CN112329889A - 图像处理方法、装置以及电子设备 - Google Patents
图像处理方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN112329889A CN112329889A CN202011356038.4A CN202011356038A CN112329889A CN 112329889 A CN112329889 A CN 112329889A CN 202011356038 A CN202011356038 A CN 202011356038A CN 112329889 A CN112329889 A CN 112329889A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- global
- local
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 abstract description 28
- 238000010586 diagram Methods 0.000 description 14
- 239000013598 vector Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation 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
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
Abstract
本申请实施例公开了一种图像处理方法、装置以及电子设备。方法包括:获取第一图像以及第二图像;获取第一全局特征以及第一局部特征图,第一全局特征为第一图像对应的全局特征,第一局部特征图包括第一图像对应的局部特征;获取第二全局特征以及第二局部特征图,第二全局特征为第二图像对应的全局特征,第二局部特征图包括第二图像对应的局部特征;基于第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定第一图像与第二图像是否相似。从而同时结合第一图像以及第二图像的全局特征以及局部特征进行相似性的检测,使得在进行图像相似检测过程中能够进行更为全面的检测,提升了进行相似检测的准确性。
Description
技术领域
本申请涉及计算机技术领域,更具体地,涉及一种图像处理方法、装置以及电子设备。
背景技术
通常图像都可以有自己的一些特征,进而通过将图像的一些特征进行比对可以获取到一些相似的图像。但是,在相关的获取相似图像的过程中,还存在不能够更为准确的获取到相似图像的问题。
发明内容
鉴于上述问题,本申请提出了一种图像处理方法、装置以及电子设备,以改善上述问题。
第一方面,本申请提供了一种图像处理方法,所述方法包括:获取第一图像以及第二图像;获取第一全局特征以及第一局部特征图,所述第一全局特征为所述第一图像对应的全局特征,所述第一局部特征图包括所述第一图像对应的局部特征;获取第二全局特征以及第二局部特征图,所述第二全局特征为所述第二图像对应的全局特征,所述第二局部特征图包括所述第二图像对应的局部特征;基于所述第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定所述第一图像与第二图像是否相似。
第二方面,本申请提供了一种图像处理方法,所述方法包括:获取第一图像以及第一图像集合;获取第一全局特征以及第一局部特征图,所述第一全局特征为所述第一图像对应的全局特征,所述第一局部特征图包括所述第一图像对应的局部特征;获取所述第一图像集合中每个图像对应的全局特征以及局部特征图;基于所述第一全局特征以及所述第一图像集合中每个图像对应的全局特征,从所述第一图像集合中确定第二图像集合;基于所述第一局部特征图以及所述第二图像集合中每个图像的局部特征图,确定所述第二图像集合中与所述第一图像相似的图像。
第三方面,本申请提供了一种图像处理装置,所述装置包括:图像获取单元,用于获取第一图像以及第二图像;特征获取单元,用于获取第一全局特征以及第一局部特征图,所述第一全局特征为所述第一图像对应的全局特征,所述第一局部特征图包括所述第一图像对应的局部特征;所述特征获取单元,还用于获取第二全局特征以及第二局部特征图,所述第二全局特征为所述第二图像对应的全局特征,所述第二局部特征图包括所述第二图像对应的局部特征;图像比对单元,用于基于所述第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定所述第一图像与第二图像是否相似。
第四方面,本申请提供了一种图像处理装置,所述装置包括:图像获取单元,用于获取第一图像以及第一图像集合;特征获取单元,用于获取第一全局特征以及第一局部特征图,所述第一全局特征为所述第一图像对应的全局特征,所述第一局部特征图包括所述第一图像对应的局部特征;所述特征获取单元,还用于获取所述第一图像集合中每个图像对应的全局特征以及局部特征图;第一图像确定单元,用于基于所述第一全局特征以及所述第一图像集合中每个图像对应的全局特征,从所述第一图像集合中确定第二图像集合;第二图像确定单元,用于基于所述第一局部特征图以及所述第二图像集合中每个图像的局部特征图,确定所述第二图像集合中与所述第一图像相似的图像。
第五方面,本申请提供了一种电子设备,包括处理器以及存储器;一个或多个程序被存储在所述存储器中并被配置为由所述处理器执行以实现上述的方法。
第六方面,本申请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中存储有程序代码,其中,在所述程序代码被启动控制器运行时执行上述的方法。
本申请提供的一种图像处理方法、装置以及电子设备,在获取第一图像和第二图像后,会进一步的获取第一全局特征以及第一局部特征图,以及获取第二全局特征以及第二局部特征图,进而基于所述第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定所述第一图像与第二图像是否相似。从而在判断第一图像和第二图像的相似性的过程中,可以同时结合第一图像以及第二图像的全局特征以及局部特征进行相似性的检测,使得在进行图像相似检测过程中能够进行更为全面的检测,提升了进行相似检测的准确性。
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示出了本申请实施例提出的一种图像处理方法的应用场景的示意图;
图2示出了本申请实施例提出的一种图像处理方法的流程图;
图3示出了图2中S120的一种实施方式包括的流程图;
图4示出了本申请实施例中得到全局特征的示意图;
图5示出了本申请实施例中第一初始特征图中的位置对应特征集合的示意图;
图6示出了本申请实施例中得到局部特征的示意图;
图7示出了图2中S130的一种实施方式包括的流程图;
图8示出了本申请另一实施例提出的一种图像处理方法的流程图;
图9示出了本申请实施例中基于第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定第一图像与第二图像是否相似的流程图;
图10示出了本申请实施例中位置对应的示意图;
图11示出了本申请再一实施例提出的一种图像处理方法的流程图;
图12示出了本申请一实施例提出的一种数据处理装置的结构框图;
图13示出了本申请另一实施例提出的一种数据处理装置的结构框图;
图14示出了本申请再一实施例提出的一种数据处理装置的结构框图;
图15示出了本申请的用于执行根据本申请实施例的图像处理方法的电子设备的结构框图;
图16是本申请实施例的用于保存或者携带实现根据本申请实施例的图像处理方法的程序代码的存储单元。
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作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。
随着图像的增多,存在有更多的关于图像的应用。例如,可以通过将图像所包括的特征进行比对,以判断两个图像之间是否相似,或者以某个图像为基准,从一个图像集合中筛选出与作为基准的图像相似的图像。
然而发明人在研究中发现,在相关的获取相似图像的过程中,还存在不能够更为准确的获取到相似图像的问题。
因此,发明人提出了本申请中可以改善上述问题的图像处理方法、装置以及电子设备,通过在获取第一图像和第二图像后,会进一步的获取第一全局特征以及第一局部特征图,以及获取第二全局特征以及第二局部特征图,进而基于所述第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定所述第一图像与第二图像是否相似。从而在判断第一图像和第二图像的相似性的过程中,可以同时结合第一图像以及第二图像的全局特征以及局部特征进行相似性的检测,使得在进行图像相似检测过程中能够进行更为全面的检测,提升了进行相似检测的准确性。
需要说明的是,本申请实施例所提供的图像处理方法可以运行于手机、平板电脑等电子设备中,也可以运行于服务器中。其中,服务器可以是单个的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云计算、云存储、CDN(Content Delivery Network,内容分发网络)、以及人工智能平台等基础云计算服务的云服务器。其中,在本申请实施例提供的数据处理方法由多个物理服务器构成的服务器集群或者分布式系统执行的情况下,数据处理方法中的不同步骤可以分别由不同的物理服务器执行,或者可以由基于分布式系统构建的服务器基于分布式的方式执行。例如,如图1所示,其中的获取第一图像以及第二图像、以及获取第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图可以单独由服务器110来执行,而后续的步骤则可以由服务器120来执行。
再者,本实施例提供的图像处理方法也可以由电子设备和服务器协同完成。可选的,可以由电子设备来执行获取第一图像以及第二图像,然后电子设备将获取的第一图像以及第二图像发送给服务器,再由服务器来执行后续的获取第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,以及基于所述第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定所述第一图像与第二图像是否相似,而服务器在得到相似判断结果后,可以将判断结果再返回给电子设备。
下面将结合附图具体描述本申请的各实施例。
请参阅图2,本申请实施例提供的一种图像处理方法,所述方法包括:
S110:获取第一图像以及第二图像。
其中,第一图像和第二图像为进行相似性比对的图像。需要说明的是,本实施例提供的图像处理方法可以运行在多种场景下,对应的,在不同的场景下获取第一图像和第二图像的方式不同。
可选的,本实施例提供的图像处理方法可以运行于网络信息搜索场景中。在这种场景中,用户可以输入一种图像,进而搜索出与该输入的图像相似的图像。对应的,可以将用户输入的图像作为第一图像,而将当前与该第一图像进行相似比对的图像作为第二图像。可选的,本实施例提供的图像处理方法可以运行于图像管理程序中,在这种场景中,可以将用户从图像管理程序中选择的图像作为第一图像,而将除了被选择的图像以外的图像作为第二图像。
S120:获取第一全局特征以及第一局部特征图,所述第一全局特征为所述第一图像对应的全局特征,所述第一局部特征图包括所述第一图像对应的局部特征。
其中,全局特征可以理解为从整体上表征图像内容的特征,对应的,局部特征可以理解为从图像的局部表征图像内容的特征。
作为一种方式,如图3所示,所述获取第一全局特征以及第一局部特征图,包括:
S121:将所述第一图像输入到目标神经网络,获取所述目标神经网络输出的特征图作为第一初始特征图。可选的,该目标神经网络可以为CNN(Convolutional NeuralNetworks)网络。其中,本实施例中的目标神经网络可以为已经在其他任务中训练好的模型,如分类模型、分割模型等。
S122:对于所述初始特征图进行全局平均池化处理,得到第一全局特征。
可选的,可以基于下列公式来进行全局平均池化处理,该公式为:
其中,F(i,j)表示位置(i,j)处的特征向量,w表示初始特征图的宽,h表示初始特征图的高。以尺寸为w*h*d的初始特征图F为例,其中,w表示初始特征图的宽,h表示初始特征图的高,d表示初始特征图的通道数。如图4所示,尺寸为w*h*d的初始特征图F经过全局平均池化处理可以得到尺寸为1*d的全局图像特征G作为第一全局特征。
S123:获取所述初始特征图中多个位置各自对应的特征集合,每个所述位置对应的特征集合包括每个位置的特征,以及每个位置的相邻位置的特征。
作为一种方式,该多个位置可以为初始特征图中的每个位置。需要说明的是,初始特征图可以对应有通道维度,那么每个位置(i,j)的信息包含每个个通道的颜色信息。示例性的,如图5所示,如图5所示的初始特征图10,其中示例性的展示为其中的位置a到位置i(初始特征图10还可以包括有位置a到位置i以外的其他位置),其中,对于位置a而言,相邻位置包括位置b、位置e以及位置d,示例性的,对于位置e而言,相邻位置包括位置a、位置b、位置c、位置f、位置i、位置h、位置g、位置d。
S124:对每个所述位置各自对应的特征集合进行平均处理,得到每个所述位置对应的局部特征。
S125:基于所述每个所述位置对应的局部特征得到所述第一局部特征图。
如图6所示,若第一图像的尺寸为W*H*3,那么经过目标神经网络处理后,可以得到尺寸为w*h*d的初始特征图F,然后可以获取位置(i,j)的特征集合,然后对该位置(i,j)的特征集合进行局部领域求均值(即进行平均处理),可以得到尺寸为1*d的局部特征,进而将每个位置对应的尺寸为1*d的局部特征进行集合则可以得到尺寸为W*H*3的第一图像对应的第一局部特征图。
其中,需要说明的是,每个所述位置对应的局部特征也可以理解为每个位置的局部特征向量,可选的,可以通过下列公式来计算得到每个位置的局部特征向量,该公式为:
其中,F(u,v)表示位置(u,v)处的特征向量,M表征位置(u,v)对应的相邻位置的数量。
S130:获取第二全局特征以及第二局部特征图,所述第二全局特征为所述第二图像对应的全局特征,所述第二局部特征图包括所述第二图像对应的局部特征。
作为一种方式,如图7所示,所述获取第二全局特征以及第二局部特征图,包括:
S131:将所述第二图像输入到目标神经网络,获取所述目标神经网络输出的特征图作为第二初始特征图。
S132:对于所述第二初始特征图进行全局平均池化处理,得到第二全局特征。
S133:获取所述第二初始特征图中多个位置各自对应的特征集合,每个所述位置对应的特征集合包括每个位置的特征,以及每个位置的相邻位置的特征。
S134:对每个所述位置各自对应的特征集合进行平均处理,得到每个所述位置对应的局部特征。
S135:基于所述每个所述位置对应的局部特征得到所述第二局部特征图。
需要说明的是,从第二图像输入到目标神经网络到得到第二全局特征以及第二局部特征图的原理与前述的得到第一全局特征以及第一局部特征图的原理相同,本实施例就不再赘述。
S140:基于所述第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定所述第一图像与第二图像是否相似。
在本实施例中,可以通过基于第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图来确定第一图像和第二图像是否相似。可选的,可以将第一全局特征和第二全局特征进行比对,而将第一局部特征图和第二局部特征图进行比对,进而在第一全局特征和第二全局特征之间满足一定条件,且第一局部特征图和第二局部特征图也满足一定条件的情况下,确定第一图像与第二图像相似,进而可以在图像相似比对的过程中,可以更为全面的进行特征比对,以便提升准确性。
本实施例提供的一种图像处理方法,在获取第一图像和第二图像后,会进一步的获取第一全局特征以及第一局部特征图,以及获取第二全局特征以及第二局部特征图,进而基于所述第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定所述第一图像与第二图像是否相似。从而在判断第一图像和第二图像的相似性的过程中,可以同时结合第一图像以及第二图像的全局特征以及局部特征进行相似性的检测,使得在进行图像相似检测过程中能够进行更为全面的检测,提升了进行相似检测的准确性。
请参阅图8,本申请实施例提供的一种图像处理方法,所述方法包括:
S210:获取第一图像以及第二图像。
S220:获取第一全局特征以及第一局部特征图,所述第一全局特征为所述第一图像对应的全局特征,所述第一局部特征图包括所述第一图像对应的局部特征。
S230:获取第二全局特征以及第二局部特征图,所述第二全局特征为所述第二图像对应的全局特征,所述第二局部特征图包括所述第二图像对应的局部特征。
S240:若第一全局特征与所述第二全局特征满足第一相似条件,且所述第一局部特征图与所述第二局部特征图满足第二相似条件,确定所述第一图像与第二图像相似。
其中,作为一种方式,在获取到第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图以后,可以基于下图所示的流程来确定第一图像和第二图像是否相似,如图9所示,该流程包括:
S250:检测所述第一全局特征与所述第二全局特征是否满足第一相似条件。
S251:若第一全局特征与所述第二全局特征不满足所述第一相似条件,确定所述第一图像与第二图像不相似。
需要说明的是,在本实施例中全局特征可以理解为一个表征图像的整体特征的向量。在本实施例中局部特征图中会包括有图像的多个区域各自的局部特征,也就是说,在局部特征图中会包括有多个局部特征。那么对应的第一全局特征则可以理解为表征第一图像的整体特征的向量,而第一局部特征图则会包括有多个表征第一图像中多个位置各自对应的局部特征。对应的,第二全局特征则可以理解为表征第二图像的整体特征的向量,而第二局部特征图则会包括有多个表征第二图像中多个位置各自对应的局部特征。
那么在基于全局特征进行相似比对的过程中,则可以理解为是比对两个向量之间的距离,在基于局部特征图进行相似比对的过程中,则会是基于多个特征向量进行比对,那么可以确定的是因为所需比对的特征的数量更多,基于局部特征进行相似性比对相比于基于全局特征进行相似比对则会更为消耗时间以及计算资源。那么为了避免资源的浪费,则可以在对比第一图像和第二图像的相似性的过程中,可以先基于第一全局特征与所述第二全局特征进行比对,即先确定第一全局特征与所述第二全局特征是否满足第一相似条件。
若确定第一全局特征与所述第二全局特征满足所述第一相似条件,那么则初步确定第一图像和第二图像是很有可能相似的,进而为了进一步的确认是否真的相似,则可以基于第一局部特征图和第二局部特征图进行比对。对应的,若确定第一全局特征与所述第二全局特征不满足所述第一相似条件,则可以直接确定第一图像与第二图像不相似。
S252:若第一全局特征与所述第二全局特征满足第一相似条件,检测所述第一局部特征图与所述第二局部特征图是否满足第二相似条件;
S253:若所述第一局部特征图与所述第二局部特征图满足第二相似条件,确定所述第一图像与第二图像相似。
S254:若第一局部特征图与所述第二局部特征图不满足第二相似条件,确定所述第一图像与第二图像不相似。
其中,可选的,若第一全局特征与所述第二全局特征之间的距离小于第一距离阈值,确定所述第一全局特征与所述第二全局特征满足第一相似条件。其中,作为一种方式,可以基于欧氏距离或者余弦距离来计算第一全局特征与所述第二全局特征之间的距离。在本实施例中,可以基于下列公式来计算第一全局特征与第二全局特征之间的距离,该公式为:
DG=||G1-G2||2
其中,DG表征所计算出的第一全局特征与第二全局特征之间的距离,G1表征第一全局特征,G2表征第二全局特征。
可选的,计算第一局部特征图与第二局部特征图是否满足第二相似条件可以包括:
计算相互对应的第一局部特征以及第二局部特征之间的特征距离,所述第一局部特征为所述第一局部特征图包括的局部特征,所述第二局部特征为所述第二局部特征图包括的局部特征。
需要说明的是,第一局部特征图是由前述第一初始特征图中的多个位置各自对应的局部特征组合得到的。对应的,第二局部特征图是由前述第二初始特征图中的多个位置各自对应的局部特征组合得到的。可选的,可以基于坐标来标识第一初始特征图以及第二初始特征图中的位置,进而可以将对应坐标相同的位置作为相互对应的位置。示例的,第一局部特征图的位置(i1,j1),和第二局部特征图的位置(i1,j1)的坐标均为(i1,j1),那么则第一局部特征图中的位置(i1,j1)和第二局部特征图中的位置(i1,j1)为位置相互对应的两个位置。对应的,相互对应的两个位置各自所对应的局部特征,则为对应的局部特征。那么相互对应的第一局部特征以及第二局部特征,可以理解为该第一局部特征对应的位置,和该第二局部特征对应的位置是相互对应。
如图10所示,示处了第一初始特征图20以及第二初始特征图30,其中,第一初始特征图20的位置21的坐标为(1,1),第二初始特征图30的位置31对应的坐标也为(1,1),因为位置21在第一初始特征图20中的坐标和位置31在第二初始特征图30中的坐标是相同的,那么位置21和位置征31为对应的位置,进而位置21所对应的第一局部特征,与位置31所对应的第一局部特征为对应的第一局部特征以及第二局部特征。
那么作为一种方式,在第一图像和第二图像的尺寸相同的情况下,第一初始特征图和第二初始特征图的尺寸也是相同的。那么对于第一初始特征图中的每个位置都会在第二初始特征图中有对应的位置。
作为一种方式,可以基于下列公式来计算相互对应的第一局部特征以及第二局部特征之间的特征距离,该公式为:
DL(i,j)=||L1(i,j)-L2(i,j)||2
其中,L1(i,j)表征第一初始特征图中位置(i,j)处对应的局部特征。L2(i,j)表征第二初始特征图中位置(i,j)处对应的局部特征。
将对应的所述特征距离小于第二距离阈值的第一局部特征作为目标局部特征。
如前述内容所示,在第一初始特征图中的每个位置在第二初始特征图中有对应的位置的情况下,可以计算得到第一初始特征图中的每个位置对应的第一局部特征所对应的特征距离。其中,第一局部特征所对应的特征距离可以理解为第一局部特征与位置对应的第二局部特征之间的特征距离。
若所述目标局部特征的数量与所述第一局部特征图包括的局部特征的数量的比值大于比例阈值,确定所述第一局部特征图与所述第二局部特征图满足第二相似条件。
其中,可以基于下列公式来计算该比值,该公式为:
其中,NL表征目标局部特征的数量,w表征第一初始特征图的宽度,h为第一初始特征图的高度。可选的,该R可以为0.6。
需要说明的是,第一初始特征图的宽度与第一初始特征图的高度的乘积则表征的是第一初始特征图中位置的数量,在每个位置都对应有一个局部特征的情况下,第一局部特征图包括的局部特征的数量则为第一初始特征图中位置的数量。
需要说明的是,作为一种方式,所述获取第一全局特征以及第一局部特征图之前还包括:若第一图像和第二图像的尺寸不同,将所述第一图像以及第二图像的尺寸更新为相同。
本申请提供的一种图像处理方法,在获取第一图像和第二图像后,会进一步的获取第一全局特征以及第一局部特征图,以及获取第二全局特征以及第二局部特征图,进而基于所述第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定所述第一图像与第二图像是否相似。从而在判断第一图像和第二图像的相似性的过程中,可以同时结合第一图像以及第二图像的全局特征以及局部特征进行相似性的检测,使得在进行图像相似检测过程中能够进行更为全面的检测,提升了进行相似检测的准确性。并且,在本实施例中,可以是先基于第一全局特征和第二全局特征来初步确定第一图像和第二图像相似的可能性,进而在第一全局特征与所述第二全局特征满足第一相似条件后,再检测所述第一局部特征图与所述第二局部特征图是否满足第二相似条件,以提升计算资源的有效利用率。
请参阅图11,本申请实施例提供的一种图像处理方法,所述方法包括:
S310:获取第一图像以及第一图像集合。
其中,第一图像集合为进行图像相似匹配的图像所在的集合。在本实施例中,可以第一图像集合中的图像与第一图像进行匹配,以获取到第一图像集合中与第一图像相似的图像。
S320:获取第一全局特征以及第一局部特征图,所述第一全局特征为所述第一图像对应的全局特征,所述第一局部特征图包括所述第一图像对应的局部特征。
S330:获取所述第一图像集合中每个图像对应的全局特征以及局部特征图。
可选的,可以基于前述获取第一全局特征以及第一局部特征图的方式,来获取到第一图像集合中每个图像对应的全局特征以及局部特征图。
S340:基于所述第一全局特征以及所述第一图像集合中每个图像对应的全局特征,从所述第一图像集合中确定第二图像集合。
需要说明的是,在本实施例中,可以将第一图像集合中的每个图像对应的全局特征分别与该第一图像的第一全局特征进行比对,进而将对应的比对结果满足前述第一相似条件的全局特征对应的图像组合为第二图像集合。示例性的,第一图像集合中包括有图像A、图像B以及图像C,其中,图像A对应的全局特征为全局特征t1,图像B对应的全局特征为全局特征t2,图像C对应的全局特征为全局特征t3。那么将该全局特征t1与第一全局特征进行比对,那么该比对结果对应的全局特征为该全局特征t1,该全局特征t1对应的图像为图像A。
S350:基于所述第一局部特征图以及所述第二图像集合中每个图像的局部特征图,确定所述第二图像集合中与所述第一图像相似的图像。
在得到第二图像集合后,则可以将第二图像集合中每个图像的局部特征图与第一局部特征图进行比对,进而将对应的比对结果满足前述第二相似条件的局部特征图对应的图像作为与所述第一图像相似的图像。示例性的,第一图像集合中包括有图像A、图像B以及图像C,而筛选出的第二图像集合包括有图像B以及图像C,那么若对应的比对结果满足前述第二相似条件的局部特征图对应的图像为图像B,则可以确定图像B为与第一图像相似的图像。
本申请提供的一种图像处理方法,在获取第一图像和第二图像后,会进一步的获取第一全局特征以及第一局部特征图,以及获取所述第一图像集合中每个图像对应的全局特征以及局部特征图,进而基于所述第一全局特征以及所述第一图像集合中每个图像对应的全局特征,从所述第一图像集合中确定第二图像集合,然后再基于所述第一局部特征图以及所述第二图像集合中每个图像的局部特征图,确定所述第二图像集合中与所述第一图像相似的图像。
从而在以第一图像为基准从第一图像集合中筛选与第一图像相似的图像的过程中,可以基于第一全局特征与第一图像集合中每个图像对应的全局特征进行初步的筛选,得到第二图像集合,以便可以更为快速的排除掉第一图像集合中实际与第一图像不相似的图像,进而再基于第一局部特征图以及所述第二图像集合中每个图像的局部特征,确定所述第二图像集合中与所述第一图像相似的图像,从而使得可以在相对更小的范围内基于图像的局部特征来确定实际相似的图像。
请参阅图12,本申请实施例提供的一种图像处理装置400,所述装置400包括:
图像获取单元410,用于获取第一图像以及第二图像。
特征获取单元420,用于获取第一全局特征以及第一局部特征图,所述第一全局特征为所述第一图像对应的全局特征,所述第一局部特征图包括所述第一图像对应的局部特征。
所述特征获取单元420,还用于获取第二全局特征以及第二局部特征图,所述第二全局特征为所述第二图像对应的全局特征,所述第二局部特征图包括所述第二图像对应的局部特征。
作为一种方式,特征获取单元420,具体用于将所述第一图像输入到目标神经网络,获取所述目标神经网络输出的特征图作为初始特征图;对于所述初始特征图进行全局平均池化处理,得到第一全局特征;获取所述初始特征图中多个位置各自对应的特征集合,每个所述位置对应的特征集合包括每个位置的特征,以及每个位置的相邻位置的特征;对每个所述位置各自对应的特征集合进行平均处理,得到每个所述位置对应的局部特征;基于所述每个所述位置对应的局部特征得到所述第一局部特征图。
作为一种方式,特征获取单元420,具体用于将所述第二图像输入到目标神经网络,获取所述目标神经网络输出的特征图作为第二初始特征图;对于所述第二初始特征图进行全局平均池化处理,得到第二全局特征;获取所述第二初始特征图中多个位置各自对应的特征集合,每个所述位置对应的特征集合包括每个位置的特征,以及每个位置的相邻位置的特征;对每个所述位置各自对应的特征集合进行平均处理,得到每个所述位置对应的局部特征;基于所述每个所述位置对应的局部特征得到所述第二局部特征图。
图像比对单元430,用于基于所述第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定所述第一图像与第二图像是否相似。
其中,可选的,图像比对单元430,具体用于若第一全局特征与所述第二全局特征满足第一相似条件,且所述第一局部特征图与所述第二局部特征图满足第二相似条件,确定所述第一图像与第二图像相似。
可选的,图像比对单元430,具体用于若第一全局特征与所述第二全局特征满足第一相似条件,检测所述第一局部特征图与所述第二局部特征图是否满足第二相似条件;若第一全局特征与所述第二全局特征不满足所述第一相似条件,确定所述第一图像与第二图像不相似。
作为一种方式,图像比对单元430,具体用于若第一全局特征与所述第二全局特征之间的距离小于第一距离阈值,确定所述第一全局特征与所述第二全局特征满足第一相似条件。
作为一种方式,图像比对单元430,具体用于计算相互对应的第一局部特征以及第二局部特征之间的特征距离,所述第一局部特征为所述第一局部特征图包括的局部特征,所述第二局部特征为所述第二局部特征图包括的局部特征;将对应的所述特征距离小于第二距离阈值的第一局部特征作为目标局部特征;若所述目标局部特征的数量与所述第一局部特征图包括的局部特征的数量的比值大于比例阈值,确定所述第一局部特征与所述第二局部特征满足第一相似条件。
如图13所示,所述装置400,还包括:
尺寸处理单元440,用于若第一图像和第二图像的尺寸不同,将所述第一图像以及第二图像的尺寸更新为相同。
请参阅图14,本申请实施例提供的一种图像处理装置500,所述装置500包括:
图像获取单元510,用于获取第一图像以及第一图像集合;
特征获取单元520,用于获取第一全局特征以及第一局部特征图,所述第一全局特征为所述第一图像对应的全局特征,所述第一局部特征图包括所述第一图像对应的局部特征;
所述特征获取单元520,还用于获取所述第一图像集合中每个图像对应的全局特征以及局部特征图;
第一图像确定单元530,用于基于所述第一全局特征以及所述第一图像集合中每个图像对应的全局特征,从所述第一图像集合中确定第二图像集合;
第二图像确定单元540,用于基于所述第一局部特征图以及所述第二图像集合中每个图像的局部特征图,确定所述第二图像集合中与所述第一图像相似的图像。
本申请提供的一种图像处理装置,在获取第一图像和第二图像后,会进一步的获取第一全局特征以及第一局部特征图,以及获取第二全局特征以及第二局部特征图,进而基于所述第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定所述第一图像与第二图像是否相似。从而在判断第一图像和第二图像的相似性的过程中,可以同时结合第一图像以及第二图像的全局特征以及局部特征进行相似性的检测,使得在进行图像相似检测过程中能够进行更为全面的检测,提升了进行相似检测的准确性。
需要说明的是,本申请中装置实施例与前述方法实施例是相互对应的,装置实施例中具体的原理可以参见前述方法实施例中的内容,此处不再赘述。
下面将结合图15对本申请提供的一种电子设备进行说明。
请参阅图15,基于上述的图像处理方法、装置,本申请实施例还提供的另一种可以执行前述图像处理方法的电子设备200。电子设备200包括相互耦合的一个或多个(图中仅示出一个)处理器102、存储器104以及网络模块106。其中,该存储器104中存储有可以执行前述实施例中内容的程序,而处理器102可以执行该存储器104中存储的程序。
其中,处理器102可以包括一个或者多个用于处理数据的核。处理器102利用各种接口和线路连接整个电子设备200内的各个部分,通过运行或执行存储在存储器104内的指令、程序、代码集或指令集,以及调用存储在存储器104内的数据,执行电子设备200的各种功能和处理数据。可选地,处理器102可以采用数字信号处理(Digital SignalProcessing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器102可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics ProcessingUnit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器102中,单独通过一块通信芯片进行实现。
存储器104可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器104可用于存储指令、程序、代码、代码集或指令集。存储器104可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储终端100在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
所述网络模块106用于接收以及发送电磁波,实现电磁波与电信号的相互转换,从而与通讯网络或者其他设备进行通讯,例如和音频播放设备进行通讯。所述网络模块106可包括各种现有的用于执行这些功能的电路元件,例如,天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块(SIM)卡、存储器等等。所述网络模块106可与各种网络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与其他设备进行通讯。上述的无线网络可包括蜂窝式电话网、无线局域网或者城域网。例如,网络模块106可以与基站进行信息交互。
请参考图16,其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读介质1100中存储有程序代码,所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质1100可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质1100包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质1100具有执行上述方法中的任何方法步骤的程序代码1110的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码1110可以例如以适当形式进行压缩。
综上所述,本申请提供的一种图像处理方法、装置以及电子设备,在获取第一图像和第二图像后,会进一步的获取第一全局特征以及第一局部特征图,以及获取第二全局特征以及第二局部特征图,进而基于所述第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定所述第一图像与第二图像是否相似。从而在判断第一图像和第二图像的相似性的过程中,可以同时结合第一图像以及第二图像的全局特征以及局部特征进行相似性的检测,使得在进行图像相似检测过程中能够进行更为全面的检测,提升了进行相似检测的准确性。
最后应说明的是:以上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图进行等同替换;而这些修改或者替换,并不驱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。
Claims (13)
1.一种图像处理方法,其特征在于,所述方法包括:
获取第一图像以及第二图像;
获取第一全局特征以及第一局部特征图,所述第一全局特征为所述第一图像对应的全局特征,所述第一局部特征图包括所述第一图像对应的局部特征;
获取第二全局特征以及第二局部特征图,所述第二全局特征为所述第二图像对应的全局特征,所述第二局部特征图包括所述第二图像对应的局部特征;
基于所述第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定所述第一图像与第二图像是否相似。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定所述第一图像与第二图像是否相似,包括:
若第一全局特征与所述第二全局特征满足第一相似条件,且所述第一局部特征图与所述第二局部特征图满足第二相似条件,确定所述第一图像与第二图像相似。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若第一全局特征与所述第二全局特征满足第一相似条件,检测所述第一局部特征图与所述第二局部特征图是否满足第二相似条件;
若第一全局特征与所述第二全局特征不满足所述第一相似条件,确定所述第一图像与第二图像不相似。
4.根据权利要求2或3所述的方法,其特征在于,所述方法还包括:
若第一全局特征与所述第二全局特征之间的距离小于第一距离阈值,确定所述第一全局特征与所述第二全局特征满足第一相似条件。
5.根据权利要求2或3所述的方法,其特征在于,所述方法还包括:
计算相互对应的第一局部特征以及第二局部特征之间的特征距离,所述第一局部特征为所述第一局部特征图包括的局部特征,所述第二局部特征为所述第二局部特征图包括的局部特征;
将对应的所述特征距离小于第二距离阈值的第一局部特征作为目标局部特征;
若所述目标局部特征的数量与所述第一局部特征图包括的局部特征的数量的比值大于比例阈值,确定所述第一局部特征图与所述第二局部特征图满足第二相似条件。
6.根据权利要求1所述的方法,其特征在于,所述获取第一全局特征以及第一局部特征图,包括:
将所述第一图像输入到目标神经网络,获取所述目标神经网络输出的特征图作为第一初始特征图;
对于所述第一初始特征图进行全局平均池化处理,得到第一全局特征;
获取所述第一初始特征图中多个位置各自对应的特征集合,每个所述位置对应的特征集合包括每个位置的特征,以及每个位置的相邻位置的特征;
对每个所述位置各自对应的特征集合进行平均处理,得到每个所述位置对应的局部特征;
基于所述每个所述位置对应的局部特征得到所述第一局部特征图。
7.根据权利要求1所述的方法,其特征在于,所述获取第二全局特征以及第二局部特征图,包括:
将所述第二图像输入到目标神经网络,获取所述目标神经网络输出的特征图作为第二初始特征图;
对于所述第二初始特征图进行全局平均池化处理,得到第二全局特征;
获取所述第二初始特征图中多个位置各自对应的特征集合,每个所述位置对应的特征集合包括每个位置的特征,以及每个位置的相邻位置的特征;
对每个所述位置各自对应的特征集合进行平均处理,得到每个所述位置对应的局部特征;
基于所述每个所述位置对应的局部特征得到所述第二局部特征图。
8.根据权利要求1所述的方法,其特征在于,所述获取第一全局特征以及第一局部特征图之前还包括:
若第一图像和第二图像的尺寸不同,将所述第一图像以及第二图像的尺寸更新为相同。
9.一种图像处理方法,其特征在于,所述方法包括:
获取第一图像以及第一图像集合;
获取第一全局特征以及第一局部特征图,所述第一全局特征为所述第一图像对应的全局特征,所述第一局部特征图包括所述第一图像对应的局部特征;
获取所述第一图像集合中每个图像对应的全局特征以及局部特征图;
基于所述第一全局特征以及所述第一图像集合中每个图像对应的全局特征,从所述第一图像集合中确定第二图像集合;
基于所述第一局部特征图以及所述第二图像集合中每个图像的局部特征图,确定所述第二图像集合中与所述第一图像相似的图像。
10.一种图像处理装置,其特征在于,所述装置包括:
图像获取单元,用于获取第一图像以及第二图像;
特征获取单元,用于获取第一全局特征以及第一局部特征图,所述第一全局特征为所述第一图像对应的全局特征,所述第一局部特征图包括所述第一图像对应的局部特征;
所述特征获取单元,还用于获取第二全局特征以及第二局部特征图,所述第二全局特征为所述第二图像对应的全局特征,所述第二局部特征图包括所述第二图像对应的局部特征;
图像比对单元,用于基于所述第一全局特征、第一局部特征图、第二全局特征以及第二局部特征图,确定所述第一图像与第二图像是否相似。
11.一种图像处理装置,其特征在于,所述装置包括:
图像获取单元,用于获取第一图像以及第一图像集合;
特征获取单元,用于获取第一全局特征以及第一局部特征图,所述第一全局特征为所述第一图像对应的全局特征,所述第一局部特征图包括所述第一图像对应的局部特征;
所述特征获取单元,还用于获取所述第一图像集合中每个图像对应的全局特征以及局部特征图;
第一图像确定单元,用于基于所述第一全局特征以及所述第一图像集合中每个图像对应的全局特征,从所述第一图像集合中确定第二图像集合;
第二图像确定单元,用于基于所述第一局部特征图以及所述第二图像集合中每个图像的局部特征图,确定所述第二图像集合中与所述第一图像相似的图像。
12.一种电子设备,其特征在于,包括处理器以及存储器;
一个或多个程序被存储在所述存储器中并被配置为由所述处理器执行以实现权利要求1-8任一所述的方法或者权利要8所述的方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有程序代码,其中,在所述程序代码被处理器运行时执行权利要求1-7任一所述的方法或者权利要8所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011356038.4A CN112329889A (zh) | 2020-11-26 | 2020-11-26 | 图像处理方法、装置以及电子设备 |
PCT/CN2021/122901 WO2022111070A1 (zh) | 2020-11-26 | 2021-10-09 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011356038.4A CN112329889A (zh) | 2020-11-26 | 2020-11-26 | 图像处理方法、装置以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112329889A true CN112329889A (zh) | 2021-02-05 |
Family
ID=74308072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011356038.4A Pending CN112329889A (zh) | 2020-11-26 | 2020-11-26 | 图像处理方法、装置以及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112329889A (zh) |
WO (1) | WO2022111070A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022111070A1 (zh) * | 2020-11-26 | 2022-06-02 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857889A (zh) * | 2018-12-19 | 2019-06-07 | 苏州科达科技股份有限公司 | 一种图像检索方法、装置、设备及可读存储介质 |
CN109948666A (zh) * | 2019-03-01 | 2019-06-28 | 广州杰赛科技股份有限公司 | 图像相似性识别方法、装置、设备及存储介质 |
CN111522986A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 图像检索方法、装置、设备和介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353062A (zh) * | 2018-12-21 | 2020-06-30 | 华为技术有限公司 | 一种图像检索方法、装置以及设备 |
CN109635141B (zh) * | 2019-01-29 | 2021-04-27 | 京东方科技集团股份有限公司 | 用于检索图像的方法、电子设备和计算机可读存储介质 |
CN112329889A (zh) * | 2020-11-26 | 2021-02-05 | Oppo广东移动通信有限公司 | 图像处理方法、装置以及电子设备 |
-
2020
- 2020-11-26 CN CN202011356038.4A patent/CN112329889A/zh active Pending
-
2021
- 2021-10-09 WO PCT/CN2021/122901 patent/WO2022111070A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857889A (zh) * | 2018-12-19 | 2019-06-07 | 苏州科达科技股份有限公司 | 一种图像检索方法、装置、设备及可读存储介质 |
CN109948666A (zh) * | 2019-03-01 | 2019-06-28 | 广州杰赛科技股份有限公司 | 图像相似性识别方法、装置、设备及存储介质 |
CN111522986A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 图像检索方法、装置、设备和介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022111070A1 (zh) * | 2020-11-26 | 2022-06-02 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022111070A1 (zh) | 2022-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368893B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN109308463B (zh) | 一种视频目标识别方法、装置及设备 | |
CN110738125A (zh) | 利用Mask R-CNN选择检测框的方法、装置及存储介质 | |
WO2018133717A1 (zh) | 图片的二值化方法、装置及终端 | |
WO2022127912A1 (en) | Image segmentation method, network training method, electronic equipment and storage medium | |
CN108875519B (zh) | 对象检测方法、装置和系统及存储介质 | |
CN111782402A (zh) | 数据处理方法、装置以及电子设备 | |
CN111782401A (zh) | 数据处理方法、装置以及电子设备 | |
CN111182332B (zh) | 视频处理方法、装置、服务器及存储介质 | |
CN112214677A (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN112329889A (zh) | 图像处理方法、装置以及电子设备 | |
CN113627298A (zh) | 目标检测模型的训练方法及检测目标对象的方法、装置 | |
WO2022121701A1 (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN111783777A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN111127481A (zh) | 基于tof图像联通区域的图像识别方法及装置 | |
CN112667864B (zh) | 图对齐方法、装置、电子设备及存储介质 | |
CN115272682A (zh) | 目标对象检测方法、目标检测模型的训练方法及电子设备 | |
CN114996578A (zh) | 模型训练方法、目标对象选取方法、装置及电子设备 | |
CN114936395A (zh) | 一种户型图识别方法、装置、计算机设备及存储介质 | |
CN114358102A (zh) | 数据分类方法、装置、设备及存储介质 | |
CN113936231A (zh) | 目标物识别方法、装置以及电子设备 | |
CN113591865A (zh) | 一种回环检测方法、装置以及电子设备 | |
CN111898033A (zh) | 内容推送方法、装置以及电子设备 | |
CN111881912A (zh) | 数据处理方法、装置以及电子设备 | |
CN115424122A (zh) | 图像识别方法、装置以及电子设备 |
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 |