CN111739013B - 基于图像处理的图像优化方法及相关装置 - Google Patents
基于图像处理的图像优化方法及相关装置 Download PDFInfo
- Publication number
- CN111739013B CN111739013B CN202010622203.XA CN202010622203A CN111739013B CN 111739013 B CN111739013 B CN 111739013B CN 202010622203 A CN202010622203 A CN 202010622203A CN 111739013 B CN111739013 B CN 111739013B
- Authority
- CN
- China
- Prior art keywords
- image
- rectangular frame
- area
- preset
- pixels
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000005457 optimization Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 title claims abstract description 64
- 238000004891 communication Methods 0.000 claims description 72
- 238000012946 outsourcing Methods 0.000 claims description 51
- 230000002708 enhancing effect Effects 0.000 claims description 33
- 230000000694 effects Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 230000019771 cognition Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G06T5/90—
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30168—Image quality inspection
Abstract
本申请实施例提供了一种基于图像处理的图像优化方法、装置、设备及可读存储介质,对图像中的预设掩膜区域进行增强处理,预设掩膜区域为预设对象所占的区域,预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项。检测图像中的瑕疵,并使用图像的主题色填充瑕疵所占的区域,瑕疵包括黑边和白边的至少一项,主题色依据瑕疵所占的区域的邻域像素点的颜色值确定。本方法提供了自动检测并填充图像中的黑边和/或白边的标准化且统一的流程,和对图像中的红色像素所占区域、蓝色像素所占区域、和/或预设内容像素所占区域进行增强处理的标准化且统一的流程。避免了人为主观认知不同而优化标准不一造成优化准确度低的问题,提高了图像处理的效率。
Description
技术领域
本申请涉及图像处理技术领域,更具体地说,涉及一种基于图像处理的图像优化方法、装置、设备及可读存储介质。
背景技术
随着信息技术和大数据的快速发展,政府和企业资源类档案的数字化成为趋势,目前,档案图像中存在不合规的情况,目前,通过人工方法对档案图像进行优化,存在效率低下的缺点,并且,存在人为主观认知不同而优化标准不一造成优化准确度低的问题。
发明内容
有鉴于此,本申请提供了一种基于图像处理的图像优化方法、装置、设备及可读存储介质,用于提高图像优化的效率以及准确度,如下:
一种基于图像处理的图像优化方法,包括:
对图像中的预设掩膜区域进行增强处理,所述预设掩膜区域为预设对象所占的区域,所述预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项;
检测所述图像中的瑕疵,并使用所述图像的主题色填充所述瑕疵所占的区域,所述瑕疵包括黑边和白边的至少一项;所述主题色依据所述瑕疵所占的区域的邻域像素点的颜色值确定;
其中,检测所述图像中的所述黑边,包括:获取所述图像的二值图像,得到第一二值图像;将所述第一二值图像的边界像素设置为白色;从所述第一二值图像中获取像素数量在第一预设范围内的联通区域;若所述联通区域中包括所述边界像素,则检测到所述黑边;
检测所述图像中的所述白边,包括:使用第二预设范围,提取所述图像中的白色区域;按照所述白色区域和非白色区域,对所述图像进行二值化并反选,得到第二二值图像;获取所述第二二值图像中的最大联通区域;若所述最大联通区域的最小外包矩形的尺度大于所述图像的预设倍数,则检测到所述白边,所述预设倍数小于1。
可选地,瑕疵还包括:污点;
检测所述图像中的所述污点包括:
使用多尺度CNN网络,检测所述图像中的所述污点;
使用所述图像的主题色填充所述污点所占的区域,包括:
计算所述污点的外包矩形框,使用所述主题色填充所述外包矩形框围成的区域。
可选地,本方法还包括:
裁剪所述图像;
所述裁剪所述图像包括:
获取第一外包矩形框、第二外包矩形框和第三外包矩形框,所述第一外包矩形框为所述图像中的纸张灰色像素构成的最大联通区域的外包矩形框,所述第二外包矩形框为所述图像中的纸张黄色像素构成的最大联通区域的外包矩形框,所述第三外包矩形框为第三二值图像的像素构成的最大联通区域的外包矩形框,所述第三二值图像通过以所述图像中的背景板像素的范围为阈值,对所述图像二值化,并对二值化的结果取反后获得;
若满足第一条件,将所述第一外包矩形框作为裁剪边界,裁剪所述图像,所述第一条件包括:所述第一外包矩形框围成的区域中像素不为空、且第一外包矩形框围成的区域与所述图像尺寸不同;
在不满足所述第一条件的情况下,若满足第二条件,将所述第二外包矩形框作为裁剪边界,裁剪所述图像,所述第二条件包括:所述第二外包矩形框围成的区域中像素不为空、且所述第二外包矩形框围成的区域的面积大于所述图像的面积的m倍,所述m不大于1;
在不满足所述第二条件的情况下,将所述第三外包矩形框作为裁剪边界,裁剪所述图像。
可选地,本方法还包括以下至少一项:
增强所述图像的对比度和/或亮度;
增强所述图像的锐度;
若所述图像的方向在预设的第一方向范围内,旋转所述图像的方向至预设方向;
若所述图像中的对象的方向在预设的第二方向范围,调整所述对象的方向,所述对象包括表格和/或文字。
可选地,增强所述图像的对比度包括:
增强所述图像中的所述设掩膜区域之外的区域的对比度。
一种基于图像处理的图像优化装置,包括:
图像内容增强模块,用于对图像中的预设掩膜区域进行增强处理,所述预设掩膜区域为预设对象所占的区域,所述预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项;
图像瑕疵去除模块,用于检测所述图像中的瑕疵,并使用所述图像的主题色填充所述瑕疵所占的区域,所述瑕疵包括黑边和白边的至少一项;所述主题色依据所述瑕疵所占的区域的邻域像素点的颜色值确定;
其中,检测所述图像中的所述黑边,包括:获取所述图像的二值图像;将所述二值图像的边界像素设置为白色;从所述二值图像中获取像素数量在第一预设范围内的联通区域;若所述联通区域中包括所述边界像素,则检测到所述黑边;
检测所述图像中的所述白边,包括:使用第二预设范围,提取所述图像中的白色区域;按照所述白色区域和非白色区域,对所述图像进行二值化并反选,得到二值图像;获取所述二值图像中的最大联通区域;若所述最大联通区域的最小外包矩形的尺度大于所述图像的预设倍数,则检测到所述白边,所述预设倍数小于1。
可选地,图像瑕疵去除模块还用于:
使用多尺度CNN网络,检测所述图像中的所述污点,计算所述污点的外包矩形框,使用所述主题色填充所述外包矩形框围成的区域。
可选地,本装置还包括:
图像裁剪模块,用于裁剪所述图像。
可选地,本装置还包括以下至少一项:
图像显示效果优化模块,用于增强所述图像的对比度和/或亮度,增强所述图像的锐度;
图像角度处理模块,用于若所述图像的方向在预设的第一方向范围内,旋转所述图像的方向至预设方向;
若所述图像中的对象的方向在预设的第二方向范围,调整所述对象的方向,所述对象包括表格和/或文字。
一种基于图像处理的图像优化设备,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如上所述的基于图像处理的图像优化方法的各个步骤。
一种可读存储介质,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,实现如上所述的基于图像处理的图像优化方法的各个步骤。
从上述技术方案可以看出,本申请实施例提供的一种基于图像处理的图像优化方法、装置、设备及可读存储介质,对图像中的预设掩膜区域进行增强处理,其中,预设掩膜区域为预设对象所占的区域,预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项。检测图像中的瑕疵,并使用图像的主题色填充瑕疵所占的区域,瑕疵包括黑边和白边的至少一项,并且主题色依据瑕疵所占的区域的邻域像素点的颜色值确定。
本方法提供的检测图像中的黑边的方法包括:获取图像的二值图像,得到第一二值图像,将第一二值图像的边界像素设置为白色,从第一二值图像中获取像素数量在第一预设范围内的联通区域,若联通区域中包括边界像素,则检测到黑边。
本方法提供的检测图像中的白边的方法包括:使用第二预设范围,提取图像中的白色区域,按照白色区域和非白色区域,对图像进行二值化并反选,得到第二二值图像,获取第二二值图像中的最大联通区域,若最大联通区域的最小外包矩形的尺度大于图像的预设倍数,则检测到白边,预设倍数小于1。
由上述方法的各个步骤可以看出,本方法提供了自动检测并填充图像中的黑边和/或白边的标准化且统一的流程,以及提供了对图像中的红色像素所占区域、蓝色像素所占区域、和/或预设内容像素所占区域进行增强处理的标准化且统一的流程。相对于现有技术中的人工检测方法,避免了人为主观认知不同而优化标准不一造成优化准确度低的问题,并且提高了图像处理的效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种基于图像处理的图像优化方法的流程示意图;
图2a示例了图像增强前预设掩膜区域示意图;
图2b示例了图像增强后预设掩膜区域示意图;
图3为本申请实施例提供的又一种基于图像处理的图像优化方法的流程示意图;
图4为本申请实施例提供的一种基于图像处理的图像优化装置的结构示意图;
图5为本申请实施例提供的又一种基于图像处理的图像优化装置的结构示意图;
图6为本申请实施例提供的一种基于图像处理的图像优化设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供的基于图像处理的图像优化方法,应用于但不限于对纸质档案扫描或者拍照得到的电子图像的优化场景。图1为本申请实施例提供的一种基于图像处理的图像优化方法的流程示意图。如图1所示,本方法具体包括S101~S102。
S101、对图像中的预设掩膜区域进行增强处理。
具体地,档案形成的图像中,可能包括印章或者其它重要的内容,在图像的处理过程中,这些重要内容需要被保留。但是,存在图像处理后预设对象变浅或丢失的现象,如图2a所示,图2a中的印章区域在经过图像处理后变浅。因此,本实施例中,预设掩膜区域为预设对象所占的区域,预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项。其中,红色像素所占区域可以视为红色印章(如公章)和/或指纹所在区域,蓝色像素所占区域可以视为蓝色印章(如档案封口处的印章)所在区域。预设内容像素根据实际的应用预设,预设内容的示例可以为企业图标,预设内容像素为企业图标的像素。
一般情况下,当确定图像中的预设对象在图像经过处理后变浅或丢失,则,对预设对象所占区域(也即掩膜区域)进行图像增强处理。
图像增强处理的方法包括但不限于:提高预设对象所占区域的对比度,或按照预设的预设对象的像素值,更改预设对象的像素值。如图2b所示,图2b示例了对图2a所示的掩膜区域进行增强处理后的效果示意图。
S102、检测图像中的瑕疵,并使用图像的主题色填充瑕疵所占的区域。
本实施例中,瑕疵包括黑边和白边的至少一项,以扫描档案文件得到的图像为例,图像四个边缘内侧存在黑边,或者由于档案文件的纸张偏小,扫描时周边存在与纸张颜色有差异的白边。
本实施例分别对黑边的检测方法(A1)和白边的检测方法(A2)进行介绍,如下:
A1、检测图像是否具有黑边的方法包括:A11~A14,如下:
A11、获取图像的二值图像,得到第一二值图像。
本实施例中,将图像自适应阈值转为第一二值图像。
需要说明的是,本实施例可以对第一二值图像进行闭运算和/或开运算,具体可以参照现有技术。
A12、将第一二值图像的边界像素设置为白色。
本实施例中,边界像素为图像中位于图像四条边的边缘位置的像素,具体地,将第一二值图像的边界像素设置为白色的方法是,将图像的边界像素的RGB值设置为(255,255,255)。
A13、从第一二值图像中获取像素数量在第一预设范围内的联通区域。
其中,第一预设范围记为[u,d],其中u,d可以根据实际应用预设,本实施例中,u=400且d=50000。也即,本实施例从二值图像中获取像素值的数量在[400,50000]的联通区域。
A14、若联通区域中包括边界像素,则检测到黑边。
A2、检测图像是否具有白边的方法包括:A21~A24,如下:
A21、使用第二预设范围,提取图像中的白色区域。
本实施例中,第二预设范围为白色像素的像素值区间,例如,第二预设范围取值为[([0,0,141],[25,20,255])],表示像素值在第二预设范围内的像素为白色像素。白色区域为图像中包括所有白色像素的区域。
B22、按照白色区域和非白色区域,对图像进行二值化并反选,得到第二二值图像。
需要说明的是,本实施例进一步对第二二值图像进行处理,处理的方法包括但不限于闭运算或开运算。
B23、获取第二二值图像中的最大联通区域。
B24、若最大联通区域的最小外包矩形的尺度大于图像的预设倍数,则检测到白边。
本实施例中,图像的预设倍数根据实际应用设置,例如,预设倍数设置为0.9。当最大联通区域的最小外包矩形的长度大于图像长度的0.9倍,并且最大联通区域的最小外包矩形的宽度大于图像宽度的0.9倍时,则检测到白边
需要说明的是,通过上述A1和A2检测是否具有黑边或白边得到检测结果,在图像中标注检测结果,并且将检测结果存储至存储单元。
本实施例中,若检测确定图像具有黑边或白边,则进一步使用图像的主题色填充黑边或白边所占的区域。
具体地,主题色依据白边或黑边所占的区域的邻域像素点的颜色值确定。
需要说明的是,可以获取污点所占区域的最小外包矩形框,最小外包矩形框围成的区域作为第一区域,第一区域为电子图像中包括的预设对象以及电子图像的背景像素的区域。根据第一区域的尺度,采用不同的方法确定主题色。
具体地,当第一区域的尺度大于阈值时,将第一区域输入预设的生成器,得到生成器生成的第二区域,在第二区域中,预设对象被模拟背景像素替换,模拟背景像素为生成器模拟电子图像的背景像素生成。进一步,使用第二区域,在电子图像中替换第一区域。
当第一区域的尺度不大于预设阈值,从电子图像中提取第三区域,第三区域为第一区域的相邻区域,且第三区域中不包括预设对象。统计第三区域中的像素的均值,进一步,在电子图像中,将第一区域中的像素值替换为均值。
由上述技术方案可以看出,本申请实施例提供的基于图像处理的图像优化方法,对图像中的预设掩膜区域进行增强处理,其中,预设掩膜区域为预设对象所占的区域,预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项。检测图像中的瑕疵,并使用图像的主题色填充瑕疵所占的区域,瑕疵包括黑边和白边的至少一项,并且主题色依据瑕疵所占的区域的邻域像素点的颜色值确定。
本方法提供的检测图像中的黑边的方法包括:获取图像的二值图像,得到第一二值图像,将第一二值图像的边界像素设置为白色,从第一二值图像中获取像素数量在第一预设范围内的联通区域,若联通区域中包括边界像素,则检测到黑边。
本方法提供的检测图像中的白边的方法包括:使用第二预设范围,提取图像中的白色区域,按照白色区域和非白色区域,对图像进行二值化并反选,得到第二二值图像,获取第二二值图像中的最大联通区域,若最大联通区域的最小外包矩形的尺度大于图像的预设倍数,则检测到白边,预设倍数小于1。
由上述方法的各个步骤可以看出,本方法提供了自动检测并填充图像中的黑边和/或白边的标准化且统一的流程,以及提供了对图像中的红色像素所占区域、蓝色像素所占区域、和/或预设内容像素所占区域进行增强处理的标准化且统一的流程。相对于现有技术中的人工检测方法,避免了人为主观认知不同而优化标准不一造成优化准确度低的问题,并且提高了图像处理的效率。
需要说明的是,针对于图像中可能存在的各项不合规现象,本申请实施例提供了又一种基于图像处理的图像优化方法,如图3所示,本方法具体包括S301~S307:
S301、对图像中的预设掩膜区域进行增强处理。
本实施例中,预设掩膜区域为预设对象所占的区域,预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项。具体参见上述S101,在此不做赘述。
S302、检测图像中的瑕疵,并使用图像的主题色填充瑕疵所占的区域。
本实施例中,瑕疵包括黑边、白边、和/或污点。其中,检测图像中的白边或黑边,并使用图像的主题色填充白边或黑边所占的区域的方法可以参见上述S102。
本实施例中,使用多尺度CNN网络,检测图像中是否有污点。本实施例中污点不限定于因污渍产生,可选地,污点也包括码印以及装订孔经扫描在图像上产生的印记。
具体地,本实施例将CNN网络中最后一层特征图谱进行不断尽快上采样,将上采样结果与每一个金字塔阶级的特征图谱进行加法合并操作,得到新的表征能力更强的不同金字塔层次的特征图谱。
进一步,将ROI按照尺寸分别映射到特征图谱,在每个特征图谱上进行类别和位置预测,回归得到目标点的位置和置信度,将置信度大于预设置信度阈值的目标点作为污点。
需要说明的是,本实施例标注污点的位置,并且将污点检测结果存储至存储单元。由于污点的检测方法中,各个不同尺度的特征都具有较强的语义信息,所以污点检测结果准确度高。
本实施例中,使用图像的主题色填充污点所占的区域的方法为:计算污点的外包矩形框,使用主题色填充外包矩形框围成的区域。
其中,外包矩形框可以根据预设的外包范围预设,例如,本实施例中外包矩形框为污点的最小外包矩形。主题色为外包矩形框的相邻区域中的像素点的像素值的均值。
S303、裁剪图像。
在进行纸质档案数字化采集图像时,在背景处放置一个灰色的色卡,便于区分档案图像的有效范围,并且防止装订孔处透色和轻薄纸张的串色。
因此本实施例中,裁剪图像的方法包括B1~B4,如下:
B1、获取第一外包矩形框、第二外包矩形框和第三外包矩形框。
其中,第一外包矩形框为图像中的纸张灰色像素构成的最大联通区域的外包矩形框。灰色像素的像素值范围根据实际应用预设,本实施例中,灰色像素的像素值范围Gray=[([60,8,184],[160,255,255])]。
第二外包矩形框为图像中的纸张黄色像素构成的最大联通区域的外包矩形框。黄色像素的像素值范围根据实际应用预设,本实施例中,黄色像素的像素值范围Yellow=[([60,50,70],[160,255,255])]。
第三外包矩形框为第三二值图像的像素构成的最大联通区域的外包矩形框。第三二值图像通过以图像中的背景板像素的范围为阈值,对图像二值化,并对二值化的结果取反后获得。背景板像素的范围根据实际应用预设,本实施例中,背景板像素的像素值范围Gray_BG=[([90,8,180],[160,200,255])]。第三二值图像的获取方法可以参照现有技术。
B2、若满足第一条件,将第一外包矩形框作为裁剪边界,裁剪图像。
本实施例中,第一条件包括:第一外包矩形框围成的区域中像素不为空、且第一外包矩形框围成的区域与图像尺寸不同。
B3、在不满足第一条件的情况下,若满足第二条件,将第二外包矩形框作为裁剪边界,裁剪图像.
本实施例中,第二条件包括:第二外包矩形框围成的区域中像素不为空、且第二外包矩形框围成的区域的面积大于图像的面积的m倍,m不大于1。
B4、在不满足第二条件的情况下,将第三外包矩形框作为裁剪边界,裁剪图像。
需要说明的是,本实施例按照上述B1~B4获得裁剪边界,生成剪裁信息,并裁剪图像,其中剪裁信息至少包括裁切边界在图像中的位置和倾斜角度。进一步,本申请实施例将剪裁信息记录并保存。
S304、增强图像的对比度和亮度。
由于档案的原始纸张和扫描效果存在差异,扫描得到的图像过亮或过暗,需要调整过暗或者过亮图像的对比度,使图像更加鲜明。
本申请实施例中,使用像素变换方法调整图像亮度和对比度。具体地,增强亮度与对比度的方法可以参照下述公式(1)。
g(i,j)=α*f(i,j)+β (1)
式中:g(i,j)为处理前的图像,f(i,j)为处理后的图像。
α为不小于0的对比度参数,当α大于1时,图像f(i,j)中的像素值之间的差异变大,因此对比度增强。当α不大于1时,图像f(i,j)中的像素值之间的差异变小,因此对比度降低。β是亮度参数,当β取正数,图像亮度增强,当β取复数,图像亮度降低,当β取0,图像亮度没有变化。
需要说明的是,本申请实施例根据实际应用调整α以及β的取值,从而控制增强对比度以及亮度的效果。
进一步需要说明的是,为了避免预设对象变浅或丢失,本实施例中,增强图像中的预设掩膜区域之外的区域的对比度。
S305、增强图像的锐度。
本实施例中,为了突出和加强图像中字体的边缘和轮廓,通过计算图像的一阶导数来加强图像的边缘,或通过计算图像的二阶导数来完成图像锐化。
具体地,本实施例对图像进行逆运算,如微分运算,以突出图像细节,使图像变得更为清晰。Laplacian高通滤波算子微分算子,它的应用可增强图像中灰度突变的区域,减弱灰度的缓慢变化区域。本实施例通过OpenCV中的Laplacian高通滤波对原图处理,产生描述灰度突变的图像,再与原图像素叠加实现图像锐度。
本实施例使用的Laplacian高通滤波算子如下述公式(2):
其中,A为提升系数,主要用于较暗图像的处理,f(x,y)为原始图像,为高通滤波后的图像,fhb(x,y)为处理后的图像。
需要说明的是,增强图像的锐度使灰度反差增强,从而使模糊图像变得更加清晰。
S306、若图像的方向在预设的第一方向范围内,旋转图像的方向至预设方向。
实际应用中,扫描纸质档案得到电子图像的过程中,由于摆放问题可能导致电子图像存在图像方向问题,
本实施例中首先检测图像的方向,以预设的文本角度检测模型为VGG16网络为例,本实施例采用由13个卷积层和3个全连接层叠加而成的深度学习模型对图像进行特征提取,将图像中的文字方向分类成4个角度。VGG16网络具有小卷积核、小池化核、层数更深特征图更宽以及全连接转卷积的特点,在多个迁移学习任务中的表现较好。
本实施例中,第一方向范围根据实际应用进行设置,当检测得到的图像的方向在该第一方向范围之内,则确定图像方向需要调整。进一步,依据检测的结果反向旋转图像至预设方向,本实施例中,预设方向按照实际需求进行设置,一般地,预设方向为适宜阅读的方向。
S307、若图像中的对象的方向在预设的第二方向范围,调整对象的方向。
其中,对象包括表格和/或文字。本实施例中,使用霍夫变换算法,检测图像中的表格的偏移量。使用文字行检测算法,检测图像中的文字行的偏移量。当检测确定存在对象偏移时,调整对象的方向。
本实施例中,对调整表格的方向的方法(C1)以及调整文字的方向的方法(C2)分别进行介绍,如下:
C1、本实施例采用霍夫变换算法检测并调整表格的方向,调整方法包括C11~C17,如下:
C11、为了优先纠偏图像上方,依次选取图像的上、下两块子区域。
其中,上部分子区域为:纵坐标N个像素为起点直至图像高度的k倍处,横坐标为N个像素为起点直至图像宽度减去N个像素。下部分子区域为:图像高度的k倍处为起点直至图像高度的减去N个像素,横坐标为N个像素为起点直至图像宽度减去N个像素,本实施例中,采用的N为200,k为0.5。
C12、使用n×n的自定义内核对子区域进行卷积,平滑噪声,可选地,n取值为3。
C13、计算Hessian矩阵的特征值,并获得特征值的二值化的边缘梯度图像。
C14、排除最小联通区域小于m个像素的区域,可选地,m取值为80。
C15、通过霍夫变换算法找到图像中的符合预设要求的直线。
C16、依据直线确定表格偏移量。
具体地,若直线数目大于i条,则计算前i条直线角度的中值,作为表格偏移量。
若直线数据大于j条且不大于i条,则计算所有直线角度的中值。作为表格偏移量。
若直线数目不大于j条,则不对图像进行表格调整。
需要说明的是,i和j的取值可以根据实际应用预设,例如,本实施例中i取值为10,j取值为3。
C17、按照表格偏移量调整表格方向。
C2、本实施例中,使用自然场景下的文字行检测算法,检测并调整图像中的文字行的偏移量。
具体地,检测到每个文字行的四个点坐标,并通过透视变换将文字行摆正,本实施例中,以文字行检测算法为Advanced EAST(多方向文字检测模型)为例,检测并调整图像中的文字行的偏移量的方法包括C21~C23,如下:
C21、提取每一文字行的四个点坐标。
C22、根据预设的宽高比选择一条边作为标准边。
C23、计算每一文字行标准边的偏移量,并依据每一文字行标准边的偏移量确定文字偏移量。
确定文字偏移量的规则为:若最大偏移量和最小偏移量的差值大于10,则认为存在误差,文字偏移量置为0。若最大偏移量和最小偏移量的差值不大于10,计算所有文字行标准边偏移量的中值,作为文字偏移量。其中,最大偏移量指的是文字行标准边偏移量的最大值,最小偏移量指的是文字行标准边偏移量的最小值。
本实施例中,将最小外界矩形作为文本框,由此依据文本框的偏转角度确定文字偏移量。
具体地,若文本框数目大于r个,计算前r个文本框偏转角度的中值。作为文字偏移量。
若文本框数据大于h个不大于r个,计算所有文本框偏转角度的中值,作为文字偏移量。
若文本框数目不大于h个,则不对图像进行文字调整。
需要说明的是,r和h的取值可以根据实际应用预设,例如,本实施例中r取值为10,h取值为3。
需要说明的是,上述S301~S307从7个优化角度对图像进行优化,其中,步骤之间不限定先后顺序。
进一步需要说明的是,按照S301~S307优化图像,产生若干个优化日志,本实施例将优化日志记录,并保存至存储单元,各个优化方法中的存储单元可以为一个也可以为多个。
从上述技术方案可以看出,本申请实施例提供的一种基于图像处理的图像优化方法,对图像进行多个合规性审查项目的优化,其中包括:对图像中的红色像素所占区域、蓝色像素所占区域、和/或预设内容像素所占区域进行增强处理、使用图像的主题色填充白边、黑边、或污点所占的区域、裁剪图像、增强图像的对比度和/或亮度、增强图像的锐度、调整图像的方向、以及调整表格和/或文字的方向。
综上,本方法可以对图像进行全方面的优化,并且,针对不同图像的优化,每一项优化都依据相同的优化方法,也即,相对于不同图像的审查标准以及优化方法相同。可见相对于现有技术中的人优化方法,避免了人为主观认知不同而优化标准不一造成优化准确度低的问题,并且提高了优化效率。
图4为本申请实施例提供的一种基于图像处理的图像优化装置的结构示意图,如图4所示,本装置具体包括:图像内容增强模块401以及图像瑕疵去除模块402。
图像内容增强模块401用于对图像中的预设掩膜区域进行增强处理,所述预设掩膜区域为预设对象所占的区域,所述预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项。
图像瑕疵去除模块402,用于检测图像中的瑕疵,并使用图像的主题色填充瑕疵所占的区域,瑕疵包括黑边和白边的至少一项。主题色依据瑕疵所占的区域的邻域像素点的颜色值确定。
其中,检测图像中的黑边,包括:获取图像的二值图像。将二值图像的边界像素设置为白色。从二值图像中获取像素数量在第一预设范围内的联通区域。若联通区域中包括边界像素,则检测到黑边。
检测图像中的白边,包括:使用第二预设范围,提取图像中的白色区域。按照白色区域和非白色区域,对图像进行二值化并反选,得到二值图像。获取二值图像中的最大联通区域。若最大联通区域的最小外包矩形的尺度大于图像的预设倍数,则检测到白边,预设倍数小于1。
图5为本申请实施例提供的又一种基于图像处理的图像优化装置的结构示意图,如图5所示,本装置具体包括:图像内容增强模块51,图像瑕疵去除模块52,图像裁剪模块53,图像显示效果优化模块54,图像角度处理模块55,本实施例参照图5,对上述51~55的结构及功能进行介绍,如下:
本实施例中,图像内容增强模块51包括红色像素增强模块511、蓝色像素增强模块512、和预设内容像素增强模块513。
可选地,图像内容增强模块51用于对图像中的预设掩膜区域进行增强处理,预设掩膜区域为预设对象所占的区域。
其中,红色像素增强模块511用于对图像中的红色像素所占的区域进行增强处理。
蓝色像素增强模块512用于对图像中的蓝色像素所占的区域进行增强处理。
预设内容像素增强模块513用于对图像中的预设内容像素所占的区域进行增强处理。
本实施例中,图像瑕疵去除模块52包括黑边去除模块521、白边去除模块522、以及其他瑕疵去除模块523。
可选地,图像瑕疵去除模块52用于检测图像中的瑕疵,并使用图像的主题色填充瑕疵所占的区域。
其中,黑边去除模块521用于检测图像中的黑边,并使用图像的主题色填充黑边所占的区域。
白边去除模块522用于检测图像中的白边,并使用图像的主题色填充白边所占的区域。
其他瑕疵去除模块523用于检测图像中的其他瑕疵,例如污点,并使用图像的主题色填充其他瑕疵所占的区域。
本实施例中,图像裁剪模块53用于裁剪图像。
可选地,图像裁剪模块53具体用于:
获取第一外包矩形框、第二外包矩形框和第三外包矩形框,第一外包矩形框为图像中的纸张灰色像素构成的最大联通区域的外包矩形框,第二外包矩形框为图像中的纸张黄色像素构成的最大联通区域的外包矩形框,第三外包矩形框为第三二值图像的像素构成的最大联通区域的外包矩形框,第三二值图像通过以图像中的背景板像素的范围为阈值,对图像二值化,并对二值化的结果取反后获得。
若满足第一条件,将第一外包矩形框作为裁剪边界,裁剪图像,第一条件包括:第一外包矩形框围成的区域中像素不为空、且第一外包矩形框围成的区域与图像尺寸不同。
在不满足第一条件的情况下,若满足第二条件,将第二外包矩形框作为裁剪边界,裁剪图像,第二条件包括:第二外包矩形框围成的区域中像素不为空、且第二外包矩形框围成的区域的面积大于图像的面积的m倍,m不大于1。
在不满足第二条件的情况下,将第三外包矩形框作为裁剪边界,裁剪图像。
本实施例中,图像显示效果优化模块54包括对比度优化模块541、亮度优化模块542、锐度优化模块543。
本实施例中,图像显示效果优化模块54用于优化图像显示效果。
其中,对比度优化模块541用于增强图像的对比度。
亮度优化模块542用于增强图像的亮度。
锐度优化模块543用于增强图像的锐度。
本实施例中,图像角度处理模块55包括方向纠正模块551,表格图像纠偏模块552,文本图像纠偏模块553。
可选地,图像角度处理模块用于纠正图像的角度。
其中,方向纠正模块551,用于若图像的方向在预设的第一方向范围内,旋转图像的方向至预设方向。
表格图像纠偏模块552,用于若图像中的对象的方向在预设的第二方向范围,调整表格的方向。
文本图像纠偏模块553,用于若图像中的对象的方向在预设的第二方向范围,调整文本的方向。
本申请实施例还提供了一种基于图像处理的图像优化设备,请参阅图6,示出了该基于图像处理的图像优化设备的结构示意图,该设备可以包括:至少一个处理器601,至少一个通信接口602,至少一个存储器603和至少一个通信总线604;
在本申请实施例中,处理器601、通信接口602、存储器603、通信总线604的数量为至少一个,且处理器601、通信接口602、存储器603通过通信总线604完成相互间的通信;
处理器601可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器603可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可执行存储器存储的程序,实现本实施例提供的基于图像处理的图像优化方法,如下:
对图像中的预设掩膜区域进行增强处理,所述预设掩膜区域为预设对象所占的区域,所述预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项;
检测所述图像中的瑕疵,并使用所述图像的主题色填充所述瑕疵所占的区域,所述瑕疵包括黑边和白边的至少一项;所述主题色依据所述瑕疵所占的区域的邻域像素点的颜色值确定;
其中,检测所述图像中的所述黑边,包括:获取所述图像的二值图像,得到第一二值图像;将所述第一二值图像的边界像素设置为白色;从所述第一二值图像中获取像素数量在第一预设范围内的联通区域;若所述联通区域中包括所述边界像素,则检测到所述黑边;
检测所述图像中的所述白边,包括:使用第二预设范围,提取所述图像中的白色区域;按照所述白色区域和非白色区域,对所述图像进行二值化并反选,得到第二二值图像;获取所述第二二值图像中的最大联通区域;若所述最大联通区域的最小外包矩形的尺度大于所述图像的预设倍数,则检测到所述白边,所述预设倍数小于1。
可选地,瑕疵还包括:污点;
检测所述图像中的所述污点包括:
使用多尺度CNN网络,检测所述图像中的所述污点;
使用所述图像的主题色填充所述污点所占的区域,包括:
计算所述污点的外包矩形框,使用所述主题色填充所述外包矩形框围成的区域。
可选地,本方法还包括:
裁剪所述图像;
所述裁剪所述图像包括:
获取第一外包矩形框、第二外包矩形框和第三外包矩形框,所述第一外包矩形框为所述图像中的纸张灰色像素构成的最大联通区域的外包矩形框,所述第二外包矩形框为所述图像中的纸张黄色像素构成的最大联通区域的外包矩形框,所述第三外包矩形框为第三二值图像的像素构成的最大联通区域的外包矩形框,所述第三二值图像通过以所述图像中的背景板像素的范围为阈值,对所述图像二值化,并对二值化的结果取反后获得;
若满足第一条件,将所述第一外包矩形框作为裁剪边界,裁剪所述图像,所述第一条件包括:所述第一外包矩形框围成的区域中像素不为空、且第一外包矩形框围成的区域与所述图像尺寸不同;
在不满足所述第一条件的情况下,若满足第二条件,将所述第二外包矩形框作为裁剪边界,裁剪所述图像,所述第二条件包括:所述第二外包矩形框围成的区域中像素不为空、且所述第二外包矩形框围成的区域的面积大于所述图像的面积的m倍,所述m不大于1;
在不满足所述第二条件的情况下,将所述第三外包矩形框作为裁剪边界,裁剪所述图像。
可选地,本方法还包括以下至少一项:
增强所述图像的对比度和/或亮度;
增强所述图像的锐度;
若所述图像的方向在预设的第一方向范围内,旋转所述图像的方向至预设方向;
若所述图像中的对象的方向在预设的第二方向范围,调整所述对象的方向,所述对象包括表格和/或文字。
可选地,增强所述图像的对比度包括:
增强所述图像中的所述设掩膜区域之外的区域的对比度。
本申请实施例还提供一种可读存储介质,该可读存储介质可存储有适于处理器执行的计算机程序,计算机程序被处理器执行时,实现本实施例提供的基于图像处理的图像优化方法,如下:
对图像中的预设掩膜区域进行增强处理,所述预设掩膜区域为预设对象所占的区域,所述预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项;
检测所述图像中的瑕疵,并使用所述图像的主题色填充所述瑕疵所占的区域,所述瑕疵包括黑边和白边的至少一项;所述主题色依据所述瑕疵所占的区域的邻域像素点的颜色值确定;
其中,检测所述图像中的所述黑边,包括:获取所述图像的二值图像,得到第一二值图像;将所述第一二值图像的边界像素设置为白色;从所述第一二值图像中获取像素数量在第一预设范围内的联通区域;若所述联通区域中包括所述边界像素,则检测到所述黑边;
检测所述图像中的所述白边,包括:使用第二预设范围,提取所述图像中的白色区域;按照所述白色区域和非白色区域,对所述图像进行二值化并反选,得到第二二值图像;获取所述第二二值图像中的最大联通区域;若所述最大联通区域的最小外包矩形的尺度大于所述图像的预设倍数,则检测到所述白边,所述预设倍数小于1。
可选地,瑕疵还包括:污点;
检测所述图像中的所述污点包括:
使用多尺度CNN网络,检测所述图像中的所述污点;
使用所述图像的主题色填充所述污点所占的区域,包括:
计算所述污点的外包矩形框,使用所述主题色填充所述外包矩形框围成的区域。
可选地,本方法还包括:
裁剪所述图像;
所述裁剪所述图像包括:
获取第一外包矩形框、第二外包矩形框和第三外包矩形框,所述第一外包矩形框为所述图像中的纸张灰色像素构成的最大联通区域的外包矩形框,所述第二外包矩形框为所述图像中的纸张黄色像素构成的最大联通区域的外包矩形框,所述第三外包矩形框为第三二值图像的像素构成的最大联通区域的外包矩形框,所述第三二值图像通过以所述图像中的背景板像素的范围为阈值,对所述图像二值化,并对二值化的结果取反后获得;
若满足第一条件,将所述第一外包矩形框作为裁剪边界,裁剪所述图像,所述第一条件包括:所述第一外包矩形框围成的区域中像素不为空、且第一外包矩形框围成的区域与所述图像尺寸不同;
在不满足所述第一条件的情况下,若满足第二条件,将所述第二外包矩形框作为裁剪边界,裁剪所述图像,所述第二条件包括:所述第二外包矩形框围成的区域中像素不为空、且所述第二外包矩形框围成的区域的面积大于所述图像的面积的m倍,所述m不大于1;
在不满足所述第二条件的情况下,将所述第三外包矩形框作为裁剪边界,裁剪所述图像。
可选地,本方法还包括以下至少一项:
增强所述图像的对比度和/或亮度;
增强所述图像的锐度;
若所述图像的方向在预设的第一方向范围内,旋转所述图像的方向至预设方向;
若所述图像中的对象的方向在预设的第二方向范围,调整所述对象的方向,所述对象包括表格和/或文字。
可选地,增强所述图像的对比度包括:
增强所述图像中的所述设掩膜区域之外的区域的对比度。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于图像处理的图像优化方法,其特征在于,包括:
对图像中的预设掩膜区域进行增强处理,所述预设掩膜区域为预设对象所占的区域,所述预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项;
检测所述图像中的瑕疵,并使用所述图像的主题色填充所述瑕疵所占的区域,所述瑕疵包括黑边和白边的至少一项;所述主题色依据所述瑕疵所占的区域的邻域像素点的颜色值确定;
其中,检测所述图像中的所述黑边,包括:获取所述图像的二值图像,得到第一二值图像;将所述第一二值图像的边界像素设置为白色;从所述第一二值图像中获取像素数量在第一预设范围内的联通区域;若所述联通区域中包括所述边界像素,则检测到所述黑边;
检测所述图像中的所述白边,包括:使用第二预设范围,提取所述图像中的白色区域;按照所述白色区域和非白色区域,对所述图像进行二值化并反选,得到第二二值图像;获取所述第二二值图像中的最大联通区域;若所述最大联通区域的最小外包矩形的尺度大于所述图像的预设倍数,则检测到所述白边,所述预设倍数小于1;
其中,所述方法还包括:
裁剪所述图像;
所述裁剪所述图像包括:
获取第一外包矩形框、第二外包矩形框和第三外包矩形框,所述第一外包矩形框为所述图像中的纸张灰色像素构成的最大联通区域的外包矩形框,所述第二外包矩形框为所述图像中的纸张黄色像素构成的最大联通区域的外包矩形框,所述第三外包矩形框为第三二值图像的像素构成的最大联通区域的外包矩形框,所述第三二值图像通过以所述图像中的背景板像素的范围为阈值,对所述图像二值化,并对二值化的结果取反后获得;
若满足第一条件,将所述第一外包矩形框作为裁剪边界,裁剪所述图像,所述第一条件包括:所述第一外包矩形框围成的区域中像素不为空、且第一外包矩形框围成的区域与所述图像尺寸不同;
在不满足所述第一条件的情况下,若满足第二条件,将所述第二外包矩形框作为裁剪边界,裁剪所述图像,所述第二条件包括:所述第二外包矩形框围成的区域中像素不为空、且所述第二外包矩形框围成的区域的面积大于所述图像的面积的m倍,所述m不大于1;
在不满足所述第二条件的情况下,将所述第三外包矩形框作为裁剪边界,裁剪所述图像。
2.根据权利要求1所述的方法,其特征在于,所述瑕疵还包括:污点;
检测所述图像中的所述污点包括:
使用多尺度CNN网络,检测所述图像中的所述污点;
使用所述图像的主题色填充所述污点所占的区域,包括:
计算所述污点的外包矩形框,使用所述主题色填充所述外包矩形框围成的区域。
3.根据权利要求1所述的方法,其特征在于,还包括以下至少一项:
增强所述图像的对比度和/或亮度;
增强所述图像的锐度;
若所述图像的方向在预设的第一方向范围内,旋转所述图像的方向至预设方向;
若所述图像中的对象的方向在预设的第二方向范围,调整所述对象的方向,所述对象包括表格和/或文字。
4.根据权利要求3所述的方法,其特征在于,所述增强所述图像的对比度包括:
增强所述图像中的所述设掩膜区域之外的区域的对比度。
5.一种基于图像处理的图像优化装置,其特征在于,包括:
图像内容增强模块,用于对图像中的预设掩膜区域进行增强处理,所述预设掩膜区域为预设对象所占的区域,所述预设对象包括红色像素、蓝色像素、和预设内容像素的至少一项;
图像瑕疵去除模块,用于检测所述图像中的瑕疵,并使用所述图像的主题色填充所述瑕疵所占的区域,所述瑕疵包括黑边和白边的至少一项;所述主题色依据所述瑕疵所占的区域的邻域像素点的颜色值确定;
其中,检测所述图像中的所述黑边,包括:获取所述图像的二值图像;将所述二值图像的边界像素设置为白色;从所述二值图像中获取像素数量在第一预设范围内的联通区域;若所述联通区域中包括所述边界像素,则检测到所述黑边;
检测所述图像中的所述白边,包括:使用第二预设范围,提取所述图像中的白色区域;按照所述白色区域和非白色区域,对所述图像进行二值化并反选,得到二值图像;获取所述二值图像中的最大联通区域;若所述最大联通区域的最小外包矩形的尺度大于所述图像的预设倍数,则检测到所述白边,所述预设倍数小于1;
还包括:裁剪所述图像;所述裁剪所述图像包括:获取第一外包矩形框、第二外包矩形框和第三外包矩形框,所述第一外包矩形框为所述图像中的纸张灰色像素构成的最大联通区域的外包矩形框,所述第二外包矩形框为所述图像中的纸张黄色像素构成的最大联通区域的外包矩形框,所述第三外包矩形框为第三二值图像的像素构成的最大联通区域的外包矩形框,所述第三二值图像通过以所述图像中的背景板像素的范围为阈值,对所述图像二值化,并对二值化的结果取反后获得;若满足第一条件,将所述第一外包矩形框作为裁剪边界,裁剪所述图像,所述第一条件包括:所述第一外包矩形框围成的区域中像素不为空、且第一外包矩形框围成的区域与所述图像尺寸不同;在不满足所述第一条件的情况下,若满足第二条件,将所述第二外包矩形框作为裁剪边界,裁剪所述图像,所述第二条件包括:所述第二外包矩形框围成的区域中像素不为空、且所述第二外包矩形框围成的区域的面积大于所述图像的面积的m倍,所述m不大于1;在不满足所述第二条件的情况下,将所述第三外包矩形框作为裁剪边界,裁剪所述图像。
6.根据权利要求5所述的装置,其特征在于,所述图像瑕疵去除模块还用于:
使用多尺度CNN网络,检测所述图像中的污点,计算所述污点的外包矩形框,使用所述主题色填充所述外包矩形框围成的区域。
7.根据权利要求5所述的装置,其特征在于,还包括以下至少一项:
图像显示效果优化模块,用于增强所述图像的对比度和/或亮度,增强所述图像的锐度;
图像角度处理模块,用于若所述图像的方向在预设的第一方向范围内,旋转所述图像的方向至预设方向;
若所述图像中的对象的方向在预设的第二方向范围,调整所述对象的方向,所述对象包括表格和/或文字。
8.一种基于图像处理的图像优化设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1~4中任一项所述的基于图像处理的图像优化方法的各个步骤。
9.一种可读存储介质,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,实现如权利要求1~4中任一项所述的基于图像处理的图像优化方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622203.XA CN111739013B (zh) | 2020-06-30 | 2020-06-30 | 基于图像处理的图像优化方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622203.XA CN111739013B (zh) | 2020-06-30 | 2020-06-30 | 基于图像处理的图像优化方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111739013A CN111739013A (zh) | 2020-10-02 |
CN111739013B true CN111739013B (zh) | 2024-04-23 |
Family
ID=72652274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010622203.XA Active CN111739013B (zh) | 2020-06-30 | 2020-06-30 | 基于图像处理的图像优化方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111739013B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11328309A (ja) * | 1997-06-05 | 1999-11-30 | Matsushita Electric Ind Co Ltd | 光学的文字読み取り方法とその装置 |
JP2001157018A (ja) * | 1999-11-22 | 2001-06-08 | Matsushita Graphic Communication Systems Inc | 画像読取装置及び画像読取方法 |
CN104361335A (zh) * | 2014-11-03 | 2015-02-18 | 山西同方知网数字出版技术有限公司 | 一种基于扫描图像自动去除黑边的处理方法 |
CN108053377A (zh) * | 2017-12-11 | 2018-05-18 | 北京小米移动软件有限公司 | 图像处理方法及设备 |
CN108146093A (zh) * | 2017-12-07 | 2018-06-12 | 南通艾思达智能科技有限公司 | 一种去除票据印章的方法 |
CN108305240A (zh) * | 2017-05-22 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像质量检测方法及装置 |
CN108323204A (zh) * | 2017-07-17 | 2018-07-24 | 深圳和而泰智能控制股份有限公司 | 一种检测人脸瑕疵点的方法和智能终端 |
CN110111245A (zh) * | 2019-05-13 | 2019-08-09 | Oppo广东移动通信有限公司 | 图像处理方法、装置、终端及计算机可读存储介质 |
CN110223301A (zh) * | 2019-03-01 | 2019-09-10 | 华为技术有限公司 | 一种图像裁剪方法和电子设备 |
CN110246108A (zh) * | 2018-11-21 | 2019-09-17 | 浙江大华技术股份有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
CN110443747A (zh) * | 2019-07-30 | 2019-11-12 | Oppo广东移动通信有限公司 | 图像处理方法、装置、终端及计算机可读存储介质 |
-
2020
- 2020-06-30 CN CN202010622203.XA patent/CN111739013B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11328309A (ja) * | 1997-06-05 | 1999-11-30 | Matsushita Electric Ind Co Ltd | 光学的文字読み取り方法とその装置 |
JP2001157018A (ja) * | 1999-11-22 | 2001-06-08 | Matsushita Graphic Communication Systems Inc | 画像読取装置及び画像読取方法 |
CN104361335A (zh) * | 2014-11-03 | 2015-02-18 | 山西同方知网数字出版技术有限公司 | 一种基于扫描图像自动去除黑边的处理方法 |
CN108305240A (zh) * | 2017-05-22 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像质量检测方法及装置 |
CN108323204A (zh) * | 2017-07-17 | 2018-07-24 | 深圳和而泰智能控制股份有限公司 | 一种检测人脸瑕疵点的方法和智能终端 |
CN108146093A (zh) * | 2017-12-07 | 2018-06-12 | 南通艾思达智能科技有限公司 | 一种去除票据印章的方法 |
CN108053377A (zh) * | 2017-12-11 | 2018-05-18 | 北京小米移动软件有限公司 | 图像处理方法及设备 |
CN110246108A (zh) * | 2018-11-21 | 2019-09-17 | 浙江大华技术股份有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
CN110223301A (zh) * | 2019-03-01 | 2019-09-10 | 华为技术有限公司 | 一种图像裁剪方法和电子设备 |
CN110111245A (zh) * | 2019-05-13 | 2019-08-09 | Oppo广东移动通信有限公司 | 图像处理方法、装置、终端及计算机可读存储介质 |
CN110443747A (zh) * | 2019-07-30 | 2019-11-12 | Oppo广东移动通信有限公司 | 图像处理方法、装置、终端及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
基于稀疏编码投影特征的布匹瑕疵检测;叶鉴霆;朱秋平;范赐恩;;科学技术与工程;20141128(第33期);全文 * |
文档扫描图像的批量自适应优化和归档;郑静 等;《电脑知识与技术》;正文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111739013A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6100744B2 (ja) | 自動修復を用いたカラー文書画像セグメンテーション及び二値化 | |
Bieniecki et al. | Image preprocessing for improving ocr accuracy | |
EP2288135B1 (en) | Deblurring and supervised adaptive thresholding for print-and-scan document image evaluation | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
US20150347837A1 (en) | Model-based dewarping method and apparatus | |
CN111583157A (zh) | 图像处理方法、系统及计算机可读存储介质 | |
EP2187620A1 (en) | Digital image processing and enhancing system and method with function of removing noise | |
US20040114829A1 (en) | Method and system for detecting and correcting defects in a digital image | |
JP6798752B2 (ja) | 補正画像を生成する方法、ノートブック又はアジェンダの1ページ又は2つの隣接するページに描かれた書込み又は図の選択画像を生成する方法、pc用のコンピュータプログラム、又は、スマートフォン若しくはタブレットコンピュータ用のモバイルアプリケーション | |
CN113469921B (zh) | 图像缺陷修复方法、系统、计算机设备及存储介质 | |
CN114283156A (zh) | 一种用于去除文档图像颜色及手写笔迹的方法及装置 | |
JP2009268085A (ja) | 画像トリミング装置およびプログラム | |
CN110930321A (zh) | 一种能够自动选取目标区域的蓝/绿幕数字图像抠取方法 | |
CN110942435B (zh) | 一种文档图像处理的方法和装置 | |
CN114792310A (zh) | 一种LCD屏幕中边缘模糊的Mura缺陷检测方法 | |
CN113538498B (zh) | 一种基于局部二值化的印章图像分割方法、电子设备和可读存储介质 | |
CN111739013B (zh) | 基于图像处理的图像优化方法及相关装置 | |
CN111445402B (zh) | 一种图像去噪方法及装置 | |
CN111340040A (zh) | 一种纸张字符识别方法、装置、电子设备及存储介质 | |
CN109448010B (zh) | 一种基于内容特征的四方连续纹样自动生成方法 | |
CN113793264B (zh) | 一种基于卷积模型的档案图像处理方法、系统和电子设备 | |
CN116363097A (zh) | 一种光伏板的缺陷检测方法及系统 | |
CN114445814B (zh) | 一种字符区域提取方法、计算机可读存储介质 | |
CN110930358A (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
CN115908399A (zh) | 一种基于改进视觉注意机制的磁片瑕疵检测方法 |
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 |