CN111126273B - 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 PDF

Info

Publication number
CN111126273B
CN111126273B CN201911348198.1A CN201911348198A CN111126273B CN 111126273 B CN111126273 B CN 111126273B CN 201911348198 A CN201911348198 A CN 201911348198A CN 111126273 B CN111126273 B CN 111126273B
Authority
CN
China
Prior art keywords
processing parameters
image processing
image
information
character
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
CN201911348198.1A
Other languages
English (en)
Other versions
CN111126273A (zh
Inventor
彭继兵
马杨晓
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.)
Zhuhai Pantum Electronics Co Ltd
Original Assignee
Zhuhai Pantum Electronics 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 Zhuhai Pantum Electronics Co Ltd filed Critical Zhuhai Pantum Electronics Co Ltd
Priority to CN201911348198.1A priority Critical patent/CN111126273B/zh
Publication of CN111126273A publication Critical patent/CN111126273A/zh
Priority to EP20906289.2A priority patent/EP4064114A4/en
Priority to PCT/CN2020/131533 priority patent/WO2021129289A1/zh
Priority to US17/846,364 priority patent/US20220319215A1/en
Application granted granted Critical
Publication of CN111126273B publication Critical patent/CN111126273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/413—Classification of content, e.g. text, photographs or tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
    • G06M3/00—Counters with additional facilities
    • G06M3/02—Counters with additional facilities for performing an operation at a predetermined value of the count, e.g. arresting a machine
    • G06M3/04—Counters with additional facilities for performing an operation at a predetermined value of the count, e.g. arresting a machine with an additional counter train operating in the reverse direction
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/44—Secrecy systems
    • H04N1/448—Rendering the image unintelligible, e.g. scrambling
    • 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • G06V30/18105—Extraction of features or characteristics of the image related to colour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例提供一种图像处理方法、装置、电子设备以及存储介质，图像处理装置包括：预处理模块，被配置为对源图像进行特征提取处理，得到与源图像对应的特征数据集；图像处理参数确定模块，被配置为根据特征数据集确定与特征数据集对应的图像处理参数；处理模块，被配置为根据图像处理参数对源图像进行处理。上述图像处理装置在工作的过程中可以自动生成与源图像所匹配的图像处理参数，实现图像处理过程的智能化。

Description

图像处理方法、装置、电子设备以及存储介质
技术领域
本发明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
目前用户在使用诸如打印机、复印机、扫描仪等图像处理装置时经常需要手动对图像处理装置的处理参数进行设置，而目前图像处理装置的功能设置多种多样，需要进行图像处理的源文件的种类也多种多样，用户在设置图像处理装置的图像处理参数时操作复杂且繁琐，智能化程度低，因此，降低了用户的使用体验。
发明内容
本发明实施例提供一种图像处理方法、装置、电子设备以及存储介质，用于解决现有技术中用户在设置图像处理装置的图像处理参数时操作复杂且繁琐，智能化程度低的问题。
第一方面，本发明实施例提供了一种图像处理装置，包括：
预处理模块，被配置为对所述源图像进行特征提取处理，得到与所述源图像对应的特征数据集；
图像处理参数确定模块，被配置为根据所述特征数据集确定与所述特征数据集对应的图像处理参数；及
处理模块，被配置为根据所述图像处理参数对所述源图像进行处理。
可选地，所述图像处理参数确定模块包括：
深度学习模块，被配置为使用训练后的神经网络对所述特征数据集进行识别，得到识别信息；及
数据分析模块，被配置为根据所述识别信息确定与所述识别信息对应的图像处理参数。
可选地，所述处理模块包括第一处理单元以及第二处理单元，其中，所述第一处理单元被配置为对所述源图像进行第一图像处理，所述第二处理单元被配置为根据所述图像处理参数对经过第一图像处理后的所述源图像进行第二图像处理。
可选地，所述特征数据集包括图像元素信息和/或边界轮廓信息，所述识别信息包括文档类型信息；
所述深度学习模块具体被配置为：使用训练后的神经网络根据所述图像元素信息和/或所述边界轮廓信息对所述源图像所对应的源文档进行文档类型的识别，得到所述源文档的文档类型信息；
所述特征数据集包括图像元素信息和/或边界轮廓信息，所述识别信息包括文档类型信息；
所述深度学习模块具体被配置为：使用训练后的神经网络根据所述图像元素信息和/或所述边界轮廓信息对所述源图像所对应的源文档进行文档类型的识别，得到所述源文档的文档类型信息。
可选地，所述特征数据集包括字符信息，所述字符信息包括至少一个第一字符以及每个第一字符的位置信息，所述识别信息包括敏感字符识别信息，所述敏感字符识别信息包括所述至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息；
所述深度学习模块具体被配置为：使用训练后的神经网络在所述至少一个第一字符中进行敏感字符的识别，得到所述至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息；
所述图像处理参数包括敏感字符处理参数；
所述数据分析模块具体被配置为：根据所述至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息生成敏感字符处理参数；
所述第二处理单元具体被配置为：根据所述敏感字符处理参数对经过第一图像处理后的所述源图像进行敏感字符去除处理。
可选地，所述特征数据集包括阶调信息及色域信息，所述识别信息包括CMYK阶调调整值、阶调曲线调整值、明暗度调整值及色彩调整值；
所述深度学习模块具体被配置为：使用训练后的神经网络对所述阶调信息及色域信息进行识别，得到所述CMYK阶调调整值、所述阶调曲线调整值、所述明暗度调整值及所述色彩调整值；
所述图像处理参数包括CMYK阶调处理参数、阶调曲线处理参数、明暗度处理参数及色彩处理参数；
所述数据分析模块具体被配置为：分别根据所述CMYK阶调调整值、所述阶调曲线调整值、所述明暗度调整值及所述色彩调整值从所述数据库中检索出与所述CMYK阶调调整值对应的CMYK阶调处理参数、与所述阶调曲线调整值对应的阶调曲线处理参数、与所述明暗度调整值对应的明暗度处理参数以及与所述色彩调整值对应的色彩处理参数；
所述第二处理单元具体被配置为：根据所述CMYK阶调处理参数、所述阶调曲线处理参数、所述明暗度处理参数及所述色彩处理参数对经过所述第一图像处理后的所述源图像进行处理。
第二方面，本发明实施例提供了一种图像处理方法，应用于图像处理装置，所述方法包括：
对所述源图像进行特征提取处理，得到与所述源文档对应的特征数据集；
根据所述特征数据集确定与所述特征数据集对应的图像处理参数；；
根据所述图像处理参数对所述源图像进行处理。
可选地，所述根据所述特征数据集确定与所述特征数据集对应的图像处理参数，包括：
使用训练后的神经网络对所述特征数据集进行识别，得到识别信息；
根据所述识别信息确定与所述识别信息对应的图像处理参数。
可选地，所述对所述源图像进行特征提取处理，还包括：
对所述源图像进行特征提取处理，得到与所述源文档对应的特征数据集；
使用训练后的神经网络对所述特征数据集进行识别，得到识别信息；
根据所述识别信息确定与所述识别信息对应的图像处理参数；
根据所述图像处理参数对所述源图像进行处理。
可选地，所述特征数据集包括所述第一图像数据中的图像元素信息和/或边界轮廓信息，所述识别信息包括文档类型信息；
所述使用训练后的神经网络对所述特征数据集进行识别，得到识别信息，包括：使用训练后的神经网络根据所述图像元素信息和/或所述边界轮廓信息对所述源图像所对应的源文档进行文档类型的识别，得到所述源文档的文档类型信息。
可选地，所述特征数据集包括字符信息，所述字符信息包括至少一个第一字符以及每个第一字符的位置信息，所述识别信息所述识别信息包括敏感字符识别信息，所述敏感字符识别信息包括所述至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息；
所述使用训练后的神经网络对所述特征数据集进行识别，得到识别信息，包括：使用训练后的神经网络在所述至少一个第一字符中进行敏感字符的识别，得到所述至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息；
所述图像处理参数包括敏感字符处理参数；
所述确定与所述识别信息对应的图像处理参数，包括：根据所述至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息生成敏感字符处理参数；
所述根据所述图像处理参数对所述源图像进行处理，包括：
根据所述敏感字符处理参数对经过第一图像处理后的所述源图像进行敏感字符去除处理。
可选地，所述特征数据集包括阶调信息及色域信息，所述识别信息包括CMYK阶调调整值、阶调曲线调整值、明暗度调整值及色彩调整值；
所述使用训练后的神经网络对所述特征数据集进行识别，得到识别信息，包括：
使用训练后的神经网络对所述阶调信息及色域信息进行识别，得到所述CMYK阶调调整值、所述阶调曲线调整值、所述明暗度调整值及所述色彩调整值；
所述图像处理参数包括CMYK阶调处理参数、阶调曲线处理参数、明暗度处理参数及色彩处理参数；
所述确定与所述识别信息对应的图像处理参数，包括：分别根据所述CMYK阶调调整值、所述阶调曲线调整值、所述明暗度调整值及所述色彩调整值从所述数据库中检索出与所述CMYK阶调调整值对应的CMYK阶调处理参数、与所述阶调曲线调整值对应的阶调曲线处理参数、与所述明暗度调整值对应的明暗度处理参数以及与所述色彩调整值对应的色彩处理参数；
所述根据所述图像处理参数对所述源图像进行处理，包括：根据所述CMYK阶调处理参数、所述阶调曲线处理参数、所述明暗度处理参数及所述色彩处理参数对经过所述第一图像处理后的所述源图像进行处理。
第三方面，本发明实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现上述图像处理方法。
第四方面，本发明实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述图像处理装置所执行的方法。
可以理解，本发明通过对源图像进行特征提取处理，经过训练后的神经网络对所述特征数据集进行识别，最终生成与源图像对应的图像处理参数，因此，无需手动对源图像的图像处理参数进行设置，实现了图像处理的智能化。其中，本发明实施例通过图像处理参数确定模块智能化的识别文档类型，针对不同类型的源文档自动生成图像处理参数，实现图像处理参数的自动设置，简化了用户繁琐操作，提高了文档复制输出质量；通过提取源文档的阶调信息和色域信息，并结合用户使用习惯，特性化的进行彩色处理，保证色彩还原质量；通过自动识别源文档的敏感字符，并对敏感字符进行隐藏处理，增强了保密级别文件的安全性。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明实施例所提供的图像处理装置的结构示意图；
图2为本发明实施例提供的一种应用场景下的图像处理装置的结构示意图；
图3为本发明实施例提供的又一种应用场景下的图像处理装置的结构示意图；
图4为本发明实施例提供的又一种应用场景下的图像处理装置的结构示意图；
图5为本发明实施例提供的一种图像处理方法的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施例
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个。
本发明实施例提供一种图像处理装置，图像处理装置可以例如打印纸的记录介质上打印例如由计算机产生的打印数据的装置。图像处理装置的例子包括但不限于复印机、打印机、传真机、扫描仪以及在单个设备中执行以上功能的多功能外设。本发明实施例提供的图像处理装置可以应用于例如对终端设备输出的电子文档进行打印处理，对纸质文档进行复印处理或者扫描处理等场景中。
图1是本发明实施例所提供的图像处理装置的结构示意图；
如附图1所示，图像处理装置100包括预处理模块1、图像处理参数确定模块2以及处理模块3，其中，图像处理参数确定模块2包括深度学习模块21和数据分析模块22；本发明实施例主要设计思路为：通过预处理模块1对需要处理的源文档所对应的源图像进行特征提取，形成特征数据集，其中，特征数据集可以包括但不限于图像元素信息、版面信息、边界轮廓信息、阶调信息及色域信息等中的一个或者任意多个；然后预处理模块1将特征数据集发送给深度学习模块21，深度学习模块21根据预先训练的神经网络对特征数据集进行识别，得到与特征数据集所对应的识别信息，识别信息可以包括但不限于文档类型信息、敏感字符识别信息、CMYK阶调调整值、阶调曲线调整值、明暗度调整值及色彩调整值等中的一个或者任意多个，然后深度学习模块21将识别信息发送至数据分析模块22，数据分析模块22获得识别信息后，从其数据库中检索与识别信息对应的图像处理参数，然后发送给处理模块3，处理模块3根据图像处理参数对源图像进行处理，进而实现自动化图像处理参数的设置和智能化图像处理。
可以理解，通过上述预处理模块1、深度学习模块21、数据分析模块22及处理模块3，可以自动对需要处理的源文档所对应的源图像进行参数设置和调整，无需手动进行参数设置，实现了图像处理的智能化。
需要知道的是，本发明实施例中，预处理模块1、深度学习模块21、数据分析模块22及处理模块3中的任意一个或者多个可以通过硬件的方式实现，也可以通过软件的方式实现，或者部分通过硬件的方式实现，部分通过软件的方式实现，本发明实施例对此不做限定。
下面对图像处理装置100的各个模块进行更为详细的说明。
预处理模块1，被配置为对源图像进行特征提取处理，得到与源图像对应的特征数据集。
具体地，在本发明实施例中，预处理模块1包括降采样单元和特征提取单元，降采样单元被配置为预处理模块1对源图像进行降采样(downsampled)处理，得到第一图像数据，特征提取单元被配置为对第一图像数据进行特征提取处理，得到特征数据集，特征数据集包括至少一个特征数据集。
其中，降采样又称下采样(subsampled)，假设源图像由N*M个像素点组成且降采样系数为k，即是在源图像的每行每列中每隔k个像素点取一个像素点组成源图像的缩略图像数据，即第一图像数据，其中，N、M及k均为大于或者等于1的自然数。当然，在其它实施方式中，降采样单元可以是非必须的，或者，降采样单元还可以由上采样(upsampling)单元或图像插值(interpolating)单元代替，降采样相较于上采样或图像插值的实现方式更为简单。
其中，特征提取单元对第一图像数据进行特征提取，数据分析模块22包括但不限于以下任意一种或者多种：图像元素信息、版面信息、边界轮廓信息、阶调信息及色域信息等。
其中，图像元素信息可以包括字符信息、图片信息和/或线条信息等；其中，字符信息包括第一图像数据中的至少一个第一字符，当然，字符信息还可以包括每个第一字符的位置信息(例如坐标值)及与源图像之间尺寸比例信息，当第一字符的数量为多个时，字符信息还可以包括多个第一字符之间的关系(例如上下文关系)信息。图片信息包括第一图像中的至少一个第一图片，当然，图片信息还可以包括每个第一图片的位置信息(例如坐标值)及与源图像之间尺寸比例信息等；线条信息包括第一图像中的至少一个第一线条，当然，线条信息还可以包括每个第一线条的位置信息(例如坐标值)及与源图像之间尺寸比例信息等。
当进行图像作业时，图像处理装置100获取需要处理的源文档所对应的源图像后，降采样单元对源图像进行降采样处理，然后通过特征提取单元进行图像特征的提取，然后将提取的特征数据集输入到图像处理参数确定模块2。
图像处理参数确定模块2被配置为根据特征数据集确定与所述特征数据集对应的图像处理参数，具体地，图像处理参数确定模块2包括深度学习模块21及数据分析模块22。
深度学习模块21，被配置为使用训练后的神经网络对特征数据集进行识别，得到识别信息。
在本发明实施例中，深度学习模块21配置有预先训练好的神经网络，预先训练好的神经网络可以对输入的各个特征数据集进行识别和计算，并输出相应的计算结果(即为识别信息)。识别信息可以包括文档类型信息、敏感字符识别信息、MYK阶调调整值、阶调曲线调整值、颜色增强调整值等等中的一个或者任意多个。
在一种实现方式中，深度学习模块21采用硬件的方式实现，相较于通过单纯软件的方式实现，深度学习模块21的计算速度更快，可以提高图像处理的速度，进而提高用户使用体验。
在一种实现方式中，深度学习模块21会将预处理模块1输出的特征数据集和数据分析模块22输出的与特征数据集对应的识别信息在数据分析模块22中的数据库进行更新存储，更新存储的过程可以为:
深度学习模块21判断数据库中是否已存储预处理模块1输出的特征数据集；
若否，深度学习模块21将特征数据集作为样本数据存储于数据库中。
需要知道的是，数据库用于存储对深度学习模块21中的神经网络进行训练的样本数据，样本数据可以是用户输入的，也可以将预处理模块1输出的特征数据集作为样本数据存储。深度学习模块21可以定期或者根据用户需求从数据库中提取样本数据对神经网络进行训练，以对神经网络的计算参数进行自动调整，进而提高深度学习模块21对预处理模块1输出的特征数据集的处理精确度。
数据分析模块22，被配置为根据识别信息确定与识别信息对应的图像处理参数，数据分析模块22中存储有识别信息与图像处理参数的对应关系。
其中，识别信息与图像处理参数的对应关系存储于数据库中。当数据分析模块22接收到识别信息时，数据分析模块22会对数据库中的数据进行分析与匹配，由于数据库中存储有识别信息与图像处理参数的对应关系，因此，当获取到识别信息后，即可匹配到与识别信息对应的图像处理参数。当然，数据分析模块22还可以根据用户需求和/或用户特征对图像处理参数进行调整，例如，根据用户输入的指示信息对图像处理参数进行调整，又例如，通过语音识别技术或者人脸识别技术等方式获取用户特征数据，用户特征数据例如用户的年龄特征数据及性别特征数据，然后根据用户的特征数据调整图像处理参数，对于如何结合用户特征进行图像处理参数的调整，本发明对此不做限定。
进一步地，由于数据库中存储空间容量有限，为了保证数据库中的数据不会溢出，数据分析模块22会根据预设更新规则对数据库中存储的样本数据进行更新，以保证当前数据库中的数据量不会溢出，同时能包括较优的样本数据。
具体地，数据分析模块22会对数据库中的每组样本数据进行排名，保留排名为L以及排名小于L的样本数据，删除排名大于L的样本数据，其中，L为大于或者等于1的自然数。
具体地，数据分析模块22对数据库中的每组样本数据进行排名基于以下任意一项或者任意多项确定：
一、样本数据的识别率；
具体地，样本数据的识别率为深度学习模块21对于样本数据的识别正确率，当深度学习模块21对于样本数据的识别率越低，排名越靠前。
二、样本数据的用户习惯匹配度；
具体地，用户习惯匹配度用于表征用户习惯数据与样本数据之间的匹配度，用户习惯数据可以是用户通过操作面板输入的喜好信息，也可以是采集的用户在使用图像处理装置100时配置的参数信息；样本数据的用户习惯匹配度越高，排名越靠前。
三、样本数据的用户特征匹配度；
具体地，用户习惯匹配度用于表征用户特征数据与样本数据之间的匹配度；用户特征数据通过语音识别技术或者人脸识别技术等方式获取，用户特征数据例如用户的年龄特征数据及性别特征数据等，样本数据的用户特征匹配度越高，排名越靠前。
当然，在其它实施方式中，数据分析模块22还可以根据其它更新规则对数据库中存储的样本数据进行更新，本发明对比不作限定。
处理模块3，被配置为根据图像处理参数对源图像进行处理。
请继续参阅附图1，进一步地，处理模块3包括第一处理单元31和第二处理单元32，第一处理单元31通常用于进行图像处理装置100所必须的图像处理步骤，例如进制转换，边界处理等。第二处理单元32通常用于进行为了达到较好的图像处理效果，或者针对特殊的缺陷所进行的图像处理步骤，例如锐化增强处理、敏感字符去除处理、CMYK阶调调整处理、阶调曲线调整处理、色彩调整处理等。为了方便描述，本发明实施例将第一处理单元31进行的图像处理步骤称为第一图像处理，将第二处理单元32进行的图像处理步骤称为第二图像处理。
优选地，在本发明的一个实施例中，图像处理装置100获取需要处理的源文档所对应的源图像后，同时对预处理模块1和第一处理单元31输入源图像，预处理模块1和第一处理单元31同时对源图像进行相应处理，第一处理单元31对源图像进行第一图像处理后，将处理后的源图像发送给第二处理单元32，使得第二处理单元32根据图像处理参数对第一处理单元31处理后的源图像进行第二图像处理。可以理解，采用上述第一处理单元31与预处理模块1同步处理的方式，能够提高对源图像的处理速度。
在其它实施方式中，也可以是第二处理单元32先进行第二图像处理，再由第一处理单元31对进行第二图像处理后的源图像进行第一图像处理，本发明对此不做限定。
需要知道的是，第一处理单元31与第二处理单元32可以集成于同一物理单元中，也可以是分开的物理单元。第一处理单元31进行的图像处理步骤与第二处理单元32进行的图像处理步骤可以根据实际需要进行调整，本发明同样对此不做限定。
下面列举几种不同应用场景下的图像处理方案，以对本发明实施例提供的图像处理装置100作进一步说明，以下列举的图像处理方案可以叠加进行，也可以独立进行，即下面列举的图像处理方案可以在同一图像处理装置100上实现，也可以在不同图像处理装置100上实现。
方案一：
方案一的核心技术内容为：深度学习模块21根据特征数据集确定源图像对应的源文档的文档类型，然后数据分析模块22根据文档类型从数据库中匹配与文档类型对应的图像处理参数，从而实现图像处理参数的自动化设置。
具体地，请参阅附图2，预处理模块1对源图像进行降采样处理后，进行特征提取处理，得到特征数据集，特征数据集包括但不限于图像元素信息和/或边界轮廓信息等信息，预处理模块1将提取的图像元素信息和/或边界轮廓信息等信息发送给深度学习模块21；图像元素信息可以包括字符信息、图片信息及线条信息等；其中，字符信息包括第一图像中的至少一个第一字符，当然，字符信息还可以包括每个第一字符的位置信息(例如坐标值)及与源图像之间尺寸比例信息，当第一字符的数量为多个时，字符信息还可以包括多个第一字符之间的关系(例如上下文关系)信息。图片信息包括第一图像中的至少一个第一图片，当然，图片信息还可以包括每个第一图片的位置信息(例如坐标值)及与源图像之间尺寸比例信息等；线条信息包括第一图像中的至少一个第一线条，当然，线条信息还可以包括每个第一线条的位置信息(例如坐标值)及与源图像之间尺寸比例信息等。
需要注意的是，在预处理模块1对源图像进行降采样处理的同时，处理模块3中的第一处理单元31对源图像进行第一图像处理，并将第一图像处理后的源图像发送给第二处理单元32；其中，第一处理单元31通常用于进行图像处理装置100所必须的图像处理步骤，例如进制转换，边界处理等，对于第一处理单元31的处理步骤，本发明对此不做具体限定。
深度学习模块21根据图像元素信息和/或边界轮廓信息对源图像所对应的源文档进行文档类型的识别，生成识别信息，在本方案中，识别信息包括文档类型信息。其中，文档类型例如可以为文本类型、文图类型和图片类型等，其中，文本类型意指源图像所对应的源文档为纯文本类型，文图类型意指源图像所对应的源文档既包含文本又包含图片，图片类型意指源图像所对应的源文档仅包含图片不包含文本。在其他实施方式中，文档类型还可以包括其他的类型，例如票据类型、证件类型及名片类型等。
数据分析模块22根据文档类型信息在数据库中进行图像处理参数的匹配，输出与文档类型信息对应的图像处理参数至处理模块3中的第二处理单元32，第二处理单元32根据第一图像处理参数对第一处理单元31处理后的源图像进行处理，使得需要进行打印、复印或者扫描的文档能够自动到达很好的图像输出效果。在本发明实施例中，图像处理参数包括锐化增强参数，在其他实施方式中，图像处理参数还可以包括复印/扫描/打印特征曲线参数等。
可以理解，本方案可以针对不同类型的源文档使用不同的图像处理参数，使得图像处理装置100能够针对不同类型的源文档自动生成图像处理参数，实现图像处理参数的自动设置，无需操作人员手动设置，因此，实现了图像处理的智能化，提高了用户的使用体验，简化了用户繁琐操作，提高了文档复制输出质量。
方案二：
方案二的核心技术内容为：深度学习模块21根据特征数据集确定源图像对应的源文档的各个图像质量调整值，然后数据分析模块22根据图像质量调整值从数据库中匹配与各个图像质量调整值对应的各个图像处理参数，从而实现图像处理参数的自动化设置，解决图像处理参数繁琐设置的问题。
具体地，请参阅附图3，预处理模块1对源图像进行降采样处理后，进行特征提取处理，得到特征数据集，特征数据集包括但不限于阶调信息及色域信息中的一个或者任意多个，预处理模块1将提取的阶调信息及色域信息等信息发送给深度学习模块21；在预处理模块1对源图像进行降采样处理的同时，处理模块3中的第一处理单元31开始对源图像进行第一图像处理，并将第一图像处理后的源图像发送给第二处理单元32；其中，第一处理单元31通常用于进行图像处理装置100所必须的图像处理步骤，例如进制转换，边界处理等。
深度学习模块21使用训练后的神经网络对阶调信息及色域信息等信息进行识别，并输出识别信息，在本方案中，识别信息包括但不限于CMYK阶调调整值、阶调曲线调整值、明暗度调整值及色彩调整值等中的一个或者任意多个。
数据分析模块22根据识别信息在数据库中进行图像处理参数的匹配，输出与识别信息对应的第二图像处理参数至处理模块3中的第二处理单元32，在本实施方式中，第二图像处理参数包括CMYK阶调处理参数、阶调曲线处理参数、明暗度处理参数及色彩处理参数等中的一个或者任意多个，其中，色彩处理参数可以包括色彩饱和度参数、色度参数及色彩平衡参数等。其中，CMYK阶调处理参数与CMYK阶调调整值相对应，阶调曲线调整值与阶调曲线处理参数相对应，明暗度处理参数与明暗度调整值相对应，色彩处理参数与色彩调整值相对应。
第二处理单元32根据第一图像处理参数对第一处理单元31处理后的源图像进行处理，使得需要进行打印、复印或者扫描的文档能够自动到达很好的图像输出效果。
可以理解，本方案可以根据源文档对应的源图像的阶调信息及色域信息，经过深度学习模块21使用训练后的神经网络对阶调信息及色域信息进行识别与计算，输出与源图像对应的CMYK阶调调整值、阶调曲线调整值、明暗度调整值及色彩调整值等，然后通过数据分析模块22将上述识别信息转化为对应的图像处理参数，使得图像处理装置100能够对源文档中的阶调信息及色域信息自动调整图像处理参数，实现图像处理参数的自动设置，无需操作人员手动设置，通过提取源文档的阶调信息和色域信息，并结合用户使用习惯，特性化的进行彩色处理，保证色彩还原质量，实现了图像处理的智能化，提高了用户的使用体验。
方案三：
方案三主要适用于对可能包含敏感字符的源文档(例如票据、合同和财务文件等)进行处理。方案三核心技术内容为：深度学习模块21根据特征数据集确定源图像对应的源文档的敏感字符识别信息，然后数据分析模块22根据敏感字符识别信息生成与敏感字符识别信息对应的敏感字符处理参数，从而实现对源文档中敏感字符的隐藏处理，可以避免重要或者私密信息的泄露，提高文档信息的安全性。
请参阅附图4，在本方案中，预处理模块1还包括字符切分单元(图未示)，特征数据集包括字符信息。具体地，预处理模块1对源文档所对应的源图像进行降采样处理后，得到第一图像，然后通过特征提取单元识别第一图像中的字符图像区域，然后通过字符切分单元将字符图像区域切分为单个字符图像，进而得到字符信息，字符信息包括至少一个第一字符以及至少一个第一字符中每个第一字符的位置信息(例如坐标值)；当第一字符的数量为多个时，字符信息还可以包括各个第一字符之间的关系(例如上下文关系)信息等。
在本发明实施例中，特征提取单元识别第一图像中的字符图像区域采用的是OCR(Optical Character Recognition，光学字符识别)技术，OCR技术可以将图片、照片上的字符内容转换为可编辑文本。
在预处理模块1对源图像进行降采样处理的同时，处理模块3中的第一处理单元31对源图像进行第一图像处理，并将第一图像处理后的源图像发送给第二处理单元32；其中，第一处理单元31通常用于进行图像处理装置100所必须的图像处理步骤，例如进制转换，边界处理等。
深度学习模块21获取预处理模块1生成的字符信息后，使用训练后的神经网络对至少一个字符中的每个第一字符进行识别，以识别至少一个第一字符中的每个第一字符是否为敏感字符，并输出敏感字符识别信息给数据分析模块22，敏感字符识别信息包括至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息(例如坐标值)。其中，敏感字符通常为可以用于表征金额或者个人信息等需要隐藏的字符。
数据分析模块22获取深度学习模块21输出的至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息后，将至少一个第一字符中的敏感字符做第一标记处理，例如将至少一个第一字符中的敏感字符标记为“隐藏”，将至少一个第一字符中的非敏感字符做第二标记处理，例如将至少一个第一字符中的非敏感字符标记为“公开”，从而生成敏感字符处理参数，在本实施例中，敏感字符处理参数包括至少一个第一字符中每个第一字符的标记信息以及位置信息(例如坐标值)，在其他实施方式中，敏感字符处理参数还可以仅包括敏感字符的标记信息和敏感字符的位置信息(例如坐标值)。
第二处理单元32获取第一处理单元31处理后的源图像以及敏感字符处理参数，第二处理单元32根据敏感字符处理参数对经过第一图像处理后的源图像进行敏感字符去除处理，敏感字符去除处理例如可以为将敏感字符所在的图像区域做二值化处理，例如将敏感字符所在的图像区域设置为全黑或者全白，以实现对敏感字符的隐藏处理，增强了保密级别文件的安全性。
请参阅附图5，本发明实施例提供一种图像处理方法，可以应用于本发明实施例提供的图像处理装置100，图像处理方法包括：
步骤S01:对源图像进行特征提取处理，得到与源文档对应的特征数据集；
步骤S02:根据特征数据集确定与特征数据集对应的图像处理参数；
步骤S03:根据图像处理参数对源图像进行处理。
可以理解，本实施例通过对源图像进行特征提取处理，经过训练后的神经网络对特征数据集进行识别，最终生成与源图像对应的图像处理参数，因此，无需手动对源图像的图像处理参数进行设置，实现了图像处理的智能化。
在一种实现方式中，根据所述特征数据集确定与特征数据集对应的图像处理参数，包括：
使用训练后的神经网络对所述特征数据集进行识别，得到识别信息；
根据识别信息确定与识别信息对应的图像处理参数。
在一种实现方式中，对源图像进行特征提取处理，还包括：对源图像进行第一图像处理；
根据图像处理参数对源图像进行处理，包括：根据图像处理参数对经过第一图像处理后的源图像进行第二图像处理。
在一种实现方式中，对源文档进行特征提取，得到与源文档对应的特征数据集，包括：
对源图像进行降采样处理，得到第一图像数据；
对第一图像数据进行特征提取处理，得到特征数据集。
在一种实现方式中，特征数据集包括第一图像数据中的图像元素信息和/或边界轮廓信息，识别信息包括文档类型信息；
使用训练后的神经网络对特征数据集进行识别，得到识别信息，包括：使用训练后的神经网络根据图像元素信息和/或边界轮廓信息对源图像所对应的源文档进行文档类型的识别，得到源文档的文档类型信息。
在一种实现方式中，图像处理参数包括锐化处理参数；
确定与识别信息对应的图像处理参数，包括：根据文档类型信息从数据库中检索出与源文档的文档类型对应的锐化处理参数；
根据图像处理参数对源图像进行处理，包括：根据锐化处理参数对经过第一图像处理后的源图像进行锐化处理。
在一种实现方式中，特征数据集包括字符信息，字符信息包括至少一个第一字符以及每个第一字符的位置信息，识别信息包括敏感字符识别信息，敏感字符识别信息包括至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息；
使用训练后的神经网络对特征数据集进行识别，得到识别信息，包括：使用训练后的神经网络在至少一个第一字符中进行敏感字符的识别，得到至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息。
在一种实现方式中，图像处理参数包括敏感字符处理参数；
确定与识别信息对应的图像处理参数，包括：根据至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息生成敏感字符处理参数；
根据图像处理参数对源图像进行处理，包括：
根据敏感字符处理参数对经过第一图像处理后的源图像进行敏感字符去除处理。
在一种实现方式中，特征数据集包括阶调信息及色域信息，识别信息包括CMYK阶调调整值、阶调曲线调整值、明暗度调整值及色彩调整值；
使用训练后的神经网络对特征数据集进行识别，得到识别信息，包括：
使用训练后的神经网络对阶调信息及色域信息进行识别，得到CMYK阶调调整值、阶调曲线调整值、明暗度调整值及色彩调整值。
在一种实现方式中，图像处理参数包括CMYK阶调处理参数、阶调曲线处理参数、明暗度处理参数及色彩处理参数；
确定与识别信息对应的图像处理参数，包括：分别根据CMYK阶调调整值、阶调曲线调整值、明暗度调整值及色彩调整值从数据库中检索出与CMYK阶调调整值对应的CMYK阶调处理参数、与阶调曲线调整值对应的阶调曲线处理参数、与明暗度调整值对应的明暗度处理参数以及与色彩调整值对应的色彩处理参数；
根据图像处理参数对源图像进行处理，包括：根据CMYK阶调处理参数、阶调曲线处理参数、明暗度处理参数及色彩处理参数的源图像进行处理。
需要说明的是，关于图像处理方法更为具体的内容，可以参见上文中图像处理装置的对应内容，为了避免重复，在此不再一一赘述。
本发明实施例提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述耗材芯片所执行的数据处理方法，耗材芯片所执行的方法在上文已有对应的说明，为避免重复，在此不再一一赘述。
请参阅附图6，本发明实施例提供了一种电子设备50，该实施例的电子设备50包括：处理器51、存储器52以及存储在存储器52中并可在处理器51上运行的计算机程序53，该计算机程序53被处理器51执行时实现本发明实施例中提供的一种图像处理方法，或者，该计算机程序被处理器51执行时实现附图1所示的图像处理装置100中各模块/单元的功能，为避免重复，此处不一一赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (12)

1.一种图像处理装置，其特征在于，包括：
预处理模块，被配置为对源图像进行特征提取处理，得到与所述源图像对应的特征数据集；
图像处理参数确定模块，被配置为根据所述特征数据集确定与所述特征数据集对应的图像处理参数；及
处理模块，被配置为根据所述图像处理参数对所述源图像进行处理；
所述图像处理参数确定模块包括：
深度学习模块，被配置为使用训练后的神经网络对所述特征数据集进行识别，得到识别信息；及
数据分析模块，被配置为根据所述识别信息确定与所述识别信息对应的图像处理参数；
所述特征数据集包括阶调信息及色域信息，所述识别信息包括CMYK阶调调整值、阶调曲线调整值、明暗度调整值及色彩调整值；所述图像处理参数包括CMYK阶调处理参数、阶调曲线处理参数、明暗度处理参数及色彩处理参数；
所述深度学习模块具体被配置为：使用训练后的神经网络对所述阶调信息及色域信息进行识别，得到所述CMYK阶调调整值、所述阶调曲线调整值、所述明暗度调整值及所述色彩调整值；
所述数据分析模块具体被配置为：分别根据所述CMYK阶调调整值、所述阶调曲线调整值、所述明暗度调整值及所述色彩调整值从数据库中检索出与所述CMYK阶调调整值对应的CMYK阶调处理参数、与所述阶调曲线调整值对应的阶调曲线处理参数、与所述明暗度调整值对应的明暗度处理参数以及与所述色彩调整值对应的色彩处理参数。
2.如权利要求1所述的图像处理装置，其特征在于，所述处理模块包括第一处理单元以及第二处理单元，其中，所述第一处理单元被配置为对所述源图像进行第一图像处理，所述第二处理单元被配置为根据所述图像处理参数对经过第一图像处理后的所述源图像进行第二图像处理。
3.如权利要求1所述的图像处理装置，其特征在于，所述特征数据集包括图像元素信息和/或边界轮廓信息，所述识别信息包括文档类型信息；
所述深度学习模块具体被配置为：使用训练后的神经网络根据所述图像元素信息和/或所述边界轮廓信息对所述源图像所对应的源文档进行文档类型的识别，得到所述源文档的文档类型信息。
4.如权利要求2所述的图像处理装置，其特征在于，所述特征数据集包括字符信息，所述字符信息包括至少一个第一字符以及每个第一字符的位置信息，所述识别信息包括敏感字符识别信息，所述敏感字符识别信息包括所述至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息；所述图像处理参数包括敏感字符处理参数；
所述深度学习模块具体被配置为：使用训练后的神经网络在所述至少一个第一字符中进行敏感字符的识别，得到所述至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息；
所述数据分析模块具体被配置为：根据所述至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息生成敏感字符处理参数；
所述第二处理单元具体被配置为：根据所述敏感字符处理参数对经过所述第一图像处理后的所述源图像进行敏感字符去除处理。
5.如权利要求2所述的图像处理装置，其特征在于：
所述第二处理单元具体被配置为：根据所述CMYK阶调处理参数、所述阶调曲线处理参数、所述明暗度处理参数及所述色彩处理参数对经过所述第一图像处理后的所述源图像进行处理。
6.一种图像处理方法，应用于图像处理装置，其特征在于，所述方法包括：
对源图像进行特征提取处理，得到与所述源图像对应的特征数据集；
根据所述特征数据集确定与所述特征数据集对应的图像处理参数；根据所述图像处理参数对所述源图像进行处理；
所述根据所述特征数据集确定与所述特征数据集对应的图像处理参数，包括：
使用训练后的神经网络对所述特征数据集进行识别，得到识别信息；
根据所述识别信息确定与所述识别信息对应的图像处理参数；
所述特征数据集包括阶调信息及色域信息，所述识别信息包括CMYK阶调调整值、阶调曲线调整值、明暗度调整值及色彩调整值；所述图像处理参数包括CMYK阶调处理参数、阶调曲线处理参数、明暗度处理参数及色彩处理参数；
使用训练后的神经网络对所述特征数据集进行识别，得到识别信息，包括：使用训练后的神经网络对所述阶调信息及色域信息进行识别，得到所述CMYK阶调调整值、所述阶调曲线调整值、所述明暗度调整值及所述色彩调整值；
根据所述识别信息确定与所述识别信息对应的图像处理参数，包括：分别根据所述CMYK阶调调整值、所述阶调曲线调整值、所述明暗度调整值及所述色彩调整值从数据库中检索出与所述CMYK阶调调整值对应的CMYK阶调处理参数、与所述阶调曲线调整值对应的阶调曲线处理参数、与所述明暗度调整值对应的明暗度处理参数以及与所述色彩调整值对应的色彩处理参数。
7.如权利要求6所述的方法，其特征在于，所述对所述源图像进行特征提取处理，还包括：对所述源图像进行第一图像处理；
所述根据所述图像处理参数对所述源图像进行处理，包括：根据所述图像处理参数对经过第一图像处理后的所述源图像进行第二图像处理。
8.如权利要求6所述的方法，其特征在于，所述特征数据集包括图像元素信息和/或边界轮廓信息，所述识别信息包括文档类型信息；
所述使用训练后的神经网络对所述特征数据集进行识别，得到识别信息，包括：使用训练后的神经网络根据所述图像元素信息和/或所述边界轮廓信息对所述源图像所对应的源文档进行文档类型的识别，得到所述源文档的文档类型信息。
9.如权利要求7所述的方法，其特征在于，所述特征数据集包括字符信息，所述字符信息包括至少一个第一字符以及每个第一字符的位置信息，所述识别信息包括敏感字符识别信息，所述敏感字符识别信息包括所述至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息；所述图像处理参数包括敏感字符处理参数；
所述使用训练后的神经网络对所述特征数据集进行识别，得到识别信息，包括：使用训练后的神经网络在所述至少一个第一字符中进行敏感字符的识别，得到所述至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息；
所述确定与所述识别信息对应的图像处理参数，包括：根据所述至少一个第一字符中的至少一个敏感字符以及每个敏感字符对应的位置信息生成敏感字符处理参数；
所述根据所述图像处理参数对所述源图像进行处理，包括：根据所述敏感字符处理参数对经过第一图像处理后的所述源图像进行敏感字符去除处理。
10.如权利要求7所述的方法，其特征在于，所述特征数据集包括阶调信息及色域信息，所述识别信息包括CMYK阶调调整值、阶调曲线调整值、明暗度调整值及色彩调整值，所述图像处理参数包括CMYK阶调处理参数、阶调曲线处理参数、明暗度处理参数及色彩处理参数；
所述使用训练后的神经网络对所述特征数据集进行识别，得到识别信息，包括：
使用训练后的神经网络对所述阶调信息及色域信息进行识别，得到所述CMYK阶调调整值、所述阶调曲线调整值、所述明暗度调整值及所述色彩调整值；
所述确定与所述识别信息对应的图像处理参数，包括：分别根据所述CMYK阶调调整值、所述阶调曲线调整值、所述明暗度调整值及所述色彩调整值从数据库中检索出与所述CMYK阶调调整值对应的CMYK阶调处理参数、与所述阶调曲线调整值对应的阶调曲线处理参数、与所述明暗度调整值对应的明暗度处理参数以及与所述色彩调整值对应的色彩处理参数；
所述根据所述图像处理参数对所述源图像进行处理，包括：根据所述CMYK阶调处理参数、所述阶调曲线处理参数、所述明暗度处理参数及所述色彩处理参数对经过所述第一图像处理后的所述源图像进行处理。
11.一种电子设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于：所述程序指令被处理器加载并执行时实现权利要求6至10任意一项所述的方法。
12.一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求6至10任意一项所述的图像处理方法。
CN201911348198.1A 2019-12-24 2019-12-24 图像处理方法、装置、电子设备以及存储介质 Active CN111126273B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201911348198.1A CN111126273B (zh) 2019-12-24 2019-12-24 图像处理方法、装置、电子设备以及存储介质
EP20906289.2A EP4064114A4 (en) 2019-12-24 2020-11-25 IMAGE PROCESSING METHOD AND APPARATUS, ELECTRONIC DEVICE, AND STORAGE MEDIA
PCT/CN2020/131533 WO2021129289A1 (zh) 2019-12-24 2020-11-25 图像处理方法、装置、电子设备以及存储介质
US17/846,364 US20220319215A1 (en) 2019-12-24 2022-06-22 Image processing method, device, electronic apparatus, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911348198.1A CN111126273B (zh) 2019-12-24 2019-12-24 图像处理方法、装置、电子设备以及存储介质

Publications (2)

Publication Number Publication Date
CN111126273A CN111126273A (zh) 2020-05-08
CN111126273B true CN111126273B (zh) 2024-04-23

Family

ID=70501907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911348198.1A Active CN111126273B (zh) 2019-12-24 2019-12-24 图像处理方法、装置、电子设备以及存储介质

Country Status (4)

Country Link
US (1) US20220319215A1 (zh)
EP (1) EP4064114A4 (zh)
CN (1) CN111126273B (zh)
WO (1) WO2021129289A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126273B (zh) * 2019-12-24 2024-04-23 珠海奔图电子有限公司 图像处理方法、装置、电子设备以及存储介质
CN116420158A (zh) * 2020-10-27 2023-07-11 三星电子株式会社 用于生成其中被摄体已经被捕获的图像的设备和方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101197914A (zh) * 2007-12-14 2008-06-11 北京圣彩虹制版印刷技术有限公司 数字式高仿真艺术品复制方法
CN108364267A (zh) * 2018-02-13 2018-08-03 北京旷视科技有限公司 图像处理方法、装置及设备
CN108885699A (zh) * 2018-07-11 2018-11-23 深圳前海达闼云端智能科技有限公司 字符识别方法、装置、存储介质及电子设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9990564B2 (en) * 2016-03-29 2018-06-05 Wipro Limited System and method for optical character recognition
CN108153468A (zh) * 2017-12-14 2018-06-12 阿里巴巴集团控股有限公司 图片处理方法及装置
CN108764370B (zh) * 2018-06-08 2021-03-12 Oppo广东移动通信有限公司 图像处理方法、装置、计算机可读存储介质和计算机设备
US10417342B1 (en) * 2018-07-03 2019-09-17 Gyrfalcon Technology Inc. Deep learning device for local processing classical chinese poetry and verse
CN109191389A (zh) * 2018-07-31 2019-01-11 浙江杭钢健康产业投资管理有限公司 一种x光图像自适应局部增强方法
CN109872284A (zh) * 2019-01-18 2019-06-11 平安普惠企业管理有限公司 图像信息脱敏方法、装置、计算机设备及存储介质
CN111126273B (zh) * 2019-12-24 2024-04-23 珠海奔图电子有限公司 图像处理方法、装置、电子设备以及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101197914A (zh) * 2007-12-14 2008-06-11 北京圣彩虹制版印刷技术有限公司 数字式高仿真艺术品复制方法
CN108364267A (zh) * 2018-02-13 2018-08-03 北京旷视科技有限公司 图像处理方法、装置及设备
CN108885699A (zh) * 2018-07-11 2018-11-23 深圳前海达闼云端智能科技有限公司 字符识别方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN111126273A (zh) 2020-05-08
EP4064114A1 (en) 2022-09-28
US20220319215A1 (en) 2022-10-06
WO2021129289A1 (zh) 2021-07-01
EP4064114A4 (en) 2023-01-04
WO2021129289A9 (zh) 2022-07-28

Similar Documents

Publication Publication Date Title
JP4310356B2 (ja) 画像処理方法、画像処理装置、画像読取装置、画像形成装置、コンピュータプログラム及び記録媒体
JP4118749B2 (ja) 画像処理装置、画像処理プログラムおよび記憶媒体
JP5511450B2 (ja) 画像処理装置、画像処理方法及びプログラム
US20040218838A1 (en) Image processing apparatus and method therefor
US7684620B2 (en) Image processing apparatus and method for dividing an image into component images
EP2333655A2 (en) Printed matter examination apparatus, a printed matter examination method, a storage medium, and a printed matter examination system
US9596378B2 (en) Method and apparatus for authenticating printed documents that contains both dark and halftone text
US20220319215A1 (en) Image processing method, device, electronic apparatus, and storage medium
JP4970301B2 (ja) 画像処理方法、画像処理装置、画像読取装置、画像形成装置、画像処理システム、プログラムおよび記録媒体
JP4362538B2 (ja) 画像処理装置、画像形成装置、画像送信装置、画像読取装置、画像処理システム、画像処理方法、画像処理プログラムおよびその記録媒体
JP2009065571A (ja) 画像照合装置、画像照合方法、画像データ出力処理装置、プログラム、及び記録媒体
CN106303150A (zh) 图像处理装置及图像处理装置的控制方法
KR20170101125A (ko) 정보 처리장치, 정보 처리방법, 및 기억매체
CN104427157B (zh) 图像处理装置和图像处理方法
US7539671B2 (en) Image processing apparatus, image forming apparatus, method for searching processed document, program for searching processed document, and recording medium
US9338310B2 (en) Image processing apparatus and computer-readable medium for determining pixel value of a target area and converting the pixel value to a specified value of a target image data
US8830487B2 (en) System and method for separating image and text in a document
US11223743B2 (en) Image processing system, image processing apparatus, method of controlling the image processing apparatus, and storage medium
JP4393556B2 (ja) 画像処理方法、画像処理装置、画像読取装置、画像形成装置、コンピュータプログラム及びコンピュータでの読み取りが可能な記録媒体
JP4487003B2 (ja) 画像データ出力処理装置、画像データ出力処理方法、プログラム及び記録媒体
US20220180114A1 (en) Image processing apparatus capable of restoring degraded image with high accuracy, image processing method, and storage medium
US8004712B2 (en) Image processing apparatus and method
US11170211B2 (en) Information processing apparatus for extracting portions filled with characters from completed document without user intervention and non-transitory computer readable medium
CN110536043B (zh) 信息处理装置、信息处理方法及存储介质
JP2008154216A (ja) 画像処理方法、画像処理装置、画像形成装置、原稿読取装置、コンピュータプログラム及び記録媒体

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