CN112184837A - 一种图像检测方法、装置、电子设备及存储介质 - Google Patents
一种图像检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112184837A CN112184837A CN202011063232.3A CN202011063232A CN112184837A CN 112184837 A CN112184837 A CN 112184837A CN 202011063232 A CN202011063232 A CN 202011063232A CN 112184837 A CN112184837 A CN 112184837A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- pixel point
- texture energy
- color
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 abstract description 30
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G06T5/70—
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Abstract
本申请公开了一种图像检测方法、装置、电子设备及存储介质，涉及图像处理技术领域。具体方案为：在待检测图像中提取纹理信息，并基于纹理信息生成待检测图像对应的纹理能量图；在待检测图像中提取颜色信息，并基于颜色信息生成待检测图像对应的颜色分布图；基于纹理能量图和颜色分布图，检测待检测图像是否存在黑边。本申请实施例可以有效地提高黑边检测的准确率，减小黑边检测的复杂度。
Description
技术领域
本申请涉及人工智能领域，进一步涉及图像处理技术领域，尤其是一种图像检测方法、装置、电子设备及存储介质。
背景技术
随着移动互联网发展，短视频行业发展迅猛。视频制作者可以通过多种拍摄设备进行拍摄，因此，小视频上传者的数量也日益增多。通常情况下，终端展现平台对视频格式会有所要求，会出现上传的视频由于不适配格式导致视频图像存在黑边的情况，这样会造成视频质量差，影响观看体验。因此，需要建立图像黑边检测能力，在终端展现前的物料审核阶段判断视频中是否存在黑边图像；若视频中存在黑边图像，该视频将不在终端平台中进行展现。
在现有技术中，通常采用以下两种方式检测黑边图像：(1)统计黑色像素数量的方式检测黑边图像：在灰度图像上，顺行方向或者顺列方向逐一判断当前像素点的像素值是否小于预定阈值，若当前像素点的像素值小于预定阈值，则判定当前像素点为黑色像素点；然后统计每一行或者每一列的黑色像素点的数量；如果每一行的黑色像素点的数量大于某一阈值；或者，如果每一列的黑色像素点的数量大于某一阈值，则该行或者该列为黑边；否则该行或者该列为非黑边。(2)基于像素平方和的方式检测黑边图像：在像素值为零时表示黑色的前提下，顺行方向或者顺列方向逐一计算当前像素点的像素值的平方，并累加该行或者该列的所有像素点的平方和；通过计算得到平方和值与某一阈值进行比较判断该行或者该列是否为黑边。
上述方式存在以下缺点：采用上述方式1)检测黑边图像时，理论上像素值为零代表黑色，但实际的视频图像中的人眼判断的黑色并不是一个定值像素，而是一个像素范围；而且不同的应用场景对于黑色的定义也存在差异，阈值很难确定，这样导致黑边检测准确率低；采用上述方式2)检测黑边图像时，由于非黑像素大于零，通过平方和的方式可以进一步增大与黑色像素接近的非黑像素距离。但由于人眼判断的黑色并不是一个定值像素，而是一个像素范围。若强制设定像素值为零表示黑色，则人眼判断的黑色也将参与平方和计算，导致平方和增加满足阈值，出现人眼认为的黑边被算法检测为非黑边的情况，这样也会导致检测准确率低的问题。
发明内容
本申请提供了一种图像检测方法、装置、电子设备及存储介质，可以有效地提高黑边检测的准确率，减小黑边检测的复杂度。
第一方面，本申请提供了一种图像检测方法，所述方法包括：
在待检测图像中提取纹理信息，并基于所述纹理信息生成所述待检测图像对应的纹理能量图；
在所述待检测图像中提取颜色信息，并基于所述颜色信息生成所述待检测图像对应的颜色分布图；
基于所述纹理能量图和所述颜色分布图，检测所述待检测图像是否存在黑边。
第二方面，本申请提供了一种图像检测装置，所述装置包括：纹理能量图生成模块、颜色分布图生成模块和检测模块；其中，
所述纹理能量图生成模块，用于在待检测图像中提取纹理信息，并基于所述纹理信息生成所述待检测图像对应的纹理能量图；
所述颜色分布图生成模块，用于在所述待检测图像中提取颜色信息，并基于所述颜色信息生成所述待检测图像对应的颜色分布图；
所述检测模块，用于基于所述纹理能量图和所述颜色分布图，检测所述待检测图像是否存在黑边。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的图像检测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的图像检测方法。
本申请实施例提供了一种图像检测方法、装置、电子设备和存储介质，基于图像纹理信息生成纹理能量图和基于图像颜色信息生成颜色分布图，通过融合纹理能量图和颜色分布图，检测待检测图像是否存在黑边。本申请实施例可以有效地提高黑边检测的准确率，减小黑边检测的复杂度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例提供的图像检测方法的第一流程示意图；
图2是本申请实施例提供的图像检测方法的第二流程示意图；
图3是本申请实施例提供的图像检测方法的第三流程示意图；
图4是本申请实施例提供的图像检测方法的第四流程示意图；
图5是本申请实施例提供的图像检测装置的结构示意图；
图6是用来实现本申请实施例的图像检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例提供的图像检测方法的第一流程示意图，该方法可以由图像检测装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，图像检测方法可以包括以下步骤：
S101、在待检测图像中提取纹理信息，并基于纹理信息生成待检测图像对应的纹理能量图。
在本申请的具体实施例中，待检测图像可为单张图像或者视频中的每一帧图像。图像纹理是一种反映图像中同质现象的视觉特征，通过像素及其周围空间邻域的灰度分布来表现。图像纹理信息体现了图像中物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。在待检测图像中提取图像的纹理信息，并基于纹理信息生成待检测图像对应的纹理能量图。其中，通过一定的图像处理技术生成图像的纹理能量图，可用于对图像纹理的定量或定性的描述。示例性的，若一个视频图像存在黑边区域，相应的，则其黑边区域的纹理信息就很少。如果视频图像中某个位置的图像纹理信息越丰富，则该位置为非黑边位置；如果视频图像中某个位置的图像纹理信息越少，则该位置为黑边位置。
S102、在待检测图像中提取颜色信息，并基于颜色信息生成待检测图像对应的颜色分布图。
在本申请的具体实施例中，与其他的视觉特征相比，颜色特征对图像本身的尺寸、方向、视角的依赖性较小，具有较高的鲁棒性。因而，图像的颜色信息是图像检测中应用最广泛的视觉特征。在待检测图像中提取颜色信息。可选的，颜色信息的表达模式可以是RGB颜色空间、CMY颜色空间、LAB颜色空间、HSV颜色空间、HSL颜色空间等。其中，数字图像颜色信息是以RGB颜色空间呈现。基于图像的颜色信息生成待检测图像对应的颜色分布图。颜色分布图可用于反映图像颜色的统计分布和基本色调。
S103、基于纹理能量图和颜色分布图，检测待检测图像是否存在黑边。
在本申请的具体实施例中，通过融合纹理信息和颜色信息得到融合特征，然后通过融合特征的轮廓信息获取黑边位置信息，最后判断是否展现视频图像。可选的，是否展现视频图像的判断依据可以是黑边面积占比视频图像面大小。
本实施例提供的技术方案，先在待检测图像中提取纹理信息，并基于纹理信息生成待检测图像对应的纹理能量图；然后在待检测图像中提取颜色信息，并基于颜色信息生成待检测图像对应的颜色分布图；再基于纹理能量图和颜色分布图，检测待检测图像是否存在黑边。也就是说，本申请可以针对待检测图像分别生成纹理能量图和颜色分布图，然后基于纹理能量图和颜色分布图进行黑边检测。而在现有的图像检测方法中，采用统计黑色像素数量或者基于像素平方和的方式检测黑边图像，检测准确率低。因为本申请采用了针对待检测图像分别生成纹理能量图和颜色分布图，然后基于纹理能量图和颜色分布图进行黑边检测的技术手段，克服了现有技术中采用统计黑色像素数量或者基于像素平方和的方式导致检测准确率低的技术问题，本申请提供的技术方案，不仅有效地提高黑边检测的准确率，减小黑边检测的复杂度；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
图2是本申请实施例提供的图像检测方法的第二流程示意图。本申请实施例是在上述实施例的基础上进行优化。可选的，本实施例对纹理能量图生成过程进行详细的解释说明。如图2所示，本实施例提供的图像检测方法包括但不限于如下步骤：
S201、计算待检测图像在水平方向上的梯度和在垂直方向上的梯度。
在本申请的具体实施例中，预设方法为计算图像梯度的预设方法。可选的，获得某点的梯度可以采用向前差商、向后差商或者中心差商的方法。图像可以被看成二维离散函数，图像梯度其实就是对这个二维离散函数的求导。图像在水平方向上的梯度表示水平方向图像像素值大小的变化率；图像在垂直方向上的梯度表示垂直方向图像像素值大小的变化率。
S202、根据待检测图像在水平方向上的梯度和在垂直方向上的梯度，以及待检测图像中的每一个像素点的像素值，计算出待检测图像中的每一个像素点的纹理能量值。
在本申请的具体实施例中，电子设备可以根据待检测图像在水平方向上的梯度和在垂直方向上的梯度，以及待检测图像中的每一个像素点的像素值，计算出待检测图像中的每一个像素点的纹理能量值。示例性的，电子设备可以使用梯度模板计算待检测图像的梯度。
其中，表示水平方向梯度模板；表示垂直方向梯度模板。
接下来，电子设备可以对待检测图像进行梯度计算，公式如下：
Gx＝X*I
Gy＝Y*I
其中，Gx表示水平方向梯度；Gy表示垂直方向梯度；表示待检测图像中每一个像素点的像素值。
可以理解的，可以计算待检测图像中的每一个像素点的纹理能量值，公式如下：
E(i,j)＝|Gx(i,j)|+|Gy(i,j)|
其中，E(i,j)表示待检测图像中行为i，列为j的像素点的纹理能量值；Gx(i,j)表示待检测图像中行为i，列为j像素的水平梯度；Gy(i,j)表示待检测图像中行为i，列为j的像素点的垂直梯度。
S203、根据待检测图像中的每一个像素点的纹理能量值，得到待检测图像对应的纹理能量图。
在本申请的具体实施例中，根据上述步骤能够得到待检测图像中的每一个像素点的纹理能量值，电子设备可以得到待检测图像对应的纹理能量图。纹理能量图中每个点值表示该点包含纹理信息的强度。示例性的，如果一个像素点的纹理强度值越小，则该像素点所包含纹理信息越少，该像素点是黑色像素的概率越大；如果一个像素点的纹理强度值越大，则该像素点所包含纹理信息越多，该像素点是非黑色像素的概率越大。
优选的，在生成待检测图像的纹理能量图之前，还可以对图像进行预处理。对待检测图像进行预处理操作的好处在于不仅可以减少噪声的干扰，还可以较好的保持边缘轮廓细节。
可选的，预处理算法可以是中值滤波算法，滤波窗口大小3×3。
进一步的，响应于纹理能量图中存在至少一个孤立点噪声，基于预先确定的腐蚀算子窗口和膨胀算子窗口，在纹理能量图中去除至少一个孤立点噪声，得到去除孤立点噪声后的纹理能量图。由于使用不同的拍摄设备拍摄视频，所生成的视频图像质量也不同，因此，难以避免视频图像存在噪声的现象。噪声的存在对于黑边定位会造成干扰，若不做处理将导致黑边检测准确率低。在本申请的具体实施例中，在生成待检测图像的纹理能量图之前，电子设备可以对图像进行预处理，减少噪声的干扰。此外，如果生成的待检测图像的纹理能量图中存在孤立点噪声，则电子设备可以利用图像形态学算法去除孤立点噪声。例如：电子设备可以采用先腐蚀后膨胀的算法。即先基于腐蚀算子窗口去除孤立点噪声，再基于膨胀算子窗口去除孤立点噪声。可选的，腐蚀算子窗口大小为3×3，膨胀算子的窗口3×3。在纹理能量图中去除孤立点噪声之后，得到去除孤立点噪声后的纹理能量图。
较佳地，电子设备还可以在去除孤立点噪声后的纹理能量图中提取出一个像素点作为当前像素点；响应于当前像素点对应的纹理能量值大于或者等于预先设定的纹理能量阈值，将当前像素点对应的纹理能量值取值为第一纹理能量值；响应于当前像素点对应的纹理能量值小于预先设定的纹理能量阈值，将当前像素点对应的纹理能量值取值为第二纹理能量值；重复执行上述操作，直到将去除孤立点噪声后的纹理能量图中的每一个像素点对应的纹理能量值取值为第一纹理能量值或者第二纹理能量值。
在本申请的具体实施例中，如果一个待检测的视频图像中存在噪声，那么就难以设置合理阈值用于判断视频图像黑边情况。通过上述步骤对图像的纹理能量图进行去除孤立点噪声后，便可设置合适的纹理能量阈值。将当前像素点对应的纹理能量值与预先设定的纹理能量阈值相比较，把每一个像素点取值为第一纹理能量值或者第二纹理能量值。
S204、在待检测图像中提取颜色信息，并基于颜色信息生成待检测图像对应的颜色分布图。
S205、基于纹理能量图和颜色分布图，检测待检测图像是否存在黑边。
本实施例提供的技术方案，先在待检测图像中提取纹理信息，并基于纹理信息生成待检测图像对应的纹理能量图；然后在待检测图像中提取颜色信息，并基于颜色信息生成待检测图像对应的颜色分布图；再基于纹理能量图和颜色分布图，检测待检测图像是否存在黑边。也就是说，本申请可以针对待检测图像分别生成纹理能量图和颜色分布图，然后基于纹理能量图和颜色分布图进行黑边检测。而在现有的图像检测方法中，采用统计黑色像素数量或者基于像素平方和的方式检测黑边图像，检测准确率低。因为本申请采用了针对待检测图像分别生成纹理能量图和颜色分布图，然后基于纹理能量图和颜色分布图进行黑边检测的技术手段，克服了现有技术中采用统计黑色像素数量或者基于像素平方和的方式导致检测准确率低的技术问题，本申请提供的技术方案，不仅有效地提高黑边检测的准确率，减小黑边检测的复杂度；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图3是本申请实施例提供的图像检测方法的第三流程示意图。本申请实施例是在上述实施例的基础上进行优化。可选的，本实施例对颜色分布图生成过程进行详细的解释说明。如图3所示，本实施例提供的图像检测方法包括但不限于如下步骤：
S301、在待检测图像中提取纹理信息，并基于纹理信息生成待检测图像对应的纹理能量图。
S302、将待检测图像在红绿蓝三个颜色通道分别进行归一化处理，得到每一个颜色通道的归一化后的待检测图像。
在本申请的具体实施例中，对待检测图像的图像颜色特征信息进行归一化处理的作用是归纳统计图像颜色信息的分布性。可选的，统计概率分布可以归一化在0-1之间。将待检测图像在红绿蓝三个颜色通道分别进行归一化处理，得到每一个颜色通道的归一化后的待检测图像。
S303、将每一个颜色通道的归一化后的待检测图像进行二值化处理，得到每一个颜色通道的二值化后的待检测图像。
在本申请的具体实施例中，图像二值化是图像分析与处理中最常见最重要的处理手段。可选的，可以采用最大类间方差法、迭代阈值法、P分位法、基于最小误差的全局阈值法、局部阈值法等方法，对每一个颜色通道的归一化后的待检测图像进行二值化处理，得到每一个颜色通道的二值化后的待检测图像。二值处理越精准的方法，计算量也越大。
S304、基于每一个颜色通道的二值化后的待检测图像生成颜色分布图。
在本申请的具体实施例中，融合三个颜色通道的二值化图像得到待检测图像的颜色分布图。其中，颜色分布值的公式如下：
其中，C(i,j)表示图像中行为i，列为j像素的颜色分布值。PR(i,j)表示R通道图像行为i，列为j的像素值，PG(i,j)表示G通道图像行为i，列为j的像素值，PB(i,j)表示B通道图像行为i，列为j的像素值，|表示或操作。
需要说明的，C(i,j)值为1表示该点为非黑色像素点；C(i,j)值为0表示该点位黑色像素点。颜色分布融合多颜色通道信息，较基于理论黑色通过阈值进行视频黑边检测的算法更稳定，准确率更高。
进一步的，基于每一个颜色通道的二值化后的待检测图像生成颜色分布图，包括：在待检测图像提取出一个像素点作为当前像素点；基于每一个颜色通道的二值化后的待检测图像，计算出当前像素点在待检测图像中的颜色分布值；其中颜色分布值包括：第一颜色分布值或者第二颜色分布值；响应于当前像素点对应的颜色分布值为第一颜色分布值，当前像素点的颜色信息为非黑色像素点；响应于当前像素点对应的颜色分布值为第二颜色分布值，当前像素点的颜色信息为黑色像素点；重复执行上述操作，直到确定出待检测图像中的每一个像素点的颜色信息；基于待检测图像中每一个像素点的颜色信息得到颜色分布图。
S305、基于纹理能量图和颜色分布图，检测待检测图像是否存在黑边。
本实施例提供的技术方案，先在待检测图像中提取纹理信息，并基于纹理信息生成待检测图像对应的纹理能量图；然后在待检测图像中提取颜色信息，并基于颜色信息生成待检测图像对应的颜色分布图；再基于纹理能量图和颜色分布图，检测待检测图像是否存在黑边。也就是说，本申请可以针对待检测图像分别生成纹理能量图和颜色分布图，然后基于纹理能量图和颜色分布图进行黑边检测。而在现有的图像检测方法中，采用统计黑色像素数量或者基于像素平方和的方式检测黑边图像，检测准确率低。因为本申请采用了针对待检测图像分别生成纹理能量图和颜色分布图，然后基于纹理能量图和颜色分布图进行黑边检测的技术手段，克服了现有技术中采用统计黑色像素数量或者基于像素平方和的方式导致检测准确率低的技术问题，本申请提供的技术方案，不仅有效地提高黑边检测的准确率，减小黑边检测的复杂度；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例四
图4是本申请实施例提供的图像检测方法的第四流程示意图。本申请实施例是在上述实施例的基础上进行优化。可选的，本实施例对图像黑边检测过程进行详细的解释说明。如图4所示，本实施例提供的图像检测方法包括但不限于如下步骤：
S401、在待检测图像中提取纹理信息，并基于纹理信息生成待检测图像对应的纹理能量图。
S402、在待检测图像中提取颜色信息，并基于颜色信息生成待检测图像对应的颜色分布图。
S403、将纹理能量图和颜色分布图进行融合，得到待检测图像对应的融合特征图。
在本申请的具体实施例中，电子设备可以对纹理信息和颜色信息进行融合，得到融合特征图。可选的，融合方式可以是或操作、且操作等。示例性的，融合方式为或操作时，公式如下：
F(i,j)＝E(i,j)|(i,j)
其中，F(i,j)表示图像中行为i，列为j像素的融合特征，E(i,j)表示图像中行为i，列为j像素的纹理能量值，C(i,j)表示图像中行为i，列为j像素的颜色分布值，|表示或操作。
S404、基于融合特征图确定待检测图像中的非黑色轮廓信息。
在本申请的具体实施例中，电子设备可以基于融合特征图确定待检测图像中的非黑色轮廓信息。具体地，电子设备可以通过融合特征的最小外接矩形确定非黑色像素的轮廓信息。最小外接矩形是指以二维坐标表示的若干二维形状的最大范围。其中，二维形状可以是点、直线、多边形等形状。
S405、基于非黑色轮廓信息检测出待检测图像是否存在黑色轮廓信息。
在本申请的具体实施例中，电子设备可以基于非黑色轮廓信息检测出待检测图像是否存在的黑色轮廓信息。一般情况下，非黑色区域通常处于图像的中心位置；而黑色区域通常处于图像的边缘位置，所以本申请可以基于非黑色轮廓信息检测出待检测图像是否存在的黑色轮廓信息。进一步的，电子设备在得到黑边区域的位置之后，依据黑色区域面积与待检测图像的面积的占比大小，判断待检测图像是否为黑边图像。如果黑边区域的面积相比待检测图像的面积的占比大于或者等于某一预设阈值，那么该待检测图像不会在终端视频平台中展现；如果黑边区域的面积相比待检测图像的面积的占比小于某一预设阈值，那么待检测图像会在终端视频平台中展现。
本实施例提供的技术方案，先在待检测图像中提取纹理信息，并基于纹理信息生成待检测图像对应的纹理能量图；然后在待检测图像中提取颜色信息，并基于颜色信息生成待检测图像对应的颜色分布图；再基于纹理能量图和颜色分布图，检测待检测图像是否存在黑边。也就是说，本申请可以针对待检测图像分别生成纹理能量图和颜色分布图，然后基于纹理能量图和颜色分布图进行黑边检测。而在现有的图像检测方法中，采用统计黑色像素数量或者基于像素平方和的方式检测黑边图像，检测准确率低。因为本申请采用了针对待检测图像分别生成纹理能量图和颜色分布图，然后基于纹理能量图和颜色分布图进行黑边检测的技术手段，克服了现有技术中采用统计黑色像素数量或者基于像素平方和的方式导致检测准确率低的技术问题，本申请提供的技术方案，不仅有效地提高黑边检测的准确率，减小黑边检测的复杂度；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例五
图5是本申请实施例提供的图像检测装置的结构示意图，如图5所示，该装置500可以包括：纹理能量图生成模块501、颜色分布图生成模块502和检测模块503；其中，
所述纹理能量图生成模块501，用于在待检测图像中提取纹理信息，并基于所述纹理信息生成所述待检测图像对应的纹理能量图；
所述颜色分布图生成模块，用于在所述待检测图像中提取颜色信息，并基于所述颜色信息生成所述待检测图像对应的颜色分布图；
所述检测模块，用于基于所述纹理能量图和所述颜色分布图，检测所述待检测图像是否存在黑边。
进一步的，所述纹理能量图生成模块501，具体用于，计算所述待检测图像在水平方向上的梯度和在垂直方向上的梯度；根据所述待检测图像在水平方向上的梯度和在垂直方向上的梯度，以及所述待检测图像中的每一个像素点的像素值，计算出所述待检测图像中的每一个像素点的纹理能量值；根据所述待检测图像中的每一个像素点的纹理能量值，得到所述待检测图像对应的纹理能量图。
进一步的，所述纹理能量图生成模块501，还具体用于，响应于所述纹理能量图中存在至少一个孤立点噪声，基于预先确定的腐蚀算子窗口和膨胀算子窗口，在所述纹理能量图中去除所述至少一个孤立点噪声，得到去除孤立点噪声后的纹理能量图。
进一步的，所述纹理能量图生成模块501，还具体用于，在所述去除孤立点噪声后的纹理能量图中提取出一个像素点作为当前像素点；响应于所述当前像素点对应的纹理能量值大于或者等于预先设定的纹理能量阈值，将所述当前像素点对应的纹理能量值取值为第一纹理能量值；响应于所述当前像素点对应的纹理能量值小于所述预先设定的纹理能量阈值，将所述当前像素点对应的纹理能量值取值为第二纹理能量值；重复执行上述操作，直到将所述去除孤立点噪声后的纹理能量图中的每一个像素点对应的纹理能量值取值为所述第一纹理能量值或者所述第二纹理能量值。
进一步的，所述颜色分布图生成模块502，具体用于，将所述待检测图像在红绿蓝三个颜色通道分别进行归一化处理，得到每一个颜色通道的归一化后的待检测图像；将每一个颜色通道的归一化后的待检测图像进行二值化处理，得到每一个颜色通道的二值化后的待检测图像；基于每一个颜色通道的二值化后的待检测图像生成所述颜色分布图。
进一步的，所述颜色分布图生成模块502，具体用于，在所述待检测图像提取出一个像素点作为当前像素点；基于每一个颜色通道的二值化后的待检测图像，计算出所述当前像素点在所述待检测图像中的颜色分布值；其中，所述颜色分布值包括：第一颜色分布值或者第二颜色分布值；响应于所述当前像素点对应的颜色分布值为所述第一颜色分布值，所述当前像素点的颜色信息为非黑色像素点；响应于所述当前像素点对应的颜色分布值为所述第二颜色分布值，所述当前像素点的颜色信息为黑色像素点；重复执行上述操作，直到确定出所述待检测图像中的每一个像素点的颜色信息；基于所述待检测图像中每一个像素点的颜色信息得到所述颜色分布图。
进一步的，所述检测模块503，具体用于，将所述纹理能量图和所述颜色分布图进行融合，得到所述待检测图像对应的融合特征图；基于所述融合特征图确定所述待检测图像中的非黑色轮廓信息；基于所述非黑色轮廓信息检测出所述待检测图像是否存在黑色轮廓信息。
上述图像检测装置可执行本申请任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任意实施例提供的图像检测方法。
实施例六
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的图像检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的图像检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的图像检测方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的图像检测方法对应的程序指令/模块(例如，附图5所示的纹理能量图生成模块501、颜色分布图生成模块502和检测模块503)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的图像检测方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据图像检测的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至图像检测的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图像检测的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与图像检测的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
根据本申请实施例的技术方案，先在待检测图像中提取纹理信息，并基于纹理信息生成待检测图像对应的纹理能量图；然后在待检测图像中提取颜色信息，并基于颜色信息生成待检测图像对应的颜色分布图；再基于纹理能量图和颜色分布图，检测待检测图像是否存在黑边。也就是说，本申请可以针对待检测图像分别生成纹理能量图和颜色分布图，然后基于纹理能量图和颜色分布图进行黑边检测。而在现有的图像检测方法中，采用统计黑色像素数量或者基于像素平方和的方式检测黑边图像，检测准确率低。因为本申请采用了针对待检测图像分别生成纹理能量图和颜色分布图，然后基于纹理能量图和颜色分布图进行黑边检测的技术手段，克服了现有技术中采用统计黑色像素数量或者基于像素平方和的方式导致检测准确率低的技术问题，本申请提供的技术方案，不仅有效地提高黑边检测的准确率，减小黑边检测的复杂度；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (16)
1.一种图像检测方法，所述方法包括：
在待检测图像中提取纹理信息，并基于所述纹理信息生成所述待检测图像对应的纹理能量图；
在所述待检测图像中提取颜色信息，并基于所述颜色信息生成所述待检测图像对应的颜色分布图；
基于所述纹理能量图和所述颜色分布图，检测所述待检测图像是否存在黑边。
2.根据权利要求1所述的方法，所述基于所述纹理信息生成所述待检测图像对应的纹理能量图，包括：
计算所述待检测图像在水平方向上的梯度和在垂直方向上的梯度；
根据所述待检测图像在水平方向上的梯度和在垂直方向上的梯度，以及所述待检测图像中的每一个像素点的像素值，计算出所述待检测图像中的每一个像素点的纹理能量值；
根据所述待检测图像中的每一个像素点的纹理能量值，得到所述待检测图像对应的纹理能量图。
3.根据权利要求2所述的方法，所述方法还包括：
响应于所述纹理能量图中存在至少一个孤立点噪声，基于预先确定的腐蚀算子窗口和膨胀算子窗口，在所述纹理能量图中去除所述至少一个孤立点噪声，得到去除孤立点噪声后的纹理能量图。
4.根据权利要求3所述的方法，所述方法还包括：
在所述去除孤立点噪声后的纹理能量图中提取出一个像素点作为当前像素点；
响应于所述当前像素点对应的纹理能量值大于或者等于预先设定的纹理能量阈值，将所述当前像素点对应的纹理能量值取值为第一纹理能量值；响应于所述当前像素点对应的纹理能量值小于所述预先设定的纹理能量阈值，将所述当前像素点对应的纹理能量值取值为第二纹理能量值；重复执行上述操作，直到将所述去除孤立点噪声后的纹理能量图中的每一个像素点对应的纹理能量值取值为所述第一纹理能量值或者所述第二纹理能量值。
5.根据权利要求1所述的方法，所述基于所述颜色信息生成所述待检测图像对应的颜色分布图，包括：
将所述待检测图像在红绿蓝三个颜色通道分别进行归一化处理，得到每一个颜色通道的归一化后的待检测图像；
将每一个颜色通道的归一化后的待检测图像进行二值化处理，得到每一个颜色通道的二值化后的待检测图像；
基于每一个颜色通道的二值化后的待检测图像生成所述颜色分布图。
6.根据权利要求5所述的方法，所述基于每一个颜色通道的二值化后的待检测图像生成所述颜色分布图，包括：
在所述待检测图像提取出一个像素点作为当前像素点；
基于每一个颜色通道的二值化后的待检测图像，计算出所述当前像素点在所述待检测图像中的颜色分布值；其中，所述颜色分布值包括：第一颜色分布值或者第二颜色分布值；
响应于所述当前像素点对应的颜色分布值为所述第一颜色分布值，所述当前像素点的颜色信息为非黑色像素点；响应于所述当前像素点对应的颜色分布值为所述第二颜色分布值，所述当前像素点的颜色信息为黑色像素点；重复执行上述操作，直到确定出所述待检测图像中的每一个像素点的颜色信息；
基于所述待检测图像中每一个像素点的颜色信息得到所述颜色分布图。
7.根据权利要求1所述的方法，所述基于所述纹理能量图和所述颜色分布图，检测所述待检测图像是否存在黑边，包括：
将所述纹理能量图和所述颜色分布图进行融合，得到所述待检测图像对应的融合特征图；
基于所述融合特征图确定所述待检测图像中的非黑色轮廓信息；
基于所述非黑色轮廓信息检测出所述待检测图像是否存在黑色轮廓信息。
8.一种图像检测装置，所述装置包括：纹理能量图生成模块、颜色分布图生成模块和检测模块；其中，
所述纹理能量图生成模块，用于在待检测图像中提取纹理信息，并基于所述纹理信息生成所述待检测图像对应的纹理能量图；
所述颜色分布图生成模块，用于在所述待检测图像中提取颜色信息，并基于所述颜色信息生成所述待检测图像对应的颜色分布图；
所述检测模块，用于基于所述纹理能量图和所述颜色分布图，检测所述待检测图像是否存在黑边。
9.根据权利要求8所述的装置，所述纹理能量图生成模块，具体用于，计算所述待检测图像在水平方向上的梯度和在垂直方向上的梯度；根据所述待检测图像在水平方向上的梯度和在垂直方向上的梯度，以及所述待检测图像中的每一个像素点的像素值，计算出所述待检测图像中的每一个像素点的纹理能量值；根据所述待检测图像中的每一个像素点的纹理能量值，得到所述待检测图像对应的纹理能量图。
10.根据权利要求9所述的装置，所述纹理能量图生成模块，还具体用于，响应于所述纹理能量图中存在至少一个孤立点噪声，基于预先确定的腐蚀算子窗口和膨胀算子窗口，在所述纹理能量图中去除所述至少一个孤立点噪声，得到去除孤立点噪声后的纹理能量图。
11.根据权利要求10所述的装置，所述纹理能量图生成模块，还具体用于，在所述去除孤立点噪声后的纹理能量图中提取出一个像素点作为当前像素点；响应于所述当前像素点对应的纹理能量值大于或者等于预先设定的纹理能量阈值，将所述当前像素点对应的纹理能量值取值为第一纹理能量值；响应于所述当前像素点对应的纹理能量值小于所述预先设定的纹理能量阈值，将所述当前像素点对应的纹理能量值取值为第二纹理能量值；重复执行上述操作，直到将所述去除孤立点噪声后的纹理能量图中的每一个像素点对应的纹理能量值取值为所述第一纹理能量值或者所述第二纹理能量值。
12.根据权利要求8所述的装置，所述颜色分布图生成模块，具体用于，将所述待检测图像在红绿蓝三个颜色通道分别进行归一化处理，得到每一个颜色通道的归一化后的待检测图像；将每一个颜色通道的归一化后的待检测图像进行二值化处理，得到每一个颜色通道的二值化后的待检测图像；基于每一个颜色通道的二值化后的待检测图像生成所述颜色分布图。
13.根据权利要求12所述的装置，所述颜色分布图生成模块，具体用于，在所述待检测图像提取出一个像素点作为当前像素点；基于每一个颜色通道的二值化后的待检测图像，计算出所述当前像素点在所述待检测图像中的颜色分布值；其中，所述颜色分布值包括：第一颜色分布值或者第二颜色分布值；响应于所述当前像素点对应的颜色分布值为所述第一颜色分布值，所述当前像素点的颜色信息为非黑色像素点；响应于所述当前像素点对应的颜色分布值为所述第二颜色分布值，所述当前像素点的颜色信息为黑色像素点；重复执行上述操作，直到确定出所述待检测图像中的每一个像素点的颜色信息；基于所述待检测图像中每一个像素点的颜色信息得到所述颜色分布图。
14.根据权利要求8所述的装置，所述检测模块，具体用于，将所述纹理能量图和所述颜色分布图进行融合，得到所述待检测图像对应的融合特征图；基于所述融合特征图确定所述待检测图像中的非黑色轮廓信息；基于所述非黑色轮廓信息检测出所述待检测图像是否存在黑色轮廓信息。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011063232.3A CN112184837A (zh) | 2020-09-30 | 2020-09-30 | 一种图像检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011063232.3A CN112184837A (zh) | 2020-09-30 | 2020-09-30 | 一种图像检测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112184837A true CN112184837A (zh) | 2021-01-05 |
Family
ID=73949288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011063232.3A Pending CN112184837A (zh) | 2020-09-30 | 2020-09-30 | 一种图像检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112184837A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991308A (zh) * | 2021-03-25 | 2021-06-18 | 北京百度网讯科技有限公司 | 一种图像质量的确定方法、装置、电子设备和介质 |
| CN113554573A (zh) * | 2021-09-18 | 2021-10-26 | 上海豪承信息技术有限公司 | 去噪参数调试方法、装置、设备及计算机可读存储介质 |
| CN114612492A (zh) * | 2022-03-30 | 2022-06-10 | 北京百度网讯科技有限公司 | 图像边框的检测方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU7546996A (en) * | 1995-12-21 | 1997-06-26 | Canon Kabushiki Kaisha | Zone segmentation for image display |
| WO2006062969A1 (en) * | 2004-12-09 | 2006-06-15 | Eastman Kodak Company | Automatically determining acceptability of a digital image |
| CN105913075A (zh) * | 2016-04-05 | 2016-08-31 | 浙江工业大学 | 一种基于脉冲耦合神经网络的内窥图像中病灶识别方法 |
| CN105975939A (zh) * | 2016-05-06 | 2016-09-28 | 百度在线网络技术（北京）有限公司 | 视频检测方法和装置 |
| 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 |
-
2020
- 2020-09-30 CN CN202011063232.3A patent/CN112184837A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU7546996A (en) * | 1995-12-21 | 1997-06-26 | Canon Kabushiki Kaisha | Zone segmentation for image display |
| WO2006062969A1 (en) * | 2004-12-09 | 2006-06-15 | Eastman Kodak Company | Automatically determining acceptability of a digital image |
| CN105913075A (zh) * | 2016-04-05 | 2016-08-31 | 浙江工业大学 | 一种基于脉冲耦合神经网络的内窥图像中病灶识别方法 |
| CN105975939A (zh) * | 2016-05-06 | 2016-09-28 | 百度在线网络技术（北京）有限公司 | 视频检测方法和装置 |
| 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 |
Non-Patent Citations (5)
| Title |
|---|
| KUMAR, S等: "An FPGA-based design for a real-time image denoising using approximated fractional integrator", 《MULTIDIMENSIONAL SYSTEMS AND SIGNAL PROCESSING》, 19 February 2020 (2020-02-19), pages 1317 - 1339, XP037236167, DOI: 10.1007/s11045-020-00709-0 * |
| SIVAN GLEICHMAN等: "Detection and Segmentation of Antialiased Text in Screen Images", 《2011 INTERNATIONAL CONFERENCE ON DOCUMENT ANALYSIS AND RECOGNITION》, 3 November 2011 (2011-11-03), pages 1 - 10 * |
| 倪佳: "基于混合特征的单幅图像层次关系判别算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 August 2015 (2015-08-15), pages 138 - 1256 * |
| 汤红忠等: "结合最小颜色通道图与传播滤波的单幅图像去雾算法研究", 《通信学报》, 31 January 2017 (2017-01-31), pages 26 - 34 * |
| 韦玉科;欧阳发;: "基于相邻像素差异值的车牌定位算法", 计算机工程与设计, no. 05, 16 May 2018 (2018-05-16), pages 195 - 200 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991308A (zh) * | 2021-03-25 | 2021-06-18 | 北京百度网讯科技有限公司 | 一种图像质量的确定方法、装置、电子设备和介质 |
| CN112991308B (zh) * | 2021-03-25 | 2023-11-24 | 北京百度网讯科技有限公司 | 一种图像质量的确定方法、装置、电子设备和介质 |
| CN113554573A (zh) * | 2021-09-18 | 2021-10-26 | 上海豪承信息技术有限公司 | 去噪参数调试方法、装置、设备及计算机可读存储介质 |
| CN114612492A (zh) * | 2022-03-30 | 2022-06-10 | 北京百度网讯科技有限公司 | 图像边框的检测方法、装置及电子设备 |
| CN114612492B (zh) * | 2022-03-30 | 2023-01-31 | 北京百度网讯科技有限公司 | 图像边框的检测方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110544258B (zh) | 图像分割的方法、装置、电子设备和存储介质 | |
| CN112184837A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
| US9710109B2 (en) | Image processing device and image processing method | |
| CN110659600B (zh) | 物体检测方法、装置及设备 | |
| CN111291885A (zh) | 近红外图像的生成方法、生成网络的训练方法和装置 | |
| CN111768381A (zh) | 零部件缺陷检测方法、装置及电子设备 | |
| CN111833303A (zh) | 产品的检测方法、装置、电子设备及存储介质 | |
| CN112270745B (zh) | 一种图像生成方法、装置、设备以及存储介质 | |
| CN113691733B (zh) | 视频抖动检测方法、装置、电子设备和存储介质 | |
| CN112669344A (zh) | 一种运动物体的定位方法、装置、电子设备及存储介质 | |
| CN110555838A (zh) | 基于图像的零件故障检测方法及装置 | |
| CN111768356A (zh) | 一种人脸图像融合方法、装置、电子设备及存储介质 | |
| CN112381183A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN111191619B (zh) | 车道线虚线段的检测方法、装置、设备和可读存储介质 | |
| CN111601013A (zh) | 用于处理视频帧的方法和装置 | |
| CN112634366B (zh) | 位置信息的生成方法、相关装置及计算机程序产品 | |
| CN115273184B (zh) | 人脸活体检测模型训练方法及装置 | |
| CN111401248A (zh) | 一种天空区域的识别方法、装置、电子设备及存储介质 | |
| CN112651983B (zh) | 拼接图识别方法、装置、电子设备和存储介质 | |
| CN115937950A (zh) | 一种多角度人脸数据采集方法、装置、设备及存储介质 | |
| CN112991308B (zh) | 一种图像质量的确定方法、装置、电子设备和介质 | |
| CN114005098A (zh) | 高精地图车道线信息的检测方法、装置和电子设备 | |
| CN114897799A (zh) | 用于晶圆的缺陷检测方法、装置、检测设备及存储介质 | |
| CN111832459A (zh) | 目标检测方法、装置、设备以及存储介质 | |
| CN112560678A (zh) | 表情识别方法、装置、设备及计算机存储介质 |
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 |