CN112862653A - 一种基于图像处理的数据显示系统 - Google Patents
一种基于图像处理的数据显示系统 Download PDFInfo
- Publication number
- CN112862653A CN112862653A CN202110026171.1A CN202110026171A CN112862653A CN 112862653 A CN112862653 A CN 112862653A CN 202110026171 A CN202110026171 A CN 202110026171A CN 112862653 A CN112862653 A CN 112862653A
- Authority
- CN
- China
- Prior art keywords
- image
- picture
- repair
- information
- photo
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000000926 separation method Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 108010068977 Golgi membrane glycoproteins Proteins 0.000 claims abstract description 5
- 239000003973 paint Substances 0.000 claims abstract description 5
- 230000015654 memory Effects 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 26
- 230000006835 compression Effects 0.000 claims description 18
- 238000007906 compression Methods 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000006837 decompression Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000011176 pooling Methods 0.000 description 11
- 239000003086 colorant Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/60—Memory management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- 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
- G06T2207/20—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理的数据显示系统,本发明属于图形处理领域,涉及图形识别处理技术,用于解决图像处理过程中存在采集照片存储以及选用的问题;通过获取裁剪后的图片对应的覆盖模型;将覆盖模型对应信息库内的掩模进行选取;将掩模对应的物品分类信息进提取;将物品分类信息发送至显示模块,可以实现将图片信息转化为数据信息,并通过显示模块进行显示,实现了图片转化为数据的过程,丰富了获取信息的途径;通过选用GIMP、Paint、IrfanView、Affinity photo或美图秀秀等软件进行图片优化,可大大增加对比性,进而选取最优图片进行分隔,降低图片识别的错误率。
Description
技术领域
本发明属于图形处理领域,涉及图形识别处理技术,具体是一种基于图像处理的数据显示系统。
背景技术
图像处理,用计算机对图像进行分析,以达到所需结果的技术。又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组,该数组的元素称为像素,其值称为灰度值。图像处理技术一般包括图像压缩,增强和复原,匹配、描述和识别3个部分。
21世纪是一个充满信息的时代,图像作为人类感知世界的视觉基础,是人类获取信息、表达信息和传递信息的重要手段。数字图像处理,即用计算机对图像进行处理,其发展历史并不长。数字图像处理技术源于20世纪20年代,当时通过海底电缆从英国伦敦到美国纽约传输了一幅照片,采用了数字压缩技术。首先数字图像处理技术可以帮助人们更客观、准确地认识世界,人的视觉系统可以帮助人类从外界获取3/4以上的信息,而图像、图形又是所有视觉信息的载体,尽管人眼的鉴别力很高,可以识别上千种颜色,但很多情况下,图像对于人眼来说是模糊的甚至是不可见的,通过图象增强技术,可以使模糊甚至不可见的图像变得清晰明亮。
在计算机中,按照颜色和灰度的多少可以将图像分为二值图像、灰度图像、索引图像和真彩色RGB图像四种基本类型。大多数图像处理软件都支持这四种类型的图像;
而图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术,是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别,人脸识别主要运用在安全检查、身份核验与移动支付中;商品识别主要运用在商品流通过程中,特别是无人货架、智能零售柜等无人零售领域。
发明内容
本发明的目的在于提供一种基于图像处理的数据显示系统,用于解决图像处理过程中存在采集照片存储以及选用的问题。
本发明的目的可以通过以下技术方案实现:
一种基于图像处理的数据显示系统,包括图像采集模块、图像预处理模块、图像分隔模块、图数转化模块以及显示模块;
所述图像采集模块用于采集需要进行图像处理的图像信息,所述图像预处理模块用于对图像信息进行初步筛选处理;所述图像分隔模块用于对预处理后的图片进行标准化分隔;所述图数转化模块用于将标准化分隔后的图片信息转化为数据信息;所述显示模块用于将数据信息进行输出;
具体的,所述图数转化模块用于将标准化分隔后的图片信息转化为数据信息包括以下步骤:
步骤一:获取裁剪后的图片对应的覆盖模型;
步骤二:将覆盖模型对应信息库内的掩模进行选取;
步骤三:将掩模对应的物品分类信息进提取;
步骤四:将物品分类信息发送至显示模块。
进一步地,所述图像采集模块可以为相机、智能设备摄像头、全景摄像头以及监控摄像头;
其中,所述相机、智能设备摄像头、全景摄像头以及监控摄像头拍摄的图片分辨率最低为1920×1080,最高为7680x4320,且所述相机、智能设备摄像头、全景摄像头以及监控摄像头拍摄的图片的格式为.JPG格式;
所述图像采集模块采集到初始图片后,将初始图片发送至图像预处理模块进行预处理。
进一步地,所述图像预处理模块包括图像存储单元、图像修复单元以及图像反馈单元;
所述图像存储单元用于存储图像采集模块采集到初始图片,具体为:
S1:获取储存照片的分辨率,并将照片发送至存储器中,其中,存储器至少设置有两个;
S2:在同一时间对存储器内的照片进行压缩,并记录压缩时间,并获得压缩图片;
S3:在同一时间内对存储器内的压缩图片进行解压,并记录解压时间,并获得解压图片;
S4:通过存储选取公式得出不同存储器存储相同分辨率照片的存储匹配值,并选取存储匹配值最大的存储器为对应分辨率照片的标定存储器;
其中,所述压缩操作的压缩选项与解压操作的解压选项在每个存储器内均选择为相同项;所述压缩时间与解压时间均为结束时间减去开始时间得出;
进一步地,所述图像修复单元用于对初始照片进行修复调整,具体为:
A1:与修复节点建立数据连接,并将初始照片发送至修复节点内;
A2:所述修复节点设置有若干个,在所有修复单元完成修复后,获取全部修复照片;
A3:通过修复值公式获得修复照片的修复值,并选取修复值最大的修复照片为选定修复照片,并将选定修复照片发送至图像分隔模块;
进一步地,所述修复节点为GIMP、Paint、Funny Photo Maker、Photo Pos Pr、Photolemur、PhotoScape、IrfanView、Affinity photo或美图秀秀。
进一步地,所述图像反馈单元用于得出可信度系数,具体为,获取每个修复节点的修复照片的字符数,获取修复照片的总数,修复照片的字符数除以修复照片的总数得出平均修复照片的字符数;
其中,平均修复照片的字符数等于修复照片的字符数时,可信度系数为1;
其中,平均修复照片的字符数小于修复照片的字符数时,可信度系数为1;
其中,平均修复照片的字符数大于修复照片的字符数时,通过可信度公式获得修复节点的可信度系数;
进一步地,所述图像分隔模块用于对图形进行分隔,具体为,获取选定修复照片并对其进行灰度处理,其中,灰度处理选择加权平均法进行处理;将灰度处理后的选定修复照片发送至覆盖单元进行覆盖选取,并将覆盖成功的部分进行裁剪;并将裁剪后的图片发送至图数转化模块。
进一步地,所述覆盖单元进行覆盖选取,具体为,获取信息库中的覆盖模型,将覆盖模型与灰度处理后的选定修复照片相叠加,完成覆盖选取。
进一步地,所述信息库中的覆盖模型通过深度学习网络模拟得出,具体包括以下步骤:
Q1:构建练习库;其中所述练习库包括三个分库,分库一中存储训练图片,分库二中存储与分库一中所存储的训练图片相对应的优化图片,分库三中存储有掩模;
Q2:使用练习库对深度学习模型进行训练,获得深度学习网络;
Q21:从分库一获得训练图片;
Q22:从分库二获得与所述训练图片相对应的优化图片;
Q23:从分库三中获取掩模;
Q24:将优化图片与掩模输入深度学习模型进行训练,在模型收敛时,即获得深度学习网络;
其中,所述深度学习网络具体为卷积神经网络。
进一步地,所述显示模块用于将数据信息进行输出,其中,数据信息具体为物品分类信息;所述物品分类信息具体为掩模对应的中文名称;
其中,所述显示模块可以安装在手机、电脑、显示器、电视机以及LED屏幕内。
与现有技术相比,本发明的有益效果是:
(1)通过获取裁剪后的图片对应的覆盖模型;将覆盖模型对应信息库内的掩模进行选取;将掩模对应的物品分类信息进提取;将物品分类信息发送至显示模块,可以实现将图片信息转化为数据信息,并通过显示模块进行显示,实现了图片转化为数据的过程,丰富了获取信息的途径。
(2)通过获取储存照片的分辨率,并将照片发送至存储器中,其中,存储器至少设置有两个;在同一时间对存储器内的照片进行压缩,并记录压缩时间,并获得压缩图片;在同一时间内对存储器内的压缩图片进行解压,并记录解压时间,并获得解压图片;通过存储选取公式得出不同存储器存储相同分辨率照片的存储匹配值,并选取存储匹配值最大的存储器为对应分辨率照片的标定存储器;其中,所述压缩操作的压缩选项与解压操作的解压选项在每个存储器内均选择为相同项;所述压缩时间与解压时间均为结束时间减去开始时间得出;使得本发明在存储选用照片时,可以根据照片的分辨率以及具体使用情况去选择存储器,使得本发明在具体实施时,可以增加识别的速度,降低系统卡顿。
(3)通过与修复节点建立数据连接,并将初始照片发送至修复节点内;所述修复节点设置有若干个,在所有修复单元完成修复后,获取全部修复照片;通过修复值公式获得修复照片的修复值,并选取修复值最大的修复照片为选定修复照片,并将选定修复照片发送至图像分隔模块;使得本发明在具体实施中,可以先通过市面上的软件进行初步优化后在进行识别,减轻了系统的复杂度与庞杂度,使得本发明可以在一般机器上运行,实用性强。
(4)通过选用GIMP、Paint、Funny Photo Maker、Photo Pos Pr、Photolemur、PhotoScape、IrfanView、Affinity photo以及美图秀秀等软件进行图片优化,可大大增加对比性,进而选取最优图片进行分隔,降低图片识别的错误率。
(5)通过构建练习库;其中所述练习库包括三个分库,分库一中存储训练图片,分库二中存储与分库一中所存储的训练图片相对应的优化图片,分库三中存储有掩模;使用练习库对深度学习模型进行训练,获得深度学习网络,具体分为,从分库一获得训练图片;从分库二获得与所述训练图片相对应的优化图片;从分库三中获取掩模;将优化图片与掩模输入深度学习模型进行训练,在模型收敛时,即获得深度学习网络;其中,所述深度学习网络具体为卷积神经网络,使得本发明可以通过不断进行图片识别来进行模型补充,进而达到识别范围覆盖广,识别能力强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明原理框图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
因此,在下述附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。
如图1所示,一种基于图像处理的数据显示系统,其特征在于,包括图像采集模块、图像预处理模块、图像分隔模块、图数转化模块以及显示模块;
图像采集模块用于采集需要进行图像处理的图像信息,图像预处理模块用于对图像信息进行初步筛选处理;图像分隔模块用于对预处理后的图片进行标准化分隔;图数转化模块用于将标准化分隔后的图片信息转化为数据信息;显示模块用于将数据信息进行输出。
具体的,上述模块均储存在处理器内,处理器为一种集成电路芯片,具有信号的处理能力。在实现过程中,图像处理的数据显示系统的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(ApplicationSpecific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable GateArray,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施方式中的发明的各方法以及步骤。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施方式所发明的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成实施方式的图像处理的数据显示系统的步骤。
在本发明具体实施时,图像采集模块可以为相机、智能设备摄像头、全景摄像头以及监控摄像头。
其中,相机、智能设备摄像头、全景摄像头以及监控摄像头拍摄的图片分辨率最低为1920×1080,最高为7680x4320,且相机、智能设备摄像头、全景摄像头以及监控摄像头拍摄的图片的格式为.JPG格式。
图像采集模块采集到初始图片后,将初始图片发送至图像预处理模块进行预处理。
具体的,图像预处理模块包括图像存储单元、图像修复单元以及图像反馈单元。
图像存储单元用于存储图像采集模块采集到初始图片,具体为:
S1:获取储存照片的分辨率,并将照片发送至存储器中,其中,存储器至少设置有两个;
S2:在同一时间对存储器内的照片进行压缩,并记录压缩时间,并获得压缩图片;
S3:在同一时间内对存储器内的压缩图片进行解压,并记录解压时间,并获得解压图片;
S4:通过存储选取公式得出不同存储器存储相同分辨率照片的存储匹配值,并选取存储匹配值最大的存储器为对应分辨率照片的标定存储器。
其中,压缩操作的压缩选项与解压操作的解压选项在每个存储器内均选择为相同项;压缩时间与解压时间均为结束时间减去开始时间得出。
具体的,本发明的存储器即机器可读存储介质,用于存储一张或多张图片,一张或多张图片被处理器执行,以实现上述图像存储的步骤,在此不进行限制。
其中,存储器可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。其中,总线可以是ISA总线、PCI总线或EISA总线等,总线可以分为地址总线、数据总线、控制总线等。
图像修复单元用于对初始照片进行修复调整,具体为:
A1:与修复节点建立数据连接,并将初始照片发送至修复节点内;
A2:修复节点设置有若干个,在所有修复单元完成修复后,获取全部修复照片;
A3:通过修复值公式获得修复照片的修复值,并选取修复值最大的修复照片为选定修复照片,并将选定修复照片发送至图像分隔模块;
优选的,图像反馈单元用于得出可信度系数,具体为,获取每个修复节点的修复照片的字符数,获取修复照片的总数,修复照片的字符数除以修复照片的总数得出平均修复照片的字符数。
其中,平均修复照片的字符数等于修复照片的字符数时,可信度系数为1。
其中,平均修复照片的字符数小于修复照片的字符数时,可信度系数为1。
其中,平均修复照片的字符数大于修复照片的字符数时,通过可信度公式获得修复节点的可信度系数。
优选地,修复节点为GIMP、Paint、Funny Photo Maker、Photo Pos Pr、Photolemur、PhotoScape、IrfanView、Affinity photo或美图秀秀。
图像分隔模块用于对图形进行分隔,具体为,获取选定修复照片并对其进行灰度处理,其中,灰度处理选择加权平均法进行处理;将灰度处理后的选定修复照片发送至覆盖单元进行覆盖选取,并将覆盖成功的部分进行裁剪;并将裁剪后的图片发送至图数转化模块。
具体的,选定修复照片包括三色,即R、G、B,在R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值,因此,灰度图像每个像素只需一个字节存放灰度值,灰度值范围为0-255。
具体的,覆盖单元进行覆盖选取,具体为,获取信息库中的覆盖模型,将覆盖模型与灰度处理后的选定修复照片相叠加,完成覆盖选取。
优选的,信息库中的覆盖模型通过深度学习网络模拟得出,具体包括以下步骤:
Q1:构建练习库;其中练习库包括三个分库,分库一中存储训练图片,分库二中存储与分库一中所存储的训练图片相对应的优化图片,分库三中存储有掩模;
Q2:使用练习库对深度学习模型进行训练,获得深度学习网络;
Q21:从分库一获得训练图片;
Q22:从分库二获得与训练图片相对应的优化图片;
Q23:从分库三中获取掩模;
Q24:将优化图片与掩模输入深度学习模型进行训练,在模型收敛时,即获得深度学习网络。
其中,深度学习网络具体为卷积神经网络。
在本发明具体实施中,卷积神经网络具体为一种卷积神经网络运算电路,优选地,卷积神经网络运算电路包括,外部存储器,用于存储待处理图像;直接存取单元,与外部存储器连接,用于读取待处理图像,并将读取到的数据传输至控制单元;控制单元,与直接存取单元连接,用于将数据存储至内部存储器;内部存储器,与控制单元连接,用于缓存数据;运算单元,与内部存储器连接,用于从内部存储器读取数据并进行卷积池化运算。
需要注意的是,运算单元的数量至少为两个。
优选地,在各个运算单元之间采用级联结构连接的情况下,第n层的数据经过第n个运算单元的卷积池化运算后缓存到内部存储器中,由第n+1个运算单元将运算后的数据取出并进行第n+1层的卷积池化运算,其中,n为正整数。
优选地,在各个运算单元之间采用并联结构连接的情况下,各个运算单元分别处理待处理图像的部分图像,各个运算单元采用相同的卷积核进行并行卷积池化运算。
优选地,在各个运算单元之间采用并联结构连接的情况下,各个运算单元分别对待处理图像进行不同的特征提取,各个运算单元采用不同的卷积核进行并行卷积池化运算。
优选的,在运算单元的数量为两个的情况下,两个运算单元分别提取待处理图像的轮廓信息和细节信息。
具体的,运算单元包括卷积运算单元、池化运算单元、缓冲单元及缓冲控制单元。
其中,卷积运算单元,用于对数据进行卷积运算,并将得到的卷积结果传输至池化运算单元。
池化运算单元,与卷积运算单元连接,用于对卷积结果进行池化运算,并将得到的池化结果存储至缓冲单元。
缓冲控制单元,用于将池化结果通过缓冲单元存储至内部存储器或通过直接存取单元存储至外部存储器。
其中,外部存储器包括以下至少之一:
双倍速率同步动态随机存储器、同步动态随机存储器。
内部存储器包括静态存储器阵列,静态存储器阵列包括多个静态存储器,每个静态存储器用于存储不同的数据。
具体的,图数转化模块用于将标准化分隔后的图片信息转化为数据信息包括以下步骤:
步骤一:获取裁剪后的图片对应的覆盖模型;
步骤二:将覆盖模型对应信息库内的掩模进行选取;
步骤三:将掩模对应的物品分类信息进提取;
步骤四:将物品分类信息发送至显示模块。
具体的,显示模块用于将数据信息进行输出,其中,数据信息具体为物品分类信息;物品分类信息具体为掩模对应的中文名称。
其中,显示模块可以安装在手机、电脑、显示器、电视机以及LED屏幕内。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
在本发明所提供的实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式;所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方法的目的。
另对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (10)
1.一种基于图像处理的数据显示系统,其特征在于,包括图像采集模块、图像预处理模块、图像分隔模块、图数转化模块以及显示模块;
所述图像采集模块用于采集需要进行图像处理的图像信息,所述图像预处理模块用于对图像信息进行初步筛选处理;所述图像分隔模块用于对预处理后的图片进行标准化分隔;所述图数转化模块用于将标准化分隔后的图片信息转化为数据信息;所述显示模块用于将数据信息进行输出;
具体的,所述图数转化模块用于将标准化分隔后的图片信息转化为数据信息包括以下步骤:
步骤一:获取裁剪后的图片对应的覆盖模型;
步骤二:将覆盖模型对应信息库内的掩模进行选取;
步骤三:将掩模对应的物品分类信息进提取;
步骤四:将物品分类信息发送至显示模块。
2.根据权利要求1所述的一种基于图像处理的数据显示系统,其特征在于,所述图像采集模块可以为相机、智能设备摄像头、全景摄像头以及监控摄像头;
其中,所述相机、智能设备摄像头、全景摄像头以及监控摄像头拍摄的图片分辨率最低为1920×1080,最高为7680x4320,且所述相机、智能设备摄像头、全景摄像头以及监控摄像头拍摄的图片的格式为.JPG格式;
所述图像采集模块采集到初始图片后,将初始图片发送至图像预处理模块进行预处理。
3.根据权利要求1所述的一种基于图像处理的数据显示系统,其特征在于,所述图像预处理模块包括图像存储单元、图像修复单元以及图像反馈单元;
所述图像存储单元用于存储图像采集模块采集到初始图片,具体为:
S1:获取储存照片的分辨率,并将照片发送至存储器中,其中,存储器至少设置有两个;
S2:在同一时间对存储器内的照片进行压缩,并记录压缩时间,并获得压缩图片;
S3:在同一时间内对存储器内的压缩图片进行解压,并记录解压时间,并获得解压图片;
S4:通过存储选取公式得出不同存储器存储相同分辨率照片的存储匹配值,并选取存储匹配值最大的存储器为对应分辨率照片的标定存储器;
其中,所述压缩操作的压缩选项与解压操作的解压选项在每个存储器内均选择为相同项;所述压缩时间与解压时间均为结束时间减去开始时间得出;
5.根据权利要求4所述的一种基于图像处理的数据显示系统,其特征在于,所述修复节点为GIMP、Paint、Funny Photo Maker、Photo Pos Pr、Photolemur、PhotoScape、IrfanView、Affinity photo或美图秀秀。
7.根据权利要求1所述的一种基于图像处理的数据显示系统,其特征在于,所述图像分隔模块用于对图形进行分隔,具体为,获取选定修复照片并对其进行灰度处理,其中,灰度处理选择加权平均法进行处理;将灰度处理后的选定修复照片发送至覆盖单元进行覆盖选取,并将覆盖成功的部分进行裁剪;并将裁剪后的图片发送至图数转化模块。
8.根据权利要求1所述的一种基于图像处理的数据显示系统,其特征在于,所述覆盖单元进行覆盖选取,具体为,获取信息库中的覆盖模型,将覆盖模型与灰度处理后的选定修复照片相叠加,完成覆盖选取。
9.根据权利要求1所述的一种基于图像处理的数据显示系统,其特征在于,所述信息库中的覆盖模型通过深度学习网络模拟得出,具体包括以下步骤:
Q1:构建练习库;其中所述练习库包括三个分库,分库一中存储训练图片,分库二中存储与分库一中所存储的训练图片相对应的优化图片,分库三中存储有掩模;
Q2:使用练习库对深度学习模型进行训练,获得深度学习网络;
Q21:从分库一获得训练图片;
Q22:从分库二获得与所述训练图片相对应的优化图片;
Q23:从分库三中获取掩模;
Q24:将优化图片与掩模输入深度学习模型进行训练,在模型收敛时,即获得深度学习网络;
其中,所述深度学习网络具体为卷积神经网络。
10.根据权利要求1所述的一种基于图像处理的数据显示系统,其特征在于,所述显示模块用于将数据信息进行输出,其中,数据信息具体为物品分类信息;所述物品分类信息具体为掩模对应的中文名称;
其中,所述显示模块可以安装在手机、电脑、显示器、电视机以及LED屏幕内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110026171.1A CN112862653B (zh) | 2021-01-08 | 2021-01-08 | 一种基于图像处理的数据显示系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110026171.1A CN112862653B (zh) | 2021-01-08 | 2021-01-08 | 一种基于图像处理的数据显示系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862653A true CN112862653A (zh) | 2021-05-28 |
CN112862653B CN112862653B (zh) | 2021-09-24 |
Family
ID=76001864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110026171.1A Active CN112862653B (zh) | 2021-01-08 | 2021-01-08 | 一种基于图像处理的数据显示系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862653B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114404238A (zh) * | 2022-01-21 | 2022-04-29 | 池浩 | 助盲器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8831292B2 (en) * | 2011-09-19 | 2014-09-09 | Deer & Company | Method and apparatus for the optical evaluation of harvested crop in a harvesting machine |
US10049308B1 (en) * | 2017-02-21 | 2018-08-14 | A9.Com, Inc. | Synthesizing training data |
CN108986105A (zh) * | 2018-06-12 | 2018-12-11 | 四川斐讯信息技术有限公司 | 一种基于内容的图像预处理方法及系统 |
CN109359661A (zh) * | 2018-07-11 | 2019-02-19 | 华东交通大学 | 一种基于卷积神经网络的Sentinel-1雷达图像分类方法 |
CN110276362A (zh) * | 2018-03-13 | 2019-09-24 | 富士通株式会社 | 训练图像模型的方法和装置以及分类预测方法和装置 |
-
2021
- 2021-01-08 CN CN202110026171.1A patent/CN112862653B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8831292B2 (en) * | 2011-09-19 | 2014-09-09 | Deer & Company | Method and apparatus for the optical evaluation of harvested crop in a harvesting machine |
US10049308B1 (en) * | 2017-02-21 | 2018-08-14 | A9.Com, Inc. | Synthesizing training data |
CN110276362A (zh) * | 2018-03-13 | 2019-09-24 | 富士通株式会社 | 训练图像模型的方法和装置以及分类预测方法和装置 |
CN108986105A (zh) * | 2018-06-12 | 2018-12-11 | 四川斐讯信息技术有限公司 | 一种基于内容的图像预处理方法及系统 |
CN109359661A (zh) * | 2018-07-11 | 2019-02-19 | 华东交通大学 | 一种基于卷积神经网络的Sentinel-1雷达图像分类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114404238A (zh) * | 2022-01-21 | 2022-04-29 | 池浩 | 助盲器 |
CN114404238B (zh) * | 2022-01-21 | 2024-01-19 | 池浩 | 助盲器 |
Also Published As
Publication number | Publication date |
---|---|
CN112862653B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Athar et al. | A comprehensive performance evaluation of image quality assessment algorithms | |
CN111428781A (zh) | 遥感影像地物分类方法及系统 | |
Dev et al. | Categorization of cloud image patches using an improved texton-based approach | |
Huang et al. | Real-time classification of green coffee beans by using a convolutional neural network | |
CN112580523A (zh) | 行为识别方法、装置、设备及存储介质 | |
CN108875751B (zh) | 图像处理方法和装置、神经网络的训练方法、存储介质 | |
CN111985281B (zh) | 图像生成模型的生成方法、装置及图像生成方法、装置 | |
CN106682628B (zh) | 一种基于多层深度特征信息的人脸属性分类方法 | |
CN111353447B (zh) | 一种基于图卷积网络的人体骨架行为识别方法 | |
GB2378342A (en) | Selecting images based upon the similarity between images | |
CN111079864A (zh) | 一种基于优化视频关键帧提取的短视频分类方法及系统 | |
CN113850324B (zh) | 一种基于Yolov4的多光谱目标检测方法 | |
CN112396053A (zh) | 一种基于级联神经网络的环视鱼眼图像目标检测方法 | |
CN112862653B (zh) | 一种基于图像处理的数据显示系统 | |
CN111104924B (zh) | 一种识别低分辨率商品图像的处理算法 | |
CN112132205A (zh) | 一种基于卷积神经网络的遥感图像分类方法 | |
CN113642445A (zh) | 一种基于全卷积神经网络的高光谱影像分类方法 | |
CN113628143A (zh) | 一种基于多尺度卷积的加权融合图像去雾方法及装置 | |
CN111428809A (zh) | 基于空间信息融合与卷积神经网络的人群计数方法 | |
CN110858304A (zh) | 一种身份证图像识别的方法及其设备 | |
CN106228163B (zh) | 一种基于特征选择的局部差三进制序列图像特征描述方法 | |
CN115311152A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN116468615A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114049317A (zh) | 一种基于人工智能的ccd设备自动化检验系统及方法 | |
CN113887470A (zh) | 基于多任务注意力机制的高分辨率遥感图像地物提取方法 |
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 |