史图像进行人脸识别,以得到对应的多张所述人脸图;
所述根据匹配的人脸图确定出所述人像区域呈现有目标用户,包括:
若匹配的人脸图占比大于阈值,则确定所述人像区域呈现有目标用户。
4.根据权利要求2所述的图像处理方法,其特征在于,所述对所述区域集合去畸变,包括:
若所述区域集合中包括所述人像区域,对所述人像区域中的人脸部分采用球面投影方式去畸变;
根据去畸变后人脸部分,调整所述人像区域中躯体部分的大小,以使所述去畸变后人脸部分与大小调整后躯体部分比例协调。
5.根据权利要求1-3任一项所述的图像处理方法,其特征在于,所述对所述区域集合去畸变,包括:
若所述区域集合中包括至少一分割区域,对所述至少一分割区域采用球面投影方式去畸变;
根据去畸变后的分割区域,调整相应人像区域中其余未去畸变的分割区域的大小,以使所述去畸变后分割区域与大小调整后分割区域比例协调。
6.根据权利要求1-3任一项所述的图像处理方法,其特征在于,所述对所述区域集合去畸变,包括:
若所述区域集合中包括所述物体区域,采用透视投影方式对所述物体区域去畸变。
7.根据权利要求1-3任一项所述的图像处理方法,其特征在于,所述对所述区域集合去畸变之前,还包括:
识别所述拍摄图像中的直线线段;
所述对所述区域集合去畸变,包括:
根据所述拍摄图像中的直线线段,对所述区域集合去畸变,以保持所述直线线段在去畸变前后形态相同。
8.根据权利要求7所述的图像处理方法,其特征在于,所述识别所述拍摄图像中的直线线段,包括:
根据所述拍摄图像中各像素点的梯度值和相邻像素点的像素值,从各像素点中确定多个边缘点;
对所述多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的;
对所述多条初始直线段合并,得到所述拍摄图像中的直线线段。
9.根据权利要求8所述的图像处理方法,其特征在于,所述对所述多个边缘点拟合,得到多条初始直线段,包括:
根据所述多个边缘点中梯度方向相似的边缘点,确定多个集合;其中,同一集合中的边缘点梯度方向相似;
对每一个集合,对相应集合中的边缘点拟合,得到一条初始直线段。
10.根据权利要求9所述的图像处理方法,其特征在于,所述根据所述多个边缘点中梯度方向相似的边缘点,确定多个点集合,包括:
从未添加到任一点集合的边缘点中确定初始的参考点;
查询与所述参考点之间梯度角差值小于角度阈值,且与所述参考点相邻的边缘点;
将查询到的边缘点和所述参考点添加至同一点集合中;
若所述同一点集合中各边缘点的梯度方向离散程度小于或等于设定离散程度,则将所述查询到的边缘点作为更新的参考点,以重复执行查询与所述参考点之间梯度方向差值小于角度阈值,且与所述参考点相邻的边缘点,将查询到的边缘点和所述参考点添加至相应点集合中的步骤,直至相应点集合中各边缘点的梯度方向离散程度大于所述设定离散程度。
11.一种图像处理装置,其特征在于,所述装置包括:
获取模块,用于获取拍摄图像;
识别模块,用于对所述拍摄图像进行识别,得到人像区域和物体区域;
分割模块,用于对所述人像区域,根据人体结构分割,得到多个分割区域;
展示模块,用于展示所述拍摄图像的所述多个分割区域和所述物体区域,以响应于用户操作,根据所述多个分割区域和所述物体区域,得到选定的区域集合;
校正模块,用于对所述区域集合去畸变。
12.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-10中任一所述的图像处理方法。
13.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-10中任一所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911253769.3A CN111091507A (zh) | 2019-12-09 | 2019-12-09 | 图像处理方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911253769.3A CN111091507A (zh) | 2019-12-09 | 2019-12-09 | 图像处理方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111091507A true CN111091507A (zh) | 2020-05-01 |
Family
ID=70395497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911253769.3A Pending CN111091507A (zh) | 2019-12-09 | 2019-12-09 | 图像处理方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091507A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488965A (zh) * | 2020-12-23 | 2021-03-12 | 联想(北京)有限公司 | 一种图像处理方法和装置 |
CN112907569A (zh) * | 2021-03-24 | 2021-06-04 | 北京房江湖科技有限公司 | 头部图像区域的分割方法、装置、电子设备和存储介质 |
WO2023023960A1 (zh) * | 2021-08-24 | 2023-03-02 | 深圳市大疆创新科技有限公司 | 图像处理及神经网络的训练方法和装置 |
CN117115242A (zh) * | 2023-10-17 | 2023-11-24 | 湖南视比特机器人有限公司 | 标志点的识别方法、计算机存储介质和终端设备 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007249802A (ja) * | 2006-03-17 | 2007-09-27 | Noritsu Koki Co Ltd | 画像処理装置及び画像処理方法 |
JP2008140401A (ja) * | 2007-12-14 | 2008-06-19 | Sanyo Electric Co Ltd | 運転支援装置 |
KR20120008191A (ko) * | 2010-07-16 | 2012-01-30 | 한국과학기술원 | 모바일 기기 디스플레이의 표시 장치 및 그 방법, 이를 이용하는 모바일 기기 |
JP2014179937A (ja) * | 2013-03-15 | 2014-09-25 | Olympus Imaging Corp | 撮像装置、撮像方法および撮像プログラム |
CN105046657A (zh) * | 2015-06-23 | 2015-11-11 | 浙江大学 | 一种图像拉伸畸变自适应校正方法 |
KR20160001868A (ko) * | 2014-06-27 | 2016-01-07 | 충북대학교 산학협력단 | 카메라에서 촬영된 영상의 왜곡을 보정하기 위한 영상 왜곡 보정 방법 |
CN105405104A (zh) * | 2015-09-24 | 2016-03-16 | 华为技术有限公司 | 一种人脸图像校正的方法及装置 |
CN105554403A (zh) * | 2016-02-29 | 2016-05-04 | 广东欧珀移动通信有限公司 | 控制方法、控制装置及电子装置 |
WO2016141810A1 (zh) * | 2015-03-11 | 2016-09-15 | 维科技术有限公司 | 拍摄终端的图像处理方法及其装置 |
CN106127778A (zh) * | 2016-06-27 | 2016-11-16 | 安徽慧视金瞳科技有限公司 | 一种用于投影交互系统的直线检测方法 |
US20170330337A1 (en) * | 2016-05-16 | 2017-11-16 | Shigeo Mizutani | Image processing device, image processing method, and recording medium storing program |
US20170330311A1 (en) * | 2014-12-04 | 2017-11-16 | Mitsubishi Electric Corporation | Image processing device and method, image capturing device, program, and record medium |
CN107423737A (zh) * | 2017-05-03 | 2017-12-01 | 武汉东智科技股份有限公司 | 异物遮挡的视频质量诊断方法 |
CN107680060A (zh) * | 2017-09-30 | 2018-02-09 | 努比亚技术有限公司 | 一种图像畸变校正方法、终端及计算机可读存储介质 |
CN107977927A (zh) * | 2017-12-14 | 2018-05-01 | 北京奇虎科技有限公司 | 基于图像数据的身材调整方法及装置、计算设备 |
CN108182747A (zh) * | 2018-02-06 | 2018-06-19 | 上海灵纽智能科技有限公司 | 一种基于鱼眼摄像头的人脸识别锁以及识别方法 |
CN108932698A (zh) * | 2017-11-17 | 2018-12-04 | 北京猎户星空科技有限公司 | 图像畸变的校正方法、装置、电子设备和存储介质 |
JP2019009752A (ja) * | 2017-06-20 | 2019-01-17 | 一般社団法人 日本画像認識協会 | 画像処理装置 |
CN110264426A (zh) * | 2019-06-24 | 2019-09-20 | Oppo广东移动通信有限公司 | 图像畸变校正方法和装置 |
-
2019
- 2019-12-09 CN CN201911253769.3A patent/CN111091507A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007249802A (ja) * | 2006-03-17 | 2007-09-27 | Noritsu Koki Co Ltd | 画像処理装置及び画像処理方法 |
JP2008140401A (ja) * | 2007-12-14 | 2008-06-19 | Sanyo Electric Co Ltd | 運転支援装置 |
KR20120008191A (ko) * | 2010-07-16 | 2012-01-30 | 한국과학기술원 | 모바일 기기 디스플레이의 표시 장치 및 그 방법, 이를 이용하는 모바일 기기 |
JP2014179937A (ja) * | 2013-03-15 | 2014-09-25 | Olympus Imaging Corp | 撮像装置、撮像方法および撮像プログラム |
KR20160001868A (ko) * | 2014-06-27 | 2016-01-07 | 충북대학교 산학협력단 | 카메라에서 촬영된 영상의 왜곡을 보정하기 위한 영상 왜곡 보정 방법 |
US20170330311A1 (en) * | 2014-12-04 | 2017-11-16 | Mitsubishi Electric Corporation | Image processing device and method, image capturing device, program, and record medium |
WO2016141810A1 (zh) * | 2015-03-11 | 2016-09-15 | 维科技术有限公司 | 拍摄终端的图像处理方法及其装置 |
CN106034203A (zh) * | 2015-03-11 | 2016-10-19 | 维科技术有限公司 | 拍摄终端的图像处理方法及其装置 |
CN105046657A (zh) * | 2015-06-23 | 2015-11-11 | 浙江大学 | 一种图像拉伸畸变自适应校正方法 |
CN105405104A (zh) * | 2015-09-24 | 2016-03-16 | 华为技术有限公司 | 一种人脸图像校正的方法及装置 |
CN105554403A (zh) * | 2016-02-29 | 2016-05-04 | 广东欧珀移动通信有限公司 | 控制方法、控制装置及电子装置 |
US20170330337A1 (en) * | 2016-05-16 | 2017-11-16 | Shigeo Mizutani | Image processing device, image processing method, and recording medium storing program |
CN106127778A (zh) * | 2016-06-27 | 2016-11-16 | 安徽慧视金瞳科技有限公司 | 一种用于投影交互系统的直线检测方法 |
CN107423737A (zh) * | 2017-05-03 | 2017-12-01 | 武汉东智科技股份有限公司 | 异物遮挡的视频质量诊断方法 |
JP2019009752A (ja) * | 2017-06-20 | 2019-01-17 | 一般社団法人 日本画像認識協会 | 画像処理装置 |
CN107680060A (zh) * | 2017-09-30 | 2018-02-09 | 努比亚技术有限公司 | 一种图像畸变校正方法、终端及计算机可读存储介质 |
CN108932698A (zh) * | 2017-11-17 | 2018-12-04 | 北京猎户星空科技有限公司 | 图像畸变的校正方法、装置、电子设备和存储介质 |
CN107977927A (zh) * | 2017-12-14 | 2018-05-01 | 北京奇虎科技有限公司 | 基于图像数据的身材调整方法及装置、计算设备 |
CN108182747A (zh) * | 2018-02-06 | 2018-06-19 | 上海灵纽智能科技有限公司 | 一种基于鱼眼摄像头的人脸识别锁以及识别方法 |
CN110264426A (zh) * | 2019-06-24 | 2019-09-20 | Oppo广东移动通信有限公司 | 图像畸变校正方法和装置 |
Non-Patent Citations (1)
Title |
---|
郑毅 等: "利用直线特征的定标图像非线性畸变校正", 《仪器仪表学报》, vol. 28, no. 6, pages 1129 - 1133 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488965A (zh) * | 2020-12-23 | 2021-03-12 | 联想(北京)有限公司 | 一种图像处理方法和装置 |
CN112907569A (zh) * | 2021-03-24 | 2021-06-04 | 北京房江湖科技有限公司 | 头部图像区域的分割方法、装置、电子设备和存储介质 |
CN112907569B (zh) * | 2021-03-24 | 2024-03-15 | 贝壳找房(北京)科技有限公司 | 头部图像区域的分割方法、装置、电子设备和存储介质 |
WO2023023960A1 (zh) * | 2021-08-24 | 2023-03-02 | 深圳市大疆创新科技有限公司 | 图像处理及神经网络的训练方法和装置 |
CN117115242A (zh) * | 2023-10-17 | 2023-11-24 | 湖南视比特机器人有限公司 | 标志点的识别方法、计算机存储介质和终端设备 |
CN117115242B (zh) * | 2023-10-17 | 2024-01-23 | 湖南视比特机器人有限公司 | 标志点的识别方法、计算机存储介质和终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378945B (zh) | 深度图处理方法、装置和电子设备 | |
CN111091507A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN108932698B (zh) | 图像畸变的校正方法、装置、电子设备和存储介质 | |
CN110378946B (zh) | 深度图处理方法、装置以及电子设备 | |
CN111968144B (zh) | 一种图像边缘点获取方法及装置 | |
CN111008947B (zh) | 图像处理方法和装置、终端设备及存储介质 | |
CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN110264426B (zh) | 图像畸变校正方法和装置 | |
CN111047615B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN110400338B (zh) | 深度图处理方法、装置和电子设备 | |
CN110473221B (zh) | 一种目标物体自动扫描系统及方法 | |
CN109190617B (zh) | 一种图像的矩形检测方法、装置及存储介质 | |
CN111105366B (zh) | 图像处理方法和装置、终端设备及存储介质 | |
CN111028170B (zh) | 图像处理方法、图像处理装置、电子设备和可读存储介质 | |
CN110971827B (zh) | 人像模式拍摄方法、装置、终端设备和存储介质 | |
CN111739031A (zh) | 一种基于深度信息的作物冠层分割方法 | |
KR20190033037A (ko) | 이미징 시스템의 점 확산 함수를 결정하는 방법 | |
CN114331951A (zh) | 图像检测方法、装置、计算机、可读存储介质及程序产品 | |
CN114898210B (zh) | 一种基于神经网络的遥感图像目标识别方法 | |
JP2018197685A (ja) | 三次元計測装置 | |
CN114037992A (zh) | 仪表示数识别方法、装置、电子设备及存储介质 | |
CN108460368B (zh) | 三维图像合成方法、装置及计算机可读存储介质 | |
CN111080542A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN113902652A (zh) | 散斑图像校正方法、深度计算方法、装置、介质及设备 | |
CN108510538B (zh) | 三维图像合成方法、装置及计算机可读存储介质 |
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 |