CN112102164B - 一种图像处理方法、装置、终端及存储介质 - Google Patents
一种图像处理方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN112102164B CN112102164B CN202010803719.4A CN202010803719A CN112102164B CN 112102164 B CN112102164 B CN 112102164B CN 202010803719 A CN202010803719 A CN 202010803719A CN 112102164 B CN112102164 B CN 112102164B
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- images
- processed
- feature map
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于图像处理技术领域,提供一种图像处理方法、装置、终端及存储介质,其中方法包括:将待处理图像进行分割,得到N个子图像;分别将N个所述子图像缩放至目标尺寸,并对缩放处理后的所述子图像进行图像特征提取,得到每一所述子图像的特征图;根据每一所述子图像的特征图,确定所述待处理图像的图像特征。该方案降低大分辨率图像缩放时所产生的关键像素信息的损失,提升图像识别准确度。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种图像处理方法、装置、终端及存储介质。
背景技术
随着具有图像采集功能的设备例如手机、监视器等的逐步广泛应用,图像处理技术也越来越受到重视。且图像采集设备在硬件升级的同时,获取的原始图像分辨率也随之增大。
在对这些原始图像进行处理时,通常利用神经网络模型来实现。常规的做法是不论获得的图像是哪种分辨率,统一缩放到相同的尺寸再进行图像内容检测。例如,监控场景获取的图像分辨率为1080*1920,对于1080*1920的图像是直接缩放到相应的尺寸如640*640,输入到神经网络,提取相关的图像特征(如人脸特征),最后对特征位置进行定位检测。
而在原始图像为大分辨率的图像时,例如分辨率为2160*3840的图像,对其直接按照图像缩放的方式进行内容检测会造成图像有效信息丢失严重,导致无法检测到相应的目标,检测性能降低。
发明内容
本申请实施例提供了一种图像处理方法、装置、终端及存储介质,以解决现有技术中在对大分辨率图像进行内容检测时,若对其直接按照图像缩放的方式进行检测会造成图像有效信息丢失严重,导致无法检测到相应目标的问题。
本申请实施例的第一方面提供了一种图像处理方法,包括:
将待处理图像进行分割,得到N个子图像,N为大于1的整数;
分别将N个所述子图像缩放至目标尺寸,并对缩放处理后的所述子图像进行图像特征提取,得到每一所述子图像的特征图;
根据每一所述子图像的特征图,确定所述待处理图像的图像特征。
本申请实施例的第二方面提供了一种图像处理装置,包括:
图像分割模块,用于将待处理图像进行分割,得到N个子图像,N为大于1的整数;
特征提取模块,用于分别将N个所述子图像缩放至目标尺寸,并对缩放处理后的所述子图像进行图像特征提取,得到每一所述子图像的特征图;
获取模块,用于根据每一所述子图像的特征图,确定所述待处理图像的图像特征。
本申请实施例的第三方面提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本申请的第五方面提供了一种计算机程序产品,当所述计算机程序产品在终端上运行时,使得所述终端执行上述第一方面所述方法的步骤。
由上可见,本申请实施例,通过将待处理图像进行分割得到目标数量的子图像,在子图像基础上进行图像缩放,基于缩放后的每一子图像,得到子图像对应的特征图,以能够基于分别得到的子图像的特征图得到整体图像的图像特征,降低大分辨率图像缩放时所产生的关键像素信息的损失,提升图像识别准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种图像处理方法的流程图一;
图2是本申请实施例提供的图像分割示意图;
图3是本申请实施例提供的一种图像处理方法的流程图二;
图4是本申请实施例提供的一种图像处理装置的结构图;
图5是本申请实施例提供的一种终端的结构图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中,本申请实施例中描述的终端包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,所述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的终端。然而,应当理解的是,终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
终端支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样,终端的公共物理架构(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
应理解,本实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
参见图1,图1是本申请实施例提供的一种图像处理方法的流程图一。如图1所示,一种图像处理方法,该方法包括以下步骤:
步骤101,将待处理图像进行分割,得到N个子图像。
其中,N为大于1的整数。
该步骤中,将待处理图像分割得到至少两个图像。该待处理图像可以是直接通过摄像头采集得到的图像,或者是从其他终端传输而来的图像,亦或者是从网络上下载得到的图像。该待处理图像可以是人脸图像、道路图像、水文图像、气象图像等。该待处理图像可以是RGB(红绿蓝)图或者灰度图。
分割后的N个子图像,在相邻的两图像之间可以包括有共同的图像区域,即在图像分割时相邻两图像中分割的图像区域存在重复部分;或者,分割后的N个子图像,在相邻的两图像之间不包括有共同的图像区域,即相邻的两图像之间为具有邻接的图像区域。
其中,作为一可选的实施方式,该将待处理图像进行分割,得到N个子图像,包括:
将待处理图像处理成设定长宽比尺寸的初始图像;对初始图像进行分割,得到相同尺寸的N个子图像。
这里,设定长宽比可以是1比1,即长度和宽度相同,以便于等分得到相同尺寸的N个子图像。
以1080*1920*3图像为例做说明。其中,1080*1920为图像的分辨率尺寸,3为图像的通道数,这里具体为RGB三通道。在将该图像进行分割时,可以先将该图像尺寸进行补全,即将短边补0,使得图像由1080*1920*3变成1920*1920*3的尺寸,得到初始图像,再在该初始图像基础上进行图像划分,具体为将该初始图像进行等分,得到相同尺寸的N个子图像。
其中,在将待处理图像处理成设定长宽比尺寸的初始图像之前,判断待处理图像的图像尺寸是否为设定长宽比尺寸,若否,则将待处理图像处理成设定长宽比尺寸的初始图像,若是,则直接对初始图像进行分割,得到相同尺寸的N个子图像。
步骤102,分别将N个子图像缩放至目标尺寸,并对缩放处理后的子图像进行图像特征提取,得到每一子图像的特征图。
将分割得到的N个子图像缩放至目标尺寸之前,判断N个子图像的尺寸是否已经为目标尺寸,若是,则直接对缩放处理后的子图像进行图像特征提取,得到每一子图像的特征图,若否则执行步骤102。
该步骤中,通过将待处理图像进行分割得到目标数量的子图像,在子图像基础上进行图像缩放,基于缩放后的每一子图像,得到子图像对应的特征图,以在后续过程中,能够基于分别得到的子图像的特征图得到整体图像的图像特征,降低大分辨率图像缩放时所产生的关键像素信息的损失,提升图像识别准确度。
其中,可选地,在N为理想数值时,N个子图像缩放至目标尺寸对应于第一缩放倍数;待处理图像缩放至目标尺寸对应于第二缩放倍数,该第一缩放倍数小于第二缩放倍数。
作为一具体的实施方式,该对缩放处理后的子图像进行图像特征提取,得到每一子图像的特征图,包括:
将缩放处理后的子图像输入卷积神经网络的卷积层进行卷积处理,得到卷积处理后输出的每一子图像的特征图。
在对缩放处理后的子图像进行图像特征提取时,可以是通过卷积神经网络来实现,并在卷积处理后得到卷积神经网络输出的每一子图像的特征图。
进一步地,其中,该卷积层的输入通道数为N*M。M为待处理图像的图像通道数。
该待处理图像的图像通道具体可以是RGB图的RGB三通道,此时待处理图像的图像通道数为3;或者,该待处理图像的图像通道是灰度图的单通道,此时待处理图像的图像通道数为1。
在通过卷积神经网络进行图像特征提取时,由于本方案中已经将待处理图像分割成了N个子图像,此时是将N个子图像进行图像通道的拼接,通过增加卷积层的输入通道数,由处理待处理图像时所需的通道数M增大为处理N个子图像时所需的通道数N*M,实现对分割得到的N个子图像的并行处理,大幅增加卷积层中输入图像的分辨率,在确保实现对待处理图像中特征信息的提取识别的同时,降低图像有效信息的丢失程度,增加图像识别准确度及图像处理效率。且该过程仅需要增加卷积层中第一个卷积层的大小,在对卷积神经网络整体大小不造成太多增加的前提下,提升图像处理效果。
对于上述步骤,结合图2所示,在具体实现过程中,仍以1080*1920*3图像为例做说明。在将图像由1080*1920*3变成1920*1920*3的尺寸之后(图2中由最左侧图像至中间图像的处理过程),随后将图像等分为n份再进行图像通道上的拼接,具体以分成4份为例,即将图像分为4幅960*960*3的图像(图2中最右侧图像示例),然后进行通道拼接变成960*960*12,再进行缩放到目标尺寸640*640*12,最终卷积神经网络中图像的输入尺寸是640*640*12。
步骤103,根据每一子图像的特征图,确定待处理图像的图像特征。
在得到每一子图像的特征图之后,则可以基于子图像的特征图得到整体图像即待处理图像的图像特征。该整体图像的图像特征的获取可以是对每一子图像的特征图进行拼接得到,或者是特征图中特征值相加得到或者是其他方式,此处不进行具体限定。
作为一可选的实施方式,其中该根据每一子图像的特征图,确定待处理图像的图像特征之后,还包括:
在图像特征为人脸局部特征的情况下,基于该人脸局部特征,检测待处理图像中的人脸区域。
实现在从待处理图像中识别出人脸局部特征时,进一步从待处理图像中确定人脸区域的处理过程,以进而实现人脸检测,提升人脸检测的准确度及检测效率。
本申请实施例,通过将待处理图像进行分割得到目标数量的子图像,在子图像基础上进行图像缩放,基于缩放后的每一子图像,得到子图像对应的特征图,以能够基于分别得到的子图像的特征图得到整体图像的图像特征,降低大分辨率图像缩放时所产生的关键像素信息的损失,提升图像识别准确度。
本申请实施例中还提供了图像处理方法的不同实施方式。
参见图3,图3是本申请实施例提供的一种图像处理方法的流程图二。如图3所示,一种图像处理方法,该方法包括以下步骤:
步骤301,将待处理图像进行分割,得到N个子图像。
N为大于1的整数。
该步骤的实现方式与前述实施过程中步骤101的实现方式相同,此处不再赘述。
步骤302,分别将N个子图像缩放至目标尺寸,并对缩放处理后的子图像进行图像特征提取,得到每一子图像的特征图。
具体地,可以将缩放处理后的子图像输入卷积神经网络的卷积层进行卷积处理,得到卷积处理后输出的每一子图像的特征图。
可选地,该将缩放处理后的子图像输入卷积神经网络的卷积层进行卷积处理,得到卷积处理后输出的每一子图像的特征图,可以包括:
将缩放处理后的子图像输入卷积神经网络的卷积层,通过卷积层以每一子图像为组别对从输入通道获取的图像数据进行分组卷积处理,得到卷积处理后输出的每一子图像的特征图。
其中,对从输入通道获取的图像数据进行分组时,是将从输入通道获取的图像数据按照不同子图像进行组别划分,即以一个子图像为一个组别,一个组别中包含从输入通道获取的与该一个子图像对应的图像特征。
以某一个子图像为例进行说明。当子图像为RGB图像时,对应具有RGB三个图像通道,则此时卷积层会确定出输入通道中与该子图像的三个图像通道相对应的三个输入通道,将从该三个输入通道获取的图像数据分为一组,其他子图像亦然,以在随后实现对图像数据的分组卷积处理。
由于随着子图像的划分及卷积层输入通道数的增加,卷积层中输入图像的前几个图像通道与后几个图像通道间的相关性较小,若使用常规的卷积方式,会将后三个通道的特征融入前三个,造成特征冗余。因此,在该过程中,通过分组卷积实现不同输入通道之间的信息隔离,在实现对不同子图像进行单独特征提取的同时,避免前述特征冗余的情况发生,提升图像特征检测的准确度。
此外,该步骤的其他实施方式与步骤102中的实施方式相同,此处不再赘述。
步骤303,获取每一子图像中的像素点与待处理图像中选取的参照像素点之间的相对距离。
该参照像素点可以是单个像素点或者某一参照区域中所包含的多个像素点。
步骤304,根据相对距离,确定每一子图像的特征图对应的加权矩阵。
其中,加权矩阵中元素的取值大小与对应像素点的该相对距离负相关。
在得到每一子图像的特征图之后,需要对该些特征图进行整合。由于在分别对不同子图像的特征图进行生成时,待处理图像中不同图像区域之间存在信息隔绝的问题,例如当通过卷积层以每一子图像为组别对从输入通道获取的图像数据进行分组卷积处理,得到卷积处理后输出的每一子图像的特征图时,不同组别之间的图像数据为单独卷积处理,存在信息隔绝。
因此,在本实施例中提出依据每一子图像中的像素点与待处理图像中选取的参照像素点之间的相对距离,给每一子图像的特征图设置对应的加权矩阵。
作为一可选的实施方式,该根据相对距离,确定每一子图像的特征图对应的加权矩阵,包括:
当参照像素点为子图像中第一子图像的像素点时,将第一子图像的特征图的加权矩阵中所有元素的取值设置为预设值;对子图像中除第一子图像外的其他子图像,根据其他子图像中各个像素点与第一子图像之间的相对距离,确定特征图的加权矩阵中对应元素的元素值;根据该对应元素的元素值,确定其他子图像的特征图对应的加权矩阵。
其中,预设值可以是加权矩阵中元素的取值范围中的最大值;该加权矩阵中元素的取值范围可以是大于0小于或等于1。
结合图2所示,图2中划分得到的4个子图像(以图2中最右侧图像作为示意)编号分别为1、2、3、4。其中,1和2、1和3在相邻边缘处具有比较强的相关关系,而1和4在待处理图像的中心区域存在较强的相关性。因此可以令子图像2的加权矩阵中元素的值从左向右数值依次递减,图像3的加权矩阵中元素的值从上到下依次递减,图像4的加权矩阵中元素的值由左上向右下方向递减。
这里,是以子图像1中所包含的像素点作为从待处理图像中选取的参照像素点。依据子图像2、3、4中不同像素点分别与该子图像1之间的相对距离(以该子图像1中所包含的参照像素点为整体来计算不同像素点与其之间的相对距离)来确定其所对应的加权矩阵中相对应元素的元素值的大小。相对距离越大,则对应元素值越小。
将每一子图像的特征图进行加权,以提升最终获取的待处理图像的图像特征的信息准确度。
步骤305,基于加权矩阵,对特征图进行加权求和计算,得到待处理图像的图像特征。
该步骤中,依照公式C1=v1*m1+v2*m2+v3*m3+…+vn*mn,求得待处理图像的特征图,得到待处理图像的图像特征。其中C1代表待处理图像的特征图,vn表示第n个子图像的特征图的加权矩阵,mn表示第n个子图像的特征图。
本申请实施例,通过将待处理图像进行分割得到目标数量的子图像,在子图像基础上进行图像缩放,基于缩放后的每一子图像,得到子图像对应的特征图,根据缩放后的每一子图像中的像素点与待处理图像中选取的参照像素点之间的相对距离,设置每一子图像的特征图对应的加权矩阵,以能够结合该加权矩阵通过特征图得到整体图像的图像特征,降低大分辨率图像缩放时所产生的关键像素信息的损失,提升图像识别准确度。
参见图4,图4是本申请实施例提供的一种图像处理装置的结构图,为了便于说明,仅示出了与本申请实施例相关的部分。
所述图像处理装置400包括:
图像分割模块401,用于将待处理图像进行分割,得到N个子图像,N为大于1的整数;
特征提取模块402,用于分别将N个所述子图像缩放至目标尺寸,并对缩放处理后的所述子图像进行图像特征提取,得到每一所述子图像的特征图;
获取模块403,用于根据每一所述子图像的特征图,确定所述待处理图像的图像特征。
其中,图像分割模块具体用于:
将待处理图像处理成设定长宽比尺寸的初始图像;
对所述初始图像进行分割,得到相同尺寸的N个所述子图像。
其中,特征提取模块具体用于:
将缩放处理后的所述子图像输入卷积神经网络的卷积层进行卷积处理,得到卷积处理后输出的每一所述子图像的特征图;
其中,所述卷积层的输入通道数为N*M,M为所述待处理图像的图像通道数。
其中,特征提取模块更具体用于:
将缩放处理后的子图像输入卷积神经网络的卷积层,通过卷积层以每一子图像为组别对从输入通道获取的图像数据进行分组卷积处理,得到卷积处理后输出的每一子图像的特征图。
其中,获取模块具体用于:
获取每一所述子图像中的像素点与所述待处理图像中选取的参照像素点之间的相对距离;
根据所述相对距离,确定每一所述子图像的特征图对应的加权矩阵;其中,所述加权矩阵中元素的取值大小与对应像素点的所述相对距离负相关;
基于所述加权矩阵,对所述特征图进行加权求和计算,得到所述待处理图像的图像特征。
其中,获取模块更具体用于:
当所述参照像素点为所述子图像中第一子图像的像素点时,将所述第一子图像的特征图的加权矩阵中所有元素的取值设置为预设值;
对所述子图像中除所述第一子图像外的其他子图像,根据所述其他子图像中各个像素点与所述第一子图像之间的相对距离,确定特征图的加权矩阵中对应元素的元素值;
根据所述对应元素的元素值,确定所述其他子图像的特征图对应的所述加权矩阵。
该装置还包括:
检测模块,用于在所述图像特征为人脸局部特征的情况下,基于所述人脸局部特征,检测所述待处理图像中的人脸区域。
本申请实施例提供的图像处理装置能够实现上述图像处理方法的实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
图5是本申请实施例提供的一种终端的结构图。如该图所示,该实施例的终端5包括:至少一个处理器50(图5中仅示出一个)、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52,所述处理器50执行所述计算机程序52时实现上述任意各个方法实施例中的步骤。
所述终端5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端5可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是终端5的示例,并不构成对终端5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所述处理器50可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端5的内部存储单元,例如终端5的硬盘或内存。所述存储器51也可以是所述终端5的外部存储设备,例如所述终端5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述终端5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述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,在本申请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,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序产品来实现,当计算机程序产品在终端上运行时,使得所述终端执行时实现可实现上述各个方法实施例中的步骤。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
将待处理图像进行分割,得到N个子图像,N为大于1的整数;
分别将N个所述子图像缩放至目标尺寸,并对缩放处理后的所述子图像进行图像特征提取,得到每一所述子图像的特征图;
根据每一所述子图像的特征图,确定所述待处理图像的图像特征;
其中,每一所述子图像的特征图对应有加权矩阵,所述加权矩阵为基于每一所述子图像中的像素点与待处理图像中选取的参照像素点之间的相对距离,给每一所述子图像的特征图对应设置得到;其中,所述相对距离用于确定其所对应的加权矩阵中相对应元素的元素值的大小;所述加权矩阵中的元素值的大小随对应的子图像中的像素点与所述参照像素点之间的相对距离递变,其中,所述相对距离越大,则对应的元素值越小;所述图像特征为依据每一所述子图像的特征图及每一所述子图像的特征图的所述加权矩阵计算得到。
2.根据权利要求1所述的方法,其特征在于,所述根据每一所述子图像的特征图,确定所述待处理图像的图像特征,包括:
获取每一所述子图像中的像素点与所述待处理图像中选取的参照像素点之间的相对距离;
根据所述相对距离,确定每一所述子图像的特征图对应的加权矩阵;其中,所述加权矩阵中元素的取值大小与对应像素点的所述相对距离负相关;
基于所述加权矩阵,对所述特征图进行加权求和计算,得到所述待处理图像的图像特征。
3.根据权利要求2所述的方法,其特征在于,所述根据所述相对距离,确定每一所述子图像的特征图对应的加权矩阵,包括:
当所述参照像素点为所述子图像中第一子图像的像素点时,将所述第一子图像的特征图的加权矩阵中所有元素的取值设置为预设值;
对所述子图像中除所述第一子图像外的其他子图像,根据所述其他子图像中各个像素点与所述第一子图像之间的相对距离,确定特征图的加权矩阵中对应元素的元素值;
根据所述对应元素的元素值,确定所述其他子图像的特征图对应的所述加权矩阵。
4.根据权利要求1所述的方法,其特征在于,所述将待处理图像进行分割,得到N个子图像,包括:
将待处理图像处理成设定长宽比尺寸的初始图像;
对所述初始图像进行分割,得到相同尺寸的N个所述子图像。
5.根据权利要求1所述的方法,其特征在于,所述对缩放处理后的所述子图像进行图像特征提取,得到每一所述子图像的特征图,包括:
将缩放处理后的所述子图像输入卷积神经网络的卷积层进行卷积处理,得到卷积处理后输出的每一所述子图像的特征图;
其中,所述卷积层的输入通道数为N*M,M为所述待处理图像的图像通道数。
6.根据权利要求5所述的方法,其特征在于,所述将缩放处理后的所述子图像输入卷积神经网络的卷积层进行卷积处理,得到卷积处理后输出的每一所述子图像的特征图,包括:
将缩放处理后的子图像输入卷积神经网络的卷积层,通过卷积层以每一子图像为组别对从输入通道获取的图像数据进行分组卷积处理,得到卷积处理后输出的每一子图像的特征图。
7.根据权利要求1所述的方法,其特征在于,所述根据每一所述子图像的特征图,确定所述待处理图像的图像特征之后,还包括:
在所述图像特征为人脸局部特征的情况下,基于所述人脸局部特征,检测所述待处理图像中的人脸区域。
8.一种图像处理装置,其特征在于,包括:
图像分割模块,用于将待处理图像进行分割,得到N个子图像,N为大于1的整数;
特征提取模块,用于分别将N个所述子图像缩放至目标尺寸,并对缩放处理后的所述子图像进行图像特征提取,得到每一所述子图像的特征图;
获取模块,用于根据每一所述子图像的特征图,确定所述待处理图像的图像特征;
其中,每一所述子图像的特征图对应有加权矩阵,所述加权矩阵为基于每一所述子图像中的像素点与待处理图像中选取的参照像素点之间的相对距离,给每一所述子图像的特征图对应设置得到;其中,所述相对距离用于确定其所对应的加权矩阵中相对应元素的元素值的大小;所述加权矩阵中的元素值的大小随对应的子图像中的像素点与所述参照像素点之间的相对距离递变,其中,所述相对距离越大,则对应的元素值越小;所述图像特征为依据每一所述子图像的特征图及每一所述子图像的特征图的所述加权矩阵计算得到。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803719.4A CN112102164B (zh) | 2020-08-11 | 2020-08-11 | 一种图像处理方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803719.4A CN112102164B (zh) | 2020-08-11 | 2020-08-11 | 一种图像处理方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102164A CN112102164A (zh) | 2020-12-18 |
CN112102164B true CN112102164B (zh) | 2024-05-07 |
Family
ID=73752885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010803719.4A Active CN112102164B (zh) | 2020-08-11 | 2020-08-11 | 一种图像处理方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102164B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541911A (zh) * | 2020-12-23 | 2021-03-23 | 北京百度网讯科技有限公司 | 图像处理方法及装置 |
CN112883983B (zh) * | 2021-02-09 | 2024-06-14 | 北京迈格威科技有限公司 | 特征提取方法、装置和电子系统 |
CN113111770B (zh) * | 2021-04-12 | 2022-09-13 | 杭州赛鲁班网络科技有限公司 | 一种视频处理方法、装置、终端及存储介质 |
CN113327217B (zh) * | 2021-05-31 | 2024-03-22 | 上海阵量智能科技有限公司 | 一种卷积处理方法、装置、计算机设备及存储介质 |
CN113838002A (zh) * | 2021-08-25 | 2021-12-24 | 网易(杭州)网络有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN116128710A (zh) * | 2022-11-30 | 2023-05-16 | 京东方科技集团股份有限公司 | 一种图像分辨率调整方法、装置、设备及存储介质 |
CN116866666B (zh) * | 2023-09-05 | 2023-12-08 | 天津市北海通信技术有限公司 | 轨道交通环境下的视频流画面处理方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429458A (zh) * | 2020-03-20 | 2020-07-17 | 北京创世云科技有限公司 | 一种图像还原的方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6904692B2 (ja) * | 2016-12-09 | 2021-07-21 | キヤノン株式会社 | 画像処理装置、制御方法、及びプログラム |
-
2020
- 2020-08-11 CN CN202010803719.4A patent/CN112102164B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429458A (zh) * | 2020-03-20 | 2020-07-17 | 北京创世云科技有限公司 | 一种图像还原的方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
基于分割模板加权Hausdorff 距离矩阵的特征匹配算法;徐一鸣;兵工学报;第32卷(第11期);1353-1358页 * |
徐科等.《金属表面质量在线检测技术》.冶金工业出版社,2016,第36-38页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112102164A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112102164B (zh) | 一种图像处理方法、装置、终端及存储介质 | |
KR102140340B1 (ko) | 컨볼루션 뉴럴 네트워크를 통해 이미지 위변조를 탐지하는 시스템 및 이를 이용하여 무보정 탐지 서비스를 제공하는 방법 | |
CN108921806B (zh) | 一种图像处理方法、图像处理装置及终端设备 | |
CN108961183B (zh) | 图像处理方法、终端设备及计算机可读存储介质 | |
CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
CN109215037B (zh) | 目标图像分割方法、装置及终端设备 | |
CN106650615B (zh) | 一种图像处理方法及终端 | |
CN108961267B (zh) | 图片处理方法、图片处理装置及终端设备 | |
CN103353881B (zh) | 一种应用程序搜索方法及装置 | |
CN111290684B (zh) | 图像显示方法、图像显示装置及终端设备 | |
CN109657543B (zh) | 人流量监控方法、装置及终端设备 | |
CN112668577A (zh) | 大尺度图像中目标物体的检测方法、终端及装置 | |
CN108932703B (zh) | 图片处理方法、图片处理装置及终端设备 | |
CN111222446B (zh) | 人脸识别方法、人脸识别装置及移动终端 | |
CN111861965B (zh) | 图像逆光检测方法、图像逆光检测装置及终端设备 | |
CN108763491B (zh) | 图片处理方法、装置及终端设备 | |
WO2021051580A1 (zh) | 基于分组批量的图片检测方法、装置及存储介质 | |
CN111754435A (zh) | 图像处理方法、装置、终端设备及计算机可读存储介质 | |
CN108270973B (zh) | 一种拍照处理方法、移动终端及计算机可读存储介质 | |
CN108776959B (zh) | 图像处理方法、装置及终端设备 | |
CN107133940A (zh) | 一种构图方法及终端 | |
CN108932704B (zh) | 图片处理方法、图片处理装置及终端设备 | |
CN111754411B (zh) | 图像降噪方法、图像降噪装置及终端设备 | |
CN109242763B (zh) | 图片处理方法、图片处理装置、终端设备 | |
CN113473012A (zh) | 虚化处理方法、装置和电子设备 |
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 |