CN111563464A - 图像处理方法、装置、计算设备以及介质 - Google Patents
图像处理方法、装置、计算设备以及介质 Download PDFInfo
- Publication number
- CN111563464A CN111563464A CN202010394820.9A CN202010394820A CN111563464A CN 111563464 A CN111563464 A CN 111563464A CN 202010394820 A CN202010394820 A CN 202010394820A CN 111563464 A CN111563464 A CN 111563464A
- Authority
- CN
- China
- Prior art keywords
- image
- probability
- recognized
- target object
- target
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000004590 computer program Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 43
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 10
- 230000001629 suppression Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种图像处理方法,包括:获取待识别图像;基于待识别图像的图像特征,确定待识别图像中的目标区域;基于待识别图像的图像特征,确定用于表征待识别图像存在目标对象的第一概率;基于目标区域的区域特征,确定用于表征目标区域存在目标对象的第二概率;以及基于第一概率和第二概率,确定待识别图像是否存在目标对象。本公开还提供了一种图像处理装置、一种计算设备、一种计算机可读存储介质以及一种计算机程序产品。
Description
技术领域
本公开涉及计算机技术领域,更具体地,涉及一种图像处理方法、一种图像处理装置、一种计算设备以及一种计算机可读存储介质。
背景技术
现有二维码识别技术主要是通过直接使用二维码特征对图像中是否存在二维码进行判断或者通过使用深度学习相关算法识别图像中是否存在二维码。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题。
通过直接使用二维码特征对图像中是否存在二维码进行判断的方式难以识别变形的二维码或者已经失效的二维码,导致对存在二维码的图像的召回率较低。使用深度学习相关算法识别图像中是否存在二维码的方式存在成本较高的问题,例如训练识别模型时需要进行大量的人工标注、模型搭建难度较大、模型训练较耗时,并且使用深度学习相关算法进行识别需要高性能GPU、大内存等硬件支持,从而导致硬件成本较高。
发明内容
有鉴于此,本公开提供了一种优化的图像处理方法、图像处理装置、计算设备和计算机可读存储介质。
本公开的一个方面提供了一种图像处理方法,包括:获取待识别图像,基于所述待识别图像的图像特征,确定所述待识别图像中的目标区域,基于所述待识别图像的图像特征,确定用于表征所述待识别图像存在目标对象的第一概率,基于所述目标区域的区域特征,确定用于表征所述目标区域存在所述目标对象的第二概率,基于所述第一概率和所述第二概率,确定所述待识别图像是否存在所述目标对象。
根据本公开实施例,上述基于所述第一概率和所述第二概率,确定所述待识别图像中是否存在所述目标对象包括:利用概率模型处理所述第一概率和所述第二概率,得到表征所述待识别图像存在所述目标对象的目标概率。其中,所述概率模型是基于第一样本图像存在目标对象的概率得到的。
根据本公开实施例,上述概率模型包括多个模型参数。其中,所述方法还包括:基于所述第一概率和所述第二概率,更新所述多个模型参数以得到更新后概率模型,其中,所述基于所述第一概率和所述第二概率,确定所述待识别图像是否存在所述目标对象还包括:利用所述更新后概率模型基于所述第一概率和所述第二概率,预测所述待识别图像存在所述目标对象的目标概率。
根据本公开实施例,上述第一概率包括第三概率和第四概率,所述第三概率用于表征所述待识别图像是否存在目标对象,所述第四概率用于表征所述待识别图像是否存在预设对象,其中,所述第三概率和所述第四概率之间的关系为负相关关系。
根据本公开实施例,上述基于所述第一概率和所述第二概率,更新所述多个模型参数包括:确定所述第三概率是否大于第一预设阈值或者是否小于第二预设阈值,响应于确定所述第三概率大于第一预设阈值或者小于第二预设阈值,确定所述第三概率为所述概率模型的预测结果,基于所述预测结果、所述第一概率和所述第二概率,更新所述多个模型参数。
根据本公开实施例,上述处理所述待识别图像,得到表征所述待识别图像存在目标对象的第一概率包括:获取多个第二样本图像,针对所述多个第二样本图像中的每个第二样本图像,基于所述第二样本图像的图像特征,确定所述目标对象在所述第二样本图像中的第一特征,确定所述待识别图像的第二特征,其中,所述第二特征表征了所述待识别图像是否存在所述目标对象,基于所述第一特征和所述第二特征,确定所述第三概率,确定所述待识别图像存在预设对象的所述第四概率。
根据本公开实施例,上述第一特征包括:所述第二样本图像的像素分布信息和表征所述所述第二样本图像的局部区域是否存在目标对象的信息。所述第二特征包括:所述待识别图像的像素分布信息和所述目标区域是否存在目标对象的信息。
根据本公开实施例,上述处理所述目标区域,得到表征所述目标区域存在所述目标对象的第二概率包括:对所述目标区域进行滤波处理,得到所述目标区域的区域特征,基于所述区域特征和所述目标区域,确定所述目标区域存在所述目标对象的第二概率。
根据本公开实施例,上述基于所述待识别图像的图像特征,确定所述待识别图像中的目标区域包括:对所述待识别图像进行预处理,得到经处理待识别图像,基于所述经处理待识别图像中的像素分布,确定所述经处理待识别图像中的目标区域,其中,所述目标区域中的各个像素点的灰度值均满足预设灰度值条件。
根据本公开实施例,上述对所述待识别图像进行预处理包括以下至少一项:对所述待识别图像中的轮廓信息进行平滑处理,填补所述待识别图像中的间断区域,消除所述待识别图像中的突出区域。
本公开的另一个方面提供了一种图像处理装置,包括:获取模块、第一确定模块、第二确定模块、第三确定模块以及第四确定模块。其中,获取模块,获取待识别图像。第一确定模块,基于所述待识别图像的图像特征,确定所述待识别图像中的目标区域。第二确定模块,基于所述待识别图像的图像特征,确定用于表征所述待识别图像存在目标对象的第一概率。第三确定模块,基于所述目标区域的区域特征,确定用于表征所述目标区域存在所述目标对象的第二概率。第四确定模块,基于所述第一概率和所述第二概率,确定所述待识别图像是否存在所述目标对象。
根据本公开实施例,上述基于所述第一概率和所述第二概率,确定所述待识别图像中是否存在所述目标对象包括:利用概率模型处理所述第一概率和所述第二概率,得到表征所述待识别图像存在所述目标对象的目标概率,其中,所述概率模型是基于第一样本图像存在目标对象的概率得到的。
根据本公开实施例,上述概率模型包括多个模型参数。其中,所述装置还包括:更新模块,基于所述第一概率和所述第二概率,更新所述多个模型参数以得到更新后概率模型。其中,所述基于所述第一概率和所述第二概率,确定所述待识别图像是否存在所述目标对象还包括:利用所述更新后概率模型基于所述第一概率和所述第二概率,预测所述待识别图像存在所述目标对象的目标概率。
根据本公开实施例,上述第一概率包括第三概率和第四概率,所述第三概率用于表征所述待识别图像是否存在目标对象,所述第四概率用于表征所述待识别图像是否存在预设对象,其中,所述第三概率和所述第四概率之间的关系为负相关关系。
根据本公开实施例,上述基于所述第一概率和所述第二概率,更新所述多个模型参数包括:确定所述第三概率是否大于第一预设阈值或者是否小于第二预设阈值,响应于确定所述第三概率大于第一预设阈值或者小于第二预设阈值,确定所述第三概率为所述概率模型的预测结果,基于所述预测结果、所述第一概率和所述第二概率,更新所述多个模型参数。
根据本公开实施例,上述处理所述待识别图像,得到表征所述待识别图像存在目标对象的第一概率包括:获取多个第二样本图像,针对所述多个第二样本图像中的每个第二样本图像,基于所述第二样本图像的图像特征,确定所述目标对象在所述第二样本图像中的第一特征,确定所述待识别图像的第二特征,其中,所述第二特征表征了所述待识别图像是否存在所述目标对象,基于所述第一特征和所述第二特征,确定所述第三概率,确定所述待识别图像存在预设对象的所述第四概率。
根据本公开实施例,上述第一特征包括:所述第二样本图像的像素分布信息和表征所述所述第二样本图像的局部区域是否存在目标对象的信息。所述第二特征包括:所述待识别图像的像素分布信息和所述目标区域是否存在目标对象的信息。
根据本公开实施例,上述处理所述目标区域,得到表征所述目标区域存在所述目标对象的第二概率包括:对所述目标区域进行滤波处理,得到所述目标区域的区域特征,基于所述区域特征和所述目标区域,确定所述目标区域存在所述目标对象的第二概率。
根据本公开实施例,上述基于所述待识别图像的图像特征,确定所述待识别图像中的目标区域包括:对所述待识别图像进行预处理,得到经处理待识别图像,基于所述经处理待识别图像中的像素分布,确定所述经处理待识别图像中的目标区域,其中,所述目标区域中的各个像素点的灰度值均满足预设灰度值条件。
根据本公开实施例,上述对所述待识别图像进行预处理包括以下至少一项:对所述待识别图像中的轮廓信息进行平滑处理,填补所述待识别图像中的间断区域,消除所述待识别图像中的突出区域。
本公开的另一方面提供了一种计算机可渎存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例,利用上述图像处理方法可以至少部分地解决相关技术中二维码识别技术对存在二维码的图像的召回率较低、二维码识别成本较高的问题,并因此可以实现提高二维码识别的召回率、降低二维码识别成本的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的图像处理方法和图像处理装置的系统架构;
图2示意性示出了根据本公开实施例的图像处理方法的流程图;
图3示意性示出了根据本公开另一实施例的图像处理方法的流程图;
图4示意性示出了根据本公开实施例的图像处理装置的框图;
图5示意性示出了根据本公开另一实施例的图像处理装置的框图;以及
图6示意性示出了根据本公开实施例的适于图像处理的计算机系统的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种图像处理方法,包括:获取待识别图像,基于待识别图像的图像特征,确定待识别图像中的目标区域。然后,基于待识别图像的图像特征,确定用于表征待识别图像存在目标对象的第一概率,基于目标区域的区域特征,确定用于表征目标区域存在目标对象的第二概率。接下来,基于第一概率和第二概率,确定待识别图像是否存在目标对象。
图1示意性示出了根据本公开实施例的图像处理方法和图像处理装置的系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的图像处理方法一般可以由服务器105执行。相应地,本公开实施例所提供的图像处理装置一般可以设置于服务器105中。本公开实施例所提供的图像处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的图像处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
例如,本公开实施例的待识别图像可以存储在终端设备101、102、103中,通过终端设备101、102、103将待识别图像发送至服务器105中,服务器105可以基于处理待识别图像以确定确定待识别图像是否存在目标对象,或者,终端设备101、102、103也可以直接处理待识别图像以确定确定待识别图像是否存在目标对象。另外,待识别图像还可以直接存储在服务器105中,由服务器105直接处理待识别图像以确定确定待识别图像是否存在目标对象。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的图像处理方法的流程图。
如图2所示,该方法例如可以包括以下操作S210~操作S250。
在操作S210,获取待识别图像。
在操作S220,基于待识别图像的图像特征,确定待识别图像中的目标区域。
根据本公开实施例,目标区域例如可以是待识别图像中的局部区域。例如,将待识别图像转换为灰度图,然后根据待识别图像中的像素分布特点确定出目标区域。例如,当需要识别该待识别图像中是否存在二维码时,可以根据像素分布特征将待识别图像中可能具有二维码特征信息的局部区域确定为目标区域,该目标区域例如存在二维码的概率大于待识别图像中其他区域存在二维码的概率。
在操作S230,基于待识别图像的图像特征,确定用于表征待识别图像存在目标对象的第一概率。
根据本公开实施例,目标对象例如可以是二维码。第一概率例如为待识别图像的整体区域存在目标对象的概率。或者,第一概率还可以是待识别图像存在预设对象的概率,其中,待识别图像中同时存在预设对象和目标对象的概率较低,因此,可以通过待识别图像存在预设对象的概率来间接判断待识别图像存在目标对象的概率。例如,如果待识别图像存在预设对象的概率较大,则可以表示待识别图像存在目标对象的概率较小。
在操作S240,基于目标区域的区域特征,确定用于表征目标区域存在目标对象的第二概率。
根据本公开实施例,基于目标区域的区域特征,可以得知目标区域存在目标对象的第二概率,其中,目标区域的区域特征为待识别图像的局部特征。该第二概率例如表征了待识别图像中局部区域存在目标对象的概率。由于目标区域存在目标对象的概率较大,因此,可以针对该目标区域进行针对性地识别,以便确认该目标区域内存在目标对象的第二概率。
在操作S250,基于第一概率和第二概率,确定待识别图像是否存在目标对象。
根据本公开实施例,第一概率例如为待识别图像的整体区域存在目标对象的概率,第二概率例如为待识别图像的局部区域存在目标对象的概率。本公开实施例通过对待识别图像的整体区域和局部区域分别进行识别,从而提高目标对象的识别准确性。
根据本公开实施例,第一概率例如可以包括第三概率和第四概率。其中,第三概率例如可以用于表征待识别图像是否存在目标对象,第四概率例如可以用于表征待识别图像是否存在预设对象。目标对象例如可以是二维码,预设对象例如可以是人脸。其中,第三概率和第四概率之间的关系例如为为负相关关系,换言之,待识别图像中同时存在二维码和人脸的概率较低。因此,可以通过待识别图像存在二维码的第三概率和待识别图像存在人脸的第四概率来确定待识别图像存在二维码的概率。可以理解,预设对象可以包括但不仅限于人脸,还可以是与二维码同时存在于待识别图像的概率较小的其他对象。
根据本公开实施例,上述操作S230中关于处理待识别图像,得到表征待识别图像存在目标对象的第一概率例如可以包括确定第三概率和确定第四概率。其中,可以通过模式识别方式来确定第三概率的过程例如可以包括以下步骤(1)~(3)。
(1)获取多个第二样本图像,针对多个第二样本图像中的每个第二样本图像,基于第二样本图像的图像特征,确定目标对象在第二样本图像中的第一特征。其中,第一特征例如包括第二样本图像的像素分布信息和表征第二样本图像的局部区域是否存在目标对象的信息。
根据本公开实施例,第二样本图像例如可以包括存在目标对象的图像和不存在目标对象的图像。基于第二样本图像的图像特征,可以得到该目标对象在第二样本图像的第一特征,该第一特征可以作为参考基准来确定待识别图像中存在目标对象的第三概率。其中,该第一特征例如可以以相关阈值和目标区域是否存在目标对象的定位点来表示。例如,第一特征例如可以包括像素中心偏移阈值、占行比阈值、目标对象定位点信息、连续比例抑制阈值、空白比阈值。其中,像素中心偏移阈值、占行比阈值、目标对象定位点信息例如与第二样本图像中存在目标对象正相关,连续比例抑制阈值、空白比阈值例如与第二样本图像中存在目标对象负相关。其中,第二样本图像的像素分布信息例如可以以像素中心偏移阈值、占行比阈值、连续比例抑制阈值、空白比阈值来表征,目标对象定位点信息例如表征了第二样本图像的局部区域是否存在目标对象。
根据本公开实施例,像素中心偏移阈值例如表征了第二样本图像中每一行像素点中具有不同灰度值的各个像素点的分布信息。占行比阈值例如表征了组成目标对象的像素点行数与第二样本图像的像素点行数的比值,例如,第二样本图像包括512行像素点,目标对象包括128行像素点,则占行比阈值例如为128/512=1/4。目标对象定位点信息例如表征了第二样本图像中是否具有目标对象的定位点,目标对象的定位点例如为二维码的定位点。连续比例抑制阈值例如表征第二样本图像中每一行像素点的灰度值的连续性。空白比阈值例如表征第二样本图像中每一行像素点中灰度值连续为255的像素点个数与该行像素点总个数之比。
(2)确定待识别图像的第二特征,其中,第二特征表征了待识别图像是否存在目标对象。其中,第二特征例如包括待识别图像的像素分布信息和目标区域是否存在目标对象的信息。
根据本公开实施例,第二特征例如可以以待识别图像中像素中心偏移值、占行比值、目标对象定位点信息、连续比例抑制值、空白比值来表征。其中,待识别图像的像素分布信息例如可以以像素中心偏移值、占行比值、连续比例抑制值、空白比阈来表征,目标对象定位点信息例如表征了待识别图像的目标区域是否存在目标对象。
(3)基于第一特征和第二特征,确定第三概率。
例如,将待识别图像中像素中心偏移值、占行比值、目标对象定位点信息、连续比例抑制值、空白比值分别与第二样本图像的像素中心偏移阈值、占行比阈值、目标对象定位点信息、连续比例抑制阈值、空白比阈值进行对比。例如,如果待识别图像中像素中心偏移值大于像素中心偏移阈值,则可以确定待识别图像中像素中心偏移的结果a为1,否则为0。如果待识别图像中占行比值大于占行比阈值,则可以确定待识别图像中占行比值的结果b为1,否则为0。如果待识别图像中存在目标对象的定位点,可以确定待识别图像中目标对象的定位点的结果c为1,否则为0。如果待识别图像中连续比例抑制值小于连续比例抑制阈值,则可以确定待识别图像中连续比例抑制值的结果d为1,否则为0。如果待识别图像中空白比值小于空白比阈值,则可以确定待识别图像中空白比值的结果e为1,否则为0。
根据本公开实施例,与待识别图像中存在目标对象为正相关关系的结果a、结果b、结果c之和例如表示为∑〈λ+1>,与待识别图像中存在目标对象为负相关该模型的结果d以及结果e之和例如表示为∑<λ-1>。根据本公开实施例,第三概率例如可以表示为
根据本公开实施例,像素中心偏移阈值、占行比阈值、存在目标对象定位点、连续比例抑制阈值、空白比阈值例如可以是先验策略信息,该先验策略信息例如可以预先通过使用较少数量的第二样本图像来训练获得,训练过程并不需要过多的人工成本、时间成本或硬件成本。
根据本公开实施例,预设对象例如可以是人脸。本公开实施例中例如可以通过人脸检测方式来确定待识别图像存在预设对象的第四概率,第四概率例如可以表示为其中,n表示待识别图像中存在预设对象的个数,i例如表示第i个人脸,pi例如表示存在第i个人脸的概率,其中,pi例如大于特定阈值,该特定阈值例如可以是预先确定的先验策略信息。
根据本公开实施例,上述操作S240中关于处理目标区域,得到表征目标区域存在目标对象的第二概率例如可以包括:对目标区域进行滤波处理,得到目标区域的区域特征,然后基于区域特征和目标区域,确定目标区域存在目标对象的第二概率。
例如,可以通过多层卷积滤波方式处理目标区域,得到目标区域的多层不同尺度的图像局部特征。卷积滤波过程例如可以表示为∑m∑nx(i+m,j+n)w(m,n),其中,x例如表示目标区域,x(i+m,j+n)例如表示每次进行卷积运算时目标区域内参与运输的像素点灰度值,w(m,n)例如为卷积核。经过多层卷积滤波方式处理目标区域得到的结果例如表示为其中W0=∑m∑nx(i+m,j+n)w(m,n),i>1。其中,第二概率例如与目标区域x内的像素和目标区域的区域特征相关,第二概率例如以Y表示(Y的具体形式将在下文介绍)。
根据本公开实施例,上述操作S250中关于基于第一概率和第二概率,确定待识别图像中是否存在目标对象例如可以包括:利用概率模型处理第一概率和第二概率,得到表征待识别图像存在目标对象的目标概率。
根据本公开实施例,概率模型例如包括多个模型参数a、b、c。其中,a例如与第三概率φ相关,b例如与第二概率Y相关,c例如与第四概率P相关。
根据本公开实施例,概率模型例如是基于第一样本图像存在目标对象的概率得到的。例如,通过预测多个第一样本图像存在目标对象的概率来训练概率模型得到多个模型参数a、b、c。在得到多个模型参数a、b、c之后,可以基于多个模型参数a、b、c处理第三概率、第四概率和第二概率,得到表征待识别图像存在目标对象的目标概率ψ。
例如,以预测第一个第一样本图像存在目标对象的概率为例。首先确定第一个第一样本图像的第三概率φ、第四概率P和第二概率Y,然后调整多个模型参数a、b、c以使得针对第一个第一样本图像存在目标对象的目标概率ψ等于第一个第一样本图像存在目标对象的第三概率φ,从而得到多个模型参数a、b、c。
在已知多个模型参数a、b、c之后,可以基于已知的多个模型参数a、b、c来预测第二个第一样本图像存在目标对象的概率。例如,首先确定第二个第一样本图像的第三概率φ、第四概率P和第二概率Y,然后,基于基于已知的多个模型参数a、b、c预测第二个第一样本图像存在目标对象的目标概率ψ。
在一种实施例中,如果第二个第一样本图像的目标概率ψ与第二个第一样本图像的第三概率φ差距较大,可以重新调整多个模型参数a、b、c,在调整多个模型参数a、b、c时,例如需要在第三概率φ为较大概率或者为较小概率的情况下才进行调整,这是因为在第三概率φ为较大概率或者为较小概率的情况下对第二个第一样本图像的识别结果较为准确,以提高调整效果。其中,调整多个模型参数a、b、c的过程例如包括调整多个模型参数a、b、c以使得针对第二个第一样本图像存在目标对象的目标概率ψ等于第二个第一样本图像存在目标对象的第三概率φ。然后,可以基于调整后的模型参数a、b、c重新预测第二个第一样本图像存在目标对象的目标概率ψ。在本公开实施例中,通过对多个第一样本图像进行预测之后,可以得到收敛的多个模型参数a、b、c,以便基于收敛的多个模型参数a、b、c预测待识别图像存在目标对象的目标概率ψ。
图3示意性示出了根据本公开另一实施例的图像处理方法的流程图。
如图3所示,该方法例如可以包括操作S210~操作S250以及以下操作S310。
在操作S310,基于第一概率和第二概率,更新多个模型参数以得到更新后概率模型。
其中,上述操作S250关于基于第一概率和第二概率,确定待识别图像是否存在目标对象例如可以包括利用更新后概率模型基于第一概率和第二概率,预测待识别图像存在目标对象的目标概率。
在一种实施例中,可以利用基于多个第一样本图像得到的多个模型参数a、b、c来直接预测待识别图像存在目标对象的目标概率ψ。
在另一实施例中,可以基于待识别图像的第一概率(第三概率和第四概率)和第二概率,更新多个模型参数以得到更新后概率模型,并利用更新后概率模型基于第一概率和第二概率,预测待识别图像存在目标对象的目标概率。
根据本公开实施例,基于第一概率(第三概率和第四概率)和第二概率,更新多个模型参数例如可以包括以下过程。
首先,确定第三概率是否大于第一预设阈值或者是否小于第二预设阈值,如果确定第三概率大于第一预设阈值或者小于第二预设阈值,确定第三概率为概率模型的预测结果。其中,第一预设阈值和第二预设阈值例如可以是预先确定的先验策略信息。
根据本公开实施例,第三概率大于第一预设阈值例如可以表征待识别图像存在目标对象的概率较大,第三概率小于第二预设阈值例如可以表征待识别图像存在目标对象的概率较小。在第三概率较大或较小的情况下,表示对待识别图像是否存在目标对象的识别结果较为准确,提高对多个模型参数a、b、c进行更新的效果。然后,将第三概率φ作为概率模型的预测结果ψ,并基于预测结果ψ、第一概率(第三概率和第四概率)和第二概率来更新多个模型参数a、b、c,使得概率模型ψ=φ(a)+Y(b)-P(c)成立,从而实现更新多个模型参数a、b、c。
根据本公开实施例,在利用概率模型预测待识别图像存在目标对象的概率时,可以根据实际情况实时调整模型参数,提高概率模型的自适应能力,以此提高概率模型的识别效果。
本公开实施例利用模式匹配方式预测待识别图像存在目标对象的第三概率,利用人脸检测方式预测待识别图像存在预设对象的第四概率,以及利用多层卷积滤波方式结合对数几率回归公式预测待识别图像的目标区域存在目标对象的第二概率,最后利用预测模型基于第三概率、第四概率以及第二概率来预测待识别图像存在目标对象的概率。相比于相关技术直接使用二维码特征对图像中是否存在二维码进行判断或者通过使用深度学习相关算法识别图像中是否存在二维码,本公开实施例的技术方案提高了二维码识别的召回率,并且避免了复杂深度学习模型的构建成本,从而降低二维码识别成本。
根据本公开实施例,上述操作S220中关于基于待识别图像的图像特征,确定待识别图像中的目标区域例如可以包括:对待识别图像进行预处理,得到经处理待识别图像,并基于经处理待识别图像中的像素分布,确定经处理待识别图像中的目标区域。其中,目标区域中的各个像素点的灰度值例如均满足预设灰度值条件。
根据本公开实施例,对待识别图像进行预处理例如可以包括将待识别图像转换为灰度图,然后通过对待识别图像的灰度直方图进行处理来调整待识别图像的对比度,从而对待识别图像中较暗或者较亮的部分像素进行调节,以得到清晰的待识别图像。其中,对待识别图像的灰度直方图进行处理例如可以包括直方图均衡化处理和对比度受限自适应直方图均值化处理等等。
根据本公开实施例,对待识别图像进行预处理例如还可以包括对待识别图像进行滤波处理,以去除待识别图像的噪声信息。例如,可以使用低通滤波器对待识别图像进行平滑处理,以去除待识别图像中的高频噪声。即,使用低通滤波器对图像进行处理的目的是降低图像的变化率,例如将每个像素的灰度值替换为该像素的周围像素的灰度值均值,以此平滑图像中强度变化明显的区域。然后,还可以对待识别图像进行二值化处理,例如将待识别图像中灰度值大于90的像素的灰度值设置为0(黑色),将待识别图像中灰度值小于或等于90的像素的灰度值设置为像素设置为255(白色)。
根据本公开实施例,对待识别图像进行预处理例如还可以包括在对待识别图像进行二值化处理之后,通过图像形态学技术对图像进行开操作或者闭操作。其中,开操作或者闭操作例如可以包括对待识别图像中的轮廓信息进行平滑处理,或者填补待识别图像中的间断区域,或者消除待识别图像中的突出区域。
根据本公开实施例,间断区域例如包括在图像中的某一方向上的大部分像素的灰度值均相同,但是该方向上有少部分的像素的灰度值与大部分像素的灰度值不一致,则该少部分的像素所在的区域例如为间断区域,填补该间断区域例如可以包括将该间断区域内的像素的灰度值设置为与该方向上大部分像素的灰度值一致。例如,当图像中具有一线段时,组成该线段的像素的灰度值理论上是相同的,但是,如果该线段中断为两部分,则中断的地方的像素的灰度值与组成该线段的像素的灰度值不一样,则可以将中断的地方的像素灰度值设置为与该线段的像素灰度值一致。
根据本公开实施例,突出区域例如包括在图像中的某一局部区域中的大部分像素的灰度值均相同,但是该区域内有少部分的像素的灰度值与大部分像素的灰度值不一致,则该少部分的像素所在的区域例如为突出区域,消除该突出区域例如可以包括将该突出区域内的像素的灰度值设置为与该区域内大部分像素的灰度值一致。
在本公开实施例中,如果待识别图像中存在二维码,则在经过二值化处理后的图像中,该二维码所在的区域内像素的灰度值特征为繁密的灰度值0和灰度值255交错排列。因此,通过开操作或者闭操作对待识别图像的轮廓信息进行平滑处理、填补间断区域以及消除突出区域后,二维码所在的区域内的像素的像素值均为0或255,而不再是灰度值0和灰度值255交错排列,即,通过开操作或者闭操作对待识别图像进行处理后,该待识别图像中二维码所在的区域为连通区域。
根据本公开实施例,例如可以将待识别图像中的最大连通区域或者方形连通区域作为目标区域,该目标区域内例如存在二维码的概率较大。可见,目标区域中的各个像素点的灰度值均满足预设灰度值条件例如可以是目标区域中的各个像素点的灰度值均相同,例如各个像素点的灰度值均为0或者255。
根据本公开实施例,通过对待识别图像进行预处理,可以获取待识别图像中的目标区域。该目标区域例如为连通区域,表征了该目标区域内存在目标对象的概率较大,便于对该目标区域是否存在目标对象进行进一步判断。
根据本公开实施例,对待识别图像进行预处理,可以提高待识别图像的清晰度,并且可以将待识别图像中可能存在目标对象的区域处理成连通区域,便于基于连通区域来确定可能存在目标对象的目标区域,从而提高了目标对象的识别效果。
图4示意性示出了根据本公开实施例的图像处理装置的框图。
如图4所示,图像处理装置400例如可以包括获取模块410、第一确定模块420、第二确定模块430、第三确定模块440以及第四确定模块450。
获取模块410可以用于获取待识别图像。根据本公开实施例,获取模块410例如可以执行上文参考图2描述的操作S210,在此不再赘述。
第一确定模块420可以用于基于待识别图像的图像特征,确定待识别图像中的目标区域。根据本公开实施例,第一确定模块420例如可以执行上文参考图2描述的操作S220,在此不再赘述。
第二确定模块430可以用于基于待识别图像的图像特征,确定用于表征待识别图像存在目标对象的第一概率。根据本公开实施例,第二确定模块430例如可以执行上文参考图2描述的操作S230,在此不再赘述。
第三确定模块440可以用于基于目标区域的区域特征,确定用于表征目标区域存在目标对象的第二概率。根据本公开实施例,第三确定模块440例如可以执行上文参考图2描述的操作S240,在此不再赘述。
第四确定模块450可以用于基于第一概率和第二概率,确定待识别图像是否存在目标对象。根据本公开实施例,第四确定模块450例如可以执行上文参考图2描述的操作S250,在此不再赘述。
图5示意性示出了根据本公开另一实施例的图像处理装置的框图。
如图5所示,图像处理装置500例如可以包括获取模块410、第一确定模块420、第二确定模块430、第三确定模块440、第四确定模块450以及更新模块510。其中,获取模块410、第一确定模块420、第二确定模块430、第三确定模块440以及第四确定模块450例如与上参考图4描述的模块相同或类似,在此不再赘述。
更新模块510可以用于基于第一概率和第二概率,更新多个模型参数以得到更新后概率模型。根据本公开实施例,更新模块510例如可以执行上文参考图3描述的操作S310,在此不再赘述。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图6示意性示出了根据本公开实施例的适于图像处理的计算机系统的方框图。图6示出的计算机系统仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,根据本公开实施例的计算机系统600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中,存储有系统600操作所需的各种程序和数据。处理器601、ROM 602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,系统600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。系统600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是计算机非易失性的计算机可读存储介质,例如可以可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (14)
1.一种图像处理方法,包括:
获取待识别图像;
基于所述待识别图像的图像特征,确定所述待识别图像中的目标区域;
基于所述待识别图像的图像特征,确定用于表征所述待识别图像存在目标对象的第一概率;
基于所述目标区域的区域特征,确定用于表征所述目标区域存在所述目标对象的第二概率;以及
基于所述第一概率和所述第二概率,确定所述待识别图像是否存在所述目标对象。
2.根据权利要求1所述的方法,其中,所述基于所述第一概率和所述第二概率,确定所述待识别图像中是否存在所述目标对象包括:
利用概率模型处理所述第一概率和所述第二概率,得到表征所述待识别图像存在所述目标对象的目标概率,
其中,所述概率模型是基于第一样本图像存在目标对象的概率得到的。
3.根据权利要求2所述的方法,其中,所述概率模型包括多个模型参数;
其中,所述方法还包括:基于所述第一概率和所述第二概率,更新所述多个模型参数以得到更新后概率模型,
其中,所述基于所述第一概率和所述第二概率,确定所述待识别图像是否存在所述目标对象还包括:利用所述更新后概率模型基于所述第一概率和所述第二概率,预测所述待识别图像存在所述目标对象的目标概率。
4.根据权利要求3所述的方法,其中,所述第一概率包括第三概率和第四概率,所述第三概率用于表征所述待识别图像是否存在目标对象,所述第四概率用于表征所述待识别图像是否存在预设对象,
其中,所述第三概率和所述第四概率之间的关系为负相关关系。
5.根据权利要求4所述的方法,其中,所述基于所述第一概率和所述第二概率,更新所述多个模型参数包括:
确定所述第三概率是否大于第一预设阈值或者是否小于第二预设阈值;
响应于确定所述第三概率大于第一预设阈值或者小于第二预设阈值,确定所述第三概率为所述概率模型的预测结果;以及
基于所述预测结果、所述第一概率和所述第二概率,更新所述多个模型参数。
6.根据权利要求3所述的方法,其中,所述处理所述待识别图像,得到表征所述待识别图像存在目标对象的第一概率包括:
获取多个第二样本图像;
针对所述多个第二样本图像中的每个第二样本图像,基于所述第二样本图像的图像特征,确定所述目标对象在所述第二样本图像中的第一特征;
确定所述待识别图像的第二特征,其中,所述第二特征表征了所述待识别图像是否存在所述目标对象;
基于所述第一特征和所述第二特征,确定所述第三概率;以及
确定所述待识别图像存在预设对象的所述第四概率。
7.根据权利要求6所述的方法,其中:
所述第一特征包括:所述第二样本图像的像素分布信息和表征所述所述第二样本图像的局部区域是否存在目标对象的信息;
所述第二特征包括:所述待识别图像的像素分布信息和所述目标区域是否存在目标对象的信息。
8.根据权利要求1所述的方法,其中,所述处理所述目标区域,得到表征所述目标区域存在所述目标对象的第二概率包括:
对所述目标区域进行滤波处理,得到所述目标区域的区域特征;以及
基于所述区域特征和所述目标区域,确定所述目标区域存在所述目标对象的第二概率。
9.根据权利要求1所述的方法,其中,所述基于所述待识别图像的图像特征,确定所述待识别图像中的目标区域包括:
对所述待识别图像进行预处理,得到经处理待识别图像;以及
基于所述经处理待识别图像中的像素分布,确定所述经处理待识别图像中的目标区域,
其中,所述目标区域中的各个像素点的灰度值均满足预设灰度值条件。
10.根据权利要求9所述的方法,其中,所述对所述待识别图像进行预处理包括以下至少一项:
对所述待识别图像中的轮廓信息进行平滑处理;
填补所述待识别图像中的间断区域;以及
消除所述待识别图像中的突出区域。
11.一种图像处理装置,包括:
获取模块,获取待识别图像;
第一确定模块,基于所述待识别图像的图像特征,确定所述待识别图像中的目标区域;
第二确定模块,基于所述待识别图像的图像特征,确定用于表征所述待识别图像存在目标对象的第一概率;
第三确定模块,基于所述目标区域的区域特征,确定用于表征所述目标区域存在所述目标对象的第二概率;以及
第四确定模块,基于所述第一概率和所述第二概率,确定所述待识别图像是否存在所述目标对象。
12.一种计算设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~10中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~10中任一项所述的方法。
14.一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述指令在被执行时用于实现根据权利要求1~10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010394820.9A CN111563464B (zh) | 2020-05-11 | 2020-05-11 | 图像处理方法、装置、计算设备以及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010394820.9A CN111563464B (zh) | 2020-05-11 | 2020-05-11 | 图像处理方法、装置、计算设备以及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563464A true CN111563464A (zh) | 2020-08-21 |
CN111563464B CN111563464B (zh) | 2023-11-14 |
Family
ID=72072149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010394820.9A Active CN111563464B (zh) | 2020-05-11 | 2020-05-11 | 图像处理方法、装置、计算设备以及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563464B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003009579A2 (en) * | 2001-07-17 | 2003-01-30 | Amnis Corporation | Computational methods for the segmentation of images of objects from background in a flow imaging instrument |
US20120046044A1 (en) * | 2010-08-18 | 2012-02-23 | Nearbuy Systems, Inc. | Target Localization Utilizing Wireless and Camera Sensor Fusion |
CN108304839A (zh) * | 2017-08-31 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法以及装置 |
CN109544560A (zh) * | 2018-10-31 | 2019-03-29 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
-
2020
- 2020-05-11 CN CN202010394820.9A patent/CN111563464B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003009579A2 (en) * | 2001-07-17 | 2003-01-30 | Amnis Corporation | Computational methods for the segmentation of images of objects from background in a flow imaging instrument |
US20120046044A1 (en) * | 2010-08-18 | 2012-02-23 | Nearbuy Systems, Inc. | Target Localization Utilizing Wireless and Camera Sensor Fusion |
CN108304839A (zh) * | 2017-08-31 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法以及装置 |
CN109544560A (zh) * | 2018-10-31 | 2019-03-29 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
刘昕;田永刚;: "基于Markov图像分割的红外桥梁目标识别算法" * |
闻凯;: "基于复杂融合特征与灰度-纹理直方图描述子的红外弱小目标检测追踪算法" * |
Also Published As
Publication number | Publication date |
---|---|
CN111563464B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304775B (zh) | 遥感图像识别方法、装置、存储介质以及电子设备 | |
CN108230346B (zh) | 用于分割图像语义特征的方法和装置、电子设备 | |
US20210124967A1 (en) | Method and apparatus for sample labeling, and method and apparatus for identifying damage classification | |
CN110363753B (zh) | 图像质量评估方法、装置及电子设备 | |
CN108288064B (zh) | 用于生成图片的方法和装置 | |
CN112270309A (zh) | 一种车辆卡口设备抓拍质量评估方法、装置及可读介质 | |
CN111882565B (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
CN113569740A (zh) | 视频识别模型训练方法与装置、视频识别方法与装置 | |
CN112967191B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN108764121B (zh) | 用于检测活体对象的方法、计算设备及可读存储介质 | |
CN111563464B (zh) | 图像处理方法、装置、计算设备以及介质 | |
CN109523564B (zh) | 用于处理图像的方法和装置 | |
CN110633598B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
CN107038705B (zh) | 视网膜图像出血区域分割方法、装置和计算设备 | |
CN112926579A (zh) | 文本图像校正方法、装置、计算机系统及可读存储介质 | |
CN111815658B (zh) | 一种图像识别方法及装置 | |
CN114677649A (zh) | 图像识别方法、装置、设备和介质 | |
EP4285285A1 (en) | Processing images using mixture of experts | |
CN113011410A (zh) | 字符识别模型的训练方法、字符识别方法及装置 | |
CN113160103A (zh) | 图像处理方法及装置、存储介质、终端 | |
CN113761249A (zh) | 一种确定图片类型的方法和装置 | |
CN112884124A (zh) | 神经网络的训练方法及设备、图像处理方法及设备 | |
CN111199513A (zh) | 图像处理方法、计算机设备和存储介质 | |
CN112419179B (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
CN111768410B (zh) | 图像处理方法和装置 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 332, 3 / F, Building 102, 28 xinjiekouwei street, Xicheng District, Beijing 100088 Applicant after: QAX Technology Group Inc. Applicant after: Qianxin Wangshen information technology (Beijing) Co.,Ltd. Address before: Room 332, 3 / F, Building 102, 28 xinjiekouwei street, Xicheng District, Beijing 100088 Applicant before: QAX Technology Group Inc. Applicant before: LEGENDSEC INFORMATION TECHNOLOGY (BEIJING) Inc. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |