CN112488974B - 图像合成方法、装置、计算机设备和存储介质 - Google Patents

图像合成方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112488974B
CN112488974B CN202011450503.0A CN202011450503A CN112488974B CN 112488974 B CN112488974 B CN 112488974B CN 202011450503 A CN202011450503 A CN 202011450503A CN 112488974 B CN112488974 B CN 112488974B
Authority
CN
China
Prior art keywords
image
superposition
map
sample
base 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
Application number
CN202011450503.0A
Other languages
English (en)
Other versions
CN112488974A (zh
Inventor
黄兹檀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Pinwei Software Co Ltd
Original Assignee
Guangzhou Pinwei Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Pinwei Software Co Ltd filed Critical Guangzhou Pinwei Software Co Ltd
Priority to CN202011450503.0A priority Critical patent/CN112488974B/zh
Publication of CN112488974A publication Critical patent/CN112488974A/zh
Application granted granted Critical
Publication of CN112488974B publication Critical patent/CN112488974B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种图像合成方法、装置、计算机设备和存储介质。所述方法包括：获取图像合成素材信息，图像合成素材信息包括底图、用于叠加至底图上的叠加图以及叠加区域位置信息；在根据图像合成素材信息进行图像合成处理之前，获取底图对应的底图矩阵和叠加图对应的叠加图矩阵，获取训练好的图像清晰度预测模型，根据训练好的图像清晰度预测模型对底图矩阵、叠加图矩阵和叠加区域位置信息进行处理，得到图像清晰度预测结果；在图像清晰度预测结果符合预设合成条件时，根据图像合成素材信息进行图像合成处理。采用本方法能够根据图像清晰度预测结果决定是否进行图片合成，可以减少不必要的合成，降低设备资源消耗。

Description

图像合成方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种图像合成方法、装置、计算机设备和存储介质。
背景技术
当今社会，电子商务蓬勃发展，网上商城比比皆是。网上商城一般采用图像来为顾客提供直观清晰的商品展示。展示图像通常由底图和logo图像合成，在图片合成前，需要判断底图和logo图像是否适合进行合成，即合成后的图片是否能够清晰显示logo信息。
现有方法是在底图中取出一个特定区域，获取该特定区域的图像信息，并获取logo图像信息，通过对比该区域的图像信息和logo图像信息确定两者的颜色相似度，再基于预设的相似度阈值判断该logo图像是否适合叠加在底图的该特定区域中。然而，由于相似度阈值一般由人工设置，主观性较强，通过现有方法判断，合成后的图片依然会存在部分图片的logo信息显示不清晰的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种图像合成方法、装置、计算机设备和存储介质，采用图像清晰度预测模型来对底图和叠加图合成处理而得到的合成图片的清晰度进行预测，能够实现预测得到的结果更为准确，进而根据该模型得到的图像清晰度预测结果来决定是否进行图片合成的操作，相比现有技术可以进一步地减少不必要的合成，降低设备资源消耗，更准确高效地解决了图片合成后的新图片出现部分内容展示不清晰的问题。
一种图像合成方法，该方法包括：
获取图像合成素材信息，图像合成素材信息包括底图、用于叠加至底图上的叠加图以及叠加区域位置信息，叠加区域位置信息用于指定叠加图在底图上的叠加区域位置；
在根据图像合成素材信息进行图像合成处理之前，获取底图对应的底图矩阵和叠加图对应的叠加图矩阵，获取训练好的图像清晰度预测模型，根据训练好的图像清晰度预测模型对底图矩阵、叠加图矩阵和叠加区域位置信息进行处理，得到图像清晰度预测结果，图像清晰度预测模型用于预测根据图像合成素材信息进行图形合成处理而得到的合成图像的清晰度是否符合预设合成条件，图像清晰度预测结果用于表征根据图像合成素材信息进行图像合成处理而得到的合成图像的清晰度是否符合预设合成条件；
在图像清晰度预测结果符合预设合成条件时，根据图像合成素材信息进行图像合成处理。
在其中一个实施例中，获取训练好的图像清晰度预测模型的步骤，包括：获取训练好的二分类模型，二分类模型为根据样本数据集进行训练后生成的，样本数据集包括多组样本数据组合以及每组样本数据组合对应的标签信息，每组样本数据组合包括样本底图、样本叠加图和样本叠加区域位置信息，样本叠加区域位置信息用于指定样本叠加图在样本底图上的叠加区域位置。
在其中一个实施例中，根据样本数据集进行训练后生成二分类模型的步骤，包括：
采用主成分分析法对样本数据集中的每组样本数据组合中的样本底图和样本叠加图进行降维处理，得到训练数据集；
通过支持向量机算法对训练数据集进行机器学习训练，生成二分类模型。
在其中一个实施例中，采用主成分分析法对样本数据集中的每组样本数据组合中的样本底图和样本叠加图进行降维处理，得到训练数据集的步骤，包括：
通过主成分分析法对每组样本数据组合中的样本底图和样本叠加图进行降维处理，得到每组样本数据组合中的样本底图对应的样本底图矩阵和样本叠加图对应的样本叠加图矩阵；
根据每组样本数据组合中的样本底图对应的样本底图矩阵、样本叠加图对应的样本叠加图矩阵、样本叠加区域位置信息以及每组样本数据组合对应的标签信息，创建训练数据集。
在其中一个实施例中，获取底图对应的底图矩阵和叠加图对应的叠加图矩阵的步骤，包括：
通过主成分分析法对底图和叠加图进行降维处理，获得底图矩阵和叠加图矩阵。
在其中一个实施例中，在图像清晰度预测结果符合预设合成条件时，根据图像合成素材信息进行图像合成处理的步骤，包括：
在图像清晰度预测结果符合预设合成条件时，根据叠加区域位置信息确定出叠加图在底图上的叠加区域位置，将叠加图叠加至底图的叠加区域位置上，得到合成图像；
优选地，方法还包括：在图像清晰度预测结果不符合预设合成条件时，不对图像合成素材信息进行图像合成处理。
在其中一个实施例中，叠加区域位置信息包括叠加图上的预设点在底图上指定的位置坐标信息；优选地，预设点为叠加图的左上角、左下角、右上角或者右下角的起始点。
一种图像合成装置，该装置包括：
获取模块，用于获取图像合成素材信息，图像合成素材信息包括底图、用于叠加至底图上的叠加图以及叠加区域位置信息，叠加区域位置信息用于指定叠加图在底图上的叠加区域位置；
预测模块，用于在根据图像合成素材信息进行图像合成处理之前，获取底图对应的底图矩阵和叠加图对应的叠加图矩阵，获取训练好的图像清晰度预测模型，根据训练好的图像清晰度预测模型对底图矩阵、叠加图矩阵和叠加区域位置信息进行处理，得到图像清晰度预测结果，图像清晰度预测模型用于预测根据图像合成素材信息进行图形合成处理而得到的合成图像的清晰度是否符合预设合成条件，图像清晰度预测结果用于表征根据图像合成素材信息进行图像合成处理而得到的合成图像的清晰度是否符合预设合成条件；
合成模块，用于在图像清晰度预测结果符合预设合成条件时，根据图像合成素材信息进行图像合成处理。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行该计算机程序时实现上述任一方法的实施例的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一方法的实施例的步骤。
上述图像合成方法、装置、计算机设备和存储介质，首先获取图像合成素材信息，图像合成素材信息包括底图、用于叠加至底图上的叠加图以及叠加区域位置信息，叠加区域位置信息用于指定叠加图在底图上的叠加区域位置；再在根据图像合成素材信息进行图像合成处理之前，获取底图对应的底图矩阵和叠加图对应的叠加图矩阵，获取训练好的图像清晰度预测模型，根据训练好的图像清晰度预测模型对底图矩阵、叠加图矩阵和叠加区域位置信息进行处理，得到图像清晰度预测结果，图像清晰度预测模型用于预测根据图像合成素材信息进行图形合成处理而得到的合成图像的清晰度是否符合预设合成条件，图像清晰度预测结果用于表征根据图像合成素材信息进行图像合成处理而得到的合成图像的清晰度是否符合预设合成条件；在图像清晰度预测结果符合预设合成条件时，根据图像合成素材信息进行图像合成处理。本发明实施例利用图像清晰度预测模型来预测底图和叠加图合成处理而得到的合成图片是否清晰，相比现有技术可以更准确地预测出合成图片的清晰度，进而根据该模型获得的图像清晰度预测结果来决定是否进行图片合成，可以进一步减少不必要的合成，降低设备资源消耗，同时排除了预测合成图片清晰度过程中的主观因素影响，预测结果更准确，能够解决图片合成后的新图片出现部分内容展示不清晰的问题。
附图说明
图1为一个实施例中图像合成方法的应用环境图；
图2为一个实施例中图像合成方法的流程示意图；
图3为一个实施例中训练生成二分类模型步骤的流程示意图；
图4为一个实施例中最优分类超平面示意图；
图5为另一个实施例中图像合成方法的流程示意图；
图6为一个实施例中图像合成装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供一种图像合成方法，在一个实施例中，该图像合成方法可以应用于如图1所示的一种应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104可以通过网络从终端102处获取图像合成素材信息，在根据图像合成素材信息进行图像合成处理之前，服务器104获取底图对应的底图矩阵和叠加图对应的叠加图矩阵，获取训练好的图像清晰度预测模型，根据训练好的图像清晰度预测模型对底图矩阵、叠加图矩阵和叠加区域位置信息进行处理，得到图像清晰度预测结果；在图像清晰度预测结果符合预设合成条件时，服务器104根据图像合成素材信息进行图像合成处理。具体实施场景下，服务器104可以将根据图像合成素材信息进行图形合成处理而得到的合成图像通过网络发送给终端102进行显示。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种图像合成方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，获取图像合成素材信息，图像合成素材信息包括底图、用于叠加至底图上的叠加图以及叠加区域位置信息，叠加区域位置信息用于指定叠加图在底图上的叠加区域位置。
其中，图像合成素材信息指用于合成新图像的图像素材。例如：商城专场图片由底图与logo图片合成，则商城专场图片的图像合成素材信息就包括底图、叠加在底图上的logo图片以及用于指定logo图片在底图上的叠加区域位置的叠加区域位置信息，这里的logo图片即本实施例中所述的叠加图。
具体地，服务器获取底图、用于叠加至底图上的叠加图以及叠加区域位置信息，叠加区域位置信息为叠加图上的一个预设点在底图上指定的位置坐标信息，根据上述一个预设点在底图上指定的位置坐标信息即可确定叠加图在底图上的指定叠加区域位置。为了便于确定叠加图在底图上的指定叠加区域位置，预设点一般选取叠加图的边缘或顶角上的点。
步骤204，在根据图像合成素材信息进行图像合成处理之前，获取底图对应的底图矩阵和叠加图对应的叠加图矩阵，获取训练好的图像清晰度预测模型，根据训练好的图像清晰度预测模型对底图矩阵、叠加图矩阵和叠加区域位置信息进行处理，得到图像清晰度预测结果。图像清晰度预测模型用于预测根据图像合成素材信息进行图形合成处理而得到的合成图像的清晰度是否符合预设合成条件，图像清晰度预测结果用于表征根据图像合成素材信息进行图像合成处理而得到的合成图像的清晰度是否符合预设合成条件。
其中，图像清晰度预测模型可以为根据样本数据集进行机器学习训练后生成的模型，样本数据集包括多组样本数据组合以及每组样本数据组合对应的标签信息，每组样本数据组合包括样本底图、样本叠加图和样本叠加区域位置信息，样本叠加区域位置信息用于指定样本叠加图在样本底图上的叠加区域位置。
在一种实施方式中，底图矩阵可以为底图的原始图像信息矩阵，叠加图矩阵可以为叠加图的原始图像信息矩阵。服务器可以根据训练好的图像清晰度预测模型对底图的原始图像信息矩阵、叠加图的原始图像信息矩阵和叠加区域位置信息进行处理，得到图像清晰度预测结果。
在另一种实施方式中，获取底图对应的底图矩阵和叠加图对应的叠加图矩阵的步骤，包括：通过主成分分析法对底图和叠加图进行降维处理，获得底图矩阵和叠加图矩阵。采用本实施方式时，底图矩阵为底图的原始图像信息矩阵经过降维后得到的图像信息矩阵，叠加图矩阵为叠加图的原始图像信息矩阵经过降维后得到的图像信息矩阵，降低了图像清晰度预测模型所需处理的数据量，从而可以提高图像清晰度预测模型的计算效率。
具体实施时，为了减少需处理的文件数量，便于后续通过主成分分析法对图像合成素材信息进行降维处理，提高降维处理效率，在根据图像合成素材信息进行图像合成处理之前，服务器还可以先将底图的原始图像信息矩阵、叠加图的原始图像信息矩阵以及叠加区域位置信息整合为一个数据矩阵，再通过主成分分析法对该数据矩阵进行降维，得到一个新数据矩阵，并将该新数据矩阵作为图像清晰度预测模型的入参，得到图像清晰度预测结果。
步骤206，在图像清晰度预测结果符合预设合成条件时，根据图像合成素材信息进行图像合成处理。
具体地，已知图像清晰度预测结果用于表征根据图像合成素材信息进行图像合成处理而得到的合成图像的清晰度是否符合预设合成条件，预设合成条件一般指允许根据图像合成素材信息进行图像合成处理时图像清晰度预测结果的取值条件。例如：在图像清晰度预测模型为二分类模型时，只可能出现两种图像清晰度预测结果。实际工作时，两种图像清晰度预测结果可以是0和1，当图像清晰度预测结果是1时，图像清晰度预测结果符合预设合成条件，可以进行图像合成处理；当图像清晰度预测结果是0时，图像清晰度预测结果不符合预设合成条件，不进行图像合成处理。
进一步地，在一个实施例中，步骤206包括：在图像清晰度预测结果符合预设合成条件时，根据叠加区域位置信息确定出叠加图在底图上的叠加区域位置，将叠加图叠加至底图的叠加区域位置上，得到合成图像。
在一个实施方式中，叠加区域位置信息包括叠加图上的预设点在底图上指定的位置坐标信息。进一步具体地，预设点为叠加图的左上角、左下角、右上角或者右下角的起始点。在具体应用场景中，一般选取叠加图的左上角的起始点为预设点，此时叠加区域位置信息包括叠加图的左上角的起始点的坐标信息，服务器可以根据该坐标信息将叠加图叠加到底图上，得到合成图像。
在本发明实施例中提供了一种图像合成方法，能够获取图像合成素材信息，图像合成素材信息包括底图、用于叠加至底图上的叠加图以及叠加区域位置信息，叠加区域位置信息用于指定叠加图在底图上的叠加区域位置；在根据图像合成素材信息进行图像合成处理之前，获取底图对应的底图矩阵和叠加图对应的叠加图矩阵，获取训练好的图像清晰度预测模型，根据训练好的图像清晰度预测模型对底图矩阵、叠加图矩阵和叠加区域位置信息进行处理，得到图像清晰度预测结果，图像清晰度预测模型用于预测根据图像合成素材信息进行图形合成处理而得到的合成图像的清晰度是否符合预设合成条件，图像清晰度预测结果用于表征根据图像合成素材信息进行图像合成处理而得到的合成图像的清晰度是否符合预设合成条件；在图像清晰度预测结果符合预设合成条件时，根据图像合成素材信息进行图像合成处理。本发明实施例采用图像清晰度预测模型来对底图和叠加图合成处理而得到的合成图片的清晰度进行预测，能够实现预测得到的结果更为准确，进而根据该模型得到的图像清晰度预测结果来决定是否进行图片合成的操作，相比现有技术可以进一步地减少不必要的合成，降低设备资源消耗，更准确高效地解决了图片合成后的新图片出现部分内容展示不清晰的问题。。
在一个实施例中，获取训练好的图像清晰度预测模型的步骤，包括：获取训练好的二分类模型，二分类模型为根据样本数据集进行训练后生成的，样本数据集包括多组样本数据组合以及每组样本数据组合对应的标签信息，每组样本数据组合包括样本底图、样本叠加图和样本叠加区域位置信息，样本叠加区域位置信息用于指定样本叠加图在样本底图上的叠加区域位置。本实施例中服务器获取训练好的二分类模型，该二分类模型用于解决二分类问题，可以满足本申请中判断是否清晰的需要。
具体地，获取样本数据集包括以下步骤：首先采集大量的样本图，构建样本图集合，样本图集合可以包括多组样本图组合，每组样本图组合包括样本底图、样本叠加图以及该样本底图与该样本叠加图进行图像合成而得到的样本合成图像，根据上述样本合成图像可以得到每组样本图组合中的样本叠加图在样本底图上的叠加区域位置信息；将每组样本图组合中的样本底图、样本叠加图以及两者对应的叠加区域位置信息放在一起可以构成多组样本数据组合，并根据每组样本图组合中样本合成图像的清晰度，为各组样本数据组合设置对应的标签信息，例如：底图和叠加图合成而生成的新图片清晰，则对上述底图和叠加图的组合打标签为1，否则，打标签为0。根据多组样本数据组合及该样本数据组合对应的标签信息，构建用于训练本实施例中二分类模型的样本数据集。
在一个实施例中，如图3所示，根据样本数据集进行训练后生成二分类模型的步骤，包括：
步骤302，采用主成分分析法对样本数据集中的每组样本数据组合中的样本底图和样本叠加图进行降维处理，得到训练数据集；
具体地，步骤302包括：通过主成分分析法对每组样本数据组合中的样本底图和样本叠加图进行降维处理，得到每组样本数据组合中的样本底图对应的样本底图矩阵和样本叠加图对应的样本叠加图矩阵；根据每组样本数据组合中的样本底图对应的样本底图矩阵、样本叠加图对应的样本叠加图矩阵、样本叠加区域位置信息以及每组样本数据组合对应的标签信息，创建训练数据集。
本实施例中，主成分分析法的原理是在保留原始变量尽可能多的信息的前提下达到降维的目的，设法将原来变量重新组合成一组新的相互无关的几个综合变量，根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息。主成分分析是设法将原来众多具有一定相关性的指标(比如M个指标)，重新组合成一组新的互相无关的综合指标来代替原来的指标。最经典的做法就是用F1(选取的第一个线性组合，即第一个综合指标)的方差来表达，即Va(rF1)越大，表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的，故称F1为第一主成分。如果第一主成分不足以代表原来M个指标的信息，再考虑选取F2即选第二个线性组合，为了有效地反映原来信息，F1已有的信息就不需要再出现在F2中，用数学语言表达就是要求Cov(F1，F2)＝0，则称F2为第二主成分，依此类推可以构造出第三、第四，……，第M个主成分。
具体地，假设底图的图像信息为m1*n1矩阵，叠加图的图像信息为m2*n2矩阵，叠加区域位置信息为一个坐标值(x，y)，通过主成分分析法对以上信息进行降维，底图及叠加图的图像信息均变成更低维度的矩阵。二分类模型训练使用经过主成分分析法提取后的低维矩阵作为入参，可以降低计算复杂度，从而提高计算机的计算效率。
进一步具体地，对于底图的图像信息(m1*n1矩阵)和叠加图的图像信息(m2*n2矩阵)，可使用one-hot思想进行拼接，形成1*(m1*n1+m2*n2)的矩阵，并附加上叠加区域位置信息(x，y)，即可看作有(m1*n1+m2*n2+2)个指标维度的数据，再利用主成分分析法对该数据进行降维，可得到新的M个主成分：
∑k1ixi、∑k2ixi、…、∑kMixi，其中kji是第j个主成分的第i个指标的权重，1≤i≤(m1*n1+m2*n2+2)，1≤j≤M。
步骤304，通过支持向量机算法对训练数据集进行机器学习训练，生成二分类模型。
具体地，通过支持向量机算法对训练数据集中各组训练数据组合进行机器学习训练，生成二分类模型；其中，每组训练数据组合对应一组样本数据组合，每组训练数据组合中包括与其对应的样本数据组合中的样本底图对应的样本底图矩阵、样本叠加图对应的样本叠加图矩阵、样本叠加区域位置信息以及每组样本数据组合对应的标签信息。
本实施例中，训练二分类模型所使用的算法是支持向量机，在两类分类中，支持向量机的基本思想是寻找一个最优超分平面将两类分开，来提高分类的正确率。两类分类主要是线性可分，能使两类正确分开且使两类之间的距离最大的分类平面称为最优超平面，其方程记为：
w·x-b＝0，其中w，b是超平面方程系数，x是自变量。
对其进行归一化，使得样本(xi，yi)，i＝1，...，n，x∈Rd，y∈{+1，-1}，
满足yi[(w，xi)-b]-1≥0，i＝1，...，n是表示的是最优分类超平面。
其中x是样本集合，y是对应的标签集合，xi，yi是第i个样本的数据和所对应的标签，Rd是指d维实数域。
图4为支持向量机算法中最优分类超平面的示意图，图4中的m1为分类超平面，m2、m3分别为与超分平面平行且是过两类中离分类超平面最近的样本，他们间的距离称作分类间隔，间距为2/||w||。
在一个实施例中，如图5所示，提供了一种图像合成方法，该方法包括以下步骤：
步骤402，获取图像合成素材信息，图像合成素材信息包括底图、用于叠加至底图上的叠加图以及叠加区域位置信息，叠加区域位置信息用于指定叠加图在底图上的叠加区域位置。
步骤404，在根据图像合成素材信息进行图像合成处理之前，获取底图对应的底图矩阵和叠加图对应的叠加图矩阵。
步骤406，获取训练好的图像清晰度预测模型，根据训练好的图像清晰度预测模型对底图矩阵、叠加图矩阵和叠加区域位置信息进行处理，得到图像清晰度预测结果。
本实施例中，图像清晰度预测模型用于预测根据图像合成素材信息进行图形合成处理而得到的合成图像的清晰度是否符合预设合成条件，图像清晰度预测结果用于表征根据图像合成素材信息进行图像合成处理而得到的合成图像的清晰度是否符合预设合成条件。
步骤408，判断图像清晰度预测结果是否符合预设合成条件。
在图像清晰度预测结果符合预设合成条件时，执行步骤410，根据图像合成素材信息进行图像合成处理。
在图像清晰度预测结果不符合预设合成条件时，执行步骤412，不对图像合成素材信息进行图像合成处理。
本实施例中提供的一种图像合成方法，根据图像清晰度预测结果决定是否进行图片合成，当图像清晰度预测结果不符合预设合成条件时，不对图像合成素材信息进行图像合成处理，从而避免不必要的图像合成，能够降低设备资源消耗。
应该理解的是，虽然图2、图3和图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图3和图5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于相同的发明构思，本发明还提供了一种图像合成装置。在一个实施例中，如图6所示，该装置包括：
获取模块502，用于获取图像合成素材信息，图像合成素材信息包括底图、用于叠加至底图上的叠加图以及叠加区域位置信息，叠加区域位置信息用于指定叠加图在底图上的叠加区域位置；
预测模块504，用于在根据图像合成素材信息进行图像合成处理之前，获取底图对应的底图矩阵和叠加图对应的叠加图矩阵，获取训练好的图像清晰度预测模型，根据训练好的图像清晰度预测模型对底图矩阵、叠加图矩阵和叠加区域位置信息进行处理，得到图像清晰度预测结果，图像清晰度预测模型用于预测根据图像合成素材信息进行图形合成处理而得到的合成图像的清晰度是否符合预设合成条件，图像清晰度预测结果用于表征根据图像合成素材信息进行图像合成处理而得到的合成图像的清晰度是否符合预设合成条件；
合成模块506，用于在图像清晰度预测结果符合预设合成条件时，根据图像合成素材信息进行图像合成处理。
在一个实施例中，预测模块，包括预测模型获取单元，用于获取训练好的图像清晰度预测模型，该预测模型获取单元还用于获取训练好的二分类模型，二分类模型为根据样本数据集进行训练后生成的，样本数据集包括多组样本数据组合以及每组样本数据组合对应的标签信息，每组样本数据组合包括样本底图、样本叠加图和样本叠加区域位置信息，样本叠加区域位置信息用于指定样本叠加图在样本底图上的叠加区域位置。
在一个实施例中，该装置还包括：二分类模型生成模块，用于根据样本数据集进行训练后生成二分类模型。
该二分类模型生成模块包括：
训练数据集获取单元，用于采用主成分分析法对样本数据集中的每组样本数据组合中的样本底图和样本叠加图进行降维处理，得到训练数据集；
二分类模型训练单元，用于通过支持向量机算法对训练数据集进行机器学习训练，生成二分类模型。
在一个实施例中，训练数据集获取单元，包括：
样本图像矩阵获取子单元，用于通过主成分分析法对每组样本数据组合中的样本底图和样本叠加图进行降维处理，得到每组样本数据组合中的样本底图对应的样本底图矩阵和样本叠加图对应的样本叠加图矩阵；
训练数据集创建子单元，用于根据每组样本数据组合中的样本底图对应的样本底图矩阵、样本叠加图对应的样本叠加图矩阵、样本叠加区域位置信息以及每组样本数据组合对应的标签信息，创建训练数据集。
在一个实施例中，预测模块，包括图像矩阵获取单元，用于获取底图对应的底图矩阵和叠加图对应的叠加图矩阵，该图像矩阵获取单元还用于通过主成分分析法对底图和叠加图进行降维处理，获得底图矩阵和叠加图矩阵。
在一个实施例中，合成模块，包括：
位置确定单元，用于在图像清晰度预测结果符合预设合成条件时，根据叠加区域位置信息确定出叠加图在底图上的叠加区域位置；
图像合成单元，用于将叠加图叠加至底图的叠加区域位置上，得到合成图像。
优选地，该装置还包括：合成拦截模块，用于在图像清晰度预测结果不符合预设合成条件时，不对图像合成素材信息进行图像合成处理。
在一个实施例中，叠加区域位置信息包括叠加图上的预设点在底图上指定的位置坐标信息；优选地，预设点为叠加图的左上角、左下角、右上角或者右下角的起始点。
关于图像合成装置的具体限定可以参见上文中对于图像合成方法的限定，在此不再赘述。上述图像合成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像合成方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取图像合成素材信息，图像合成素材信息包括底图、用于叠加至底图上的叠加图以及叠加区域位置信息，叠加区域位置信息用于指定叠加图在底图上的叠加区域位置；在根据图像合成素材信息进行图像合成处理之前，获取底图对应的底图矩阵和叠加图对应的叠加图矩阵，获取训练好的图像清晰度预测模型，根据训练好的图像清晰度预测模型对底图矩阵、叠加图矩阵和叠加区域位置信息进行处理，得到图像清晰度预测结果，图像清晰度预测模型用于预测根据图像合成素材信息进行图形合成处理而得到的合成图像的清晰度是否符合预设合成条件，图像清晰度预测结果用于表征根据图像合成素材信息进行图像合成处理而得到的合成图像的清晰度是否符合预设合成条件；在图像清晰度预测结果符合预设合成条件时，根据图像合成素材信息进行图像合成处理。
在一个实施例中，处理器执行计算机程序实现上述的获取训练好的图像清晰度预测模型的步骤时，具体实现以下步骤：获取训练好的二分类模型，二分类模型为根据样本数据集进行训练后生成的，样本数据集包括多组样本数据组合以及每组样本数据组合对应的标签信息，每组样本数据组合包括样本底图、样本叠加图和样本叠加区域位置信息，样本叠加区域位置信息用于指定样本叠加图在样本底图上的叠加区域位置。
在一个实施例中，处理器执行计算机程序实现上述的根据样本数据集进行训练后生成二分类模型的步骤时，具体实现以下步骤：采用主成分分析法对样本数据集中的每组样本数据组合中的样本底图和样本叠加图进行降维处理，得到训练数据集；通过支持向量机算法对训练数据集进行机器学习训练，生成二分类模型。
在一个实施例中，处理器执行计算机程序实现上述的采用主成分分析法对样本数据集中的每组样本数据组合中的样本底图和样本叠加图进行降维处理，得到训练数据集的步骤时，具体实现以下步骤：通过主成分分析法对每组样本数据组合中的样本底图和样本叠加图进行降维处理，得到每组样本数据组合中的样本底图对应的样本底图矩阵和样本叠加图对应的样本叠加图矩阵；根据每组样本数据组合中的样本底图对应的样本底图矩阵、样本叠加图对应的样本叠加图矩阵、样本叠加区域位置信息以及每组样本数据组合对应的标签信息，创建训练数据集。
在一个实施例中，处理器执行计算机程序实现上述的获取底图对应的底图矩阵和叠加图对应的叠加图矩阵的步骤时，具体实现以下步骤：通过主成分分析法对底图和叠加图进行降维处理，获得底图矩阵和叠加图矩阵。
在一个实施例中，处理器执行计算机程序实现上述的在图像清晰度预测结果符合预设合成条件时，根据图像合成素材信息进行图像合成处理的步骤时，具体实现以下步骤：在图像清晰度预测结果符合预设合成条件时，根据叠加区域位置信息确定出叠加图在底图上的叠加区域位置，将叠加图叠加至底图的叠加区域位置上，得到合成图像；优选地，处理器执行计算机程序时还实现以下步骤：在图像清晰度预测结果不符合预设合成条件时，不对图像合成素材信息进行图像合成处理。
在一个实施例中，叠加区域位置信息包括叠加图上的预设点在底图上指定的位置坐标信息；优选地，预设点为叠加图的左上角、左下角、右上角或者右下角的起始点。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取图像合成素材信息，图像合成素材信息包括底图、用于叠加至底图上的叠加图以及叠加区域位置信息，叠加区域位置信息用于指定叠加图在底图上的叠加区域位置；在根据图像合成素材信息进行图像合成处理之前，获取底图对应的底图矩阵和叠加图对应的叠加图矩阵，获取训练好的图像清晰度预测模型，根据训练好的图像清晰度预测模型对底图矩阵、叠加图矩阵和叠加区域位置信息进行处理，得到图像清晰度预测结果，图像清晰度预测模型用于预测根据图像合成素材信息进行图形合成处理而得到的合成图像的清晰度是否符合预设合成条件，图像清晰度预测结果用于表征根据图像合成素材信息进行图像合成处理而得到的合成图像的清晰度是否符合预设合成条件；在图像清晰度预测结果符合预设合成条件时，根据图像合成素材信息进行图像合成处理。
在一个实施例中，计算机程序被处理器执行时实现上述的获取训练好的图像清晰度预测模型的步骤时，具体实现以下步骤：获取训练好的二分类模型，二分类模型为根据样本数据集进行训练后生成的，样本数据集包括多组样本数据组合以及每组样本数据组合对应的标签信息，每组样本数据组合包括样本底图、样本叠加图和样本叠加区域位置信息，样本叠加区域位置信息用于指定样本叠加图在样本底图上的叠加区域位置。
在一个实施例中，计算机程序被处理器执行时实现上述的根据样本数据集进行训练后生成二分类模型的步骤时，具体实现以下步骤：采用主成分分析法对样本数据集中的每组样本数据组合中的样本底图和样本叠加图进行降维处理，得到训练数据集；通过支持向量机算法对训练数据集进行机器学习训练，生成二分类模型。
在一个实施例中，计算机程序被处理器执行时实现上述的采用主成分分析法对样本数据集中的每组样本数据组合中的样本底图和样本叠加图进行降维处理，得到训练数据集的步骤时，具体实现以下步骤：通过主成分分析法对每组样本数据组合中的样本底图和样本叠加图进行降维处理，得到每组样本数据组合中的样本底图对应的样本底图矩阵和样本叠加图对应的样本叠加图矩阵；根据每组样本数据组合中的样本底图对应的样本底图矩阵、样本叠加图对应的样本叠加图矩阵、样本叠加区域位置信息以及每组样本数据组合对应的标签信息，创建训练数据集。
在一个实施例中，计算机程序被处理器执行时实现上述的获取底图对应的底图矩阵和叠加图对应的叠加图矩阵的步骤时，具体实现以下步骤：通过主成分分析法对底图和叠加图进行降维处理，获得底图矩阵和叠加图矩阵。
在一个实施例中，计算机程序被处理器执行时实现上述的在图像清晰度预测结果符合预设合成条件时，根据图像合成素材信息进行图像合成处理的步骤时，具体实现以下步骤：在图像清晰度预测结果符合预设合成条件时，根据叠加区域位置信息确定出叠加图在底图上的叠加区域位置，将叠加图叠加至底图的叠加区域位置上，得到合成图像；优选地，计算机程序被处理器执行时时还实现以下步骤：在图像清晰度预测结果不符合预设合成条件时，不对图像合成素材信息进行图像合成处理。
在一个实施例中，叠加区域位置信息包括叠加图上的预设点在底图上指定的位置坐标信息；优选地，预设点为叠加图的左上角、左下角、右上角或者右下角的起始点。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种图像合成方法，所述方法包括：
获取图像合成素材信息，所述图像合成素材信息包括底图、用于叠加至所述底图上的叠加图以及叠加区域位置信息，所述叠加区域位置信息用于指定所述叠加图在所述底图上的叠加区域位置；
在根据所述图像合成素材信息进行图像合成处理之前，获取所述底图对应的底图矩阵和所述叠加图对应的叠加图矩阵，获取训练好的图像清晰度预测模型，根据所述训练好的图像清晰度预测模型对所述底图矩阵、所述叠加图矩阵和所述叠加区域位置信息进行处理，得到图像清晰度预测结果，所述图像清晰度预测模型用于预测根据所述图像合成素材信息进行图形合成处理而得到的合成图像的清晰度是否符合预设合成条件，所述图像清晰度预测结果用于表征根据所述图像合成素材信息进行图像合成处理而得到的合成图像的清晰度是否符合预设合成条件，所述图像清晰度预测模型是通过支持向量机算法对基于主成分分析法对样本数据集中的每组样本数据组合中的样本底图和样本叠加图进行降维处理后得到的训练数据集进行机器学习训练生成的二分类模型；
在所述图像清晰度预测结果符合预设合成条件时，根据所述图像合成素材信息进行图像合成处理。
2.根据权利要求1所述的方法，其特征在于，所述获取训练好的图像清晰度预测模型，包括：
获取训练好的二分类模型，所述二分类模型为根据样本数据集进行训练后生成的，所述样本数据集包括多组样本数据组合以及每组所述样本数据组合对应的标签信息，每组所述样本数据组合包括样本底图、样本叠加图和样本叠加区域位置信息，所述样本叠加区域位置信息用于指定所述样本叠加图在所述样本底图上的叠加区域位置。
3.根据权利要求2所述的方法，其特征在于，采用主成分分析法对所述样本数据集中的每组所述样本数据组合中的所述样本底图和所述样本叠加图进行降维处理，得到训练数据集，包括：
通过主成分分析法对每组所述样本数据组合中的所述样本底图和所述样本叠加图进行降维处理，得到每组所述样本数据组合中的所述样本底图对应的样本底图矩阵和所述样本叠加图对应的样本叠加图矩阵；
根据每组所述样本数据组合中的所述样本底图对应的样本底图矩阵、所述样本叠加图对应的样本叠加图矩阵、所述样本叠加区域位置信息以及每组所述样本数据组合对应的标签信息，创建所述训练数据集。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述获取所述底图对应的底图矩阵和所述叠加图对应的叠加图矩阵，包括：
通过主成分分析法对所述底图和所述叠加图进行降维处理，获得所述底图矩阵和所述叠加图矩阵。
5.根据权利要求1所述的方法，其特征在于，所述在所述图像清晰度预测结果符合预设合成条件时，根据所述图像合成素材信息进行图像合成处理，包括：
在所述图像清晰度预测结果符合预设合成条件时，根据所述叠加区域位置信息确定出所述叠加图在所述底图上的叠加区域位置，将所述叠加图叠加至所述底图的叠加区域位置上，得到合成图像；
所述方法还包括：在所述图像清晰度预测结果不符合预设合成条件时，不对所述图像合成素材信息进行图像合成处理。
6.根据权利要求1所述的方法，其特征在于，所述叠加区域位置信息包括所述叠加图上的预设点在所述底图上指定的位置坐标信息。
7.一种应用如权利要求1-6任一项所述图像合成方法的图像合成装置，其特征在于，所述装置包括：
获取模块，用于获取图像合成素材信息，所述图像合成素材信息包括底图、用于叠加至所述底图上的叠加图以及叠加区域位置信息，所述叠加区域位置信息用于指定所述叠加图在所述底图上的叠加区域位置；
预测模块，用于在根据所述图像合成素材信息进行图像合成处理之前，获取所述底图对应的底图矩阵和所述叠加图对应的叠加图矩阵，获取训练好的图像清晰度预测模型，根据所述训练好的图像清晰度预测模型对所述底图矩阵、所述叠加图矩阵和所述叠加区域位置信息进行处理，得到图像清晰度预测结果，所述图像清晰度预测模型用于预测根据所述图像合成素材信息进行图形合成处理而得到的合成图像的清晰度是否符合预设合成条件，所述图像清晰度预测结果用于表征根据所述图像合成素材信息进行图像合成处理而得到的合成图像的清晰度是否符合预设合成条件；
合成模块，用于在所述图像清晰度预测结果符合预设合成条件时，根据所述图像合成素材信息进行图像合成处理。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202011450503.0A 2020-12-09 2020-12-09 图像合成方法、装置、计算机设备和存储介质 Active CN112488974B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011450503.0A CN112488974B (zh) 2020-12-09 2020-12-09 图像合成方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011450503.0A CN112488974B (zh) 2020-12-09 2020-12-09 图像合成方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112488974A CN112488974A (zh) 2021-03-12
CN112488974B true CN112488974B (zh) 2024-07-05

Family

ID=74941479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011450503.0A Active CN112488974B (zh) 2020-12-09 2020-12-09 图像合成方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112488974B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492343A (zh) * 2018-03-28 2018-09-04 东北大学 一种扩充目标识别的训练数据的图像合成方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105387B (zh) * 2019-11-08 2023-05-26 西安电子科技大学 基于统计特征视角合成质量预测方法、信息数据处理终端
CN111445410B (zh) * 2020-03-26 2022-09-27 腾讯科技（深圳）有限公司 基于纹理图像的纹理增强方法、装置、设备和存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492343A (zh) * 2018-03-28 2018-09-04 东北大学 一种扩充目标识别的训练数据的图像合成方法

Also Published As

Publication number Publication date
CN112488974A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
Lee et al. Reference-based sketch image colorization using augmented-self reference and dense semantic correspondence
Zhang et al. Ensnet: Ensconce text in the wild
CN112270686B (zh) 图像分割模型训练、图像分割方法、装置及电子设备
WO2020186779A1 (zh) 图片信息识别方法、装置、计算机设备和存储介质
CN112183307B (zh) 文本识别方法、计算机设备和存储介质
CN107886082B (zh) 图像中数学公式检测方法、装置、计算机设备及存储介质
CN110766027A (zh) 图像的区域定位方法和目标区域定位模型的训练方法
US20180307399A1 (en) Dynamic Thumbnails
CN110059688B (zh) 图片信息识别方法、装置、计算机设备和存储介质
CN114332895A (zh) 文本图像合成方法、装置、设备、存储介质和程序产品
CN114003160A (zh) 数据可视化展示方法、装置、计算机设备和存储介质
CN112115860B (zh) 人脸关键点定位方法、装置、计算机设备和存储介质
CN110427915A (zh) 用于输出信息的方法和装置
CN113469092A (zh) 字符识别模型生成方法、装置、计算机设备和存储介质
CN110517221B (zh) 基于现实坐标的缝隙定位方法、装置和存储介质
CN114387289B (zh) 输配电架空线路三维点云语义分割方法和装置
CN114549849A (zh) 图像识别方法、装置、计算机设备和存储介质
CN112488974B (zh) 图像合成方法、装置、计算机设备和存储介质
Shen et al. A study on improving realism of synthetic data for machine learning
Liu et al. A two step salient objects extraction framework based on image segmentation and saliency detection
CN117332766A (zh) 流程图生成方法、装置、计算机设备和存储介质
CN116229130A (zh) 模糊图像的类型识别方法、装置、计算机设备和存储介质
CN115457308A (zh) 细粒度图像识别方法、装置和计算机设备
CN115424001A (zh) 场景相似度估计方法、装置、计算机设备和存储介质
CN115775386A (zh) 用户界面组件的识别方法、装置、计算机设备和存储介质

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
GR01 Patent grant
GR01 Patent grant