CN112233207A - 图像处理方法、装置、设备和计算机可读介质 - Google Patents
图像处理方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112233207A CN112233207A CN202011108056.0A CN202011108056A CN112233207A CN 112233207 A CN112233207 A CN 112233207A CN 202011108056 A CN202011108056 A CN 202011108056A CN 112233207 A CN112233207 A CN 112233207A
- Authority
- CN
- China
- Prior art keywords
- image
- annotation image
- target
- original
- key points
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
- G06T2207/20—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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了图像处理方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:确定原始图像中的关键点,得到标注有关键点的原始标注图像;将上述原始标注图像与预先标注好关键点和目标点的模板图像对齐,得到标注有关键点和目标点的对齐标注图像;将上述对齐标注图像与上述原始标注图像进行对齐,得到目标标注图像。该实施方式通过将原始标注图像与模板图像对齐,使上述模板图像中的目标点对目标点的预测结果提供了更多约束,进而使预测结果更加准确。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及图像处理方法、装置、设备和计算机可读介质。
背景技术
为了满足用户的需求,一些视频或图像处理软件开发了一种在展示有目标内容的视频帧或图像中添加装饰图像的功能。相关的技术在实现上述功能时仅依靠标注样本训练用于预测装饰图像添加位置的网络,导致向视频帧或图像中添加装饰图像的位置不准确,处理后的图像或视频展示出的效果不好。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了图像处理方法、装置、设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种图像处理方法,该方法包括:确定原始图像中的关键点,得到标注有关键点的原始标注图像;将上述原始标注图像与预先标注好关键点和目标点的模板图像对齐,得到标注有关键点和目标点的对齐标注图像;将上述对齐标注图像与上述原始标注图像进行对齐,得到目标标注图像。
第二方面,本公开的一些实施例提供了一种图像处理装置,装置包括:确定单元,被配置成确定原始图像中的关键点,得到标注有关键点的原始标注图像;第一对齐单元,被配置成将上述原始标注图像与预先标注好关键点和目标点的模板图像对齐,得到标注有关键点和目标点的对齐标注图像;第二对齐单元,被配置成将上述对齐标注图像与上述原始标注图像进行对齐,得到目标标注图像,上述目标标注图。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果:通过将原始标注图像与模板图像对齐,使上述模板图像中的目标点对目标点的预测结果提供了更多约束,进而使预测结果更加准确。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的图像处理方法的一个应用场景的示意图;
图2是根据本公开的图像处理方法的一些实施例的流程图;
图3是根据本公开的图像处理方法的另一些实施例的流程图;
图4是根据本公开的图像处理装置的一些实施例的结构示意图;
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的一些实施例的图像处理方法的一个应用场景的示意图。
在图1所示的应用场景中,计算设备101可以首先确定原始图像102中的关键点,得到标注有关键点的原始标注图像103。在本应用场景中,上述关键点用黑色圆点表示,并标注有编号,具体可以参考图1中附图标记103所指示的内容。之后,将上述原始标注图像103与预先标注好关键点和目标点的模板图像104对齐,得到标注有关键点和目标点的对齐标注图像105。在本应用场景中,上述目标点用白色圆点表示,如图1中附图标记104所指示的内容。最后,将上述对齐标注图像105与上述原始标注图像103进行对齐,得到目标标注图像106。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或电子设备组成的分布式集群,也可以实现成单个服务器或单个电子设备。当计算设备体现为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备101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计算设备101。
继续参考图2,示出了根据本公开的图像处理方法的一些实施例的流程200。该图像处理方法,包括以下步骤:
步骤201,确定原始图像中的关键点,得到标注有关键点的原始标注图像。
在一些实施例中,上述原始图像可以是包含目标内容的任意来源的图像。例如,图像处理方法的执行主体中存储的图像。再如,网络中公开的图像。
在一些实施例中,上述执行主体可以通过将上述原始图像输入到关键点预测网络,得到标注有关键点的原始标注图像。作为示例,上述关键点预测网络可以包括但不限于:Stacked Hourglass(堆积沙漏网络)、Hourglass(沙漏网络)、ExtremeNet(极值网络)、DirectPose(Direct Pose Estimation,姿态估计网络)。
在一些实施例中,上述执行主体还可以通过接收人工输入的标注图像确定上述原始图像中的关键点。
步骤202,将上述原始标注图像与预先标注好关键点和目标点的模板图像对齐,得到标注有关键点和目标点的对齐标注图像。
在一些实施例中,上述执行主体可以使用图像对齐网络将上述原始标注图像与预先标注好关键点和目标点的模板图像对齐。其中,上述图像对齐网络可以是生成对抗网络。在此基础上,上述执行主体可以将上述原始标注图像和上述模板图像输入到上述生成对抗网络中的生成器,得到形变矩阵。对上述原始标注图像中每个像素点的坐标应用上述形变矩阵,即将上述像素点的坐标与上述形变矩阵内积的结果确定为上述像素点在上述对齐标注图像中的坐标,得到上述对齐标注图像。
其中,对上述生成对抗网络的训练可以是将上述样本待对齐标注图像和样本模板标注图像作为上述生成对抗网络中生成器的输入,生成器输出对齐后的样本标注图像。判别器输入为上述样本模板标注图像和上述对齐后的样本标注图像,输出为上述对齐后的样本标注图像与上述样本模板标注图像的相似度。通过设定损失函数并执行梯度下降算法使上述生成对抗网络中判别器的输出高于预设阈值。
在一些实施例的一些可选的实现方式中,上述执行主体还可以首先在上述原始标注图像和上述模板图像中确定第一数目对参考点。其中,参考点的选取可以是随机的,也可以是按照预先设定的编号选取的。之后,基于上述第一数目对参考点,确定坐标转换矩阵。该步骤可以使用图像处理工具中提供的接口完成。例如,OpenCV(open Computer Vision)工具中的findHomography(point1,point2)接口。其中,在本实施例中,函数中的参数point1和point2分别为上述原始标注图像中的第一数目个参考点和上述模板图像中的第一数目个参考点。最后,对上述原始标注图像中每个像素点的坐标应用上述坐标转换矩阵,得到上述对齐标注图像。
步骤203,将上述对齐标注图像与上述原始标注图像进行对齐,得到目标标注图像。
在一些实施例中,上述执行主体可以对上述对齐标注图像中每个像素点的坐标应用上述形变矩阵的逆矩阵。使上述对齐标注图像与上述原始标注图像对齐,得到上述目标标注图像。
在一些实施例的一些可选的实现方式中,上述执行主体还可以对上述对齐标注图像中每个像素点的坐标应用上述坐标变换矩阵的逆矩阵,使上述对齐标注图像与上述原始标注图像对齐,得到上述目标标注图像。
本公开的一些实施例提供的方法通过将原始标注图像与模板图像对齐,使上述模板图像中的目标点对目标点的预测结果提供了更多约束,进而使预测结果更加准确。
进一步参考图3,其示出了图像处理方法的另一些实施例的流程300。该图像处理方法的流程300,包括以下步骤:
步骤301,确定原始图像中的关键点,得到标注有关键点的原始标注图像。
步骤302,将上述原始标注图像与预先标注好关键点和目标点的模板图像对齐,得到标注有关键点和目标点的对齐标注图像。
步骤303,将上述对齐标注图像与上述原始标注图像进行对齐,得到目标标注图像。
在一些实施例中,步骤301-303的具体实现及其所带来的技术效果,可以参考图2对应的实施例中的步骤201-203,在此不再赘述。
步骤304,使用上述目标标注图像训练目标点预测网络。
在一些实施例中,上述目标点预测网络可以包括但不限于Stacked Hourglass(堆积沙漏网络)、Hourglass(沙漏网络)、ExtremeNet(极值网络)、DirectPose(Direct PoseEstimation,姿态估计网络)。
在一些实施例中,上述执行主体可以将上述原始图像输入到上述目标点预测网络得到预测标注图像。之后,根据上述预测标注图像中目标点的坐标、上述目标标注图像中目标点的坐标和预先设定的损失函数,确定上述预测标注图像的损失值。例如,将上述预测标注图像中每个关键点与上述目标标注图像中对应的关键点在同一平面上投影的两点之间的距离之和确定为上述损失值。最后,根据上述损失值调整上述目标点预测网络中的参数。例如,使用梯度下降算法,根据上述损失值调整上述目标点预测网络中的参数。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的图像处理方法的流程300描述的方案通过使用上述目标标注图像训练目标点预测网络,使上述目标点预测网络的预测结果更加准确。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种图像处理装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一些实施例的图像处理装置400包括:确定单元401、第一对齐单元402和第二对齐单元403。其中,确定单元401,被配置成确定原始图像中的关键点,得到标注有关键点的原始标注图像;第一对齐单元402,被配置成将上述原始标注图像与预先标注好关键点和目标点的模板图像对齐,得到标注有关键点和目标点的对齐标注图像;第二对齐单元403,被配置成将上述对齐标注图像与上述原始标注图像进行对齐,得到目标标注图像。
在一些实施例的可选实现方式中,装置400还包括:训练单元,被配置成使用上述目标标注图像训练目标点预测网络。
在一些实施例的可选实现方式中,第一对齐单元402进一步被配置成:在上述原始标注图像中的关键点和上述模板标注图像中的关键点中确定第一数目对参考点;基于上述第一数目对参考点,确定坐标转换矩阵;对上述原始标注图像中每个像素点的坐标应用上述坐标转换矩阵,得到标注有关键点的对齐图像;将上述模板标注图像中的目标点的坐标确定为上述对齐图像中目标点的坐标,得到上述对齐标注图像。
在一些实施例的可选实现方式中,第二对齐单元403进一步被配置成:对上述对齐标注图像中每个像素点的坐标应用上述坐标转换矩阵的逆矩阵,得到上述目标标注图像。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备)500的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、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)、光纤、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。在本公开的一些实施例中,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。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读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该电子设备执行时,使得该电子设备:确定原始图像中的关键点,得到标注有关键点的原始标注图像;将上述原始标注图像与预先标注好关键点和目标点的模板图像对齐,得到标注有关键点和目标点的对齐标注图像;将上述对齐标注图像与上述原始标注图像进行对齐,得到目标标注图像。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括确定单元、第一对齐单元和第二对齐单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,确定单元还可以被描述为“确定关键点的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例,提供了一种图像处理方法,包括:确定原始图像中的关键点,得到标注有关键点的原始标注图像;将上述原始标注图像与预先标注好关键点和目标点的模板图像对齐,得到标注有关键点和目标点的对齐标注图像;将上述对齐标注图像与上述原始标注图像进行对齐,得到目标标注图像。
根据本公开的一个或多个实施例,方法还包括:使用上述目标标注图像训练目标点预测网络。
根据本公开的一个或多个实施例,将上述原始标注图像与预先标注好关键点和目标点的模板图像对齐,得到标注有关键点和目标点的对齐标注图像,包括:在上述原始标注图像中的关键点和上述模板标注图像中的关键点中确定第一数目对参考点;基于上述第一数目对参考点,确定坐标转换矩阵;对上述原始标注图像中每个像素点的坐标应用上述坐标转换矩阵,得到标注有关键点的对齐图像;将上述模板标注图像中的目标点的坐标确定为上述对齐图像中目标点的坐标,得到上述对齐标注图像。
根据本公开的一个或多个实施例,将上述对齐标注图像与上述原始标注图像进行对齐,得到目标标注图像,包括:对上述对齐标注图像中每个像素点的坐标应用上述坐标转换矩阵的逆矩阵,得到上述目标标注图像。
根据本公开的一个或多个实施例,提供了一种图像处理装置,包括:确定单元,被配置成确定原始图像中的关键点,得到标注有关键点的原始标注图像;第一对齐单元,被配置成将上述原始标注图像与预先标注好关键点和目标点的模板图像对齐,得到标注有关键点和目标点的对齐标注图像;第二对齐单元,被配置成将上述对齐标注图像与上述原始标注图像进行对齐,得到目标标注图像,上述目标标注图。
根据本公开的一个或多个实施例,装置还包括:训练单元,被配置成使用上述目标标注图像训练目标点预测网络。
根据本公开的一个或多个实施例,第一对齐单元进一步被配置成:在上述原始标注图像中的关键点和上述模板标注图像中的关键点中确定第一数目对参考点;基于上述第一数目对参考点,确定坐标转换矩阵;对上述原始标注图像中每个像素点的坐标应用上述坐标转换矩阵,得到标注有关键点的对齐图像;将上述模板标注图像中的目标点的坐标确定为上述对齐图像中目标点的坐标,得到上述对齐标注图像。
根据本公开的一个或多个实施例,第二对齐单元进一步被配置成:对上述对齐标注图像中每个像素点的坐标应用上述坐标转换矩阵的逆矩阵,得到上述目标标注图像。
根据本公开的一个或多个实施例,提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述任一的方法。
根据本公开的一个或多个实施例,提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如上述任一的方法。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种图像处理方法,包括:
确定原始图像中的关键点,得到标注有关键点的原始标注图像;
将所述原始标注图像与预先标注好关键点和目标点的模板图像对齐,得到标注有关键点和目标点的对齐标注图像;
将所述对齐标注图像与所述原始标注图像进行对齐,得到目标标注图像。
2.根据权利要求1所述的方法,其中,所述方法还包括:
使用所述目标标注图像训练目标点预测网络。
3.根据权利要求1所述的方法,其中,所述将所述原始标注图像与预先标注好关键点和目标点的模板图像对齐,得到标注有关键点和目标点的对齐标注图像,包括:
在所述原始标注图像中的关键点和所述模板标注图像中的关键点中确定第一数目对参考点;
基于所述第一数目对参考点,确定坐标转换矩阵;
对所述原始标注图像中每个像素点的坐标应用所述坐标转换矩阵,得到标注有关键点的对齐图像;
将所述模板标注图像中的目标点的坐标确定为所述对齐图像中目标点的坐标,得到所述对齐标注图像。
4.根据权利要求3所述的方法,其中,所述将所述对齐标注图像与所述原始标注图像进行对齐,得到目标标注图像,包括:
对所述对齐标注图像中每个像素点的坐标应用所述坐标转换矩阵的逆矩阵,得到所述目标标注图像。
5.一种图像处理装置,包括:
确定单元,被配置成确定原始图像中的关键点,得到标注有关键点的原始标注图像;
第一对齐单元,被配置成将所述原始标注图像与预先标注好关键点和目标点的模板图像对齐,得到标注有关键点和目标点的对齐标注图像;
第二对齐单元,被配置成将所述对齐标注图像与所述原始标注图像进行对齐,得到目标标注图像。
6.根据权利要求5所述的装置,其中,所述装置还包括:
训练单元,被配置成使用所述目标标注图像训练目标点预测网络。
7.根据权利要求5所述的装置,其中,所述第一对齐单元进一步被配置成:
在所述原始标注图像中的关键点和所述模板标注图像中的关键点中确定第一数目对参考点;
基于所述第一数目对参考点,确定坐标转换矩阵;
对所述原始标注图像中每个像素点的坐标应用所述坐标转换矩阵,得到标注有关键点的对齐图像;
将所述模板标注图像中的目标点的坐标确定为所述对齐图像中目标点的坐标,得到所述对齐标注图像。
8.根据权利要求7所述的装置,其中,所述第二对齐单元进一步被配置成:
对所述对齐标注图像中每个像素点的坐标应用所述坐标转换矩阵的逆矩阵,得到所述目标标注图像。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
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如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011108056.0A CN112233207A (zh) | 2020-10-16 | 2020-10-16 | 图像处理方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011108056.0A CN112233207A (zh) | 2020-10-16 | 2020-10-16 | 图像处理方法、装置、设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112233207A true CN112233207A (zh) | 2021-01-15 |
Family
ID=74119084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011108056.0A Pending CN112233207A (zh) | 2020-10-16 | 2020-10-16 | 图像处理方法、装置、设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233207A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563371A (zh) * | 2023-03-28 | 2023-08-08 | 北京纳通医用机器人科技有限公司 | 关键点确定方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040071346A1 (en) * | 2002-07-10 | 2004-04-15 | Northrop Grumman Corporation | System and method for template matching of candidates within a two-dimensional image |
CN103390282A (zh) * | 2013-07-30 | 2013-11-13 | 百度在线网络技术(北京)有限公司 | 图像标注方法及其装置 |
CN105205827A (zh) * | 2015-10-16 | 2015-12-30 | 中科院成都信息技术股份有限公司 | 用于统计形状模型的特征点辅助标注方法 |
CN108027878A (zh) * | 2015-09-21 | 2018-05-11 | 三菱电机株式会社 | 用于面部对齐的方法 |
CN108960136A (zh) * | 2018-06-29 | 2018-12-07 | 杭州西纬软件科技有限公司 | 人脸对齐算法中初始人脸形状的确定方法和装置 |
CN109978063A (zh) * | 2019-03-28 | 2019-07-05 | 厦门美图之家科技有限公司 | 一种生成目标对象的对齐模型的方法 |
CN110856014A (zh) * | 2019-11-05 | 2020-02-28 | 北京奇艺世纪科技有限公司 | 动态图像生成方法、装置、电子设备及存储介质 |
CN111488774A (zh) * | 2019-01-29 | 2020-08-04 | 北京搜狗科技发展有限公司 | 一种图像处理方法、装置和用于图像处理的装置 |
CN111488865A (zh) * | 2020-06-28 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 图像优化方法、装置、计算机存储介质以及电子设备 |
-
2020
- 2020-10-16 CN CN202011108056.0A patent/CN112233207A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040071346A1 (en) * | 2002-07-10 | 2004-04-15 | Northrop Grumman Corporation | System and method for template matching of candidates within a two-dimensional image |
CN103390282A (zh) * | 2013-07-30 | 2013-11-13 | 百度在线网络技术(北京)有限公司 | 图像标注方法及其装置 |
CN108027878A (zh) * | 2015-09-21 | 2018-05-11 | 三菱电机株式会社 | 用于面部对齐的方法 |
CN105205827A (zh) * | 2015-10-16 | 2015-12-30 | 中科院成都信息技术股份有限公司 | 用于统计形状模型的特征点辅助标注方法 |
CN108960136A (zh) * | 2018-06-29 | 2018-12-07 | 杭州西纬软件科技有限公司 | 人脸对齐算法中初始人脸形状的确定方法和装置 |
CN111488774A (zh) * | 2019-01-29 | 2020-08-04 | 北京搜狗科技发展有限公司 | 一种图像处理方法、装置和用于图像处理的装置 |
CN109978063A (zh) * | 2019-03-28 | 2019-07-05 | 厦门美图之家科技有限公司 | 一种生成目标对象的对齐模型的方法 |
CN110856014A (zh) * | 2019-11-05 | 2020-02-28 | 北京奇艺世纪科技有限公司 | 动态图像生成方法、装置、电子设备及存储介质 |
CN111488865A (zh) * | 2020-06-28 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 图像优化方法、装置、计算机存储介质以及电子设备 |
Non-Patent Citations (3)
Title |
---|
JIA GANG ET AL.: "Medical image semantic annotation based on MIL", 《2013 ICME INTERNATIONAL CONFERENCE ON COMPLEX MEDICAL ENGINEERING》, 27 June 2013 (2013-06-27), pages 85 - 89 * |
张重生等: "基于GBDT和HOG特征的人脸关键点定位", 《河南大学学报(自然科学版)》, vol. 48, no. 2, 16 March 2018 (2018-03-16), pages 215 - 220 * |
胡君林: "基于深度学习的图像标注技术研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 7, 15 July 2020 (2020-07-15), pages 138 - 880 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563371A (zh) * | 2023-03-28 | 2023-08-08 | 北京纳通医用机器人科技有限公司 | 关键点确定方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369427B (zh) | 图像处理方法、装置、可读介质和电子设备 | |
CN109829432B (zh) | 用于生成信息的方法和装置 | |
CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN110826567B (zh) | 光学字符识别方法、装置、设备及存储介质 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
CN113313064A (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN111459364B (zh) | 图标更新方法、装置和电子设备 | |
CN111915480A (zh) | 生成特征提取网络的方法、装置、设备和计算机可读介质 | |
CN112257582A (zh) | 脚部姿态确定方法、装置、设备和计算机可读介质 | |
CN112907628A (zh) | 视频目标追踪方法、装置、存储介质及电子设备 | |
CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
CN112752118A (zh) | 视频生成方法、装置、设备及存储介质 | |
CN111209432A (zh) | 信息获取的方法、装置、电子设备及计算机可读介质 | |
CN111915532B (zh) | 图像追踪方法、装置、电子设备及计算机可读介质 | |
CN111669476B (zh) | 水印处理方法、装置、电子设备和介质 | |
CN111311609B (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN112183388A (zh) | 图像处理方法、装置、设备和介质 | |
CN112233207A (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN110705536A (zh) | 汉字识别纠错方法、装置、计算机可读介质及电子设备 | |
CN112764629B (zh) | 增强现实界面展示方法、装置、设备和计算机可读介质 | |
CN112418233B (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN110209851B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN111680754A (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN112241744A (zh) | 图像颜色迁移方法、装置、设备和计算机可读介质 | |
CN112488947A (zh) | 模型训练和图像处理方法、装置、设备和计算机可读介质 |
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 |