CN111191062B - 图片处理方法、装置、计算机设备和存储介质 - Google Patents
图片处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111191062B CN111191062B CN201911277867.0A CN201911277867A CN111191062B CN 111191062 B CN111191062 B CN 111191062B CN 201911277867 A CN201911277867 A CN 201911277867A CN 111191062 B CN111191062 B CN 111191062B
- Authority
- CN
- China
- Prior art keywords
- picture
- image
- processed
- reconstructed
- features
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
Abstract
本申请涉及一种图片处理方法、装置、计算机设备和存储介质。所述方法包括:获取待处理图片;将所述待处理图片进行图像超分辨率重建处理,得到所述待处理图片的重建图片;所述重建图片的分辨率高于所述待处理图片的分辨率;提取所述重建图片的图像特征和文本特征;分别将所述图像特征、所述文本特征输入对应的图片识别模型中,获取各个所述图片识别模型输出的图片识别结果以及与所述图片识别结果对应的权重;从所述图片识别结果中,筛选出权重最大的图片识别结果,作为所述待处理图片的图片类型。本方法基于图像分类技术,实现了对待处理图片进行自动分类的目的,无需通过人工对图片进行分类,从而提高了图片分类效率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图片处理方法、装置、计算机设备和存储介质。
背景技术
图片作为一种信息源,承载着很多信息,在很多场景得到了广泛应用;且在大多数场景中,往往需要多种类型的图片;为了更好地对图片进行利用,则需要对图片进行分类。
目前,对图片的分类方式,一般是通过人工对采集的图片进行一一分类。但是,若面对大量图片且图片种类繁多时,都采用人工进行分类,会耗费大量人力和时间成本,使得图片分类效率极其低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够图片分类效率的图片处理方法、装置、计算机设备和存储介质。
一种图片处理方法,所述方法包括:
获取待处理图片;
将所述待处理图片进行图像超分辨率重建处理,得到所述待处理图片的重建图片;所述重建图片的分辨率高于所述待处理图片的分辨率;
提取所述重建图片的图像特征和文本特征;
分别将所述图像特征、所述文本特征输入对应的图片识别模型中,获取各个所述图片识别模型输出的图片识别结果以及与所述图片识别结果对应的权重;
从所述图片识别结果中,筛选出权重最大的图片识别结果,作为所述待处理图片的图片类型。
在其中一个实施例中,所述提取所述重建图片的图像特征和文本特征,包括:
将所述重建图片输入预先训练的图像特征提取模型中,得到所述重建图片的图像特征;所述预先训练的图像特征提取模型用于提取所述重建图片中的图像特征;
将所述重建图片输入预先训练的文本特征提取模型中,得到所述重建图片的文本特征;所述预先训练的文本特征提取模型用于提取所述重建图片中的文本特征。
在其中一个实施例中,所述分别将所述图像特征、所述文本特征输入对应的图片识别模型中,获取各个所述图片识别模型输出的图片识别结果以及与所述图片识别结果对应的权重,包括:
将所述图像特征输入至第一图片识别模型中,获取所述第一图片识别模型输出的图片识别结果以及与所述图片识别结果对应的第一权重;
将所述文本特征输入至第二图片识别模型中,获取所述第二图片识别模型输出的图片识别结果以及与所述图片识别结果对应的第二权重。
在其中一个实施例中,所述将所述图像特征输入至第一图片识别模型中,获取所述第一图片识别模型输出的图片识别结果以及与所述图片识别结果对应的第一权重,包括:
将所述图像特征输入至第一图片识别模型中,所述第一图片识别模型用于根据所述图像特征查询预先建立的第一数据库,得到与所述图像特征对应的图片类别,作为图片识别结果,并确定与所述图片识别结果对应的第一权重;所述预先建立的第一数据库存储有多个图像特征对应的图片类别;
获取所述第一图片识别模型输出的所述图片识别结果以及与所述图片识别结果对应的第一权重。
在其中一个实施例中,所述将所述文本特征输入至第二图片识别模型中,获取所述第二图片识别模型输出的图片识别结果以及与所述图片识别结果对应的第二权重,包括:
将所述文本特征输入至第二图片识别模型中,所述第二图片识别模型用于根据所述文本特征查询预先建立的第二数据库,得到与所述文本特征对应的图片类别,作为图片识别结果,并确定与所述图片识别结果对应的第二权重;所述预先建立的第二数据库存储有多个文本特征对应的图片类别;
获取所述第二图片识别模型输出的所述图片识别结果以及与所述图片识别结果对应的第二权重。
在其中一个实施例中,所述方法还包括:
获取预设的图片验证文件;
根据所述预设的图片验证文件,对所述待处理图片的图片类型进行验证;
若验证正确,则将所述待处理图片的图片类型发送至对应的终端;所述终端用于展示所述待处理图片的图片类型。
在其中一个实施例中,若所述待处理图片为多个车险理赔图片,则所述方法还包括:
获取各个所述车险理赔图片的用户标识;
分别将属于同一用户标识的车险理赔图片进行打包,生成所述同一用户标识对应的图片文件;所述车险理赔图片携带对应的图片类型;
将多个用户标识对应的图片文件发送至对应的终端。
一种图片处理装置,所述装置包括:
图片获取模块,用于获取待处理图片;
图片处理模块,用于将所述待处理图片进行图像超分辨率重建处理,得到所述待处理图片的重建图片;所述重建图片的分辨率高于所述待处理图片的分辨率;
特征提取模块,用于提取所述重建图片的图像特征和文本特征;
图片识别模块,用于分别将所述图像特征、所述文本特征输入对应的图片识别模型中,获取各个所述图片识别模型输出的图片识别结果以及与所述图片识别结果对应的权重;
结果筛选模块,用于从所述图片识别结果中,筛选出权重最大的图片识别结果,作为所述待处理图片的图片类型。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待处理图片;
将所述待处理图片进行图像超分辨率重建处理,得到所述待处理图片的重建图片;所述重建图片的分辨率高于所述待处理图片的分辨率;
提取所述重建图片的图像特征和文本特征;
分别将所述图像特征、所述文本特征输入对应的图片识别模型中,获取各个所述图片识别模型输出的图片识别结果以及与所述图片识别结果对应的权重;
从所述图片识别结果中,筛选出权重最大的图片识别结果,作为所述待处理图片的图片类型。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待处理图片;
将所述待处理图片进行图像超分辨率重建处理,得到所述待处理图片的重建图片;所述重建图片的分辨率高于所述待处理图片的分辨率;
提取所述重建图片的图像特征和文本特征;
分别将所述图像特征、所述文本特征输入对应的图片识别模型中,获取各个所述图片识别模型输出的图片识别结果以及与所述图片识别结果对应的权重;
从所述图片识别结果中,筛选出权重最大的图片识别结果,作为所述待处理图片的图片类型。
上述图片处理方法、装置、计算机设备和存储介质,通过获取待处理图片;将待处理图片进行图像超分辨率重建处理,得到待处理图片的重建图片;提取重建图片的图像特征和文本特征;分别将图像特征、文本特征输入对应的图片识别模型中,获取各个图片识别模型输出的图片识别结果以及与图片识别结果对应的权重;从图片识别结果中,筛选出权重最大的图片识别结果,作为车险理赔图片的图片类型;实现了根据待处理图片的图像特征和文本特征,对待处理图片进行自动分类的目的,无需通过人工对图片进行分类,从而提高了图片分类效率,大大降低了人力成本和时间成本;同时,对待处理图片进行图像超分辨率重建处理,并综合考虑待处理图片的图像特征和文本特征,有利于提高图片分类准确率。
附图说明
图1为一个实施例中图片处理方法的应用场景图;
图2为一个实施例中图片处理方法的流程示意图;
图3为一个实施例中获取图片识别结果以及对应的权重的步骤的流程示意图;
图4为另一个实施例中图片处理方法的流程示意图;
图5为一个实施例中图片处理装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的图片处理方法,可以应用于如图1所示的应用环境中。其中,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储重建图片、图像特征、文本特征、待处理图片的图片类型等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图片处理方法。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,如图2所示,提供了一种图片处理方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S202,获取待处理图片。
在本步骤中,待处理图片是指需要进行图片分类的图片,比如车险理赔图片、证件图片、商品图片等;其中,车险理赔图片是指车险理赔业务中需要上传的图片,具体是指银行卡图片、索赔表图片、驾驶证图片、身份证图片、行驶证图片、营业执照图片、发票图片、索赔申请书图片等。
具体地,终端获取需要分类的图片,作为待处理图片,并将待处理图片发送至对应的服务器,通过服务器接收终端发送的待处理图片;或者,服务器从存储有待处理图片的数据库中获取待处理图片。
在一个实施例中,终端检测到业务人员通过终端页面对本地存储的待处理图片的选择操作,获取业务人员选择的待处理图片的缩略图,并生成图片识别请求,将生成的图片识别请求发送至对应的服务器;服务器对图片识别请求进行解析,得到待处理图片。
举例说明,终端安装了车险理赔客户端,车险理赔客户端提供了车险理赔页面,车险理赔页面上显示有“点击选择图片”按钮,可供业务人员点击选择本地数据库中需要上传的车险理赔图片。终端检测到业务人员通过车险理赔页面对本地存储的车险理赔图片的选择操作,获取业务人员选择的车险理赔图片的缩略图,并生成图片识别请求,将生成的图片识别请求发送至对应的服务器;服务器对图片识别请求进行解析,得到车险理赔图片。
此外,业务人员还可以通过登录终端中运行的浏览器,进入车险理赔页面,通过车险理赔页面对本地存储的车险理赔图片进行选择操作,而触发图片识别请求,并通过终端将图片识别请求发送至对应的服务器,以触发服务器根据图片识别请求,对车险理赔图片进行分类,以得到车险理赔图片的图片类型;其中,图片识别请求用于请求获取车险理赔图片的图片类型。
步骤S204,将待处理图片进行图像超分辨率重建处理,得到待处理图片的重建图片;重建图片的分辨率高于待处理图片的分辨率。
在本步骤中,图像超分辨率重建处理是指将低分辨率图片,通过重建处理,得到对应的高分辨率图片。重建图片是指待处理图片对应的高分辨率图片。
具体地,服务器将获取的待处理图片输入预先训练的生成网络模型中,得到生成网络模型输出的待处理图片的重建图片;生成网络模型用于对输入的待处理图片进行图像超分辨率重建处理,得到高分辨率图片,作为待处理图片的重建图片;其中,生成网络模型是一种神经网络模型。这样,通过对待处理图片进行图像超分辨率重建处理,有利于提高待处理图片的分辨率,便于后续从待处理图片中提取出更准确的图像特征和文本特征。
其中,生成网络模型通过下述方式训练得到:获取样本图片,比如样本车险理赔图片;根据样本图片对待训练的生成网络模型进行训练;获取训练后的生成网络模型输出的图片,计算输出的图片的分辨率;若输出的图片的分辨率小于预设分辨率,则获取输出的图片的分辨率与预设分辨率之间的误差,根据该误差对生成网络模型的网络参数进行调整,得到调整后的生成网络模型;并根据样本图片对调整后的生成网络模型进行反复训练,直至根据训练后的生成网络模型输出的图片的分辨率大于或等于预设分辨率;将该训练后的生成网络模型,作为预先训练的生成网络模型。
步骤S206,提取重建图片的图像特征和文本特征。
在本步骤中,图像特征用于表征重建图片中的图片特征信息,文本特征用于表征重建图片中的文本特征信息。
具体地,服务器将重建图片输入预先训练的神经网络模型(比如CNN模型、RNN模型),得到神经网络模型输出的重建图片的图像特征和文本特征;神经网络模型用于从重建图片中提取出对应的图像特征和文本特征。
进一步地,服务器还可以获取预设的图像特征标识符以及预设的文本特征标识符;从重建图片中,提取出与预设的图像特征标识符对应的特征,作为图像特征;从重建图片中,提取出与预设的文本特征标识符对应的特征,作为文本特征,从而得到重建图片的图像特征和文本特征。其中,预设的图像特征标识符用于标识重建图片中的图像特征,预设的文本特征标识符用于标识重建图片中的文本特征。
步骤S208,分别将图像特征、文本特征输入对应的图片识别模型中,获取各个图片识别模型输出的图片识别结果以及与图片识别结果对应的权重。
在本步骤中,图片识别模型能够根据输入的特征信息,输出对应的图片识别结果以及与该图片识别结果对应的权重;比如,基于图像特征识别的图片识别模型能够根据输入的图像特征,输出对应的图片类型以及与该图片类型对应的权重;基于文本特征识别的图片识别模型能够根据输入的文本特征,输出对应的图片类型以及与该图片类型对应的权重。
在本步骤中,权重用于衡量图片识别结果的重要程度,与图片识别结果的置信度存在一一对应的关系;不同的图片识别结果,对应的权重不一样。置信度用于衡量图片识别结果的参考程度;不同的图片识别结果,对应的置信度不一样。需要说明的是,同一图片识别模型,每次输出的图片识别结果所占有的置信度以及权重是不同的,具体跟输入的信息有关。
具体实现中,服务器将重建图片的图像特征输入对应的图片识别模型中,通过图片识别模型对图像特征进行分析,得到图像特征对应的图片识别结果;并确定图片识别结果属于对应的预设图片类型的概率,作为图片识别结果的置信度;根据置信度与权重的对应关系,得到图片识别结果对应的权重,从而获取图片识别模型输出的图片识别结果以及与该图片识别结果对应的权重;服务器将重建图片的文本特征输入对应的图片识别模型中,通过图片识别模型对文本特征进行分析,得到文本特征对应的图片识别结果;并确定图片识别结果属于对应的预设图片类型的概率,作为图片识别结果的置信度;根据置信度与权重的对应关系,得到图片识别结果对应的权重,从而获取图片识别模型输出的图片识别结果以及与该图片识别结果对应的权重。
需要说明的是,若待处理图片为车险理赔图片,以及图片识别结果为驾驶证时,那么图片识别结果属于对应的预设图片类型的概率是指图片识别结果属于驾驶证的概率。
这样,通过服务器分别将重建图片的图像特征、文本特征输入对应的图片识别模型中,获取各个图片识别模型输出的图片识别结果以及与图片识别结果对应的权重,综合考虑重建图片的图像特征、文本特征,有利于从多个角度对待处理图片的图片类型进行综合判断;能够提供更为多样的图片识别结果,有利于根据多样的图片识别结果对待处理图片的图片类型进行综合分析,进一步提高了图片分类准确率和稳定性。
步骤S210,从图片识别结果中,筛选出权重最大的图片识别结果,作为待处理图片的图片类型。
在本步骤中,图片类型是指用于标识待处理图片的标签信息;若待处理图片为车险理赔图片,则待处理图片的图片类型包括银行卡、索赔表、驾驶证、身份证、行驶证、营业执照、发票、索赔申请书等。
具体地,服务器从各个图片识别模型输出的图片识别结果中,获取权重最大的图片识别结果,作为待处理图片的图片类型;实现了根据重建图片的图像特征和文本特征,对待处理图片进行自动分类的目的,无需通过人工对图片进行分类,从而提高了图片分类效率,大大降低了人力成本和时间成本。
需要说明的是,若各个图片识别结果对应的权重一样,则以基于图像特征识别的图片识别模型输出的图片识别结果为主。
上述图片处理方法中,通过获取车险理赔图片;将车险理赔图片进行图像超分辨率重建处理,得到重建图片;提取重建图片的图像特征和文本特征;分别将图像特征、文本特征输入对应的图片识别模型中,获取各个图片识别模型输出的图片识别结果以及与图片识别结果对应的权重;从图片识别结果中,筛选出权重最大的图片识别结果,作为车险理赔图片的图片类型;实现了根据车险理赔图片的图像特征和文本特征,对车险理赔图片进行自动分类的目的,无需通过人工对图片进行分类,从而提高了车险理赔图片的图片分类效率,大大降低了人力成本;同时,对车险理赔图片进行超高分辨率重建处理,并综合考虑车险理赔图片的图像特征和文本特征,有利于提高车险理赔图片的图片分类准确率。
在一个实施例中,上述步骤S206,提取重建图片的图像特征和文本特征,包括:将重建图片输入预先训练的图像特征提取模型中,得到重建图片的图像特征;预先训练的图像特征提取模型用于提取重建图片中的图像特征;将重建图片输入预先训练的文本特征提取模型中,得到重建图片的文本特征;预先训练的文本特征提取模型用于提取重建图片中的文本特征。
在本实施例中,图像特征提取模型是一种用于提取图像特征信息的神经网络模型,比如CNN(Convolutional Neural Network,卷积神经网络)模型;文本特征信息提取模型是一种用于提取文本特征信息的神经网络模型,比如RNN(Recursive Neural Network,循环神经网络)模型。
具体地,服务器将重建图片输入预先训练的CNN模型,通过预先训练的CNN模型对重建图片进行卷积处理,得到车险理赔图片的图像特征;将重建图片输入预先训练的RNN模型,通过预先训练的RNN模型对重建图片进行文本特征提取处理,得到车险理赔图片的文本特征;这样,实现了提取重建图片的图像特征和文本特征的目的,有利于后续根据图像特征和文本特征,得到对应的图片识别结果。
在一个实施例中,如图3所示,上述步骤S208中分别将图像特征、文本特征输入对应的图片识别模型中,获取各个图片识别模型输出的图片识别结果以及与图片识别结果对应的权重的步骤具体包括:
步骤S302,将图像特征输入至第一图片识别模型中,获取第一图片识别模型输出的图片识别结果以及与图片识别结果对应的第一权重。
在本步骤中,第一图片识别模型是指基于图像特征识别的图片识别模型,能够根据输入的图像特征,输出与图像特征对应的图片类型,作为车险理赔图片的图片类型。第一权重用于衡量第一图片识别模型输出的图片识别结果对应的权重,具体跟输入的图像特征有关。
步骤S304,将文本特征输入至第二图片识别模型中,获取第二图片识别模型输出的图片识别结果以及与图片识别结果对应的第二权重。
在本步骤中,第二图片识别模型是指基于文本特征识别的图片识别模型,能够根据输入的文本特征,输出与文本特征对应的图片类型,作为车险理赔图片的图片类型。第二权重用于衡量第二图片识别模型输出的图片识别结果对应的权重,具体跟输入的文本特征有关。
在本实施例中,通过综合考虑重建图片的图像特征、文本特征,有利于得到多样的图片识别结果,便于后续从多个角度对待处理图片的图片类型进行综合判断,从而提高了图片分类准确率和稳定性。
在一个实施例中,上述步骤S302,将图像特征输入至第一图片识别模型中,获取第一图片识别模型输出的图片识别结果以及与图片识别结果对应的第一权重,包括:将图像特征输入至第一图片识别模型中,第一图片识别模型用于根据图像特征查询预先建立的第一数据库,得到与图像特征对应的图片类别,作为图片识别结果,并确定与图片识别结果对应的第一权重;预先建立的第一数据库存储有多个图像特征对应的图片类别;获取第一图片识别模型输出的图片识别结果以及与图片识别结果对应的第一权重。
其中,服务器预先基于大数据技术,采集了多个不同类型的图片(比如车险理赔图片)以及与图片对应的图片类型;提取图片中的图像特征,并将与图片对应的图片类型,作为从图片中提取的图像特征对应的图片类型,从而得到多个图像特征对应的图片类型;将多个图像特征对应的图片类型存储至预先建立的第一数据库中,方便后续通过第一数据库得到与图像特征对应的图片类型。
在本实施例中,通过第一图片识别模型,得到图像特征对应的图片类型,无需通过人工对图片进行分类,从而提高了图片分类效率;同时,有利于后续从多个图片识别结果中,筛选出更准确的图片识别结果,进一步提高了图片分类准确率。
进一步地,为了提高第一图片识别模型的图片分类准确率,可以对第一图片识别模型进行多次训练。在一个实施例中,第一图片识别模型可以通过下述方法训练得到:获取多个样本图像特征以及对应的图片类型;通过待训练的第一图片识别模型对样本图像特征进行识别,得到第一图像识别模型的图片识别结果;将图片识别结果与对应的实际图片类型进行比较,得到识别误差;当识别误差大于或等于预设第一阈值时,根据识别误差对第一图片识别模型进行反复训练,直到根据训练后的第一图片识别模型得到的识别误差小于预设第一阈值;获取该训练后的第一图片识别模型,作为训练好的第一图片识别模型。
比如,当识别误差大于或等于预设第一阈值时,服务器根据识别误差调整第一图片识别模型的参数;根据调整后的第一图片识别模型对样本图像特征进行再次识别,获取根据第一图片识别模型得到的图片识别结果与对应的实际图片类型之间的识别误差,根据识别误差对第一图片识别模型的参数进行再次调整,以对第一图片识别模型进行再次训练,直到根据训练后的第一图片识别模型得到的识别误差小于预设第一阈值,结束训练。这样,服务器根据识别误差,对第一图片识别模型进行多次训练,方便通过第一图片识别模型输出更准确的图片识别结果,进一步提高了第一图片识别模型的图片分类准确率。
在一个实施例中,上述步骤S304,将文本特征输入至第二图片识别模型中,获取第二图片识别模型输出的图片识别结果以及与图片识别结果对应的第二权重,包括:将文本特征输入至第二图片识别模型中,第二图片识别模型用于根据所述文本特征查询预先建立的第二数据库,得到与文本特征对应的图片类别,作为图片识别结果,并确定与图片识别结果对应的第二权重;预先建立的第二数据库存储有多个文本特征对应的图片类别;获取第二图片识别模型输出的所述图片识别结果以及与图片识别结果对应的第二权重。
其中,服务器预先基于大数据技术,采集了多个不同类型的图片(比如车险理赔图片)以及与图片对应的图片类型;提取图片中的文本特征,并将与图片对应的图片类型,作为从图片中提取的文本特征对应的图片类型,从而得到多个文本特征对应的图片类型;将多个文本特征对应的图片类型存储至预先建立的第二数据库中,方便后续通过第二数据库得到与文本特征对应的图片类型。
在本实施例中,通过第二图片识别模型,得到文本特征对应的图片类型,无需通过人工对车险理赔图片进行分类,从而提高了图片分类效率;同时,有利于后续从多个图片识别结果中,筛选出更准确的图片识别结果,进一步提高了图片分类准确率。
进一步地,为了提高第二图片识别模型的图片分类准确率,可以对第二图片识别模型进行多次训练。在一个实施例中,第二图片识别模型可以通过下述方法训练得到:获取多个样本文本特征以及对应的图片类型;通过待训练的第二图片识别模型对样本文本特征进行识别,得到第二图像识别模型的图片识别结果;将图片识别结果与对应的实际图片类型进行比较,得到识别误差;当识别误差大于或等于预设第二阈值时,根据识别误差对第二图片识别模型进行反复训练,直到根据训练后的第二图片识别模型得到的识别误差小于预设第二阈值;获取该训练后的第二图片识别模型,作为训练好的第二图片识别模型。
比如,当识别误差大于或等于预设第二阈值时,服务器根据识别误差调整第二图片识别模型的参数;根据调整后的第二图片识别模型对样本文本特征进行再次识别,获取根据第二图片识别模型得到的图片识别结果与对应的实际图片类型之间的识别误差,根据识别误差对第二图片识别模型的参数进行再次调整,以对第二图片识别模型进行再次训练,直到根据训练后的第二图片识别模型得到的识别误差小于预设第二阈值,结束训练。这样,服务器根据识别误差,对第二图片识别模型进行多次训练,方便通过第二图片识别模型输出更准确的图片识别结果,进一步提高了第二图片识别模型的图片分类准确率。
进一步地,服务器还可以对车险理赔图片的图片类型进行验证。在一个实施例中,图片处理方法还包括:获取预设的图片验证文件;根据预设的图片验证文件,对待处理图片的图片类型进行验证;若验证正确,则将待处理图片的图片类型发送至对应的终端;终端用于展示待处理图片的图片类型。
在本实施例中,图片验证文件是一种能够对图片的图片类型进行自动验证的文件。
具体地,服务器获取预设的图片验证文件;根据预设的图片验证文件确定待处理图片是否与图片类型匹配;若匹配,则确认验证正确,并将待处理图片的图片类型发送至对应的终端,以通过终端(比如笔记本电脑)提供的终端页面展示待处理图片的图片类型;例如,若待处理图片为车险理赔图片,则通过终端提供的车险理赔页面展示车险理赔图片的图片类型。通过本实施例,实现了对待处理图片的图片类型进行验证的目的,进一步保证了得到的车险理赔图片的图片类型的准确性。
此外,若待处理图片与图片类型匹配不匹配,则确认验证错误,重新获取待处理图片的图片类型。
在一个实施例中,若待处理图片为多个车险理赔图片,则本申请的图片处理方法还包括:获取各个车险理赔图片的用户标识;分别将属于同一用户标识的车险理赔图片进行打包,生成同一用户标识对应的图片文件;车险理赔图片携带对应的图片类型;将多个用户标识对应的图片文件发送至对应的终端。
其中,用户标识用于标识车险理赔图片所对应的用户身份,不同用户标识对应的车险理赔图片不一样。
具体地,服务器获取用户标识的标识符,根据用户标识的标识符对车险理赔图片进行识别,得到车险理赔图片的用户标识;将属于同一用户标识的不同车险理赔图片进行打包,得到各个用户标识对应的图片文件,并将各个用户标识对应的图片文件发送至对应的终端,以通过终端提供的车险理赔页面展示多个用户标识对应的图片文件。这样,有利于业务人员快速识别各个用户的车险理赔图片,无需通过人工对标识有图片类型的车险理赔图片进行再次分类,进一步提高了车险理赔图片的图片分类效率。
在一个实施例中,如图4所示,提供了另一种图片处理方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S402,获取待处理图片。
步骤S404,将待处理图片进行图像超分辨率重建处理,得到待处理图片的重建图片;重建图片的分辨率高于待处理图片的分辨率。
步骤S406,提取重建图片的图像特征和文本特征。
步骤S408,分别将图像特征、文本特征输入对应的图片识别模型中,获取各个图片识别模型输出的图片识别结果以及与图片识别结果对应的权重。
步骤S410,从图片识别结果中,筛选出权重最大的图片识别结果,作为车险理赔图片的图片类型。
步骤S412,获取预设的图片验证文件;根据预设的图片验证文件,对待处理图片的图片类型进行验证。
步骤S414,若验证正确,则将待处理图片的图片类型发送至对应的终端;终端用于展示待处理图片的图片类型。
上述图片处理方法,实现了根据待处理图片的图像特征和文本特征,对待处理图片进行自动分类的目的,无需通过人工对待处理图片进行分类,从而提高了图片分类效率,大大降低了人力成本和时间成本;同时,对待处理图片进行图像超分辨率重建处理,并综合考虑待处理图片的图像特征和文本特征,以及对得到的待处理图片的图片类型进行验证,有利于提高图片分类准确率。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种图片处理装置,包括:图片获取模块510、图片处理模块520、特征提取模块530、图片识别模块540和结果筛选模块550,其中:
图片获取模块510,用于获取待处理图片。
图片处理模块520,用于将待处理图片进行图像超分辨率重建处理,得到待处理图片的重建图片;重建图片的分辨率高于待处理图片的分辨率。
特征提取模块530,用于提取重建图片的图像特征和文本特征。
图片识别模块540,用于分别将图像特征、文本特征输入对应的图片识别模型中,获取各个图片识别模型输出的图片识别结果以及与图片识别结果对应的权重。
结果筛选模块550,用于从图片识别结果中,筛选出权重最大的图片识别结果,作为车险理赔图片的图片类型。
在一个实施例中,特征提取模块530还用于将重建图片输入预先训练的图像特征提取模型中,得到重建图片的图像特征;预先训练的图像特征提取模型用于提取重建图片中的图像特征;将重建图片输入预先训练的文本特征提取模型中,得到重建图片的文本特征;预先训练的文本特征提取模型用于提取重建图片中的文本特征。
在一个实施例中,图片识别模块540还用于将图像特征输入至第一图片识别模型中,获取第一图片识别模型输出的图片识别结果以及与图片识别结果对应的第一权重;将文本特征输入至第二图片识别模型中,获取第二图片识别模型输出的图片识别结果以及与图片识别结果对应的第二权重。
在一个实施例中,图片识别模块540还用于将图像特征输入至第一图片识别模型中,第一图片识别模型用于根据图像特征查询预先建立的第一数据库,得到与图像特征对应的图片类别,作为图片识别结果,并确定与图片识别结果对应的第一权重;预先建立的第一数据库存储有多个图像特征对应的图片类别;获取第一图片识别模型输出的图片识别结果以及与图片识别结果对应的第一权重。
在一个实施例中,图片识别模块540还用于将文本特征输入至第二图片识别模型中,第二图片识别模型用于根据文本特征查询预先建立的第二数据库,得到与文本特征对应的图片类别,作为图片识别结果,并确定与图片识别结果对应的第二权重;预先建立的第二数据库存储有多个文本特征对应的图片类别;获取第二图片识别模型输出的图片识别结果以及与图片识别结果对应的第二权重。
在一个实施例中,图片处理装置还包括图片验证模块,用于获取预设的图片验证文件;根据预设的图片验证文件,对待处理图片的图片类型进行验证;若验证正确,则将待处理图片的图片类型发送至对应的终端;终端用于展示待处理图片的图片类型。
在一个实施例中,若待处理图片为多个车险理赔图片,那么图片处理装置还包括文件发送模块,用于获取各个车险理赔图片的用户标识;分别将属于同一用户标识的车险理赔图片进行打包,生成同一用户标识对应的图片文件;车险理赔图片携带对应的图片类型;将多个用户标识对应的图片文件发送至对应的终端。
上述各个实施例,通过图片处理装置获取待处理图片;将待处理图片进行图像超分辨率重建处理,得到待处理的重建图片;提取重建图片的图像特征和文本特征;分别将图像特征、文本特征输入对应的图片识别模型中,获取各个图片识别模型输出的图片识别结果以及与图片识别结果对应的权重;从图片识别结果中,筛选出权重最大的图片识别结果,作为待处理图片的图片类型;实现了根据待处理图片的图像特征和文本特征,对待处理图片进行自动分类的目的,无需通过人工对图片进行分类,从而提高了图片分类效率,大大降低了人力成本和时间成本;同时,对待处理图片进行图像超分辨率重建处理,并综合考虑待处理图片的图像特征和文本特征,有利于提高图片分类准确率。
关于图片处理装置的具体限定可以参见上文中对于图片处理方法的限定,在此不再赘述。上述图片处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待处理图片;
将待处理图片进行图像超分辨率重建处理,得到待处理图片的重建图片;重建图片的分辨率高于待处理图片的分辨率;
提取重建图片的图像特征和文本特征;
分别将图像特征、文本特征输入对应的图片识别模型中,获取各个图片识别模型输出的图片识别结果以及与图片识别结果对应的权重;
从图片识别结果中,筛选出权重最大的图片识别结果,作为待处理图片的图片类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将重建图片输入预先训练的图像特征提取模型中,得到重建图片的图像特征;预先训练的图像特征提取模型用于提取重建图片中的图像特征;将重建图片输入预先训练的文本特征提取模型中,得到重建图片的文本特征;预先训练的文本特征提取模型用于提取重建图片中的文本特征。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将图像特征输入至第一图片识别模型中,获取第一图片识别模型输出的图片识别结果以及与图片识别结果对应的第一权重;将文本特征输入至第二图片识别模型中,获取第二图片识别模型输出的图片识别结果以及与图片识别结果对应的第二权重。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将图像特征输入至第一图片识别模型中,第一图片识别模型用于根据图像特征查询预先建立的第一数据库,得到与图像特征对应的图片类别,作为图片识别结果,并确定与图片识别结果对应的第一权重;预先建立的第一数据库存储有多个图像特征对应的图片类别;获取第一图片识别模型输出的图片识别结果以及与图片识别结果对应的第一权重。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将文本特征输入至第二图片识别模型中,第二图片识别模型用于根据文本特征查询预先建立的第二数据库,得到与文本特征对应的图片类别,作为图片识别结果,并确定与图片识别结果对应的第二权重;预先建立的第二数据库存储有多个文本特征对应的图片类别;获取第二图片识别模型输出的图片识别结果以及与图片识别结果对应的第二权重。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取预设的图片验证文件;根据预设的图片验证文件,对待处理图片的图片类型进行验证;若验证正确,则将待处理图片的图片类型发送至对应的终端;终端用于展示待处理图片的图片类型。
在一个实施例中,若待处理图片为多个车险理赔图片,则处理器执行计算机程序时还实现以下步骤:获取各个车险理赔图片的用户标识;分别将属于同一用户标识的车险理赔图片进行打包,生成同一用户标识对应的图片文件;车险理赔图片携带对应的图片类型;将多个用户标识对应的图片文件发送至对应的终端。
上述各个实施例,计算机设备通过处理器上运行的计算机程序,实现了根据待处理图片的图像特征和文本特征,对待处理图片进行自动分类的目的,无需通过人工对图片进行分类,从而提高了图片分类效率,大大降低了人力成本和时间成本;同时,对待处理图片进行图像超分辨率重建处理,并综合考虑待处理图片的图像特征和文本特征,有利于提高图片分类准确率。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待处理图片;
将待处理图片进行图像超分辨率重建处理,得到待处理图片的重建图片;重建图片的分辨率高于待处理图片的分辨率;
提取重建图片的图像特征和文本特征;
分别将图像特征、文本特征输入对应的图片识别模型中,获取各个图片识别模型输出的图片识别结果以及与图片识别结果对应的权重;
从图片识别结果中,筛选出权重最大的图片识别结果,作为待处理图片的图片类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将重建图片输入预先训练的图像特征提取模型中,得到重建图片的图像特征;预先训练的图像特征提取模型用于提取重建图片中的图像特征;将重建图片输入预先训练的文本特征提取模型中,得到重建图片的文本特征;预先训练的文本特征提取模型用于提取重建图片中的文本特征。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将图像特征输入至第一图片识别模型中,获取第一图片识别模型输出的图片识别结果以及与图片识别结果对应的第一权重;将文本特征输入至第二图片识别模型中,获取第二图片识别模型输出的图片识别结果以及与图片识别结果对应的第二权重。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将图像特征输入至第一图片识别模型中,第一图片识别模型用于根据图像特征查询预先建立的第一数据库,得到与图像特征对应的图片类别,作为图片识别结果,并确定与图片识别结果对应的第一权重;预先建立的第一数据库存储有多个图像特征对应的图片类别;获取第一图片识别模型输出的图片识别结果以及与图片识别结果对应的第一权重。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将文本特征输入至第二图片识别模型中,第二图片识别模型用于根据文本特征查询预先建立的第二数据库,得到与文本特征对应的图片类别,作为图片识别结果,并确定与图片识别结果对应的第二权重;预先建立的第二数据库存储有多个文本特征对应的图片类别;获取第二图片识别模型输出的图片识别结果以及与图片识别结果对应的第二权重。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取预设的图片验证文件;根据预设的图片验证文件,对待处理图片的图片类型进行验证;若验证正确,则将待处理图片的图片类型发送至对应的终端;终端用于展示待处理图片的图片类型。
在一个实施例中,若待处理图片为多个车险理赔图片,则计算机程序被处理器执行时还实现以下步骤:获取各个车险理赔图片的用户标识;分别将属于同一用户标识的车险理赔图片进行打包,生成同一用户标识对应的图片文件;车险理赔图片携带对应的图片类型;将多个用户标识对应的图片文件发送至对应的终端。
上述各个实施例,计算机可读存储介质通过其存储的计算机程序,实现了根据待处理图片的图像特征和文本特征,对待处理图片进行自动分类的目的,无需通过人工对图片进行分类,从而提高了图片分类效率,大大降低了人力成本和时间成本;同时,对待处理图片进行图像超分辨率重建处理,并综合考虑待处理图片的图像特征和文本特征,有利于提高图片分类准确率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图片处理方法,所述方法包括:
获取待处理图片;
将所述待处理图片进行图像超分辨率重建处理,得到所述待处理图片的重建图片;所述重建图片的分辨率高于所述待处理图片的分辨率;
将所述重建图片输入预先训练的图像特征提取模型中,得到所述重建图片的图像特征;所述预先训练的图像特征提取模型用于提取所述重建图片中的图像特征;
将所述重建图片输入预先训练的文本特征提取模型中,得到所述重建图片的文本特征;所述预先训练的文本特征提取模型用于提取所述重建图片中的文本特征;
将所述图像特征输入至第一图片识别模型中,所述第一图片识别模型用于根据所述图像特征查询预先建立的第一数据库,得到与所述图像特征对应的图片类别,作为图片识别结果,并确定与所述图片识别结果对应的第一权重;所述预先建立的第一数据库存储有多个图像特征对应的图片类别;
获取所述第一图片识别模型输出的所述图片识别结果以及与所述图片识别结果对应的第一权重;
将所述文本特征输入至第二图片识别模型中,所述第二图片识别模型用于根据所述文本特征查询预先建立的第二数据库,得到与所述文本特征对应的图片类别,作为图片识别结果,并确定与所述图片识别结果对应的第二权重;所述预先建立的第二数据库存储有多个文本特征对应的图片类别;
获取所述第二图片识别模型输出的所述图片识别结果以及与所述图片识别结果对应的第二权重;
从所述图片识别结果中,筛选出权重最大的图片识别结果,作为所述待处理图片的图片类型。
2.根据权利要求1所述的方法,其特征在于,所述将所述待处理图片进行图像超分辨率重建处理,得到所述待处理图片的重建图片,包括:
将所述待处理图片输入预先训练的生成网络模型中,得到所述生成网络模型输出的所述待处理图片的重建图片;所述生成网络模型用于对输入的所述待处理图片进行图像超分辨率重建处理,得到高分辨率图片,作为所述待处理图片的重建图片。
3.根据权利要求1至2任一项所述的方法,其特征在于,所述方法还包括:
获取预设的图片验证文件;
根据所述预设的图片验证文件,对所述待处理图片的图片类型进行验证;
若验证正确,则将所述待处理图片的图片类型发送至对应的终端;所述终端用于展示所述待处理图片的图片类型。
4.根据权利要求1至2任一项所述的方法,其特征在于,若所述待处理图片为多个车险理赔图片,则所述方法还包括:
获取各个所述车险理赔图片的用户标识;
分别将属于同一用户标识的车险理赔图片进行打包,生成所述同一用户标识对应的图片文件;所述车险理赔图片携带对应的图片类型;
将多个用户标识对应的图片文件发送至对应的终端。
5.一种图片处理装置,其特征在于,所述装置包括:
图片获取模块,用于获取待处理图片;
图片处理模块,用于将所述待处理图片进行图像超分辨率重建处理,得到所述待处理图片的重建图片;所述重建图片的分辨率高于所述待处理图片的分辨率;
特征提取模块,用于将所述重建图片输入预先训练的图像特征提取模型中,得到所述重建图片的图像特征;所述预先训练的图像特征提取模型用于提取所述重建图片中的图像特征;将所述重建图片输入预先训练的文本特征提取模型中,得到所述重建图片的文本特征;所述预先训练的文本特征提取模型用于提取所述重建图片中的文本特征;
图片识别模块,用于将所述图像特征输入至第一图片识别模型中,所述第一图片识别模型用于根据所述图像特征查询预先建立的第一数据库,得到与所述图像特征对应的图片类别,作为图片识别结果,并确定与所述图片识别结果对应的第一权重;所述预先建立的第一数据库存储有多个图像特征对应的图片类别;获取所述第一图片识别模型输出的所述图片识别结果以及与所述图片识别结果对应的第一权重;将所述文本特征输入至第二图片识别模型中,所述第二图片识别模型用于根据所述文本特征查询预先建立的第二数据库,得到与所述文本特征对应的图片类别,作为图片识别结果,并确定与所述图片识别结果对应的第二权重;所述预先建立的第二数据库存储有多个文本特征对应的图片类别;获取所述第二图片识别模型输出的所述图片识别结果以及与所述图片识别结果对应的第二权重;
结果筛选模块,用于从所述图片识别结果中,筛选出权重最大的图片识别结果,作为所述待处理图片的图片类型。
6.根据权利要求5所述的装置,其特征在于,所述图片处理模块,还用于将所述待处理图片输入预先训练的生成网络模型中,得到所述生成网络模型输出的所述待处理图片的重建图片;所述生成网络模型用于对输入的所述待处理图片进行图像超分辨率重建处理,得到高分辨率图片,作为所述待处理图片的重建图片。
7.根据权利要求5至6任一项所述的装置,其特征在于,所述装置还包括图片验证模块,用于获取预设的图片验证文件;根据所述预设的图片验证文件,对所述待处理图片的图片类型进行验证;若验证正确,则将所述待处理图片的图片类型发送至对应的终端;所述终端用于展示所述待处理图片的图片类型。
8.根据权利要求5至6任一项所述的装置,其特征在于,所述待处理图片为多个车险理赔图片;
所述装置还包括文件发送模块,用于获取各个所述车险理赔图片的用户标识;分别将属于同一用户标识的车险理赔图片进行打包,生成所述同一用户标识对应的图片文件;所述车险理赔图片携带对应的图片类型;将多个用户标识对应的图片文件发送至对应的终端。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911277867.0A CN111191062B (zh) | 2019-12-11 | 2019-12-11 | 图片处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911277867.0A CN111191062B (zh) | 2019-12-11 | 2019-12-11 | 图片处理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111191062A CN111191062A (zh) | 2020-05-22 |
CN111191062B true CN111191062B (zh) | 2023-08-04 |
Family
ID=70707353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911277867.0A Active CN111191062B (zh) | 2019-12-11 | 2019-12-11 | 图片处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191062B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112530086A (zh) * | 2020-12-16 | 2021-03-19 | 合肥美的智能科技有限公司 | 自动售货柜及其商品sku计算方法、系统以及远程服务器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281486A (zh) * | 2013-05-22 | 2013-09-04 | 上海斐讯数据通信技术有限公司 | 一种照相模式的实现方法及移动终端 |
CN108898549A (zh) * | 2018-05-29 | 2018-11-27 | Oppo广东移动通信有限公司 | 图片处理方法、图片处理装置及终端设备 |
CN109461495A (zh) * | 2018-11-01 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7187787B2 (en) * | 2003-03-14 | 2007-03-06 | Intelitrac, Inc. | Method and apparatus for facial identification enhancement |
-
2019
- 2019-12-11 CN CN201911277867.0A patent/CN111191062B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281486A (zh) * | 2013-05-22 | 2013-09-04 | 上海斐讯数据通信技术有限公司 | 一种照相模式的实现方法及移动终端 |
CN108898549A (zh) * | 2018-05-29 | 2018-11-27 | Oppo广东移动通信有限公司 | 图片处理方法、图片处理装置及终端设备 |
CN109461495A (zh) * | 2018-11-01 | 2019-03-12 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN111191062A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569721B (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
CN109783338B (zh) | 基于业务信息的录制处理方法、装置和计算机设备 | |
CN109886077B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN109858737B (zh) | 基于模型部署的评分模型调整方法、装置和计算机设备 | |
CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
WO2018166116A1 (zh) | 车损识别方法、电子装置及计算机可读存储介质 | |
CN108256591B (zh) | 用于输出信息的方法和装置 | |
CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
CN109829020B (zh) | 地点资源数据推送方法、装置、计算机设备和存储介质 | |
CN110008251B (zh) | 基于时序数据的数据处理方法、装置和计算机设备 | |
US20200110965A1 (en) | Method and apparatus for generating vehicle damage information | |
CN110009225B (zh) | 风险评估系统构建方法、装置、计算机设备和存储介质 | |
CN109285105B (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
WO2021012382A1 (zh) | 配置聊天机器人的方法、装置、计算机设备和存储介质 | |
WO2021114612A1 (zh) | 目标重识别方法、装置、计算机设备和存储介质 | |
CN110135943B (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN109063984B (zh) | 风险旅客方法、装置、计算机设备和存储介质 | |
CN111445058A (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
CN110795714A (zh) | 一种身份验证方法、装置、计算机设备及存储介质 | |
CN111191062B (zh) | 图片处理方法、装置、计算机设备和存储介质 | |
CN114357174A (zh) | 基于ocr和机器学习的代码分类系统及方法 | |
CN111242167A (zh) | 分布式图像标注方法、装置、计算机设备和存储介质 | |
CN110245571A (zh) | 合同签字审核方法、装置、计算机设备和存储介质 | |
CN112241705A (zh) | 基于分类回归的目标检测模型训练方法和目标检测方法 | |
CN110728680A (zh) | 行车记录仪检测方法、装置、计算机设备和存储介质 |
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 |